咸话咸说

Robin Min
  • 0.0 (0)
  • Tech News
  • Daily

咸话咸说：AI 技术分享栏目——工具、论文与实践随聊。由 Gobing AI 的 Robin Min 主理、AI辅助

  1. 4h ago

    每日AI乱炖 · 2026-11-14

    这里是由Robin为你带来的咸话咸说之每日AI乱炖。 英伟达宣布CEO交接：黄仁勋即刻卸任，股价一度跌14% 今天的头一条，是夜里突然落下来的一条消息，而且分量不轻。 英伟达宣布启动CEO交接：长期担任首席执行官的黄仁勋将结束在公司的任期，并从公司及董事会辞任，即刻生效。他在任内把英伟达带成了AI芯片领域的龙头。据报道，Axios列出了11位可能的继任人选，英伟达也已经着手寻找正式继任者。不过目前公开报道既没有给出已确认的接任者，也没有交接时间表，更没有量化这次变动对财务的影响。据报道，消息生效后，英伟达股价最多下跌14%，反映出投资者正在即时重新评估这家公司的领导层。 一家公司的估值如果长期系在一个人身上，最高层的变动本身就成了风险事件，而不只是消息面的波动。市场先跌为敬的反应说明，在投资者的判断里，那个人的权重高得惊人。真正要盯的是公司多久给出继任安排和时间表：一段没有时间表的过渡期，往往比过渡本身更耗人。接班的人选还会牵动技术路线与对外关系，这就超出人事范畴了。 来源：rss 据报道美联航禁止AI智能体代客订机票 从芯片回到日常，这条跟你在手机上订机票的方式有关。 CBS News报道称，美联航已禁止AI智能体代替旅客预订机票。彭博社称这项限制是在假期之前推出的，《纽约时报》《华尔街日报》和《福布斯》也都刊出了描述禁止AI智能体代客订票的标题。现有材料里没有一手公告，因此政策的适用范围、生效时间、执行方式、推出理由，以及对旅客和AI服务商的影响都还没有得到证实。多家主要媒体在报道这一变化，彭博社明确把它放在假期之前的时间点上；但仅凭这些标题，既无法确认推出原因，也无法判断它会不会实质改变假期订票的流程。 一家航司对代理式下单设限，真正值得盯的不是这一家，而是它给出的先例：当交易发生在一个能被脚本操作的表单上，平台会先收紧入口，再谈接口。目前所有报道都停在标题层面，没有一手公告，所以我更关心后续会不会出现正式条款，以及执行是靠在页面层拦，还是靠账号与风控规则挡。这两条路对做订票智能体的人意味着完全不同的改动量。 来源：rss 谷歌发布Gemini 4 Hydrogen：给编程智能体加一层模型调度 谷歌这一天动作不少，先说模型这一层的变化。 谷歌宣布推出Gemini 4 Hydrogen，同时发布一个Gemini 4 Flash模型，以及一个负责协调多个Gemini模型的编排器，面向智能体式编程工作流。目标是在能力和推理档位不同的模型之间分派任务，减少人工切换模型；代价是路由、缓存、延迟和成本都成了核心设计变量。讨论中提到，配合共同训练的模型和专门的运行框架，可以省下约25%的成本；另一种说法是通过ACP把Opus桥接到DeepSeek Flash能省60%，但这只是传闻性的经验数字。评论者普遍把这种编排看作既有advisor模式和多模型流水线思路的延伸，而不是全新品类：有人欢迎Flash作为更快更便宜的选择，有人描述用子智能体处理专门任务，也有人质疑缓存能否复用、模型该不该自己选路由，还有人说Argon和Carbon相比3.8 Flash与Opus偏慢。现有材料缺少足够的实现细节和基准，这些节省数字还不能当作已经独立验证过的性能结论。 把模型分派做进产品，等于承认单个模型不再是最小的工作单位，中间多了一层调度。难点不在给模型排能力榜，而在状态怎么在它们之间传：缓存能不能复用、失败怎么回退、延迟预算怎么分配，这些都决定了省下来的钱会不会被重试吃掉。公开材料里那些节省比例还只是经验值，等有独立复现再看会更稳。 来源：hackernews DeepMind用AI对Signal的关键密码学保证做了形式化验证 还是这家公司，换到研究侧，这条更硬一些。 谷歌DeepMind的研究人员用智能体式AI，对Signal协议的多项关键密码学保证做了数学证明，也就是形式化验证。这是一个概念验证项目，只用四周就完成了，被形容为通用密码学乃至AI本身的一次标志性进展。它的意义有两层：一是为Signal应用、Google Messages和WhatsApp等平台上承载的大量通信加密再添一层独立验证；二是展示了DeepMind用新框架AlphaProof Code做形式化验证的能力。更广的层面看，AI辅助的形式化验证正在变热，但它能不能大规模实用、能不能有效保障大量代码，目前还不清楚。形式化验证长期被支持者称为软件安全的圣杯，因为它用数学检查软件是否按预期工作、是否存在关键漏洞；这次被检查的是协议的关键性质，而不是整个应用的实现。 被验证的是协议的数学性质，而不是某一份代码实现，这个区别很关键：它说明智能体能承担一部分需要严密推理的活，而不只是生成文字。四周做完的概念验证更像一次能力展示，离覆盖真实代码库还有距离——形式化验证的门槛从来不在证明本身，而在把系统写成能被证明的规格。这条路要是走通，最先受益的会是那些出错就不可挽回的底层组件。 来源：aihot 谷歌Gemini智能眼镜开卖：395美元起，主打隐私 谷歌手上还有一件更贴近消费市场的事。 谷歌在多次预告之后，正式推出面向Gemini时代的智能眼镜，首批产品当天在Gentle Monster和Warby Parker开放预售，起价395美元，算不上冲动消费。这是谷歌、三星和两家眼镜设计方的合作：Warby Parker设计了三款镜框，名字是Alden、Reid、Wren，提供普通光学镜片和墨镜镜片，配色有Pine、Saddle和Jet Black，售价395美元起，只在美国销售。Gentle Monster款式更多，共六种，谷歌没有公布名字，颜色包括暗红、粉色、灰色和黄色，镜片可选透明、染色、蓝色和棕色，起价449美元，在美国和韩国销售。三星提供镜架内的计算硬件，谷歌负责软件。智能眼镜一直难获接受：把电脑架在鼻梁上并不舒服，隐私问题从Google Glass时代就争议不断，这次谷歌主打的正是隐私角度。 眼镜这类产品决定成败的往往不是参数，而是人愿不愿意在脸上戴满八小时：重量、续航、旁人的目光，都比功能列表更实在。谷歌把设计交给两家眼镜品牌，自己退到软件和隐私叙事后面，等于承认外形和渠道得由懂这个行业的人来做。只在美国和韩国两地开卖，说明供应链与合规都还没准备一次铺开。接下来值得看第三方对录制提示和佩戴感的实测。 来源：aihot 谷歌发布Gemini Decisions API，单次可判1000个问题 回到开发者这边，谷歌还放了一个接口出来。 谷歌发布Gemini Decisions API，这是一个用来搭建AI辅助决策工作流的第一方接口。它通过Gemini Decision 1模型，在一次请求里针对共享的文本、图像、音频、视频或PDF输入，评估最多1000个是/否问题、单选题、或多选与按标准打分的问题，返回带置信度或概率的结构化答案，而不生成一段散文。讨论里认为它对编码智能体的运行框架有可用之处，音视频多模态输入在专门场景里也有价值；也有评论指出，语法约束的输出拿不到概率，还有人表示即便Gemini成本更高仍更倾向respan/span-02，另有人估算，问题很多的超长上下文流程，成本大概相当于调一次Google Search API。现有材料没有基准，也没有广泛影响的强证据，比较准确率和成本优势还无从谈起。 把「做判断」变成一次请求拿回上千个带概率的答案，省掉的是多轮提示加结果解析那套工程活。它合适的场景很明确：已经在用模型做筛选、打标、审核，并且需要可计算的结果而不是一段话。限制同样清楚——要是这些判断彼此并不独立，共享同一份上下文会让它们互相污染；概率拿不到的时候，下游只能退回硬阈值。所以有没有公开基准，决定了它能不能进严肃的决策链路。 来源：hackernews ggml发布v1.0.0：本地推理有了语义化版本约定 开源社区这周也到了一个很多年没见的节点。 ggml发布1.0.0版本，这是本地大模型推理生态里一个核心库的里程碑。它重要，是因为llama.cpp和其他基于ggml的应用都建在它之上，持续的优化和广泛的硬件支持能让端侧推理更实用。ggml由ggml-org与llama.cpp等相关项目一起维护，llama.cpp的发布说明把它描述为面向大模型推理的C/C++软件，这层关系解释了为什么ggml的进展会波及一大批本地AI应用。对把ggml嵌进自己项目的开发者来说，1.0.0明确了语义化版本规则：破坏性的C API变更走主版本号，向后兼容的新增走次版本号，修bug走补丁版本，依赖与兼容性规划因此更可预期。不过现有来源里没有发布说明，这个版本的具体改动、兼容要求和对基准的影响都无法核实。社区有人说，每次常规升级大致能带来5%到10%的提速，但那描述的是更普遍的升级体验，不是针对这次发布的实测；也有人提到，在只有Vulkan支持的AMD显卡上，这套项目把本地推理做到了可用。评论区整体反应积极，没有实质分歧。 对一个被嵌进大量项目的底层库来说，1.0 的意义不在功能，而在承诺：从这天起，破坏性改动有了编号，下游才敢把升级排进计划。跨过这

