Inkling 2 Small开源NVFP4权重：594亿参数原生4-bit训练全流程公开

Inkling 2 Small：把原生4-bit训练整套摊开

Thinking Machines Lab 这回出手挺猛，直接放出了 594 亿参数模型 Inkling 2 Small 的 NVFP4 检查点。权重之外，预训练到强化学习（RL）rollout 的原生 4-bit 训练流程也一并公开了。

预训练耗时只有 68 小时，在同等参数量级里这个速度很扎眼。撑住它的是 NVIDIA GB300 集群的算力，也说明低比特训练这套技术正在成熟。过去做量化，常见做法是训练完再压缩，或者等到训练后期才介入；Inkling 2 Small 走的是一条从头到尾都跑在 4-bit 精度上的路子。显存占用和通信带宽的压力因此小了一大截，大规模模型训练的门槛也跟着往下走。

对开发者来说，NVFP4 检查点开放之后，消费级硬件或入门级数据中心设备上就能试着微调、甚至推理这个量级的模型。594B 参数本身仍然庞大，可 4-bit 量化后体积和算力需求都变得可以应付。Mira Murati 在社交媒体上把这套技术路径讲得比较细，说这么做是为了让更多研究者参与超大规模模型的优化，别只停在理论讨论上。

开源社区的风气也在被这种“透明化”推着变。从前开源通常只交模型、不交训练细节，如今连底层的数值精度策略都摆到台面上，黑盒差不多成了半透明的玻璃盒。低资源环境下怎么部署大模型，这类信息有直接的参考价值。

湿实验基准：算力堆上去，科学边界在哪

大家还在比推理速度的时候，斯坦福、哈佛和康奈尔等团队联合发布的一项研究泼了盆冷水。他们搭了一个难度很高的“湿实验预测基准”，用来检验 AI 模型对真实生物化学实验结果的预测本事。

结论有点反直觉：推理算力提到 5 倍，模型预测真实实验结果的表现也没见明显起色。

所谓“湿实验”，说的是实验室里瓶瓶罐罐的真实物理化学操作，不是计算机里跑的“干实验”。生物系统的复杂度远在代码逻辑之上，噪声、没建模的变量、非线性反应到处都是。眼下多数 AI 模型拿文本或结构化数据训练，对物理世界的因果关系缺少深层理解。只靠在推理时多算几步（比如拉长思维链），模型还是在已有知识图谱里打转，撞不破对未知生物机制的认知盲区。

这项研究点出一个关键问题：科学发现领域里，算力的边际效应在往下掉。模型底层要是没有对物理定律和生物机理的正确表征，算得再多也只是更精细地拟合错误答案。照它的提示，未来的路可能不在更大的模型或更多算力，而在于引入多模态真实实验数据的反馈闭环，或者把符号推理和神经网络拼成混合架构。

靠 AI 做药物研发、材料科学的团队得留意：别把算力当万能药，实验验证和数据质量才是硬道理。

Runway Praxis-1：视频模型改行当机器人控制器

Runway 宣布以 Apache 2.0 许可证开源机器人控制模型 Praxis-1 的代码和权重。这是一次挺有意思的跨界：把视频生成模型那套技术栈搬到机器人控制上。

Praxis-1 的核心思路，是用视频模型对时空变化的理解力。相机图像、文本指令、机器人的位置信息输入进来，它预测环境下一步怎么变，再据此生成具体的动作序列。传统机器人控制靠的是复杂的运动学建模和精确环境地图，Praxis-1 想借视觉的直观性把这道工序简化掉。

换个说法，机器人不必预先知道每个关节的角度限制，而是像人一样“看”到物体，再“想象”手臂移过去之后的画面，反推出动作指令。这种靠视频预测做控制的方法，碰上非结构化环境（比如家里乱糟糟的场景）可能更扛得住。

开源把具身智能的研究门槛压低了。开发者能拿 Praxis-1 的基础架构，配自己的机器人硬件做微调。它现在还在早期，精度和实时性都有待验证，不过它给出的是一条跟传统控制理论不一样的路：用生成式 AI 的直觉去补硬性规则的缺口。

Claude Code Projects：给并行开发配个协调者

Anthropic 更新了 Claude Code Projects，重点加强协调器（Coordinator）。复杂软件开发项目里往往好几条线并行：前端改界面、后端修接口、测试写用例。以前的 AI 辅助编程多是单点突破，比如帮着写个函数、调段代码，全局视角是缺的。

