主题："停下来"第一次变成了一种公开的技术主张——同一天，一边是离技术最近的人集体出走，一边是数学界自己去建开放模型
今天最重的一条不是模型发布，而是一场关于"该不该慢下来"的公开辩论终于有了形状。四个月内，两位一线研究员先后从前沿实验室离职：从 Google DeepMind 出走的 Bilal Chughtai 说"AI 有可能杀死我们所有人"，27 岁、IMO 出身的 Jacob Coxon 从 Anthropic 离职并点名两家前东家"都没有负责任地行事"，后者一条帖子的浏览量到 1.71 亿。Anthropic 对齐负责人 Evan Hubinger 公开回应认同这一风险判断，并给出自己的估计——未来十年内发生这种情况的概率超过 10%；九天后 Dario Amodei 发表《We Must Pace the Frontier》，明确呼吁放缓能力提升速度为安全研究争取时间。
同一天的另一条线给出了完全不同的解法：陶哲轩代表 SAIR Foundation 宣布启动「开放数学模型计划」，要用开放权重 + 可复现评测 + 社区治理的方式给数学界造自己的模型，Apache 2.0 / MIT / CC BY 4.0 授权，并写明"发布时同时报告失败与局限"。当最前沿的实验室在讨论要不要刹车时，数学界选择的是自己修一条路。
技术侧今天同样给出了两个方向相反的答案：华为把算力竞争推到了"系统工程"，用 NPO 光互联把 4096 卡连成一台逻辑计算机；而一位研究者把 AI 关进 1900 年，从零训出 33 亿参数的 GPT-1900，看它能不能自己撞见光量子。一个在把系统做大，一个在把世界做小。
🔥 1. "留给人类阻止 AI 的时间不多了"：两位一线研究员先后出走，Anthropic 对齐负责人公开给出十年内超 10% 的毁灭概率 — 1000 pts
相比于 Dario、奥特曼、马斯克等掌舵者的风险表态，这些离技术最近的研发人员，让这场关于人类未来的宏大争论，落回了一个个具体的人身上。
"我坚信，AI 有可能终结我们所有人，而留给我们阻止这一结局发生的时间，或许已经不多了。" 说出这句话的，是不久前从 Google DeepMind 离职的 AI 安全研究员 Bilal Chughtai。自 2021 年从剑桥大学数学专业毕业以后，Chughtai 逐渐将研究重心转向 AI，并于 2022 年初进入这一领域，关注安全、对齐和机制可解释性；此后四年，他一路从研究神经网络内部机制，到追踪模型欺骗、研究如何识别 AI 是否在"撒谎"，再到加入 Google DeepMind 继续做 AGI 安全与可解释性研究。在离职帖中，他回忆 2022 年刚入行时，AI 还只是个"几乎没什么用"的东西；而今年，它已经能攻克困扰人类上百年的数学难题，并开始不受控制、主动攻击 Hugging Face 系统。目前这条帖子在 X 上已获得超过 80 万次浏览，并引来彭博等媒体跟进报道。
Chughtai 并非孤例。9 月 9 日，27 岁的研究员 Jacob Coxon 发帖宣布从 Anthropic 离职，并直接点名两家前东家：OpenAI 和 Anthropic 都没有负责任地行事，它们正一路冲向能够自我改进的超级智能，拿所有人的生命冒险。这条帖子浏览量已达 1.71 亿次，不仅引来多家媒体报道，也得到了 OpenAI、Anthropic 乃至官方层面的回应。值得注意的是，Jacob 1999 年出生，曾两次代表英国参加国际数学奥林匹克（2016 年银牌、2017 年铜牌），在剑桥完成数学学业后先后加入 OpenAI 和 Anthropic 从事预训练研究，GPT-4o 的贡献者名单中就有他的名字——而这条引爆舆论的帖子，甚至是他发出的第一条推文。他在离职帖中特别强调：行业内部一些人对 AI 可能毁灭人类的担忧是认真的，他们私下表达的恐惧甚至比公开场合更加强烈。在他看来，OpenAI 内部的许多人还没有真正理解这项技术所牵涉的文明层面的风险；Anthropic 更清楚其中的危险，却同样被竞争推着向前——如果自己不率先造出超级智能，就会有一家更不负责任的公司抢先做到。当每家公司都相信只有自己赢了未来才会更安全，继续加速就总能找到理由。
