每日一页，AI 发生了什么

这条新闻真正的分量不在参数量，而在于它把三件事同时做成了：全流程跑在国产芯片集群上、性能进入第一梯队、权重按 MIT 开源。以往这三个条件通常只能满足两个。

更值得琢磨的是它的发布方式。GLM-5.3-Flash 没有先发榜单，而是化名 Ox Alpha 在 OpenRouter 和 OpenCode 上匿名开放，靠真实调用量说话——正式发布前就处理了 62 万亿 token，公开可用后头三天又吃下 11 万亿。揭底后它在 OpenRouter 上排到编程类第一，占该平台周流量近 31%（10.3 万亿 token）。先让开发者用脚投票、再公布身份，这套打法比刷分更有说服力。

据多家科技媒体报道，它在 Artificial Analysis 智能指数上得 57 分，与 Claude Opus 4.8 持平，高于 DeepSeek V4 Pro 的 53 分。它也是 GLM-5 系列里第一个原生多模态的模型，支持文本、图像、视频、视觉文档以及交错输入。

对做后训练的人来说，MIT 许可意味着可以直接拿它当 SFT 和 RL 的 base，不用绕许可条款。

South China Morning Post →

稀疏度是这个模型最扎眼的地方：770B 总参数只激活 49B，激活比例约 6.4%，比大多数同量级 MoE 都更激进。这意味着它的推理成本更接近一个 50B 级别的稠密模型，但容量按 770B 算。

评测方式也值得单独说一句。腾讯给出的主口径不是公开榜单分数，而是找了 163 位专家、设计 203 个真实工程任务做人工打分，Hy4 preview 拿到 2.99/4.00，GLM-5.3 是 2.92，Kimi K3 是 2.94。三家咬得很紧，用人工评测而非刷榜来定胜负，本身就是个信号——公开榜单的区分度在头部模型之间已经不太够用了。

API 定价为输入每百万 token 0.834 美元、输出 2.501 美元、缓存命中 0.042 美元。除了开源权重，还可以通过腾讯云 TokenHub 和 OpenRouter 调用，WorkBuddy 与 CodeBuddy 上首两周免费。

腾讯官网 →

这个模型的定位和当年 Qwen3-Next 之于 Qwen3.5 是一样的——不是为了打榜，是让社区提前适配 Qwen4 的架构。要预告的有四件事：混合注意力、门控残差流、N-gram 嵌入、Muon 优化器。

最新鲜的是 N-gram 嵌入层：在第 2 层放一张两千万条的 bigram/trigram 查找表，靠确定性查表而不是参数计算来加容量，在 NVIDIA 设备上还支持把这部分 offload 到主机内存。它占了 51B 参数，但不参与逐 token 的激活计算，所以磁盘权重 180B、实际每 token 只动 6B。另外还挂了一个 4B 的多 token 预测模块。

两个部署上的坑要注意：许可是 qwen-community-1.0，不是 Apache-2.0，商用前得读条款；最小部署配置是 TP2，单卡跑不起来。vLLM 和 SGLang 都已支持。

MarkTechPost →

卡点在哪：RL 和 on-policy 自蒸馏（OPSD）这两条主流后训练路线都依赖 ground-truth 标签，所以做不了测试时训练。最自然的替代是拿多数投票的伪标签顶上，但这条路很脆——投票一错，teacher 就被污染，错误会顺着每个 token 传下去。

这篇的关键观察是：这个失败模式是不对称的。跟伪标签不一致的那些 rollout，无论投票本身对不对，通常都是错的。也就是说，惩罚不一致的一支比信任一致的一支要安全得多。

于是 TTPO 把两支分开处理：一致的 rollout 走 OPSD 蒸馏，不一致的走 Grouped RL 惩罚。再叠一层 token 级筛选——蒸馏时给已经收敛的位置降权，RL 只罚那些“自信的错误”。这样即便伪标签频繁出错，两个方向的更新都还站得住。

结果：完全无标签的情况下，在五个竞赛级 benchmark 上追平了有标签监督的 OPSD；Qwen3-1.7B 在测试时训练中从 38.0% 提到 45.2%；关掉 thinking 时提升 25.2% 到 36.4%，并且有明显的跨任务泛化。

arXiv 2608.27448 →

卡点在哪：进化策略（ES）作为省显存的后训练方案已经用起来了，但它的优化行为一直没人系统研究过，导致说不清它到底什么时候比 GRPO 更合适——默认印象是“效果差一点的省内存替代品”。这篇要做的就是把这个印象推翻。

