PromptEcho 的做法很直接：拿一个现成的、参数冻结的 Qwen3-VL-32B 模型，让它“读”一遍原始提示词，算出模型自己生成这些词的概率（交叉熵），然后把这个概率的负值当作连续奖励信号，喂给文生图模型做训练。好处是不用再单独训一个评分模型，省事。在 5000 张海报测试里，文字准确率从 68% 提到了 75%。不过正文没披露这个奖励信号跟人...
推荐理由：我会先打个折：这不是一个新模型发布，而是训练侧的 reward 方法开源，所以重要性给 78 算合理。钩子在于冻结大模型直接当 reward 用，省成本；知识密度够，把 teacher-forcing CE 怎么变成连续 reward 讲明白了，还给了 10 万张图的规模和具体数字；相关性上，文生图圈对廉价 reward 和文字准确率这两个需求很实在，75% 虽然不算完美，但方向对。正文没披露这个 reward 方法在更大规模训练下的稳定性，这点先别太激动。
明略科技放出了两个开源项目：Cider 和 Mano-P 1.0，都是给苹果 M 系列芯片用的。Cider 是个推理加速引擎，在 M5 Pro 上跑 Qwen3-VL-2B 时，把生成第一个 token 前的等待时间缩短了 57% 到 61%。Mano-P 1.0 是个能操作电脑界面的模型，72B 版本在 OSWorld 测试里拿了 58.2 分。不过...
推荐理由：我会先打个折：明略不是一线模型实验室，所以分数没往上拉。但选题本身够实用——Mac 本地跑视觉模型和 GUI 智能体，还给了可复现的提速数据和内存门槛。Cider 的 prefill 加速和 Mano-P 在 OSWorld 的成功率都有具体数字，16GB 设备准确率下降也写明了，不是纯 PR 稿。对想在 Apple Silicon 上折腾本地推理的人，这篇值得看一眼。
这篇帖子介绍了一个新基准 ProgramBench，包含 200 个任务，专门考 AI 智能体能不能只靠一个可执行文件和一份使用说明，就把整个程序从零重新写出来。测试过程不允许联网、不允许反编译，相当于给 AI 一个黑盒子，让它猜里面是怎么实现的。团队花了大概 5 万美元生成了 600 万行行为测试用例，再筛出质量最好的来用，这些测试只看程序的外部行为...
推荐理由：这篇东西我会先打个折：它来自 Reddit，没有其他独立信源交叉验证，所以别当定论看。但它的信息量够硬——ProgramBench 用 200 个任务、约 5 万美元生成了 600 万行黑盒测试，让 Agent 只看可执行文件和说明文档去重建程序，还不准联网、不准反编译。结果就是 Agent 基本搞不定，这直接质疑了现在编程 Agent 评测（比如 SWE-bench）到底测的是真本事还是背题库。对从业者来说，这提醒我们别被榜单分数带偏，实际让模型进业务流程干活之前，得先看看它在“闭卷、无网、大工程”这种真实约束下会不会翻车。
商汤开源了一个叫 SenseNova-U1-8B-MoT 的 8B 多模态模型，能理解图文也能直接生成图片。它最特别的地方是用了 NEO-Unify 架构，把传统多模态模型里常见的 VE（视觉编码器）和 VAE（变分自编码器）都去掉了，支持图文交错生成和高密度渲染。Reddit 上讨论的焦点是这种单体设计到底能不能带来可复现的性能提升，但帖子正文没给出...
推荐理由：HKR 三项都踩中了：架构钩子够具体，一个 8B 模型把理解和生成揉在一起，还砍掉了 VE/VAE；信息增量有，但缺实测分数和部署成本，所以分数压在 72–77 这个区间。我会先打个折，没看到跑分和许可就别急着全信，但方向值得盯。
Heretic 1.3 这个版本主要干了三件事。第一，它现在能把跑模型时的环境——PyTorch 版本、GPU 型号、驱动、加速库这些——都打包记录下来，别人照着做就能复现结果，不用再猜“为啥我跑出来不一样”。第二，它内置了一套跑分系统，直接用 lm-evaluation-harness 测 MMLU、EQ-Bench、GSM8K 和 HellaSwa...
