Gorden Sun (@Gorden_Sun)

End-to-End 4-Bit Training：让大模型用更粗糙的数字格式完成全流程训练，大幅缩短显卡训练时间 训练大模型需要处理海量数据，直接把数字精度压到4位虽然能加快计算，但四舍五入累积的误差会严重拖垮模型的学习效果。 为了解决这个矛盾，Thinking Machines Lab在英伟达GB300显卡平台上开发了名为BBBK的专用底层加速程序。采取了分工策略，在模型向前推理计算时使用高速度的4位数字格式NVFP4，在向后更新参数时切回较精细的8位格式MXFP8，并在传输数据时顺手进行旋转压缩与随机舍入修正，省去了传统训练完成后还要单独做低精度校准的麻烦步骤。 这套方案应用在Inkling 2 Small模型的全流程训练中，显卡的运算管道和传输带宽同时跑满，没有出现互相等待的卡顿。原本需要好几周才能跑完的同体量模型，现在在GB300机柜上只用了68小时就完成了预训练。对比全程使用8位格式训练，新方案在预训练阶段节省了8%的时间，在强化学习阶段直接提速了20%，省下了大量算力开销，同时模型最终的回答准确率几乎没有受到影响。 链接：

DeepSeek把自家产品也完全开源了 DeepSeek开源了自家官网用到的几乎全部API，包括搜索、读取文件、读取链接、语音识别、生成语音等，同时开源了使用这些API搭建的网页Demo。 任何人现在都能使用这些API搭建一个Agent产品了，而且API价格实惠，童叟无欺。 Github： API文档：

UniMate：用一句话就能自动生成动物、人类和各类3D骨骼动画 只要输入英文动作描述，它就能直接驱动不同结构的3D骨骼动起来。 以往的动作生成工具大多只能处理固定的人体骨架，而UniMate打破了这种结构限制，无论是四足动物、人形角色还是自定义骨骼的物体都能通用。 模型单次输出2秒的流畅基础动作并支持向后扩展，方便3D美术和游戏开发者快速生成多样化的角色动态，大幅降低手动K帧的制作成本。 模型地址：

Liquid AI开源LiquidCodec：让端侧AI语音交互实现超低延迟高保真 LiquidCodec是一款面向语音大模型的流式音频编解码器，可将人类语音高效压缩为离散数字特征并实时还原。 它打破了传统音频编码在特征维度间的顺序依赖，让语音模型能够并行生成所有音频特征，在苹果M4 Max单核CPU上的编码和解码速度分别达到实时音频的361倍和87倍。 这种极简对称的轻量设计大幅降低了本地推理门槛，使手机等端侧设备在4比特量化下依然能以极小体积运行高自然度的实时语音合成。

把家里的破烂设备用起来。 smolmaxxing：让老旧电视盒子和旧iPad也能在本地运行AI大模型 基于llama.cpp，专门针对老旧芯片重写了底层计算代码，删掉了模型里平时用不到的生僻词汇以节省空间，还让设备像翻书一样，把暂时用不到的模型数据存在硬盘里，需要时再快速读取，并提前预判加载下一步要用的数据。 改造完成后，两款只有1G可用内存的老设备都成功跑起了AI对话。第三代小米电视盒子S运行2B规模的Qwen3.5时，每秒能生成7.7个token，甚至能以每秒5.1个token的速度运行16B规模的Ling-mini-2.0。2013年的第一代iPad Air在运行1.7B规模的Bonsai模型时，每秒生成速度达到了24到26个token，同样也能跑起16B的大模型。 Github：

Gemini 4 Hydrogen很好，非常好，实际就是Gemini 4 Flash，但是能力显著提升，完全可以丢掉Flash的帽子。 文字能力延续了Gemini 3.8 Flash的风格，说话自然没有AI味儿。 代码能力和长时间工作能力显著提升，在我的大肥鱼视频工作流里，可以直接替代Opus 5.5，token额度换算成美元大概省了一半。 但是我的任务上下文只需要300K左右，不确定更长的任务效果是否下降，有长任务的可以帮忙试试。 Gemini Pro订阅就能用，额度也算比较多的，可以说是普惠模型了。 好。便宜。值。

