全部 · 2026-06-08

这个测试结果挺直观：把qwen3.6-27b模型（用int4压缩过）从一张3090搬到两张3090上跑，叙事类文本生成速度从每秒53个token涨到94个，代码类从62涨到120，几乎翻倍。测试环境没装NVLink，走的是8x/8x PCIe通道，但P2P自动开了，张量并行设为2。 数字看着漂亮，但得注意几个限制。首先这是Reddit用户个人跑分，正文没披露测试用的具体提示词长度、批次大小，也没说KV缓存怎么配的，这些都会影响速度。其次，双卡虽然吞吐量上去了，但延迟有没有增加、显存利用率怎么样，帖子里没提。另外，int4量化本身已经牺牲了部分精度，双卡并行会不会进一步放大误差，也没验证。 对想在家用多张3090跑大模型的人来说，这个结果说明即使没有NVLink，靠PCIe通道也能拿到不错的加速，但前提是模型能塞进单卡显存、张量并行切得开。如果模型更大、需要跨卡切层，速度可能就没这么线性了。

微信这次把 AI 直接塞进了小程序生态里，做法很务实。自动模式相当于平台帮你把小程序“翻译”成 AI 能看懂和操作的东西，开发者零成本就能上车，对小团队很友好。开发模式则留给有定制需求的人，自己写技能提交审核，让 AI 去调用。两种模式可以同时开，也不影响现有服务，这点降低了试错门槛。 不过，正文没披露自动模式的分析准确率能到多少，也没提审核周期和技能调用失败的兜底方案。名字都还是暂定的，说明产品还在很早期。对开发者来说，现在可以关注，但别急着把核心业务全押上去，先看看内测跑出来的实际效果和成本再说。

高德发布的ABot-Earth0.5，核心是把3D城市建模从重资产工程变成了轻量工具。你给一张卫星图或一段文字，它能在消费级显卡上花10分钟，生成公里级的3D城市场景，输出格式是3DGS，可以直接拖进Unity或虚幻引擎用。官方算了一笔账：制图成本降到传统方式的百分之一，效率提升约一千倍。这个数字如果属实，对需要大量虚拟环境的行业——比如具身智能训练、低空经济航线规划——确实能省下不少钱和时间。 但文章没讲清楚几个关键点。第一，生成的3D模型精度和几何一致性怎么样，有没有和激光点云或实拍数据做过对比，正文没披露。第二，“覆盖190多个国家和地区”指的是模型有能力生成这些地方的场景，还是已经建好了现成的3D地图，表述比较模糊。第三，3DGS格式虽然渲染快，但在物理碰撞、动态交互上不如传统网格模型，直接用于仿真训练可能还要额外处理。 目前产品刚开放内测，效果好不好还得看实际跑出来的东西。如果精度和可用性过关，这个工具对中小团队的意义会很大。

这条新闻目前只能当个信号看，没法当技术案例用。FT 说 AI 能靠闭路电视画面识别目标，俄罗斯在伊朗最高领袖遇刺后暂停了一套监控系统，但正文返回了 403，核心信息全在付费墙后面。系统叫什么、用了什么模型、是实时识别还是事后回溯、准确率多少、谁供的货，正文都没披露。唯一能确认的是 RSS 摘要里那几句，信息量很薄。 标题里的“突破”和“警觉”听起来很重，但没看到具体技术方案和验证数据，没法判断是真正的能力跃升还是政治叙事。如果后续有公开报告或技术细节出来，才值得认真拆。目前能说的就是：这件事被 FT 放在了重要位置，但读者拿不到支撑判断的硬信息。

FT 这篇报道说今年前五个月私募股权在软件行业的收购总额降到 500 亿美元，是疫情以来最冷清的水平。标题把原因指向 AI 带来的市场震荡，但文章本身被付费墙拦住了，我们看不到具体交易笔数、同比跌幅有多大，也不知道“AI rout”是怎么量化的——是估值下调、买家观望，还是融资渠道收紧。 500 亿美元这个数字本身需要参照系：如果去年同期是 800 亿，那确实跌得狠；如果只是从高位回落一点，判断就要打折。正文没披露这些对比数据，也没说明是交易数量少了还是单笔金额变小了。 对关注软件投资的人来说，这条新闻值得留意，但缺的信息太多。想知道 AI 到底怎么冲击了软件收购市场，还得等更完整的报告或者 FT 把付费墙打开。

