全部

这条消息最实在的部分是两个数字和一个开源动作：30毫秒单向延迟，对抓取、避障这类实时控制场景基本够用，但如果是高动态的奔跑或灵巧手操作，这个延迟还得看抖动和丢包情况。开源的低延迟视频传输模块和LeFold叠衣服数据集，至少让外界能复现一部分链路，比光发论文强。 不过正文因为微信环境异常完全没加载出来，等于我们只看到了摘要。具体用了什么云端模型、模型推理本身吃多少延迟、在哪些机器人本体上验证过、测试环境是局域网还是公网，这些关键信息全是空白。30毫秒这个数字如果是在实验室局域网测的，上公网大概率要打折。 另外，边云架构本身不是新概念，难点从来不在“能不能通”，而在断了云之后本地能兜底到什么程度。这点正文没提，LiOS的本地侧能力完全未知。整体看，方向对，开源动作加分，但信息缺口太大，先别急着当成熟方案用。

这个测试用两台华硕 GX10（也就是 DGX Spark）组了个小集群，通过 vLLM 加载 DeepSeek-V4-Flash，开了 256K 上下文窗口和多 token 预测（MTP=2，一次猜两个 token 来提速）。预填充速度 1680 token/s 还行，但解码速度只有 39.8 token/s，实际对话时会觉得有点卡。部署用了张量并行（TP=2），两台机器通过 RoCE 网络连接，KV 缓存用 fp8 压缩后能塞下约 100 万 token，这点挺省显存。 不过要注意，这个帖子正文被 Reddit 屏蔽了，我们只能看到摘要里的数字，没法确认测试的具体 prompt、温度参数、是否用了投机解码等细节。39.8 token/s 这个速度是在两台机器上跑出来的，单台会更慢。如果你只有一台 DGX Spark，这个模型可能不太适合实时交互，更适合后台批处理或者跑长文档分析。另外，MTP=2 对解码速度的提升有多大，摘要里也没说清楚，这点先别太激动。

法国私募股权公司 Ardian 要在巴黎郊外投一个 50 亿欧元的 AI“超级工厂”，包含数据中心和研发设施。50 亿欧元这个数看着不小，但 FT 这篇报道正文被付费墙挡住了，我们只能看到标题和摘要片段。正文没披露算力容量、建设周期、股权结构，也没说有没有签下客户。没有这些信息，50 亿就只是一个融资意向，离真正落地还有距离。 欧洲这几年一直在喊要建自己的 AI 基础设施，减少对美国的依赖，但项目经常卡在审批、电力和实际需求上。Ardian 作为私募股权机构，投这类重资产项目，最终还是要看能不能找到足够多的算力租户。目前缺的关键信息是：这 50 亿里多少是股权、多少是债务，以及有没有超大规模云厂商或 AI 公司已经承诺入驻。这些没出来之前，这个项目更像是一个占位符。

Runway 以创始成员身份加入 Cosmos Coalition，跟 NVIDIA 和一批头部 AI 实验室搭伙，目标是共建并开源面向物理 AI 的前沿世界模型。世界模型说白了就是让 AI 能理解物理规律、预测下一步会发生什么、并据此行动，Runway 说这是他们从第一天就在押的方向。第一个项目是 Runway 和 NVIDIA 联合开发的一个基础模型，但公告里没给任何技术细节——模型多大、用什么数据训、什么时候放出来、开源协议是什么，全都没提。 这件事值得关注的点在于，Runway 之前一直在做视频生成，现在把旗号打到“物理 AI”上，跟 NVIDIA 绑在一起，显然是想把世界模型从视频生成推到机器人、仿真这类更吃物理理解的场景。但“共建开源生态”这种说法，在没有具体模型和基准测试之前，只能先当合作意向看。 还缺的东西挺多：模型的实际能力验证、开源范围、联盟里其他成员是谁、各家贡献怎么分。这些信息不补上，很难判断这个联盟是实打实的研发推进，还是品牌层面的站队。

