全部 · 2026-07-23

PaddlePaddle 放出的 HPD-Parsing 是个10亿参数的小模型，专门做文档解析，就是把扫描件、PDF 里的文字和排版结构读出来。它的核心思路很直接：整页的布局需要全局协调，但每个区域的内容生成是相对独立的。所以它不再像传统模型那样一个字一个字按顺序吐结果，而是让一个主分支看懂整体排版，然后把各个局部区域分派给多个分支同时生成。每个分支内部还用了一种叫“渐进式多 token 预测”的技术，一次预测多个词，进一步减少解码步数。 在 OmniDocBench v1.6 测试集上，它拿到了 94.91% 的综合分，是目前端到端统一解析器里的最高分。速度方面，峰值吞吐达到 4752 TPS，是之前最快解析器的 1.62 倍，是自己传统自回归版本的 3.06 倍。训练上用了分阶段适配和自动难度筛选的数据管线，试图在转向并行解码时保住精度。 不过这篇帖子没披露任何硬件配置或显存需求，所以这个 4752 TPS 是在什么卡上跑的、实际部署成本多少，都得自己验证。另外，94.91% 的分数看着漂亮，但 OmniDocBench 本身对中文文档的覆盖度有限，中文场景的表现还得额外测。

这条新闻最值得看的是效率。一个西方新团队做出的模型，在基准测试上能和 Thinking Machines 掰手腕，但模型体积小了差不多 10 倍。Reddit 上有人总结得很直白：比 DeepSeek V4 Flash 便宜，比 V4 Pro 强。这背后可能是模型蒸馏或架构上的巧思，团队把技术细节写进了技术报告，还在 Latent Space 的播客里做了拆解。 不过正文没披露两个关键数字：一是具体定价，便宜到底是多便宜；二是推理延迟，小模型如果跑得慢，成本优势会打折扣。另外，所有跑分都来自团队自己公布的数据，缺少第三方独立验证。在模型军备竞赛里，这种新秀实验室的早期成绩，我会先打个折，等看到实际部署的反馈再说。

这份文件最值得关注的是计费逻辑的转向：不再按 Token 消耗量算钱，而是推“按交付价值收费”。如果真能落地，对做企业级智能体的公司是个省钱信号，但怎么定义“交付价值”、谁来验收，正文完全没提。另外，Harness Engineering 被单独拎出来，说明官方开始把“管住智能体行为和安全”当成独立的基础设施层，不再是应用层的附属品。TaaS、AaaS、RaaS 三种模式一起推，覆盖工具、软件和硬件，野心不小。不过目前只有方向性表述，没披露补贴金额、试点名单和推进节奏，企业想跟也不知道从哪下手。还缺一份实施细则，否则这些概念容易停在纸面上。

Poolside 的联合 CEO Eiso Kant 在播客里把他们的做法讲得很直白：95% 的模型能力提升，靠的是更好的数据或更高的算力效率，而不是堆参数。他们新发的 Laguna S 2.1 是个混合专家模型，总参数 1180 亿，但每次推理只激活 80 亿参数，支持 100 万 token 的上下文窗口，还能在“思考”和“不思考”两种模式间切换。用 80 亿激活参数去跟 Thinking Machines 近万亿参数的开源模型打，还赢了，说明他们在效率上确实下了功夫。 不过，这篇播客稿更像一次理念输出，而不是技术报告。Eiso 说传统的工具调用和 MCP 协议“很蠢”，预测强化学习会更早介入预训练阶段，还表示宁愿市场上有 100 家基础模型公司而不是 5 家。这些判断听着挺带劲，但正文没给出具体的实验对比数据或消融实验来支撑。另外，他们融了 5 亿美元，但钱具体怎么分、模型工厂的硬件投入和人员成本占比多少，都没提。 还缺什么？缺的是这套“模型工厂”方法论的可复制性验证。70 人团队能跑通，不代表别人照着做也能成。另外，模型在真实业务场景里的表现，比如代码生成的一次通过率、复杂项目里的持续调试能力，光靠跑分说不清楚。

