やっと描き終わったよ！アニメを見ていたとき、ダイナウルトラマンを思い出したんだ。二人のストーリーはどちらも、人類の探求精神を描いているんだよね！いつか、人類はもっと遠くへ飛んでいくんだ！
#ウルトラマンダイナ #能美クドリャフカ #littlebusters

《菩萨岭》是《包青天》(1993)里最令我缓不过来的一个单元
如果一个人之前是一个强盗，杀人如麻，但有一天幡然醒悟，放下屠刀，九年来行善无数，并铲除了自己原来所在的匪帮，他是否成佛？
最后他身负重伤，背着老和尚雕的菩萨像放到山顶...堪称影视史上浓墨重彩的一笔
由于我无能，无法划分黑白，但作此一画：

也是遇到顶级贱货了把我图融了ai后不仅道歉态度一点没有还拉黑，而且受害者还不止一个很多创作者的图都被这个畜生ai后打水印卖钱了。
#明日方舟终末地 #ArknightsEndfield‌ #祀 #エンドフィールド

看到这张照片心中概慨万千啊
不知不觉，梦比优斯已经是老作品了......

【24小时速递】

NVIDIA 放出 Nemotron 3.5 Bolt E4B，协议 OpenMDW-1.1，主卡 nvidia/NVIDIA-Nemotron-3.5-Bolt-E4B-4GB，点赞约 63，官卡 Release Date 写 2026 年 10 月 23 日，Build 与 Ollama 同日可试。它从 Google Gemma-4-E4B-it 继续后训，总参数约 8B、有效约 4B，架构仍是 64K，面向本地语音与设备助手、交互人设，以及 Jetson、GeForce RTX、RTX Spark、DGX Spark 一类边缘算力。主推 Q4_K_M GGUF，文件名 Nemotron-3.5-Bolt-E4B-Q4_K_M.gguf，另有 BF16 全精度卡与配套 DFlash 投机解码草稿卡。Ollama 侧可拉 e4b-nvfp4 标签。官卡推荐 temperature 1.0、top_p 0.95，聊天模板可开关 thinking 与 conversational_mode，并支持多轮工具调用与异步工具。后训写用 NeMo RL 与 NeMo Gym，按 GRPO 在指令跟随、多步工具、多轮对话和结构化输出环境里做异步强化学习，训练与推理解耦。自评表 BF16 一列 MultiChallenge 53.10、RoleBench 67.05、RoleMRC 80.63、Brevity 82.52、When2Call 多轮 63.36、IHEval 84.79、StructEval-T 80.40、IFBench 63.79、InverseIFEval 46.84、GaRAGe 42.61、RAGTruth 77.59、RelyToolBench 63.16；同表 Q4_K_M 对应约 55.60、71.21、79.12、82.84、60.50、82.40、79.99、64.00、45.26、40.73、77.88、69.29。Tau2-Bench 上它仍明显落后同尺寸 Qwen3.5-4B（BF16 55.10 对 75.06）。博文写相对前代在关键对话智能体基准上平均质量约高 40%，输出 token 可比同侪少约 80%，目标工作负载可压到约 4GB。语言覆盖官卡写 35 种。硬件兼容性写到 Ampere A100、Blackwell 与 Hopper H100-80GB。底座 Gemma 4 另受 Apache-2.0 约束。官博还点名多轮工具调用可接应用 API，并把推理预算做成可封顶选项，方便把首字延迟压下去。卡页 huggingface.co/nvidia/NVIDIA-…

腾讯混元把 Hy-Nomas 权重和代码放到公开仓库，协议 Apache-2.0，模型卡 tencent/Hy-Nomas（点赞约 40，lastModified 落在 10 月 23 日），代码仓 Tencent-Hunyuan/Hy-Nomas（GitHub 星标约 51）。它是分段自回归的交互式视频世界模型，可用自由文本多轮改写主体、动作、风格与环境，也可喂相机外参轨迹控视角，默认输出约 720×1280，蒸馏推理每段约 8 步 DiT 去噪，再用微调过的 PixelUMM 做一次解码。骨干写 54 层双流 MMDiT，文本编码器走 Qwen2.5-VL-7B-Instruct 的语言模型部分，隐层 3584 维再投影到 DiT 的 2048 维；相机侧把归一化 4×4 外参按四帧一组压成 64 维，在双流块里做 cross-attention。仓库里带 Base 与 Distilled FP32 DiT、INT8 蒸馏 DiT、电影感与双臂机器人 LoRA（机器人数据写 RealSource-World）、DCAE-V、PixelUMM 与 FP8 解码器，以及 Nomas-PE 在线提示增强。标准配置写 8 卡序列并行；单卡低显存配置面向 RTX 4090，历史上下文默认最多约 18 个 latent 帧，并把文本编码器、DiT、解码器分阶段卸回 CPU。同步放出评测集 tencent/Hy-Nomas-Bench，约 280 条，覆盖多轮文本、相机导航、交错控制与空间记忆。技术报告徽章仍写 Coming Soon，官方也还没贴出这套基准的分数。官方要求用 hf download tencent/Hy-Nomas 按仓库目录整包拉取，单卡与八卡配置读不同的 Distilled 或 INT8 权重。在线试玩 hy-nomas.hy.tencent.com ，权重 huggingface.co/tencent/Hy-Nom…