NVIDIA 这次发布的 FOX 蓝图，本质上是一套让多个 AI 智能体（也就是能自主干活的模型）在工厂里协作的参考方案。它把工厂管理拆成监控、分析、决策几个环节，交给不同的智能体去跑，比如一个盯设备异常，一个算排产，一个管物料。这套东西跑在 NVIDIA 自己的 AI 企业平台上，用到了视觉语言模型和物理仿真，目标是让工厂少依赖老师傅的经验，靠模型自己判断和调度。 但整篇博客没提任何一家工厂的实际落地数据——没有良率提升多少、停机减少多少、部署成本多少。它更像一个技术架构图加合作伙伴名单，告诉你“可以这么搭”。对工厂来说，最要命的是稳定性和异常处理能力，这些在文章里完全没涉及。另外，多智能体协作本身是个坑，一个智能体出错可能带崩整条链路，文章也没说怎么兜底。 所以这条新闻的价值在于看清 NVIDIA 在工业 AI 的布局方向，但离“工厂真能用”还缺很多验证。如果你在评估方案，建议等有具体案例和故障数据再下判断。

NVIDIA官方博客确认，台湾供应商已经组装了超过100万套用于Vera Rubin平台的MGX机架组件。这个数字说明两件事：一是Vera Rubin的量产准备已经进入实质阶段，不是停留在图纸上；二是台湾在AI硬件供应链里的位置依然很稳，从芯片封装到机架组装都在手里。 不过得注意，这是NVIDIA自己发的博客，不是第三方审计数据，100万这个数我们只能按官方口径来理解。正文没披露这100万套对应多少客户订单、交付时间表是什么，也没说清楚是已经出货还是只是组装完成放在仓库。另外，Vera Rubin本身还没正式发布，这些组件最后能不能准时变成数据中心里的算力，还要看后续的芯片量产和系统集成进度。 对从业者来说，这条消息的信号意义大于实际意义：供应链在动，但离真正用上还有距离。

这条消息的核心是英特尔计划年底发布一款专门做推理的芯片，直接对标英伟达。但问题在于，FT 的原文被 403 挡在付费墙后面，我们拿到的只是安全验证页面，等于正文完全缺失。所以目前能确认的只有标题里的两个信息：时间点是年底，目标是跟英伟达竞争。 没有正文意味着我们不知道这款芯片的制程、算力、显存带宽、功耗这些硬指标，也不知道英特尔打算用什么软件生态去撬动英伟达的 CUDA 护城河。推理芯片市场现在挤满了 ASIC 和各家自研方案，英特尔如果只是拿一个没有第三方跑分和客户案例的产品出来喊话，说服力会很弱。 我会先给这条新闻打个折。等有实测数据、定价区间和至少一家云厂商的部署计划出来，才能判断它是真能分走英伟达的份额，还是又一次路线图上的表态。

彭博社的爆料说苹果内部把智能眼镜项目对标当年的Apple Watch，目标是2027年底发布。这个时间点意味着还有至少一年半，中间变数很大。文章拿手表做类比，逻辑是苹果擅长等别人先试错、再进场收割——手表当年也是这么干的，后来确实把传统表业冲得七零八落。 但这次有几个关键信息是空的。第一，眼镜到底长什么样、主打什么功能，正文完全没提。是带摄像头的AI眼镜，还是带显示的AR眼镜，差别巨大，成本和续航也完全不同。第二，苹果在Vision Pro上刚吃过亏，那款头显定价太高、太重，市场反应冷淡。眼镜项目会不会吸取教训、把价格和重量压下来，文章没说。第三，眼镜市场比手表复杂得多，涉及视力矫正、时尚属性、全天佩戴舒适度，这些都不是苹果现有的供应链能直接平移的。 所以这条消息的价值在于确认苹果确实在认真做眼镜，但离“颠覆”还差至少两轮产品定义和供应链谈判。先当个远期预告看，别急着下注。