Claude推出Claude Meetings AI会议助手，类似飞书会议的AI总结功能，但是能力更强、自主性更强，不仅能总结会议纪要，还能在白板上画方案、调用工具查数据等。基本上会开完了，Claude也把方案做好了。 Anthropic家没有ASR模型，估计是使用的会议工具提供的实时字幕，所以暂时只支持谷歌会议。 官方介绍：

Inkling 2 Small开源了 唯一能跟国模一战的美国开源模型，由Thinking Machines开源（前OpenAI首席技术官Mira创办）。 参数594B，激活参数17B，评分接近DeepSeek-V4.1-Flash-1017（763B），超过GLM 5.3 Flash。 模型：

Gemini Robotics 2.5：能让机器人打蝴蝶结的VLA（视觉语言动作）模型 Google DeepMind团队利用Gemini 4 Argon模型作为模拟引擎来加速研发，推出了Gemini Robotics 2.5，并将它直接应用在Apptronik的Apollo 2等各类机器人身上。 升级后的机器人能熟练完成给礼物打蝴蝶结、用夹子分发食物等200多种复杂任务，成功率最高提升了100%，速度也提升了二至三成。在奔驰汽车工厂的实际应用测试中，装载该模型的机器人能够精准地分拣和整理汽车零件，成功率高达96%，有效替代了枯燥的体力劳动。新模型的实时避障能力大幅增强，在人群周围工作时的安全性也得到了显著提升。 谷歌在LLM、多模态、世界模型、机器人等各个领域，都还没掉队，除了股票。 官方介绍：

Google DeepMind发布了AlphaGenome2，这是一款预测DNA序列变异如何影响人体特定细胞的AI模型。 科学家以往很难预测微小的DNA变异会对具体细胞产生什么影响，这让寻找复杂疾病的根源变得极为困难。 为了解决这个问题，Google DeepMind团队彻底重构了原有模型架构。AlphaGenome2现在会在读取DNA序列时，同步获取特定的细胞类型或状态信息作为输入条件。团队利用超过1.07亿个单细胞特征数据对该模型进行了全面训练。 AlphaGenome2最终识别出能改变基因表达的致病变异数量几乎是以前的两倍。它最大的突破在于可以直接分析全新的单细胞实验数据而无需重新训练。例如在新冠疫苗研究中，它成功区分了激活的免疫细胞与静息细胞，并准确找出了在细胞激活状态下破坏性更强的新冠致病变异。这项技术能帮助医学界精准定位致病变异以及起作用的具体细胞，为复杂疾病的药物研发提供关键线索。 按照惯例，这类模型谷歌后续发布论文后会开源。 官方介绍：

宇树狂喜 SuperMimic：用单个可微世界模型（Differentiable World Model）来做人形机器人全身动作训练 SuperMimic基于mjlab物理仿真环境构建，借鉴了DreamerV3等技术思路，把物理规律放进一个可以计算预测的世界模型里进行统一训练，让G1人形机器人拥有了精确的全身动作追踪能力，支持广义坐标和最大坐标两种方式来精准控制身体姿态。 相比传统反复试错的训练方式，可微分世界模型能让机器人直接推演动作与环境的互动变化，大幅加快了学习复杂连贯动作的速度。但是也存在隐患：世界模型毕竟是神经网路拟合出来的，算是纸上谈兵，一旦遇到剧烈碰撞或脚底打滑等长尾场景，可能会导致连续动作失败。 Github：

Edge0：只用2.5GB内存，在电脑和手机本地运行35B MoE模型 Edge0-AI团队开源edge0-infer推理引擎，平时把模型文件存放在固态硬盘里，通过预先训练好的路由模块提前预测下一步要调用的模块，在计算当前内容的同时后台提前把所需数据从硬盘读进内存。 这个方法太巧妙了，因为35B的MoE模型实际激活只有3B，所以提前预测要激活的3B，把对应的模块放到内存即可。 16GB内存的Mac电脑、iPhone17 Pro Max手机、安卓手机以及普通Windows电脑都能流畅运行35B的MoE模型。运行时设备内存占用稳定在2.5GB到3.4GB左右，在苹果M5芯片上每秒能生成约25个token，在手机上每秒也能输出11到13个token。 GitHub：