这份声明很快得到 Anthropic 对齐研究负责人 Evan Hubinger 的回应。Evan 表示他同意 Jacob 对风险的判断：他们确实认真地相信 AI 存在杀死所有人的可能，他个人估计未来十年内发生这种情况的概率超过 10%。与此同时他也强调自己相信 Anthropic 正在尽力，但对于如何解决超级智能的对齐问题，他们尚未找到方案，也不能确定目前是否正走在通往解决方案的路上。随后掌舵者也加入讨论：Dario Amodei 在 CBS 采访中一方面表达对 Anthropic 安全工作的信心，另一方面强调解决这些问题需要科技公司、政府与社会各方共同参与；在 CNN 采访中面对关于 Jacob 的提问，他表示自己与 Jacob 的共同意见远多于分歧，并认为 Jacob 的批评指向的是整个行业不断向前竞逐的状态。9 月 12 日，Dario 发表《We Must Pace the Frontier》一文，明确呼吁放缓 AI 模型能力提升的速度，为安全研究争取时间——这份呼吁随后得到了奥特曼、马斯克等人的公开支持。
→ https://www.qbitai.com/2026/09/492755.html
🔥 2. 陶哲轩宣布启动「开放数学模型计划」：用开放权重、可复现评测与社区治理，给数学界造自己的模型 — 958 pts
"当人工智能成为数学研究的一部分，这些准则应当塑造我们使用的工具。让我们携手构建数学 2.0。"
2026 年 9 月 18 日，菲尔兹奖得主、SAIR Foundation 联合创始人陶哲轩（Terence Tao）代表机构宣布启动「开放数学模型计划」，意在联合学术界与产业界，为数学及科学研究构建开放权重模型与配套开源工具。计划首阶段聚焦理解论证、核对文献、形式化证明等日常科研场景，以开放权重、可复现评测与社区治理为原则运作，即日起面向社区征集资金、算力、专业经验与社区建设方面的合作伙伴。
陶哲轩在声明中交代了这件事的来龙去脉：去年他与几位科学家和投资人等共同创立了 SAIR Foundation，意在打造一个非营利组织，在数学及其他科学领域支持人工智能的负责任使用，且不依附于任何大型 AI 公司。基金会资源起初相当有限，主要活动集中在播客、短期活动与竞赛；近期获得 XTX Markets 的支持，资助了下一轮 SAIR 竞赛。他透露，团队原本计划循序渐进，未来几个月先从若干试点项目起步，但"考虑到当下形势与各界对开放模型的强烈需求，我们决定加快进度，将计划的首次公开宣布提前到今天，尽管部分关键规划仍在推进之中"。
计划列出了六条原则，其中几条针对当下痛点写得相当具体。由社区塑造的模型——邀请数学界及其支持者共同构建开源模型，研究者能够并且将会决定这些模型的训练方式、评测内容以及它们如何服务科研与教学，参与应跨越机构、地域与职业阶段向所有人开放。开放开发——模型提供开放许可的权重与代码、公开训练方法、提供可复现的评测；训练数据附带可追溯的来源与兼容的授权，共享边界会被清楚标注；模型发布时将同时报告失败与局限，而非只宣扬成功，独立团队能够复现这项工作并把模型适配到自身数学需求。数学界拥有数据——仅在获得用户明确同意、且依据事先约定条款的前提下，才使用用户数据训练或改进模型。共享知识产权——模型、代码与工具在开放许可下与社区共享（如 Apache 2.0、MIT 或 CC BY 4.0），联合开发成果的权属、许可与署名从一开始就与贡献者约定；研究者保留其独立既有成果的权属，这些成果若分享给本计划，研究者将为其数学思想与结果获得署名。开放的社区与治理——治理规则与决策公开，成员有清晰渠道提出建议、参与决策并问责领导者；与战略产业伙伴合作以提供算力等资源，但这些合作必须保持社区的研究独立性。
→ https://www.qbitai.com/2026/09/492467.html
→ https://www.sair.foundation/
🔥 3. 华为汪涛：昇腾 960DT 提前三个季度，NPO 光引擎把 4096 卡连成一台逻辑计算机，"只做好一颗芯片远远不够" — 924 pts
AI 基础设施已经进入系统工程阶段——只做好一颗芯片不够，只做一台服务器也不够，最后要交付一个高可用度的复杂系统才有价值。