月之暗面又在谈钱了，这次要拿2亿美元左右，把估值推到300亿美元。半年内第三次融资，这个频率本身就说明两件事：一是烧钱速度不慢，二是得抓紧囤粮，国内大模型这桌牌局还没到洗牌的时候，谁先断粮谁先下桌。 但正文没提任何收入、付费用户数或毛利率，也没说这轮钱具体要花在哪——是买算力、铺渠道还是补研发缺口，全都不清楚。300亿这个数字，放在全球AI创业公司里都不算小，可支撑它的财务底子现在完全看不见。投资方是谁也没披露，如果是老股东续投撑场面，那信号又不一样。 这条新闻的价值在于告诉你市场还在给中国大模型公司高预期，但缺了业绩锚点，估值更像竞争态势的投影而不是实打实的定价。后续得盯着他们会不会公开ARR（年经常性收入）或企业客户数，那才是判断这300亿含金量的关键。

RTPurboV2的思路很直接：把Transformer里大部分注意力头改成只看局部上下文的滑动窗口注意力，只留15%的头负责跨长距离抓关键信息。这些检索头用低秩投影压缩、聚类和动态top-p来降低计算量。适配训练成本很低，大概600步、100万条标注token就能完成，不需要从头训大模型。Prefill阶段推理加速最高到9.36倍，对长文本场景省算力挺明显。 但这条消息有个硬伤：原文因为微信环境验证失败，实际没抓到完整实验部分。模型规模多大、在哪些基准上测的、精度损失多少、跟其他稀疏注意力方案对比如何，这些关键信息都缺失。9.36倍是峰值还是平均也没说清。 如果数据属实，这个方案对已有模型做推理加速的门槛确实低，几百步适配就能用。但没看到精度对比之前，只能说思路干净，落地效果还得等完整论文或开源代码放出来再判断。

这条消息最值得点的地方是思路：把强化学习、用自然语言当反馈信号（文本梯度）和跳过不靠谱中间步骤（Skip-k）揉在一起，让多个模型自己摸索怎么分工协作，而不是靠人预先写好死板的流程。用 GPT-4o-mini 这种小模型跑，在 MATH500 数学题上准确率比 MaAS 高了 12.8 个百分点，在 DROP 阅读理解上 F1 比 AFlow 高了 5.1 个百分点，说明这套自动组队的方法确实能榨出小模型更多能力。 但必须打个大折扣：原文链接被微信环境异常页挡住了，正文完全看不到。上面这些数字全来自机器之心给的摘要，实验设置、训练成本、Skip-k 具体怎么判断“不靠谱”、对模型本身有没有额外微调，这些关键信息一概缺失。12.8 个百分点的提升听起来不小，但不知道对比基线是否公平、测试集有没有泄露风险，也没法判断这套方法换到其他模型或任务上还灵不灵。 目前只能当个思路参考。等 openJiuwen 把论文或代码放出来，才能看清是真省钱还是只跑通了几个特例。

训练能干活儿的智能体一直有个麻烦：每个任务环境接口和奖励规则都不一样，换个任务就得把训练流程重搭一遍。Hugging Face 联合 Unsloth、NVIDIA 和二十多个开发者推出的 OpenEnv，不是一套新的奖励框架，而是一个协议层，统一了环境和模型之间怎么对接来做强化学习训练。你可以把它理解成给各种训练环境定了套标准接口，让模型能像换外挂资料库一样切换任务。 这点先别太激动。正文没披露具体发布时间，也没说首批会支持哪些模型。它明确是个社区驱动项目，欢迎贡献者加入，但这也意味着稳定性和生态成熟度还需要时间验证。对想降低智能体开发成本的团队来说，方向是对的，但落地时间表还看不清。

OpenEnv 不再由 Hugging Face 单独说了算，改成一个委员会来协调，首批成员包括 Meta-PyTorch、Reflection、Unsloth、Modal、Prime Intellect 和 Nvidia。项目代码已经搬到 Hugging Face 上，提供类似 Gymnasium 的接口，还原生支持 MCP 协议，让模型能在模拟终端和浏览器环境里执行任务并从中学习。 这件事的价值在于，它把智能体强化学习的训练环境标准化了，而且拉来了几家有实际算力和训练经验的公司一起维护。但正文完全没提任何基准测试结果——用这个环境训出来的模型，比用其他环境到底好多少、省多少算力，一概没说。也没有披露委员会的具体决策机制，比如谁有权改 API、谁负责审核贡献。 对想试的人，可以先关注两点：一是 Unsloth 的加入意味着可能会出低资源训练方案，二是 Nvidia 的参与暗示对 GPU 利用率有优化空间。但现阶段别急着下结论，等第一批用 OpenEnv 训出来的模型公布结果再说。