上周都说Claude加强了风控，于是我想从头走一遍订阅来打个样。 机场节点注册了一个Claude新号，没问题。 直连注册了一个新加坡区苹果账号，没问题。 新注册的苹果账号绑卡后订阅，触发了新号支付的风控，也算正常。 等待72小时后提示账号被封，跟客服battle一天后告知再等24小时重新激活。 又过了24小时后，告知苹果商店的账号永久被封。 我估计跟这几个因素有关：新号、新号立即订阅Claude、新加坡区、绑定的新加坡卡段。 苹果肯定是被薅的太多了，所以加强了风控，只能说前人砍树，后人遭殃。 也许老号和其他区的情况会好一些，等后续再试吧。

PAN 2：能模拟真实物理规律的开源世界模型 架构上结合了多模态大语言模型与29B参数的隐式扩散模型，系统可以在执行动作前精准预测后续发展，支持在特定时间点注入动作并呈现不同后果，比如冲浪者提前或延后起身的真实结果。 生成的模拟完全符合物理规律，比如牛奶与墨水在水中的扩散沉降、海绵受挤压变形和回弹；视角转动一圈后再转回来时，离开视野的物体依然保持原状与位置，保证了空间前后的一致性。 模型：

modern-web-guidance：让AI学会最新的网页开发规则 Google Chrome团队联合Edge和火狐联合推出的工具包，只要在终端敲一行命令安装，或者让AI在本地自己检索调用，AI就能自动查阅标准范例，不需要开发者手动到处查文档。 配上之后，AI写出的网页明显更轻快。弹窗自带淡入淡出动画，手机与电脑自适应排版干净利索，输入框能自动跟着文字长高，按钮和下拉菜单不用装任何花哨插件就能正常跑。不仅网页加载速度变快、老电脑滑动不卡顿，盲人读屏软件也能正常识别内容，连最新的无密码通行证登录功能都可以直接按规范写好。 GitHub：

EnConvo：All in One的AI助手 EnConvo是最近新出的AI助手，功能最全面，你能想到的功能都有了，基本上接管了我的macOS，可以说是系统级的全能AI中枢。 符合我需求的主要是两方面：第一是可以便捷的给AI助手配置全面的外接能力，包括生图、生视频、语音识别、合成语音，给AI助手补充上完整的能力，相当于眼睛、嘴巴、耳朵、画笔都有了，适合媒体创作；第二是全面融合到电脑里的任意应用，我现在是在Chrome里开问问Gemini侧边栏、在PPT开Claude侧边栏，在Notion里因为没买他的AI会员就只能复制粘贴使用，使用EnConvo可以扩展到每个应用的侧面直接用，也支持快捷键快速唤起和全局语音输入，免去了所有的复制粘贴。 而且EnConvo能接入你已订阅的AI，包括GPT、Claude等，不付费也是完全能用的，付费则可以按量使用Opus模型。 EnConvo的功能有多全面，请看我大致挖掘的功能列表。 EnConvo= Codex：编程、工作、Computer Use +多媒体工作台：ASR、TTS、OCR、生成图片、生成视频，其中的ASR、TTS、OCR支持配置本地模型，使用Opus+这些能力，就是天然的多媒体Agent，可以实现翻译视频、一键生成短剧等功能 +飞书会议：发起多人会议、实时转录、会议纪要 +豆包输入法：按住右侧Command键语音输入。而且不会像豆包那样抢占输入法 +Ollama：下载适合电脑配置的模型，然后本地运行 +UU远程：手机端EnConvo连接电脑，可以远程操控 +全局语音唤起：按右侧的option即可语音输入发起聊天，AI同时用文字+语音回复 +划词搜索：类似苹果自带的三指查询，选中词条或句子可以唤起工具栏，翻译/解释/AI润色/问问AI等自定义工具 +应用侧边栏：吸附在当前正在使用的应用旁，伴随式协助阅读、编程或写作 +桌面宠物：可以互动和派任务 +Live Talk实时对话：类似GPT的实时语音对话 +下载视频：YouTube、X、Tiktok等均可下载 +知识库：导入和管理知识库 因为能配全套的音视频能力，制作大肥鱼视频是完全没问题的。看看大肥鱼来讲解黄仁勋出轨事件的来龙去脉。 官网免费下载：