华为今年全联接大会上最重磅的，首先是一组芯片时间表：昇腾 960DT 研发进度比原计划提前三个季度，单芯片算力实现倍增，960DT 支持 2 PFLOPS FP8、4 PFLOPS FP4，HBM 容量最高 288GB、带宽 9.6TB/s；对应的昇腾 960 超节点做到 4096 张 NPU 卡，最高 8 EFLOPS FP8 算力、超过 1PB HBM 容量。华为轮值董事长汪涛把后续路线一并摊开：2028 年昇腾 970、2029 年昇腾 980，未来几年保持"一年一代"的演进节奏。他在会后接受专访时把这个变化说得很直白："从今年开始，950、960、970、980 连续几代，未来几年我们坚持一年一代，走入了快速演进的节奏。这也是国内半导体制造、封装的上下游配套全部打通之后才实现的。"关于节奏的可信度，他透露 960 芯片已经在实验室测了好几个月——"芯片从立项到产品化往往要三年，我们任何一次发布，都是产品已经在实验室反复测试、有准确交付时间之后才做"。
但华为这次想讲的显然不只是一颗更快的芯片。华为把突破口放到了规模算力上：910C 是 384 卡，950 做到 1024 卡，960 进一步扩到 4096 卡，并通过跨物理节点的统一内存编址，让多颗 NPU 互联起来更接近一台逻辑计算机。汪涛提到，华为从仿真训练里看到，在同样十万卡集群下，4096 卡超节点组成的集群相对传统八卡服务器组成的集群，MFU 可提升 2.75 倍（MFU 可简单理解为大模型真正吃到多少理论算力，集群越大，通信、同步、故障越容易把峰值性能吃掉）。他因此反复强调，AI 基础设施已经进入系统工程阶段，"只做好一颗芯片远远不够，只做一台服务器也不够，最后要交付一个高可用度的复杂系统才有价值"。谈到华为在这一轮算力竞争中的位置，他的判断很鲜明："要做好这么大的超节点集群，需要通信技术、IP、光模块、算力、系统，华为干了 30 年，每个领域都有长期大规模研发投资。把这些能力全部聚在一个团队里，似乎只有华为。"
960 超节点这一代最硬的新增技术是 NPO（近封装光学）。NPO 把负责光电转换的"光引擎"往芯片附近推进，相当于"让电少跑一点，让光早点接手"，从而降低高速互联的传输损耗和功耗——卡越多，芯片之间数据交换越频繁，互联能力就越容易从配角变成决定整个系统效率的关键。昇腾 960 是业界首个采用 NPO 光引擎的超节点，华为用这套架构做的产品是 Hi-ONE 光引擎：单引擎集成 36 路 200G，总传输容量 7.2Tbps，并把光源直接内置。汪涛把 Hi-ONE 的领先性概括为"三个第一"——第一个规模商用的（大家还在实验室阶段）、最大的带宽（36 路 200G 集成）、唯一内置光源的。值得注意的是，华为没有直接一步走向 CPO（共封装光学），汪涛解释得很具体："CPO 把光引擎和主芯片放一起，光引擎坏了整个主芯片就报废，可用度差，故障成本极高，对封装厂要求也高。现在 NPO 的 TCO 至少比 CPO 低 40% 以上，当前 NPO 是工程、成本各方面综合最佳选择。"他对 CPO 的态度很开放——未来若解决了可靠性、良率问题，华为也可能转向。（本条与 9 月 18 日本刊第 5 条华为 Peerium 计算架构为同一大会的延续报道，角度不同：本条为芯片路线与专访细节。）
→ https://www.qbitai.com/2026/09/492476.html
🔥 4. JEPA-Anything：一个预测核心跨七类系统验证，行星轨迹里跑出开普勒第三定律（拟合斜率 −1.4991，R² = 0.99999999） — 900 pts
天气、分子、细胞、病人、机器人乃至行星各自遵循完全不同的规律，但 AI 在理解它们"如何变化"时，有没有可能共享一套更底层的方法？
PhAI Labs 联合牛津、斯坦福、普林斯顿、港中文等高校团队最新发布的 JEPA-Anything，尝试回答这个问题：它是一个面向不同"世界"学习预测模型的跨领域框架——每个领域保留自己的观测形式、context-target 构造和编码器，但共享后面的预测核心以及一套统一的 latent world-state interface。其中涉及一个叫 OPF（Orthogonal Predictive Factorization，正交预测分解）的关键机制，可以先简单理解为：别把世间各种各样的变化全都堆在一块去学习建模。
