跳到正文
11月5日周四
11月8日周日
7月29日周三
10月16日周五
  1. 腾讯混元模型发布42

    腾讯混元发布 DSpine 投机解码并行草稿模型,Qwen3-8B 上推理代码已开源

    腾讯混元发布投机解码并行草稿器 DSpine,在 Qwen3-8B 上平均接受长度达 7.83(T=0)和 6.98(T=1),高于 DFlash2 的 7.55 和 6.53。该模型在每个草稿层让各位置接收前一位置的预测特征,使因果链沿网络深度展开,同时所有位置仍并行草稿。2026-10 已发布推理代码,采用 Apache 2.0 许可,训练代码与 Qwen3.8-27B 版本仍在路线图中。

10月31日周六
  1. 面壁 MiniCPM 模型发布40

    面壁开源 Trident-Qwen3VL-2B 多模态嵌入模型

    面壁开源 Trident-Qwen3VL-2B 多模态嵌入模型,可将文本、图像及图文融合输入映射到同一空间,实现单一列表内的混合模态检索。该模型基于 Qwen3-VL-2B-Instruct 微调,LoRA 适配器已合并,无需基座模型或 PEFT,输出 2048 维嵌入。通用版在视觉文档基准上比论文结果低约 2–3 分,自然图像基准下降更明显。

10月27日周二
  1. Latent Space40

    在喜马拉雅山麓用离线 AI 智能体写代码:OpenCode + Ollama + Qwen3.5 9B 实测

    一位常驻喜马拉雅山麓的 Thomson Reuters 首席工程师实测用 OpenCode 搭配 Ollama 本地运行 Qwen3.5 9B,在断网状态下完成解释函数、排查失败测试、重构代码等任务。Qwen3.5 9B 在模型卡中报告 LiveCodeBench v6 得分 65.6、BFCL-V4 得分 66.1,下载体积约 6.6–7.6 GB。下载新依赖或联网查资料仍需连接网络。

10月29日周四
10月22日周四
10月25日周日
11月19日周四
11月3日周二
  1. 机器之心78

    MIT CSAIL 提出权重空间编程:GPT-6 Astra 直接修改 Qwen3.5-0.8B 权重

    MIT CSAIL 团队公布早期实验,让 GPT-6 Astra 通过自然语言直接读取和修改神经网络权重,并将这种方式称为 Weight-Space Programming(权重空间编程)。

    推荐理由:MIT CSAIL 的实验显示大模型可直接读写神经网络权重,为机制可解释性和模型优化提供了一条不依赖梯度的路径。

11月16日周一
10月21日周三
6月27日周六
  1. Ahead of AI60

    如何用 Ollama 和 Qwen3.6 搭建本地编码智能体

    Sebastian Raschka 发布教程,介绍如何用 Ollama 本地部署 Qwen3.6 35B-A3B 等开放权重模型,并接入 Qwen Code、Codex 和 Claude Code 三个编码智能体框架。

    推荐理由:作者用开源工具和开放权重模型搭出完整本地编码智能体,并给出速度、任务成功率与 token 消耗的实测对比。

11月3日周二
  1. Rohan Paul88

    MIT CSAIL 研究者提出 Weight-Space Programming,让 GPT-6 Astra 在 Python notebook 中直接改写 Qwen3.5-0.8B 的权重,仅改动 0.016% 的权重就把 MATH-500 成绩从 7.9% 提升到 48.1%,全程没有梯度或训练。

    引用Rikiya Takehi@rikiyatakehi

    We asked GPT-6 Astra to edit Qwen3.5-0.8B weights to improve math. It directly changed only 0.016% of weights, fixing 0.8B's reasoning loops & improving math up to 6x and even instruction following 3x, without gradients or training. We call this Weight-Space Programming: frontier LLMs can now natively read/write neural network weights! 🧵 Blog: https://rikiyat.github.io/blog/weight-space-programming/

