技术方向
开放权重、能下载下来自己部署的模型，开源框架与 GitHub 上爆火的 AI 项目。
715 条精选近 30 天 56 条共收录 3,450 条
Juggler 是一款开源 GUI 编程智能体，提供可视化工作台，支持可检查的工具调用、分支线程和可编辑上下文。会话以树状结构组织，而非线性聊天记录，用户可创建子线程、回溯、比较和编辑。所有关键信息以 Finder 风格 Miller 列展示。Juggler 支持本地、远程或同时运行，桌面应用与浏览器可连接同一会话。模型支持包括 Claude Code、OpenAI、Gemini、Ollama、OpenRouter、Z.AI、Deepseek 等。后端使用 Go 和 Wails，UI 为 HTML/JS。
推荐理由：我觉得 Juggler 把 AI 编码的交互从聊天记录变成了可编辑的树，这下能细致管理多个修改分支了，而且完全开源，做软件的值得试一下。
Google 发布实验性开源模型 DiffusionGemma，采用文本扩散技术并行生成 256 token 块，推理速度最高提升 4 倍。该 26B MoE 模型仅激活 3.8B 参数，量化后适配 18GB VRAM 消费级 GPU，在单张 H100 上达 1000+ tokens/s。
推荐理由：Google把扩散模型首次做进大语言模型，生文速度提升4倍，还开源了权重。虽然实验性质量打折，但本地实时交互的开发者终于有个新选项可以玩了。
小红书以 3 人 3 天推出内测版本，约一个月实现全员覆盖，核心是 AI Native 项目运作机制。技术选型基于 OpenClaw 二次开发，通过 Seal AI Zone 隔离集群与 NEX 沙箱解决安全，Self-GC 使输入 Token 下降 10%~15%、Auto 模式路由使成本降低 69%，并自研 LLM Wiki 三层记忆架构与 Skill Hub 生态。
推荐理由：从物理隔离到三层记忆，这套方案把 OpenClaw 定制为企业个人助理，沙箱和成本控制细节对同类实践有直接参考价值。
腾讯混元将295B参数的Hy3旗舰模型权重量化至1bit与4bit并打包成GGUF，配合llama.cpp生态，使原本需多卡集群部署的模型最少一张96GB推理显卡即可运行。1bit版将权重从598GB压缩至85.5GiB，4bit版体积169.9GiB，两张显卡可承载；量化版在长文理解、Agent与代码任务上贴近满血效果，开启MTP后解码速度提升约50%-60%。
推荐理由：将 295B 旗舰模型量化至单卡部署，1bit 版本在长文理解上仍接近满血，且提供 MTP 加速，改变了本地运行大模型的门槛与成本考量。
Google AI 工程师指出，使用合成随机向量数据测试向量搜索性能可能导致误导性结果。对于 HNSW 索引，合成数据构建耗时 6,601,789 毫秒，而真实数据仅需 4,174,196 毫秒，速度快 1.5 倍，因为随机向量缺乏自然聚类结构，使图索引的节点连接更难建立。
推荐理由：玩pgvector或AlloyDB向量搜索的开发者应该看看这篇，用合成数据测HNSW索引召回率可能只有3%，而真实数据超90%，附带完整SQL复现脚本。
SenseTime@SenseTime_AI精选AI 评分7474推荐理由：商汤把检测、OCR、深度估计等多个视觉任务塞进一个7B模型，还贴心地开源了数据集和复现工具，做视觉理解或GUI agents的团队可以直接拿它当基座，不是又一个刷榜的轻量版。
德国AI协会协调的研究联盟发布开源大语言模型Soofi S 30B-A3B。该模型总参数量316亿，每个token仅激活约32亿参数，采用Mamba-2与标准注意力层混合的MoE架构。模型完全在德国电信慕尼黑工业AI云上训练，训练数据中德语占比从第一阶段的7.2%提升至第二阶段的15.3%。在基准测试中，Soofi S在所有完全开源模型中取得英语和德语综合最高分，超越OLMo 3 32B和Apertus 70B。在HumanEval上得分73.8%，MBPP得分70.2，德语版MBPP得分84.2。上下文窗口支持最高100万token，在4万token长度下，生成吞吐量约为同规模稠密模型的8倍。模型权重已开源。
推荐理由：德国联盟用 Mamba-Transformer 混合架构做出一个 30B 开源模型，德语基准横扫，长上下文推理吞吐八倍于同级密集模型，想做德语 AI 的可以认真看了。