问题意识来自标准 JEPA 的局限。JEPA（Joint-Embedding Predictive Architecture）相比直接在原始空间重建目标状态，选择在表征空间做预测，不必还原每一个像素或细节——它把观测信息先编码为隐空间内部表征，再在表征空间内完成预测，从而把更多表征能力留给具有预测价值的结构，减少纹理、噪声等原始空间细节的干扰。但标准 JEPA 通常让信息全部汇入同一个 target embedding，走同一条预测路径，而现实世界的变化往往不是单线程的：分子的整体平移往往伴随内部原子的微观振动；宏观气象系统的缓慢演变中夹杂着剧烈的局部扰动；生物系统则更为复杂，多尺度、多通路的变化时刻在同步发生。当不同尺度、不同实体、不同难度的信号强行挤在一起时，那些更容易预测、变化更显著的信号可能优先占据更多预测容量，而那些相对微弱却同样关键的信息，要么在梯度冲突中被抵消，要么被强信号彻底掩盖——研究人员将其归结为一个"预测容量如何分配"的问题。
解法是空间解耦。OPF 将原本完整的目标状态切割为多个彼此互补的子空间，交由不同的预测分支独立处理，最终再拼回完整的世界状态；为防止多分支演变为"多套人马学同一件事"的冗余状态，OPF 引入正交约束，让不同 factor 尽量占据互不重叠的预测方向，同时通过因子活性约束和编码器方差约束，避免部分 factor 失活并降低表示坍缩风险。值得注意的是，这些 factor 并没有被预先规定"你负责速度""你负责温度""你负责某条生物通路"，它们学什么由数据中的可预测结构决定；训练完成后，这些 factor 也因此留下了一个可供后续分析的内部接口。
这条"内部接口"正是实验设计最巧的地方：论文里出现了两个看起来风马牛不相及的研究对象。其一是患者来源的类器官——研究者利用模型学到的内部因子，提出了细胞因子联合抗体阻断的干预方案，并经细胞系、类器官、小鼠实验层层验证；其二是宏观宇宙——研究者把模拟的行星位置和速度轨迹喂给模型，不告诉它开普勒定律，等它学完后分析其内部的预测模式，提取出的"轨道频率—半长轴"关系拟合斜率 −1.4991（开普勒第三定律理论值为 −1.5），R² = 0.99999999。肿瘤研究和行星轨道计算，两个八竿子打不着的领域用同一种预测学习方法搞定——这就是"同一预测核心，跨七类系统验证"的含义。
→ https://www.qbitai.com/2026/09/492429.html
🔥 5. Jev 生态第二天继续加速：旗舰一天再涨 47%，社区已经做出"nano 复刻版"并自带端到端训练管线 — 876 pts
前一天它还只是简报里的一行脚注，今天这个生态里出现了比"用 API"更重要的一件事——有人开始自己训了。
这条线索继昨天之后继续加速。昨天本刊记录 browser-use/jev-ultrafast 从 ★842 冲到 ★4637，今天它涨到 ★6845（fork 433），单日再涨 47.6%；tamaratran/fast-jev-compaction 从 ★2618 到 ★3807，TheoLeeCJ/SemIf 从 ★1460 到 ★1740，jarrodwatts/jev-trader 从 ★775 到 ★1034，vinnylarouge/jevlike 从 ★837 到 ★935——生态里每个仓库都在同一天同步上涨，这比单个仓库爆红更能说明问题。
但今天真正的新变量是 TianyuCodings/NanoJev（★669，MIT，Python），其描述是"A nano replica of Jev: parallel decisions, dynamic candidates, and an end-to-end training pipeline"。换句话说，生态的重心正在从"调用 TypeSafe 的 Jev"转向"复刻并自己训练一个决策模型"：昨天社区的关注点还是怎么把这个 API 接进 Claude Code、接进浏览器、接进交易机器人，今天已经出现了带完整训练管线的开源复刻版。与之呼应的是同期冒出的 zhengkid/Dream-RSI（★832），标题为《Dream-RSI: Recursive Self-Improvement through Evolving Worlds》——把"演化世界里的预测学习"与递归自我改进放在同一个框架下。
把这一串放在一起看，"决策模型"正在从一家公司的产品，变成一个社区可以自己训练、自己分发的模型类别。而这恰好与今天第 1 条形成一组耐人寻味的对照：前沿实验室在公开讨论是否该放慢能力提升的速度，而开源社区则在用几百个星的速度把一个更小、更可控、只输出类型化判断（Choice / Score / Noul + 校准概率，不生成文本）的模型类别做成了生态。需要如实说明的是：这一生态的全部仓库创建时间集中在 9 月 13 日至 17 日，其中最年轻的还不到一周，星数增长快但缺乏长期验证，其中的性能主张（如 7.1 秒完成订票）来自项目方自测，本刊已在昨日简报中标注其样本量与统计强度限制。
