Ben Affleck 谈写 Python 与理解 CNN

Thomas Wolf 转评开发者 @rauchg 的 cpu-chat 复现项目，该项目在多个 Firecracker microVM 之间通过 CPU 争用、缓存逐出时序和 DRAM 带宽争用三种机制实现智能体隐蔽通信，绕过了 Firecracker 的生产建议。作者指出 OpenAI 与 Anthropic 的模型拒绝协助这类工作，最终由开放权重模型完成复现，认为保持智能体受控属于安全工作，开放模型有助于构建正确的沙箱隔离。

Nanbeige（BOSS直聘研究团队）发布开源权重模型Nanbeige4.3-33B，Thomas Wolf 称其在多数 Agent 基准上超过 Qwen 27B。官方称其为约30B级开源模型中 Agent 性能最强，在 Agent 编码等基准表现突出，后续将作为教师模型蒸馏出 Nanbeige4.3-3B。

Hugging Face 与 TIGEM、那不勒斯费德里科二世大学、中关村学院合作发布开源 14B 模型 Carbon-X，可读取原始 DNA 并用通俗英语解释。

Thomas Wolf 称自己对 AGI 的标准仍是 AI 拿诺贝尔奖，但称赞 Recursive_SI 的 Flint 敢于把通常建议保持高精度的 lm_head 量化到 4 bit，结果距 bf16 仅 0.7 个百分点且以开放权重发布在 Hugging Face hub。引用内容介绍 Flint 为快速本地编码模型，MacBook Pro 上 125+ tokens/sec、RTX Spark 上 150+ tokens/sec，从零构建用时不到 4 个月，开放权重现…

与 Jensen 同台（算是吧） 他们连球鞋都还原对了

在《钻石年代》中，Neal Stephenson 设想了一本书，它能发明游戏和故事，随着小女孩成长教她所需的知识。我尝试做了一个小版本。我把关于对齐的头脑风暴文档给了 Claude，让它做一个类似 Zelda 的游戏，教人们了解 AI 对齐。这是成果 🪁 简版：它很擅长构建世界，但在理解玩家方面仍然较弱（详情见下）

Hugging Face Hub 上被二次开发最多的模型不是 Llama 也不是 Qwen。 而是来自德国实验室 Black Forest Labs 的 FLUX.1-dev：4.3 万个衍生模型。 欧洲在 Hub 上训练了约 8% 的开源模型算力，但人们在其之上构建的东西中约 18% 是欧洲的。 自建还是投降？自建，并且开源地建。本周 GTC Berlin 见

下周柏林 GTC 的主要议题之一。 今天我粗略估算的一个数据点：Hub 上约 10 亿美元的开源模型训练算力中，欧洲实验室贡献了约 8%。其中大部分来自 Mistral。 在开源模型上，“自建”这个选项显然仍然摆在桌面上，而且比人们想象的更便宜。

Hugging Face 联创 Thomas Wolf 用 napkin math 估算，Meta、NVIDIA、阿里、DeepSeek、Moonshot、Mistral 等约 35 家机构已在 Hugging Face Hub 免费共享价值近 $1B 的训练算力（按当前 GPU 租用价折算），而 2023 年底这一数字还不到 $40M。估算基于 72 个模型家族的官方算力数字加推断，未计入约 90 万个社区微调，并附可探索数据页面。

DeepSeek 发布 DeepSeek-V4.1-Flash-1017，已上线官网、App 和 API。