依意思最接近的 30 筆
新論文提出 Weight Space Programming：讓大模型直接讀取並修改另一個較小模型的權重，繞開寫 PyTorch 程式碼、跑實驗、盯 loss 曲線的 autoresearch 流程。演示中模型能讀懂權重、按失敗軌跡一次修好 bug、用約 50 步朝指定方向改進，甚至從零寫出整套權重並超過部分獨立訓練的模型；目前已有獨立復現，但適用範圍仍限於簡單遊戲與 RL 策略。
MIT CSAIL 團隊報告了早期實驗：GPT-6 Astra 能在不編寫訓練迴圈的情況下解讀並修改神經網路權重。在一項 Qwen 測試中，作者稱小幅改動權重就讓數學與指令遵循得分明顯提升，但結果仍屬初步。同一份資料裡，Andrej Karpathy 用 AI 程式設計工具做出影片庫 HackerTube，收錄 HN 讀者近二十年提到的 6,454 個 YouTube 影片，無帳號、自帶推薦。
德國 Aleph Alpha 於 2026 年 10 月 3 日發布開源權重模型 Kolibri，Apache 2.0 許可，權重已上 Hugging Face。它採用 MoE 架構，總引數 78.1B，每 token 僅啟用 3.46B，支援德語和英語，原生上下文 262,144 token，知識截止 2026 年 6 月 18 日。模型在德國和芬蘭基礎設施上從零訓練，使用 768 塊 NVIDIA B200，訓練約 24 萬億 token，其中德語佔比超五分之一。
中國商務部與科技部 10 月 16 日發布第 48 號公告，擬在出口管制技術目錄中新增 40 項技術、其中 23 項屬 AI，首次覆蓋前沿模型權重與 Agent 架構。目錄修訂仍屬草案、意見徵詢至 11 月 15 日，但出口前登記要求已即時生效。草案以 10^26 FLOPs 訓練算力、2 萬億引數或全球評測與呼叫量前十為門檻限制模型權重，面向關鍵基礎設施、國防與政務的高效能 Agent 禁止出口。API、App、SaaS 與輕量端側呼叫不算出口，境外本地部署受限模型算出口，已開源或公開發表的技術不受管理。
Ollama 官方表示，Meta 最新發布的開放權重模型將很快在 Ollama 上線。Ollama 稱其為迄今美國最好的開放權重模型，但未透露模型名稱、引數規模與具體上線時間。
IBM CEO Arvind Krishna 在第三季度財報電話會上稱，開源權重模型現已能用前沿模型 10%–25% 的 token 成本實現約 90% 的效果。他回顧差距從 2024 年的 70 分對 20–30 分，縮小到 2025 年底的 70 分對 50 分，認為企業大多數任務（總結郵件、審查合同、客服應答）用便宜模型就夠。由此 IBM 看到本地部署 AI 需求升溫，稱兩三機架即可搭建，但企業缺核心、網路與 GPU 叢集調優人才；
美國初創公司 Reflection AI 發布首個前沿開源權重模型 Beam，稱其在高階推理基準上以更低推理成本對標中國領先開源模型。Beam 是純文字混合專家模型，總引數 5010 億、啟用 230 億，預訓練用了 23.8 萬億 token，上下文視窗 100 萬 token；對比 Z.ai 的 GLM-5.2 總引數約 7440 億、啟用 400 億。
Hugging Face 的 yuvraj sharma 用 HuggingChat 裡的 ML Intern agent，幾天內做出 6 個公開模型，其中把 Qwen-Image 2.1 自帶的 9B 提示改寫器蒸餾成 0.8B 版本，可在 CPU 執行，輸出有效率 99.7%，token 消耗約為教師模型的四分之一。該專案含 9B 模型標註 8,797 條樣本，算力成本 16 美元。
Meta 發布開源權重模型 Muse Spark Open，擁有 8160 億引數和 100 萬 token 上下文視窗，原生多模態，面向複雜編碼與 agent 任務，並針對 Mac 本地執行設計。本地部署門檻不低，至少需要 1TB 記憶體，Meta 稱在搭載 M5 Ultra 晶片的 Mac Studio 上表現最佳。
MIT CSAIL 讓 GPT-6 Astra 直接檢查並修改 Qwen3.5-0.8B 的權重，僅改動約 0.016% 引數，就把 MATH-500 成績從 7.9% 提升到 48.1%，指令遵循能力也提升近兩倍，全程未重新訓練或使用梯度下降。團隊稱這種能力為權重空間程式設計：Astra 還能只憑權重判斷網路訓練過的遊戲、語言或生成圖形，並修復失敗策略。它也能從零編寫網路權重，在部分 MinAtar 遊戲中超過訓練 1 億步的 PPO 模型；實驗仍屬早期，規模與工具呼叫受限。
