热点聚合 · 2026-06-06

Thousand Token Wood v2 最有用的地方，是把多模型 agent 从“人格提示词”拉回到可服务的异构系统。它用 gpt-oss-20b、MiniCPM3-4B、Nemotron-Mini-4B、微调 Qwen 0.5B 跑同一套金融剧情，差异来自模型谱系，不只靠 prompt 装性格。 硬证据也不在剧情，而在失败点：vLLM 0.22.1 加载时要 JIT 编译 kernel，精简镜像缺 nvcc，四个模型一起挂。0.5B Qwen 能到 0% 自成交、100% 有效报价，说明小模型在窄规则环境里够用。别拿它碰真实交易，拿它测 agent 互相污染、记忆边界和撮合规则，反而很像正经评测。

3 条覆盖都来自 LocalLLaMA，口径集中在 Gemma 4 12B QAT + MTP：12GB 显存、120 tok/s、3090 上 1.2-1.8x，另一个标题说最高 33%。这不是独立媒体交叉验证，更像同一社区在测同一套推理路径。 我对这条的判断很简单：MTP 的价值开始从论文指标落到本地吞吐，但标题数字还缺少 batch、上下文长度、采样参数和后端版本。12B 模型能在 12GB 跑到这个速度，对 llama.cpp / exllama 用户很香；可别拿它直接压 DeepSeek-R1 蒸馏或 Qwen 小模型，任务质量没披露。

Meta 这次翻车很硬：AI 辅助账号恢复系统把重置链接发给了攻击者邮箱，至少 20,225 个 Instagram 账号被接管。关键细节不是“聊天机器人被骗”，而是系统没有校验新邮箱是否属于该账号，还允许无 2FA 账号走完密码重置。 Meta 说“工具本身按预期工作”，这个说法我不买账。能触发密码重置的助手就不是客服前台，而是高权限工作流入口。过去一年大家把 agent 接进 CRM、工单、支付、账号后台，这类事故会反复出现：模型说错话不可怕，可怕的是错话后面接着真实权限。

Cohere 这步像产品灰度，不像开源发布：BLS-Mini-Code-1.0 只有 30B 总参数、3B 激活参数，权重已上 Hugging Face，却先由 Nick Frosst 在 LocalLLaMA 放早测。正文只返回 Reddit 403，benchmark、license、context window、训练数据口径都没看到。 3B 激活参数这个钩子很明确，目标不是追 Claude Sonnet 4.5 或 GPT-5 级别编码，而是卡本地可跑、成本可控的 code agent 底座。Cohere 过去在企业 RAG 和 Command 系列上声量被 Qwen、DeepSeek、Gemma 挤压；这次先找 LocalLLaMA，说明它知道开发者信任不能靠发布会买。问题也在这里：没有可复现评测，"同尺寸测试一致"这句基本等于没说。

GitHub Spec Kit火得合理，因为它把vibe coding最贵的坑搬到开工前处理。正文给的机制很具体：先写产品规范，再澄清差距、制订技术计划、拆任务，最后交给agent执行；支持Copilot、Claude Code、Codex、Gemini、Cursor、Qwen等30+集成，109K+星标不是小众工具热闹。 我不太买“规范成为可执行开发合约”这个说法，合约能不能执行要看测试、权限、代码评审和回滚链路，正文没给这些闭环。它更像把Cursor式个人效率，拉回GitHub熟悉的团队工程流程。对大厂有用，对独立开发者会显得重。

OpenCV 5 这次不是普通版本号升级，而是在抢端侧推理入口。ONNX 算子覆盖率从 4.x 不到 23% 拉到超过 80%，再加图式 DNN 引擎、算子融合、FP16/BF16、0D/1D 张量，说明它想承接 Transformer、VLM、LLM 的部署碎片，而不是只做传统 CV 前处理。 我对“原生支持大模型”这句保留意见。正文没给 Llama、Qwen-VL、CLIP 这类模型的吞吐、显存、延迟，也没列 CUDA、Vulkan、NPU 后端结果。OpenCV 的优势是 86,000+ GitHub stars 和每天百万级安装；短板是 PyTorch / ONNX Runtime / TensorRT 已经占住主干推理链。它能赢的地方，是机器人、工业相机、嵌入式视觉里那段脏活。

Domino 这条先按“有潜力、未验算”处理，5.8 倍吞吐加速太容易被测试条件放大。摘要说它在 Qwen3 上把 causal modeling 和 autoregressive drafting 拆开，给了 arXiv、GitHub、Hugging Face 链接；但正文只有 Reddit 403，测试硬件、基线配置、任务集、acceptance rate 都没看到。 投机解码这块，Medusa、EAGLE、Lookahead 已经证明过：论文数字和服务端稳定收益差一截，尤其长上下文、batch 混合、采样参数一变，吞吐曲线会塌。Domino 如果代码真能复现 2 倍以上稳态收益，就很硬；5.8 倍这个峰值，现在更像 README 里的上限，不像集群规划里的保底数。

这组测试打脸了“本地编码 agent 已经追平 Claude”的轻率说法。Laravel 12 + Livewire 的 Playwright E2E 任务里，Claude Opus 4.7 产出 203 个测试；24GB RTX 4090 上最强 OpenCode 组产出 140 个，还压缩上下文 4 次、人工推了 7 次。差距不只是模型智商，还是长上下文、工具循环、错误恢复的系统差。正文抓取到的是 Reddit 403，完整步骤和评分口径没法核验；但这个比例很像我对本地 agent 的体感：能省钱，能改小块，到了跨文件长任务就开始靠人肉续命。

