大家好，我是 Kate。十月二十六日，AI 值得看。南北阁四点三三十三B来了，他先当老师，再把本事交给小模型，三百三十亿参数稠密结构，Apache 二点零开源，是这个系列的旗舰教师模型。它不只是老师，官方称它本身就能直接部署。
模型卡列出的二十项评测里，他拿了十七项第一。官方对比了三个三十 B 级的新模型，Quan、Muse、Glimmer 和 Gemma 都开最高思考强度。智能体编程上 Terminal Bench 2.1，他拿到八十点九，Quan 是七十三点零。
更难的四点零版他是二十三点八，另外三家最高只有六点三。办公协作也领先。YC Bench 按美元计分，它约一百零二万，Quin 约六十四万。Job Bench 覆盖三十五种职业，它在多数职业上领先，但医疗管理者一项，它是二十七点八，Quin 是四十五点三。
它也不是样样第一。SWE Bench Pro 和 GDP VL 略输 Quin，GPQA Diamond 输给了 Gemma。上下文最长五百一十二 k，思考模式默认打开。做智能体任务，官方建议保留历史思考，用 XML 调用工具。
注意，这些都是团队自测，各项评测框架不同，有的还用大模型当裁判，模型卡也还没附技术报告。一句话总结：开源的智能体老师自测领先同级，值得等第三方复测。
大模型在图里找东西，常常指错、数错，还会编出根本不存在的目标。腾讯微信视觉团队的 WeVisOne-VL 有二 B 和四 B 两版。一个模型就能检测、计数、OCR，还能分割和抠图，从框一直细到像素。
底子是一套数据引擎，超过一亿张图，约三十六亿个框，还专门造了图里其实没有的难例。坐标被写成从零到一千的专用词元，目标不存在就填空值。要做分割，就在每个框后面多生成一个 obj 词元。
这个词元交给一个约九百六十万参数的像素解码器，直接画出掩码或抠图，不用外挂大的分割模型。训练是三段监督微调，再加 grpo 强化学习，专练模型最拿不准的样本。以四 B 为例，密集小目标检测的平均 F 一是七十一点三，locate anything 是五十八点七。
面对不存在的目标，它的拒识率是百分之六十七点四，其他对比模型都不到百分之二十五。数数也更准，Mix Count 测试集的精确计数准确率是百分之四十点四，第二名是百分之十五点二。像素级也一样，在一个分割评测里，它的拒识率是百分之八十六，其他模型最高百分之四十一点九。
框提示抠图的误差是五点零，对比方法最好是十一点零。但它并非每项都第一，在个别严格指标上仍落后 Locate Anything。作者也承认，它没有思维链，只做单轮，通用能力可能不如底座。
一句话总结：一个 O B J 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。Dorson Ball 把私信里交朋友的经验写成了一篇长文，讲他现在怎么和编程智能体一起干活。
第一条，只用最新最强的模型，模型错一成你也不知道错在哪，只好反复重试，便宜一半却随机笨两成，不划算。第二，别再担心 AI 把代码库堆成垃圾。半年前也许是这样，但他现在不太相信。就算多了，他也不认为结果没法维护。
第三，提示词要写你想要什么，而不是怎么做。比如让编译器和虚拟机越快越好，不快到两倍就别停下。第四，让智能体看见整个开发流程。幻觉是靠工具调用止住的，看不见的东西它就会编，所以让它自己跑程序、读线上日志、部署和发版。
为此，他们团队做了专门的插件，用来处理 bug 报告，给用户发邮件，检查系统是否健康，还有开通功能开关。代码库里会越堆越多，说明文件、技能、脚本和文档。智能体真的会用吗？他的办法是开五个互不知情的智能体，分对照组和实验组来测。
他还觉得本地开发越来越别扭，每个智能体都要能自己安装运行需要的东西，在远程机器上很容易，在本地却总抢资源。别跟他一来一回的试，让他一次做二十个版本，再附一个能组合测试的小页面。查性能问题时，先让他给四个猜想，再逐一验证。
他说，最大的改变是要他拿出无可辩驳的证据，端到端演示、录屏、前后对比的数字都算。他甚至在说明文件里写上，这不算证据。别等智能体，让它等你。总盯着它多快开口，方向可能就错了。任务给大一点，攒成一批胶带，少来回。
定时和唤醒，它称为杀手级功能。关掉之后才发现离不开。比如两小时后查日志，上线了告诉我。每天九点检查一次。上下文也别手动管，纠结用了三十万还是三十八万 token 是浪费时间。自动压缩很好用，一个线程只做一件事。