作者在 Vast AI 上租了四张 20GB 显存的 RTX 3080，跑 Qwen3.6-27B 测代码生成速度。开了 MTP（一次预测多个 token）后，在接近 256K 上下文长度时，解码速度跑到每秒 69 个 token，比四张 5060 Ti 还快。预填充速度掉到每秒 893 个 token，而且测试时没开提示缓存、显卡还锁了功耗，实际性能可能更高。 他算了一笔账：二手 3080 约 400 美元一张，X99 主板加 CPU 加 64GB 内存约 275 美元，整机不到 2000 美元就能跑轻量量化的密集模型。这个价格确实香，但正文没披露任何代码准确率或基准测试分数，只测了速度。速度好不代表生成的代码能用，这点是最大的信息缺口。 另外，测试在云租用环境跑，不是自组机器，散热、稳定性、长期满载表现都没提。如果你真想照这个配置攒一台，还得自己验证准确率和实际部署的坑。

这条帖子最直接的价值是打破了一个常见误区：多卡跑大模型必须砸钱买高速网络。作者用两台机器、三张 RTX 4060，通过一根普通网线直连，就跑起了 39.7GB 的 laguna Q2_K_XL 模型。在 11k token 的提示词下，ubatch 设为 768 时生成速度达到 28.28 tok/s，网络峰值流量只有 30-70 MB/s，连千兆带宽都没跑满。这说明在多节点推理场景里，瓶颈往往不在网速，而在模型切分和计算本身。 不过这条帖子的结论要打个折。作者没有给出同一模型在单机双卡上的速度基线，我们没法判断跨机直连到底损失了多少性能。另外测试只用了三张卡、一个模型，换成更大的模型或更多节点，网络会不会突然变成瓶颈，正文也没披露。编译 NCCL 和 RPC 的踩坑过程也一笔带过，对想复现的人来说信息缺口不小。 整体看，这是一个低成本验证思路的好例子，但离“通用方案”还差几组对照实验。如果你手头正好有两台带 4060 的旧机器，值得照着试一下；如果打算正经搭多机集群，还是得自己测清楚延迟和扩展性。

这篇论文的核心思路很直接：标准自注意力在视频生成里太贵了，计算量随帧数平方级增长。他们换了一套 3:1 的混合方案，大部分 token 用计算量只线性增长的门控线性注意力，每隔几步再插一次标准 softmax 注意力当“锚点”，把 token 之间丢失的全局交互补回来。同时加了一个“块注意力残差”设计，把浅层算好的摘要信息直接传给深层复用，让深层注意力的有效秩提升了约 12%。 效果上，5B 模型在 VBench 上拿了 84.30 分，480p 视频生成只要 13.2 秒。配合他们自研的 Sol-Engine 全栈优化（算子融合、缓存、稀疏注意力），720p/5 秒视频的生成时间压到 13.06 秒，比 Wan 2.2-A14B 在同一张 H100 上快 120 倍。这个速度优势会随着视频时长增加进一步拉大。 不过要冷静看待：论文没披露训练数据的具体构成，也没提开源计划。VBench 分数虽然不错，但基准测试和真实场景的观感质量之间还有距离。另外，混合注意力里 25% 的 softmax 比例是通过小规模代理实验确定的，在大规模训练下是否依然最优，正文没给出更细的消融验证。

这篇文章拆解的不是技术，而是一场经典的营销飞轮。起点是开发者 Peter Steinberger 一句“我们还在聊循环还是已经转向图了”的调侃，因为没有任何技术规格，反而成了完美的投射屏。控制流派把 DAG 任务编排重新包装成新范式，自媒体把代码控制流偷换成“虚拟公司组织架构图”，Eigent AI 等平台商把分立校验包装成“治理图”，还有人直接跟知识图谱搞混。四组人各取所需，72 小时内把一个空词炒成热点。 真正值得看的是生产数据：Anthropic 报告多 Agent 系统消耗的 Token 是普通对话的 15 倍，NeurIPS 2025 的论文指出协调失败率高达 41% 到 86.7%，而单 Agent 跑同一套流程效果相当但成本低得多。Anthropic 自己一直平实地管这些叫 Workflows，没蹭过热词。 文章没披露的是，那些借势卖课的平台具体转化了多少用户，以及 Eigent AI 的“治理图”在生产环境里到底有没有独立验证过效果。如果你正在评估 Agent 架构，与其追热词，不如先算清楚多节点拓扑带来的 Token 账单和失败率，这两项数据比任何架构图都诚实。