头条 · AI 版Simon Willison
引用 Florian Herrengt
Quoting Florian Herrengt
引用虽短，却直指AI行业信息过载，取舍成关键。
跳到正文
汪汪简报
周四 · 2026年08月13日
Crypto 版当天未出刊，不用往期内容顶替——这份组合就是这天实际发布的全部。
AI 版
08.13 · 6 条我写了一本AI教科书——还要多久AI能写得更好？
作者亲测AI写作，逼近人类，但教科书重事实核查，AI易出错。
行业动态Interconnects
推出 OlmoEarth embeddings：从 OlmoEarth Studio 导出定制嵌入以供下游分析
AI工具Hugging Face
DeepSeek V4 Pro 0813（在 OpenRouter 上）
精选深读Simon Willison
将手语AI交到用户手中
精选深读Google DeepMind
全部新闻
精选深读Hugging Face
LFM2.5-VL-3B：为边缘端提供更好、更快的视觉能力3B视觉模型抢边缘市场，但实测精度与端侧算力平衡待验证。
选端侧视觉方案的团队，在 3B 档位该把 ScreenSpot-v2 这类屏幕理解与定位指标列为硬门槛，而不是只比总体平均分。
展开全文收起
依据
LiquidAI 的 Samuel Stevens 等在 Hugging Face 发布 LFM2.5-VL-3B：它用 SigLIP2 400M NaFlex 视觉编码器，搭配与 LFM2.5-2.6B 文本模型相同的预训练主干，预训练约 34T tokens，视觉数据是之前的 4 倍，词表以就地扩展方式翻倍到 128K。机制在于它直接作答、不走推理链，所以实时和端上应用里响应更快。对着数字看：总体平均分 69.4，高于上一代 LFM2-VL-3B 的 57.2，与 InternVL 3.5 4B 的 69.4 持平，仍低于 Qwen3.5-4B 的 70.1；拉开差距的是 ScreenSpot-v2 Desktop 从 6.0 升到 78.7、RefCOCO-avg 从 57.1 升到 87.9。也就是说，赢面集中在屏幕理解和指代定位，不是全项领先。
- 总体平均分 LFM2.5-VL-3B69.4
- 总体平均分 上一代 LFM2-VL-3B57.2
- 总体平均分 Qwen3.5-4B70.1
- ScreenSpot-v2 桌面 上一代6.0
3.1B 模型与同档及更大模型的总体平均分对照，外加屏幕理解一项的代际落差 没写清 材料在「Inference speed on CPU and GPU」一节被截断，没有显存占用、延迟或吞吐数字，端侧算力与精度的平衡无法核对。
下一步 等 Hugging Face 页面补全推理速度章节后，核对 CPU 与 GPU 上的实测延迟或吞吐数字。