腾讯混元发布 HyOCR-1.5，这是端到端 OCR 大模型领域首个将训练、推理、模型权重完整开源的专家模型。仅 1B 参数，覆盖 8 种以上 text-centric 任务。引入 DFlash 投机解码框架，在 Transformers 下实现 6.37× 加速，vLLM 下 2.14× 加速，端到端推理达每页 1.408s。支持 4K 分辨率与 128K 上下文窗口，通过 Agentic Data Flow 扩展低资源 OCR（331 种语言）、古文字识别与多图问答能力。在 OmniDocBench v1.6 上以 94.74 分居端到端第一。
推荐理由：我觉得这是近期最实在的OCR开源，1B参数覆盖多任务、推理加速6倍，还支持llama.cpp本地部署，做文档解析的同学可以直接上车。
蚂蚁集团开源 AKernel（Agent Kernel），一个将整个数据中心视为 AI 智能体可编程扩展的分布式内核。它通过统一 Python SDK 实现计算、网络和存储的编程控制，支持单机、私有 K8s 及多云（阿里云、华为云）一键部署，冷启动仅需 40 毫秒。AKernel 代码由 AI 大量贡献，并内置基于 OpenTelemetry 的全栈可观测性。
推荐理由：蚂蚁把数据中心变成 Agent 的可编程扩展，对于需要大规模弹性编排 Agent 的团队来说，比用 Kubernetes 手写 YAML 直接得多，不过目前严重依赖阿里云和华为云，通用性还差一截。
蚂蚁集团 inclusionAI 在 GitHub 开源 sandboxd，这是 AKernel 使用的 Linux 沙箱生命周期服务，通过 gRPC API 管理沙箱资源，当前基于 gVisor 运行沙箱，并计划近期开源 Kata Containers 支持。
推荐理由：蚂蚁把 AKernel 用的沙箱生命周期管理开源了，对需要安全执行代码的 AI 推理/评测场景有参考价值，但仅限底层基础设施人员，非目标受众不必深究。
开发者Jarred Sumner借助Claude Fable 5模型，11天内将Bun从Zig重写为Rust，64个实例并行编写超100万行代码，API费用约16.5万美元。重构主因是Zig频繁内存错误，Rust可在编译时捕获。Bun v1.4.0以Canary版本发布，修复128个错误，速度提高约2%到5%。Bun团队已于2025年12月被Anthropic收购。
推荐理由：这是我能找到的第一个用真金白银量化AI编程能力的项目，16.5万美元对一年人工，Bun的这次重构给所有还在观望的人一记实锤。
蚂蚁集团旗下具身智能团队 Robbyant 发布 LingBot-VA 2.0，首个原生具身基础模型。该模型采用因果 DiT 架构，视频专家约 13.0B 参数（约 1.9B 激活），训练规模约 15.3B 参数，推理时每 token 约 2.5B 激活。模型引入多块预测（MCP）实现 2.3 倍训练加速，并通过前瞻推理将推理延迟降至 142 ms/chunk。在 RoboTwin 2.0 的 50 个任务上，干净与随机演示数据平均成功率分别达 93.8% 和 93.4%。
推荐理由：具身智能领域第一个从零预训练的因果视频-动作模型，将世界状态和动作统一在一个隐空间，异步推理优化到 225Hz，做机器人的值得仔细研究。
Greg Brockman@gdb精选AI 评分6666GPT-5.6 改变了我们对知识工作的看法。你的工作从处理单个任务转变为照看带有 AI 循环的系统。 在 @danshipper 的收件箱里，这看起来是这样的： GPT-5.6 扫过他的邮件，判断哪些值得他关注，研究相关背景，并为每封邮件附上简短摘要和拟好的回复。 Dan 批准、编辑，或者用 @usemonologue 口述他想改的地方。然后他就继续处理下一件事。 每轮扫查结束时，这个智能体会从 Dan 的修改和决定中学习，并记住它们，供下次使用。 今天我们发布 Tend，一个让你自己构建这类循环的实验。它是一个开源提示词和代码库，能把收件箱、招聘流程或客户支持队列变成你可以在 ChatGPT Work 中照看的系统。 先教 Tend 什么值得你关注。然后留意会发生什么：收件箱变得更轻松，指令变得更好，而你工作中的另一个循环也开始显现出来。
推荐理由：Greg 强调知识工作正从处理单个任务转向「照料系统」，Tend 开源项目把这个想法变成了可用的工具。对想用 AI 重构工作流的产品人和开发者很有启发，虽然还只是个实验。