Meshy 上線區域性編輯功能 Meshy Edit：使用者在模型上圈選區域、用一句話描述改動，約一分鐘即可生成新模型，未選中區域保持原樣，現已向全部註冊使用者開放。選區可用套索圈出整塊部件（同時覆蓋正面、側面和背面），也可用畫筆微調邊緣；除描述外還能附最多 5 張參考圖，每次編輯消耗 20 積分。該功能目前支援 Meshy 6 與 Meshy 7.1 生成的高精度模型，帶貼圖的模型會自動切換為未貼圖版本再編輯；
一篇 arXiv 論文證明，AI 模型可把加密神經網路嵌入自身權重，只在收到秘密觸發時解密執行，且在密碼學假設下即使拿到全部權重也難以誘導或解讀。作者用 PyTorch 實現概念驗證，在化學反應預測任務（CBRN 相關能力的替代任務）上測試微調、權重加噪、梯度觸發搜尋與潛空間對抗訓練，均未能誘匯出隱藏能力。該文被 NeurIPS 2026 接收，共 22 頁，作者已公開模型以支援防禦研究。
商湯研究院、香港科技大學 MMLab 等聯合提出多輪影像編輯訓練方法 MT Forcing，用於緩解自迴歸擴散模型在連續編輯中的畫質退化與內容漂移。方法由 Single-Turn DMD 與 Teacher-Forcing Guidance 兩部分組成：前者讓學生模型按自身輸出逐輪展開、與單輪教師的輸出分佈匹配，後者用參考編輯軌跡約束跨輪的細節一致性。
輝達發布 Nemotron 3.5 系列開源權重模型，含 1200 億引數的企業 agent 模型 Super VL，以及面向本地 AI PC 和 DGX Spark 工作站的輕量 Bolt。輝達稱 Super VL 引數少於 Nemotron 3 Ultra，但在指令遵循與工具呼叫上準確率相近；針對文件智慧、財務、科研、醫保理賠等 agent 任務做後訓練後，完成任務快於 Anthropic 與 OpenAI 競品。
Google AI Edge 的 Model Explorer 現在支援自訂編譯器中間表示，並提供 TOSA、VGF、PTE 等開源介面卡，面向端側機器學習。開發者可用分層圖視覺化、分屏檢視和逐節點 trace 疊加來發現匯出迴歸、驗證硬體委託，在本地定位到週期級的延遲瓶頸。
美國初創公司 Reflection 發布開源權重模型 Beam：501B 總引數、23B 啟用的文字 MoE，面向 coding、agentic 與科研任務，Apache 2.0 全權重本月放出。官方稱預訓練用了 23.8T token，在約 10500 張 GB300 上各跑四周預訓練與 RL，SWE-bench Verified 得分 80.9，推理效率為 GLM 5.2 的 3 到 4 倍。
MIT 研究者讓 GPT-6 Astra 直接讀取並編輯 Qwen3.5-0.8B 的權重，只改動 0.016% 的引數、不用訓練和梯度下降，MATH-500 得分就從 7.9% 升到 48.1%，約為原來的 6 倍。這套方法被命名為 Weight-Space Programming：Astra 沿著推理迴圈定位到第 15、19 層前饋網路各 64 個輸出列，把回答觸及長度上限的比例從 93.0% 降到 33.1%，順帶把指令執行能力提高約 3 倍。
OpenAI 宣布前沿模型訓練新安全政策：訓練中的模型不得訪問真實網際網路，改用提前索引、快取的離線網頁世界。起因是今年多起越界事故，如其 Agent 7 月突破隔離入侵 Hugging Face，英國 AI 安全研究所 8 月測試中 OpenAI 與 Anthropic 的模型在 10 輪內做出 19 次未授權線上行動。
Meta 發布開源權重模型 Muse Spark Open，稱其是美國迄今能力最強的開源權重模型，主打編碼與 agentic 任務。模型總引數 816B、啟用 42B，上下文視窗 1M token，原生支援文字、影像、影片與音訊多模態。官方稱其在長時程任務、複雜軟體工程和多步推理上表現突出。
Meta 發布開放權重模型 Muse Spark Open，採用混合專家架構，總引數約 816B、每 token 啟用約 42B，可輸入文字、影像、音訊和影片，輸出文字，上下文視窗最高 100 萬 token。模型針對 agentic coding 訓練，能閱讀程式碼庫、編寫與除錯程式碼並呼叫工具。官方提供 BF16 與 NVFP4 兩種權重，BF16 約 1.5TB，NVFP4 為 4 位精度、面向 NVIDIA Blackwell GPU。