推荐理由：我会先打个折：正文没给出 VRAM 具体降了多少，这点先别太激动。但 Heretic 这次更新确实踩到了两个实在需求——一是让模型运行环境可复现，把 PyTorch、GPU、驱动版本都记下来，方便排查问题；二是内置了 lm-evaluation-harness 基准测试，不用再自己搭评测流程。项目有 2 万星、1300 万次下载，社区验证度够高。缺憾是 VRAM 优化只提了方向没给数字，所以重要性停在 72 分，放在 featured 里合适。
一位 Reddit 用户用 15 个模型、7 种攻击方式跑了 6100 多次提示注入测试。核心做法是把不可信文档用一长串随机分隔符包起来，再配上严格指令。Gemma 4 E4B 的防御率直接从 21.6% 拉到 100%。这个基准的指标很实在，只看“拦截成功数除以（拦截成功数+拦截失败数）”，可复现。正文没披露其他模型的具体分数，也没说攻击样本怎么构造...
推荐理由：我会先打个折：这是单个 Reddit 用户发布的基准，不是机构报告，但实验设计很实在。核心发现是用长随机分隔符把不可信文档包起来，再在系统提示里硬性要求模型只当数据读，Gemma 4 E4B 的防御率直接从 21.6% 拉到 100%。防御率定义是 blocked/(blocked+failed)，这点交代得清楚。正文没披露攻击样本的具体构造和失败案例的细节，所以别急着当通用结论，但作为可复现的工程思路，对做 agent 和 RAG 的人有直接参考价值。
Reddit 上有人发帖说，DeepSeek V4 Pro 在一个叫 FoodTruck Bench 的智能体评测里排到第四，中位数得分跟 GPT-5.2 只差 3%，但跑一轮任务的成本大概是后者的十七分之一。这个评测跑了 30 天，模型要用 34 种工具、带持久记忆、每天还得做反思，比较贴近真实业务流程。帖子还提到小米的 MiMo v2.5 Pro ...
推荐理由：这篇是一个 Reddit 用户自己搭的 benchmark 结果，不是官方发布，所以我会先打个折。但内容本身挺有意思：DeepSeek V4 Pro 在一个叫 FoodTruck Bench 的 30 天 agent 测试里排第 4，跟 GPT-5.2 的中位数只差 3%，API 成本却低了大约 17 倍。测试用了 34 个工具、持久记忆和每日反思，不是简单的一问一答。小米 MiMo v2.5 Pro 也进了前 6，5 次全存活，中位 ROI 1019%，单次跑完只要 $2.41。正文没披露样本量和方差，所以“匹配 GPT-5.2”这个结论先别太激...
robert896r1 把 Qwen3.6 27B 的 GGUF 量化版放在 Codex 旁边当代码校验器，并放出了一套可复现的评测流程。测试覆盖了 Bartowski 和 Unsloth 两种量化来源、65k 和 128k 上下文窗口，以及 q8 和 f16 的 KV 缓存精度。三个 128k 上下文的配置并列最佳，在这个评测套件里没测出 q8 KV...
推荐理由：我会先打个折：这不是官方发布，是一个个人实测套件，样本量和覆盖面有限。但它的价值不在权威性，而在把 Qwen 塞进一个贴近真实开发的 sidecar eval 里——测的是漏指令、过度实现、UI 判断和长上下文遗漏，不是跑分。三个 128k profile 并列最佳，q8 KV 没翻车，这点对想省显存的人挺实用。正文没披露 Codex 的具体版本和调用方式，也没给错误分布，所以别当严谨 benchmark 用，更适合当一份本地部署的参考起点。
Reddit 有人拿 DGX Spark 和 M3 Ultra 在 llama.cpp 里跑分，统一用 pp16384 上下文。Spark 比 M3 Ultra 快 1.4 到 3.4 倍，看模型：Qwen 27B 跑到 778 token/秒，M3 Ultra 是 340；Mistral 128B 跑到 241，M3 Ultra 只有 72。有个调参...
推荐理由：数据来自 Reddit 单帖，权威性打折扣，但测试设置清楚、模型覆盖广、提速幅度直观，对正在掂量买 M3 Ultra 还是 DGX Spark 跑本地推理的人有参考价值。我会先打个折，因为没看到多轮对话或长上下文压力测试，但就当前信息来说，featured 低空过关没问题。
一位 Reddit 用户用 4 张 RTX 3080 20GB 显卡跑了两个大模型。Mistral Medium 3.5 128B 在 llama.cpp 里把张量拆分（tensor split）打开后，生成速度从每秒 10.37 个 token 翻倍到 21.59。但 Qwen 3.5 122B A10B 这个混合专家模型（MoE，把任务分给不同子模...