Mira Murati@miramurati精选AI 评分6565Thinking Machines Lab 的存在是为了通过推进协作式通用智能来赋能人类。 我们正在构建多模态 AI，它能配合你与世界自然互动的方式——通过对话，通过视觉，通过我们协作时那种杂乱无章的方式。我们很兴奋，在未来几个月内我们将能够分享我们的首个产品，它将包含一个重要的开源组件，并对开发自定义模型的研究人员和初创公司有用。很快，我们还将分享我们最好的科学成果，以帮助研究界更好地理解前沿 AI 系统。 为了加速我们的进展，我们很高兴地确认，我们已筹集了 20 亿美元，由 a16z 领投，NVIDIA、Accel、ServiceNow、CISCO、AMD、Jane Street 等与我们使命相同的机构参与。 我们一直在寻找那些通过实践学习、将研究转化为有用之物的非凡人才。我们相信 AI 应当作为个人能动性的延伸，并且本着自由的精神，尽可能广泛而公平地分发。我们希望这一愿景能引起那些与我们同样致力于推动该领域发展的人的共鸣。如果是这样，加入我们。https://thinkingmachines.paperform.co/
推荐理由：Mira 的公司以 2B 融资和开源路线站上了今年 AI 创业的前排，虽然产品还没出来，但这笔钱和阵容本身就说明市场对多模态协作路线的信心。
美团万亿参数大模型 LongCat-2.0 正式开源，总参数 1.6T，平均激活约 48B，专为真实 Agentic Coding 任务设计。模型引入 LongCat 稀疏注意力机制与 N-gram Embedding，提升长上下文处理效率与 Token 级表示能力。LongCat-2.0 是业界首个在五万卡国产算力集群上完成推理的万亿参数模型，从模型架构、芯片适配到部署策略进行深度协同优化，支持百万上下文高效推理。开源同步提供 BF16、FP8、INT8 等多精度版本及针对国产算力极致优化的推理代码。
推荐理由：国产算力跑万亿模型的第一份完整开源答卷，代码、芯片适配细节全公开，做国产大模型落地的直接抄作业。
Sequoia 合伙人 David Cahn 更新 AI 基础设施支出估算：2026 年全球投入达 1.5 万亿美元，行业需产生 3 万亿美元收入才能回本。Anthropic 年化收入（ARR）达 600 亿美元，OpenAI 2025 年收入 130 亿美元（11 月称 ARR 200 亿美元），但缺口仍大。Apollo 首席经济学家指出，谷歌、Meta、微软、亚马逊均预测 2028 年自由现金流加速，但风险在于更多组织转向更便宜的开放权重模型（尤其中国模型），且 OpenAI 最新模型编码任务 token 效率提升 54%，导致 token 价格持续下降。若超大规模厂商现金流目标落空，可能引发经济衰退和标普 500 回调。
推荐理由：Sequoia和Apollo的经济学家同时拉响警报，AI基建支出今年1.5万亿美元，需要3万亿收入才回本。这不是唱衰，是给产品人一个倒计时，开源模型和掉价的token让这账更难算。
微软发布 Aurora 1.5，对开源 Aurora 地球系统基础模型进行重大扩展，新增 22 个天气变量（原 4 个）、支持小时级时间分辨率和概率集合预报，已在 GitHub 开源并放出的 Hugging Face 模型检查点。
推荐理由：原文来自模型发布方，给出新增变量数、小时级分辨率和与 ECMWF 集合的对比数字，读者可据此评估其在能源等场景的适用性。
Prime Intellect 发布 verifiers 0.2.0，预览重写后的 v1 核心，将环境解耦为 taskset、harness 和 runtime，任意 taskset 可在任意兼容 harness 下运行。
推荐理由：原文给出任务集、执行框架与运行时三层解耦的设计细节和训练案例，读者可以据此评估这套抽象是否适配自己的智能体训练流程。
Ollama 让开源模型在本地或云端轻松运行，保持体验一致。目前拥有890万开发者、6.7万集成，并与各大模型实验室及硬件供应商建立合作。B轮融资由Theory领投。
推荐理由：Ollama B 轮融资公布 890 万开发者，这个数字让我觉得本地模型运行时已从极客玩具变成主流基础设施，做开发者工具的人该重新审视这块的生态价值。
OpenBMB@OpenBMB精选AI 评分7171推荐理由：社区开发者用 MiniCPM 轻量模型做的本地数学助手，LaTeX 输入变得像聊天一样自然，是个小而美的端侧实用案例。