  2. 21h ago

    每日AI乱炖 · 2026-11-13

    这里是由Robin为你带来的咸话咸说之每日AI乱炖。 英伟达宣布CEO交接：黄仁勋即刻卸任，股价一度跌14% 今天分量最重的一条，是这家公司突然要换掌舵的人。 英伟达宣布启动CEO交接：长期担任首席执行官的黄仁勋将卸任公司及其董事会职务，即刻生效。他在任内把英伟达带成了AI芯片的龙头企业。据Axios报道，公司已经开始寻找正式继任者，该媒体还列出了11位可能的候选人。目前公开信息没有给出已确认的接任人选，也没有交接时间表，更没有量化这次变动的财务影响。消息生效后，英伟达股价一度下跌14%，显示投资者正在即时重估这家公司的领导层变动。 一家公司的估值如果长期系在一个人身上，人事变动本身就变成了风险事件，而不只是消息面的波动。市场当场给出的反应说明，在投资者的判断里，创始人的权重依然很高。接下来要看公司会不会很快给出继任安排和时间表，一段没有时间表的过渡期，往往比过渡本身更耗人。接班人选也牵动技术路线与对外关系，这已经不只是人事问题。 来源：rss OpenAI基金会董事警告：AI「接管」社会可能只有几个月 行业里也有人把话说得极重，这条值得完整听完。 OpenAI基金会董事、对齐研究中心执行主任保罗·克里斯蒂亚诺（Paul Christiano）本周在多伦多会展中心的一场系列讲座上，把AI事故列进了主要死亡风险。这是三场系列讲座的首场，他一开场就说，在场大多数人最可能的死因会是AI事故。他把自己担心的「AI接管」定义为一种状态：以目标为导向的AI系统「像今天的人类一样发号施令」，决定地球上发生的事情；而任何想阻止它们的人，「会像你我去拦美国军队一样无效」。克里斯蒂亚诺说，这种局面很可能带来大规模死亡，甚至让环境不再适合人类居住。 把一个从业者的公开演讲当成预言并不合适，但它确实反映出这一圈人对风险节奏的判断正在变急。真正的争议在时间尺度：如果把后果放在几年而不是几十年，监管和工程实践的优先级会完全不同。值得留意的是研究机构与基金会会不会把这类表态变成具体的评测标准或资助方向。 来源：aihot FAA把AI调度建议扩到全美22个空管中心 机构这一侧也有一条落地消息，落点非常具体。 美国联邦航空管理局（FAA）把一套为空中交通管制员提供建议的AI工具，从首都圈扩展到了全美空域。FAA在11月10日的声明中说，这套名为SMART的系统造价8.75亿美元，9月21日在华盛顿特区空域上线以来，已帮助180架次航班改航，平均每班节省约10分钟和近80加仑燃油。声明说，首都圈试点成功之后，SMART将用于全国22个管制中心的空域，以减少延误、降低油耗。航空公司高管表态支持这次推广，但代表管制员的美国工会表示，他们没有参与这套系统的设计或测试。 一套辅助建议系统能让管制员轻松一点，也能让工会紧张起来，分歧在于它是在提建议还是在替代判断，以及真出了错责任落在谁身上。这笔投入说明监管机构愿意为效率买单，但效果数据目前仍由推行方自己给出。可以关注工会会不会被拉进后续的验证与培训，以及建议被否决时的记录是否对外公开。 来源：aihot 谷歌Gemini智能眼镜开卖：395美元起，主打隐私 再看消费硬件，这款产品绕了一大圈又回到台前。 谷歌把Gemini装进眼镜，首批产品开始接受预订，起价395美元。这批设备由谷歌、三星和两家眼镜品牌合作完成：Warby Parker设计了Alden、Reid、Wren三款镜框，有Pine、Saddle、Jet Black三种颜色，可配普通镜片或墨镜片，395美元起，只在美国销售；Gentle Monster带来六种款式，深红、粉、灰、黄四种颜色，可选透明、染色、蓝色或棕色镜片，449美元起，在美国和韩国上市。三星负责镜腿里的计算硬件，谷歌负责软件。智能眼镜从Google Glass时代起就一直被隐私问题绊住，这次谷歌干脆把隐私作为主打。 把隐私当卖点，等于承认这类设备的第一道坎不是技术，而是信任。渠道上借两家眼镜品牌的门店铺货，比自建零售快得多，顺带把设计和品牌的风险分摊出去。后面值得看的不是销量，而是录制提示做得够不够显眼，以及第三方应用究竟能拿到多少数据。 来源：aihot 谷歌发布Gemini 4 Hydrogen：给编程智能体加一层模型调度 换个话题，去看模型这一层今天动了什么。 谷歌发布Gemini 4 Hydrogen，同场还带来一个Gemini 4 Flash型号，以及在智能体编程流程里协调多个Gemini模型的调度器。它的思路是让智能体按任务难度和能力需求分派工作：日常改动交给更快的模型，困难推理留给更强的模型，从而减少手动切换。谷歌把路由、缓存、延迟和成本列为四个核心设计变量。讨论中引用的一个数字是：配合共同训练的模型和专门的执行框架，可以节省约25%；另一个说法称，Mjolnir把Opus接到经ACP访问的DeepSeek Flash上能省60%，但那只是轶事式的观察。评论区普遍认为，这是既有顾问模式和多模型流水线思路的延续，而不是全新品类，真正的变化在集成度和易用性。对使用多模型编程智能体的开发者来说，Hydrogen多了一个又快又便宜的执行层，可以把Carbon和Argon留给长时间、需要深度推理的任务。讨论者同时也质疑缓存能否复用、该不该让模型自己选路由，以及实际延迟和节省幅度；有人反馈Argon和Carbon相比3.8 Flash和Opus偏慢。公开材料没有给出足够的实现细节和基准，25%这个数字还谈不上经过独立验证。 把路由做进产品，意味着成本控制从工程细节变成了厂商提供的默认行为：团队少写一层胶水，也把一部分调优空间交了出去。更该盯的是缓存能不能跨调用复用，以及路由决策到底由谁做，交给模型自己选，出错时就很难归因。公开材料里给出的节省幅度来自厂方和社区观察，等第三方跑过再当预算依据更稳妥。 来源：hackernews llama.cpp发布1.0：本地推理有了语义化版本契约 回到开发者手边，这条是一个老项目的成年礼。 开源本地推理项目llama.cpp发布了1.0版本。官方强调两件事：继续支持现有的平台和模型类型，同时保持一套精简而稳固的基础给下游应用使用；和1.0一起宣布的还有基于llama.cpp构建的Llama桌面应用，目标是让本地跑模型变成点几下就能完成的事。对下游开发者来说，1.0最实际的意义是版本契约：公开的C API从此按语义化版本走——主版本号变动可能带来API和ABI不兼容，次版本号只增加向后兼容的功能，修订号只修bug、不动API。配合桌面端这两个前端，把本地AI跑起来所需的准备步骤又少了一层。 对一个被无数应用当底座的项目来说，把版本号讲清楚比多加功能更有价值：下游打包者和发行版维护者从此能预判升级会不会炸。桌面应用则把上手的一公里从命令行挪进图形界面，用户群体和问题报告的类型都会跟着变。接下来看它能不能在版本契约下守住兼容性，这决定了它能不能从爱好者工具走进正式依赖。 来源：reddit 华为开源MACaQ量化方法，给出llama.cpp分支和评测 同一天还有一条同赛道的消息，来自华为。 华为开源了一套叫MACaQ的量化方法，同时放出了面向llama.cpp的GGUF支持、代码分支、评测脚本和论文。按项目自测数据，在Qwen3-4B的IQ4_XS量化里，MACaQ文件是2.260 GB，平均KL散度0.02804，比Bartowski的0.03443低约18.6%，比Unsloth的0.03643低约23.5%，文件大小基本相当。Qwen3.6-35B-A3B上，它的平均KL散度是0.018696，低于Unsloth UD-IQ4_XS的0.020954和Bartowski的0.021927。Qwen3.8-27B上这个数值是0.036784，比Bartowski的0.104170低约65%，不过两边对比的文件大小并不完全一致。格式支持目前覆盖2位的IQ2_XXS、IQ2_XS，3位的IQ3_XXS、IQ3_S，以及4位的IQ4_NL、IQ4_XS。项目还称，用32.5 GB显存可以在64分钟内量化一个1220亿参数的模型。这些质量与效率数字都来自项目自身测试，第三方复现还没有出现。 量化方法的比拼在本地模型圈一直很硬核，因为文件大小差几个百分点，直接决定一张卡能不能跑起来。厂方自测赢过现有方案不算稀奇，难点在于别人用同样的模型和同样的量化档位能不能重现。真正决定它会不会被采纳的，是 GGUF 分支能不能跟上 llama.cpp 的主线节奏，以及评测脚本是否简单到让第三方愿意动手。 来源：reddit Zyphra开源ZONOS3-Mini：800M参数，支持43种语言的语音合成 声音这条线也有更新，规模不大但目标很清楚。 Zyphra发布紧凑型开源文本转语音模型ZONOS3-Mini，权重采用Apache 2.0许可。它用latent MoE架构，64个专家、top-2路由，总参数800M，但每个token只激活约100M参数，这也是它能在端侧跑起来的关键。模型支持43种语言，可以用最长60秒的参考音频克隆音色，也能调节年龄、口音、声线纹理、情绪、语速和逐词表达，核心的声学控制是响度、带宽、语速三个分桶。运行时覆盖NVIDIA CUDA、Apple Silicon的MLX、基于C++/ggml的CPU/CUDA/Metal/Vulkan，以及浏览器WebGPU；统一的HTTP API可以加载GGUF权重、WebGPU分片和27个默认声音，也可以直接用Zyphra Cloud的托管版本

