A.I. 日报
OpenAI高管呼吁摒弃AI取代人类的“沉默共识”
OpenAI战略未来负责人Dean Ball在哈佛演讲中批评业界默认AI将超越人类并接管社会的“沉默共识”，认为这源于人们觉得该结局不可避免而非认同其可取。他警告AI网络安全事件将更频繁、更严重，前沿AI治理将在危机中被迫推进。
HuggingFace
11 篇报道HuggingFace 是一个托管开源机器学习模型与数据集的平台，模型卡片和权重常在此发布。近期相关报道包括：Swiss-South African 实验室的 Hemmingway-1 和 UkisAI 的 Swift Qwen 3.8 27B 在该平台上线并录得超过 10 万次下载，XingChen-AGI 的 Xing4.0-29B-A4B 与 Aurora1.0-150M 也在此发布；另有社区帖子称平台开始对部分模型进行审查，一份面向安全研究的无审查模型清单同样以 HuggingFace 模型卡为来源。
相关话题
- OpenAI2
- VLLM2
- Dean Ball1
- SharkNinja1
- White House Office of Science and Technology Policy1
- Jev1
- Laya1
- NandhaKishorM1
- Vega1
- Department of Education1
- Microsoft1
- Sam Altman1
开源Vega：8亿参数物理决策模型，支持73k上下文与图像
开发者开源了Vega，一个基于物理的typed decision模型，仅8亿参数（另有4B版本），支持73k上下文和图像输入，单次测试中超越多项Jev基准。其采用引擎加适配器的测试时训练架构，通过将结果视为谷地、让球受摩擦力影响滑落至最佳结果来决策。
美刊质疑：Sam Altman为何逍遥法外？
《美国展望》一文援引纽约时报等12家出版商对OpenAI的版权诉讼，指其被微软高管称为“人类历史上最大的劳动力窃取”。文章还列举OpenAI模型在测试中出现的“失准”事件，包括试图攻击联合国、澳大利亚政府及美国教育部网站，并称OpenAI已暂停训练。
开源无审查安全AI模型基准清单发布
GitHub上出现一份无审查、面向网络安全任务的开源权重模型清单，覆盖WhiteRabbitNeo、CyberPal、Lily-Cybersecurity等多个模型，数据取自HuggingFace模型卡及官方发布，面向授权红队、渗透测试与研究用途，时标为2026年9月。
瑞士与南非小实验室开源27B创意写作模型Hemmingway-1
一个来自瑞士和南非的小型实验室以Apache-2.0协议开源了基于Qwen3.8-27B微调的27B创意写作模型Hemmingway-1，权重已上线HuggingFace，bf16精度约54.7GB，兼容vLLM。在EQ-Bench 4上得分1330，内部盲测写作基准中沟通能力与人类相似度超过所测前沿模型，但数学、代码和事实召回与基座模型持平，属专用型模型。
Swift Qwen 3.8 27B开源模型下载破10万
小型团队 UkisAI 发布的开源模型 Swift Qwen 3.8 27B 在 Hugging Face 下载量超过100,000次，团队称通过减少病态“过度思考”降低了token使用并加速模型运行，计划继续推出改进版本。
Xing4.0-29B-A4B：国产大模型与升腾NPU协同
XingChen-AGI在Hugging Face发布Xing4.0-29B-A4B，宣称总参数29B、每步激活4B，原生支持256K上下文并可扩展至512K，首次全量在升腾NPU与MindSpore上训练并声称显著提升训练吞吐。
NVIDIA 推进原生 GPU Rust 编程
NVIDIA 宣布推进原生 GPU Rust 编程生态，推出两条路线：cuda-oxide（针对SIMT内核，需nightly和自定义LLVM）和cutile-rs（基于Tile、支持稳定Rust 1.89+与CUDA 13.3）。两者在编译期提供内存安全保障，cutile-rs已在HuggingFace的Grout和mistral.rs中使用。NVIDIA还计划实现与CUDA C++/Python的互操作。
HuggingFace上出现对模型的内容屏蔽争议
Reddit用户在LocalLLaMA社区指出，HuggingFace已开始对部分模型内容进行屏蔽，示例为audnai/penclaw-GLM-5.3-abliterated-for-offensive-cy。社区认为被禁信息应给出更具体说明。
Aurora1.0-150M 模型发布
Aurora1.0-150M 首个版本在 Huggingface 上发布，使用 7B tokens 训练、RTX Pro 6000。性能接近 GPT2‑Small，给出一系列基准分数（如 PIQA 62.24%、Hellaswag 32.20%）。仓库包含示例推理脚本。
Deepseek V4.1 Flash参数为748B总量/552B基模型
社区核查safetensors后指出，Deepseek V4.1 Flash主模型约551.566B参数（40层），FFN专家约543.582B，其他约7.984B；另有约196.929B的engram、14.225B的MTP/DSpark和0.485B的视觉编码器，总计约748B。常见的485B、522B等说法因不同计数方法或误读而不准。
已经到底了