软银市值超过丰田，成了日本最大的上市公司。这件事的标志性在于，一家靠投资科技公司（尤其是芯片设计公司 Arm）撑起估值的公司，压过了靠卖几千万辆车赚钱的实业巨头。但别急着下结论说日本产业变天了。软银的市值飙升，主要靠 Arm 股价在 AI 热潮里翻了近一倍，而软银自己还在亏钱，最近一个财年净亏了 2270 亿日元。丰田呢，一年赚的利润超过 4 万亿日元，是软银没法比的。所以这个“最大”只是资本市场给未来下的注，不是当下实力的排名。正文没披露软银具体的市值数字和丰田的对比差额，也没提软银自己的营收和丰田的差距有多大。光看市值容易误判，还得看两家公司实际的现金流和负债情况，才知道这个位置软银能坐多久。

作者在一张12GB显存的RTX 3060上做了个实验：把一个14亿参数的Mamba主干完全冻结，只在第24、25层外挂了8个可训练的专家臂，总参数量膨胀到25.4亿，但每次推理只激活其中2个专家。这样做的目的是在不改动原模型的前提下，用极低成本给模型加上推理能力。数学题正确率大概做到50%，说明路子能跑通，但正文没披露用的是哪个数学测试集，也没跟原版模型或同尺寸模型做对比，所以这个50%到底算好算坏还不好说。 我会先打个折：这更像一次工程可行性验证，证明在消费级显卡上也能玩混合专家架构的推理增强。但文章本身被Reddit的安全策略挡了，我们拿到的只是摘要，训练细节、路由机制的具体表现、专家臂之间怎么分工这些关键信息都看不到。如果后续能放出完整报告和权重，才值得认真评估。

Qwen3.7-Plus 做了一件挺实际的事：让一个模型既能看懂屏幕上的按钮，又能敲命令行，还能在两者之间来回切换干活。这比之前那种“视觉模型管看、语言模型管想”的拼接方案更直接，延迟和错误传递理论上会少一些。在 Terminal Bench 2.0 终端任务上，它拿了 70.3 分，确实比 Opus 4.6 Max 和 DeepSeek-V4-Pro Max 高出一截，说明在命令行环境里它的操作成功率有优势。 不过，这篇博客本质上是一篇产品发布文，不是技术报告。模型参数量、训练数据、推理成本、API 定价和具体开放时间全都没提。表格里列了一堆基准分数，但像 SWE-Verified 这种软件工程测试，它反而比前代 Qwen3.6-Plus 低了 1.1 分，说明纯代码能力并没有全面提升。另外，所有测试都是在特定框架和超参下跑的，换到你的实际业务里表现会打多少折，正文没给任何消融实验或误差分析。 现在最缺的信息是：这个模型跑一次手机操作任务要花多少钱、延迟多少秒，以及它能不能在本地部署。如果成本比拼接方案低很多，那才算是真正的卖点。

GSMA 要在 MWC 上海搞一场人形机器人点球赛，宇树科技等 8 支国内团队参加，规则要求机器人自己识别球和守门员位置、决定射门角度并控制发力，不能遥控也不能跑预设脚本。这确实是个硬核测试：动态平衡、实时感知、自主决策全得在毫秒级时间里完成，比展台上走两步有说服力得多。 但文章只说了赛制和参赛名单，没提任何一支队伍目前的技术水平、硬件配置或过往测试数据。比如机器人是自带电池还是外接电源，摔倒后能不能自己爬起来，射门成功率大概在什么范围——这些关键信息全是空白。另外，比赛场地条件、光照干扰程度、球的规格是否标准化，正文也没交代。 我会把这场赛事看作一次公开的压力测试，而不是技术成熟度的证明。真正值得关注的是赛后放出的完整视频和失败集锦，那比奖牌更能说明问题。

