一位 Reddit 用户分三次跑了超过一百万 token 来测 Qwen3.6-35B-A3B 的多 token 预测（MTP）版本，上下文拉到 300k，量化用 KV Q8_0。他给出的结论是生成速度大概比之前测过的版本快了 1.5 倍。不过帖子正文被 Reddit 的安全策略挡了，看不到具体测试环境、硬件配置和任务类型，所以这个提速是在什么条件下跑...
推荐理由：一个 Reddit 用户拿 Qwen3.6-35B-A3B MTP 版跑了三轮百万 token 的测试，在 300k 上下文、KV Q8_0 量化下，速度大概是旧测试的 1.5 倍。这个多 token 预测版（一次预测多个 token）确实在本地跑出了可感知的加速，但正文没披露功耗、显存占用和不同量化级别的对比，所以这个 1.5 倍先别太激动，得看自己硬件上复现怎么样。帖子本身有细节、有实测，对想省钱跑长上下文的开发者有参考价值，但毕竟只是单篇个人测试，重要性我给 74。
一个叫keon/jepa的开源教学库把LeCun提出的JEPA世界模型拆成了5个独立变体，每个都用单个PyTorch文件实现，最短160行，最长278行，只依赖PyTorch和torchvision。其中iJEPA在CIFAR-10上跑了100轮，线性探测准确率52.7%，不算高，但胜在代码够短、能跑通。V-JEPA、C-JEPA和LeWorldMod...
推荐理由：我会先打个折：这不是新模型或新论文，是一个教学仓库，把 JEPA 的几个变体写成极简 PyTorch 单文件，方便看懂核心思路。亮点是代码量压到 160 行起步，依赖干净，适合想快速上手世界模型、又不想啃大项目的人。正文没披露训练数据或性能对比，所以别当生产级工具用，但作为学习材料够直接。
IBM 在 Hugging Face 上发了两个新的多语言嵌入模型，都走 Apache 2.0 协议。小号 9700 万参数，在 MTEB 多语言检索上拿了 60.3 分，正文说这是目前所有开源同尺寸模型里最高的。大号 3.11 亿参数，得分 65.2，在 5 亿参数以下的开放模型里排第二。两个模型都基于 ModernBERT，支持 200 多种语言（...
推荐理由：HKR 三项都过：一个不到 1 亿参数、支持 32K 上下文的多语言嵌入模型，给 RAG 开发者提供了一个轻量开源选项。影响面不如前沿模型发布那么大，放在 featured 档刚好。
MiMo V2.5 Pro 的 Thinking 版本在 DesignArena 总榜上比上一代 MiMo-V2.5 爬了 8 个名次，直接冲到第三。前端编码任务的表现已经和 Claude Sonnet 4.6 打平。正文没披露具体评分和测试样本量，所以这个“追平”是在什么条件下达成的还不清楚，先别太激动。
推荐理由：H、K、R 三条都踩中了，但信息全来自官方一条推文，没公开测试方法、没开放试用、也没提价格，所以先别太激动。这更像一次产品更新和榜单占位，不是那种当天必须追的硬核发布。
根据 Ramp 从 5 万多家公司的信用卡和发票支出里拉出来的数据，Anthropic 的企业市场份额冲到了 34.4%，OpenAI 掉到 32.3%，这是 OpenAI 三年来第一次在这个指标上被反超。不过正文因为微信环境验证挂了，看不到具体细节，比如统计口径是只算 API 调用还是也包了 ChatGPT 企业版订阅、数据覆盖了多长时间，这些都没法...
推荐理由：我会先打个折：Ramp 的数据只反映它自家客户里的支出份额，不是全行业市占率，所以别直接当成“Anthropic 全面反超”。但 5 万多家企业的实际付款数据比调研问卷硬得多，34.4% 对 32.3% 这个交叉点确实说明 Anthropic 在付费企业里势头很猛。正文没披露统计周期和是否含 API 之外的订阅收入，这点信息有缺口。整体上，这是一条有事实、有数字、有竞争张力的消息，值得从业者看一眼。
OpenSquilla 这个开源项目把模型路由决策放在本地跑，不花 token 就能判断问题难易：简单问题丢给便宜模型，复杂问题才上强模型。它靠增量发送和缓存命中把实际传输的 token 量压到原来的十分之一以下。记忆模块会在上下文快满时自动挑重点压缩，还支持混合检索。正文没披露具体测试场景和模型阵容，所以这 90% 的降幅在什么任务上测出来的还不清楚...