→ https://github.com/browser-use/jev-ultrafast
→ https://github.com/TianyuCodings/NanoJev
→ https://github.com/tamaratran/fast-jev-compaction
🔥 6. Nature 提出"爱因斯坦测试"：把 AI 关进 1900 年、用 220 亿 token 喂出一个大脑，它能自己撞见光量子吗？ — 852 pts
如果把 AI 送回 1911 年，只让它掌握爱因斯坦所能了解的知识，AI 能否在 4 年后的 1915 提出相对论？
这个听起来有些离谱的测验，来自诺奖得主、Google DeepMind 联合创始人哈萨比斯。他真正想考的是：AI 能不能仅以 1911 年的知识水平，直面当时的知识和物理难题，自己提出一套新的解释框架，并完成一套超出训练材料的推理，而不是只会照着答案复读。如果能做到，他认为这将成为检验 AGI 的一项有力测试。而这个设想最巧妙的地方在于，科学史已经告诉我们发生了什么——只要能把知识节点控制好，就有机会对照历史，观察模型有没有获得超越训练数据的推理能力。Nature 在文章中给这类测试起了个相当响亮的名字：爱因斯坦测试。
更有意思的是，还真有人动手做了。今年 3 月，独立研究者 Michael Hla 把知识截止时间进一步提前到 1900 年，从零训练了一个历史语言模型 GPT-1900，试图让它重新发现光量子、狭义相对论和广义相对论。他把项目命名为 Machina Mirabilis——借用爱因斯坦的"奇迹年"（Annus Mirabilis）：1905 年，26 岁的爱因斯坦接连发表 4 篇改变物理学的论文，涉及光量子、布朗运动、狭义相对论和质能关系。为此，他借助 Andrej Karpathy 的 nanochat 训练框架，从零训练了一个 33 亿参数的 Transformer 语言模型；主要预训练材料来自 1900 年以前的书籍和报纸，总计约 220 亿 token，另收集了 2600 多部历史物理书籍、期刊和科学著作（包括牛顿的《光学》、麦克斯韦和法拉第的相关著作），形成约 2.9 亿 token 的历史物理语料。他专门清理了可能泄漏答案的数据：如果一份文献中出现"爱因斯坦""量子力学""相对论"等现代概念，整份文献都会被删除；现代人添加的前言、脚注以及明显不属于 1900 年前的词汇同样需要过滤。
结果是既惊喜又克制。Hla 给 GPT-1900 出了一道光电效应题——为什么频率不够高时，光再亮也打不出电子，而提高频率却能让电子获得更多能量——并附上几条关键线索与当时流行的经典假设，方便模型对照判断哪里出了问题。GPT-1900 真在一次回答里冒出了这样的描述："光可能不是连续的，而是由许多彼此分离、频率不同的部分组成。" 这确实神似爱因斯坦"能量一份份传递"的解释，Hla 也把它形容为"直觉的闪现"。但千万不要急着把诺贝尔奖递过去：Hla 坦言，GPT-1900 距离"重新发现光量子"还有很远，它在大多数物理任务上都翻车了，而那些看似突破的回答，可能只是模型在拼接合理的词句，谈不上形成了真正可靠的物理理解；更何况在测试里，Hla 已经替它筛好了现象、理好了矛盾，模型要做的只是找出哪项假设可能出错——"这比科学家自己找问题、定方向可容易太多了，爱因斯坦当年可没有人替他划重点"。而且它所在的"1900 年"也不是完全密封的。Nature 因此把问题指向了一个比"AI 有没有答对"更难的层面：AI 究竟能不能创造真正的新 idea？以及它距离成为一名科学家，还差什么？
→ https://www.qbitai.com/2026/09/492550.html
🔥 7. "别再让 Agent 裸连数据库了"：用 MCP + 语义网关解决 NL2SQL 的语义幻觉与权限失控 — 830 pts
只读权限让 Agent 无法胜任轻量级 CRUD；直接给 Agent 暴露数据库凭证则无异于"裸奔"——两堵墙夹出了这一层的真正需求。
