AI DAILY / 2026-08-10
今天的主线是 AI 从价格、开放权重到部署基础设施全面下沉：GLM 5.2 出现供应商级 95% 折扣，WeatherNext 开放代码与权重，Firebird 启动亚美尼亚 AI 工厂；Claude Code 防提示词注入、KPMG 成本数据和 OoO-Spec 工具调用加速，则补上 Agent 的安全、成本与效率。
OpenRouter 的 GLM 5.2 页面当前显示，部分供应商提供约 95% 的折扣，最低列出的输入价格为每百万 token 0.07 美元、输出价格为 0.22 美元。 页面还标注 GLM 5.2 支持 1M token 上下文；折扣对应的是 OpenRouter 上的特定供应商与当前价格快照，不应理解为智谱官方统一下调了所有渠道的价格。 同一页面列出的不同供应商价格并不一致，折扣的生效原因和持续时间也没有在页面中说明。对开发者来说，这条消息更像是“路由平台上的即时成本变化”，使用前仍应检查供应商、稳定性、工具调用行为和实际结算价格。
Google DeepMind 开放 WeatherNext 2、WeatherNext Cyclones 的代码和预训练权重，并同步发布可在单个 TPU 上运行的 WeatherNext Cyclones Mini。 官方博客称，WeatherNext Cyclones 在 2023—2024 年历史气旋评测中，平均为路径、强度和风场预测带来超过一天的提前量；模型从近 20 TB 全球大气数据和约 5,000 个历史风暴样本中训练。 仓库同时给出了部署边界：完整模型更适合 TPU，非 Mini 版本需要 H100 才有足够显存，Mini 版本可在 P100 上尝试；预训练权重通过 Google Cloud Bucket 提供。也就是说，这次是代码和权重真实可取，但“开放”不等于普通电脑即可完成业务级预报。
Claude Code 主创 Boris Cherny 表示，Anthropic 将模型训练、输入探测器和意图分类器叠加用于防范提示词注入，并称未见攻击的成功率已接近零。 这是一则公开社交账号上的技术说明，帖文没有给出统一评测集、攻击样本量或独立复现实验，因此本文只把它写成作者对防御架构和实际使用情况的表述，不扩展为通用安全结论。 Cherny 还提到，让无法读取 SSH 密码等凭证的子代理处理不受信任内容，是降低暴露面的做法。对于会访问网页、仓库和第三方文档的 Agent，权限隔离与模型侧检测需要共同构成防线。
KPMG 的第二季度 AI Pulse 调查显示，53% 的受访组织正在部署 AI Agent，但只有 26% 表示已经具备对大规模 AI 运行成本的实时完整可见性。 调查还称，跨工作流编排多个 Agent 的组织比例从上一季度的 9% 增至 18%，而成本管理与经济核算仍是 35% 受访者认为的部署障碍。 这组数据来自 KPMG 对 204 名美国大型企业高管和业务负责人的调查，描述的是受访样本的组织状态，不是全行业普查。它和“近半数企业因成本撤回 Agent”的二手标题并不完全等价：KPMG 原始页面确认的是部署、成本可见性和治理数据，不能据此写成企业普遍停止使用 Agent。
Firebird 宣布在亚美尼亚 Hrazdan 启动采用 NVIDIA DSX 参考设计的 AI 工厂，并计划到 2027 年底在亚美尼亚部署超过 7 万张 NVIDIA Rubin 与 Blackwell GPU、扩展至 300MW AI 基础设施容量。 公司还称，哈萨克斯坦已成为第二个市场，已落实 125MW 基础设施容量；其跨亚美尼亚、哈萨克斯坦及其他市场的全球规划目标为 2028 年底约 2GW。 这些数字来自 Firebird 新闻稿和 NVIDIA 对项目的介绍，属于项目方规划或发布方口径，不是已经全部上线的现有算力。更确定的节点是：亚美尼亚首座工厂已经举行开幕并进入运营，Perplexity 被列为首批客户之一，NVIDIA 计划投资 Firebird。