新协调器能主动管这些并行线程。项目整体状态的问题它答得上，各模块进度它报得出，不同任务之间它还能牵线。打个比方，后端接口一改，协调器会提醒前端开发者更新调用逻辑，或者自动查一遍测试用例有没有覆盖新特性。

引入这么个“项目经理”角色，意味着 AI 编程助手正从“代码生成器”往“工作流管理者”走。大型项目里，上下文管理和任务协调的成本常常高过写代码本身。Claude Code Projects 这次更新就是想磨平这部分协作摩擦，让开发者把精力放在核心逻辑上，少花时间同步信息。

麻烦也随之而来：协调器的判断怎么保证不出错？它要是把冲突的代码分支错误地合并了，后果可能比单个函数写错更严重。人类开发者的最终审核权还是少不了，AI 眼下更多是个效率高的提醒者和整理者。

联想 Token 工厂：营销概念，还是基础设施革新？

联想提出一项叫“词元工厂”（Token Factory）的基础设施方案，宣称用绿色能源驱动，年产 2000 万亿 Token，成本降 70%。听着挺诱人，可仔细拆开看，营销话术不少。

先看那个"2000 万亿 Token"。数字确实大，可它没有可比的基准，不同模型对 Token 怎么定义、处理起来难易如何、耗电多少，差别都很大。再说 70% 的成本降幅，主要靠"绿电"加规模效应撑着，理论上行得通，落到现实里却要受电网稳不稳、硬件折旧、维护开销这些条件的约束。就眼下看，这更像一份面向企业客户的基础设施服务提案，还不是已经在成熟运转的产品。联想手里的牌是硬件供应链和数据中心建设能力，若真能把光伏、储能和高效散热捏合到一起，AI 算力的能源成本确实有下降空间。问题是缺第三方审计数据，这些数字只能当愿景看，不能当事实。

对行业来说，能源成本本就是 AI 扩张路上最大的瓶颈之一。哪个方案能实打实压低每 Token 的能耗，都值得去试，但前提是拿出真实运行数据，而不是 PPT 上写下的承诺。

其他值得关注的动态

Google 发布了 Gemini 4 系列新成员 Hydrogen，瞄准日常编码和智能体工作流。它已经进了 Search、AI Studio 等产品，卖点是对复杂多部分问题和拼写错误的识别。定价为每百万输入 Token 1.5 美元，想在性能和成本之间找个平衡。Google 这套动作，是把大模型能力往日常搜索和开发工具里塞得更深，让它变成基础设施的一部分。

OpenAI 这边推出 ChatGPT Wallet，用户授权后，AI 智能体可以代为付款。它跟 American Express、Mastercard 和 Visa 合作，用支付令牌技术把真实卡号藏起来。首批只面向美国用户，要解决的是 AI 购物时的信任和安全问题。功能眼下还有限，但 AI 代理掏钱这件事的口子已经开了，往后也许能延伸到更复杂的金融操作。

LlamaIndex 创始人 Jerry Liu 发布 ParseBench-2，这是一个文档解析基准测试，盯的是生产环境里解析错误的分类，想给出跟人工判断高度一致的评估指标。RAG 应用越来越普遍，文档解析质量直接牵动最终效果。ParseBench-2 能帮开发者更准地评估和优化解析管道，免得上游数据清洗不到位，下游生成跟着出错。

腾讯混元则推出实时语音模型 Hy Realtime，加了 Agentic 工具调用和唱歌两项能力，目前已用在元宝语音通话等场景。实时语音交互对延迟的要求极苛刻，语义理解还得准，模型架构压力不小。唱歌能力的加入，说明它在音频生成上比较灵活，娱乐或教育场景或许用得上。

Cloudflare 开源了面向 AI 智能体的浏览器 Kitesurf，声称资源消耗比 Chromium 低。作为轻量级浏览器内核，它有可能成为部署在边缘节点或嵌入式设备上的 AI 智能体首选交互界面，智能体访问网页内容的硬件门槛也会随之降低。

这周的动作看下来，两个方向比较清楚：底层技术在往透明和开源走，Inkling 2 Small、Praxis-1 都是例子；应用层则在往具体工作流和现实世界里扎，Claude Code、ChatGPT Wallet 属于这一类。科学基准方面的研究也在提醒一件事，算力涨上去不等于什么都能解决，理解物理世界和复杂系统，还得靠新范式突破。