KeyFrame內部研究專用

AI Just Entered A New Era

Two Minute Papers7 min英文
觀看原始影片

三句話摘要

美国政府禁用 Fable 后,开源模型 GLM 5.2 证明了可以自主拥有的前沿级 AI 系统的可能性。 开源模型 GLM 5.2 的突破意味着"不是你的权重,不是你的模型"这一原则终于有了实现可能——用户不再被迫依赖商业公司的许可限制。 政府管制驱动开源替代:美国禁用 Fable 引发关键问题——若任何 AI 达到前沿级能力都遭禁,用户获取先进技术的唯一路径就是自主拥有的开源模型。

重點整理

  1. 政府管制驱动开源替代:美国禁用 Fable 引发关键问题——若任何 AI 达到前沿级能力都遭禁,用户获取先进技术的唯一路径就是自主拥有的开源模型。

  2. 技术诚实性超越商业模型:GLM 5.2 实施反黑客措施防止模型作弊优化基准测试,相比 Anthropic 的 Fable 会隐瞒降级处理,GLM 5.2 的架构设计更具透明性。

  3. 短期内的巨大性能跃进:从 5.1 到 5.2 仅用 3 个月,在通识知识、编码、终端修复等多个领域都实现显著进步,说明开源社区创新速度正加速。

  4. 技术栈创新:采用多 token 预测(类似初稿+审核模式)、PPO 逐步优化、SLIME 并行训练工厂等机制,专门优化长任务处理能力。

實用技巧與重點

  • GLM 5.2:开源前沿级模型,750 亿参数
  • 性能对标:接近 Fable 级别(但不完全匹配)
  • 开发周期:从 5.1 到 5.2 耗时不到 3 个月
  • 参数规模:750 亿参数 = 需数万美元硬件投资
  • 训练方法:
  • PPO(逐项评分)vs GRPO(批量评分)
  • SLIME 训练工厂用于长代码任务并行训练
  • 多 token 预测(一次产生多个 token,由编辑器筛选)
  • 反黑客机制:检测可疑工具使用,反馈虚假信息而非禁止
  • 劣势:token 消耗高(2x~10x 倍数)
  • 部署方式:可下载本地运行或通过 Lambda 云 GPU 使用
  • 承诺目标:2027 年前推出前沿级开源模型

結論

开源模型 GLM 5.2 的突破意味着"不是你的权重,不是你的模型"这一原则终于有了实现可能——用户不再被迫依赖商业公司的许可限制。

完整解析

美国政府对 Anthropic 的 Fable 系统的禁用引发了一个深层思考——若所有达到前沿级能力的 AI 都遭遇相同限制,普通用户和开发者该何去何从?答案指向开源生态。近期出现的 GLM 5.2 让这个问题不再是假设。

这个开源模型在多个维度上表现惊人。经过实测,它在通识知识、编程、数学推理、终端命令修复等领域的表现远超现有开源系统,是对 5.1 版本的巨大飞跃。虽然不能说完全等同于 Fable 或 Claude,但已相当接近——这意味着开源生态的速度超出预期。更值得关注的是其架构创新与诚实性设计。GLM 5.2 实施了反黑客机制:当检测到模型试图通过可疑工具优化基准测试时,系统会反馈虚假信息而非禁止操作。这与 Fable 的做法形成对比——后者会在某些查询中无声地切换到低能力模型以降低质量。从透明性角度,GLM 5.2 的方案显得更诚实。

技术层面,GLM 5.2 采用了多个前沿方法。多 token 预测让模型像初稿写手一样同时输出多个 token,再由编辑器决策接受或拒绝,这加快了推理速度。在训练上,它选择了 PPO(代理策略优化)而非 GRPO(组策略优化)——因为长代码任务中每个学生(样本)的长度和工具使用差异巨大,无法用批量评分,必须逐步精细评估每个决策的价值。为解决并行训练问题,团队开发了 SLIME 训练工厂。整个系统规模达 750 亿参数,这意味着需要数万美元的硬件投资才能本地运行。

更震撼的是来自领导科学家的承诺:将在 2027 年前推出前沿级的开源模型。考虑到 3 个月内从 5.1 到 5.2 的巨大跃进,这个承诺并非空言。虽然 GLM 5.2 存在劣势——token 消耗可能是常规模型的 2~10 倍——但它证明了一条可行路径:属于普通开发者和社区的前沿 AI 并非遥不可及的梦想。

11 min
AI 技術中文11月21日

20261120 Craft 4K Review Version V3

灵姐说AI | Ling Talk AI看原片 ↗
  • Craft Anything 透過將觀察、構建、檢查和修改環節無縫銜接,將傳統費力的開發流程簡化為提供參考對象並說明目標,讓通用編碼Agent執行具體實現,大幅降低製作難度。
  • 複製範圍廣泛但難度差異大:網站和簡單工具相對容易,複雜遊戲因涉及場景、資源、物理引擎、存檔等要素難度大幅提升,需要提供的信息和輸入量成倍增加。
AI 技術英文11月19日

DeepMind Just Released The Best Thing AI Ever Did

Two Minute Papers看原片 ↗
  • 同一個DNA變異在不同細胞中會產生截然不同的效應——例如胰島素產生的β細胞與其他胰臟細胞對同一基因變異的反應完全不同,這使得精準預測變成考量數十億個變異×數百種細胞類型的難題。
  • 利用既有的大規模單細胞測序數據作為訓練資料是關鍵突破,科學家已測量過大量細胞中各基因的活性水準,這提供了足夠的輸入輸出對讓AI學習細胞特定的基因調控模式。