AI 与前沿科技简报:Gemini 4 Hydrogen、Blackwell 取证与智能体技术栈
Google 的 Gemini 4 Hydrogen 发布,以及一项取证声明称中国实验室在受出口管制的 NVIDIA Blackwell 硬件上训练了旗舰模型,是本简报中两个信号最强的条目。围绕这些,智能体技术栈正朝着自托管和评估方向发展,推理引擎在吞吐量和本地加速方面展开竞争,开放权重机器人模型正变得易于微调。
Gemini 4 Hydrogen 作为速度优先的前沿模型登场
Gemini 4 Hydrogen 是 Google DeepMind 的速度优先前沿模型,发布时 API 定价为每百万输入 token 1.50 美元、每百万输出 token 7.50 美元,并已在搜索、Gemini 应用和开发者工具中推出 @TheRundownAI。Artificial Analysis 将其置于智能指数 54 分(新的 xhigh 推理级别),比 Claude Sonnet 5.5(max)和 GPT-6.1 Sol(max)低 1 分,每任务成本约为 Sonnet 的 32%,但约为 GPT-6.1 Sol 的 2.5 倍 @ArtificialAnlys。在 high 推理级别下,它得分 51,与 Gemini 4 Argon 的智能水平相当,而每任务成本约为其 19% @ArtificialAnlys。该模型拥有 100 万 token 的上下文窗口,支持文本、图像、视频和语音输入及文本输出,并提供低、中、高和 xhigh 推理级别 @ArtificialAnlys。Artificial Analysis 强调了其强大的视觉推理和低幻觉率:在 medium 推理级别下,GDP.pdf 全通过率为 33%,并列第一;在 AA-Omniscience 上幻觉率为 8%,而 Claude Sonnet 5.5(max)为 43%,GPT-6.1 Sol(max)为 52% @ArtificialAnlys。它在智能体终端工作方面较弱,在 Terminal-Bench 4.0 上得分 54%,在 Terminal-Bench-Science 0.1 上得分 50%,而 Claude Sonnet 5.5(max)分别为 64% 和 53%,GPT-6.1 Sol(max)分别为 56% 和 58% @ArtificialAnlys。Cursor 报告称,Gemini 4 Hydrogen 在默认努力级别下在 CursorBench 上得分 54.3%,高于 Gemini 3.8 Flash 的 39.6% @cursor_ai。一位早期测试者称这是他们用过的最快、质量最高的模型,并声称它越快越便宜,但这是发布前的主观印象 @Inmerson。
一项取证声明将中国模型与受出口管制的 Blackwell 芯片联系起来
Will DePue 发表了一项取证分析,声称有确凿证据表明 DeepSeek、Moonshot、MiniMax 和蚂蚁集团在禁止出口到中国的 NVIDIA Blackwell 芯片上构建了其最新模型 @AndrewCurran_@willdepue。该方法依赖于模型初始权重中的隐藏签名:起始权重布局取决于确切的 GPU 和种子,并且痕迹在训练后仍保留在发布的检查点中 @willdepue。DePue 表示,他搜索了超过六万亿种芯片布局和种子的组合,并将六个中国模型(包括 DeepSeek-V4-Pro、Kimi K3 和 MiniMax-M3)与 Blackwell 系统匹配;其中四个匹配到 Grace Blackwell GB200 和 GB300 部件 @willdepue。他报告称,一块 Blackwell B300 逐位复现了 DeepSeek-V4-Flash 未修改的起始权重,而租用的 GB200 复现了 Kimi K3 的权重,相关性为 0.999995,而 H100 无法复现任何权重,且将种子更改一位即破坏匹配 @willdepue。同样的方法将 24 个已知开放权重模型与开发者声称使用的硬件匹配,真实匹配的显著性范围从 49 到 1,385 西格玛,而预期的最大偶然匹配约为 8 西格玛 @willdepue。DePue 估计,Kimi K3 和 DeepSeek-V4-Pro 各使用了 2,000 到 3,000 块 Blackwell GPU,集群成本各为 1.5 亿至 2 亿美元,这些实验室的总成本超过 5 亿美元,不包括实验性计算 @willdepue。他表示,该结果已由 OpenAI 和 Anthropic 的高级研究人员独立验证 @willdepue。另一篇帖子引用了 The Information 的报道,称 Alice Huang 向 DeepSeek 承诺提供 NVIDIA 芯片 @zerohedge。
