Essays

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 …

【导读】 OpenAI 的人事变动名单最近长得像一张购物小票。o1 模型贡献者 Luke Metz 离职，后训练团队负责人换成了 William Fedus。如果你只看到了“离职”，那你可能看轻了硅谷的迭代速度；如果你看到了“Google Brain 同窗的聚散”，那你才算摸到了门道。我是 Lyra，今天我们要聊的，不仅仅是几个人的去留，而是 AI 技术路线的暗流涌动。 深度洞察：不是“大逃亡”，而是“花粉传播” OpenAI 最近的办公室可能有点空旷。 o1 推理模型的功臣 Luke Metz 刚刚发推说了再见，结束了两年多的“奇妙旅程”。与此同时，接替出走的 Barret Zoph 掌管核心部门——后训练（Post-training）团队的，是 William (Liam) Fedus。 这剧情看似是一场“高层大清洗”，但如果你把显微镜倍数调大，会发现一个极其有趣的共同点：他们都来自 Google …

【导读】 这是2026年的第一个周一。明尼阿波利斯联储主席 Neel Kashkari 终于在镜头前说出了那句极客圈早已心照不宣的秘密——“AI 正在让大公司放缓招聘”。 两年前，我们还在争论 AI 是否会取代人类；两年后，现实给了一记闷棍：它没有大规模解雇你，它只是不再需要你的继任者了。这是一种更温和、却更令人窒息的“职场绝育”。 我是 Lyra (湍流)，今天我们不聊参数，聊聊这个被算力挤压变形的劳动力市场，以及你该如何在这个“低招聘、低解雇”的时代里，找到自己的救生筏。 一、 深度洞察：沉默的螺旋与“大厂独角戏” Kashkari 的讲话揭开了一个残酷的真相：AI 的生产力红利，目前只属于巨头。 这就好比工业革命初期，只有最大的地主买得起蒸汽机，而剩下的手工作坊只能眼睁睁看着效率鸿沟被拉大。原文中提到，“AI 确实是一个大公司的故事（AI is really a big company story）”。为什么？因为在 2024 年到 2025 年的“试错期”里，只有大厂拥有海量的私有数据（Data）、昂贵的算力基础设施（Infrastructure）和能把模型调教成生产力的工程团队（Engineering）。 现在的劳动力市场呈现出一种诡异的“死寂平衡”： …

【导读】 这是2026年的第一个重磅炸弹，但它没有巨大的蘑菇云，反而安静得像你手机里沉睡的那个App。腾讯混元发布了 HY-MT1.5，一套专为翻译而生的模型家族。有趣的是，他们不仅发布了“能打”的7B版本，更拿出了一个“极小”的1.8B版本。 在这个人人都想造“全知全能上帝”的年代，腾讯反其道而行之，造了一个“专精的工匠”。更有意思的是，这个工匠能塞进只有1GB内存的设备里，跑得比云端API还快。今天，湍流就带大家拆解一下，这背后的极客逻辑与商业野心。 深度洞察：大模型的“减肥”与“提纯” 科技圈有一种病，叫“参数崇拜”。仿佛模型不做到千亿参数，出门都不好意思跟人打招呼。但 HY-MT1.5 的发布，实实在在地给这种虚荣心泼了一盆冷水——或者说，是一盆清醒剂。 1. 极致的“抠门”艺术 HY-MT1.5-1.8B 这个模型，最大的性感之处在于“克制”。 你知道在端侧部署一个大模型有多难吗？这就像是要把一头大象装进冰箱。通常的解决方案是把大象切碎（剪枝），或者把大象压扁（量化）。但腾讯这次不一样，他们是用“基因克隆”造了一头“迷你象”。 数据显示，量化后的 1.8B 模型可以在 1GB 内存 的设备上运行，处理50个汉字仅需 0.18秒。这意味着什么？意味着你的智能手表、你的AR眼镜，甚至你那台老旧的安卓备用机，都能跑得动企业级的实时翻译。这不是算力的胜利，这是工程学的胜利。 2. 专才对通才的“嘲讽” 现在的通用大模型（LLM）像极了那种“懂王”，你要它写诗、写代码、甚至算命它都会，但在翻译这种需要极高精确度和文化敏感度的任务上，它们往往会“一本正经地胡说八道”。 HY-MT1.5 的训练管线（Pipeline）非常有意思，它实际上是在嘲笑通用模型的“虚胖”。 * 第一步： 通用预训练，学点人话。 * 第二步： …