🤖 AI 资讯晚报 · 10-16

🔥 必读

1. Meta 开源 816B Muse Spark Open：联手苹果，两台 Mac Studio 本地跑

Meta 10-16 凌晨发布开放权重模型 Muse Spark Open：稀疏 MoE，总参 8160 亿、每 token 激活约 420 亿、上下文 100 万 token，原生多模态（文本/图像/视频/音频），主攻编程与 Agent 长任务。Meta 称其为「迄今最强的美国开放权重模型」。最大看点是跑在哪里——借苹果最新 MLX 框架与 M5 Ultra Mac Studio 优化，每台 GPU 可用最高 512GB 统一内存、两台合计约 1TB，可像一台小型超算协同装下整个模型（该类「总参大、激活小」模型最吃内存容量而非带宽）。演示用例全程本地：为开源 Mastodon 客户端 Ice Cubes 提交 iOS 代码修改、操作 DaVinci Resolve 逐帧审素材并裁成竖屏。扎克伯格在 X 感谢苹果新 CEO John Ternus 与团队，Ternus 回复「能在桌面上高效跑这种量级的模型令人惊叹」。⚠️ 能力仍有短板：Artificial Analysis 开放权重智能指数（xhigh）仅 39 分，低于 MiMo-V2.6-Pro（46）、GLM-5.3（45），与 DeepSeek V4.1 Flash 持平，甚至低于蚂蚁 Ling-3.1-flash（41）；Terminal-Bench 2.1 得 76.4、DeepSWE 1.1 得 60、GDPval-AA v2 得 1401，均落后 Qwen3.8-2.4T、GLM-5.3、Kimi K3 等国产开源模型。权重同步上架亚马逊/谷歌/微软云，支持 SGLang、vLLM、llama.cpp、MLX 等框架。（多源报道：机器之心／智东西／极客公园）

原文：机器之心 · Meta杀回开源：816B新模型，两台Mac Studio就能跑 ｜ 智东西 · 刚刚，美国最强开源模型发布！放中国只能排第七？ ｜ 极客公园 · 苹果和 Meta 和好了，是 AI 逼的

2. 优必选 Thinker-WM 登顶三大具身世界模型基准，统一表征单模型六能力

优必选自研 Thinker-WM 在三大具身世界模型基准全部拿下第一：WorldOlympiad 综合得分 0.740（3D 一致性 0.531、交互保真度 0.765 两项单项居首）；EWMBench 综合 4.66（超 Qwen-RobotWorld、Sora2）；WorldArena 1.0 Track-1 在视觉画质、内容一致性、物理合理性、3D 几何精度、指令遵循等 12 项维度整体领先。核心突破在于表征层统一而非「拼接式」：过去世界模型由视频生成管画面、策略网络管动作、几何预测管空间，模块独立再接口拼接，丢失三者因果耦合；Thinker-WM 把 RGB 视频、度量深度、机器人动作编码进同一潜在空间，由共享的 Unified Dynamic Transformer（UDT）联合演化，多模态在 Transformer 内部同一注意力机制交换信息。深度不再是辅助监督，而是原生生成模态；RoboTwin 单任务消融中引入深度后操作成功率提升 15 个百分点。数据靠约 2 万小时第一人称人类视频 + 约 1 万小时真实机器人数据 + 约 1 千小时仿真；统一用末端位姿表示动作、token 内嵌本体标签，一份权重即可支持视频-动作联合生成、世界预测、策略推理、视频转动作、逆动力学等六大能力。

原文：机器之心 · 霸榜三大基准！优必选 Thinker-WM：多模态统一表征，单模型实现六大能力

3. 苹果 × CMU 提出 SSR：Agent 推理改「做选择题」，每轮延迟降超 90%

苹果与卡内基梅隆大学提出 SSR（Selection-based Structured Reasoning），重设 ReAct 里「每步先生成一段自由形式推理」这一环节：不再逐 token 生成思考，而是让模型从预设的 6 条推理选项中做选择题（以图搜图识别实体／文本搜索查事实／裁剪放大看细节／基于证据作答／直接读图作答／常识直答）。选法很巧——直接把 LLM 当分类器，对每个选项算概率均值再 softmax 采样，无需额外分类头、无需 SFT warm start。效率来源是 Parallel Reasoning Decoding：所有选项可完全并行打分，一次 batched forward pass 算完，模型无需自回归生成任何新 token。实测（Qwen3-VL 2B/4B、H100 + SGLang、7 个多模态搜索基准）：每轮推理延迟降低超 90%，每题总延迟降 28–54%，成功率与 free-form thinking 相当（4B SSR GRPO 平均 61.37%，2B 达 51.26% 堪比零样本 8B）。论文例子：一道爱丁堡建筑题，4B 模型生成 156 token、耗时 1821.92ms 还认错建筑；SSR 仅 32.66ms 就选对「通过图像识别实体」并直接触发图搜。可接 SFT/RL 管线，推理库可从 1 条扩展到 6 条 monotonically 提升。arXiv 2610.01892。

