1/13 Gemma 4 需求爆炸：HuggingFace 热榜 #1，Google AI Edge 登顶 iOS 生产力应用 #8
Google DeepMind Gemma 4 发布后需求持续暴增：Google AI Edge 应用一夜蹿升至 iOS App Store 生产力类第 8 名，HuggingFace 官方宣布 Gemma 4 成为当日 #1 热门模型。Ethan Mollick 实测 iPhone 17 Pro 本地运行 Gemma 4 E4B，称其”GPT-4 级质量”，实时生成 SVG 图像效果令人印象深刻。社区已有用户将 Gemma 4 31B 跑在 Mac Studio 上，实现与 OpenClaw 零 token 成本对话。但 Mollick 同时警告：小模型在需要判断力和自我纠错的真实 agentic 工作流中仍显不足，Apple 押注全程设备侧 agentic 可能面临能力天花板。
2/13 xAI Grok API 重大升级，Karpathy 直言”30 分钟花 200 美元太离谱”
Elon Musk 发文宣布 xAI API 重大升级（15,695 赞，3954 万阅读），并提示”这个 API 更新有什么有趣之处”——暗示能力远超字面。Karpathy 随即回应两周前使用 X API 开发项目的体验：30 分钟 hack 花费 200 美元，文档难以被 agent 摄取（大量零散短页面），且文档内完全找不到 XMCP 相关内容。Karpathy 建议：Read 端点应大幅降价，Write 端点可适当提价；最有价值的方向是让 X 对 AI agent 更可读（而非更可写）。Musk 回应确认会改善。
3/13 OpenAI Codex App Server：轻松构建 agentic 应用；token 上限提升 3x 工作量
Greg Brockman（gdb）发布 Codex App Server——让开发者一键构建自己的 agentic 应用（887 赞，131,941 阅读）。Ethan Mollick 分享关键数据点：将 Codex 推理 token 上限从 300 万提升至 1000 万，网络安全任务的独立工作时间从 3.1 小时延长至 10.5 小时（直接 3.4 倍）。他同时指出一个被忽视的”第二扩展定律”：在推理模型上投入更多 token = 更好的答案，当前基准测试表现实际受 token 使用量限制，而非模型能力本身。
4/13 Stanford MIRAGE：主流 AI 视觉模型”其实是瞎的”，3B 纯文本模型击败所有前沿多模态大模型
Stanford 发布 MIRAGE 论文：研究者从六大视觉基准测试中悄悄移除所有图像，GPT-5、Gemini、Claude 仍能维持 70-80% 的准确率——模型根本没有察觉图像不见了，还在”生动描述”并不存在的 X 光片。作为对照，他们训练了一个 3B 纯文本模型，完全不包含任何图像——却打败了所有前沿模型和真实放射科医生。核心结论：”每一个多模态排行榜都建立在文本模式上，而非真正的视觉理解。”这对当前 AI 视觉能力评估范式构成根本性质疑。
5/13 GLM-OCR：0.9B 中国小模型 OCR 全球排名第一，完爆百倍体积的对手
GLM-OCR 是一个 9 亿参数的视觉语言模型，在 OmniDocBench V1.5 上以 94.62 分夺得全球第一，超越 Gemini 等百倍体积的模型。核心架构：① 布局引擎逐区域检测文档结构；② 各区域并行读取；③ 每步预测多个 token（而非逐 token 生成）。擅长复杂表格/嵌套布局、手写文字、数学公式、代码块、混合图文文档。可通过 Ollama 本地运行，适配边缘设备。”每一个昂贵的 OCR API 都刚刚有了一个免费的竞争对手。”
6/13 开源 AI 黄金时代：用户大量取消 Claude 订阅，Qwen3/Gemma 4/Kimi K2.5 成主流替代
