全部 · 2026-05-30

FT 这篇报道的标题说英国军方在研究让武器系统不经人类批准就执行致命打击，但点进去只看到订阅页面，正文完全没披露。具体是哪种武器、在什么条件下可以自主开火、法律框架怎么搭、有没有时间表，这些关键信息一概不知。光看标题，这更像是一个政策方向的试探，离真正部署还远。目前能确认的只有 FT 发了这么一条标题，其余都是空白，没法做更多判断。

这条爆料的核心信息是：xAI 不用 JAX 在 NVIDIA GPU 上训练了，自己用 Grok Build 写了一套 C 语言训练框架。SemiAnalysis 给出的理由是 xAI 的 JAX 方案模型浮点利用率（MFU）不到 10%，也就是说大部分 GPU 算力没花在正经训练上，都耗在调度和通信开销里了。这个数字如果属实确实很低，但正文没披露测试环境、模型规模、并行策略这些关键条件，没法判断是 JAX 本身的问题还是 xAI 工程实现的问题。 NVIDIA 的 JAX 团队过去两年主力支持 xAI 却没能留住这个客户，侧面说明大客户对训练效率的容忍度在收紧。自研 C 框架听着硬核，但用 Grok Build 这种 AI 辅助写底层训练代码，稳定性和可维护性都是未知数。还缺的信息是：新框架的 MFU 到底提到了多少，以及这套方案会不会开源或对外输出。

这条消息本身挺值得关注：Agent（让模型进业务流程干活）的训练一直缺标准化数据和高难度评测，团队直接放出数据、训练代码和模型权重，对想复现或改进Agent能力的人来说是实打实的资源。但问题在于，原文页面被微信环境异常拦截，我实际看不到任何技术细节。摘要里提到合成了13500条可执行任务，模型在自建基准上拿了56.82分，超过Qwen3-235B-A23B——这个分数绝对值不高，说明任务本身有难度，不是刷榜玩具。不过，基准只有200条任务，覆盖面是否够广、任务类型是否贴近真实业务场景，这些都没法从现有信息判断。另外，30B激活参数能超过235B模型，要么是数据质量高，要么是评测设计对特定模式有利，这点先别太激动，得等看到具体任务样例和训练配方才能下结论。

这条新闻最有意思的点不是“AI 拿金牌”，而是人的轨迹：Yi Tay 在 Gemini Deep Think 达到 IMO 金牌级成绩时担任建模联合负责人，之后出去创业做了 Reka AI，639 天后又回到 Google DeepMind。这种“大厂—创业—回归”的路径在顶级 AI 研究员里越来越常见，说明大模型创业的窗口期和人才流动节奏都在加快。 文章还提到他 2012 年就考过了 Trinity 古典钢琴副学士文凭，差点走职业演奏路线。但正文因为微信环境验证拦截，具体技术细节、他在 Gemini Deep Think 里到底负责哪部分建模、Reka AI 期间做了什么、回归后的新角色，这些关键信息都没披露。所以这条目前只能当人物动态看，别往技术突破上过度解读。

这条新闻讲的是港中文等团队的新优化器 Pion，它换了个思路：更新模型参数时不动权重矩阵的奇异值，只在“等谱流形”上做正交等价变换。打个比方，就像拧魔方，只转面不拆块，保持整体结构不乱。他们拿一个 6000 万参数、没用归一化层的类 LLaMA 模型试跑，Pion 稳定训练了 96 亿个 token，而 AdamW 和 Muon 都崩出 NaN 了。这个对比挺直观，说明 Pion 在抑制训练不稳定上确实有东西。 但正文没披露更大规模模型或具体下游任务上的效果。6000 万参数在现在的大模型语境里算很小的，能不能 scale up 到几十亿、几百亿参数，以及去掉归一化层后在实际任务上表现如何，都还是未知数。另外，文章也没提训练速度、显存开销这些工程指标，光看稳定性不够。 如果后续能在更大模型上复现，并且证明去掉归一化层能省算力或简化架构，那这条才值得认真看。现在只能说在小模型上开了个好头，别急着下结论。

这条消息最值得看的是成本控制思路。γ-World 用“单纯形位置编码”和 hub token，把多智能体交互的计算量从平方级砍到线性级。翻译成人话：以前每加一个角色，系统要算它和所有其他角色的关系，角色一多开销就爆炸；现在相当于给每个角色发了个坐标，再设几个信息中转站，大家不用互相盯着看了。8个玩家场景下延迟从 17.6 毫秒降到 4.5 毫秒，这个数字如果属实，意味着实时多角色模拟在消费级显卡上也能跑。 但得先打个折。微信原文因为环境验证没抓到，我只能根据英文摘要和标题还原，论文里具体怎么实现、在什么硬件上测的、有没有开源代码，这些关键信息都缺。另外，线性复杂度听起来很美，但 hub token 会不会成为新瓶颈、角色数量再往上加效果如何，正文没披露。如果是真的挺省钱，但这点先别太激动，等看到完整论文再说。

苹果这篇论文讲的是用AI做图像压缩，核心卖点是省码率。在主观画质差不多的情况下，PICO比AV1、VVC和JPEG AI能省掉57%到70%的码率，也就是说一张图的文件体积可以压到原来的三分之一甚至更少。这个数字挺夸张，但要注意这是他们自己测的主观画质，不是通用的客观指标，实际效果得等第三方复现。 速度方面，在iPhone 17 Pro Max上压一张1200万像素的照片要230毫秒，解压150毫秒。这个延迟在手机端勉强能接受，但如果是连拍或者视频场景就够呛了。另外，正文没讲模型到底多大、功耗多少、训练用了什么数据，这些对端侧部署很关键的信息全缺了。 苹果2023年收购了做AI压缩的WaveOne，这篇论文的作者里也有那家公司的人，说明这个方向他们确实在认真推。但论文本身更像一个技术预告，离真正塞进iOS相册替代HEIF还有距离。