2026年8月27日星期四 · 共 10 篇精选
编辑视角
今天 Hacker News 上票数最高的，不是新模型，是一笔收购。DuckLabs 宣布将在 9 月初加入 AWS。DuckDB 日下载量超过 100 万次，团队会留在阿姆斯特丹，MIT 许可证和 DuckDB 基金会都还在。亚马逊写得更直白：他们买的是公司，不是那个开源项目。评论区吵的是同一件事的两面——数据库终于有钱做下去了，以及“开源”会不会变成云厂商的获客通道。
同一块头版被两家实验室的廉价模型占满。Z.ai 介绍 GLM-5.3-Flash：3200 亿总参数，每个 token 只激活 180 亿，号称价格是 GLM-5.2 的十分之一。发布前他们把它匿名挂到 OpenRouter 上，名字叫 ox-alpha，一度成了当周最热的模型，流量跑在中国芯片上。权重已经放到 Hugging Face。Qwen 的对照物是 Qwen3.8-Flash-Next：主模型 1250 亿参数，外加 510 亿 N-gram 嵌入，每个 token 激活 60 亿；相对 Qwen3.7-Plus，训练只要大约九分之一的资源。它被写成 Qwen4 架构的预览，像当年 Qwen3-Next 对 Qwen3.5 做过的那样，先把骨架交给社区看。
所以有人做了一个页面，从每天 UTC 零点开始数：新提交的 Hacker News 标题里，单独那个词 AI 出现了多少次。OpenAI 不算，AI-powered 算。这不是玩笑，是今天头版的说明书。AWS 把分析型数据库收进云里，两家实验室用更少的激活参数把模型铺到论坛上，网站则开始给智能体登记真正能调用的工具，而不是让它们去猜哪一个绿色按钮是确认。社区在给这些系统投票。投票的对象已经从“模型聪明不聪明”，变成“谁拥有基础设施、谁付得起下一次请求、以及这页网站还剩多少是人写的”。
开源项目
头版最高票不是模型卡片，是一份开源数据库的收购声明。
AWS 买下 DuckLabs，DuckDB 仍走 MIT 许可
Today, we’re announcing that DuckLabs will join Amazon Web Services (AWS), which is expected to be effective in early September.
DuckDB and the other open-source components of the “Duck Stack” will remain free and open source under the MIT license
DuckLabs 是 DuckDB 背后的公司，创办五年，走的是创始团队控股、不靠风投的路。8 月 26 日他们宣布将加入 AWS，预计 9 月初生效。团队留在阿姆斯特丹，继续做 DuckDB、DuckLake、Quack。亚马逊的声明写明：交易标的是公司，不是开源项目；独立的 DuckDB 基金会继续托管，MIT 许可证不变。创始人 Hannes Mühleisen 和 Mark Raasveldt 会继续带队并把握技术方向。AWS 从 2024 年起就在合作。社区的问题很具体：基金会能不能挡住云厂商的产品节奏，以及“日下载 100 万次”的分析引擎，明天会不会默认长在某一朵云上。
来源: DuckLabs
基础模型
两家实验室把更便宜的模型直接铺到论坛上。一个先匿名试水，一个先公开骨架。
GLM-5.3-Flash：ox-alpha 摘下面具，180 亿激活
We introduce GLM-5.3-Flash, the first natively multimodal model in the GLM-5 series. With 320B total parameters and just 18B active parameters, it outperforms GLM-5.2 across benchmarks and real-world workloads at one-tenth the price
Before release, we tested GLM-5.3-Flash anonymously as ox-alpha on OpenCode and OpenRouter to gather user feedback.
Z.ai 把 GLM-5.3-Flash 写成 GLM-5 系列里第一个原生多模态模型：3200 亿总参数，每个 token 激活 180 亿。它用稀疏注意力加线性注意力的混合结构，预训练语料写成 30 万亿 token。Artificial Analysis Intelligence Index v4.1.1 上，他们给出的数字是 57 分、折后每任务 0.045 美元，并说这档智力以前大约要十倍价钱。编码计划用户的可用额度是 GLM-5.3 的三倍。权重在 Hugging Face 的 zai-org/GLM-5.3-Flash，本地推理写了 SGLang、vLLM 和 TokenSpeed。更重要的社交细节是：发布前它就在 OpenRouter 上用 ox-alpha 这个名字跑过，并且成了当周最热模型。面具不是被论坛拆的，是实验室自己摘的。
来源: Z.ai
Qwen3.8-Flash-Next：每个 token 激活 60 亿，训练成本约九分之一
Qwen3.8-Flash-Next features a 125B-parameter main model, supplemented by an additional 51B N-gram embeddings, with 6B parameters activated per token.
Compared with Qwen3.7-Plus, Qwen3.8-Flash-Next substantially reduces both training and inference cost — training takes only about 1/9 as much
阿里云通义把 Qwen3.8-Flash-Next 写成 Qwen4 架构的预览，角色类似当年的 Qwen3-Next。注意力是 Gated DeltaNet 加 Qwen Sparse Attention：前者压缩历史，后者用轻量索引在微块上挑重要上下文。残差被加宽成 4 路门控；N-gram 嵌入表可以放到主机内存里预取。原生上下文 262,144 token，YaRN 可扩到 1,000,000。权重已经放上 Hugging Face 和 ModelScope。Hacker News 上 371 票，不是因为又一个总参数数字，而是因为激活参数和训练账单被写进了同一段话。
来源: Qwen
开发工具
检索系统被写复杂了。大多数人要找的，还是那篇“如何重置密码”。
RAG 没你想的那么复杂
Nowadays, most people seem to over-engineer their RAG stack. They jump straight to embeddings, vector databases, and reranking pipelines.