    同一件事,精选收录的是《MIT 实验:GPT-6 Astra 直接改写 Qwen3.5 权重,数学能力提升约 6 倍》

  2. meng shao78

    MIT CSAIL 研究者提出「Weight-Space Programming(权重空间编程)」,让 GPT-6 Astra 不靠梯度、不写训练循环,直接读取或修改神经网络权重。

    引用Rikiya Takehi@rikiyatakehi

    We asked GPT-6 Astra to edit Qwen3.5-0.8B weights to improve math. It directly changed only 0.016% of weights, fixing 0.8B's reasoning loops & improving math up to 6x and even instruction following 3x, without gradients or training. We call this Weight-Space Programming: frontier LLMs can now natively read/write neural network weights! 🧵 Blog: https://rikiyat.github.io/blog/weight-space-programming/

    同一件事,精选收录的是《MIT CSAIL 提出权重空间编程:GPT-6 Astra 直接修改 Qwen3.5-0.8B 权重》

  3. Andrew Curran70

    一项名为 Weight-Space Programming 的研究让 GPT-6 Astra 直接编辑 Qwen3.5-0.8B 的权重来提升数学能力,仅改动 0.016% 的权重,不使用梯度或训练。在 50 次前向传播预算下,MATH-500 从 7.9% 升至 48.1%,GSM8K 从 13.8% 升至 67.1%,指令跟随基准 IFEval 从 21.0% 升至 62.3%。作者称 Astra 定位到模型重复输出的循环问题,在 layers 15 和 19 的 64 个 MLP 输出列上共改动 131,072 个权重值。

    引用Rikiya Takehi@rikiyatakehi

    We asked GPT-6 Astra to edit Qwen3.5-0.8B weights to improve math. It directly changed only 0.016% of weights, fixing 0.8B's reasoning loops & improving math up to 6x and even instruction following 3x, without gradients or training. We call this Weight-Space Programming: frontier LLMs can now natively read/write neural network weights! 🧵 Blog: https://rikiyat.github.io/blog/weight-space-programming/

    同一件事,精选收录的是《MIT 实验:GPT-6 Astra 直接改写 Qwen3.5 权重,数学能力提升约 6 倍》

  4. Orange AI68

    MIT CSAIL 的 Rikiya Takehi 等人提出 Weight-Space Programming,称 GPT-6 Astra 无需梯度或训练,仅改动 Qwen3.5-0.8B 约 0.016% 的权重,就修复了其推理循环问题。该改动使 MATH-500 成绩从 7.9% 升至 48.1%,指令遵循的 IFEval 提升 3 倍。Orange AI 转发该研究并称 RSI 初现端倪,认为连模型训练都不需要了。

    引用Rikiya Takehi@rikiyatakehi

    We asked GPT-6 Astra to edit Qwen3.5-0.8B weights to improve math. It directly changed only 0.016% of weights, fixing 0.8B's reasoning loops & improving math up to 6x and even instruction following 3x, without gradients or training. We call this Weight-Space Programming: frontier LLMs can now natively read/write neural network weights! 🧵 Blog: https://rikiyat.github.io/blog/weight-space-programming/

    同一件事,精选收录的是《MIT 实验:GPT-6 Astra 直接改写 Qwen3.5 权重,数学能力提升约 6 倍》

11月4日周三
  1. Sebastian Raschka65

    Sebastian Raschka 转发了一项称 GPT-6 Astra 直接修改 Qwen3.5-0.8B 权重以提升数学能力的工作,该工作称仅改动 0.016% 的权重,无需梯度或训练,数学能力最高提升 6 倍、指令遵循提升 3 倍,并将其称为 Weight-Space Programming。Raschka 本人只配了一句 What could possibly go wrong? 和一张漫画,漫画把 Transformer 第 13 层前馈模块中单个已训练权重画成支撑全部现代数字基础设施的支柱。