推荐理由：我会先打个折：信息来自一篇 X 上的项目帖，仓库实际活跃度、测试环境和局限性正文都没披露，所以别急着全信。但它的思路很实在——用本地路由和缓存把要传给大模型的 Token 砍掉九成，等于把“外挂资料库”和推理优化打包成一个开源工具。对正在想办法压推理成本的小团队来说，哪怕只实现一半效果也值得关注。
企业支付平台 Ramp 的 AI 指数显示，2026 年 4 月 Anthropic 在美国企业客户中的付费采用率达到 34.4%，首次超过 OpenAI 的 32.3%。Anthropic 的覆盖率一年翻了四倍，而 OpenAI 几乎没动，只涨了 0.3 个百分点。这个数据来自通过 Ramp 走信用卡或账单付款的公司，主要反映美国市场，不直接代表全球...
推荐理由：这是一份来自企业支出平台 Ramp 的账单数据，不是模型发布或产品更新，所以先打个折。但 Anthropic 在美国企业采用率上首次压过 OpenAI，34.4% 对 32.3%，差距不大但信号明确。一年内业务覆盖涨了四倍，说明 Claude 在企业端确实在抢份额。正文没披露样本量和统计口径，所以不能直接当市场全貌看，但作为花钱投票的结果，比单纯比跑分更有参考价值。
商汤在 Hugging Face 上放出了 SenseNova-U1-A3B-MoT 模型，同时提供了 A3B MoT、8B MoT 和 0.4B LoRA 权重链接。按官方说法，这套模型用 NEO-unify 架构把多模态理解、推理和生成统一到一个模型家族里。不过 Reddit 原帖被网络屏蔽了，正文没披露具体性能数据、训练细节和实际跑分，想试的话得...
推荐理由：SenseNova 在 Hugging Face 扔了一套多模态模型权重，A3B MoT、8B MoT 加一个 0.4B LoRA，主打 NEO-unify 架构，说能把看图、推理和生成塞进一个模型。我会先打个折：正文没给任何 benchmark 分数，也没写清楚开源协议，所以性能好坏和商用限制现在全是问号。亮点是 LoRA 权重只有 0.4B，对想用消费级显卡跑多模态任务的人挺友好，这点先别太激动，等实测出来再看。整体属于有料但缺关键信息的发布，给个 featured 低段位合理。
金融科技公司 Ramp 扒了自家客户的企业支出账单，发现 34.4% 的公司在给 Anthropic 花钱，OpenAI 这个比例是 32.3%，Anthropic 小胜一局。不过正文没披露到底统计了多少家公司、这些公司是初创还是大企业、以及每家每月花多少钱。光看这个比例，只能说在 Ramp 的客户池子里，Anthropic 的付费渗透率暂时领先，但差...
推荐理由：Ramp 是一家企业支出管理平台，它统计的是自己客户里的付费情况，不是全市场收入份额。34.4% 对 32.3%，差距不大，样本也局限在 Ramp 的客群，所以别直接当成“Anthropic 全面反超”。但至少说明在 Ramp 覆盖的那批公司里，Claude 的付费渗透已经压过 OpenAI 一头。正文没披露样本总量和客户行业分布，这点先打个折。
面壁智能、清华和 OpenBMB 放出了 MiniCPM-V 4.6，一个 13 亿参数的多模态模型。它最大的卖点是能在一张 RTX 4090 显卡上完成全量微调，不用再靠低秩适配这类折中方案。模型提供了两种视觉 token 压缩模式：4 倍压缩追求精度，16 倍压缩追求速度，让开发者自己按场景选。正文没披露具体的训练数据量和详细评测基准，这点先别太激...
推荐理由：HKR 三项都成立：一条具体的开源多模态模型发布，给了参数量、硬件条件和 token 压缩方案，把本地微调成本压到一张消费级显卡。不是前沿大厂的旗舰发布，但实用性强，82 分合理。
maddiedreese 把 Andrej Karpathy 的 TinyStories-260K 模型成功跑在了一台没改过硬件的 Game Boy Color 上。他用 INT8 量化权重、定点数运算，把模型和 KV 缓存塞进 MBC5 卡带的 bank-switched ROM 和 SRAM 里，全程不靠手机、电脑、Wi-Fi 或云端推理。不过输出...