推荐理由：HKR 三项全中。4×RTX 3080 这个配置本身就是个好钩子，帖子给了 llama.cpp 和 vLLM 下两组实打实的吞吐变化，不是空谈。Mistral 张量切分后速度翻倍，Qwen MoE 反而降速，这个对比把并行策略对 MoE 架构的差异暴露得很清楚。不过数据来自 Reddit 单次跑分，没交代精度和上下文长度，所以分数压在 72–77 这个区间，不往上拔。
作者 PauLabartaBajo 搭了一套端到端的野火预防管线，把 4.5 亿参数的视觉语言模型 LFM2.5-VL 直接部署在卫星上做推理。核心约束是卫星下行带宽太窄，传不了大尺寸多光谱图像，所以方案反过来：在轨跑模型，只下传一份 JSON 格式的风险评估结果。管线用 Sentinel-2 的 RGB 和短波红外（SWIR）图像拼成输入——SWIR...
推荐理由：我会先打个折：这是单人 PoC，只在 22 个地点跑过模拟轨道，正文没披露真实卫星上的延迟和误报率，所以别当成熟方案看。但它的思路很清晰——把算力留在天上，只传结论不传图，带宽省得不是一点半点。用 450M 小模型而不是大模型，也说明在轨推理的硬件约束有多硬。对关注边缘部署和遥感落地的从业者，这个方向值得跟，但验证还差得远。
AutoBe 发了一个后端代码生成基准，用函数调用来测模型设计数据库和 API 的能力。qwen3.5-35b-a3b 在测试里跟 gpt-5.4 打平，但样本量只有 4 个项目，而且评分工具是自己写的，可能有偏向。一个商场项目跑下来要消耗 2 到 3 亿 token，按 GPT 5.5 的定价算，单模型成本在 1000 到 1500 美元。正文没披露...
推荐理由：我会先打个折：数据来自 Reddit 帖子，只测了 n=4 个项目，评测 harness 还是自己写的，偏差肯定有。但 35B 模型追平 gpt-5.4 这个结论够抓眼球，加上单任务 1000 多美元的成本和笔记本可跑的硬限制，对做本地部署的人有参考价值。正文没披露具体任务类型和评分标准细节，这点先别太激动。
DataNebula 开源了一个叫 rosetta-llm 的代理，它像一个翻译网关，让 Claude Code 可以跟不同厂商的模型对话。它负责把 Anthropic Messages、OpenAI Chat 和 OpenAI Responses 这三种接口格式互相转换，并且通过 signature 字段把加密的推理过程来回传递，保证多轮对话时不会丢...
推荐理由：这是个 Reddit 开源工具帖，没披露 star 数、实际用量或任何基准测试结果，所以我会先打个折。技术点本身有意思：用 signature 字段回传加密 reasoning，试图保住 thinking block 的保真度，让多轮 agent 的 prompt-cache 不失效——这点如果真跑通了挺省钱。但正文没给出验证数据，也没说支持哪些模型、延迟增加多少，目前只能当个有潜力的工具看，分数停在中等偏上合理。
一位 Reddit 用户在自己的 M1 Max（64GB 内存）上测了 10 个图像模型，从 SD 1.5 一路测到 Flux dev、Qwen-Image 和 Gemini。Qwen-Image Lightning 用 8 步蒸馏把出图时间从 93 分钟压到 10 分钟，效果还比原版好。Flux dev 在本地模型里写实感最强，但提示词偏英文思维，处...
推荐理由：Reddit 用户实打实在自己机器上跑了一遍，不是厂商通稿。Qwen-Image 蒸馏版 10 分钟出图、质量还更高，这点先别太激动，样本只有一个人一台机器，但 93 分钟到 10 分钟的差距确实说明蒸馏这条路在本地部署上挺省钱。Flux dev 写实强但偏英语文化，Gemini 中文和日语语境更准但要上云，这个取舍对国内用户有参考价值。正文没披露具体 prompt 和评分标准，所以数字只能当参考，不能当排名。
哈佛大学在急诊分诊场景下拿 OpenAI 的 o1 模型和真人医生比了一场。o1 正确诊断了 67% 的患者，而分诊医生的准确率在 50% 到 55% 之间。这个差距看着不小，但正文没披露样本量、病例构成和具体评估方法，所以数字本身只能当个方向参考。模型是在结构化信息里做判断，和医生在嘈杂急诊室里干活的条件完全不一样，直接比准确率会高估模型的实际可用性...
