人物观点、评论、分析、访谈、现象与趋势讨论
@kirillk_web3 称，Meta 的 Llama 4 让所有人失望，Meta 转向闭源并推出 Muse Spark，Zuck 开出一张 1000 亿至 2000 亿美元的支票，Muse Wonder 于周一发布，3 天后 Meta 又向你开放权重：8160 亿个参数，但任一时刻仅有 420 亿个处于激活状态。https://t.co/031gtR0nHm https://t.co/nEN1JMzvBa Alexandr Wang：“笑死，Muse Spark 开源后表现太猛了” https://t.co/AcUT9o8NEQ
伙计们，这简直就是我的超级碗时刻！我等了好久，终于等到美国开放权重模型再次具有竞争力。就在今天之前，美国模型还落后于早在2026年2月就已出现的中国模型。还有更多工作要做！
朋友们，这就像是我的超级碗时刻。我等了好久，终于等到美国开放权重模型再次具有竞争力。直到今天之前，美国模型仍落后于早在2026年2月就已领先的中国模型。还有更多工作要做！ 这至少把差距缩短了一半，按时间算（比如缩短了3个月）
@AIatMeta表示将发布Muse Spark Open，并称其为“迄今能力最强的美国开放权重模型”。引用的帖子称，该模型专为编程和智能体工作打造，并列出总计816B、激活42B个参数，以及1M token的[上下文窗口](https://t.co/yAtoxNeYJm)。 Nathan Lambert回应道：“好吧，我现在真的得写博客了🎉” https://t.co/uKl5X18Xpw
Nathan Lambert 预测，如果 muse spark open 的性能大致与其公布的成绩相符，其采用率将激增，并称它是首个具备接近前沿水平智能体能力的美国开放权重模型。 他将这一转变与中国的 GLM 5.2 和 Kimi K3 相提并论。在引述的公告中，@alexandr_wang 表示，muse spark open 总参数量为 816B，激活参数量为 42B，上下文长度为 1M token，并具备原生多模态能力，专为编程和智能体任务打造。 https://t.co/9elY7xigU5
Meta Muse Open License 就是垃圾。 值得庆幸的是，没人真正在乎许可证，除了那些会乐于遵守的推理服务提供商。
Simon Willison 着重介绍了独立游戏开发者 Popcar 对近期 AI 驱动的游戏反编译浪潮的描述。这股浪潮让一些不同寻常的游戏混搭和保存项目成为可能，能将老游戏带到新硬件上，通常是在使用 WebAssembly 的浏览器中。Popcar 也谈到了其中的风险，包括竞争对手复制软件，以及付费应用未经创作者同意就被开源；同时也指出了其好处，例如更容易移植和修改游戏，以及在游戏服务器关闭后仍能继续访问游戏。
我与 @lishali88 一同做客 a16z 播客，探讨开放模型如何融入 RSI 动态、谁能获取其价值、如何驾驭智能体群，以及我为何创立 Trillium Labs。https://t.co/psWUUGCfrS
很高兴看到 @Google 的 Embedding Gemma 2 登上 HF 趋势榜！ 媒体和硅谷圈子只谈论推理型 LLM，然而还有种类丰富得多的 AI 模型，它们影响深远、实用性强，比如嵌入模型、决策模型、音频、视频、时间序列等……（HF 上有超过 300 万个公开模型！） 让我们重新把它们带回聚光灯下！
我迫不及待想在未来几年与 @huggingface @nvidia 在法国做更多更多更多的事。法国拥有成为全球第三大数据中心和人工智能强国所需的人才和活力，这尤其要归功于其强大的开源人工智能生态系统。一起行动吧 🇫🇷🇫🇷🇫🇷！
开放式 AI 模型提供了研究访问、定制和本地部署的机会，但可下载的权重也让滥用行为更难监控，且无法撤销访问权限。Grace Huckins 通过专家访谈探讨这些利弊，包括权力集中、网络安全和硬件获取方面的论点。文中还介绍了分阶段发布和防篡改训练，并指出目前的防篡改方法无法抵御所有攻击。