推荐理由：一个 Reddit 硬件 hack，把 TinyStories-260K 塞进原装 Game Boy Color，用 INT8 和定点数学跑推理，KV cache 放在卡带 SRAM 里。输出慢到没法用，而且基本是乱码，所以别当产品看。但能在这种老设备上把 transformer 跑起来，本身就挺酷，技术细节也给得实在，适合当一条有趣的行业花絮。
Cactus 开源了一个叫 Needle 的工具调用模型，参数量只有 2600 万，小到可以在消费级设备上跑。它的推理速度很快，预填充阶段每秒能处理 6000 个 token，生成阶段每秒 1200 个 token。这个模型是从 Gemini 的工具调用能力蒸馏出来的，相当于把大模型怎么调用 API、怎么选函数这套本事，压缩进了一个极小的模型里。模型权...
推荐理由：我会先打个折：这是 Show HN 和 GitHub 自报的数据，没有独立评测或大厂背书，所以分数没往上走。但亮点很直接——把 Gemini 的工具调用蒸馏进一个 26M 的小模型，prefill 6000 tok/s、decode 1200 tok/s，MIT 开源，意味着你可以在自己电脑甚至手机上跑一个能调工具的 agent，不用连云端。正文没披露训练用了多少样本、工具调用准确率对比基线是多少，也没说支持哪些工具类型，这些缺口让实际可用性还看不清。不过就冲这个尺寸和速度，对做本地 agent 的人来说值得看一眼。
Cactus Compute 开源了一个叫 Needle 的工具调用模型，参数量只有 2600 万。它用 Gemini 当老师，把怎么调用外部工具的能力蒸馏出来，塞进一个没有传统 MLP 层、靠注意力机制和门控结构的小模型里。在消费级设备上跑，预填充速度能到每秒 6000 个 token，解码速度每秒 1200 个 token。不过正文被 Reddit...
推荐理由：我会先打个折：目前只有一篇 Reddit 帖子作为来源，团队也不算知名，所以分数没给太高。但亮点很实在——一个 26M 的模型声称能复现 Gemini 的工具调用行为，速度数据也漂亮，prefill 6000 tok/s、decode 1200 tok/s，在消费级设备上跑。结构上做了减法，不用 MLP，只留注意力和门控，这点如果属实挺省钱。正文没披露详细的训练数据和完整的基准测试对比，所以“蒸馏效果到底多好”还得看后续验证。
作者 Nathan Lambert 从中国 AI 圈几乎全员开源的现状出发，聊了聊开放模型生态真正的省钱逻辑。核心判断是：造前沿模型的大头成本不在最终训练，而在研发试错，这部分算力开销可能占到 80%。中国各家实验室通过详细技术报告和刻意分享，相当于帮同行排了雷，避免重复烧钱做实验，形成了一种靠信息共享降低未来研发成本的复合增长。文章也指出，开源 AI...
推荐理由：这篇文章不是产品发布，而是一篇评论，核心观点是开源模型生态正在自我强化。我会先打个折：正文没披露下载量的绝对基数，200% 的环比增长到底是从 1 万涨到 3 万还是从 100 万涨到 300 万，差别很大，这点先别太激动。但它把开源模型的扩散、微调、再发布串成一个复合增长飞轮，这个框架比单纯报数字更有价值。对做模型选型和成本估算的从业者来说，这个趋势意味着国产开源模型的可用性在快速爬坡，值得关注。
DreamLite 是字节跳动开源的一个统一扩散模型，参数量只有 3.9 亿，能在 iPhone 17 Pro 上直接跑，生成或编辑一张 1024×1024 的图大约 3 秒。它靠 DMD2 蒸馏技术把推理压缩到 4 步，全程在手机本地完成，不依赖云端。正文没披露具体的显存占用和功耗数据，也没给出不同机型上的实测对比，所以“秒变画板”这个说法先打个折—...