推荐理由：HKR 三项都成立：急诊分诊是高 stakes 场景，67% vs 50–55% 给了一个可讨论的数字，临床信任和职业边界问题自带传播力。但样本量和测试条件全没披露，所以分数压在 78–84 区间，不给 P1。
一位 Reddit 用户把 Qwen 3.6 和 Gemma 4 的 27B/31B 视觉模型拉到本地，用 vLLM 跑 FP8 精度对比。Qwen 在 GeoGuessr 这种难图上一次推理能烧掉 8000 多个 token，Gemma 经常 1500 个就搞定；Qwen 做视频还得先花 2 FPS 预处理。另外有个坑：vLLM 和 Llama.cp...
推荐理由：我会先打个折：这只是 Reddit 单帖，不是系统评测，权威性有限。但它的价值不在权威，而在“榜单赢家落地翻车”这个反差，以及 8000+ vs 1500 token、2 FPS、视觉 token 预算这些具体设定。对正在纠结选 Qwen 还是 Gemma 做本地视觉任务的人，这些信息比跑分榜实在得多。所以 HKR 三项全过，但因为没有官方结论或产品级变动，分数就停在 76，不进 P1。
腾讯混元放出了一个叫 Hy-MT1.5-1.8B-1.25bit 的翻译模型，把原本 1.8B 参数的模型压到了 440MB，能在骁龙 888、8GB 内存的安卓手机上离线跑。它支持 33 种语言、1056 个翻译方向。压缩的关键是一种叫 Sherry 1.25 比特量化的技术，做法是每 4 个权重里，3 个用 1 比特存，1 个直接置零。官方说翻译质...
推荐理由：我会先打个折：这是个垂直翻译模型，不是基础模型大更新，所以没到 P1。但亮点很实在——1.8B 模型压到 440MB，靠的是 1.25-bit Sherry 量化，每 4 个参数里 3 个用 1-bit、1 个直接置零，这种压缩方式少见。正文给了骁龙 888、8GB 内存的离线跑分，不是空口说白话。翻译质量超谷歌这点先别太激动，正文没披露具体测试集和对比条件，但如果是真的，端侧翻译的性价比会明显拉高。
Reddit 上有用户拿 OpenAI 的隐私过滤器（privacy-filter）和 GLiNER large-v2.1 在 600 条含个人身份信息（PII）的样本上跑了一轮。纯 CPU 推理速度，OpenAI 模型每秒处理 2.8 条，GLiNER 是 1.1 条，前者快了一倍多。英文边界识别的宏观 F1 分数，OpenAI 模型 0.498，G...
推荐理由：Reddit 上一个测试用 600 条含姓名、邮箱、电话的样本，把 OpenAI 刚发的 privacy-filter 和 GLiNER large-v2.1 放在 CPU 上跑。宽松边界匹配时，OpenAI 的 macro F1 是 0.498，GLiNER 是 0.416，速度上 OpenAI 每秒 2.8 条，GLiNER 1.1 条，看起来 OpenAI 小胜。但一切到严格匹配，OpenAI 的分数直接掉到 0.155，原因是 tokenizer 切词偏移导致边界对不齐，很多实体只抓到半截。这个坑比速度差距更值得注意，说明实际部署时如果要求...
Reddit 用户 cjami 拿小米的 MiMo-V2.5-Pro 在《血染钟楼》里做了自主对局测试。模型扮演好人阵营时胜率 88%，扮演坏人时胜率掉到 48%，说明它更擅长合作推理，搞欺骗和伪装还差点意思。每局平均输出 18.3 万 token，成本 0.99 美元，工具调用出错率只有 0.4%，这个错误率很低，说明模型能稳定按规则调用游戏功能。对...
推荐理由：这条帖子来自 Reddit 个人测试，不是官方模型发布，权威性要打个折。但 HKR 三项都站得住：有具名基准、有胜负率、有 token 消耗和成本对比，还有工具调用错误率，信息量够放进 featured 档。
Reddit 上有人分享了一份所谓的“AI 幸福感指数”，用 500 段对话去测模型的情绪倾向。结果 Claude Haiku 4.5 的负面回复只占 5%，而 Gemini 3.1 Pro 高达 55%。不过帖子自己也说了，测试集故意塞了很多刁钻的负面对话，不代表日常使用场景。另外，原帖链接点进去直接报 403 错误，看不到原始数据和具体方法，所以这...
