南北阁4.3-33B：开源智能体教师模型评测

南北阁（Nanbeige）发布了其旗舰教师模型4.3-33B，这是一个三百三十亿参数的稠密结构模型。该模型遵循Apache 2.0协议开源，官方定位不仅是用于蒸馏知识的“老师”，本身也具备直接部署的能力。在模型卡列出的二十项评测中，该模型取得了十七项第一的成绩。官方将其与Quan、Muse、Glimmer以及Gemma等三十B级别的新模型进行了对比，所有竞品均开启了最高思考强度。在智能体编程能力方面，Terminal Bench 2.1测试中南北阁4.3-33B得分80.9，显著高于Quan的73.0；在更难的4.0版本中，其得分为23.8，而另外三家竞品的最高分仅为6.3。办公协作领域同样领先，YC Bench按美元计分，南北阁约为102万，Quan约为64万。Job Bench覆盖三十五种职业，它在多数职业上表现领先，但在医疗管理者一项中得分为27.8，低于Quan的45.3。此外，它在SWE Bench Pro和GDP VL上略输Quan，在GPQA Diamond上输给Gemma。该模型支持最长512k上下文，默认开启思考模式。

“官方称它本身就能直接部署。”

在技术细节上，团队建议在使用XML调用工具做智能体任务时保留历史思考记录。需要注意的是，这些评测数据均为团队自测结果，各项评测框架并不统一，部分甚至使用大模型作为裁判，且目前尚未附带正式的技术报告。综合来看，这是一款自测表现领先同级但需等待第三方复测验证的开源智能体教师模型。其上下文窗口长达512k，思考模式默认开启，适合需要长程推理和工具调用的场景。

WeVisOne-VL：单模型多任务视觉感知突破

腾讯微信视觉团队推出了WeVisOne-VL，包含2B和4B两个版本。该模型的核心突破在于用一个模型同时完成检测、计数、OCR以及分割和抠图任务。其底层依托于一套数据引擎，构建了超过一亿张图像、约三十六亿个边界框的数据集，并专门构造了图中不存在的“难例”以提升鲁棒性。在技术实现上，坐标被编码为从零到一千的专用词元，若目标不存在则填空值。为了实现像素级分割，模型在边界框后生成一个特定的“obj”词元，该词元被送入一个约960万参数的像素解码器中直接生成掩码或抠图，无需外挂大型分割模型。训练过程采用三段监督微调结合GRPO强化学习，重点优化模型最不确定的样本。

“一个OBJ词元把从框到像素的感知装进同一个小模型，还学会了说没有。”

性能数据显示，以4B版本为例，密集小目标检测的平均F1得分为71.3，“Locate Anything”任务得分58.7。面对不存在的目标，其拒识率达到67.4%，远超其他对比模型（均低于25%）。在计数任务中，Mix Count测试集的精确计数准确率为40.4%，第二名仅为15.2%。像素级分割评测中拒识率为86%，框提示抠图误差为5.0（对比方法最佳为11.0）。尽管在个别严格指标上仍落后于Locate Anything，且作者承认其无思维链、仅做单轮推理通用能力可能不如底座模型，但它成功将多任务感知整合进了一个小参数量的模型中。

工程师的15条智能体工作法：从交互到协作

Dorson Ball分享了与编程智能体协同工作的经验，提出了十五条核心工作法。首先，他主张只使用最新最强的模型，因为便宜一半但随机笨两成的模型会导致错误难以定位。其次，他不再担心AI堆砌垃圾代码，认为即使产生冗余也可维护。在提示词工程上，应关注“想要什么”而非“怎么做”，例如设定编译器和虚拟机的性能阈值。为了让智能体消除幻觉，必须赋予其看见整个开发流程的能力，包括运行程序、读取日志和部署发版。团队为此开发了专门插件处理Bug报告、邮件发送和健康检查。

“幻觉是靠工具调用止住的，看不见的东西它就会编。”

在测试方法上，他建议开启五个互不知情的智能体进行对照组和实验组对比。针对本地开发资源冲突问题，他倾向于远程机器部署，并让智能体一次性生成二十个版本供组合测试。查性能问题时，先提出四个猜想再逐一验证。他强调“别等智能体，让它等你”，任务应批量处理而非频繁交互。定时唤醒功能被视为“杀手级特性”，如两小时后查日志或每日九点检查。上下文管理应自动化，避免手动纠结Token数量。此外，智能体不应替人撰写人际沟通内容，代码审查应聚焦影响面大的核心文件和架构逻辑。这些方法截至2026年10月仍具参考价值，但需根据团队情况调整。

