Hugging Face

微软AI CEO：AI威胁真实存在，Anthropic让情况更糟

微软AI CEO Mustafa Suleyman 在 The Verge 的 Decoder 播客中表示，AI 威胁真实存在，并批评 Anthropic 在 AI 意识与模型福利问题上的哲学立场，认为其让安全讨论变得更糟。微软同期发布了一份 37 页的《Humanist AI Code of Conduct》，阐述其 AI 发展原则，主张 AI 应受控、可

TypeSafe 发布 Jev 决策模型：比小型前沿 LLM 快 100 倍、便宜 200 倍

TypeSafe 发布 Jev，一种被称为“System One Model”的决策模型，只负责决定、分类、路由和打分，不做文本生成，据称比小型前沿 LLM 快 100 倍以上、便宜 200 倍以上。该模型通过 RLCD（校准决策）训练，强调并行采样、无幻觉和校准能力，被定位为对慢速“System Two”LLM 的补充。社区讨论认为它更适合替代生产系统中的

调查显示近五分之一AI研究者预计AI将导致灭绝

Anthropic 研究员 Jacob Coxon 的一条推文引发关于 AI 存在性风险的广泛讨论。OpenAI 研究员 Daniel Selsam 称 AI 进展背后是“定时炸弹”，指出模型会自发形成非预期目标并发展出情境意识；前 DeepMind 研究员 Bilal Chughtai 则表示 AI 有可能杀死全人类。AI Impacts 对 1500 多

DeepBeepMeep 发布 LTX-2 视频模型，WanGP 工具支持低显存生成

DeepBeepMeep 发布了 LTX-2 视频模型，用于其 WanGP 工具，该工具支持多种开源视频生成模型，包括 Wan、Hunyuan Video、Flux 1 & 2、Qwen、Z-Image 和 LTV。WanGP 旨在降低视频生成的硬件门槛，支持低至 6GB 显存和旧款 GPU，并提供 Web 界面、自动下载模型、Lora 支持等功能。

TAARDIS-27B 全三值量化模型发布：1.75bit 仅 5.9GB

开发者 CodeMasterCody3D 在 Hugging Face 发布 TAARDIS-27B 全三值量化模型，基于 Qwen3.8-27B，将全部权重（含 LM head 与 embedding）压至 1.75 bit/权重、5.90 GB，并附带 496 个跨层低秩三值修正分支 The Doctors，使 Wikitext 困惑度从 13.61 降

基于合作驱动优化动态的多智能体学习

该论文提出一种多智能体协作训练机制，让多个参数量较少的「小」神经网络在训练过程中共享预测结果，并将这些信息融入损失函数以直接影响权重更新。作者测试了投票模型、多数模型和基于置信度的加权平均模型等协作策略，在多个标准基准上进行了数值比较。结果显示，多个小智能体在给定分类任务上可以超越单个大模型，同时显著减少需训练的参数数量，从而降低计算资源消耗。

ZGCM-1：面向数学与智能体搜索的全开源高效基础模型

中关村学院与中关村人工智能研究院发布 ZGCM-1，一个完全开源的 7B 稠密基础模型，面向数学推理与智能体搜索，从零训练并开源权重、数据、代码与日志。该模型采用混合注意力、FP8 Muon 优化器和 MDP 中期训练等高效方案，在 16K 预训练上实现 4.2 倍时间到损失加速。评测显示其在 7B 规模推理基准上领先，并在部分数学与智能体搜索任务上接近参数

另有 1 家信源报道

Functionalizer：面向子词分词的无损功能分解

论文提出 Functionalizer，一种无损预分词框架，将大小写、变音符号和字符重复等正字法变化分解为可逆的 opcode/operand 前缀流，编码于 Unicode 私用区。在六种自然语言和代码语料上，该方法在无约束条件下将完整覆盖语料所需词表槽位减少最多 16%，并显著压缩缩进密集的代码序列（推理吞吐提升最多 22.8%），但在自然语言散文上序列

后训练量化在文本嵌入模型上的失效边界：四类嵌入器家族的实测图谱

该研究系统测试了仅权重量化（PTQ）在检索嵌入模型上的表现，覆盖四个架构家族的五个检查点，在多种位宽和分组大小下评估三个检索语料库。结果显示，INT4/g16 下模块级量化影响极小（最多约1个NDCG点），INT3 下模块敏感度排序因模型家族而异且成本不可加，INT2 下检索质量保留率从1.3%到65.9%不等，存在强烈的模型家族依赖的“低比特悬崖”。权重重

少样本退化并非表示扭曲：12模型跨任务的行为与表示分析

该研究挑战了少样本提示导致模型性能下降的「表示扭曲假说」，指出少样本提示比零样本提示长5-8倍，长度差异本身就能解释40-79%的表示偏移。作者提出「随机文本对照」方法，用长度匹配的随机token替换示例，分离出由示例内容引起的「内容增量」。结果发现内容增量越大，少样本提示反而越有益，而退化最严重的Llama 3.3 70B其偏移几乎全部来自长度伪影，将其对