  3. 2d ago

    每日AI乱炖 · 2026-11-11

    每日AI乱炖 2026-11-11（约 14 分钟）：《Big Walk》开发商补披露少量 AI 使用；DeepMind 用 AI 对 Signal 的关键密码学保证做了形式化验证；DeepMind 发布 Gemini Robotics 2.5；Meta AI 发布 Muse Ember 1.0。 完整图文版：本期完整文章 1. 《Big Walk》开发商补披露少量 AI 使用，独立游戏奖评委公开拒投 《Big Walk》开发商补披露少量 AI 使用，独立游戏奖评委公开拒投 过去几年，游戏开发里用 AI 工具的情况越来越多，要不要向玩家说明，也一直有争论。这个星期，这场争论在独立游戏圈公开爆发了。 来源：arstechnica.com 2. DeepMind 用 AI 对 Signal 的关键密码学保证做了形式化验证 DeepMind 用 AI 对 Signal 的关键密码学保证做了形式化验证 Google DeepMind 的研究人员用智能体 AI，对 Signal 协议的若干项关键密码学保证做了数学证明，也就是形式化验证。报道把这称为广泛使用的密码学和 AI 本身的一项标志性进展。 来源：arstechnica.com 3. DeepMind 发布 Gemini Robotics 2.5，并公开安全基准 ASIMOV-jailbreak DeepMind 发布 Gemini Robotics 2.5，并公开安全基准 ASIMOV-jailbreak Google DeepMind 发布了新一代 AI 机器人平台 Gemini Robotics。Google 说，到了 2.5，这套机器人 AI 完成真实世界任务的水平，已经接近人类。 来源：arstechnica.com 4. Meta AI 发布 Muse Ember 1.0，面向智能体里的短任务 Meta AI 发布 Muse Ember 1.0，面向智能体里的短任务 2026 年 11 月 10 日，Meta AI 推出了 Muse Ember 1.0。Meta 称它是自家最小、也最高效的模型，主要面向智能体反复要做的工具调用、编码子任务、路由、抽取和长文档解析。 来源：simonwillison.net 5. Glasswing 七个月报出 37966 项漏洞，公开标记修复的只有 217 项 Glasswing 七个月报出 37966 项漏洞，公开标记修复的只有 217 项 Anthropic 的 Glasswing 实验跑了七个月，一共报告 37966 项漏洞发现。其中进入公开状态的只有 7349 项，占 19.4%；被标记为已经修复的只有 217 项。 来源：vulncheck.com 6. Blender 5.3 发布，加入高斯泼溅支持 Blender 5.3 发布，加入高斯泼溅支持 Blender 5.3 已经发布，新增了 Gaussian Splatting，也就是高斯泼溅的支持，并且扩展了 Geometry Nodes 的 Bundle 能力，处理 splat 数据和比较复杂的可视化编程会更直接。一名早期测试者在 M4 上试用了从 Spirula Studio 导出的、包含 400 万个 splat 的场景。 来源：blender.org 详情见本期完整文章： 每日AI乱炖 · 2026-11-11