Meanwhile, their users just want to find the doc that says “How to reset my password.”
这篇在 Hacker News 上拿到 300 多票的工程随笔，把 RAG 拆回选工具的问题：数据多新、语料多稳、查询是关键词还是语义、每天多少次请求。日更新超过 10% 的语料，不该一上来就全量预嵌入；每天不到 1000 次查询，简单方案就够。它不是一篇新论文，是头版对“必须上向量库”的投票。和 DuckDB 被买走放在一起看更清楚：基础设施在变贵、变集中，应用层却有人在劝你先用全文搜索。
编程技术
如果可执行文件本身就是数据库，状态就不必再散落到 /var 和 /tmp。
可查询的可执行文件：程序、网站和日志在同一个 SQLite 里
SELF, a format where the program is a SQLite database.
The file contains the program, the website, the routes and all the visitor logs.
Fatih 把 SELF 格式再推一步：既然可执行文件是 SQLite，正在运行的程序也可以往同一份文件里写状态。self-httpd 是一个例子——一个文件既是服务器，也是网站、路由和访问日志，更新是事务性的。Hacker News 上接近 300 票。它和今天的数据库收购形成对照：一边是分析引擎被收进 AWS，一边是有人把整个应用塞回一个本地 SQLite。两边都在问同一句话：数据住在谁的文件里。
来源: Fatih Zakaria
AI 智能体
别让智能体再对着四十个 div 猜哪个是日期选择器。
WebMCP：网站向智能体登记真正的工具
Instead of the agent guessing what your site can do by staring at it, your site declares what it can do, as a set of clean, structured tools the agent can call directly.
And the best part: it already runs in Chrome behind a trial, and adding your first tool takes about ten minutes.
现在的网页智能体大多在读 HTML、猜按钮、被改版打垮。WebMCP 的主张是网站自己登记工具，比如 book_table 接收日期、时间和人数。Chrome 里已经有试验通道。这不是新模型，是把页面从“给人看的屏幕”改成“给智能体调用的接口”。头版在聊廉价模型的同一天，也在聊模型落地时还要不要靠截图猜界面。
来源: Sreenath Menon
新兴技术
论坛开始测量自己被模型标题污染的速度。
今天的 Hacker News，有多少标题带着 AI
Strict counts the standalone word AI in the titles of new Hacker News story submissions posted since midnight UTC.
The match is case-sensitive and word-bounded, so “OpenAI” does not count but “AI-powered” does.
hnstats.com 从浏览器里直接读 Hacker News 接口，统计从 UTC 零点起新提交的故事标题。严格模式只数单独的 AI；扩展模式加上 artificial intelligence 以及一批模型名和公司名。计数器每次碰到这样的标题就归零重数“距离上一条 AI 新闻过了多久”。它测的不是模型智商，是这个论坛的时间被什么词填满。今天的头条构成已经给了答案。
来源: hnstats
研究论文
实验室还在把身体和视频训练写成可发布的权重，而不是头版口号。
GigaBrain-0.7：三系统架构，预训练超过 3.7 万小时
GigaBrain-0.7 unifies understanding, prediction, and action through a three-system architecture, scales pretraining to over 37,000 hours of heterogeneous embodied data
All training code and pretrained model weights will be released.
GigaBrain-0.7 针对的是视觉-语言-动作模型在结构化环境里很强、换身体和换任务就变弱的问题。它把理解、预测和动作放进同一套三系统，并用一阶段对齐同时优化视觉语言理解和多机体动作生成。论文写明：训练代码和预训练权重都会公开。和头版上的 API 降价不同，这是把机器人泛化重新写成一份可复现的材料清单。
来源: arXiv
OraRL：把标注直接当成优质样本，解码从 4780 毫秒降到 130 毫秒
Beyond scoring rollouts, each can enter its on-policy group as an oracle rollout, a direct positive optimization target.
Without chain-of-thought, Video-ORA-9B decodes in 130 ms instead of 4,780 ms.
视频多模态模型做强化学习时，高质量轨迹很少，思维链又贵。OraRL 把标注本身放进 on-policy 组，当作正样本，但要处理“优势反转”：高分标注会抬高组基线，把其他策略样本变成负的。它用解耦的优势估计，并做符号平衡剪枝，步进时间是监督微调的 2.2 倍，不到带思维链的 GRPO 的一半。Video-ORA-9B 相对此前最好模型，时间 mIoU 从 62.5 到 66.0，VSI-Bench 到 73.1，对比文中的 GPT-5 的 55.0 和 Gemini-3-Pro 的 55.1。便宜的请求来自头版；少生成废话的训练来自这篇论文。
来源: arXiv
本报告由 WindFlash AI 自动生成，内容基于过去 48 小时内的公开 AI 资讯。