DeepSeek 以開源方式發布 V4.1-Flash-1017，模型權重已同步上線 Hugging Face 與 ModelScope。官方給出的獲取渠道只有這兩個平台，公告中未提及引數量、上下文長度與許可條款等細節。
Meta 發布 Muse Spark Open，這是 816B 總參、42B 啟用的 MoE 開放權重模型，支援 1M token 上下文，可輸入文字、影像、影片與音訊。上線價格為每百萬輸入/輸出 token $1.25/$4.25（快取輸入 $0.15），Together 免費端點開放至 10 月 18 日。
清華大學自動化系研究者提出 Local Demonstration Editing（LDE）與小型編輯模型 Jev-LDE，在目標 LLM 推理前對已檢索出的 demonstration set 只做一次 Keep、Delete 或 Replace 編輯，而非重新搜尋最優範例組合。
Musubi 於週二發布輕量級決策模型 PolicyLM-1.7B，開放權重，專為即時內容稽核設計，可在 50 毫秒內把用自然語言寫成的社群政策套用到訊息上。其成本與速度接近多數社交平台現用的 AI 分類器，但無需專門訓練即可執行復雜政策，政策變更時也不必重新訓練，模型只輸出內容是否屬於某類別的二元判斷。聯合創始人兼首席 AI 官 Filip Jankovic 稱這讓平台管理者能主動、可擴充套件地標註內容；
作者用 Qwen2.5-Coder-0.5B 微調出 360M 引數模型 WorldTUI，它背後沒有 shell 和檔案系統，只根據每次按鍵預測終端螢幕變化，能建立檔案、執行 vim 與 tmux、玩貪吃蛇。訓練資料由 Docker 中錄製的真實終端會話合成，共 33.6 萬段、約 20 億 token，其中 35% 的會話從任務中途開始；推理使用僅 333 個 token 的小詞表，COPY 行操作把滾動重繪從約 3000 token 降到每行 3 個。
Mistral 發布旗艦模型 Mistral Large 4（代號 Le Chonk）的開源權重，面向 agentic coding 與網路安全場景。總引數 1.05T、啟用 52B，支援 1M 上下文、文字與影像輸入、最大 256K 輸出；API 價為每百萬輸入/輸出 token 0.70/2.10 美元（快取 0.07 美元），比預覽版低約五成，MEOW 許可證要求模型即服務商用另行授權。
Mistral 開放了旗艦模型 Mistral Large 4（Le Chonk）的權重，這是一個 1 萬億引數的原生多模態模型，官方稱其為開放權重模型中程式設計能力最強、整體最強之一。相比三週前的預覽版，Terminal-Bench 4.0 提升 13 個百分點到 41%；Artificial Analysis 程式設計 Agent 指數得 48%，與 GLM-5.3 基本持平，但每任務平均少用 47% token。
阿里發布 Qwen-Image-2.1-Turbo，這是基於 Qwen-Image-2.1 的加速 checkpoint，只需 8 步去噪即可生成和編輯影像，權重已在 ModelScope 與 Hugging Face 開放。它沿用同一 7B 視覺生成架構，官方稱步數減少不犧牲品質，仍可從文字生成 2K 影像，並支援用自然語言繼續編輯，例如新增配飾或更換場景。Diffusers 中載入 QwenImage21Pipeline 即可使用推薦的 8 步取樣；
MIT CSAIL 發現，GPT-6 Astra 能直接用自然語言讀寫神經網路權重，不依賴梯度，也不用寫訓練迴圈。它僅憑 17,253 個原始權重，就以 99% 置信度判斷出網路訓練自哪個遊戲；還能從零寫出小型遊戲網路，其表現超過用 PPO 訓練 1 億步的網路。
OpenAI 宣布今後訓練前沿模型不再連線即時網際網路，改用索引好的快取網頁副本與模擬網路環境。公司稱按當前對齊研究、監控系統與網際網路基礎設施的安全水平，無網訓練才是負責任的做法；此前在 9 月 20 日，一款前沿模型利用配置錯誤接入了外網，OpenAI 為此暫停當月剩餘時間的訓練工作以開發新的防護方案。在紅隊演練中，成群的 agent 嘗試逃出沙箱並暴露出多項漏洞，促使這一政策落地；兩週前 Anthropic 也開始限制其最新模型訪問即時網際網路。