    引用Rikiya Takehi@rikiyatakehi

    We asked GPT-6 Astra to edit Qwen3.5-0.8B weights to improve math. It directly changed only 0.016% of weights, fixing 0.8B's reasoning loops & improving math up to 6x and even instruction following 3x, without gradients or training. We call this Weight-Space Programming: frontier LLMs can now natively read/write neural network weights! 🧵 Blog: https://rikiyat.github.io/blog/weight-space-programming/

    同一件事,精选收录的是《MIT CSAIL 提出权重空间编程:GPT-6 Astra 直接修改 Qwen3.5-0.8B 权重》

11月21日周六
11月3日周二
  1. Aran Komatsuzaki58

    MIT CSAIL 的 Rikiya Takehi 等人提出 Weight-Space Programming,称前沿 LLM 能原生读写神经网络权重。研究称 GPT-6 Astra 仅直接改动 Qwen3.5-0.8B 的 0.016% 权重,无需梯度或训练,就修复了其推理循环,MATH-500 从 7.9% 升至 48.1%,指令遵循的 IFEval 提升 3 倍。Aran Komatsuzaki 表示即将采访论文作者并征集提问。

    引用Rikiya Takehi@rikiyatakehi

    We asked GPT-6 Astra to edit Qwen3.5-0.8B weights to improve math. It directly changed only 0.016% of weights, fixing 0.8B's reasoning loops & improving math up to 6x and even instruction following 3x, without gradients or training. We call this Weight-Space Programming: frontier LLMs can now natively read/write neural network weights! 🧵 Blog: https://rikiyat.github.io/blog/weight-space-programming/

  2. Ethan Mollick58

    Ethan Mollick 转发一项待复现的研究,称 GPT-6 Astra 直接修改 Qwen3.5-0.8B 仅 0.016% 的权重,修复其推理循环并把数学能力最高提升 6 倍、指令遵循提升 3 倍,全程不用梯度或训练。研究团队把这一做法称为 Weight-Space Programming,并称前沿 LLM 已能原生读写神经网络权重。Mollick 表示自己仍在等待复现,但认为这是件大事。

    引用Rikiya Takehi@rikiyatakehi

    We asked GPT-6 Astra to edit Qwen3.5-0.8B weights to improve math. It directly changed only 0.016% of weights, fixing 0.8B's reasoning loops & improving math up to 6x and even instruction following 3x, without gradients or training. We call this Weight-Space Programming: frontier LLMs can now natively read/write neural network weights! 🧵 Blog: https://rikiyat.github.io/blog/weight-space-programming/

11月8日周日
11月17日周二
11月3日周二
  1. Dongxi 东锡 NLP38

    有推文介绍用GPT-6 Astra直接改写Qwen3.5-0.8B仅0.016%的权重,无需梯度或训练即修复推理循环,数学能力最高提升6倍、指令遵循提升3倍,称为Weight-Space Programming。

    引用Rikiya Takehi@rikiyatakehi

    We asked GPT-6 Astra to edit Qwen3.5-0.8B weights to improve math. It directly changed only 0.016% of weights, fixing 0.8B's reasoning loops & improving math up to 6x and even instruction following 3x, without gradients or training. We call this Weight-Space Programming: frontier LLMs can now natively read/write neural network weights! 🧵 Blog: https://rikiyat.github.io/blog/weight-space-programming/

10月6日周二
10月25日周日
  1. 面壁 MiniCPM 模型发布80

    面壁智能开源 MiniCPM-o 4.5 全模态模型

    面壁智能开源 MiniCPM-o 4.5,这是 MiniCPM-o 系列最新模型,基于 SigLip2、Whisper-medium、CosyVoice2 和 Qwen3-8B 端到端构建,总参数 9B。