在 2026 年，给 AI Agent（Cursor、Claude Desktop、Dify、Coze 等）外挂一个数据库连接，已经成为很多开发者的标配操作；从简单的官方 SQLite/MySQL MCP 到各种通用客户端扩展，让大模型"直接查库"的门槛被降得极低。然而一旦进入真实业务场景，大部分团队很快就会撞上两堵高墙：其一是语义幻觉严重——大模型根本不懂企业的"黑话"缩写、枚举字典与隐式多表关联，写出的 SQL 经常连表都 Join 错；其二是生产权限失控——直接给 Agent 暴露数据库连接凭证无异于"裸奔"，更无法防范越权删改与高危全表扫描；而只读权限又导致 Agent 无法胜任轻量级 CRUD 应用。
作者从自己从传统 BI、自建 ChatBI 到开源项目 DatI（Data Intelligence）的演进实战出发，复盘了这条路的两次转向。第一阶段是 NL2DSL 的两难困境：早期模型能力有限，为了提升取数准确率，大家普遍采用"自然语言转结构化 DSL（如指标模型）"的路线，但 DSL 在提升可控性的同时，也严重扼杀了复杂即席多维分析的灵活性。第二阶段是交付形态的割裂：实际业务中用户要的往往不是一个被孤立的"问数看板"，而是想把"查数与改数的能力"无缝嵌入各种日常工作流（协同办公、自动化客服、巡检机器人）。随着 Model Context Protocol (MCP) 的普及，作者找到的解法是：无需重型 BI 平台，直接把数据库封装为规范的 MCP 服务，配合轻量化的语义层与受控工具链，无缝插拔进任意 Agent。DatI 的设计哲学很克制——对接多源数据库 → 统一维护业务语义层 → 组装预置与自定义工具 → 一键发布为标准 MCP 服务；终端 Agent 挂载该 MCP 后，不仅能完成准确的只读问数，还能通过白名单机制安全执行增删改。
架构上两个决定值得单独拎出来。一是后端坚守 Java：在 AI 领域 Python 和 TypeScript 固然流行，但数据网关的底座是企业生产数据库，Java 生态中的 JDBC 标准规范与 HikariCP 连接池，在突发瞬时高并发、长连接治理、事务控制与异构驱动兼容性上历经了二十多年工业级高可用验证，其稳定性是动态语言难以企及的——目前原生支持 MySQL、PostgreSQL、ClickHouse、Doris、MariaDB 等主流关系型与分析型数据库。二是业务语义建模层：作者指出大模型在 NL2SQL 中犯错，90% 是因为缺乏业务上下文，因此 DatI 允许为表、列、枚举字典值、领域术语配置业务别名与详细描述——比如把 txn_type=1 明确绑定为"转账支出"这类具体含义，而不是让模型去猜。文中用一个"家庭双人记账与消费分析"案例走通了全流程：MySQL 三张表（account 账户表、category 类目表、transaction 流水表），开启 4 个预置工具（元数据检索、表清单、表结构详情、受控 SQL 执行且限制只允许 SELECT）与 4 个参数化自定义工具（初始化账户、记账、改账、删除流水）；发布为 MCP 服务后，用户 1 在 WorkBuddy 接入、用户 2 在千问办公接入，无需重复开发后端，两个 Agent 即可复用宿主自带的 OCR 识图报销、微信远程对话、图表可视化能力。
→ https://www.oschina.net/news/502591
🔥 8. Qwen3.8-27B 把"现搓网页"干成了"秒开网页"：每秒近 2000 token，6.78 秒生成一个 Google 首页——但后端没来上班 — 808 pts
Qwen 把产品、设计和前端的活打包演完了，只不过后端好像请假了。
每秒狂飙近 2000 Token，直接把"现搓网页"干成了"秒开网页"，Qwen3.8-27B 最近在开发者圈中火了。工程师 Alok 把 Qwen3.8-27B 与 Cerebras 叠加起来，搭了一个脑洞大开的"AI 电脑桌面"：这台电脑里的"浏览器"全程离线运行，不会从 YouTube、Google 等现成目标网站套取页面，用户只需输入网站名称和想要的年代，Qwen 就会根据自己的理解现场生成一套完整界面——想看 1999 年 Web 1.0 版 YouTube、想提前逛逛 2045 年的未来版 YouTube，都可以。最让人惊艳的是生成速度：整个"Google 首页"生成仅耗时约 6.78 秒；从"Google 首页"中搜索出"YouTube"仅用时 6.07 秒，且 AI 摘要、搜索结果和信息卡片一应俱全。