Vast 这轮融了近 2 亿美元，估值冲到 10 亿，成了新晋独角兽。创始人是个 29 岁的游戏玩家，公司方向是用 AI 生成 3D 模型。在现在这个融资环境里，能拿到这个体量的钱，说明资本对 AI 驱动的 3D 内容生产这条赛道还挺愿意下注的。 但报道里缺的东西比有的多。正文没披露具体投资人是谁，也没说产品参数、技术路线和实际客户规模。光看融资金额和估值，只能说明有人愿意给钱，不能说明产品已经跑通了。3D 模型生成这个方向，难点在于产出能不能直接进游戏或影视的工业管线，不是光生成一个能看的模型就行。 这篇报道本质上是个融资消息，不是产品评测。想知道这家公司到底成色如何，还得等他们拿出实际的客户案例和收入数据。

这条消息对想在本地或自有服务器上跑语音转文字的人来说是个实打实的好消息。开发者 mudler_it 把英伟达的 Parakeet 模型移植到了 ggml 框架上，用 C++ 重写，彻底告别了 Python 和 PyTorch 那套重型依赖。他测试的结果是，在 f32 和 f16 精度下，输出结果和原版 NeMo 能做到逐字节一致，但速度更快，大一点的 TDT 和混合模型在 GPU 上能跑到大约 5 倍加速。模型还支持 GGUF 量化，提供了从 f16 到 q4_k 多种精度，意味着你可以根据硬件显存大小自己选，低配机器也能跑。 不过得先打个折。这条信息来自 Reddit 用户自述，正文因为网络限制没抓到完整内容，我们看不到具体的测试环境、硬件配置和延迟数据。5 倍加速是在什么显卡上跑的、对比的基线是什么版本，这些关键细节都缺失。另外，Parakeet 本身是英伟达的模型，这个移植版是社区行为，后续能不能跟上官方更新、有没有人长期维护，都是未知数。如果你打算用在生产环境，建议先拿自己的音频样本跑一遍，重点对比准确率和资源占用，别只看加速倍数就上头。

这条推文是 OpenAI 正式把机器人摆上台面的信号，但信息量很薄。团队由 Aditya Ramesh 带，方向是软硬件一起搞，短期说帮技术工人干活，远期画了个“每人一台个人机器人”的饼。正文没披露招聘多少人、投多少钱、有没有原型机，也没说跟之前解散又重启的机器人项目是什么关系。唯一能确定的是他们现在缺全栈硬件、系统和 ML 工程师，说明团队还在早期搭建阶段。这点先别太激动——从组队到出能用的硬件，中间隔着供应链、安全、成本一堆坑，OpenAI 之前也没跑通整机量产。还缺的关键信息：有没有合作厂商、目标场景是工厂还是家庭、软硬件协同设计具体指自研传感器还是只做大脑。

PrismML 这次发布的 Bonsai Image 4B，核心是把 FLUX.2 Klein 4B 这个 4B 参数图像模型里的扩散变压器（你可以理解为模型里反复干活的核心部件）做了极端的量化压缩。1-bit 版把变压器从 7.75GB 压到了 0.93GB，三元版压到 1.21GB，分别缩了 8.3 倍和 6.4 倍。这个压缩率让模型能直接塞进 iPhone 17 Pro Max 里跑，生成一张 512x512 的图大概 9.4 秒，而原版模型根本塞不进手机内存。 压缩后的代价是画质和指令遵循能力。三元版保留了原版 95% 的综合评分，1-bit 版保留了 88%。这个折损在可接受范围内，但别指望它完全替代原版。正文没披露训练细节，比如用了多少数据、怎么做的量化感知训练，也没给用户主观评测，所以“画质到底差多少”还得自己跑跑看。另外，它依赖苹果 MLX 和 CUDA 的定制低比特计算库，其他硬件上的表现暂时未知。 整体看，这条技术路线对端侧图像生成很有价值，把模型体积和内存占用打下来是实打实的进步。但现阶段更像一个技术验证，离“手机上的 Stable Diffusion 平替”还差一轮生态和工具链的完善。

