来看这个新技术 PTS (Pivotal Token Search, 关键token检索)
简单来讲, PTS的想法基于——大模型干活的时候不是所有输出的 token 都能成为决策点, 而是几个关键点 token 能决定大模型输出的东西对不对, 其它全是水词, 于是PTS方法提取这些 token, 形成 DPO（Direct Preference Optimization, 直接偏好优化）数据集. 数据集包含 “选择的 token” (增加成功率的 token), “拒绝的token” (降低成功率的 token)。然后进行针对性微调.
除了微调, PTS 方法还可以提取关键 token 的激活模式, 生成 steering vectors（引导向量）。然后在模型推理过程中引导，这样就不用微调了。（当然计算量会增加一些）
不过我咋感觉这个方法只是将一部分参数在向量空间的分布概率拉大？尤其是作者说是收到Phi4启发的。但Phi4的效果没啥惊艳的地方。那么这个方法真的有什么改进么？还是我理解的不太对？想听听有没有大佬的想法或者实践经验 …
想要一个安全MCP沙箱环境吗？不用自己搭建，来看这个项目——llmbasedos
llmbasedos 使用 Arch Linux 裁剪构成，然后内部将 Arch 的各种功能（文件系统，邮件，同步，代理等）包装成MCP服务。连接后即可调用。
当然，这其实就是个装了东西的操作系统。你需要用虚拟机或者用物理机从iso启动这个操作系统才能用。
地址：github.com/iluxu/llmbasedos …
Qwen 刚刚又发布了 4 个模型，WorldPM-72B，WorldPM-72B-HelpSteer2 ，WorldPM-72B-RLHFLow，WorldPM-72B-UltraFeedback
不过这些模型都是偏好建模模型，你可以简单理解为给其他模型的回答打分的模型。最大的用途是用来监督学习的。官方也说使用这个训练比从0开始训练效果要好。
地址：huggingface.co/Qwen/WorldPM-72B 还有论文：arxiv.org/pdf/2505.10527
还记得我前天发的那个 Google 的能自己发现算法的 AlphaEvolve 吗？开源版本来了！
昨天 Google 刚刚发布了论文，今天开源实现就有了——OpenAplha_Evolve
感兴趣的同学可以自己部署试试，看看是不是真的能发明新的算法哈哈
地址：github.com/shyamsaktawat/OpenAlpha_Evolve
BitNet 模型又增加了，来看 TII 的 Falcon-E-1B/3B
据官方说这个模型性能与 Qwen3-1.7B 相当，但内存占用仅有 Qwen3-1.7B 的 1/4
Qwen3 刚刚在新出的 MEDIC-Benchmark 上的医疗问答排行榜上得了个第一和第二，另外前五名也都是Qwen和DeepSeek
排行榜地址：huggingface.co/spaces/m42-health/MEDIC-Benchmark
阿里的移动端多模态大模型APP(完全开源且使用移动端本地的模型哈)——MNN 又更新了！现在支持 Qwen-2.5-omni-3b 和 7b 了。
这个APP搭配多模态模型可以支持 文本到文本、图像到文本、音频到文本和文本到图像生成。并且速度也可以。想学习移动端大模型应用开发的可以参考试试
地址：github.com/alibaba/MNN/blob/master/apps/Android/MnnLlmChat/README.md
[https://zhuanlan.zhihu.com/p/1905008654861734139] (这是我在知乎发的帖子转载过来，所以格式和图片有所丢失)
为什么选择本地AI与Copilot？
数据隐私：所有数据处理都在本地进行，无需担心笔记内容上传云端。 离线使用：一旦设置完成，部分功能可在无网络环境下使用。…
来看新模型——INTELLECT-2
这个模型最大的特点是，他是使用全球社区免费的 GPU 训练的，而为了实现这一点，使用了 prime-rl 框架，这是个分布式强化学习框架，并且集成了魔改版 GRPO，用于改善训练稳定性。
不过，这个模型并不是从0训练的，而是基于QWQ-32B。而它的得分，跟QWQ-32B差不多…所以炼了个寂寞？可能 prime-rl 这个框架更有意义一些。
地址： huggingface.co/PrimeIntellect/INTELLECT-2 技术报告：storage.googleapis.com/public-technical-paper/INTELLECT_2_Technical_Report.pdf…
微软发了篇新论文 ARTIST (Agentic Reasoning and Tool Integration in Self-improving Transformers, 使用自主推理与工具的自改进 Transformer 框架)
我刚看完, 直接用大白话给大家总结下论文讲了啥
这个框架集成了外部工具调用和自主推理, 来提升效果. 并且推理可以多步骤. 得到结果后进行强化学习, 不断反刍, 最终效果提升高达 22%.
包含Q071, Q074, Q075, Q076, Q079五个QDF代号对应的CPU
这几款CPU在闲鱼上价格比较便宜，可以为大家玩机提供一个参考
大家好, 我来更新了.
之前的旧帖 https://cyberbus.net/post/260
之前(v0.3.3)版本视频演示: https://www.bilibili.com/video/BV1o49VYgE6e
项目地址: https://github.com/ThisSeanZhang/landscape
当前界面截图…
如果在苹果设备上用 MLX 量化模型的同学，务必试试新的 DWQ 量化。从数据上看 4bit-dwq 量化的困惑度甚至比老的 6bit 量化还低。
Qwen3-30B-A3B-4bit-DWQ 量化版本的MLX官方地址，17GB 内存就能跑：huggingface.co/mlx-community/Qwen3-30B-A3B-4bit-DWQ
HiDream i1 full在3070m上生成1920x1088分辨率的图片要12分钟，dev版本要3.5分钟，fast版本要2分钟，因结构表现下降不推荐使用。目前TeaCache还没有支持。
生成效果方面，HiDream i1 dev效果优于Flux.1 dev，但细节和光照表现还是明显低于HiDream i1 full，后者生成效果也接近比较优秀的闭源绘画模型。考虑后续有TeaCache支持的速度情况，个人还是偏向full版本。
HiDream i1发布有一段时间了，在这个适合测试是因为刚开始看到光照不如Pixelwave FLux.1 dev，但使用后者遇到细节问题，就决定尝试HiDream i1。个人认为综合光照表现，HiDream i1仍然是更好的选择。