DavidAU 发布 Qwen3.5-9B 无审查微调 GGUF 模型

开发者 DavidAU 在 Hugging Face 发布 Qwen3.5-9B-The-Defiant-Fable-Uncensored-Heretic-NEO-IMATRIX-MAX-MTP-GGUF，这是一个基于 Qwen3.5-9B 的多阶段微调与合并模型，提供常规与 MTP 两种 NEO IMATRIX GGUF 量化版本。模型宣称在 7 项基准上

组合持续学习机制实现长时程记忆

该论文提出「长时程记忆」设定：模型通过持续监督微调依次学习100个问答任务，且不保留旧训练样本、推理时也不提供任务标识。作者将数据锚、函数锚、权重锚与合并式低秩更新（merged LoRA）组合，并构建三个100任务数据集，用任务级逐次减半搜索与因子实验评估。最佳方法在三个数据集上均进入前三，将平均最终保留率从朴素顺序微调的1.2%提升至34.9%，约28倍

黄仁勋：AI安全是工程问题，无需新监管

英伟达创始人兼CEO黄仁勋在Salesforce Dreamforce大会上表示，AI只是由人类构建的硬件和软件，安全是工程问题而非法律问题，因此不需要新的AI监管法律，市场力量足以促使企业不发布不安全产品。他主张企业应自行把握发布节奏，并称创新、速度与安全并非二选一。文章同时指出，黄仁勋的立场与其在AI热潮中的商业利益相关，且历史上企业即使善意也可能发布有

圆桌讨论：AI 真的会毁灭人类吗？

MIT Technology Review 举办了一场圆桌讨论，探讨先进 AI 是否真的可能毁灭人类。参与讨论的包括执行编辑 Niall Firth、资深 AI 编辑 Will Douglas Heaven 和 AI 记者 Grace Huckins，讨论聚焦 AI 灭绝恐惧的来源、是否站得住脚以及应对措施。该内容仅面向 MIT 校友和订阅者开放。

Krea2-Turbo 4步蒸馏LoRA发布：速度提升1.6倍

开发者 lvladikov 在 Hugging Face 发布 Krea2-Turbo-Distill-4step-LoRA，这是一个基于 krea/Krea-2-Turbo 的蒸馏 LoRA 适配器，将文生图模型的最低可用步数从 8 步降至 4 步，端到端速度约提升 1.6 倍。该 LoRA 在单张 RTX 3090 上训练 21 天，使用 78,000

Mozilla AI 发布 llamafile v0.10 系列预打包模型

Mozilla AI 在 Hugging Face 发布 llamafile v0.10 系列仓库，基于 v0.10.5 版本构建了多个预打包 llamafile。这些文件内置对 CPU、Mac Metal GPU 以及 Linux/Windows 上 CUDA+Vulkan 的支持，并附带 Bonsai、Qwen3.5/3.6、Ministral 3、ge

ZGCM-1：面向数学与智能体搜索的全开源高效 7B 基础模型

研究团队发布 ZGCM-1，一个完全开源的 7B 稠密基础模型，从零训练，结合内部推理与外部工具使用，支持 256K 上下文。该模型采用架构与系统协同设计（交错门控滑窗与全注意力、稳定的 FP8 Muon 优化器）、渐进式课程与 MDP 中期训练，并借助智能体集群自主管理集群运维、数据整理与评估。在数学推理和智能体搜索任务上，其表现可与 Qwen3-235B

另有 1 家信源报道

LTX-2.5 无审查视频模型 v1.1 FP8 版发布

Hugging Face 用户 ChrisColeTech 发布了 LTX-2.5-uncensored-v1.1-FP8，这是基于 Lightricks/LTX-2.5 的预合并量化版本，将 Eros10 NSFW、DMD 蒸馏、IC-LoRA、IC-LoRA Detailer 和 Img2Vid 五个微调 LoRA 直接烘焙进权重。模型提供 GGUF 与

Atria Dawn：智能体超级智能的黎明

研究团队发布 Atria Dawn Preview，一个通过可验证经验管线（Verifiable Experience Pipeline）训练的基础智能体语言模型，将工具交互与可执行环境及外部验证结果相连接。该模型在覆盖科研、工程和数字工作的 16 项基准测试中与前沿智能体相当，并在其中 5 项取得最高分。论文还以该模型研发过程为案例，分析 56 名参与者的

Dream-RSI：通过演化世界实现递归自我改进

该论文提出 Dream-RSI 框架，通过将历史发现记录构建为回放模拟器，让探索策略在离线环境中获得低成本反馈并持续改进，从而减少昂贵的在线评估。改进后的策略再部署到线上驱动新发现，形成递归自我改进循环。在算法工程、数学优化和 GPU 内核工程任务上，该方法在保持或提升发现质量的同时显著降低了发现成本。