  4. 2d ago

    每日AI乱炖 · 2026-11-12

    这里是由Robin为你带来的咸话咸说之每日AI乱炖。 台积电拟向 OpenAI 与 Anthropic 各投 5 亿美元，合计 10 亿 先说钱的方向。一家给所有人代工芯片的公司，现在反过来买客户的股份。 台积电拟向 OpenAI 与 Anthropic 各投 5 亿美元，合计 10 亿 据 Ars Technica 报道，芯片代工巨头台积电准备向 Anthropic 和 OpenAI 投入合计 10 亿美元。路透社是这笔消息的来源：台积电董事会已经批准两项安排，最多 5 亿美元用于认购 OpenAI 为大型投资者保留的优先股，另外 5 亿美元按 Anthropic 预期的 IPO 价格买入其普通股。 金额不是重点，方向才是。台积电自己就靠 AI 数据中心建设潮赚了很多，代工业务受益明显，现在它把钱投回给买它产能的客户，在两家头部 AI 开发商里直接持股。一家供应商同时成了股东，这是最近几笔 AI 大交易里反复出现的结构。 《华尔街日报》的解读是，在 AI 交易显出压力的当下，这类投资可能给市场一点信心。分析人士同时提醒，投资者、供应商和客户之间的这种循环融资，让外界越来越难判断 AI 硬件和服务的需求到底是终端需求，还是这几方在互相买单。 供应商变成股东，账面上是投资，逻辑上是在给自家产能找确定性——客户买得起，自己的产线才转得满。麻烦在于几方身份一重叠，外部人再想靠订单量判断真实需求就很难了。接下来值得看的是有没有更多设备商和云厂商复制这个结构，以及这类持股会不会被要求披露得更细。一旦供应商的营收和客户的融资能力绑在一起，现金流的方向就不再只是订单的方向。 来源：arstechnica.com 《华尔街日报》称英伟达准备撤换黄仁勋，公司未回应 再往下这条，报道里全是尚未落定的部分。 《华尔街日报》称英伟达准备撤换黄仁勋，公司未回应 《华尔街日报》报道称，英伟达可能正在准备更换创始人兼 CEO 黄仁勋。报道没有说明这件事已经获批或已经完成，也没有给出继任人选、时间表、董事会给出的理由，以及英伟达方面的回应，因此目前只能理解为一场还在展开的接班博弈，而不是已经落定的换人。 黄仁勋创立了英伟达，长期担任 CEO，公司的技术路线、政治关系和创始人权威都和他个人深度绑定。他一贯不重视常规的接班规划，董事会手上几乎没有现成的过渡方案，这也是这次传闻同时牵动治理与运营两条线的原因：换的是一个职位，动的是创始人对公司的控制权。 如果报道所说的动作真的推进下去，英伟达在加速计算、AI 工厂、开放模型、智能体系统和物理 AI 这些方向上都会面临不确定性，而这些方向都是黄仁勋在 GTC 上一条条铺出来的路线。影响大小还取决于他是否留在其他岗位，以及新 CEO 多快能到位。 社区的反应集中在两处：一是担心换人会削弱英伟达长期的技术执行力，并疑问谁能真正接得住；二是有人把话题引到创始人投票权和董事会独立性上。也有人猜测继任者可能更看财报而不是技术，或者这层不确定性会传导到其他 AI 公司的情绪上，但这些都只是社区猜测，报道本身并没有给出这些事实。 创始人加上 CEO 的双重身份，让任何接班讨论都不只是人事问题：公司的技术方向、对外关系和内部权威都系在一个人身上。董事会被说成手上没有现成方案，这既说明准备不足，也说明这个位置的制度成本本来就高。真正要观察的不是传闻真假，而是公司会不会被迫给出关于接班安排的正式说法。传闻之所以能搅动这么大范围，是因为这里同时牵扯治理结构和运营连续性。 来源：wsj.com Anthropic 发布 Fable 5.2 与 Mythos 5.2，千个智能体 30 小时形式化费马大定理 接下来这条，把智能体和数学证明放进了同一个实验。 Anthropic 发布 Fable 5.2 与 Mythos 5.2，千个智能体 30 小时形式化费马大定理 Anthropic 发布了 Claude Fable 5.2 和 Mythos 5.2。Fable 5.2 被定位成面向复杂研究任务的多智能体系统，可以让大量智能体自主分工、协调，一起推进形式化证明。 发布材料给出的例子是费马大定理：1,000 个 Fable 5.2 智能体在约 30 小时里把它形式化了，人工干预极少。智能体从最少的提示出发，自己商量出协作方式，不查数学参考资料，只拿一组中间定理陈述当评分依据。作为对照，早期未发布的研究版本需要专门搭建运行框架，还要一名人类研究员指导，一共用了 11 天。 所谓形式化，是把证明改写成计算机能逐步检查的对象，而不只是用自然语言讲一遍论证。费马大定理本身说的是：当整数 n 大于 2 时，不存在正整数 x、y、z 满足 xⁿ＋yⁿ＝zⁿ。 这个实验同时测了三件事：模型本身的推理、多智能体怎么编排、以及最终结论能不能被形式验证。如果结果经得起独立复核，被推着走的不只是某条定理，而是一批智能体并行推进研究、再由机器检查结论的流程。现有材料只有发布方给出的数据，独立复核还没看到。 可用的范围要分清：Fable 5.2 现在可以通过 Claude Platform 和 Amazon Bedrock 使用；Mythos 5.2 只对通过 Anthropic 验证的网络安全与生命科学高级工作开放，发布材料没有进一步交代它的具体能力和可用性。 社区的评价不算一边倒：有人认为 Fable 5.2 能力很强，但普通任务上和 Opus 5.5 常常分不出来，只有把任务目标抬到很复杂才显出差距；也有人拿 Opus 5.5 已经能胜任约 12.5 万行代码的项目说事，疑问新版是否对应真实的工作流需求。还有人对发布基准提出疑问，比如 Carbon 的 effort-intel 曲线异常、缺少单一网络安全基准的横向对比、Robodojo 比较改用 Argon 而不是 Carbon。 这件事的看点不在定理本身，而在于判定权交给了机器：结论能被逐步检查，一批智能体并行推进研究就有了可验收的标准。眼下的证据仍然只有发布方一边，普通任务上和新版差距不明显、基准选择也被质疑，这些质疑恰好说明能力边界还没被外部摸清。该盯的是有没有第三方拿同样的题目复现一遍。发布方的数据先成立，结论才算数，这在数学上是硬要求。 来源：anthropic.com Claude Code 设置文件把数千条密钥带到了 GitHub 公开仓库 下面两条都是安全问题，先看离我们每天用的工具最近的那条。 Claude Code 设置文件把数千条密钥带到了 GitHub 公开仓库 安全公司 Apiiro 的研究人员发现，GitHub 上一些仓库里的 Claude Code 配置文件嵌着大量敏感信息，包括数据库密码、API token 和 root 登录凭据，数量以千计。 问题出在自动执行 shell 命令的授权方式上。用户在弹窗里选了「Yes, and don't ask again」之后，这个选择会被写成一条规则，存进本机的 .claude/settings.local.json。规则有时会写成模式匹配的形式，但更常见的情况是，被批准的那条命令原样写进文件，命令里带的敏感信息也就一并留了下来。 如果这个文件只待在本机，这算不上严重问题，前提是这台机器本身没被攻破。Anthropic 在 Claude Code 文档里也说明，这个设置文件会被加进开发者的全局 .gitignore，通常能挡住它被公开。换句话说，风险不在于授权本身，而在于那条命令连同敏感信息一起落盘，又被一起推到了公开范围。对用这类工具的人来说，能自检的地方很具体：仓库里有没有 .claude/settings.local.json，里面是不是留着带凭据的完整命令。 这条的分量在默认值和便利之间的那道缝：一次「别再问我」的确认，会把当时的整条命令固化下来，凭据也就跟着进了文件。工具方靠全局忽略规则兜底，可仓库配置、团队模板和 CI 脚本都可能把这类文件重新带回版本库。使用者不必等官方修复，清掉仓库里带凭据的完整命令就是最直接的动作。团队层面的成本更高：这类文件往往是几个人各自的私有配置，谁也不知道里面躺着什么。 来源：arstechnica.com Google 发布 Gemini Decisions API，单次可判 1000 个问题 还有一条接口层面的变化，方向是把模型从说话改成判定。 Google 发布 Gemini Decisions API，单次可判 1000 个问题 Google 发布了 Gemini Decisions API，把一个「判断层」做成独立接口，Gemini Decision 1 是这条产品线的第一个模型。 决策模型和聊天模型的走法不同：它拿一组预先定义好的问题去对照同一个输入，直接返回结构化答案、分数，以及置信度或概率，而不生成自由文本。Gemini Decisions API 一次最多可以评估 1,000 个是/否问题、多选题或者按评分规则打分的问题，输入可以是文本、图像、音频、视频和 PDF，多模态内容共用同一份。 对开发者来说，省掉的是「让模型别说话、只给结论」的那层包装：不再生成散文，直接拿到校准过的概率，可以当成智能体和编码 harness 里很轻的一个判断层。最清楚的用法是有边界的分类任务，包括需要听音频、看视频的场景。不过现有材料没有给出它和其他方案相比的准确率或成本优势。 开发者的讨论集中在两个细节：用约束语法输出时不会暴露概率；有人即使 Gemini 更贵，也仍然倾向 respan/span-02。音频和视频输入被认为在特定多模态场景里有价值；也有人估