社区出现明显迁移浪潮。有用户晒单：取消 Claude Code 订阅，切换 MacBook + Gemma 4 本地部署，”零网络、零 API 费用”。另一位用户表示：将 OpenClaw 上所有 Anthropic 模型换成 Kimi K2.5 和 MiniMax M2.5，”完全感觉不到差距，除了钱包”。还有用户在 90M tokens 测试后宣布：”Qwen 3.6 Plus 完美处理了所有 Opus 任务，Claude 使用量归零。”Garry Tan 和 Clement Delangue 齐声高呼”开源时代来了”，NousResearch 官方简短发文：”Open Source is inevitable”。
7/13 fchollet：科学推理 = 9 个实验造出原子弹，神经网络能做到这种极端泛化吗？
François Chollet 发布深度思考帖（797 赞，48,248 阅读）：物理学家用仅约 9 个关键实验，历时 47 年，从初次观测到放射性到制造出原子弹——这正是”极端泛化”的样板，背后完全由符号压缩（symbolic compression）驱动：将极少数据点逆向工程成因果规则，再以此改造现实。Chollet 表示：”你可以拟合一条符合已知物理规律的曲线，但你无法拟合一条能完成上述过程的曲线。”同日他还分享了在 TPU v5 上用 Kinetic + Keras + JAX 微调 Gemma 的教程，并转发 ARC-AGI-3 游戏正式发布的消息。
8/13 ylecun vs elonmusk：语言思维之争再起，LeCun 反问”xAI 要用 JEPA 了吗？”
Elon Musk 发文讨论用语言思考的价值，LeCun 直接回应（631 赞，57,754 阅读）：”语言思维的应用有限，主要在编程和数学——因为语言本身能辅助这类推理。但思维操作的是抽象（连续）表示空间中的心理模型，而非语言。所以……xAI 要开始用 JEPA 了吗？”随后他在回复中进一步阐述：”语言是交流思想的方式。如果你没有思想，语言有什么用？而思想不正是对世界心理模型的操作吗？”此论战已延续多轮，代表了当前 AI 界对”是否需要超越语言的表示”最具代表性的分歧。
9/13 emollick：”第二扩展定律”不会完全饱和——基准测试表现受 token 预算限制
Ethan Mollick 提出一个被低估的认知（120 赞，13,743 阅读）：在推理模型上，投入更多 token = 更好的答案，且这一规律在很多任务上不会完全饱和。基准测试表现实际上被 token 使用量限制，而非模型能力本身。他同时给出具体数据：Codex 在网络安全任务中，token 上限从 300 万提到 1000 万，独立工作时长从 3.1 小时增至 10.5 小时。他还分享了 Apple 押注设备侧 agentic 的担忧：”真正的 agentic 工作流正是靠近期前沿模型才发展起来的，小模型的判断力、自我纠错和准确率都太弱。”
10/13 Databricks Genie Code：数据工程全流程 AI 自主化，构建/调试/维护一体
Databricks 宣布 Genie Code——企业数据工程的 AI 自主伙伴：构建数据管道、调试异常、维护生产系统，同时在后台主动监控模型和管道，无需人工守值。通过 Unity Catalog 和 Lakehouse Federation，Genie Code 能理解企业的数据上下文和治理规则，真正做到与业务数据深度融合，而非通用代码生成器。此举被视为 Databricks 将 AI agent 深度嵌入数据工程生命周期的重要一步。
11/13 AlphaEvolve 应用于仓储级旅行商问题，FM Logistic 路由算法效率提升
DeepMind 团队分享 AlphaEvolve 最新工业应用（demishassabis 转发）：AlphaEvolve 帮助物流公司 FM Logistic 改进其仓储级别的路由算法，解决大规模旅行商问题（TSP）。此案例展示了 AI 在传统运筹学 NP-Hard 问题上的实际落地能力，将 AI 从”生成内容”带入”优化工业系统”的新应用范式。
12/13 AI 自动化成本指数级增长，小模型能力不足成最大瓶颈