量子位随后用 API 做了两道实测来探底。实测一是给即将开周会的产品经理现场做一个数据分析"救急神器"——要求能自动识别并处理表格中的空白、重复和异常数据，汇总访问与付费用户数等核心指标，统计总营收，用柱状图呈现不同渠道的用户转化，最后交付一份校对好的 Excel 表和一份可直接汇报的 txt 总结。结果：从下达指令到工具生成全程不过 5 分钟，五项要求全部精准落地、数据分毫不差，而生成的文件只有 52KB，"随便一张手机照片都比它占内存，根本用不着费劲装 App"。实测二是让它做一个 12306 抢票页面——页面出现那一刻"差点以为 12306 连夜招了个 AI 外包"：蓝白配色、车次列表、出发时间、席座价格、余票数量全部配齐，乘车人可勾选，预订按钮能正常点击，最后甚至还会弹出"购票成功"的页面。但作者拿起手机一看，实际的出行订单比钱包还干净——问题正出在这里：Qwen3.8-27B 生成的网页默认并没有联网接入 12306 的实时数据、用户账户、支付系统和真实后端，因此只要任务涉及身份验证、真实交易或外部服务，它就束手无策，只能勉强交出一个足够逼真的"外壳"企图蒙混过关。作者也指出，即便不谈那 1950 token/s 的神速，Alok 的实测同样暴露了这个问题——他生成的 YouTube 网页看起来像模像样，归根结底也只是一层皮。
→ https://www.qbitai.com/2026/09/492573.html
🔥 9. 马斯克批量收购倒闭公司数据来训 Grok：谷歌曾出价 1000 万美元想买下破产航司的业务数据 — 786 pts
以前创业公司失败，留下的是办公室、服务器、债务和一地鸡毛；现在公司可以凉，数据还能趁热再就业。
彭博社最新爆料：SpaceX 内部已经讨论过，从一些陷入困境、甚至已经倒闭的初创公司手里，购买客户信息和运营数据，用来改进自家的 AI 模型。原因也很朴素——实惠。需要说明的是，目前还没到成交那一步：彭博社称相关讨论还停留在 SpaceXAI 内部的非正式阶段，最后未必会形成交易，SpaceX 方面也未回应置评请求。但这更像是 Grok 一路训下来之后必须补上的一块拼图。此前 Grok 主要靠两类数据：一类是 X（原推特），核心塑造了 Grok 的"人格"——海量实时内容、热点争论、段子、阴阳怪气和各种碎片化表达，所以 Grok 一出生就自带互联网味儿；另一类是 AI tutors，主要由各领域专家和标注人员组成，负责给 Grok 补齐金融、科学、代码等专业能力。但这条线最近也在调整：据彭博社 6 月的消息，xAI 一度暂停 AI tutors 招聘，后来还换了团队负责人——原来带队的是 Diego Pasini（2023 年高中毕业后进入宾夕法尼亚大学，后休学加入 xAI 并参与管理 Grok 的数据标注团队），接替他的是 Jack Garabedian，一位从 SpaceX 内部调来、在 Starlink 干了多年、2021 年就加入 SpaceX 的老兵。这场换人信号已经很明确：Grok 的数据训练正在从早期冲刺转向工程化生产线。
而马斯克本人把话说得更直白——他最近在一次 SpaceX 员工会议上说："我们会用所有 SpaceX 信息来训练 Grok，包括你们。" 也就是说，Grok 吃下的将不只是 SpaceX 的代码、文档和流程，也包括员工在工作中留下的各种痕迹。于是再看这次买倒闭公司数据，逻辑就清楚了：X 负责塑造人格，AI tutors 补专业能力，而客户信息和运营数据补的是第三块——真实业务场景：客户怎么下单、工单怎么流转、服务怎么交付、公司每天怎么运转。这些东西 X 上学不到，靠人工标注也很难规模化，最直接的来源就是一家家公司自己手里的客户信息和运营数据。问题在于正常运转的公司未必愿意卖，真要买也不会便宜，所以陷入困境、甚至已经倒闭的初创公司就成了很现实的选择。而盯上倒闭公司数据的并不止马斯克一个：更早被摆上货架的是美国廉航 Spirit Airlines（精神航空），这家公司破产重组后，一批内部业务数据进入拍卖流程，谷歌出价 1000 万美元，想买下它的去标识化业务数据、运营记录和软件代码，用来训练 AI 模型、改进产品；由于这批数据不只有航班表，还包括内部邮件、Teams 聊天、协作记录、收入、航班运营、员工生产力、审计和欺诈相关信息，这笔交易很快便因"可能泄露隐私"被搁置。抛开交易结果不谈，两家盯上倒闭公司数据是同一套逻辑：智能体要进企业干活，就得理解真实业务怎么跑——谁能拿到更多真实业务数据，谁就更有机会把模型从"会聊天"推到"能干活"。
