全部 · 2026-06-09

Google DeepMind 开源了 Gemma 4 12B，一个 120 亿参数的多模态模型。它最大的变化是把传统的视觉、音频编码器全砍了，所有输入直接扔给 Transformer 处理，架构更简单。模型能直接听懂语音，不用先转文字，而且用 Apache 2.0 协议开源，官方说在 16GB 显存或统一内存的笔记本上就能跑。 但这条消息最该打折的地方是：正文没给任何基准测试成绩。一个号称“统一多模态”的模型，发布博客里连一张跑分表都没有，只说了架构怎么变、协议怎么友好。没有对比数据，就没法判断它到底比上一代强多少，或者跟同尺寸的其他模型比是什么水平。 还缺几个关键信息：语音理解的延迟和准确率没提，多模态任务的具体表现没提，训练数据构成也没交代。想上手试的人可以先跑跑看，但做选型决策的话，得等第三方评测出来再说。

这条消息值得关注的地方在于思路：不是去优化 OCR 管道，而是直接让 GPT-5.5 看图读论文、做翻译，一步到位。23000 多篇 ChinaRxiv 论文因此免费开放，英文翻译也比之前更完整。对需要批量处理中文论文的人来说，如果这套方案真的又快又准，确实能省掉不少工程上的麻烦。 但正文没披露任何关键数字。成本是多少？处理一篇论文要多久？翻译质量跟专业翻译或传统 OCR 加翻译引擎比，到底好多少、差多少？这些全都没说。没有这些，就没法判断这是真能落地的方案，还是一次性炫技。 另外，ChinaRxiv 论文本身是预印本，未经同行评审，翻译质量再高也不代表内容可靠。这点在使用时得自己掂量。

苹果在 WWDC 上公布了 CoreAI，定位是 CoreML 的继任者，专门在自家芯片上跑模型推理。模型得先用 Python 脚本转一道才能用，目前支持的模型列表主要是 2025 年年中左右的版本。帖子正文没披露任何性能数据，速度、内存占用、功耗这些关键指标一概没提，所以实际跑起来快不快、省不省资源还不好说。另外原帖链接返回了 403，说明 Reddit 的安全策略把抓取工具挡了，我们看到的只是二手转述，不是一手评测。我会先打个折：这更像是一个框架发布公告，离“实测好用”还差好几步。想判断它值不值得跟，得等有人拿同一批模型在 CoreML 和 CoreAI 上跑出延迟、吞吐和耗电对比，再看转换工具对模型结构的覆盖率和出错率。

UniRL 做的事是把几种不同模型的强化学习后训练塞进同一个循环：生成、打分、算优势、更新参数、同步。框架把模型类型和算法拆成两个独立维度，可以自由组合，目前已经在 Hunyuan-Image 3 和 Bagel 上用了。这次一并开源了两个算法：Flow-DPPO 给流/扩散模型加了基于精确散度的信任域约束，让训练更稳；DRPO 给语言模型强化学习加了个平滑的优势加权正则化，相当于在更新时别太激进。 框架支持可插拔的 rollout 引擎，训练侧、SGLang、vLLM-Omni 都能接，部署模式给了三种，分片用 FSDP2。这些设计对想在自己模型上试强化学习微调的团队比较友好，不用从头搭一套。 但正文没给出任何对比数据——用了 UniRL 之后图像质量、文本生成准确率到底提升多少，跟现有方案比训练速度、显存占用有没有优势，这些关键信息都缺。也没说开源代码的许可证和配套文档完整度。这点先别太激动，等看到实际跑出来的数字再判断值不值得切过去。

这条消息值得看的地方在于，它展示的不是模型本身有多强，而是 agent 怎么把现成的模型当积木用。作者让一个编程 agent 调用 Hugging Face 上的两个 Space：先用 ideogram4 生成巴黎地标图片，再把图片喂给 TripoSplat 做单图 3D 重建，输出高斯泼溅文件，最后转成体积缩小约 3 倍的 .ksplat 格式，部署成一个静态网页。全程没手动碰任何图像或 3D 软件。 这背后靠的是 agents.md 这个机制，让每个 Space 都变成一个可被 agent 调用的 API 模块。正文没披露 agent 具体用了哪个底层模型，也没给出端到端耗时和失败率，所以稳定性和成本还不好判断。另外，3D 重建质量依赖单张图片输入，复杂场景下效果会打多少折扣也没提。 如果这种“搭积木”方式能稳定跑通，做多媒体 demo 的门槛会降一大截。但现阶段更像一个技术预演，离生产环境还有距离。

Mishig 让一个编程智能体去建巴黎地标 3D 网站，智能体直接调用了 Hugging Face 上两个现成的空间：一个生成图片，一个把图片转成 3D 高斯泼溅（用无数小椭球拼出立体场景的技术），最后拼出一个能旋转观看的页面。作者全程没开任何生图或 3D 工具。 能这么干的关键是，现在每个 Gradio 空间都会暴露一个 agents.md 文件，告诉智能体怎么调用自己。这相当于把每个空间变成了一个带说明书的可调用积木。智能体不需要从零造轮子，只需要把现成组件串起来。 正文没披露这个智能体具体用的是哪个模型、跑了多久、花了多少钱。也没说生成的 3D 场景精度如何，有没有人工修过。这点先别太激动——这更像一个原型演示，说明“让模型进业务流程干活”这条路在多媒体生成上也能走通，但离稳定生产还有多远，文章没给数据。

这条新闻最值得看的是模型怎么绕过自己看不懂图的短板：它用像素坐标反推布局，相当于把视觉问题转成了数学问题。实验设计也比较务实，不是一次性生成完事，而是把任务拆成规划、架构、编码几个阶段，每步做完就检查——静态检查、编译自检做到 0 error，Web 端 34 条路由全部可达，失败了就把错误信息喂回去重试。这套“分阶段约束+带错纠正”的闭环让模型在几小时内收敛，比单纯堆算力更聪明。 但兴奋之前得先打折。正文没披露这份 15 万字文档的结构化程度和需求清晰度，也没说应用本身的复杂度——如果文档本身就是接近伪代码级别的详细描述，那 4 小时的含金量会打折扣。另外，实验在隔离环境跑，没有真实后端、没有迭代需求变更、没有多人协作的混乱，离生产环境还有距离。 还缺几个关键信息：生成的代码可维护性怎么样，有没有冗余或安全漏洞；真机冷启动冒烟只说了“通过”，没给性能数据和崩溃率。这些才是工程落地时要命的点。