  5. 3d ago

    每日AI乱炖 · 2026-11-10

    每日AI乱炖 2026-11-10：安全公司 Apiiro 发现 Claude Code 设置文件里的上千个密钥被提交到 GitHub；Anthropic 发布 Claude Fable 5.2 与 Mythos 5.2；Meta AI 发布 Muse Ember 1.0。 完整图文版：本期完整文章 1. 安全公司 Apiiro 发现 Claude Code 设置文件里的上千个密钥被提交到 GitHub AI 安全公司 Apiiro 在公开的 GitHub 仓库里发现了上千个密钥，包括数据库密码、API 令牌和 root 登录凭据，它们都藏在被提交进仓库的 Claude Code 设置文件里。泄漏的根源是 Claude Code 对自动执行命令的授权方式。 来源：arstechnica.com 2. Anthropic 发布 Claude Fable 5.2 与 Mythos 5.2，1000 个智能体 30 小时形式化费马大定理 Anthropic 发布了 Claude Fable 5.2 和 Mythos 5.2。Fable 5.2 定位为面向复杂研究任务的多智能体系统，可以调度大量智能体自主分工、协调，并推进形式化证明。 来源：anthropic.com 3. Meta AI 发布 Muse Ember 1.0，最高支持 100 万输入 token，主打智能体任务 2026 年 11 月 10 日，Meta AI 推出 Muse Ember 1.0。Meta 把它称为自家最小、最高效的模型，主要面向智能体反复执行的工具调用、编码子任务、路由、抽取和长文档解析，材料里的独立验证目前仍然有限。 来源：simonwillison.net 4. GitHub 项目指称消费版 Gemini 会把邮件与云盘内容送人工审核，Google 尚未确认 GitHub 上的开源项目 thisisme6598/gemini_files 指称，消费者版 Google Gemini 在启用 Connected Apps、并授权 Gmail 或 Google Drive 之后，可能把邮件和文件内容送给人工标注人员审核。讨论里有一条关键限定：这一说法针对的是消费版 Gemini。 来源：github.com 5. Robbyant 公开 LingBot-Touch 触觉预训练，4K 小时数据下召回率达 49.3% Robbyant 发布论文，并公开了 LingBot-Touch 的推理代码和模型检查点。这个模型用 JEPA 式自监督学习，预测被遮挡接触区域的潜在表征，而不是重建原始传感器信号，并在相同数据上和同规模的 MAE、VAE 基线做了对比。 来源：reddit.com 6. Reddit 实测：Qwen3.8 27B 用 8 位 KV 缓存，64k 上下文省约 2 GiB 这是一份发布在 Reddit 上的自测报告。作者对 Qwen3.8 27B 的 35 种权重量化版本，在 llama.cpp、ExLlamaV3 和 vLLM 上做了测试，KV 缓存分别用 16 位、8 位，以及在支持的情况下用 4 位，提示混合了智能体工具调用和多种领域，最长到 64k token。 来源：reddit.com 详情见本期完整文章： 每日AI乱炖 · 2026-11-10

