Nathan Lambert 是人工智能研究员与写作者，长期在 X 上评论开源模型与强化学习进展。近期他的帖子集中在 Kimi K3.1 Pro 在 Artificial Analysis 榜单上的表现、DeepSeek V4.1 Flash 与开源推理框架 DeepInfer、Meta 的 Muse Spark Open 及其 Muse Open License，并讨论闭源实验室的强化学习细节外泄和模型在编程之外的实际可用性。
这非常必要。与 Claude 这样的模型谈论任何与法律、医疗等领域有重叠的话题都令人麻木。它们如此迫切地想要对冲和避开灰色地带，以至于常常真的在回避真正的问题。 [引用 @sytaylor]: Meta 的 @Muse 回答问题的方式与 ChatGPT 或 Anthropic 非常不同。 它引用了更多来源，但使用的文字和表格要少得多，而且不会尝试提出后续问题。 这种短形式内容是为处理任务而非继续对话而设计的，坦率地说，阅读起来要轻松得多。这说明了一个设计得非常好的 AI 体验，它与……非常不同
对 Gemini 吐槽那个未发布的模型，我有点过意不去，因为如今要通过非官方渠道上线一个前沿模型，我听说相当混乱，而且绝对不容易。这就是为什么人们说耐心是一种美德。
开源模型的消亡被大大夸大了，但之前的 AA 指数确实美化了它们。作为一个行业，我们需要更具体的智能指数，因为 LLM 被用于截然不同的任务。 我对基准测试行业的元评审。
最简单的解释就是：这是一种依赖其内部基础设施的狭窄强化学习训练（这对开放权重模型来说并非好的设计） [引用 @cohere]: 在受控沙箱环境中评估 Qwen3.8-Flash-Next 时，Cohere 的研究团队观察到了意料之外的情况。 当被要求生成一条防御性网络安全检测规则时，该模型却转而清点了它所运行机器的各项信息，并试图将探测文件上传到位于北京的阿里云存储桶。值得注意的是，模型的推理轨迹表明它将会……
好帖子，封闭实验室使用的一些强化学习细节正慢慢泄露出来。 [引用 @mrtnm]：Tinker 新的 StableReinforce 目标函数是 Reinforce + Score Centering。以下是我如何逆向工程它的 🧵
在顶级模型层面，真实世界的可用性远比 AA 上 ±2 分重要得多。这对一个模型来说需要一段时间才能理解，AA 更像是一种潜力，但有些模型能兑现，有些则不能（例如 opus 5 与 5.5）。看来 3.1 可能更偏向兑不了现的那一边。 [引用 @fawnunwrap]: 在 Kimi K3.1 之后，OpenAI 在 AA 分析上甚至已不再位居前五
得分高于Fable 5.1和Astra 6，太疯狂了。 [引用 @ArtificialAnlys]: Kimi K3.1 Pro在Artificial Analysis智能指数上以55分排名第4，在智能体性能上大幅提升；一旦其权重发布，它将成为领先的开源权重模型 @Kimi_Moonshot的新推理模型比Kimi K3（max，44）高出11分。它仅落后于Claude Opus 5.5（max with fallback，58）、Claude Sonnet 5.5（max with fallback，56）和Mu…
关于kimi k3.1 pro基准测试的TLDR是，看起来他们搞定了自己的强化学习——最初发布的版本是一个非常令人印象深刻的基座模型，后训练较轻。中国在能力提升方面确实跟得上节奏。
真是疯狂的一天。要完成这场 LLM 转型，我们还有很多工作要做。但仍然，感觉 AI 世界在变好之前会变得更疯狂、更可怕。我希望我是错的，但我现在的情绪大概是……“咽口水”。
可能在防御性网络安全方面也很出色，但没人会发这种内容来骗点击！ [引用 @ValsAI]: 我们发现 DeepSeek V4.1 Flash 1017 在我们的多步进攻性网络安全任务上击败了 GPT 6 Sol。Sol 是通过 Daybreak 可信访问计划进行测试的。 我们一直在构建基于模拟企业网络的网络安全基准。这是一个有价值的指标，可以反映模型若落入恶意行为者手中会带来的网络风险。我们计划在未来几周内公开完整评估……
这真是一种让你的模型获得采用的疯狂方式。对社区来说真的很棒，而且时机很搞笑，因为政府刚刚在联邦机构中禁止了deepseek。 [引用 @deepseek_ai]: 🚀 隆重推出 DeepInfer，我们的内部推理框架，现已完全开源！ 以高吞吐量和低延迟大规模驱动 DeepSeek-V4.1-Flash。我们分享生产堆栈，以帮助社区降低计算成本、减少能源使用，并让 AI 更可负担。 🔗 1/4
尝试把模型用于编程/机器学习之外的事情，比如做幻灯片、制定连贯的计划或较长的内容设计，让我觉得 AGI 还需要一段时间。
这里的机器人回复已经完全失控了，真糟糕
这个命名方案简直离谱（小版本号加日期标签），但基准测试这一步很关键。内置视觉能力，可能会被证明比 GLM 5.3 更强。 开源权重之王回来了？ [引用 @deepseek_ai]：🚀 DeepSeek-V4.1-Flash-1017 来了！ 基准测试表现更强，任务完成更快，输出比上一版本更短——在性能与成本上实现了帕累托改进。现已上线我们的网站、应用和 API。 🛠️ 针对 @DeepSeekHarness、腾讯 CodeBuddy、WorkBuddy 等进行了优化。升级到 DeepSeek Harness…