原文：机器之心 · Agent推理快10倍是怎么做到的？苹果×CMU：把「生成」改成「做选择题」

📌 值得看

4. OpenAI 可解释团队创建人：神经网络「黑箱」误解被证伪，Qwen-32B 约九成神经元只有一项工作

OpenAI 可解释团队创建人 Nick Cammarata 发表超长文章（阅读约 65 分钟），称万亿参数模型也「几乎可读」，我们关于神经网络「黑箱」的看法是误解、可解释性正被解决。他推翻了自己参与奠基的 superposition（叠加） 假说：经典「猫脸与汽车前脸共用同一神经元」并非概念乱塞，而是共享「V 形」特征；并提出「递归泛化」——神经元从模式长出语义相邻分支（识别「iy」→「diy」→「do it yourself」）。数据：2023 年自动工具只找到约 1.7% 可解释神经元，如今在 Qwen3-32B 上估计约 90% 的神经元正/负「极」各有一项主要工作、约 7% 两项、2–4% 未理解；稠密与 MoE 结论相近，并在 Kimi K3 上做出已知首个万亿参数模型的归因图。方法靠智能体规模化：检查神经元样本、提解释、设计反例，让第二个智能体只看解释就生成强激活样本（有些强于百亿 token 语料中的任何例子）。⚠️ 并非「已解决」宣言，注意力机制、完整审计、把理解转化为安全改进仍待做。

原文：机器之心 · 神经网络可解释性被AI解决了？90%神经元只有一个功能

5. Anthropic 解禁第三方应用：Claude 订阅额度可直接接入第三方 App 与 Agent SDK

Anthropic 10-7 更新官方支持页（10-16 发酵），确认 Claude Max / Team 订阅的月度 API Credits 可直接用于 Claude Agent SDK、claude -p 命令、Claude API、Claude Managed Agents，以及所有使用这些技术的第三方 App。这打破了长期困扰 AI 应用生态的「双重收费悖论」——用户已买 Claude 会员，在第三方 Claude App 里还要再付一次钱给开发者；开发者也因 API 成本不敢跑重型 Agent。新政本质是 BYOS（Bring Your Own Subscription，自带订阅）：用户自带额度，开发者的算力成本趋近于零。多名 Anthropic 员工在 Hacker News 评论区盖章「没有任何反对意见／支持继续使用／不用额外付费」。⚠️ 属策略解读稿，实际配额与限制条款以官方支持页为准。

原文：新智元 · 刚刚，Claude彻底解禁第三方应用！

6. 清华 × 趋境开源 KTransformers-FineTune：让 CPU 直接参与 MoE 微调，吞吐达 2.5–21.2 倍

清华 MADSys 实验室与趋境科技主导、联合 LlamaFactory 团队提出 KTransformers-FineTune（KT-FT）。动机：传统卸载范式把 CPU 当「更大容量的存储库」，专家权重仍要经 PCIe 搬到 GPU 算；而 MoE 是稀疏负载、单次计算很短，盖不住权重搬运——以每 1B BF16 参数为例，前向+反向需传 4GB，即便跑满 PCIe 5.0×16 的 64GB/s 也要 62.5ms，而 RTX 5090 算完只需 2.8ms（搬运是计算的 22 倍），「用计算掩盖搬运」因此失效。KT-FT 改为 CPU/GPU 协同计算（Co-Computation）：CPU 用 AVX-512/AMX 直接就地完成 MoE 专家计算，GPU 专注 Attention；并配「语义感知主动布局引擎」（跨层后台线程原地转换布局）与「动态线程调度」（细粒度任务 + 工作窃取）。实测（DeepSeek-V3.1-671B、Qwen3.5-397B、Qwen3-235B-2507，双路服务器 CPU、主存 1–2TB）：标准 LoRA 微调吞吐达卸载基线的 2.5–21.2 倍，短序列优势更明显。全栈开源，LoRA 微调与推理可在同等硬件下一键执行。

原文：机器之心 · 别再让计算等着搬权重了！KTransformers让CPU直接参与MoE微调计算

7. 普林斯顿等发布 WorldOracle：七种世界模型同台考评，机械臂动对了物体却未必跟得上

普林斯顿大学、得州大学奥斯汀分校、多伦多大学、NVIDIA 与智元联合提出 WorldOracle，10-16 向开发者开放评测平台。方法：向模型提供真实操作的初始画面与动作序列，由模型生成预测视频，再与同一组动作的真实执行对照评分——即便现实操作失败，准确预测这次失败也算正确，专门检验模型是「预测未来」还是「脑补成功结局」。对 DreamDojo、Cosmos 3、IRASim、GE-Sim 2.0 等七种模型评测发现两类问题：① 机械臂路径预测较准、物体位置与运动仍可能偏离（IRASim 机械臂 78.8 vs 物体 29.1；Cosmos 3 89.4 vs 45.4）；② 预测拉长明显退化（DreamDojo 50.56→27.08、Cosmos 3 53.99→26.60，几近减半；GE-Sim 2.0 73.86→63.33 最优）。平台设三条赛道（Core 前 30 秒 / Policy 策略自主执行 / Long 完整长序列），四类任务覆盖刚体、柔性、流体、关节物体，含智元 G2、YAM 两种本体与人手场景；119 人 128 对视频验证，四项指标与人类判断一致率 88.1–93.2%。⚠️ 以单次真实执行为参照，流体/柔性物体的多种合理结果尚未覆盖，三场景成绩不宜直接比本体难度。arXiv 2610.18826。

原文：机器之心 · 世界模型能不能上桌？WorldOracle给出了一场真实大考

📄 其他