  6. 4d ago

    每日AI乱炖 · 2026-11-09

    这里是由Robin为你带来的咸话咸说之每日AI乱炖。 高盛据报道收回银行家和交易员的 Claude Code 权限，工具只留给约 1.2 万名工程师 高盛据报收回了银行家和交易员的 Claude Code 权限，把编码代理的使用收拢回工程团队。 据报道，高盛正在收回银行家和交易员的 Claude Code 访问权限，Anthropic 的这套编码代理在这家投行的部署被明显收紧。报道提到的高盛关注点包括安全、合规、治理和成本控制。需要说清的是，这条消息来自二手报道，没有高盛的一手公告，所以收回的确切范围、生效日期，以及是否有运维事故触发了这次调整，都无法从现有材料确认。即便如此，一家受严格监管的金融机构收紧编码代理的使用权限，本身就是值得注意的信号。 Claude Code 和 GitHub Copilot 这类工具并不只是在聊天窗口里返回文本，它们能在工作台上生成并执行代码。放进银行里用，就意味着要管住执行权限、数据访问、账号授权、审计轨迹和审批流程。高盛此前把这些工具扩展到了软件工程之外，银行家和交易员用它做市场模型和客户资金流方面的工作；据报，10 月发出的内部指引把访问范围收窄到约 1.2 万名工程师，从大范围试验转向更紧的治理。 据报道，结果就是：高盛的银行家和交易员失去 Claude Code 与 GitHub Copilot 的权限，这两类先进工具只留给约 1.2 万名工程师，同时降低了在安全、合规、授权和账单上的敞口。 评论区的关注集中在风险上：半无人值守的 agent 跑在金融从业者的机器上，同时能触达敏感数据、邮件、互联网和内网。有机构表示，限制 Claude 的原因是反复出现的账单超额，并且更倾向 Gemini 那种更可预测的计费和限流方式。其他人提到银行对授权、审计轨迹、审批链、隐私的要求，以及法律和监管层面的暴露。也有人猜测是否存在运维损失，或高盛的时机与 Anthropic 的 IPO 有关，但没有提供证据。 把这条放进当下的企业 AI 图景里看，它问的不是哪家模型更强，而是编码代理进到受监管的业务现场之后，谁能说清它在什么地方、用什么权限、动了哪些数据。报道没有说明这次收权是否与某次具体事件有关，也没有给出重新开放的条件；而同一批讨论里，计费和限流这种运营层面的差别，同样能决定一套工具在金融机构里活多久。 这条如果属实，关键不在禁用本身，而在企业对代理工具的边界重新划线。能在本地执行命令、碰触系统环境的编码代理，和只在网页框里生成文本的问答助手，治理难度完全不同；先把前者圈回工程团队，是受严格监管机构降低未知风险最省成本的防御动作。顺带也说明此前向业务岗位的铺开更像压力测试而非定案。接下来要看高盛何时有一手确认，以及其他大型金融机构会不会跟进同样的收口。 来源：thestateofai.com Kimi-K3.1-Pro-Coder 实验性混合精度量化把 1.77TB 压到 775GB 开源社区公布了一次量化实验，把 2.8 万亿参数的 Kimi-K3.1-Pro-Coder 从 1.77TB 压到了 775GB。 一位作者公布了对 2.8 万亿参数的 Kimi-K3.1-Pro-Coder 做的实验性混合精度量化：体积从 1.77TB 降到 775GB，减少 56%。做法是把路由的 MoE 专家分成三档精度存储，共享专家、attention 和 embedding 仍保留在 BF16 或 F32。三档分别是 2.81、2.56 和 1.44 bpw，平均约 1.92 bpw，而基座模型大约 4.0 bpw。 配套的还有 Strata，一个按 GPU 显存、pinned 内存和 NVMe 三层的卸载引擎，用 router lookahead 做预取；另外还有 dr-triton 的融合反量化 kernel。测试跑在一张 Colab 的 NVIDIA RTX PRO 6000 Blackwell 上，显存 96/102GB、内存 176GB，覆盖全部 93 层加 lm_head：AIME 2025 与 LiveCodeBench 都是 29/30，也就是 96.67%；token 一致率 top-1 为 95.20%、top-5 为 99.92%；吞吐是 batch 36.8 TPS、单流 10.8 TPS。perplexity 的变化分别是 AIME 上升 1.01%、hard LiveCodeBench 上升 2.02%、LiveCodeBench 整体上升 2.67%。 这套方案和原版 llama.cpp 或 vLLM 不兼容，因为它用了自定义的打包张量布局。用户可以按自己的显存、内存、NVMe 配比去配置 Strata，也可以把独立的反量化模块接进自己写的 PyTorch 或 Triton runner。 Kimi K3.1 Pro 是 Moonshot AI 的 2.8 万亿参数开源权重 MoE 模型，从 Kimi K3 后训练而来，上下文窗口 100 万 token。每个 token 只激活一部分路由专家，但全量专家仍然要存下来，推理时还可能需要在设备之间搬运。混合位宽量化就是给不同专家分配不同精度来压存储，分层卸载则把热的权重放显存、温的放内存、冷的放 NVMe，再用预取盖住传输延迟。 