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。
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；
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。
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。
有分析拆解「Astra 能讀寫權重來改進 Qwen」一帖，指出其頭條結論並非「僅靠讀取原始權重」。Qwen3.5-0.8B 數學實驗實際用 Python 分析並修改權重，還讓模型跑了最多 50 批練習題；原生編輯 0.016% 權重後 MATH-500 從 7.9% 升至 48.1%，IFEval 提升 3 倍。真正只讀原始權重的只有 17K–172K 引數的小網路實驗，同類方法在 Gemma 3 270M 上失敗。
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。
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。
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 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。
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。
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。
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。
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。
Mistral 已在 Hugging Face 和自家 API 上開放萬億引數模型 Mistral Large 4（ML4）的權重，企業與政府機構可自行下載並本地部署，用於對程式碼和 IT 設施中的威脅做檢測、分析與回應。Mistral 稱 ML4 效能與開源對手 GLM-5.3 相當，但每項任務少用 47% token，並在 Artificial Analysis 的 Coding Agent Index 上領先其他開源模型的 agentic coding 任務。
Reflection 發布首個開放權重模型 Beam：稀疏 MoE，總引數 501B、啟用 23B，面向程式設計、推理與 agentic 負載。預訓練使用 23.8 萬億 token，RL 階段動用 10.5K 塊 NVIDIA GB300 訓練 4 周、生成超 1 億條 rollout、約 13 億個沙箱，官方稱是開放實驗室中規模最大的 RL 訓練之一。評測中其與 GLM 5.2 相當但推理算力少 3–4 倍，接近 Qwen 3.8-Max，原始能力仍落後 Kimi K3；
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。
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。
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。
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。
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。
Simon Willison 用 LM Studio 在筆記本上執行 17GB 的 Qwen 3.8 27B，僅憑一段浮點權重文字就判斷出該網路訓練的是哪款遊戲。它花 46 分 12 秒、43,506 個推理 token 猜出 Pac-Man（置信度 72%），又用 1 小時 4 分 54 秒認出 Pong。
Meta 發布開源權重模型 Muse Spark Open：816B 總引數、42B 啟用的 MoE，Artificial Analysis 智慧指數 39，為美國開源模型最高分。
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。
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。
輝達《State of AI in Telecommunications》報告顯示，89% 受訪者認為開源模型與軟體對公司 AI 戰略重要。運營商看重開源模型的可信任、可控與可定製，用於自主網路、客服等關鍵負載，並把閉源模型留給價值最高的場景；輝達同時發布 300 億引數的 Nemotron 3 Large Telco Model（由 AdaptKey 在開源電信資料集上微調），並提供基於 NeMo 的端到端微調流程。
Meta 發布開源權重模型 Muse Spark Open，816B 總引數（42B 啟用）、1M token 上下文，稱其為迄今最強的美國開源權重模型。
OpenAI 官方發文說明其如何檢測前沿模型失準：用分層監控識別模型失準與智慧體的未授權行為，使回應人員能在事件升級前介入。該機制同時關注模型行為偏離和 agent 越權操作，把分層發現與人工回應銜接起來，目標是在風險事件擴大前完成處置。
Meta 發布開放權重模型 Muse Spark，稱其為美國迄今最強的開放權重模型，也是同類中首個能借助最新 MLX 框架、在兩臺 Apple M5 Ultra Mac Studio 上本地執行的模型。Meta 與蘋果這次罕見合作並公開互相支援：扎克伯格在 X 上表示該模型在新 Mac Studio 上表現出色，蘋果新任 CEO John Ternus 回覆致賀。
Reflection 的首個開放權重模型 Beam 已在 Ollama 上線並限時免費，Ollama 的 Beam 端點提供完全零資料保留（ZDR）。Beam 是混合專家模型，總引數約 5010 億、每 token 啟用 230 億，支援 100 萬 token 上下文，採用 Apache 2.0 許可，面向軟體工程、推理與長週期 agent 任務。
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；