社区项目 WinterMix 发布了 Qwen3.5-122B-A10B 的原生 MLX 3-bit 构建，发布帖称文件体积约 59 GiB，并在 Hugging Face 提供权重。 作者称，新版本在 20K 以上上下文的困惑度测试中优于其比较的部分量化版本，并报告在 M5 Max 上 MLX 相比 llama.cpp 具有更高预填充速度和约 20% 的 token 生成速度优势。 这是社区量化与单机体验报告，性能来自发布者自己的设备和测试方法，不能当作统一硬件下的独立结论。对本地部署者而言，MLX 与 GGUF 的取舍仍取决于设备、上下文长度、量化版本和推理框架。
Endless Frontier 发布 BigBang-v1：这是一个基于 Qwen3.6-35B-A3B 的 Agent 模型，总参数 35B、推理时激活约 3B，并同时公开通用 Agent harness 与评测结果。 GitHub README 列出 BrowseComp、xbench、SWE-Bench Pro、SciCode-V、FrontierScience、HLE、BioMystery 和 PaperBench 等八项评测；其中 BigBang-v1 在发布方表格中列为八项 35B 模型比较的最高报告分数，但部分基准只列了发布方自行测试或可得的比较值。 这不是“35B 全面超过所有前沿模型”的证据：README 明确说明不同评测使用不同 harness，部分闭源模型或指标缺少公开分数，论文仍标注为 coming soon。更稳妥的读法是，它把一个相对小的 Agent 模型、工具 harness 和可下载评测流程放在同一仓库，方便后续复查其基准口径。
开源项目 KLQ 提出一种免训练的几何感知量化方法：先用校准数据分解激活协方差，再沿各方向注入扰动并测量输出分布的 KL 散度，最后按方向分配比特。 项目 README 称，方法研究的是“按模型对方向的敏感性分配比特”，而不是简单把空间整体旋转得更均匀；仓库提供 RTN 与向量量化后端，并以 Apache 2.0 许可证发布。 项目作者明确说明目前没有生产级 kernel，部分展示属于理论框架和量化 demo。README 中的困惑度表是项目自测与引用结果，不能等同于已经完成的通用推理实现；但它提供了一个清晰的研究假设：低比特量化的预算不一定要平均撒在每个方向上。
论文 OoO-Spec 把工具调用中的函数选择和 schema 定义参数槽位放到请求级并行预测中，报告在 7 个目标模型、3 个基准的贪心 batch-one 条件下，相对自回归解码获得 2.46 倍至 5.34 倍加速，平均值为 3.89 倍。 它让一个 Qwen3-0.6B sidecar 预测语义信息，同时由目标模型继续 ToolSpec 解码；目标模型仍是最终校验与提交方。 结果限于论文设定的模型、基准和解码条件，不能直接等同于生产 Agent 的端到端时延。它针对的是工具调用中函数名和多个参数往往可以提前推断、却被统一按 token 串行生成的瓶颈。
论文 CKA-QAD 指出，仅让低比特学生模型匹配高精度教师输出，可能掩盖中间层表示退化；作者提出以 CKA 引导的表示对齐作为额外正则项。 摘要称，该方法在 Nemotron 3 Nano 与 Qwen3-4B-Thinking-2507 的 NVFP4 量化蒸馏实验中改善了推理与代码任务的准确性，并增加的训练开销较小。 这项工作仍属于研究验证。真实部署还需要针对模型、硬件、推理 kernel 和任务重新评估蒸馏开销与收益；论文的核心提醒是，输出分布对齐并不必然保证内部计算几何没有漂移。
社区发布者报告，在单台 DGX Spark 上运行官方 Ling-3.0-Flash INT4 权重时，关闭 --enforce-eager 并开启 MTP 推测解码后，速度从 20.8 tok/s 提升到 38.7 tok/s。 该报告还称，测试通过支持该模型注意力路径的 vLLM 分支运行，并在同一设备上提供 256K 上下文。 数字来自单个社区复现，且转发者明确说明并非本人测得；不同 vLLM 版本、驱动、上下文长度和请求负载都可能改变结果。可复用的信息是：模型能载入不等于已经走在正确的注意力路径上，推理栈版本需要随模型结构一起核对。 ---