开权重阵营现在拼的不是单点 SOTA，而是发布密度和可改造面。摘要给出一周 25+ 个模型，覆盖多模态、音频、视觉；NVIDIA Nemotron 3 Ultra 标到 550B 总参数、55B 激活、1M 上下文，这已经不是“小模型补位”的叙事。 我会对这条降一档信心，因为 Reddit 正文 403，具体 license、权重下载、benchmark、推理成本都没看到。可这个数字组合本身够硬：55B active 让 550B MoE 不至于完全停在论文表格里，1M context 直接撞上 Gemini 和 Claude 长上下文心智。闭源厂商继续只卖 API，开权重社区继续把可部署选项摊满。

OpenClaw 这类本地管家的窗口期很短，作者只用了一个多月，就被 Claude Cowork 的原生日历连接器和桌面稳定性劝退。这里的硬钩子不是“技巧白学了”，而是自建环境、接 API、电脑 24 小时常开这三件事，全被官方产品压成登录按钮和订阅额度。 我不太买账“判断力不会消失”这个安慰。对多数用户，判断力也会被产品默认项吃掉：任务模板、连接器权限、提示词注入防御、数据保存 30 天，都是官方在替你定边界。OpenClaw 剩下的价值，要么是隐私和可控性，要么是官方不敢碰的工作流；餐厅推荐、日历提醒、日记整理这种轻任务，已经没有护城河。

狮子山实验室拿下 ICRA 2026 LeHome 真机第一，强在把叠衣做成系统工程，而不是单个策略炫技。正文给出的钩子很具体：LiOS 串起训练、部署、轨迹采样、Real2Sim 遥操作，目标是把真机失败回灌成下一轮数据。 我不太买「最后一公里」这个口号。比赛任务和真实家庭衣物堆叠之间还有很长缝隙，正文也没披露成功率、衣物数量、每件耗时、失败恢复次数。Physical Intelligence 和 Dyna 都把 laundry folding 放进高灵巧任务，说明方向没错；但冠军只能证明这套闭环在 LeHome 条件下跑通，不等于康养场景能稳定交付。

Anthropic 这单暴露了 AI 编程的成本底牌：Claude Code 再强，也要买资深工程师的审查品味。Marlin 招约 1000 名工程师，每任务 280 美元，流程不是普通标注，而是 GitHub PR、两版输出 A/B、再按正确性、安全性、可靠性、可维护性打分。 我不太买“工程师已不用写代码”的胜利叙事。Boris Cherny 一天让 Claude 提 22 个 PR 很亮眼，但 Anthropic 同时为 MLflow 命令注入修复这类任务付高价，说明短板在生产边界。Cursor 吃真实用户行为，OpenAI Codex 用沙箱 RL；Anthropic 这里走的是昂贵专家路线。模型公司嘴上卖自动化，账单上买人类判断。

4 条覆盖里有 2 条 Bloomberg、2 条 HN 转发，口径高度一致，信息链更像 Bloomberg 对 S&P 决定的放大。S&P 拒绝为 SpaceX、OpenAI、Anthropic 这类巨型 IPO 改快速纳入规则，正文只给出规则结论，未披露投票细节。 这对 AI 公司很刺耳：估值可以在私募市场被主权基金和战略投资人抬高，但进 S&P 500 仍要服从指数委员会的盈利、流动性和时间门槛。OpenAI、Anthropic 若上市，不能默认复制英伟达那种被动资金虹吸。资本市场给 AI 的特权，到指数门口会被重新验票。

这条不是反 AI，而是司法系统终于承认生成式文本会污染证据链。FT 标题已给出英格兰和威尔士警方暂停 AI 法庭陈述，正文只有 Police.AI 负责人一句“先有防护措施”，没披露适用警队、执行机制、审计要求。关键不是模型幻觉多新鲜，而是法庭陈述一旦进入案卷，人工复核常常变成盖章。美国律师用 ChatGPT 编造判例被罚已经演过一遍，警务场景的伤害更直接：嫌疑人、证人、案由都在同一份文本里。没有日志、版本锁定、引用溯源，任何“提效”都是把责任切碎。

Goedel-Architect 把形式化证明的门槛砍到了很难忽视的水平：PutnamBench 75.6% pass@1，672 题 API 成本 294 美元；Hilbert 是 70.0%，约 17 万美元。500 倍价差不是小优化，是路线差异。 关键证据不是 DeepSeek-V4-Flash 便宜，而是同骨干对照。把 Hilbert 移到 DeepSeek-V4-Flash，MiniF2F 只有 84.4%；Goedel-Architect 到 99.2%。蓝图 DAG、失败诊断、引理修正，这些机制在吃掉递归分解的浪费。自然语言脚手架还帮 9 道非局部难题从 0/9 到 9/9。说真的，数学证明这块开始像软件构建系统了，模型只是编译链里最贵也最可替换的一环。

京东这次打的不是画质炫技，而是把长视频生成的工程痛点摊开给社区复现。JoyAI-Echo 给出 5 分钟跨镜头音画一致、局部重绘、8 步 DMD 蒸馏、最高 1472×2560 输出，代码和权重也公开；这组条件比“生成一段好看的 20 秒视频”难得多。 我对“正式告别盲盒抽卡”不太买账。文中评测集是 100 个剧本、3000 个顺序镜头，台词准确率 0.8646，但真实创作里最烦的是反复改稿后的身份漂移、IP 风格边界和成本曲线。Veo、Seedance、可灵还在产品闭环里卷质量，京东这步更像把长视频 baseline 扔出来逼大家验货。