Inkling 2 Small开源NVFP4权重，湿实验基准揭示算力瓶颈
Inkling 2 Small：原生4-bit训练的完整公开
Thinking Machines Lab 这次动作不小，直接开源了 594 亿参数模型 Inkling 2 Small 的 NVFP4 检查点。更值得关注的是，他们不仅给了权重，还把从预训练到强化学习（RL）rollout 的原生 4-bit 训练流程全抖落出来了。
预训练只用了 68 小时。这个速度在同等参数量级里相当显眼，背后是 NVIDIA GB300 集群的算力支撑，也是低比特训练技术成熟的一个信号。以往大家搞量化，多是训练完再压缩，或者在训练后期介入。Inkling 2 Small 展示了一条从头到尾都在 4-bit 精度下跑通的路径。这意味着显存占用和通信带宽的压力大幅降低，让大规模模型的训练门槛进一步下沉。
对于开发者而言，NVFP4 检查点的开放意味着可以直接在消费级或入门级数据中心硬件上尝试微调甚至推理这个量级的模型。虽然 594B 参数依然庞大，但 4-bit 量化后的体积和计算需求变得可管理。Mira Murati 在社交媒体上详细解释了这一技术路径，强调这是为了让更多研究者能参与到超大规模模型的优化工作中，而不是仅仅停留在理论探讨。
这种“透明化”趋势正在改变开源社区的生态。以前开源往往只给模型，不给训练细节；现在连底层的数值精度策略都公开，相当于把黑盒拆成了半透明的玻璃盒。这对于研究低资源环境下的大模型部署具有直接的参考价值。
湿实验基准：算力堆叠的科学边界
就在大家忙着比拼推理速度时，斯坦福、哈佛和康奈尔等团队联合发布的一项研究泼了一盆冷水。他们构建了一个高难度的“湿实验预测基准”，专门用来检验 AI 模型对真实生物化学实验结果的预测能力。
结论有些反直觉：即使将推理算力提升 5 倍，模型在预测真实实验结果上的表现也没有明显改善。
这里的“湿实验”指的是在实验室里瓶瓶罐罐进行的真实物理化学操作，而非计算机模拟的“干实验”。生物系统的复杂性远超代码逻辑，存在大量噪声、未建模变量和非线性反应。目前的 AI 模型大多基于文本或结构化数据训练，缺乏对物理世界因果关系的深层理解。单纯增加推理时的计算步数（如思维链长度），只能让模型在已有的知识图谱里打转，无法突破对未知生物机制的认知盲区。
这项研究揭示了一个关键问题：在科学发现领域，算力的边际效应正在递减。如果模型底层缺乏对物理定律和生物机理的正确表征，更多的计算只是在更精细地拟合错误的答案。这提示未来的方向可能不在于更大的模型或更多的算力，而在于引入多模态的真实实验数据反馈闭环，或者结合符号推理与神经网络的混合架构。
对于依赖 AI 进行药物研发或材料科学的团队来说，这是一个重要的警示：不要迷信算力万能，实验验证和数据质量才是硬道理。
Runway Praxis-1：视频模型变身机器人控制器
Runway 宣布以 Apache 2.0 许可证开源其机器人控制模型 Praxis-1 的代码和权重。这是一个有趣的跨界尝试：将视频生成模型的技术栈迁移到机器人控制领域。
Praxis-1 的核心逻辑是利用视频模型对时空变化的理解能力。它接收相机图像、文本指令以及机器人的位置信息，预测环境的下一步变化，并据此生成具体的机器人动作序列。传统机器人控制依赖复杂的运动学建模和精确的环境地图，而 Praxis-1 试图通过视觉直观性来简化这一过程。
想象一下，机器人不再需要预先知道每个关节的角度限制，而是像人一样“看”到物体，然后“想象”出手臂移动后的画面，再反向推导出动作指令。这种基于视频预测的控制方法，在处理非结构化环境（如家庭杂乱场景）时可能更具鲁棒性。
开源此举降低了具身智能的研究门槛。开发者可以基于 Praxis-1 的基础架构，结合自己的机器人硬件进行微调。虽然目前它还处于早期阶段，精度和实时性有待验证，但它提供了一条不同于传统控制理论的新路径：用生成式 AI 的直觉去弥补硬性规则的不足。
Claude Code Projects：并行开发的协调者
Anthropic 更新了 Claude Code Projects，重点增强了协调器（Coordinator）的功能。在复杂的软件开发项目中，往往存在多个并行的开发线程：前端改界面、后端修接口、测试写用例。以往 AI 辅助编程多是单点突破，比如帮写一个函数或调试一段代码，缺乏全局视角。