这篇博文最实在的地方是算了一笔显存带宽的账。这块2017年的Tesla V100，用的是HBM2显存，带宽900 GB/s，比作者手里2022年的RTX 4080（736 GB/s）还高出22%，也压过了最新的苹果M5 Max（614 GB/s）。对于跑本地大模型来说，显存带宽直接决定生成速度，所以这块老卡在推理任务上依然能打。 成本控制是另一个看点。卡150英镑，一块没官方支持的SXM2转PCIe转接板50英镑，总共200英镑凑出32GB显存。作为对比，单张32GB的RTX 5090要价超过2000英镑。当然，双卡通过PCIe总线拆分模型层，效率肯定不如单卡，但作者用llama.cpp跑270亿参数模型做到了每秒32个token，对个人实验来说完全够用。 最大的坑在散热。原装风扇是给2U服务器机柜设计的，全速运转82分贝，相当于割草机在屋里响，而且软件根本控不住转速。作者最后是靠跳线把风扇接到主板风扇接口上，用PWM调速压在10%，温度没超过50度，噪音才降到能接受的程度。正文没披露长时间高负载下的稳定性数据，也没提转接板对PCIe信号完整性有没有影响，这点想抄作业的人得自己留个心眼。

作者Abliterlitics对Gemma 4 E2B做了13种强度的“去限制”处理，把模型内部拒绝回答的倾向直接削掉。效果很猛：原版在有害指令测试里拒绝率67.8%，处理后攻击成功率飙到82%到100%，等于几乎不设防。数学推理倒没崩，GSM8K从83.5%微涨到84.8%，说明至少在这类任务上没被带偏。 但这条信息缺两个关键点。第一，44小时RTX 5090的算力成本没折算，不知道是个人跑着玩还是能复现的流程。第二，只测了有害指令和数学题，日常对话、事实准确性、长文本理解这些更常用的场景完全没提。去限制往往会让模型在边界问题上胡说八道，这点没验证就下结论说“只影响安全不影响能力”还太早。 另外，Reddit原文被网络屏蔽，摘要里的信息来自二手转述，具体实验设置和模型发布位置都不清楚。如果你是想拿这个做本地部署，建议先在自己业务场景里跑一圈，别只看这两个数字就上车。

这条消息的核心矛盾在于：苹果一边讲端侧隐私，一边把技术命脉交给谷歌和英伟达。具体来说，Siri 的新大脑是把谷歌 Gemini 模型“蒸馏”成小号版本，直接在 iPhone 芯片上本地运行。蒸馏可以理解为让一个大学问家（大模型）教一个小学生（小模型），只学回答风格和关键知识，体积和算力需求都大幅缩减，所以能塞进手机、省 token 费。但复杂问题手机处理不了，会路由到谷歌云，还用了英伟达的机密计算。苹果之前承诺的 Private Cloud Compute 原计划用自研芯片，现在因为跑不动完整 Gemini 模型，部分转向谷歌云，名字却没改。 正文没披露蒸馏后模型的具体参数量、延迟和准确率损失，也没说哪些请求会触发云端路由、用户是否知情。这些缺口直接决定“本地隐私”的成色。另外，苹果还在找小型端侧 AI 初创公司来加速模型缩减，说明内部工程进度有压力。整体看，这是一次务实的技术妥协，但对外讲隐私故事时，依赖外部技术栈的事实会让说服力打折。

PolyRange 做了一件挺聪明的事：它不靠固定题库，而是每次部署时让一个大模型现场生成新的攻击靶机和防守策略，分两档难度，最后用裁判机验证攻击结果。这直接解决了安全评测里最头疼的“数据污染”问题——模型没法靠背题拿高分。 它覆盖了 OWASP 测试指南里的 12 大类、84 种攻击手法，一条命令就能在 Fly.io 或 Docker 上跑起来，对想自己测模型攻击能力的人来说门槛很低。但正文没披露任何实测数据，比如用 GPT-4 或 Claude 跑一轮要花多少钱、裁判机的误判率是多少、不同模型在这个靶场上的得分差异。这些数字直接决定这东西是“能用”还是“好用”。 另外，靶场本身依赖一个大模型来生成题目，那这个大模型的能力上限就会卡住整个评测的天花板。如果生成题目的模型自己就不擅长某些攻击类型，那它产出的靶子可能本身就偏简单。这点先别太激动，等有人跑出横向对比数据再看。

