AI 前沿彙總：開放權重多模態模型、1 位元量化與邊緣機器人激增

TL;DR：一波開放權重、多模態模型（Inkling、GLM‑5.2、Qwen 3.5）以及新硬體（Nvidia Blackwell T2000/T3000、1 位元量化模型）正在民主化本地 AI 部署與具身機器人，同時生態系統正急速構建代理工具、評估管線與基礎設施，以擴展這些能力。

新開放權重多模態模型

Inkling – Thinking Machines 宣布了一個 975 B 開放權重模型，原生支援文字、影像與音訊，並將權重開放於 Tinker、HuggingFace 與合作平台進行微調。此發布由公司執行長 Mira Murati、共同創辦人 Soumith Chintala 以及 Databricks 強調，Databricks 現已透過其 Unity AI Gateway 提供 Inkling 供企業客製化與治理。
來源：Thinking Machines, Mira Murati, Soumith Chintala, Databricks
GLM‑5.2 – HuggingFace 報導了 5.2 參數的 Colibri MoE 模型發布，已進行 int4 量化以提升 CPU 推論效率，定位為多語言、代理程式碼的主力模型。
來源：HuggingModels
Qwen 3.5‑397B – Google 分享了一本系統工程手冊，說明在 Ironwood v7x TPU 上使用混合注意力 DP + MoE 專家平行化，實現 3.1 倍更快的解碼與 4.7 倍更快的預填充。
來源：Google Devs
其他值得注意的發布 – 開源社群成員強調了來自 GPT‑4o 創作者 @miramurati 的 975 B 多模態模型（「Keep4o」），以及 1 位元量化模型的出現（例如 Bonsai 27B、Atomic Chat），其保留約 90 % 的全精度效能。
來源：BlueBeba, Tech2Wild

Nvidia Blackwell 模組 – Nvidia 推出 T2000 與 T3000 加速卡，專為機器人與邊緣 AI 工作負載設計，顯示出將高階 AI 計算帶入大眾市場的推動。
來源：PolymarketMoney
機器人里程碑 – XPENG 宣布一個垂直整合的人形平台，目標於 2027 年第一季提供零售店助理；同時小米報告其人形機器人在自穿螺母工作站的成功率達 98 %，並在電動車工廠生產中執行新任務。
來源：Ben Geskin, XiaomiTech
具身 AI 研究 – Anthropic 示範 Claude 控制 Unitree G1 與 Go2 機器人，展示了從低階扭矩控制到高階操作的進展，並確認大型模型實驗室現在正積極追求真實世界的機器人應用。
來源：CyberRobo

1 位元/2 位元量化 – 多位開發者報告稱，極端量化（例如 Atomic Chat 的 1 位元 295 B MoE 模型）可在消費級硬體（4 × RTX 5090）上運行，速度可與雲端 API 相媲美，且在程式碼生成與遊戲創作的功能品質上仍保持良好。
來源：Rohan Paul, Tech2Wild
開源推論堆疊 – 如 llama.cpp、ollama 與 Uncensored‑Local‑Studio 啟動器等專案，使得在僅 CPU 或跨平台環境下推論 LLM、影像、語音轉文字（STT）與文字轉語音（TTS）模型成為可能，無需 Nvidia GPU。
來源：cocktailpeanut, DEGENPIZ
本地 AI 工具 – TogetherLink CLI 讓開發者在編程環境中執行 GLM‑5.2，OpenClaw 個人助理框架則提供裝置端代理執行，並根據硬體提供模型建議。
來源：nutlope, AlexFinn

代理框架 – Claude Code 2.1.209 新增 Bash 執行工具與多代理委派功能；同時 LangSmith、Langfuse 與全新「AI Screener」行動應用提供可觀測性、評估工具與端對端測試管線，供生產環境的代理使用。
來源：ClaudeCodeLog, Shivam Singh, Spectre__AI
基準測試協調 – Kale‑ab Tessera 的研究在多代理協調基準上評估了 13 個 LLM，發現大多數代理的正規化回報低於 6 %，而 Gemini 3.1 Pro 在最艱難任務上與專門的 MARL 代理相匹配。
來源：KaliTessera
形式驗證代理 – Certora 推出 AutoProver，一個能自動從程式碼產生形式規格並驗證之的代理系統，展示了 LLM 與軟體正確性工具的融合。
來源：Certora

基礎設施護城河 – 分析師指出，下一波 AI 競爭優勢將是能在需求波動下持續維持大型模型上線的能力，而非僅僅是原始基準分數。
來源：effiekav
FinOps 洞見 – 針對 14.6 B 代幣運行的事後分析強調，成本最佳化取決於系統設計（路由、上下文處理、保護機制），而非僅僅選擇較便宜的模型。
來源：Information Group
全方位建構者套件 – 像 Every 與 Databricks 等平台正將點數、工具鏈與託管服務打包，降低單獨開發者原型設計、上線與維護 AI 驅動產品的門檻。
來源：Dan Shipper, Nainsi Dwivedi

精選倉庫清單 – 多位使用者分享了 AI 代理、RAG 流程、量化與評估等重要的 GitHub 集合（例如 LangChain、vLLM、Ollama、OpenDevin、CrewAI）。
來源：Sakhil Khan, heyitsurya, DAIEvolutionHub
學習路徑 – 整理了免費的教育套件（如「90 天 10 個 AI 學習資源」），協助新手在機器學習、提示工程與機制可解釋性等領域獲得實務技能。
來源：AiwithZoaina, ElaraGrace_AI

過去一週出現了三大趨勢的交匯：(1) 大型開放權重多模態模型的發布，降低了本地與企業 AI 的入門門檻；(2) 硬體與量化的突破，使高容量模型能在消費級裝置上運行；(3) 代理式工具、評估框架與基礎設施服務的快速擴張，旨在將這些模型轉化為可靠、可投入生產的系統，應用於機器人、金融與創意工作流程。

所有陳述皆直接取自所連結的 X 貼文；未加入任何外部推測。

SUMMARY: 開放權重多模態模型、1 位元量化與新機器人硬體正使本地 AI 與具身代理民主化，同時生態系統正構建代理式工具與基礎設施。

TITLE: AI 前沿彙總：開放權重多模態模型、1 位元量化與邊緣機器人激增