推荐理由：字节把扩散模型压到 0.39B 参数，在 iPhone 17 Pro 上离线跑 1024×1024 生图和编辑，约 3 秒出结果，靠的是 4 步 DMD2 蒸馏把推理步数砍下来。我会先打个折：正文没披露功耗、内存占用和量化方案，也没给不同机型的对比，所以“手机秒变画板”这个说法先别太激动。但参数和实测平台都给了，比光喊口号实在。作为开源端侧方案，对在意离线、低延迟和隐私的开发者有参考价值，只是目前只有一篇 Reddit 帖子，没有论文或代码仓库链接，可信度要打个问号。
这个模型把音频、视频、文字直接吃进去，不用再靠 agent 把一堆独立模型串起来。前台交互模型每 200 毫秒处理一次输入，保持对话的实时感，用户可以随时打断；后台推理模型负责长程规划和调工具。正文没披露具体参数量、训练数据和成本，也没给评测对比，所以实际效果和泛化能力还得看后续公开信息。
推荐理由：我会先打个折：正文没披露定价、开放范围和具体 benchmark，所以只能按现有信息给到 87。亮点在于 Thinking Machines 没有只发模型权重，而是给了一套前台 200 毫秒交互节点加后台推理的分层设计，原生多模态输入不是后期缝合的。这对正在折腾实时多模态 agent 的团队来说，至少提供了一个可参考的架构思路，但没看到代码或论文之前，不宜再往上拉。
Reddit 用户 kexxty 用 OpenRouter 跑了 288 次结构化输出测试，覆盖 Llama 3、Mistral、Command R、DeepSeek、Qwen 等模型，发现本地模型和纯 API 模型在 JSON 上出的错其实差不多。他把这些失败归类后，写了一个叫 outputguard 的 Python 修复库，用 MIT 协议开源。...
推荐理由：HKR 三项都成立：288 次调用不是随便跑跑，outputguard 库和 15 步修复链给了可复用的实操细节。信息源是单篇 Reddit 帖子，没有第三方验证或论文背书，所以放在 72-77 的 featured 档位，不往上走。
剑桥数学家、菲尔兹奖得主 Timothy Gowers 用 ChatGPT 5.5 Pro 做了个实验，只给简单提示，没做任何数学指导。AI 在 17 分钟内独立解决了一个加法数论公开问题，给出的构造在理论上是最优的。Gowers 判断这个成果完全够格写进博士论文。随后 AI 又在一个更难的 k 重求和集问题上，把已知上界从指数级改进到亚指数级，审阅者...
推荐理由：H、K、R 三项全中：有实名数学家、有 17 分钟出成果的具体说法、有对博士培养的警告。但正文没披露具体题目、提示词和验证路径，所以先别太激动，分数打 84 是合理的。
OpenRouter 搞了个叫 Pareto Code 的排名方法，不看跑分，直接看用户在实际调用中怎么选模型，找出性价比最优的那条线。目前排第一的是 DeepSeek V4 Pro，后面跟着 GPT 5.4 Mini 和 Gemini 3.1 Pro。不过正文没披露具体怎么算分、样本量多大，所以这个排名到底多稳，我会先打个折。
推荐理由：我会先打个折：OpenRouter 只发了一篇帖子，没公布样本量、统计时间窗口和具体定价依据，所以这个排名不能当严谨评测用。但它的价值在于思路——用市场实际调用数据来反映模型性价比，比跑分更贴近真实使用场景。DeepSeek V4 Pro 排第一这点先别太激动，得看后续有没有更透明的数据支撑。整体上，这条信息对正在选模型的开发者有参考意义，但信息缺口明显，够 featured 但上不了更高分。
Ring-2.6-1T 是一个万亿参数模型，主打可调“思考强度”——你可以手动控制它多想一会儿还是少想一会儿，在回答质量、token 消耗和响应速度之间自己取舍。模型专门为智能体场景做了优化，支持多步执行和工具调用，适合高频工作流。官方说它能处理数学逻辑和科研类任务，但正文没给出具体跑分或对比数据。目前通过 OpenRouter 免费开放，截止到 5 ...
推荐理由：这条发布信息量偏薄，正文没给基准测试、定价、架构或训练细节，所以重要性我打了个折，没给更高。但万亿参数这个量级本身就有话题性，加上 OpenRouter 上的限时免费，对想快速试用的开发者很友好。可调思考强度和工具调用这两点，说明它在往智能体落地靠，不是单纯刷榜的模型。整体判断是：值得关注的一次模型发布，但别急着当里程碑，等实测数据出来再说。
这篇文章的正文被微信环境验证挡住了，实际内容没拿到。从标题和现有英文摘要看，它讨论的是 Claw-Eval-Live 这个基准测试，用 105 个任务测了 13 个前沿模型，表现最好的模型通过率也没超过 70%，HR 类任务平均通过率只有 6.8%。核心观点是静态评测不够用了，需要能动态更新的“活”基准来测 AI 智能体。但具体怎么个“活”法、任务怎么...