这条分享的核心思路很直接：在本地跑一个叫 multicodex 的代理，把 Codex 桌面端原本要发给 gpt-5.3-codex 的请求，转发给 MiniMax-Latest，再把返回的模型名伪装回去。好处是不用改客户端代码，还能同时保留官方模型。代理监听 127.0.0.1:1455，配置写在 config.toml 里。 但 Reddit 原文被网络策略屏蔽，我们看不到完整的操作细节、错误处理方式，也不知道代理本身是否开源、有没有维护。这种“换模型”的做法在本地部署圈子里不算新鲜，但用在官方桌面端上，稳定性和合规风险都得打个问号。如果代理只是简单转发请求，那工具调用、流式响应这些功能能不能正常跑，正文也没交代。 对想省 API 费用或者试其他模型的人来说，这个思路值得看一眼，但在没看到完整代码和长期使用反馈之前，别急着把它当正式方案用。

SkillOpt 的思路是把给 AI 智能体用的“技能说明书”当成可训练的文本来优化，不改模型本身。论文在 7 个模型、6 个基准、3 种执行环境共 52 种组合上跑出了最好或并列最好的结果，说明这套方法在不同模型和任务上都有点普适性。 不过目前能看到的只有摘要和星数，正文因为微信页面需要验证没读到。具体怎么实现“文本梯度下降”、优化后的技能文档长什么样、对模型本身能力有没有隐性依赖，这些关键细节都还缺。3.3k 星说明社区对“不调模型就能让智能体变强”这个方向很感兴趣，但实际效果得等看到完整论文和代码才能判断。

这篇综述来自人大高瓴人工智能学院，40页篇幅把“评分标准”这件事从头捋到尾：怎么定义、怎么构建、怎么用来训练模型、怎么用来评估、还有哪些坑没填。它想解决一个很实际的问题——模型现在能自己调工具、走流程干活了，光看最终答案对不对已经不够，得有一套更细的尺子来衡量“好”到底好在哪里。 不过正文没披露任何实验数据或对比结果，更像一份文献梳理和方向指南。它告诉你这个领域有哪些主流做法、各自卡在什么地方，但没有给出“哪种方法更好”的结论。如果你正在做 Agent 评测或想用评分标准来微调模型，这篇可以当索引用，但别指望直接拿到可复现的方案。 还缺的东西挺明显：没有实际案例展示一套评分标准怎么落地，也没讨论不同领域（比如医疗、法律）的评分标准差异有多大。这些恰好是工程落地时最头疼的部分。

这条消息说的是复旦系团队搞了个时空一体的世界动作模型STI-WM，号称是“机器人原生”的，意思大概是这个模型天生就为机器人动作设计，不是拿语言模型改的。核心卖点是把时间和空间信息统一建模，让机器人理解动作时能同时考虑“什么时候在哪干什么”，理论上比分开处理更连贯。 但问题在于，我能看到的文章正文被微信环境验证页挡住了，等于只有标题和媒体转述。量子位和新智元两家都用了“首创”“最优路径”这种词，但没有具体数字——不知道在什么任务上测的、样本量多大、比现有方法好多少、延迟和成本怎么样。团队背景说是“复旦铁三角”，但成员构成、论文链接、是否开源，正文没披露。 对从业者来说，这个方向本身值得关注，因为统一时空表征确实是机器人学习里的硬骨头。但现阶段缺实验细节和可复现材料，没法判断是实打实的突破还是概念先行。建议等论文或代码公开了再看。