上海人工智能实验室放出 Atria Dawn 全量权重，协议 MIT，卡页 internlm/Atria-Dawn（创建于 10 月 23 日，点赞约 5），另有 FP8 卡、ModelScope 镜像，以及 GitHub atria-asi/Atria-Dawn（星标约 619）。底座写约 744B 参数的 MoE GLM-5.2，面向持续环境理解、工具使用与多步交付，强调 Discovery、Creation、Delivery、Cybersecurity 四条工作流，上下文 512K（Preview 为 256K）。官方自评 AutomationBench 54.7、CyberGym 86.8、SkillsBench 67.8、WideSearch 84.6、MLE-bench Lite 88.2、Workspace-Bench-Lite 70.0、Workspace-Bench 66.1、PaperBench 89.6、JobBench 57.5、Terminal-Bench 2.1 81.0、SWE-bench Pro 61.7、NL2Repo-Bench 50.0、BrowseComp 91.3、BFCL V4 78.4、DeepSearchQA 96.5、Harvey LAB 27.5、OfficeQA Pro 67.1；同表里 SWE-bench Pro 与 NL2Repo-Bench 仍明显低于 Claude Opus 5 的 76.5 与 79.9，DeepSWE 49.3 也低于多个对照，Harbor-Index 17.3 同样偏弱。本地部署写 SGLang 最低 v0.5.13.post1 与 vLLM 最低 v0.23.0，指南链到 GLM-5.2 cookbook 与 recipes。托管入口在 discovery.intern-ai.org.cn，模型名 Atria-Dawn，兼容 OpenAI 风格与 Anthropic 风格客户端；卡页提醒它只收文本，Codex 默认当多模态塞图会返回 400。论文编号 2609.15818。站点 atria-asi.ai 与 README 评测表一致；国际与国内控制台入口分开给出，免费试用写在控制台。卡页 huggingface.co/internlm/Atria…

Hy-Nomas 权重 huggingface.co/tencent/Hy-Nom… ，代码 github.com/Tencent-Hunyua… ，试玩 hy-nomas.hy.tencent.com 。八卡走 Distilled；单卡 4090 走 INT8 DiT 加 FP8 解码，历史默认约 18 latent 帧。Atria Dawn huggingface.co/internlm/Atria… ，MIT，SGLang≥v0.5.13.post1、vLLM≥v0.23.0，托管 discovery.intern-ai.org.cn，只收文本。

Bolt 主卡 huggingface.co/nvidia/NVIDIA-… ，Q4 文件 Nemotron-3.5-Bolt-E4B-Q4_K_M.gguf；BF16 与 DFlash 草稿是兄弟卡。Ollama 可试 e4b-nvfp4，Build 免费端点模型名 nvidia/nemotron-3.5-bolt-e4b。协议 OpenMDW-1.1，底座 Gemma 4 另跟 Apache-2.0。推荐 temperature 1.0、top_p 0.95，thinking 可关。