作者把这次结果定位成实验性压力测试，而不是面向大众的部署方案：775GB 的下载量和硬件门槛仍然挡在前面，数据也全部是自报的。 这也是为什么它的价值更接近一次可行性验证：三档位宽把可接受的质量损失量化出来，分层卸载把显存不够这件事变成工程调参问题，但代价是整条工具链要跟着换。想把这份权重真正跑起来，除了存储和内存，还得接受一套只有少数 runner 认识的权重布局。 这项实验的价值在于作者把压缩付出的精度与速度代价做成了完整台账，而不是单喊体积降幅，给后续复现留下了参照系。不过由于它依赖自定义张量布局和专用卸载引擎，现成推理框架无法开箱即用，可复现性很大程度上绑在作者个人的配套脚本上。接下来值得关注的是主流推理框架是否会吸收这种分层量化思路，以及那套反量化模块能否独立沉淀为标准组件。 来源：reddit 社区开发者把 Windows AI 训练栈移植到 Kepler 到 Turing 老卡，原生 CUDA Mamba-1 可用 一位开发者把一套 Windows AI 训练栈移植到英伟达老显卡上，让十年前的 Tesla K40c 也能跑起原生 CUDA 版 Mamba-1。 一位社区开发者把一套 Windows 上的 AI 训练栈移植到了 NVIDIA 从 Kepler 到 Turing（SM 3.5 到 SM 7.5）的显卡上。这套东西包括用 CUDA 11.8 编译、保留 legacy SASS 的自定义 PyTorch 2.7.1 wheel，也带上了 causal-conv1d 1.7.0、原生 CUDA 的 Mamba-1，以及 Windows 上的 NCCL，可以在 Kepler 卡之间做分布式数据并行训练。 开发者报告说，纯 CUDA 实现的 Mamba-1 在目标架构上可以工作；在一张 2013 年的 Tesla K40c 上，相对 PyTorch 参考实现的最大绝对误差是 3.8e-06。Mamba-2 和 Mamba-3 目前仍只支持 Turing（SM 7.5）及更新的架构，因为它们依赖 Triton 和 TileLang；在更老的卡上，这些模块不可用时会自动回落到 Mamba-1。 项目方希望有更多人在 Maxwell 和 Pascal 上测试，因为本地验证只做到了 Kepler，也没有提供更大范围的基准或性能数据。作为一条自报的公告，超出 K40c 这一张卡的可用性，以及声称的性能，都还需要社区验证。 从机制上说，Mamba 是面向语言建模这类信息密集负载设计的状态空间序列模型，靠硬件感知的 kernel 提效。原生 CUDA 的 Mamba-1 绕开了新版路径对 Triton 和 TileLang 的依赖，因此能跑在很多现代 AI 栈已经不再支持的 Kepler 到 Turing 显卡上。这套移植把 legacy SASS 的 PyTorch 2.7.1 与 CUDA 11.8 的 Windows 构建，和 causal-conv1d、NCCL 这些组件拼在了一起。 换句话说，这条路线的意义不在跑分，而在于让一批被主流工具链丢下的卡重新进入训练流程：Windows 上缺的 wheel、缺的 kernel、缺的通信库，都被单独补齐并声明了适用边界。至于这些机器在实际训练里能不能撑住吞吐，作者没有给数据，也没有声称跨卡型通用。 这次移植反向说明了一个现实：许多老旧计算卡之所以被现代训练框架淘汰，往往是软件工具链的选择性放弃，而非硅片本身彻底丧失了计算能力。用手写纯 CUDA 绕开现代编译器依赖确实打通了老卡生路，但这更像极客式的可行性探索而非稳妥的生产方案。对于手头保有老旧算力资产的实验室，这提供了一条低成本尝试的备选路径；后续关键看社区在其他架构上的实测反馈能否支撑起稳定性。 来源：reddit Simon Willison 让 Claude 把一个 3D 演示移植成原生 JavaScript 与 WebGL Simon Willison 开展了一次公开测试，让 Claude 把此前写好的 Three.js 3D 演示改写成原生 JavaScript 与 WebGL。 Simon Willison 说，他在普通的 Claude Chat 里，让 Claude Opus 5.5 Medium 把他在同一段对话中先写好的一个 Three.js 3D 演示，移植成原生 JavaScript 加 WebGL 的版本。他把三样东西都公开了：原始 77KB 的 Three.js 版本、98KB 的移植版，还有那段对话的记录。两边输出并不完全一样，Willison 说自己也不完全明白差在哪里。 他做了一次非正式的对比，觉得 Three.js 那一版代码稍微更好读一些；不过他也说明，这类项目的代码他本来就很少去看，所以这更像一次个人演示，不是系统性基准。 成对的、可以直接打开的产物加上对话记录，让这件事成了一个能自己动手检查的 AI 辅助移植案例。原始材料并不能证明结果可复现、输出一致，也不能证明开发流程因此发生了更广泛的变化。 值得留意的是他记录差异的方式：不是一句「模型很强」，而是把两个版本和过程一起摊开，让人自己判断哪一版更好读、差异出现在哪里。这种可检查的姿势，比任何一句评测结