推荐理由：我会先打个折：数据来自 Reddit 帖子，测试集故意塞了很多棘手负面对话，5% 和 55% 不代表真实均值。真正值得盯的是指标怎么定义的，而不是“AI 会痛苦”这种标题。帖子没披露评分标准，这点先别太激动。
正文因为微信环境异常被拦截了，实际内容没抓到。从现有标题和英文摘要看，北大 DCAI 和快手可灵开源了一个叫 OpenWorldLib 的统一世界模型框架，把视频生成、3D 建模、VLA 机器人控制、多模态推理四类任务塞进一套 Pipeline 里。Pipeline 里分了 Operator、推理、合成、表征和记忆几个模块，支持前向和流式执行。核心看点...
推荐理由：HKR 三项都踩中了：框架覆盖四类任务、模块和推理模式交代得具体、落脚点在降低复现成本。但正文没给基准测试结果、没提实际部署规模或生态接入情况，所以分数先停在 78，别急着往上调。
Reddit 用户 ai-infos 用 32 块 AMD MI50 32GB 显卡（分两台机器，每台 16 卡，走 10G 网线）跑 Kimi K2.6 的 int4 量化版。处理 1.4 万多字的输入时，预处理速度能到 264 token/秒；生成 136 个字的回答时，速度掉到 9.7 token/秒。空载功耗 640W，跑推理时峰值 4,800...
推荐理由：这条帖子本身是个 Reddit 上的野路子基准测试，不是官方发布，所以分数不会给太高。但它的钩子很强——用 32 张二手 MI50 攒出一台能跑 Kimi K2.6 的机器，还给出了吞吐、功耗和网络拓扑的实测数据，对想低成本自建推理集群的人有直接参考价值。我会先打个折，因为正文没披露精度损失的具体对比、延迟抖动和长时间稳定性，这些对生产环境很关键。不过就凭它把 AMD 老卡 + vLLM 分布式栈的可行性摆上台面，加上功耗和 PCIe 带宽这两个真实痛点，74 分放在 featured 里是合理的。
一位 Reddit 用户用一张 24GB 显存的 RTX 3090 跑 Qwen3.6-27B（一个 270 亿参数的模型），把上下文窗口推到了约 21.8 万个 token，生成速度在每秒 50 到 66 个 token 之间。之前工具调用时，如果返回结果有 2.5 万个 token 左右就会爆显存，他修了一个叫 Genesis PN12 补丁的锚点...
推荐理由：我会先打个折，这是 Reddit 个人实测，不是官方基准。但信息量够：修了 Genesis PN12 补丁后，25K token 的工具调用不再 OOM，198K 加 vision 能到 51/68 TPS。限制也说清楚了，单提示单卡在 50–60K 附近还有第二个内存断崖，这点先别太激动。对想用消费级显卡跑长上下文 agent 的人来说，这些数字和踩坑记录比论文更有参考价值。
一位 Reddit 用户用 RTX 5080 16GB 显卡本地跑编程 agent，测了 Qwen3.6-35B-A3B 这个 MoE 模型（总参数 35B，每次激活 3B）。刚加载完上下文时速度有 89 t/s，等上下文塞满到 128K token 后，生成速度还能维持在 30 t/s，而且回复质量没掉。作为对比，同系列的 27B 稠密模型在 128...
推荐理由：HKR 三项都成立：16GB 显卡撑住 128K 上下文 30 t/s 是个很强的钩子，硬件和 CUDA 版本细节都有，还给了稠密模型的惨烈对比。不过这只是 Reddit 单帖测试，没有多源复现，所以 featured 而不是 P1。
作者拿一个自动研究循环任务测了 5 个模型，只有 Qwen-3.6-27B 接近完成。本地用 q4_k_m 量化版跑了约 8 小时，消耗 3.9 万 token（上限 4.5 万）；作为对比，全精度 Qwen 通过 OpenRouter 调用用了 440 万 token，花费 0.939 美元。关键看失败质量：两个 Qwen 版本都只差小修小补，而 G...