短的四十六条消息，长的三千七百多条，在 Amp 里线程就是公司的记忆。现成和 Git 提交关联在一起，想知道当初为什么这么做，翻一下就有，还能避免重复劳动。另外，别让智能体替你给人写东西，只有调试步骤、事故报告和部分文档这类偏机械的内容可以例外。
最后，代码审查只看影响面大的地方，比如不到五个核心文件和数据库迁移、命名、类还是 B 包，甚至重复代码，他都不再在意。他只问能跑吗？看得懂架构吗？这是他截至二零二六年十月的个人做法，不一定适合每个团队。
一句话总结：给智能体眼睛、工具和大任务，你只盯证据和关键代码。用视频模型做游戏，最大的麻烦是记不住规则。这篇论文的思路是代码管规则，视频模型只管画。以往的世界模型把世界状态藏在像素里，视野外的东西没人记，小误差越积越大，玩法也只剩走走看看。
Matrix Game 4.0 把系统拆成三块：游戏引擎当裁判，管状态和规则；编程智能体当编剧；视频模型当画师。引擎只画粗糙的低多边形画面，视频模型把它重绘成有材质和光影的画面。训练数据来自虚幻引擎五，成对采集了大约一千七百小时。
引擎还会按当前看得见的物体和状态，实时拼出一段文字描述。几何管位置，文字管语义。渲染模型基于万二点二蒸馏之后，每次生成四帧，只需一到两步去噪。再加上一连串推理优化，在一张 RTX 五千零九十上，生成速度从每秒四点五帧提到八十三点四帧。
按键延迟从一千一百一十毫秒降到一百一十二毫秒。和四个同类系统比，它的延迟最低，约为第二名的五分之一，也是唯一用单张消费级显卡的。不过各家分辨率和硬件不同，仅供参考。有了编程智能体，一句话就能改玩法。
射击游戏加上护盾，赛车改成计时赛或追逐模式，规则都由引擎执行。局限也要说清楚。目前每个游戏要单独训练一个模型，输出是 480P，评测只用了 40 秒的流出片段，代码和权重已经开源。
一句话总结：代码管规则，视频模型管画面。一张消费级显卡就能跑实时生成的可玩游戏。带着相机拍下的视频，能一次还原成 3D 世界吗？这篇论文说能。第一人称视频里，相机、深度、手和物体要一起搞清楚。
过去的方法各管一块，拼起来尺度和坐标还对不上。这套方案叫 Ego Experience，来自南洋理工、清华和北大等团队，从数据到模型再到评测，一条龙全包。核心是一台自动标注引擎，头戴设备用双目相机算深度，用 SLAM 算轨迹。
物体先在三十一台相机的穹顶里扫描建模，再到视频里跟踪核验，最后全部放进同一个世界坐标系。由此得到五十小时数据，一百零一个物体，两百七十个任务，覆盖桌面、跨房间和户外。另留一小时做评测集。
模型 egoX 只要单目视频和第一帧的物体掩码一次前向，就输出相机深度、双手和物体位姿，全在同一个真实尺度的坐标系里。在四个基准上，手的世界坐标误差在 H O T 3D 上从五十六点三毫米降到三十八点九，在自家评测集上少了百分之六十五点六。
物体位姿四个基准都领先，自家评测集上 AUC 从五十九点八提到七十六点六，深度误差也降了百分之四十二点九。但它不是样样第一，相机轨迹只在 HOISD 上最好，其余三个基准 VGGT 这类模型更准。它也只处理刚性物体，不预测网格。
一句话总结：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。一块芯片只有四十四吉字节内存，三万亿参数的模型却要好几 TB，怎么装得下？Sarah Brass 用开源模型 Kimi K3 举例，讲了怎么把大模型拆到多块晶圆上。
官方称速度能到每秒一千到两千多个 token。Kimi K3 共九十三层，六十九层线性注意力，二十四层稠密层，按四比特存，权重一共一点五 TB，每层约十六吉字节。稠密层要给 KV 缓存留空间，一块晶圆只放一层；线性层只存固定大小的小状态，一块能放两层。
算下来一共五十九块晶圆，晶圆之间只传激活值，走以太网 RDMA，每跳大约二微秒，权重基本不用搬。一个请求就像过流水线，金源一跑第一二层，交给金源二跑三四层，一路传到最后，吐出下一个 token。那其他金源不就在干等吗？不会，流水线里同时塞着不同的请求，第三级算 A，第二级算 B，第一级算 C。
并发上限要看 KV 缓存，放下一层稠密层，还剩二十八吉字节，一个两百五十六 K 的请求，每层占一百四十七兆字节，算下来大约一百九十个并发。作者也提醒，并发数不等于效率，更该看同样生成速度下每兆瓦每秒能出多少 token。
一句话总结：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。以上就是今天的 AI 值得看，明天见。