  7. 5d ago

    每日AI乱炖 · 2026-11-08

    每日AI乱炖 2026-11-08：OpenAI 据报道融资 110 亿美元；Claude Code 据报道把用户邮箱地址发送给了网站；AI 要吞掉物理学了：OpenAI 的新证明逼近杨-米尔斯理论是否存在；Qwen3.5-0.8B 纯汇编推理：单线程跑到每秒 6.51 个 token。 完整图文版：本期完整文章 0:00 1. OpenAI 据报道融资 110 亿美元，估值低于最初目标区间 来源 OpenAI 据报道以 1.25 万亿美元估值融资 110 亿美元，低于最初寻求的 1.25 万亿至 1.4 万亿美元区间，缺口说明愿意接受其条款的投资者不够多。这是 AI 行业一桩重要的资本市场事件，可能反映投资条件在收紧，但没有新模型、硬件或其他技术进展，本质上是估值与融资事件。由于缺少原文与详细条款，数字仍未证实；路透社称 110 亿是该轮首批部分，TechCrunch 称整个轮次尚未关闭、预计未来几周完成。 0:00 2. Claude Code 据报道把用户邮箱地址发送给了网站 来源 用户报告 Claude Code 把账号邮箱发送给所访问的网站，部分人因此收到更多定向垃圾邮件。一位评论者说它在私人账号下运行时用 curl 带上了组织邮箱地址，选中与传输机制不明；据称 Anthropic 在 2.1.317 及之后版本加入内置模块 cc-plugin-privacy 可确定性拦截，用户可通过 /plugins 关闭这项检查。证据基本是口述，没有技术复现或维护方确认。User-Agent 是标识客户端软件的 HTTP 请求头，Issue #107757 指称 Claude Code 在网页搜索时把邮箱写进了该请求头。 0:00 3. AI 要吞掉物理学了：OpenAI 的新证明逼近杨-米尔斯理论是否存在 来源 人工智能正在从数学转向物理：AI 导出的证明已经多到数不清，论文库被 AI 生成的数学论文淹没，数学家在抱怨这些证明读不懂、不优雅。上周 OpenAI 发布了一批新证明，朝解决一个长期悬而未决的物理问题迈出一步——杨-米尔斯理论是否存在。 0:00 4. Qwen3.5-0.8B 纯汇编推理：单线程跑到每秒 6.51 个 token 来源 作者公开了一套面向 Qwen3.5-0.8B 的纯汇编推理栈，分词、推理与贪心采样都不依赖 libc 和 Python 运行时，Python 只在构建期准备分词表。在 AMD EPYC 7B12 的单线程上每秒生成 6.51 个 token，Transformers 参考实现为 4.34 个，两次运行生成的 32 个 token 全部一致；测试用 19 个输入 token 和贪心解码。这次对比并非对等的优化基线：汇编读 BF16 权重，Transformers 用 FP32 权重与 PyTorch fallback 内核。 0:00 5. TSMC 推进嵌入式存储，并考虑做 3D DRAM 来源 2025 年 VLSI Symposium 上，TSMC 展示 1T1C 存储技术，用氧化物半导体选择晶体管与低温制造的电容器把存储阵列做进先进逻辑芯片的后道互连层。测试芯片工作在 0.75 V，数据保持超过 128 ms，随机读写周期低于 8 ns，写入次数超过 10 的 14 次方。TSMC 定位为比 SRAM 更密、功耗更低的缓存替代方案，但这只是测试芯片，不是已确认的量产路线图；另有报道称其考虑应 AI 存储短缺和 NVIDIA 的请求制造 3D DRAM。 .kk-tl{margin:1em 0} .kk-tl-row{display:flex;gap:12px;padding:10px 0;border-bottom:1px solid rgba(128,128,128,.25)} .kk-tl-t{flex:0 0 56px;font-variant-numeric:tabular-nums;font-weight:700;color:#0969da} .kk-tl-body{flex:1;min-width:0} .kk-tl-title{font-weight:600} .kk-tl-brief{margin:4px 0 0;color:#666;font-size:.95em} 完整图文版：本期完整文章

  8. 6d ago

    每日AI乱炖 · 2026-11-07

    每日AI乱炖 2026-11-07（约 22 分钟）：AI 辅助移植的潜在压力；研究人员称 macOS 会推断私人关系；PwnEscape 演示利用已披露漏洞逃逸 Firecracker；Google 分批推出 Gemini Omni 1.2 Flash；D3D 解耦扩散草拟与验证。 完整图文版：本期完整文章 1. AI 辅助移植的潜在压力，可能促使 GTA VI 加快推出官方 PC 版 潜在的 AI 克隆版，会不会倒逼 GTA VI 更快推出官方 PC 移植版？Ars Technica 昨天报道，一些人正尝试让主机版 GTA VI 通过 PC 上支持 DLSS 的 Nvidia GPU 来运行。 来源：arstechnica.com 2. 研究人员称 macOS 会推断私人关系，引发本地数据处理争议 研究人员声称，Mac 内置了一个没有公开文档说明的本地分类器，会推断用户的家庭关系和其他私人关系。这种能力可能帮助 Apple Intelligence 区分不同联系人，并理解用户话语里涉及个人情境的指代。 来源：8rank.ai 3. PwnEscape 演示利用已披露漏洞逃逸 Firecracker，部署配置决定风险范围 一篇关于 PwnEscape 的文章，展示了如何在特定配置下，利用此前已经披露的漏洞，逃出 Firecracker 虚拟机。文章重点是把已知问题变成能够实际运行的概念验证，并不是披露一个新的 Firecracker 漏洞。 来源：pwn.ai 4. Google 分批推出 Gemini Omni 1.2 Flash，视频生成降价与开放节奏受关注 Google 的视频生成模型 Gemini Omni 1.2 Flash 开始分批开放，主打更低的生成成本，以及更好的角色一致性。不过，从用户报告来看，Google Flow、Vids 和付费 Gemini 套餐的开放进度并不一致。 来源：blog.google 5. D3D 解耦扩散草拟与验证，论文报告 Qwen3 解码最高加速 7.48 倍 D3D 提出一种独立的扩散草拟模型，通过分块去噪，加上辅助性的自回归监督，预测候选 token。它不依赖目标模型的隐藏状态，因此可以让草拟与验证同时向前推进。 来源：reddit.com 6. 蚂蚁发布原生多模态 MoE 模型 Ling-3.2-flash，总参数 5600 亿 蚂蚁 Ant Ling 发布 Ling-3.2-flash，一款原生多模态混合专家模型。它有 5600 亿总参数，激活参数为 250 亿，最大上下文窗口达到 100 万 token。 来源：reddit.com 详情见本期完整文章： 每日AI乱炖 · 2026-11-07

See All (20)

About

咸话咸说：AI 技术分享栏目——工具、论文与实践随聊。由 Gobing AI 的 Robin Min 主理、AI辅助

Information

  • Creator
    Robin Min
  • Years Active
    2026
  • Episodes
    20
  • Rating
    Clean
  • Copyright
    ©2026
  • Show Website
    咸话咸说