→ https://www.qbitai.com/2026/09/492661.html
🔥 10. Agent 的"技能层与插件层"集体冲上 GitHub 热榜：从安全审计 Skill 到 8–29MB 的端侧自动化模型 — 764 pts
GitHub Trending 今日恢复正常返回，而它给出的最强信号不在模型侧，而在这批"给 Agent 装能力"的仓库上。
GitHub Trending 今日恢复正常（昨日返回 0 字节），榜单上最集中的一类是给 AI Agent 提供技能、插件与环境的仓库。必须如实说明：这些仓库都不是今天新建的——addyosmani/agent-skills 创建于 2 月、anthropics/knowledge-work-plugins 创建于 1 月、cloudflare/security-audit-skill 创建于 6 月，它们是老项目今日重新上榜，因此本条讲的是"生态重心"而不是"今日上新"。
具体来看：cloudflare/security-audit-skill（★15,174，MIT，JavaScript） 定位是"一个用于多阶段安全审计的编码 Agent 技能，产出可被机器读取、可独立验证的审计结论"——把安全审计从"人读报告"变成"Agent 出结构化结论"；addyosmani/agent-skills（★96,709，MIT） 是"面向 AI 编码 Agent 的生产级工程技能"集合，接近十万星的体量说明"给 Agent 写技能"已经成为一门独立的工程实践；anthropics/knowledge-work-plugins（★24,991，Apache-2.0，Python，今日仍有推送） 是 Anthropic 为知识工作者在 Claude Cowork 中使用而开源的插件仓库，与本周 Claude 双入口合并、原生 Office 上线的动作方向一致；coder/coder（★15,457，Go，AGPL-3.0） 的定位已改成"为开发者和他们的 Agent 提供安全环境"，说明开发环境厂商正在把 Agent 当作一等公民纳入隔离与权限设计。
其中最值得单独记一笔的是 cactus-compute/needle（★11,432，Apache-2.0，Python）——"面向微型设备的自动化基础模型：2-bit、8–29 MB、支持工具调用与结构化抽取"。它和上面几个方向不同：不是给云端 Agent 加技能，而是把"会调用工具"这件事压到 8 到 29 兆的体量、用 2-bit 量化塞进极小设备。把它与本周另一条线放在一起看会更有意思——昨天 Qwen3.8-Omni-Flash 在云端做"按需感知"、今天 Qwen3.8-27B 在 Cerebras 上以近 2000 token/s 现搓网页，而 needle 走的是完全相反的一极：不追求通用，只追求在极小的内存里可靠地完成"该调哪个工具、该抽出什么字段"这类决策——这与 Jev 的"只输出类型化决策、不生成文本"其实是同一个思路在硬件尺度上的投影。此外榜单上还有 yynxxxxx/Codex-X（★3,322，MIT，Rust，OpenAI Codex 桌面端/CLI 的可视化管理工具，支持 Provider/API 切换、会话同步、提示词注入、Skills/MCP 管理与 TOML 配置可视化）、docling-project/docling（文档转 gen AI 可用格式）、cloudflare/quiche、ruanyf/weekly 等。
→ https://github.com/cloudflare/security-audit-skill
→ https://github.com/addyosmani/agent-skills
→ https://github.com/anthropics/knowledge-work-plugins
→ https://github.com/cactus-compute/needle
📌 今日趋势总览
本文原创作者：易君召，详见：https://www.yijunzhao.cn/authors/yijunzhao，转载请注明出处。
原文链接
欢迎访问 小易撩挨踢