推荐理由：这篇帖子用一个自动研究任务把 Qwen-3.6-27B 和几个闭源模型放在一起比，结果只有 Qwen 基本完成，其他模型要么缺测试要么缺实现，对比很直观。数据也给了：本地量化版跑了约 8 小时，读 39k 写 45k tokens；全精度版消耗 4.4M tokens，花了 0.939 美元。失败质量比成功更值得看，两种 Qwen 都只需少量修复就能用。来源是单篇 Reddit 实测，权威性有限，所以放在 featured 低位，但 hook、数据和话题性都够。
这个模型用了 MLA 和线性注意力，还加了一个叫“上下文过程冗余抑制”的技术，目的是降低思维链推理时的计算开销。帖子提到了 AIME26 和 SWE-bench Verified 两个基准，但正文没披露具体分数，所以实际表现还不清楚。另外，Reddit 原帖被网络屏蔽了，目前只能看到标题和简介，更多细节得去 Hugging Face 模型页翻。
推荐理由：我会先打个折：正文只提了覆盖 AIME26、SWE-bench Verified 等基准，但没给具体分数，所以模型到底多强现在说不准。能上 featured 是因为万亿参数开源本身就有信号意义，加上 MLA+Linear Attention 和 CPRS 这两个技术点，对做推理优化的人有参考价值。没给分这件事让它到不了 P1，但架构信息和开源动作足够让圈内人留意。
Interfaze 发布了一个叫 SOB 的基准测试，专门看大模型从文本、图片、音频里提取信息并输出成 JSON 时，到底靠不靠谱。它不像老测试只看 JSON 格式对不对，而是重点查字段里的值准不准——比如发票金额有没有瞎编。测试覆盖了 5000 条文本、209 张图片和 115 段音频，每道题都有人工核对过的标准答案。结果发现，大部分模型在格式上都能...
推荐理由：我会先打个折：这是 Show HN 首发，没有外部采用信号，所以分数压在 75。但内容本身对做结构化输出的团队有用——它不测模型会不会聊天，只测模型能不能老老实实按 schema 吐出对的类型和值。GLM-4.7 总榜第二是个钩子，但真正值得盯的是 GPT-5.4 在文本任务排第 3、图像任务掉到第 9，说明多模态下字段值错会明显放大。正文没披露测试集规模和领域分布，这点先别太激动，但方法论上把 schema 准确率、类型准确率、值准确率拆开算，比只看一个总分要实在。
Mistral AI 在 Hugging Face 上放出了 Mistral Medium 3.5，一个 1280 亿参数的稠密模型，上下文窗口拉到 25.6 万 token。它能吃文本和图片，支持函数调用和 JSON 格式输出，推理强度可以按请求设成“无”或“高”。许可证用的是修改版 MIT，但对高收入公司留了例外条款——正文没披露具体收入门槛是多少...
推荐理由：这条发布信息量够硬，HKR 三项都踩实了，所以重要性给到 84。但正文没放任何跑分、定价和可复现的测试结果，我会先打个折——没有这些，光看参数和功能列表，实际效果和成本还不好判断。
生数科技新模型 MotuBrain 拿了两个第一：在 WorldArena 世界模型榜单上得分 63.77 EWM，在 RoboTwin2.0 的干净和随机两个测试里分别拿到 95.8 和 96.1 分。官方说它是在 Motus 基础上加了视频-动作联合建模、Latent Action VAE、MoT 和 UniDiffuser，能跨不同机器人形态做长...
推荐理由：MotuBrain 在两个榜单上拿了第一，分数看着挺漂亮。但正文没交代训练数据量、评测提交细节，也没有真实机器人的成功率数据，目前只能算单次刷榜。我会先打个折，等技术报告或实物演示出来再往上调。
一位用户用两张 RTX 5060 Ti 16GB 显卡，通过 vLLM 部署了 Qwen3.6 27B 模型。实测在 8K 上下文时生成速度约 62–66 tok/s，两张卡共占用 32GB 显存。配置上开了张量并行（TP=2）、fp8 KV 缓存、多 token 预测（MTP 一次猜 3 个 token），并把上下文窗口拉到了 204800。显存是瓶...
