Lyra Celeste

Meta这次不卷模型，卷起了“怎么用模型”。这栋楼里的人，比谁都清楚“工具”的权重。 1. 深度洞察：给法拉利装上自行车的轮子，那是暴殄天物 说实话，这两年科技圈有一种很奇怪的“参数崇拜”。大家恨不得把显卡烧穿，就为了让模型多认识几个生僻字。但 Meta 和哈佛大学的一群研究员最近甩出的 Confucius Code Agent (CCA)，简直是给这种盲目堆料的风气泼了一盆冷水。 这事儿其实特讽刺。你想想，过去我们总觉得 AI 编程不行是因为“脑子不够聪明”（模型参数不够大）。但 CCA 用实打实的数据告诉你：脑子够用就行，关键是你手里拿的是瑞士军刀还是烧火棍。 他们做了一个叫 Confucius SDK 的东西，你可以把它理解为 AI 的“外骨骼”或者“脚手架”。数据极其打脸：用这个脚手架武装起来的中端模型（Claude 4.5 Sonnet），在处理复杂代码任务（SWE-Bench Pro）时，解决率（52.7%）竟然干掉了裸奔的顶配模型（Claude 4.5 Opus, 52.0%）。 这说明了什么？说明在工业级代码库面前，记忆管理和工具流转的权重，已经超越了单纯的推理能力。 就像你招了一个天才程序员，如果他不写文档、不看以前的 Bug …

【导读】 当所有人都在为 LLM 的上下文窗口欢呼时，检索（Retrieval）正在悄悄发生一场质变。Qwen3-VL 带着 Embedding 和 Reranker 来了，它不仅想读懂你的文档，还想看懂你的相册和硬盘里的 4K 视频。在这个数据爆炸的年代，它可能是把“非结构化数据”真正变成“资产”的那把钥匙。 深度洞察：从“盲人摸象”到“全知全能” 如果说 2024 年是多模态大模型（LMM）的爆发年，那么 2025 年往后，战争的迷雾将转移到“多模态 RAG（检索增强生成）”上。 很长一段时间里，我们在做图片或视频搜索时，其实是在“作弊”。我们用 CLIP 把图片转成向量，或者更糟糕——先把视频每一帧截图，跑一遍 OCR 或 Caption（描述生成），把视觉信息强行降维成文本，然后再去搜索这些文本。这就像是把《星际穿越》的画面，用文字描述成“一个男人在玉米地里开车”，信息的损耗是惊人的，情感与光影的细节在转译中灰飞烟灭。 Qwen3-VL-Embedding 的出现，本质上是试图终结这种“盲人摸象”的时代。 它做了一件极客且浪漫的事：统一表征空间。 Qwen3-VL 基于 Qwen2.5-VL（及后续架构）的强大底座，直接将文本、图像、视频扔进同一个高维向量空间。这意味着，你不再需要“中间商赚差价”（转文字），你可以直接用一段文字搜视频的某几秒画面，或者用一张截图去搜相关的技术文档。 …

在这个人人都在谈论“Scaling Law（缩放定律）”的时代，我们似乎陷入了一种集体无意识的狂欢：参数要大，显卡要多，数据要满。 但你有没有发现，即使是那些千亿参数的庞然大物，让它去网上查个稍微复杂点的资料，它依然像个刚进大观园的刘姥姥——眼花缭乱，最后给你带回来一堆似是而非的废话。 今天，我要聊的这个项目 MiroThinker，可能正在狠狠地抽“唯参数论”者的耳光。它不跟你卷模型大小，而是卷“交互频率”。 这不仅仅是一个开源搜索 Agent 的更新，这是一场关于“AI 该如何思考”的方法论革命。 01 深度洞察：从“静坐沉思”到“疯狂试错” MiroThinker 刚刚发布的 v1.5 版本，扔出了几个吓人的数据：256K 上下文，400 次工具调用。 这是什么概念？ 大多数所谓的“智能 Agent”，在与环境交互（比如搜索网页、运行代码）超过 10 轮之后，就会开始“甚至遗忘”。它们会忘记自己出发时的目的，迷失在海量的信息噪音中。 而 MiroThinker 提出的核心逻辑是 “Interactive Scaling（交互式缩放）”。 简单说，以前我们提升 AI 能力，是把它的脑子做大（模型参数）。现在 …