base color
#ステラソラ #StellaSora

羡慕那些头发画得好的，我连基本分区都画不出，总是五官和眼睛相互排挤。

尤其是鬓发，这个逃不了，每次画的时候都痛苦万分，和脸部我想留的部分打架。要是我能画熟鬓发我就去画长一点，有剧情的二创了😭😭😭

极为震惊，不敢言语

【24小时速递】

Hugging Face 生物团队放出 Carbon-X，协议 Apache-2.0，权重在 HuggingFaceBio/Carbon-X，卡页点赞约 83。它是从 Qwen3-14B 续训出来的约 14.8B 解码器，40 层、隐层 5120、GQA（40 个查询头、8 个 KV 头）。DNA 和自然语言共用同一条 token 流，没有单独 DNA 编码器。文本仍走 Qwen3 另加约 5515 个 DNA 相关项（含 4096 个 6-mer、长度不能整除 6 时的尾 token，以及 DNA 起止标记），上下文配置 40960 tokens。官卡写中期训练约 3020 亿 tokens，数据里原始 DNA 约占 55%，英语约 20%，生物学文本约 15%，指令数据约 10%，再接 SFT 与两轮异步 GRPO，评测默认关掉 thinking。五个 DNA 基准平均 66.7%，官方对照表里高于同尺寸开源模型，并贴近 GPT-6.1 Sol 的 67.5%。分项里 Coding 区变异效应 74.9%，Non-SNV 复杂变异 85.1%，GenomeQA 63.6%，NextBase 下一位碱基 39.4%，FrontierVEP 单碱基变异 70.4%。他们估算 ClinVar 里约 240 万条意义未明变异，用 Carbon-X 大约 300 美元量级，表里前沿闭源可以从约 3.2 万美元爬到数百万美元。BF16 权重大约一张 80GB 卡就能起服，Transformers 要 v5 且 trust_remote_code，也可用 vLLM serve HuggingFaceBio/Carbon-X。同系列 HuggingFaceBio/Carbon-X-GGUF 写明需 llama.cpp b11742 或更新构建，旧版会把 DNA 切错。官卡写明未做临床验证，不能拿去下医疗结论。剪接位点与组蛋白标记两类题仍然偏弱（GenomeQA 里分别约 29.8% 与 34.6%）。RoPE 基频官卡写 θ 等于 100 万，词表约 157184。合作方写着 Hugging Face、中关村学院与意大利 Telethon 遗传学与医学研究所及那不勒斯 Federico II 大学。卡页 huggingface.co/HuggingFaceBio…

上海 AI 实验室 InternScience 放出 Sage-A1.5，协议 Apache-2.0，权重 InternScience/Sage-A1.5，卡页点赞约 229，技术报告 arXiv:2610.28578。它是约 35B 的 MoE 智能体模型，底座写 Qwen3.6-35B-A3B，并接 Agents-A1 的编排路线，面向长程科学问题与工具使用。原生上下文 256K，开 YaRN（factor 2.0）可扩到 512K。官方自评在 GAIA 报到 95.1，XBench-DS-2510 92.0，IFBench 81.6，PinchBench 90.0，FrontierScience-Olympiad 81.0，OmniDocBench 91.5，SWE-bench Pro 61.2，BrowseComp 81.7，MLE-Lite 65.2，HLE（带工具）55.1，并点名相对前代 Agents-A1 在 SWE-bench Pro 约加 17.6、SWE-bench Multilingual 约加 14.0、MLE-Lite 约加 21.3。能力侧强调子智能体并行编排、校验，以及开放科学探索。部署给了 SGLang 与 vLLM 命令，推荐采样 temperature 1.0、top_p 0.95、presence_penalty 1.5。同系列另有 FP8 与 GGUF 量化卡，免费试用入口写在卡页。SWE 评测说明写用 mini-SWE-agent，温度 1.0、top_p 0.95，上下文约 200K 并开自动压缩。卡页 lastModified 落在 10 月 22 日，HF 趋势列表里能刷到。

OpenAI 把 Decisions API 推到正式可用，博文日期 2026 年 10 月 22 日，底层模型是 GPT-6 Luna。接口只回答有界问题，类型包括 predicate（给出 0 到 1 的概率）、choice（从给定选项里挑一个）、score（按量表加权打分）。上下文可接文本、图片和原生 JSON。公测后又加了 GPT-Live 原生联动、提示缓存、单请求最多 400 个问题（相对早期上限翻倍）、问题指令里可塞图，以及美欧推理驻留。延迟上官方写相对 Responses API 上的 GPT-6 Luna 可到约 10 倍量级。定价只收输入，非缓存每百万 tokens 0.10 美元，缓存命中 0.01 美元，没有输出计价。客户引言里 Box 说保单路由相对 Responses 大约快 5 倍且准确率相当，Datadog 写风险门控 p95 可比前沿方案大约快 40 倍，Sierra 写对话编排 p95 低于 280 毫秒，相对旧方案大约快 3 倍、单次成本大约低 90%，Speak 写语言学习场景里下一步动作时间从约 1.4 秒压到约 0.13 秒。Ramp 写成本归因相对 GPT-6 Luna 大约快 4 倍、大约便宜 30%。符合条件的客户还可开 Zero Data Retention。入口 openai.com/index/decision…

