AI 前沿综述：开源权重多模态模型、1‑比特量化与边缘机器人激增

TL;DR: 一波开源权重、多模态模型（Inkling、GLM‑5.2、Qwen 3.5）以及新硬件（Nvidia Blackwell T2000/T3000、1‑比特量化模型）正在让本地 AI 部署和具身机器人民主化，同时生态系统正争相构建代理工具、评估流水线和基础设施，以规模化这些能力。

新的开源权重多模态模型

Inkling – Thinking Machines 宣布了一款 975 B 开源权重模型，原生支持文本、图像和音频，并在 Tinker、HuggingFace 以及合作平台上提供权重供微调。发布会由公司 CEO Mira Murati、联合创始人 Soumith Chintala 以及 Databricks 主持，后者现通过 Unity AI Gateway 为企业提供 Inkling 的定制化与治理。 来源: Thinking Machines, Mira Murati, Soumith Chintala, Databricks
GLM‑5.2 – HuggingFace 报道了 5.2‑参数 Colibri MoE 模型的发布，该模型已进行 int4 量化以实现高效 CPU 推理，被定位为多语言、代理编码的主力模型。 来源: HuggingModels
Qwen 3.5‑397B – Google 分享了一份系统工程手册，展示了在 Ironwood v7x TPU 上采用混合注意力 DP + MoE 专家并行实现 3.1 倍更快的解码和 4.7 倍更快的预填充。 来源: Google Devs
其他值得关注的发布 – 开源社区成员强调了 GPT‑4o 创始人 @miramurati（“Keep4o”）的 975 B 多模态模型，以及 1‑比特量化模型的出现（如 Bonsai 27B、Atomic Chat），这些模型保留约 90 % 的全精度性能。 来源: BlueBeba, Tech2Wild

Nvidia Blackwell 模块 – Nvidia 推出了 T2000 与 T3000 加速卡，专为机器人和边缘 AI 工作负载打造，标志着将高端 AI 计算推向大众市场的努力。 来源: PolymarketMoney
机器人里程碑 – XPENG 宣布将在 2027 年第一季度推出面向零售店助理的垂直整合类人平台；小米则报告其类人机器人在自穿螺母工作站上的成功率达 98 %，并在电动车工厂生产中承担新任务。 来源: Ben Geskin, XiaomiTech
具身 AI 研究 – Anthropic 展示了 Claude 控制 Unitree G1 与 Go2 机器人的案例，表明从低层扭矩控制到高层操作的进展，并确认大型模型实验室正积极探索真实世界机器人应用。 来源: CyberRobo

1‑比特/2‑比特量化 – 多位开发者报告称，极端量化（例如 Atomic Chat 的 1‑比特 295 B MoE 模型）可在消费级硬件（4 × RTX 5090）上运行，速度可与云 API 相当，同时在代码生成和游戏创作等任务上保持功能质量。 来源: Rohan Paul, Tech2Wild
开源推理栈 – llama.cpp、ollama 与 Uncensored‑Local‑Studio 启动器等项目，使得在仅 CPU 或跨平台环境下推理 LLM、图像、STT 与 TTS 模型成为可能，无需 Nvidia GPU。 来源: cocktailpeanut, DEGENPIZ
本地 AI 工具 – TogetherLink CLI 让开发者可以在编码环境中运行 GLM‑5.2，OpenClaw 个人助理框架则提供设备端代理执行并根据硬件给出模型推荐。 来源: nutlope, AlexFinn

代理框架 – Claude Code 2.1.209 新增 Bash 执行工具和多代理委派功能；LangSmith、Langfuse 与全新 “AI Screener” 移动应用提供可观测性、评估套件以及端到端测试流水线，帮助生产环境中的代理实现可靠运行。 来源: ClaudeCodeLog, Shivam Singh, Spectre__AI
基准协同研究 – Kale‑ab Tessera 的一项研究在多代理协同基准上评估了 13 种 LLM，发现大多数代理的归一化回报低于 6 %，而 Gemini 3.1 Pro 在最难任务上匹配了专用 MARL 代理的表现。 来源: KaliTessera
形式化验证代理 – Certora 推出 AutoProver，这一代理系统能够自动从代码生成形式化规范并进行验证，展示了 LLM 与软件正确性工具的融合趋势。 来源: Certora

基础设施护城河 – 分析师指出，下一轮 AI 竞争优势将是能够在需求波动下保持大模型在线的能力，而非单纯的基准分数。 来源: effiekav
FinOps 洞察 – 对 14.6 B token 运行的事后分析强调，成本优化关键在于系统设计（路由、上下文处理、护栏），而非仅仅选择更便宜的模型。 来源: Information Group
全接入构建套件 – Every、Databricks 等平台捆绑信用额度、工具链和托管服务，降低单独开发者原型、上线和维护 AI 驱动产品的门槛。 来源: Dan Shipper, Nainsi Dwivedi

精选仓库列表 – 多位用户分享了 AI 代理、RAG 流水线、量化与评估等关键 GitHub 集合（如 LangChain、vLLM、Ollama、OpenDevin、CrewAI）。 来源: Sakhil Khan, heyitsurya, DAIEvolutionHub
学习路径 – 免费教育套件（如 “90 天 10 项 AI 学习资源”）被整理出来，帮助新人在机器学习、提示工程和机制可解释性等方面快速上手。 来源: AiwithZoaina, ElaraGrace_AI

过去一周出现了三大趋势的交汇：

所有陈述均直接取自链接的 X 帖子；未加入任何外部推测。