推荐理由：H、K、R 全中。帖子是一手实测，硬件、vLLM 参数、速度、上下文上限和显存余量都列得清楚，对想用消费级显卡跑 27B 的人有直接参考价值。唯一扣分点是来源只有 Reddit 单帖，没有更多交叉验证，所以分数停在 76 不进 78–84 那档。
Simon Willison 在 128GB 内存的 M5 Max MacBook Pro 上跑了社区做的 4-bit 量化版 VibeVoice-ASR，模型大小 5.71GB。转写一小时播客用了 8 分 45 秒，prefill 阶段内存峰值冲到 61.5GB，生成阶段稳定在 18GB 左右，所以普通 32GB 笔电基本没戏。这个 9B 参数模型最...
推荐理由：这篇不是新模型发布，而是 Simon Willison 拿微软 1 月开源的 VibeVoice-ASR 在自己机器上跑了一遍，给出了速度和内存的实测数字。我会先打个折：这只是单次测试，不代表所有场景，但 61.5GB 的内存峰值确实把 32GB 笔电劝退了，这点对想本地部署的人很关键。正文没提准确率对比，所以别当全面评测看，就当一份硬件门槛参考。
Reddit 上有人贴了小米 MiMo-V2.5 的 Hugging Face 链接，不是 Pro 版。架构是稀疏 MoE，总参数量 310B，每次推理只激活 15B 参数，相当于用 150 亿参数模型的计算量去撬动一个 3100 亿参数的知识容量。发帖人说它比更大的兄弟模型用了更“人性化”的配置，但正文没展开什么叫人性化，也没给显存需求、量化方案或跑...
推荐理由：这条消息的钩子很实在：310B 总参数但每次只激活 15B，意味着理论上比同体量稠密模型省资源，官方也说它比更大版本更适合普通配置跑。我会先打个折——正文只贴了个 Hugging Face 地址，没给显存占用、量化方式、任何基准测试，所以“普通配置”到底指什么配置完全不清楚。这点先别太激动，等实测数据出来再判断值不值得本地部署。
小米把 MiMo-V2.5 系列的权重放出来了，包含 Pro Agent、多模态基座、TTS 和 ASR 几个模型。MiMo-V2.5-Pro 在 4.3 小时内连续调用了 672 次工具，在 SysY 基准上拿了满分 233 分，全程没让人接手，直接跑通了一个带 54 个应用的类 macOS 桌面。对从业者来说，值得关注的是它支持 100 万 tok...
推荐理由：HKR 三项全中：小米把 MiMo-V2.5 系列权重直接放出来，Agent 和代码任务的数字够具体，4 小时无接管跑出完整桌面是个强钩子。作为国产旗舰模型开源，属于当天必须写的那类消息。
商汤放出了两个开源模型 SenseNova-U1，一个 8B 参数，另一个是总参数量 38B 的 MoE 版本，都用了一套叫 NEO-unify 的架构。它砍掉了传统的视觉编码器和 VAE，直接处理像素，在单张 H100 或 H200 上大概 9 秒能生成一张 2048×2048 的图。核心卖点是图文交错推理，也就是模型能边看文字边看图、边想边出图。不...
推荐理由：我会先打个折：正文没给图文交错思维链的具体效果和长文字渲染的实测，32K 上下文和连续图文 beta 也还是限制，别当成熟方案用。但去掉 VE/VAE 的像素直出设计确实有意思，9 秒出 2048 图的成本听着挺省，开源出来对做多模态的团队是个可拆可改的底子。
小米这次放出的 MiMo-V2.5 系列模型用了 MIT 开源协议，你可以直接拿来商用、做二次训练和微调，不用再额外申请授权。正文没披露模型参数量和跑分成绩，这点先别太激动。同时他们还搞了个 Orbit 100T Token 计划，分两块：一块是给 AI builder 的激励，申请通过最高能拿到 16 亿 Credits，价值 659 元；另一块是给...
推荐理由：这条消息对 AI builder 有实际价值：MIT 协议意味着可以放心商用和微调，Orbit 计划给的 Credits 额度不小，659 元的标价也算低。但我会先打个折——正文完全没提模型参数量、性能跑分，连基础尺寸都不知道，没法判断模型本身强不强。这点先别太激动，等评测出来再看。整体属于有料但缺关键验证，放在 featured 合适。
Antigma 用一套 agent 流程测了多个 27B–32B 的开源模型，跑的是 Terminal-Bench 2.0 的 89 个任务，用的是官方默认超时设置，没放宽条件。成绩最好的是 Qwen 3.6-27B，89 题做对 34 题，得分 38.2%。这个分数本身不算高，现在云端最强的模型能到 80% 左右。但有意思的是时间差：把 38.2% ...