Sage-A1.5 与 Decisions 限制。Sage 权重 InternScience/Sage-A1.5，256K 原生。512K 要在 SGLang 或 vLLM 里开 YaRN factor 2.0，文档给了 rope 覆盖示例。采样他们推 temperature 1.0、top_p 0.95、presence_penalty 1.5。榜分是实验室自报，SWE 系列写用 mini-SWE-agent、温度 1.0、约 200K 上下文。Decisions 只收输入价，非缓存每百万 tokens 0.10 美元、缓存 0.01 美元。模型名走 Decisions 专用的 gpt-6-luna 路径，和普通 Responses 上的 Luna 计费不同。单请求最多 400 问，答案类型只有 predicate、choice、score 三种。博文 openai.com/index/decision…

Carbon-X 本地路径。Transformers v5 起加载 tokenizer 要 trust_remote_code，采样默认 temperature 0.6、top_p 0.95、top_k 20，官卡建议保持 enable_thinking=False。vLLM 可 vllm serve HuggingFaceBio/Carbon-X --trust-remote-code。GGUF 在 HuggingFaceBio/Carbon-X-GGUF，推荐 Q8_0 约 15.8GB，需 llama.cpp b11742 或更新。单卡约 80GB 显存跑 BF16。卡页还附了 coding agent 用的 skills/carbon-dna。遗传数据敏感，别把未公开序列丢到不明第三方端点。

中国phpで騒いでないのすごいな

お世話になっております皆様へ
この度、新しい命を授かりました✨
現在、妻は安定期に入っております。
生まれて来てくれる子供の為に、
健康に留意し、
家族を、しっかり支えられるように、
俳優として、誠実に、実直に、頑張って参ります‼️
温かく見守っていただけましたら幸いでございます。水野直

【24小时速递】

Recursive 放出首个开放权重模型 Flint。总参约 39.8B，每 token 大约激活 2.5B（含输出头），49 层里前 2 层稠密、后 47 层 MoE，256 个路由专家每次选 6 个再加 1 个共享专家；注意力是 35 层滑动窗口（窗口 513）加 14 层全注意力。协议 Apache-2.0，权重在 Hugging Face 的 284。官方自报榜分里 Terminal-Bench 2.1 为 54.9%，SWE-bench Pro v2 为 89.7%，SWE-bench Verified 为 74.2%；评测统一 temperature 1.0、top_p 0.95、top_k 20，SWE 用 mini-swe-agent 且断网，Terminal-Bench 把靠网页检索拿到的解算作失败。吞吐上，官博写 M4 Pro MacBook Pro 可超过 125 tok/s，64GB 的 NVIDIA RTX Spark 短上下文可超过 150 tok/s，并声称同类可比模型最多快到约两倍。模型卡上下文配置 262144 tokens，博文另写最长可到 512K，编码任务建议压在 256K 内。量化方面他们把输出层压到 4 bit 再自蒸馏，NVFP4 相对 16 bit 自报平均掉分不到 0.7。本地可走 Ollama 的 flint 标签（页面标约 23GB）、llama.cpp、LM Studio、vLLM、SGLang，以及同日开源的 recursive-oss/rec；服务器单副本官方写一张 B300 或 H200，BF16 权重大约 80GB，Transformers 建模代码卡上写尚未附带。官博还提醒复杂任务要拆小并给更细指令，它比大号闭源编码模型更吃引导。词表约 15 万，知识截止写到 2026 年 6 月。难题输出预算官方建议至少 32768 tokens，并保留 reasoning_content 跨轮。卡页 huggingface.co/RecursiveSI/fl… ，介绍 recursive.com/updates/introd…