推荐理由：HKR 三项都成立：活的 benchmark 这个切入点具体，不是又一篇刷榜通稿；数据量够，105 道任务和 13 个模型的覆盖面说得过去，HR 任务 6.8% 的通过率尤其扎眼；它踩中了 Agent 从 demo 到落地之间那个“到底能不能用”的信任问题。Claw-Eval-Live 本身还没经过大规模实战检验，所以放在 featured 偏低的位置比较合适。
METR 的 Time Horizons 测试里，Claude Mythos 预览版在人类需要 16 小时才能完成的任务上，成功率达到了 50%。不过整个测试集一共 228 个任务，只有 5 个任务的时间跨度超过 16 小时，所以这个成绩能说明它在长任务上有进步，但样本太少，还测不出它在更长时间尺度上的真实水平。
推荐理由：我会先打个折：50% 成功率听起来很猛，但只测了 5 个超过 16 小时的任务，样本太少，不能当定论。正文自己也说更长区间样本不足。所以 2027 奇点加速这种说法先别太激动。不过这个结果确实把 AI 评测的天花板往上顶了一截，从跑分转向了按人类耗时衡量的任务，对做智能体和安全的团队有直接参考价值。整体给 82 分，因为数据有料但外推太远，不算当天必读的头条。
作者用五周时间测了约 1400 个日常工作请求，发现本地跑的 Qwen 3.6 35B 这类模型能搞定其中一半，平均响应 2.8 秒，比云端 Claude Opus 4.5 的 5.8 秒快了 2.1 倍。像邮件草拟、日程安排、摘要和行政杂活这些任务，本地模型完全够用；市场调研和工程类任务则是对半开，简单查数据、修脚本可以本地跑，复杂的多源分析和架构决...
推荐理由：Tom Tunguz 拿本地35B模型做了五周实验，跑了约1400项日常工作任务，成功处理约一半，平均响应2.8秒，比Claude Opus 4.5快2.1倍。这个结果对从业者来说很实在：不是模型发布，也不是平台级更新，但给出了本地模型在延迟和成本上替代云端模型的一个具体参照点。我会先打个折——正文没披露任务类型分布和失败案例的具体原因，所以50%成功率不能直接当通用结论用。但速度对比和实验规模足够让关注推理成本和隐私的人认真看一眼。
一位 Reddit 用户用 Qwen 3.6 27B 的 MTP 量化模型跑了 300 多次测试，发现投机推理（让模型先猜后验证）的效果完全看任务类型。写代码时草稿被采纳的比例高达 79% 到 89%，用 F16 精度跑代码生成速度提升了 171%；但换成创意写作，Q4_K_M 量化下推理速度反而慢了 9%。结论很直接：别只看模型和量化，先看你要让模型...
推荐理由：我会先打个折：这只是 Reddit 上一个用户的单次实验，不是官方基准，但 300 多次测试把投机推理的任务依赖性讲得很清楚。编码任务接受率高、加速明显，创意写作接受率低、反而变慢，这个结论对本地跑模型的开发者有直接参考价值。正文没披露测试硬件和具体 prompt，但数据量够大，可以先信一半。
Antirez 开源了一个叫 ds4 的推理引擎，专门给 DeepSeek V4 Flash 用。代码只有几千行 C，能在 128GB 内存的 MacBook Pro 上跑 100 万 token 上下文的模型。他用了三招：对 MoE 专家做不对称 2-bit 量化来压缩模型体积；把 KV Cache 搬到高速 SSD 上，绕开内存不够的问题；再给苹果...
推荐理由：Antirez 开源了一个叫 ds4 的原生推理引擎，几千行 C 代码，在 128GB 内存的 MacBook Pro 上跑 DeepSeek V4 Flash，1M 上下文实测跑到 27 tok/s。我会先打个折，这个速度是在特定硬件和模型上跑出来的，换台机器不一定能复现，但至少证明了不用显卡也能把大模型跑起来。正文没披露量化精度和功耗，这点先别太激动。整体看，这是一个很强的开源推理信号，对关注本地部署和隐私的团队有参考价值。
Reddit 用户 janvitos 在 RTX 4070 Super（12GB 显存）上跑 Qwen3.6-35B-A3B-MTP-GGUF，搭配 llama.cpp 的一个 MTP 拉取请求。他贴出的实测数据是每秒 69.2 到 81.9 个 token，草稿接受率在 0.694 到 0.947 之间，上下文长度拉到 131072。关键设置是 -f...