如果你是研究人员，请考虑公开分享你的强化学习环境！你为某项实验搭建的环境，或许能推动整个领域向前发展。 我知道，美国的前沿实验室如今不太愿意分享，但我相信这能对该领域乃至世界产生巨大影响！
我最近一直很享受用 KerasHub + JAX + TPUs 尝试各种各样的 LLM 后训练实验。或许会把其中一些开源。
到2027年底，我将是英伟达尚未收购的唯一一位开放模型领域人士
我们一直在监测所追踪的、用于互连的热门开源 LLM 在 HuggingFace 上的下载量下降情况。看起来下载量的统计方式可能略有变化，因为我们看到许多热门模型的下载率下降了约 30%，而且这种情况还在持续。大家觉得还可能是什么原因？
MIT 研究者 Alex Zhang 在 Latent Space 播客中介绍了其提出的 Recursive Language Models（RLM），基于 RLM 的 harness 是首个接近解决 ARC-AGI-3 的系统，早于 OpenAI 的 Astra。
OpenAI 于 8 月 19 日正式开源 Codex Harness，开放的是支撑 Codex App、CLI 和 IDE Extension 运行的 Agent Loop，开发者可通过 SDK 和 App Server 接入任务管理、工具调用、事件回传与人工审批，模型和云端服务仍由 OpenAI 提供。
GLM-5.3-Flash 的 45 层架构中，34 层采用 Kimi 路线的 KDA 线性注意力，11 层采用 DeepSeek 路线的 KPool-DSA 稀疏注意力，Linear 与 Sparse 首次被放进同一套模型。这一组合背后是 Attention 架构从寻找单一更优机制，转向让不同机制分工：Linear 低成本维持长历史，Sparse 按需找回具体信息。
Radical Numerics 联合创始人兼 CEO Eric Nguyen 认为，生物安全是一场 AI 军备竞赛，能提升生物能力的模型同样能帮防御方跟上前沿模型的攻击能力。
NVIDIA 提出 AI 安全是工程问题，需要可执行的控制、明确的责任人和验证证据，并强调安全边界必须独立于智能体推理之外。其开源安全运行时 NVIDIA OpenShell 在智能体触及范围之外强制执行策略并提供沙箱化执行，Cisco DefenseClaw 与 JFrog 已在其上构建治理与技能扫描能力。
Hugging Face 发布 2026 年 1 月至 8 月的开源模型生态观察报告，基于 Hub 数据给出六项发现。报告显示公开模型仓库从 243 万增至 296 万，数据集从 71.1 万增至 100 万，但 85.6% 的模型终身下载量不足 200 次，1.5% 的仓库占据 99.2% 的下载量。
推荐理由：Hugging Face 用自家 Hub 数据拆解开源模型生态，下载与点赞的分野、Qwen 衍生规模等结论可迁移到模型选型判断。
我们分享开放权重模型发布的方法、对Inkling的评估方式、为什么安全取决于模型本身及其进入的生态系统，以及测试、分阶段开放访问和更强防御如何为进一步开放铺路。
不加区分地发布模型权重并不安全。把强大模型只留在少数几家实验室也不安全。 我们认为两者之间存在一条可行之路，但还没有摸清它的全貌。我们的新文章介绍了目前看得到的部分：我们如何评估 Inkling，以及为什么应该分阶段扩大访问权限。 https://thinkingmachines.ai/blog/a-safe-path-to-open-weights
让人工智能发挥作用的知识分散在各处，存在于科学家、工程师、临床医生和企业之中。人工智能要受益于分布式知识，自身也必须分布式部署。赞同黄仁勋的看法：这是一个值得共同建设的未来。
英国 AI Security Institute 分析显示，开放权重模型与闭源前沿模型在网络安全能力上的差距正在收窄：GLM-5.2 最接近 4.3 个月前发布的 Claude Opus 4.6，DeepSeek-V4-Pro 介于 Claude Opus 4.5 与 GPT-5 之间，而 2025 年大部分时间测得的差距为 6 到 10 个月。