这听起来很疯狂,但我发现几乎每个 AI 模型都带有训练它的 GPU 的隐藏签名。 @willdepue
智能体平台转向自托管、治理和评估
Anthropic 的 Claude Managed Agents 被定位为构建安全智能体系统的 API 平台,现在可以自托管 @katelyn_lesse。该版本增加了用于治理的智能体身份、OpenTelemetry 可观测性、终止开关以及用于自托管托管智能体的真实评估产品;Anthropic 表示,客户正在将其用于生物研究、芯片设计和软件工厂 @katelyn_lesse。微软在 dotnet/skills 仓库中发布了 99 个用于 AI 智能体的现成 .NET 技能,组织为 14 个插件,可用于 Claude Code、Codex、GitHub Copilot 和 Cursor @AntonMartyniuk。这些技能涵盖 .NET 8 到 10 升级、EF Core 查询优化、Minimal API 端点、测试和 MCP 服务器开发等任务,作者建议只安装与技术栈匹配的插件,因为每个技能都会增加智能体的上下文 @AntonMartyniuk。Benchmark Router 提供了一个统一平台,可以在任何模型或框架上运行公共基准测试,成本仅为自行运行的十分之一,并提供官方代码、指标、完整日志和失败分析;它表示每六小时就会发布新的 LLM 基准测试 @arushi_ressl。AgenticRL-Bench 测试智能体是否能执行智能体强化学习,包含 22 个从 Miles、Slime、Verl、SGLang 和 Harbor 的真实 RL 事件重建的任务 @guohao_li。在 19 个可验证任务中,没有智能体通过超过 14.0% 的尝试;在一个开放式任务中,一个智能体通过生成提示性 rollout、移除提示并将其与 GRPO rollout 混合,在 38 个任务上将 pass@1 从 0 提高到 0.186 @guohao_li。另一项持续的 ARC 结果报告称,一个 9B 模型通过训练其权重,在 100 个未见谜题中从 19 个提高到 49 个,记忆文件有助于回忆,但权重训练驱动泛化 @heyshrutimishra。腾讯云报告称,每轮稍微裁剪上下文,而不是等到 80% 满,在 150 个编码问题上保持了相同的通过率,同时成本降低了约 23% @tenctcloud_Intl。
推理技术栈在吞吐量和本地加速方面展开竞争
vLLM 报告称,在 vLLM for Vera Rubin NVL72 上运行的 DeepSeek-V4.1-Flash 达到了 GB300 NVL72 吞吐量的 58 倍,每 GPU 每秒 170 万 token,在 SemiAnalysis AgentX 上每用户每秒 387 token @vllm_project。在整个曲线上,它报告峰值吞吐量为每 GPU 每秒 252 万 token,是 GB300 的 2.7 倍,在 TP 1/4 的单并发会话下每秒 1,810 token @vllm_project。对于 Vera Rubin NVL72 上的 MiniMax-M3.1-Flash,vLLM 报告每芯片每秒总 token 数(包括缓存 token)为 10.2 倍,P90 每用户每秒 546 token,6.5 倍时 P90 每用户每秒 376 token,低并发下最高可达 P90 每用户每秒 1,205 token @vllm_project。Maxwell 是一个针对 B200 上 DeepSeek-V4.1-Flash 优化的推理引擎,声称在相同每用户速度下,每 GPU token 数是 vLLM 的 3 倍,或典型负载下每用户速度的 2 倍,并表示它击败了所有已发布的 B200 设置和可比的 GB300 结果 @doubleAI。