推荐理由：这条帖子是单用户实测，不是官方数据，验证强度有限，但数字和配置都摆出来了，可复现。对想在家用显卡上跑长上下文模型的人来说，是个很具体的参考点。我会先打个折，毕竟只有一个人晒结果，但 12GB 显存跑 35B 还能 80 tok/s，这点确实让人想试试。
ERNIE 5.1 把总参数量压到原规模的大约三分之一，激活参数压到大约一半，预训练成本只花到同规模模型的 6% 左右。百度说性能没崩，Agent 能力超过 DeepSeek-V4-Pro，世界知识和创意写作接近头部闭源模型和 Gemini 3.1 Pro，推理仅次于 Gemini 3.1 Pro，深度搜索排全球第四。技术手段提了两个：弹性预训练用来提...
推荐理由：百度把 ERNIE 5.1 的参数和成本压到这个程度，我会先打个折——正文没披露具体参数量和基准测试细节，6% 的成本对比对象也没说清楚，这点先别太激动。但即便有水分，三分之一参数、一半激活、6% 预训练成本这三个数字摆出来，对正在头疼推理成本的团队来说就是强信号。加上已经上线 ERNIE 平台和 AI Studio，不是画饼，值得写。
百度在 ERNIE 5.0 的基础上做了 5.1，主要提升搜索、推理、知识问答、创意写作和智能体能力。最抓眼球的数字是预训练成本只有对标模型的 6%，但正文没披露对标的是谁、怎么算出来的，也没给具体金额或技术细节。我会先打个折——成本低到这个程度，要么是用了 5.0 的底子省了大笔算力，要么是统计口径有讲究。另外，模型在哪些基准上测了、效果提升多少，帖...
推荐理由：百度发了ERNIE 5.1，最抓人的一句话是“预训练成本约为对标模型的6%”。这个数字让一条模型更新变成了成本效率的故事，从业者会立刻想知道对标模型是谁、成本口径怎么算的，正文没展开说，所以冲击力有，但信息缺口也大。搜索、推理、问答、写作和智能体能力都提了升级，但没给具体评测或对比数据，技术细节偏薄。我会先打个折：话题性够强，靠成本数字和国产旗舰身份撑到了p1，但缺细节让它进不了90分以上的档位。
港中文 CURE 实验室把 ArbiterOS 开源了，这是一个给 AI 智能体（Agent）用的运行时治理内核。它的思路很直接：不让模型直接拿到执行权，而是在模型生成操作指令后、系统真正执行前，插一层拦截、解析、治理和观测。在 OpenClaw 的安全测试任务上，这套机制把高危步骤的拦截率从原来的 6.17% 提到了 92.95%。正文没披露具体延迟...
推荐理由：这篇不是大厂模型发布，是港中文 CURE Lab 的一个开源 agent 安全内核。我会先打个折，因为目前只在 OpenClaw 一个环境上测过，泛化性还没验证。但它的切入点很巧——不是事后审核，而是运行时拦截高危步骤，把拦截率从 6.17% 拉到 92.95%，这个提升幅度够大，说明原来的 agent 几乎不设防。对做 agent 安全或工具调用治理的人来说，这是个能直接拿来改的参考方案。信息量够，数字有解释，没有吹概念，所以放在 featured 档，重要性给 80 是合适的。
StarVLA 把 VLA（视觉-语言-动作模型）里常用的主干网络、动作输出头、训练策略和评测接口都做成了可插拔的模块，不用再为不同论文各搭一套代码。仓库在 GitHub 上已经拿到 2.2k 星，支持的基准包括 LIBERO、SimplerEnv、RoboTwin 2.0、RoboCasa-GR1 和 BEHAVIOR-1K。正文没披露具体训练成本和...
推荐理由：我会先打个折：StarVLA 目前是框架级发布，不是新模型，所以权重不会给到模型首发那么高。但它的价值很实在——把多种 VLA 架构塞进同一套接口，训练和评估不用再东拼西凑，2.2k star 说明社区已经用脚投票了。正文没披露框架内各方法的横向对比数据，这点先别太激动，但统一工具这件事本身对机器人方向的工程效率提升是实打实的。
METR 在 2026 年 3 月的一个短暂窗口里，对 Claude Mythos 的早期预览版做了风险评估。他们用一套任务测下来，模型有 50% 概率能独立完成的任务，所需时间至少是 16 小时，95% 置信区间在 8.5 到 55 小时之间。这个数字已经碰到了 METR 现有任务能测出的上限，也就是说，再长他们就测不准了。正文没披露具体是什么任务、...