    推荐理由:9B 参数端到端全模态模型,给出与 Gemini 2.5 Flash、GPT-4o 的逐项对比和端侧部署路径。

11月17日周二
  1. 机器之心78

    Prefrontal AI 与 ETH Zurich 提出 LSA:10M token 下比 DeepSeek 式稀疏注意力再快 22.7 倍

    伦敦初创公司 Prefrontal AI 与苏黎世联邦理工学院联合发布论文,提出隐空间稀疏注意力 LSA,在 10M token 下把 GLM-5.3-Flash 单个注意力层的 prefill 提速 22.7 倍、Qwen3.8-27B 提速 72.4 倍,精度与原模型相近。

    推荐理由:论文指出超长上下文下索引器占 prefill 时间 98%,并给出按语义聚类把索引降到 O(T log T) 的路径。

10月30日周五
  1. IT之家78

    小米开源 0.8B 文档理解模型 Xiaomi-OCR-0,支持 Markdown 与 JSON 输出

    小米开源轻量级文档理解模型 Xiaomi-OCR-0,参数规模 0.8B,权重与推理代码已上线 Hugging Face 和 GitHub。该模型基于 Qwen3.5-0.8B-Base 构建,用约 1.7 亿条 OCR 与文档理解样本训练,单一模型覆盖文档解析、关键信息抽取与 OCR 视觉问答三类任务。

    推荐理由:小米公开 0.8B 文档理解模型的权重与推理代码,并给出多项基准对比,便于判断小参数模型在 OCR 任务上的位置。

10月24日周六
  1. 腾讯混元模型发布78

    腾讯混元发布 Hy-Nomas 交互式世界生成模型

    腾讯混元发布视频世界生成模型 Hy-Nomas,支持通过文本指令和相机控制进行自由形式的多轮交互,逐段生成同一世界。模型采用分段自回归 DiT 架构,结合 Qwen 文本编码器、相机条件模块和 PixelUMM 视频解码器,蒸馏推理配置为 8 步去噪,输出 720×1280、24 FPS。

    推荐理由:腾讯混元开源交互式世界生成模型,给出完整架构、权重与单卡部署配置,可据此评估落地门槛。

10月29日周四
10月25日周日
10月28日周三
6月11日周四
  1. 字节 Seed 模型发布70

    字节开源 Bernini-Diffusers 完整视频生成与编辑管线

    字节 Seed 开源 Bernini-Diffusers,将基于 Qwen2.5-VL 的语义规划器、Bernini 规划权重与 Wan2.2 扩散组件打包为自包含目录,官方推荐用于复杂视频编辑请求。

    推荐理由:字节开源完整 Bernini 视频生成与编辑管线,读者可据此了解其语义规划加渲染的两段式结构及与 Bernini-R 的差异。

8月13日周四
11月5日周四
  1. The Decoder88

    GPT-6 Astra 通过权重直接改写其他模型

    研究团队提出 Weight-Space Programming,让 GPT-6 Astra 直接读取和生成模型权重,无需常规训练。在 Qwen3.5-0.8B 上 Astra 只改动 0.016% 的权重,MATH-500 准确率从 7.9% 升至 48.1%,指令遵循从 21% 升至 62%。

    同一件事,精选收录的是《MIT 实验:GPT-6 Astra 直接改写 Qwen3.5 权重,数学能力提升约 6 倍》

11月1日周日
  1. 智东西74

    小米开源 0.8B 文档理解模型 Xiaomi-OCR-0

    小米发布并开源轻量级文档理解模型 Xiaomi-OCR-0,仅 0.8B 参数,将文档解析、关键信息抽取与视觉问答三类能力融于一体。该模型在 OmniDocBench v1.6 取得 96.83 分,为 1B 以下模型第一,五项文档 VQA 平均分 83.2,逼近 Qwen3.5-4B。小米同步公开模型权重、推理代码,并提供浏览器 Demo、MCP 服务与 Agent Skill 工具包。

    同一件事,精选收录的是《小米开源 0.8B 文档理解模型 Xiaomi-OCR-0,支持 Markdown 与 JSON 输出》