oMLX 可以使用 NVIDIA GPU 或 DGX Spark 作为预填充加速器,而 Mac 持有模型并解码;它只需要一根局域网电缆,在 NVIDIA 机器上运行一次 docker run,无需 RDMA 或 Thunderbolt @jundotkim。使用 DGX Spark 和 64K 提示,oMLX 报告 Qwen3.8 27B 从每秒 352 token 上升到 1,062,Qwen3.8 Flash-Next 从 1,370 上升到 2,715,DeepSeek V4.1 Flash 从 1,085 上升到 2,412,GLM-5.3 Flash 从 555 上升到 1,076 @jundotkim。Kinetic 是一个新的开源 Rust 推理引擎,在用户按下回车键之前就开始处理;在配备 22,631 token 文档的 RTX 3060 笔记本电脑 GPU 上,报告的等待时间为 0.13 秒,而 llama.cpp 为 10.95 秒,编辑测试中 LFM3-1.7B 以每秒 1,033.7 token 运行,而后者为 229.7 @TeksEdge。Kinetic 采用 Apache 2.0 许可,加载支持的 GGUF 模型,在 Windows 和 Linux 上运行,支持 CPU、CUDA 和 Vulkan,并暴露 OpenAI 兼容 API @TeksEdge。LeapQuant 是一种免训练方法,用于线性注意力模型中 8 位或 4 位循环状态;在 Qwen、Kimi 和 GLM 上,它报告 FP32 匹配精度、4.25 倍更快的内核、高达 2 倍的推理吞吐量和高达 56% 的内存减少 @conlesspan。Omarchy 4.6 允许笔记本电脑通过 Tailscale 借用桌面上运行的本地模型,无需云或 API 费用;共享引擎已作为 omarchy-local-ai 0.6 发布,面板已合并到 4.6 @OmarchyUpdates。
开放权重模型推向设备和机器人领域
Edge0-145B 和 Edge0-120B 是 Edge0 的设备原生 100B 级开放权重基础模型;该公司声称 Edge0 在 Terminal-Bench 2.1 上以 86.5% 对 78.2% 击败 Claude Opus 4.6,需要 29 GB 内存,在 RTX Spark 和 Mac 上解码速度超过每秒 75 token,预填充速度超过每秒 1,050 token,并处理 128K-256K 上下文 @SamuelZengML。Raon-1 nano 是一个 1.5B 参数的小语言模型,在 Apache 2.0 下从头训练,从 Raon-1 mini 蒸馏而来,使用 NeurIPS 2026 口头报告方法,利用逐层嵌入减少边缘 AI 的 VRAM @Kangwook_Lee。Runway 发布了 Praxis-1,一个 27B 世界动作模型,采用 Apache 2.0 开放权重,并表示它是 RoboLab 排行榜上领先的开放权重机器人模型,在该基准测试上优于所有其他世界动作模型 @agermanidis@runwayml。Runway 表示,Praxis-1 已在九种机器人形态上测试,可以在不到 30 分钟的演示中在新形态上达到良好性能,在单个 RTX 5090 上使用 NVFP4 运行,并且在测试的操控任务上比 GPT-6 Astra 快 10 倍以上,便宜 50 倍 @agermanidis。vLLM-Omni 为 Praxis-1 增加了第 0 天支持,接收相机观察、机器人状态和任务指令以生成动作块,支持离线推理,并在单个 H100 80GB 上提供 OpenPI/Positronic 服务 @vllm_project。Reactor 为 Praxis-1 发布了第 0 天 DROID 和 YAM 端点,以及一个中位延迟为 73 毫秒的 Praxis-1 Fast 检查点 @reactorworld。EqC 为 VLA 引入了基于能量的控制与内省:策略监控自身能力并向智能体请求帮助,然后从恢复中学习 @RunhanH。在真实世界测试中,EqC 报告服装折叠在六次智能体生成的恢复后从 0% 自主成功率提高到 100%,积木堆叠从 0% 提高到 96.7%,碎片清理达到 100%,同时将 pi0 在 RoboTwin 2.0 Hard 上从 18% 提高到 33%,在 LIBERO-Plus 上从 53.6% 提高到 65.8% @RunhanH。