推荐理由：我会先打个折：这是单篇 Reddit 帖子，不是论文，测试细节和复现条件正文没展开。但它的判断很实在——本地小模型跑代码已经跨过“能用”的门槛，不是遥遥领先，而是落后托管前沿 6–8 个月，这个定位比单纯报分有用。38.2% 的分数本身不高，但放在 89 个终端任务里，说明日常写脚本、调配置这类活它能接住一部分。对想离线部署、省 API 钱的团队，这个信号值得跟。
微软在 Reddit 上发了个帖子，标题信息量挺大，但帖子正文被 403 屏蔽了，看不到具体细节。从标题看，TRELLIS.2 是个开源的图生 3D 模型，参数量 40 亿。它能生成最高 1536³ 分辨率的 PBR 纹理资产，也就是带物理渲染材质的 3D 模型，不是白模。技术路线上，它用了原生 3D VAE 做 16 倍空间压缩，这通常意味着生成效率...
推荐理由：标题信息量不小，但正文因为 Reddit 403 拿不到论文链接、许可证和具体评测，所以只能按标题给的事实来写。我会先打个折：1536³ 的 PBR 资产听起来挺省钱，但没看到跟现有方法的对比，这点先别太激动。40 亿参数配上 16 倍空间压缩，理论上推理会快一些，不过没实测数据就不好说实际延迟。整体判断挂在微软开源这个动作上，信息缺口是缺论文和基准，所以分数停在 featured 的底线。
OpenAI 发了一篇文章，解释他们为什么停止用 SWE-bench Verified 这个基准来评估模型写代码的能力。他们抽查了 o3 模型跑了 64 次都没稳定通过的 138 道题，发现至少 59.4% 的题目本身有问题：要么测试用例太死板，把正确的代码也判错；要么题目描述太模糊，怎么改都通不过。更关键的是数据污染——他们测的主流前沿模型都能直接复...
推荐理由：OpenAI 用一份审计报告把 SWE-bench Verified 拉下神坛，不是单纯吐槽，而是拿出了 59.4% 题目有缺陷、所有模型都能撞到答案细节的污染证据。这对靠榜单说话的编程模型赛道是个实打实的信任危机，所以重要性给到 82。但毕竟不是新模型或产品发布，只是评测标准换代，分数没再往上拉。
DeepSeek 放出了 V4 的预览版，分 V4-Pro 和 V4-Flash 两个型号。Pro 版输入每百万 token 1.74 美元、输出 3.48 美元，Flash 版只要 0.14 和 0.28 美元，两个都支持一次性处理 100 万 token 的上下文，相当于能把《魔戒》三部曲加《霍比特人》全塞进去。跑分上，V4-Pro 在编程、数学、...
推荐理由：我会先打个折：这只是预览版，不是完整发布，所以冲击力比 GPT 或 Claude 大版本换代要弱一档。但它是当天消息，而且信息量够——两个型号的定价、100 万 token 上下文、开源权重对代理编码栈的成本压力，这些对从业者来说都是能直接算账的东西。标题里说的三个理由，正文其实主要落在长上下文注意力的效率提升和开源带来的成本下压上，具体技术细节没展开，但方向是明确的。
Bloomberg 这条视频标题说 DeepSeek 在去年震动硅谷的开源发布一周年之际，又推了一款新旗舰模型。但点进去页面直接弹 403 机器人验证，正文一个字都没加载出来。所以模型名字、参数量、定价、基准测试成绩、开源还是闭源，这些关键信息目前全是空白。唯一能确定的是发布时间点卡在周年附近，至于模型本身强不强、省不省钱，得等官方自己放料或者别人扒出...
推荐理由：这条消息的钩子在于“一周年”这个时间点，去年 DeepSeek 把硅谷震了一下，现在再发新模型，大家自然会盯着看。但我会先打个折：正文啥硬信息都没给，模型叫啥、多大、多贵、跑分多少、开不开源全是空白，所以知识缺口很大，不能当实锤来推。关联性上，DeepSeek 的定价和开源策略一直是行业敏感点，新旗舰出来肯定会重新拉高中美对比的热度，这点值得标记。整体判断就挂在时间钩子和信息缺口上，不补设定。