这条研究解决了一个很实际的痛点：现在大家拼命给智能体加工具，但模型面对一堆按钮和菜单经常点错。复旦和通义实验室的思路不是继续堆工具，而是专门训练模型“怎么选工具”。他们造了约4000个合成工具，生成18万步的屏幕操作和工具调用交叉轨迹来训练，最终在OSWorld-MCP基准上把准确率拉到46.85%。这个数字本身不算高，但考虑到任务是在真实操作系统界面上完成多步操作，已经比之前的方法强不少。 不过这条新闻有个硬伤：微信环境验证把正文拦住了，我没看到具体训练细节、消融实验和对比基线。46.85%这个数字是ToolCUA-8B跑出来的，但不知道对比的其他模型是多少，也不知道这4000个合成工具覆盖了哪些场景。如果工具种类太窄，换到真实应用里可能掉得厉害。另外18万步轨迹听起来不少，但摊到4000个工具上，每个工具平均才45步，样本量偏薄。 还缺一个关键信息：这套方法对基座模型有没有要求。他们用的是8B参数模型，如果换成更小的模型或者不同架构，效果会不会崩？这些都得等论文放出来才能判断。

这条消息最值得关注的点不是配置表，而是三家巨头在同一天用同一张图造势，说明这不是某个小厂的试水机，而是英伟达认真想推的“AI 开发者移动工作站”。目前流出的规格听起来很猛：20 核 Arm 架构 CPU、Blackwell GPU、6144 个 CUDA 核心、128GB LPDDR5X 统一内存。统一内存这个设计对跑大模型很友好，不用在 CPU 和 GPU 之间来回搬数据，理论上本地推理会快不少。 但正文没披露任何实测数据，连内存带宽都没提。Arm 架构跑 x86 软件要靠转译，效率打几折完全未知。128GB 内存看着大，如果带宽跟不上，跑大模型照样卡在数据搬运上。另外，这台机器到底卖多少钱、续航怎么样、软件兼容性如何，正文一概没说。这些才是决定它能不能用的关键，不是 CUDA 核心数。 我会先打个折看待这条消息。三家联合预告说明产品是真的，但“PC 新纪元”这种说法得等实测出来再判断。目前缺跑分、缺带宽、缺价格、缺续航，缺的东西比给的东西多。

一群电动车爱好者用特斯拉FSD V14.3.3从温哥华开到哈利法克斯，6051公里没碰方向盘和踏板，连进超充站倒车都是系统自己干的，花了4天21小时。这个版本放宽了对驾驶员盯路的判定，长途开起来没那么累。 数字很漂亮，但得打几个折。首先这是民间团队的单次路测，不是特斯拉官方测试，也没有第三方监督，数据全靠参与者自己说。其次，正文没提途中遇到的极端天气具体有多糟，也没交代是否刻意避开了复杂路况。FSD在官方定义里仍是L2辅助驾驶，法规要求人随时准备接管，这次“零干预”更多是参与者选择不干预，不代表系统真的能应对所有突发状况。 还缺什么：没有对比数据说明V14.3.3相比旧版本到底提升了多少，也没有披露途中系统犹豫、减速或接近退出的次数。光看一次成功的案例，没法判断这套系统在普通用户手里能复现到什么程度。

作者算了一笔本地大模型服务器的经济账：花 6406 美元攒了台 4 张 AMD MI100 显卡的机器，主要跑 Qwen3.6 27B，每天吞吐量约 2040 万输入 token 加 132 万输出 token。拿 OpenRouter 的 API 价格对比，第一年本地总成本 2992 美元，比纯用 API 的 3701 美元省了 700 多。这个数字看着还行，但得打个折——Reddit 原文被屏蔽了，我们看不到电费单价、硬件折旧年限、MI100 的二手行情这些关键假设。MI100 是 2020 年的老卡，32GB 显存，跑 27B 模型得靠多卡并行，实际推理延迟和并发能力都没披露。另外，本地维护的人工成本、机器闲置时的电费、模型更新换代的迁移成本，这些隐性开销也没法核实。如果只是个人重度使用，这个方案确实比按月付 API 费划算，但前提是你得会折腾驱动和推理框架，MI100 在 ROCm 下的兼容性坑不少。想抄作业的话，先确认自己的日均 token 量能不能跑满这个利用率，否则回本周期会拉长很多。

