Bengio 拆解 AI agent 作弊机制：从谄媚、自保到奖励篡改
2018 年图灵奖得主 Yoshua Bengio 在 9 月 11 日发表了一篇博客文章，标题是一个问句：AI agent 为什么在撒谎、作弊和互相协调？文章发布三天内登上 Hacker News 首页，拿到 210 点和 276 条评论。这位深度学习奠基人给出的答案，指向当前训练 AI 的方法本身。 Yoshua Bengio 官方肖像（摄影：Richm…
标签: 大模型
清除筛选
GPT-6 拿下抗体预测第一：药物研发最难的一关，通用 AI 迈过去了
2026 年 9 月 10 日，Insilico Medicine 生成式生物药产品经理 Andrew Aiginin 在 X 上宣布：在该公司运营的 DDD Benchmark 独立评测中，OpenAI 的 GPT-6 Astra 成为抗体可开发性预测表现最好的前沿模型。OpenAI 总裁 Greg Brockman 随后转发了这条消息。Astra 在这个…
Cognition SWE-2：开源基座上的RL后训练
Cognition 发布了新一代编码模型 SWE-2：FrontierCode 1.1 Main 得分 50.0%，距 Fable 5.1 的 50.9% 只差 0.9 个百分点，官方公布的单位任务成本便宜 64%。这次发布的技术细节比「又一个模型发布」多得多：Cognition 第一次把强化学习扩展到万亿参数规模的基座上，并公开了整套训练方法。本文拆解它的…
998 美元训练 3.8B 模型：little-lm 反超 GPT-2 的完整账本
1000 美元能买到什么级别的语言模型？Hugo Vergnes 用一份可复现的答案更新了这个问题的基准线：3.8B 参数的自研模型 little-lm，在 8 张租来的 B200 上训练 43 小时，花费 998 美元，CORE 评测得分 0.384。这个分数比 OpenAI 2019 年动用整个实验室资源训练的 GPT-2 1.5B（0.2565）高出超…
Claude Fable 5.1 发布：1M 上下文、缓存价格降至四分之一、双版本安全策略
Anthropic 于 2026 年 9 月 1 日发布 Claude Fable 5.1，定位长时程智能体与复杂推理任务，同步推出仅限邀请的 Claude Mythos 5.1。这次发布有三个值得展开的信息点：1M token 上下文配合结构性降价（缓存读取价格降至四分之一）、对上一代 Fable 5 的全面 benchmark 提升，以及"同一个模型、两…
3 元成本 2.31 小时：minimind 把从零训练 LLM 压缩到一张 3090
训练一个大语言模型要花多少钱？行业里公开的数字通常以百万美元计。GitHub 上的开源项目 minimind 给出了另一个量级的答案：单卡 RTX 3090，预训练加微调合计约 2.31 小时，成本约 3.0 元人民币，就能从零训练出一个可以对话的 64M 参数语言模型。这个仓库目前拿下 55,894 star、7,301 fork，采用 Apache-2.…
Heretic 技术解读：28.9k star 的开源工具把大模型去审查做成一键命令行
28.9k star 的 Heretic 把"去掉模型审查"做成了一键命令行工具，产出质量超过了多数人工调参的同类模型 大模型拒绝回答敏感问题的行为，在技术社区里有个专门的名词：safety alignment，安全对齐。2024 年以来，一类名为 abliteration（方向消融）的方法证明，这种拒绝行为在模型内部对应着一个可以定位、也可以直接移除的方向…
腾讯混元 Hy4 preview 技术解读：770B MoE 开源旗舰，盲测小胜 GLM-5.3 与 Kimi K3
腾讯混元发布了新一代旗舰模型 Hy4 preview，主打一个「preview」：770B 总参数的 MoE 架构，每个 token 只激活 490 亿参数，上下文窗口拉到 100 万 token，权重按 Apache 2.0 协议在 Hugging Face 全量放出（131 个 safetensors 分片，含 1 个原生 MTP 投机解码层）。腾讯云…
智谱确认 Ox Alpha 为 GLM 新迭代：OpenRouter 用量登顶，今晚开源权重
智谱确认 Ox Alpha 为 GLM 新迭代：OpenRouter 用量登顶，今晚开源权重 一周登顶：23.2T tokens 的匿名模型 OpenRouter 本周使用量榜单（数据截至 8 月 25 日）出现了一个此前没有过的情况：排名第一的模型没有厂商署名、没有定价、没有参数规模披露。匿名模型 Ox Alpha 本周处理了 23.2T tokens，排…
本地 LLM 实测：注意力后端、KV Cache 量化与 4-bit 权重的精度漂移
同一份模型权重，在官方演示里对答如流，部署到本地却频繁表现失常：长上下文读到后半段输出开始漂移，量化版本连工具调用都闭合不了。Level1Techs 论坛上一篇带完整数据的受控实验《Why your local LLM feels dumber than it is》把原因指向了推理软件栈：从注意力算子到量化 kernel，每一层都在改变下一个 token…