理论上，作者证明经 verifier 投影后的种群 Jensen-Shannon 多样性越高，Pass@K 越好。实验上，GRPO 出现典型的熵坍缩，而 ES 在提升 Pass@1 的同时还拿到比 GRPO 更高的 Pass@K。

有个反直觉的发现值得单独记一笔：ES 会让整个模型的参数大幅漂移，但真正带来任务收益的只是一小撮幅度较大的更新。这种功能上的稀疏性说明，参数动得多不等于功能变化广——held-out 评测也确认没有出现灾难性遗忘。

实用结论有两条：一是给出了先 GRPO 后 ES 的顺序训练方案，用 GRPO 拿 Pass@1、用 ES 补 Pass@K；二是模型越大，ES 需要的种群规模反而越小。

arXiv 2608.27351 →

卡点在哪：RLVR 确实能提推理能力，代价是策略熵往下掉，推理覆盖收窄，大 k 情况下的 pass@k 反而退化。现有缓解手段几乎都在算法正则化上打转，跨模型的非参数扰动这条路基本没人走。

这篇的做法简单得有点朴素：让目标模型基于一个更小、更弱的语言模型生成的部分推理轨迹继续往下写。这些不熟悉的前缀会打断模型的过度自信，把它推到不同的推理路径上去。作者还实证研究了分布差异是如何影响 RLVR 探索动力学的。

吸引人的地方在于它的省事：不需要额外 SFT、不需要精巧的奖励设计、也不需要复杂 prompt，就能缓解熵坍缩。多个数学 benchmark 上稳定优于原始 RLVR，而且 k 越大，收益越明显——说明推理覆盖是真的被撑开了，不是把分数挪了个位置。

arXiv 2608.27420 →

卡点在哪：大家都知道 RL 后训练在“已经很能打的 base 模型”上最有效，但很少有人反过来问——现有 pipeline 产出的中间 checkpoint，真的是最适合拿去做 RL 的那个吗？

做法是对 SFT 做一个很小的改动：训练过程中把已经拟合好的序列过滤掉，把学习集中在建模不足的尾部区域。过滤准则的具体选择，作者用受控实验加理论分析做了论证。

效果分两段看。第一段，OLMo-3 7B 上数学和代码评测的 pass@16 常有提升，最多 17 个百分点绝对值，而额外计算开销很小。第二段更关键：这些高覆盖的 checkpoint 拿去跑后续 GRPO，pass@1 还能再涨最多 4 个百分点——证明它确实是更好的 RL 初始化。作者另外给了一个轻量诊断，用来判断什么场景下 TailSFT 值得上。

往大了说，这篇主张的是分阶段看待模型开发：中间 checkpoint 的好坏，应该用“它能多好地支撑下一阶段训练”来评判，而不是看它自己的分数。作者阵容是 Sadhika Malladi、Samy Jelassi、Dylan Foster、Jordan T. Ash 和 Akshay Krishnamurthy。

arXiv 2608.25756 →

开源模型现在的实际可用性，很大程度上取决于推理框架跟进的速度，day-0 recipe 已经成了旗舰发布的标配动作，而不是锦上添花。

基本启动命令是 vllm serve tencent/Hy4-preview-FP8 --tensor-parallel-size 8 --attention-backend FLASHMLA_SPARSE，另外通过 speculative-config 打开 MTP 投机解码（模型自带一个 10B 的 MTP 层，推荐 3 个投机 token）。工具调用和思考段分别需要 --tool-call-parser hy_v4 和 --reasoning-parser hy_v4。

门槛还是很实在的：770B 的权重哪怕转成 FP8，也要 16 张 B200 起步。个人开发者短期内基本只能走 API 或者等量化版本。

vLLM Recipes →

值得留意的不是量化本身，而是响应速度——旗舰模型发布到本地可跑的量化版落地，窗口已经压缩到 24 到 48 小时。

不过要泼盆冷水：Flash-Next 是磁盘权重 180B 的多模态 MoE，GLM-5.3-Flash 更是 320B，量化之后对消费级显卡依然吃力。真正能在个人机器上跑起来的还是 27B 那一档——Qwen3.8-27B 的 GGUF 下载量已经接近 780 万。

另一个可以顺手观察的信号：HuggingFace trending 前 20 里超过一半是 Qwen3.8 系列的衍生版本，量化、abliterated、uncensored 各种口味都有。社区二次加工的重心押在哪一家，从这个榜单一眼能看出来。

Hugging Face →