Simon Willison 把 Python 的 ASGI 网页应用（比如 FastAPI 和他自己的 Datasette）完全塞进了浏览器。做法是用 Pyodide 把 Python 编译成 WebAssembly，再配合 Service Worker 拦截浏览器请求，直接在本地跑 Python 后端逻辑。这比四年前他做的 Datasette Lite 更进一步：旧方案用 Web Worker 模拟，页面里的 JavaScript 脚本跑不起来，很多插件会挂；新方案用 Service Worker 走完整的 ASGI 协议，脚本能正常执行，兼容性好得多。 代码是让 Claude Opus 4.8 帮忙写的，他给了两个能跑的演示：一个基础 FastAPI 例子，一个 Datasette 1.0a31 完整版。这说明方案不是针对某个应用的特例，对遵循 ASGI 标准的 Python 应用都适用。 不过正文没提性能开销和首屏加载时间。Pyodide 本身初始化就不快，加上 Service Worker 拦截所有请求，实际延迟和内存占用会是多少，目前没有数据。另外，这种方案只适合处理同源请求，跨域场景和需要真实后端数据库的应用还是得老老实实搭服务器。他说等自己搞明白原理后会升级 Datasette Lite，到时候可以看看实际体验到底怎么样。

这条消息目前还停留在“据报道”阶段，源头是《论坛报》和《金融时报》，软银官方没有确认。750亿欧元这个数字非常夸张——法国政府之前整个“法国2030”计划拨给AI的总预算才25亿欧元左右，一下子多出几十倍的体量，如果属实，会直接改变欧洲算力格局。钱主要投向AI数据中心，也就是给大模型训练和推理提供算力的基础设施。但正文没披露具体建多少座、选址在哪、分几期投入、软银是独资还是拉当地伙伴一起干，这些关键信息全是空白。另外，750亿是承诺投资还是实际到位资金也没说清，这种超大额投资通常分多年、附带条件，落地过程中变数很多。在软银正式公告出来之前，这条消息更适合当信号看，别急着当事实用。

NVIDIA 给 Dynamo 推理服务框架配了个叫 DynoSim 的仿真工具，用 Rust 写成。它的思路是把部署测试从“一个个试”变成“先在虚拟时间线上模拟、再挑最好的上真机”，一次能筛几千种配置。测试里它跑到实时速度的 1500 倍，这个数字说明模拟本身很快，但正文没披露跑在什么硬件上、支持哪些模型、以及最终上真机后的延迟和吞吐到底省了多少。所以 1500 倍更像一个上限参考，实际能省多少部署调参时间还得看具体场景。另外，仿真保真度也没给量化指标——如果模拟和真实表现偏差大，筛出来的“最佳配置”可能还得返工。对做推理部署优化的团队来说，这个工具如果能接入自己的模型和流量模式，价值会更大，但目前公开信息里看不到开放程度和接入方式。

NVIDIA 计划在 6 月 2 日的 Computex 上发布一款叫 N1X 的 ARM 笔记本芯片，把自家的 Blackwell GPU 和 AI 计算单元集成到一颗 SoC 里。这基本就是冲着高通骁龙 X Elite 和苹果 M 系列去的，想在 Windows on ARM 的笔记本市场里插一脚。 不过现在能确认的信息很少。Reddit 上的爆料帖被网络策略挡了，正文没披露任何架构细节、核心数、功耗或跑分。另一条来源也只是转述了“或将于六月发布”这个时间点，没有补充技术参数。所以这颗芯片到底能不能打，现在完全没法判断。 我会先打个折：NVIDIA 做 ARM SoC 不是第一次，之前的 Tegra 在消费端没掀起太大浪。这次的关键看两点——GPU 性能能不能拉开和竞品的差距，以及 Windows 对 ARM 的生态支持到不到位。这两点目前都缺信息，等 Computex 的实测再下结论。