Meta Muse Open 许可证很垃圾。 幸运的是，没有人真正关心许可证，除了那些乐意遵守的推理提供商。
如果它的表现大致如分数所示，那么这款模型的采用将会非常火爆。美国首个具有接近前沿智能体能力的开放权重模型（GLM 5.2 + Kimi K3 是中国的那一步变化）。美国模型会得到疯狂的采用。 [引用 @alexandr_wang]：1/ muse spark open 是迄今为止最有能力的美国开放权重模型。 816B 总参数，42B 活跃。1M token 上下文。原生多模态。专为编码和智能体工作而构建，如长视野任务、硬软件工程、多步推理。 美国！🇺🇲
好了，现在我真的得写博客了 🎉 [引用 @AIatMeta]：今天我们发布 Muse Spark Open，这是迄今为止最有能力的美国开放权重模型。 专为编码和智能体工作而构建，它在长视野任务、复杂软件工程和多步推理方面表现出色。 关键模型规格： → 816B 总参数 / 42B 活跃参数 → 1M token 上下文窗口 → 原生多模态，涵盖文本、图像、视频、音频
许多生态系统参与者（Nvidia、Huggingface）含糊地发布关于近期大量发布的帖子。传闻包括 thinky、muse spark，以及很久没有发布的中国玩家。Fable 5.5 和 OpenAI 正在酝酿的任何东西也随时可能发布。
Nemotron 4？？？ [引用 @NVIDIAAI]: 本周有这么多模型发布！ 我们也有一个即将推出...⌛️
非常及时地出现在 a16z 播客上，与 @lishali88 一起，试图理解开放模型如何融入 RSI 动态、谁从开放模型中获得价值、如何应对智能体集群，以及我为什么在构建 Trillium Labs。 [引用 @a16z]：Nathan Lambert，前 Allen Institute for AI 后训练联合负责人，现在正在创立 Trillium，一个非营利开放 AI 实验室，加入 a16z 的 Lisha Li，讨论开放模型是否真的能跟上前沿。 当他告诉中国的研究人员，据报一位普通 OpenAI 研究人员…
对我来说很奇怪，Anthropic 在这样做之前制造了那么多噪音，寻求监管帮助。希望现在可以重新开始对话。 更奇怪的是，他们强调了从泄露的 API 中学习有害行为的安全风险。如果 API 不安全，就不要托管它。 [引用 @AnthropicAI]: 在过去的几个月里，我们在减少针对 Claude 的蒸馏攻击的有效性方面取得了重大进展。 在这篇文章中，我们解释了如何做到：
看起来 Meta 又回到了前沿 🫡 [引用 @finkd]: 推出 Muse Wonder，我们的新前沿模型系列，在个人和专业代理工作中具有领先水平。
到2027年底，我将是唯一一个Nvidia没有收购的开放模型人士
我会这样描述：数据行业近年来起飞，但我们净输出的质量仍然太低（放大了奖励黑客等行为）。 我们正在努力构建可扩展的方法，为 RL 创建样本高效的数据。为了保持这个管道的运转，我们需要推动评估科学的前沿，同时构建具体的基准，在具有明确经济价值的领域进行爬山。 我一直在建议 Mercor 如何有效地构建这一研究方向。这些是我的观点，但我相信我们将看到经济界对前沿实验室（开放推理、开放后训练和数据）的重大投资，围绕构建真实世界代表性评估和合成数据方法的专业知识，以扩展围绕它们的训练数据。 我个人对此非常兴奋，这是将让更多…
我更倾向于相信 AI 会变得高效得多——这是推动扩散的一大杠杆——而不是相信 AI 模型会取得重大突破，从而消除 LLM 所有已知的弱点。 在旧金山精彩的一周后，我很乐意花几个小时反思 RSI。
如果你想对蒸馏对前沿进展的影响进行开放研究，我们很乐意在 @trillium_labs 进行，但需要先扩大资金/计算规模才能完成。 乐意让这件事更快实现——你知道在哪里找到我！
把这个GitHub仓库命名为“math”真是太好笑了 [引用 @OpenAI]: 我们正在发布由内部前沿模型产出的一系列广泛的新数学成果。 我们一直在与高等研究院的数学与人工智能独立咨询小组进行磋商，并借鉴了他们的建议和公开推荐来指导我们如何发布这些成果。
我也开始认为我们需要在美国将蒸馏合法化。禁止是不可能的，否则几年内战略竞争将变得非常难以维持。 [引用 @natolambert]: Reflection加入了英伟达和Thinking Machines的名单，他们发布了最强大的模型，但落后于中国同行。人们会以很多方式过度思考这一点，但最清晰的结论应该是，中国人在构建LLM方面非常非常擅长。
西方开源模型的重要一周！ [引用 @MistralAI]: 认识Mistral Large 4，又名Le Chonk。 • 1T参数，原生多模态。49B活跃。 在聚合基准测试中，它是来自美国或欧洲的最佳开源权重模型。 • 在关键工作负载上达到最先进水平，包括网络防御、制造和金融，并且在视觉基础上超越了封闭的前沿模型。 • 端到端在欧洲打造，可通过我们自己的Mistral在欧洲部署……
Reflection加入了英伟达和Thinking Machines的名单，他们发布了自己最强的模型，却落后于中国同行。人们会过度思考这件事，但最清晰的结论应该是：中国人非常非常擅长构建大语言模型。
A.I. 日报