蚂蚁集团与 vLLM 社区开源量化推理内核库 Humming，仓库 github.com/vllm-project/h…，协议 Apache-2.0，当前约 286★，仓库创建于 2026 年 2 月，博文发布日在 10 月 21 日。它把量化描述和执行路径拆开，用 NVRTC 或 NVCC 做 JIT，从共享组件拼出 dense 与 MoE 的 GEMM，覆盖 Turing 起的 NVIDIA GPU，以及平头哥玄武 810E 这类 CUDA 兼容设备；WnA16、W8A8、W4A8、W4A4 等权重激活组合走同一套参数。官博微基准写它在不少点上压过 vLLM Marlin、FlashInfer 与 DeepGEMM；单层 W4A16 冷编译在 H200、CUDA 13.4 上从 CUTLASS+NVCC 的 23.35 秒降到 Humming 约 1.82 秒。Hopper 上没有原生 MXFP4 Tensor Core 时，它走内核内快速反量化，再用 FP8 计算，让 W4A8-MXFP4 在现有卡上也能跑起来。端到端例子是 DeepSeek-V4.1-Flash 在 8×H20、TP=8 上，MoE 从 Marlin W4A16 换成 Humming W4A8 后，输出吞吐大约高 14% 到 43%，首 token 延迟大约降 25% 到 32%，并发 64 时输出吞吐从 442.37 提到 633.94 tokens/s。安装可 pip install humming-kernels，wheel 大约 500KB，没有本机编译器就装 humming-kernels[cu12] 或 [cu13]。从 vLLM 0.29.0 起 CUDA 安装会带上它，起服加 --linear-backend humming 与 --moe-backend humming；--quantization humming 只留给 GPTQ INT3 这类原生路径还不齐的格式。博文 vllm.ai/blog/2026-10-2…

IBM 在 Hugging Face 博客放出 Granite Speech 5.0 系列更新，权重协议 Apache-2.0。新主卡 granite-speech-5.0-2b 做多语转写与翻译，覆盖英、法、德、西、葡、日，并可做这些语言与英语互译，另加英到意、英到普通话；训练写用了约 39 万小时公开音频，关键词偏置最多 2000 词，英文短语音 Open ASR 公开集平均 WER 报 5.06%，当时开放权重榜上排第二，按需输出标点大小写时 capitalization F1 约在 89.7 到 99.5。同步修订的 granite-speech-5.0-470m-turboctc 从英语扩到英日西德法意葡，自带标点与大小写，Open ASR Leaderboard 上 RTFx 报到 19870，相对初版大约 12600 再提速约 1.6 倍，并提供浏览器 WebGPU 流式演示；官博写它对噪声、混响和远场麦克风更稳一些。会议向的 granite-speech-4.1-2b-plus 换新权重后，时间戳平均偏移 AAS 从 210.86 降到 98.54，长语音 WER 从 13.53 降到 10.22，说话人归因 WDER 与 cpWER 各大约降 7%，20 词关键词列表上偏置词错误从 11.79 降到 6.48。选型上，要精度和翻译走 5.0-2b，要吞吐或端侧走 Turbo CTC，要会议说话人分离仍看 4.1-2b-plus。三张卡都接 Transformers；5.0-2b 还写了 vLLM、llama.cpp 与 Apple 侧 mlx-audio。博文 huggingface.co/blog/ibm-grani…

Humming 与 Granite Speech 限制。Humming 要本机有 CUDA 编译链才能 JIT；vLLM 从 0.29.0 起 CUDA 包已依赖它，起服示例是 vllm serve … --linear-backend humming --moe-backend humming。博文端到端数字只覆盖 DeepSeek-V4.1-Flash 在 8×H20 的那组对比，别的模型要自己压。Granite Speech 5.0-2b 语言表不含普通话 ASR 主路径，普通话主要出现在英到普通话翻译；Turbo CTC 快但参数只有 470M，会议说话人分离仍看 4.1-2b-plus。模型卡入口 huggingface.co/ibm-granite/gr…

Flint 本地路径备忘。Ollama 页写 flint 约 23GB，可直接拉官方标签；M4/M5 Pro Max 上 Recursive 更推开源引擎 rec（github.com/recursive-oss/…，Apache-2.0）。BF16 全量在 Hugging Face RecursiveSI/flint，卡内附 SGLang 套件，单副本官方写一张 B300 或 H200，权重大约 80GB。采样建议 temperature 1.0、top_p 0.95、top_k 20，难题输出预算至少 32768，并保留 reasoning_content 跨轮。OpenCode 与 Pi 上有免费试用额度，受容量与限速约束。官网入门 docs.recursive.com/getting-started

我的时间线上终于不是AI和Agent了
全是在讲漏洞的
这让我感觉回到了过去

‘Wildwood’ director Travis Knight on AI:

“A pencil is a tool. A paintbrush is a tool. A 3D printer is a tool. A digital capture is a tool. AI is not a tool. AI can go fuck itself.”