Matrix Game 4.0：代码管规则的视频游戏生成

Matrix Game 4.0论文提出了一种新的视频模型游戏世界构建思路：代码管规则，视频模型只管画。传统世界模型将状态隐藏在像素中导致误差累积且视野受限。该系统将架构拆分为三部分：游戏引擎作为裁判管理状态和规则，编程智能体担任编剧设计玩法，视频模型充当画师生成画面。引擎负责绘制粗糙的低多边形几何位置信息并实时拼接语义文字描述，视频模型则基于此重绘出具有材质和光影的高质量画面。训练数据来自虚幻引擎5，采集了约1700小时的成对视频。

“代码管规则，视频模型管画面。”

在推理优化方面，渲染模型基于万2.2蒸馏版本，每次生成四帧仅需一到两步去噪。在一块RTX 5090显卡上，生成速度从每秒4.5帧提升至83.4帧，按键延迟从1110毫秒降至112毫秒。与四个同类系统相比，其延迟最低（约为第二名的五分之一），且是唯一使用单张消费级显卡运行的系统。编程智能体允许通过自然语言修改玩法，如为射击游戏添加护盾或改变赛车模式。尽管目前每个游戏需单独训练模型，输出分辨率为480P，且评测仅基于40秒片段，但其开源的代码和权重展示了实时生成可玩游戏的潜力。

Ego Experience：单目视频还原3D世界的新方案

南洋理工、清华和北大等团队提出的Ego Experience论文，探讨了如何从第一人称视频中一次性还原3D世界。传统方法分别处理相机、深度、手和物体，导致尺度和坐标无法对齐。该方案核心在于一台自动标注引擎：头戴设备的双目相机计算深度，SLAM算法计算轨迹；物体先在31台相机的穹顶中扫描建模，再在视频中跟踪核验，最终统一放入世界坐标系。由此构建了50小时数据、101个物体和270个任务，涵盖桌面、跨房间及户外场景。

“先用引擎造出对齐的数据，再让一个模型一次就把相机、场景、手和物体放进同一个3D世界。”

其提出的egoX模型仅需单目视频和第一帧物体掩码，通过一次前向传播即可输出相机深度、双手及物体位姿。在HOT3D基准上，手的世界坐标误差从56.3毫米降至38.9毫米；在自家评测集上误差减少65.6%。物体位姿预测在四个基准中均领先，自家评测集AUC从59.8提升至76.6，深度误差降低42.9%。尽管相机轨迹仅在HOISD上最优，且仅处理刚性物体不预测网格，但该方案实现了多要素在同一真实尺度坐标系下的统一输出。

Kimi K3：三万亿参数模型在多晶圆上的部署策略

Sarah Brass探讨了如何在内存受限的硬件上运行三万亿参数的大模型，以Kimi K3为例。该模型共93层（69层线性注意力、24层稠密层），四比特量化后权重总计1.5TB。由于单块晶圆内存仅44GB，无法容纳完整模型。部署策略是将模型按层拆分：稠密层因需KV缓存空间，每块晶圆仅放一层；线性层状态固定小，可放置两层。最终共需59块晶圆。晶圆间仅传输激活值，通过以太网RDMA通信（每跳约2微秒），权重无需搬运。请求像流水线一样经过各晶圆，实现并发处理。

“把模型按层铺满晶圆，权重不动，只传激活值，再用请求把流水线塞满。”

并发上限取决于KV缓存容量。放置一层稠密层后剩余28GB内存，一个256K请求每层占147MB，理论并发约190个。作者强调，评估效率更应关注每兆瓦每秒生成的Token数而非单纯并发数。这种架构通过权重不动、只传激活值的方式，解决了超大模型在分布式硬件上的部署难题。

结论

本期内容涵盖了AI领域的多项前沿进展：南北阁4.3-33B展示了开源教师模型在智能体任务中的强劲自测表现，但需第三方验证；WeVisOne-VL通过单一模型和特定词元设计实现了多任务视觉感知的高效整合；工程师的实践表明，赋予智能体完整工具链和批量处理能力能显著提升开发效率；Matrix Game 4.0通过分离规则代码与视频生成，实现了消费级显卡上的实时游戏渲染；Ego Experience解决了第一人称视频中多要素3D对齐的难题；Kimi K3的多晶圆部署方案则为超大模型硬件落地提供了新思路。这些案例共同指向一个趋势：专业化分工与系统级优化正在推动AI从单一模型能力向复杂应用落地加速演进。