Bindu Reddy（bindureddy）点出当前 AI 自动化的核心矛盾（75 赞，4,207 阅读）：”用 AI 自动化工作的成本正在指数级增长……高性能小模型变得非常紧迫。可惜大多数小模型无法理解细微差别，在指令遵循和工具调用上表现很差！”这一观点与 emollick 的判断形成呼应：前沿模型能力与成本之间的鸿沟，正在制约 AI 自动化的实际规模化进程。同日 Bindu 还调侃道需要 GPT-6 或 Opus-5 来”模拟所有选项并建议如何打开霍尔木兹海峡”。
13/13 Anthropic 拟成立 PAC，AI 政策游说加速布局中期选举前
多人转发报道：Anthropic 正在筹备企业政治行动委员会（PAC），计划在 2026 年中期选举前积极参与 AI 政策游说。这标志着主流 AI 实验室正式从技术场转向政治场，将 AI 监管立场转化为直接政治影响力。Yann LeCun 转发此消息（暗示关注但未明确评价）。外界对此反应不一：一方认为 AI 公司主动参与政策制定是负责任行为，另一方则担忧大型 AI 企业将通过资金影响有利于自身的监管框架。
Deep Dive 附录
Gemma 4 系列规格与上线后社区反应
Google DeepMind 此前发布的 Gemma 4 全系列包含 E2B（2.3B 激活/5.1B 含嵌入，128k 上下文）、E4B（4.5B 激活/8B，128k）、26B MoE（仅 4B 激活，256k）、31B 密集（256k）四种规格，均支持文本/图像/视频输入，E2B/E4B 还支持音频。发布后 24 小时内：① Google AI Edge（设备侧推理 App）在 iOS 生产力类排名从无名跃升至第 8 位；② HuggingFace 首页热榜 #1；③ 社区开始大量分享在 iPhone 17 Pro、Mac Studio、Pixel 手机上本地运行的演示；④ Gemma-4-21B-REAP（社区 REAP 微调版）发布，推理任务准确率据称有提升；⑤ 有用户发现 Gemma 4 可搭配 SAM 3 和 RF-DETR 完成原始视频理解→目标分割→目标追踪的完整 agentic 视觉流水线，”一个 AI 指挥另外两个 AI”。Ethan Mollick 的综合评价：设备侧 LLM 领域令人印象深刻，但真实 agentic 工作流能力仍是大模型的主场。 查看原文
Stanford MIRAGE：视觉基准测试系统性泡沫
MIRAGE 论文（Multimodal Illusions: Reasoning About Generated Environments）核心发现：研究团队从 VQA、MedQA 等 6 大主流视觉基准中系统性移除所有图像，主流前沿多模态模型（GPT-5、Gemini Ultra、Claude）仍然维持了 70-80% 的高准确率。深层原因：”mirage effect”——模型利用了问题文本中隐含的强文本线索，无需真正”看”图像即可作答。74-77% 的”视觉理解题”实际上不测试视觉。对比实验：告知模型”没有图像，请猜测”，得分下降；悄悄移除图像让模型自行假设，得分维持高位。一个仅 3B 参数、完全不含视觉模块的纯文本模型，超过了所有前沿多模态模型。含义：当前多模态 AI 的视觉能力评估体系存在系统性虚高，真实图像理解能力远弱于基准测试所呈现的水平。 查看原文
GLM-OCR 技术详解
GLM-OCR 是清华大学 KEG 组推出的 0.9B 参数视觉语言 OCR 模型。关键技术：① 两阶段处理：布局识别引擎（Layout Engine）先检测文档区域，再对各区域并行推理；② 投机解码（Speculative Decoding）变体：每步预测多 token，提升速度；③ 专项训练数据：包含复杂表格、手写文字、印章、数学公式、代码块的混合文档。基准：OmniDocBench V1.5 得分 94.62，排名全球第一，超越 Gemini（~91.x）和 Claude（~90.x）等百倍体积对手。部署：支持 Ollama（ollama pull glm-ocr），可在消费级硬件运行，单卡 6-8GB VRAM 足够。适用场景：企业文档数字化、法律/金融文件处理、学术论文解析等。开源地址见 AlphaSignal 原推文附带的 Repo 链接。