推荐理由：METR 在 2026 年 3 月拿 Claude Mythos Preview 早期版做了有限窗口评估，测出一个 50% 时间范围至少 16 小时，95% 置信区间 8.5 到 55 小时。我会先打个折：这只是单次评估、早期版本，窗口也有限，别直接当最终结论。但“16 小时”这个数字本身够直接，说明模型在长时间自主任务上已经能跑一阵子了，安全团队得盯紧。正文没披露具体任务类型和失败模式，这点信息缺口让判断只能停在信号层面。
chain-77 用 vLLM 0.19.2rc1 测了 Gemma 4 26B，开了 DFlash 投机解码后，单张 RTX 5090 的输出吞吐从每秒 228 token 跳到 578 token。测试条件是输入 256 token、输出 1024 token、并发数 1、投机 token 数设为 13。这个速度意味着本地跑 26B 模型已经可以做...
推荐理由：这条帖子本身是单次测试，没对比其他卡或并发场景，所以我会先打个折。但一张消费级显卡把 26B 模型输出速度翻了一倍多，这个提升幅度够实在，而且给了可复现的版本号和参数，对想在家跑大模型的人有参考价值。
Doug_Bitterbot 用一张 RTX 4090 训练了大约 14 天，让 TOPAS 模型在 ARC-AGI-2 抽象推理测试上拿到了 11.67% 的分数。这个模型只有 1 亿参数，本地跑分最高到过 36%，但它的递归测试时训练（TTT）机制在 Kaggle 的题目上出了问题，将近一半的谜题直接输出空结果。作者觉得调一下阈值、再训 3 到 5...
推荐理由：Doug_Bitterbot 在 Reddit 上发了个帖子，说他的 TOPAS 架构在 ARC-AGI-2 公榜拿了 11.67%，跑在一张 RTX 4090 上，训练大概花了 14 天。模型参数约 100M，本地 checkpoint 能到 36%，但 Kaggle 提交时因为递归 TTT 超时，近一半题目输出空数组，分数被拉低。作者自己预期调一下阈值能到 20%，还说 3-5 周后再训完。这事有意思的地方在于，它只用输入图片来决定怎么压缩视觉 Token，多轮 VQA 里能砍掉 90% 的 Token，正文说精度不掉。不过目前只有一篇帖子，K...
商汤把扩散模型常用的 100 步生成流程蒸馏到只剩 8 步，GPU 上跑一张图从 23 秒降到 2 秒，快了 11 倍。做法是训了一个 LoRA 权重，直接挂到模型上就能用，不用改原模型结构。配套给了 ComfyUI 工作流，覆盖文生图、改图和交错生成。正文没提具体画质对比和什么显卡跑的，这点先别太激动。核心信号不是参数堆得多大，而是用蒸馏换延迟，让扩...
推荐理由：我会先打个折：这只是图像生成领域的推理加速，不是通用模型突破，所以放在featured而不是P1。但它的钩子很实在——用8步蒸馏LoRA把扩散模型从100步砍到8步，GPU推理从23秒压到2秒，还直接支持ComfyUI。对干活的人来说，这意味着同样的卡能多跑十几倍的图，或者低配机器也能玩。正文没披露蒸馏用了多少样本、LoRA参数量多大，这点先别太激动，但开源这一步本身就让验证成本很低。
OpenAI 这次发了三个新模型：GPT‑Realtime‑2 是带 GPT‑5 级推理能力的语音模型，能处理更复杂的请求，说话中间可以插话、改主意，它还能边想边回一句“我查一下”，同时调用多个工具；GPT‑Realtime‑Translate 做实时翻译，支持 70 多种输入语言转 13 种输出语言，语速跟得上说话人；GPT‑Realtime‑Whi...