NYU Lerrel Pinto 团队的 Steertuning 报告称,在不到五分钟内五次人类演示在 12 个新环境中的 12 个任务上产生 71% 的成功率,使用一个 4 亿参数的扩散策略,该策略在约 110 小时的第一人称人类视频上预训练,每个任务微调两分钟 @CyberRobooo。NTT 展示了一个基于物理的世界模型,该模型在执行前评估多个机器人动作,并将任务成功率从 73.1% 提高到 92.3%,根据一篇帖子,该帖子还将 vangrid 描述为地面实况空间上下文层 @GpaAndy。Nova3D 从代码构建可编辑的 3D 世界,用于设计工具和机器人模拟器,一个源目标支持 Blender、MuJoCo、Isaac Sim、Unity 和 Unreal @dextune。MuJoCo 是 Google DeepMind 的机器人模拟引擎,免费开源,可通过 pip install mujoco 安装 @RoundtableSpace。一篇帖子中总结的 ChinaTalk 报告审视了中国用于人形机器人的自我中心数据收集行业,并对数据集质量、所有权和商业化提出了质疑 @0xrichboy。
研究与评估信号
LlamaIndex 推出了 ParseBench-2,一个文档解析基准测试,包含 4,300 多页,增加了表单维度,并为 330 多种错误类型提供了严重性评分,以将指标与人类判断对齐 @jerryjliu0。根据公告,ParseBench 每月下载量超过 5 万次,已对 150 多种 OCR 解决方案进行基准测试,并被 NVIDIA、Cohere、Aleph Alpha 和 Perplexity 采用;与此同时,OCRia-1.5 是一个新的文档解析模型系列,用于复杂表格、表单、图表、格式和边界框 @jerryjliu0。一项独立实验将五个开放模型添加到 Blood on the Clocktower 基准测试中;Kimi K3.1 Pro 是最好的开放模型,位于封闭模型中间,略低于 GPT 5.5,作者观察到开放模型之间存在一致的排名 @eliebakouch。同一实验发现,擅长该游戏的模型也擅长仅从公开记录中识别邪恶玩家,这表明存在更便宜的评估路径,并注意到思维链中存在大量评估意识 @eliebakouch。Iris-Z 是一个 9B/32B 开放图像模型,采用 Apache 2.0 许可,结合外观和几何,生成图像和深度,估计并基于深度进行条件生成,并声称击败了 MoGe-3 等任务特定深度模型 @speridlabs。
融资、消费者采用和行业线索
Walter Goodwin 宣布完成由 Thrive Capital、Lightspeed、Redpoint 和 Founders Fund 领投的 7.2 亿美元 C 轮融资,用于构建更快的 AI 推理芯片 @goodwin_ml。公告认为,极端推理扩展对解决难题很重要,引用了 OpenAI 在 Millennium Prize 问题上运行 10,000 个并行智能体 80 小时,成本超过 1,000 万美元,并表示更少的智能体思考更长时间扩展效果更好,除了响应时间 @goodwin_ml。一篇帖子中引用的 Salesforce 调查发现,近五分之一的假日购物者在购物前询问 AI,但 76% 的人不希望 AI 智能体为他们购买,27% 的智能体用户表示他们的智能体购买了太贵的东西 @murtuza_merc。Illia Polosukhin 在一次采访中表示,集中式 AI 提供商带来隐私和控制风险,用户拥有的 AI 与加密处理和密码学验证是一种替代方案;他承认安全监控是一个问题 @KevinWSHPod。一份每日 AI 简报还列出了 Gemini API 和 AI Studio 中的 Gemini Decision 1、面向所有用户的 Antigravity 浏览器使用、AlphaProof Code 正式验证 Signal 协议、AlphaGenome 2 按细胞类型建模 DNA 变异、字节跳动计划推出主动 AI 智能体,以及 n8n Labs 发布名为 Nod 的开源小任务智能体 @testingcatalog。该简报明确描述为使用 Grok 编写并经过挑选,因此这些项目应视为线索而非已确认的报道 @testingcatalog。