新的协调器可以主动管理这些并行线程。它能回答关于项目整体状态的问题，汇报各模块的进度，并在不同任务之间建立联系。例如，当后端接口发生变更时，协调器可以提醒前端开发者更新调用逻辑，或者自动检查测试用例是否覆盖了新特性。
这种“项目经理”角色的引入，标志着 AI 编程助手从“代码生成器”向“工作流管理者”进化。对于大型项目而言，上下文管理和任务协调的成本往往高于编写代码本身。Claude Code Projects 的这一更新，旨在降低这种协作摩擦，让开发者能更专注于核心逻辑，而不是花费大量时间在同步信息上。
不过，这也带来了新的挑战：如何确保协调器的判断准确无误？如果它错误地合并了冲突的代码分支，后果可能比单个函数写错更严重。因此，人类开发者的最终审核权依然不可或缺，AI 目前更多是充当一个高效的提醒者和整理者。
联想 Token 工厂：营销概念还是基础设施革新？
联想提出了一项名为“词元工厂”（Token Factory）的基础设施方案，宣称利用绿色能源驱动，年产 2000 万亿 Token，并将成本降低 70%。听起来很诱人，但仔细拆解会发现不少营销话术。
首先，“2000 万亿 Token”是一个巨大的数字，但缺乏具体的参照系。不同模型的 Token 定义、处理难度和能耗差异巨大。其次，70% 的成本降低主要依赖于“绿电”和规模化效应，这在理论上可行，但在实际落地中受限于电网稳定性、硬件折旧和维护成本。
目前来看，这更像是一个面向企业客户的基础设施服务提案，而非已经成熟运行的产品。联想的优势在于硬件供应链和数据中心建设能力，如果能真正整合光伏、储能和高效散热技术，确实可能降低 AI 计算的能源成本。但在没有第三方审计数据支持的情况下，这些数字应被视为愿景而非事实。
对于行业而言，能源成本确实是 AI 扩张的最大瓶颈之一。任何能实质性降低每 Token 能耗的方案都值得探索，但我们需要看到实际的运行数据，而不是 PPT 上的承诺。
其他值得关注的动态
Google Gemini 4 Hydrogen：Google 发布了 Gemini 4 系列的新成员 Hydrogen，主打日常编码和智能体工作流。它被集成到 Search、AI Studio 等产品中，强调对复杂多部分问题和拼写错误的理解能力。价格方面，每百万输入 Token 定价 1.5 美元，试图在性能和成本之间寻找平衡点。这表明 Google 正在将大模型能力更深地嵌入到日常搜索和开发工具中，使其成为基础设施的一部分。
OpenAI ChatGPT Wallet：OpenAI 推出了 ChatGPT Wallet，允许 AI 智能体在用户授权下代为完成支付。通过与 American Express、Mastercard 和 Visa 合作，使用支付令牌技术保护真实卡号。这一功能首批面向美国用户，旨在解决 AI 购物时的信任和安全性问题。虽然目前功能有限，但它开启了 AI 代理经济行为的大门，未来可能扩展到更复杂的金融操作。
ParseBench-2：LlamaIndex 创始人 Jerry Liu 发布了 ParseBench-2，这是一个针对文档解析的基准测试。它聚焦于生产环境中的解析错误分类，试图提供与人工判断高度一致的评估指标。随着 RAG（检索增强生成）应用的普及，文档解析的质量直接影响最终效果。ParseBench-2 的出现，有助于开发者更准确地评估和优化解析管道，避免因为上游数据清洗不力导致的下游生成错误。
腾讯混元 Hy Realtime：腾讯混元推出了实时语音模型 Hy Realtime，新增 Agentic 工具调用和唱歌能力。该模型已应用于元宝语音通话等场景。实时语音交互对延迟要求极高，同时又要保持语义理解的准确性，这对模型架构提出了很高要求。加入唱歌能力则展示了其在音频生成方面的灵活性，可能用于娱乐或教育场景。
Cloudflare Kitesurf：Cloudflare 开源了面向 AI 智能体的浏览器 Kitesurf，声称资源消耗低于 Chromium。作为一个轻量级浏览器内核，它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，降低智能体访问网页内容的硬件门槛。
总体来看，本周的动态呈现出两个趋势：一是底层技术的透明化和开源化（如 Inkling 2 Small、Praxis-1），二是应用层面向具体工作流和现实世界的深度融合（如 Claude Code、ChatGPT Wallet）。同时，科学基准的研究也在提醒我们，算力的增长并非万能钥匙，对物理世界和复杂系统的理解仍需新的范式突破。