推荐理由：OpenAI 官方放出了语音 API 更新，方向明确但信息不全。能推理、翻译、转写，听着挺全，可没给价格、没给延迟、没给上下文限制，我会先打个折。如果是真的省钱又低延迟，那对语音应用开发者是直接利好；现在只能说方向对了，落地还得等更多参数。
这个新基准让模型从零复刻完整软件项目，只给可执行文件和说明文档，不给源码和测试。评测不看单函数写得对不对，而是用模糊测试跑行为一致性，看整个系统能不能用。结果 Claude Opus 4.7、GPT-5.4、Gemini 3.1 Pro 全部零完成率，一个都没跑通。这说明现在的模型离独立做系统工程还差得远，之前靠刷单函数题拿高分那套在这不管用。
推荐理由：我会先打个折：这只是单个基准测试报告，不是模型或产品发布。但 0% 的完成率太刺眼，而且测试设计很刁——只给可执行文件和说明文档，让模型从零重建项目，再用行为等价和 agent-driven fuzzing 判分。正文没披露样本量和任务难度分布，这点先别太激动。真正值得盯的是它把评测从函数级代码生成拉到了系统级工程能力，这对做 coding agent 的团队是个实打实的压力测试。
用户 ziphnor 用两张 RTX 5060 Ti 16GB 跑 vLLM，开启张量并行（TP=2）处理 32k 上下文预填充。实测 PCIe 峰值带宽只跑到 3–4 GB/s，大约占满一条 PCIe 4.0 x4 通道的 40%–50%。预填充速度在不同设置下分别达到约 840–850、1500 和 1600–1700 tokens/s。帖子没提解...
推荐理由：这篇 Reddit 实测值得一看，因为它用具体数字回应了一个常见焦虑：双卡跑大模型，PCIe 带宽到底够不够。ziphnor 拿 2 张 RTX 5060 Ti 16GB 在 vLLM 里开张量并行，32k 上下文预填充时 PCIe 峰值只有 3–4 GB/s，就算把链路砍到 PCIe 4.0 x4，实际也只用了 40–50% 的带宽。三组模型的预填充速度分别约 840–850、1500、1600–1700 tokens/s，说明瓶颈不在 PCIe 线速上。我会先打个折：正文没披露解码阶段的带宽，那才是持续通信的大头，这点先别太激动。真正该盯的是张...
一位 Reddit 用户分析了 922 条 agent 任务的实际调用记录，对比了 DeepSeek v4 Flash 和 Opus 4.7 的花费。两个模型每个任务都要吃掉大约 96 万 token，但 DeepSeek 单任务成本只要 0.01 美元，Opus 4.7 却要 1.52 美元。差距不在输入输出的标价，而在缓存：DeepSeek 的缓存...
推荐理由：这篇不是比谁模型强，是比谁缓存用得聪明。Reddit用户跑了922条智能体任务轨迹，发现DeepSeek v4 Flash单任务成本0.01美元，Opus 4.7要1.52美元，差了152倍。两边平均token消耗都接近96万，但DeepSeek缓存命中率97%，Opus只有87%；更关键的是缓存读写价格比，DeepSeek是0.02，对方是0.08。也就是说，标价看着便宜不算真便宜，能把重复计算省下来才是省钱的地方。正文没披露任务类型和采样方式，这点先别太激动，但缓存机制这个观察本身值得盯。
一位 Reddit 用户在单张 32GB 显存的 RTX 5090 上，用 vLLM 跑通了 Qwen3.6 27B 的 NVFP4 量化版，并验证了 200k 上下文长度。配置上用了 fp8_e4m3 的 KV 缓存、FlashInfer 和 3 个投机 token 的 MTP。10 次 200k 上下文跑分平均生成速度 73.6 tok/s，首 t...
推荐理由：我会先打个折：来源是 Reddit 用户自测，不是官方报告，但配置和日志都贴出来了，可复现性不低。真正值得盯的是显存边界——KV 缓存占了 8.3GiB，整卡吃到约 30478MiB，几乎榨干 32GB。这说明 NVFP4 量化确实把 27B 模型压进了消费级显卡，而且 200k 上下文不是摆设，十次都跑稳了。不过 TTFT 70 秒意味着首 token 要等一分多钟，实际用起来体验会打折扣。这点先别太激动，等更多卡型验证。
EnterpriseRAG-Bench 放出了一个 50 万文档的语料库，专门用来测 RAG 在公司内部数据上的表现。它模拟了 Redwood Inference 的 9 种数据源，并围绕 10 种检索失败模式设计了 500 个问题。基线测试显示，BM25 在整体上优于向量检索，而基于 agent/bash 的检索方式虽然完整度最高，但成本和延迟也明显更高。
推荐理由：HKR 三项都站得住：基准瞄准了企业 RAG 的真实痛点，50 万文档加上 BM25 反直觉的结果有话题性。不过来源只有一篇 Reddit 发布帖，信息密度还不到当天必写的程度，所以放在 featured 里。