2026年09月06日AI 版

依据

Simon Willison 在 2026年9月5日的 TIL（Today I Learned，他本人的短笔记栏目）里说，现代前沿模型用 Blender——开源 3D 建模与渲染软件——已经「相当好」。他的做法是：先从 blender.org 安装完整的 Mac 应用，再给编码智能体下指令「用已安装的 /Applications/Blender 渲染一只骑自行车的鹈鹕」，随后追加「加背景和大量花样」「整体做好很多」。机制是模型调用 Blender 的 Python API（用脚本驱动建模、材质与渲染的接口），产出的 .blend 文件能回到 Blender 里手动继续改，也能渲染图片序列再用 ffmpeg（拼接视频的命令行工具）合成影片。这次会话跑在他的 Codex 订阅额度内，AgentsView 按 API 价折算，gpt-6-astra 要花 $4.24。他博客的标签计数里，blender 只有 4 篇，coding-agents 有 251 篇。

依据

Simon Willison 在 9月4日拿到 GPT-6 Astra，用同一个提示让它在 low、medium、high、xhigh、max 五个推理档位（reasoning level，即模型分配多少思考量的档位；Astra 不支持 reasoning=none）画骑自行车的鹈鹕，再与 GPT-5.6 Sol、Terra、Luna 的成品并排成一张对比网格。他的结论是 Astra 明显更强：Sol 最好的一档（他认为 xhigh 比 max 好）仍只是一堆抽象色块，而 Astra 从 low 到 xhigh 每一张都更好；但 Astra 在 max 以下仍不能稳定把鹈鹕两条腿都放进画面。成本上 Astra 约为 Sol 的两倍（每百万 token（令牌）输入 10 美元、输出 50 美元，Sol 为 5/30），不过它各档消耗的 token 明显更少，实际各档差价小于标价差：Astra low 花 9.55 美分做出的鹈鹕就胜过任何 Sol 档位。他还注意到 Astra 与 Luna 都只用 16 个输入 token，Sol 与 Terra 都是 26，于是怀疑前两者的关系更近。

依据

Simon Willison 在 9月5日的 link post（链接帖，只贴外链加一句点评，不含评测方法）里引了一段视频的说法：Astra「在各方面更注意细节、更懂用户的提示词、能构建更复杂的输出」，尤其擅长 3D 建模，他见过花园、船厂、动物、城市景观乃至戴森球的渲染。他自己添的一句是「眨个眼就错过，1分59秒处有只熟悉的生物」，指向他博客里长期当模型试金石的「鹈鹕骑自行车」梗。材料里没有上下文窗口、每百万 token 价格、延迟或通过率这类可比数字，能对照的只有博客标签计数：ai 2,247、generative-ai 1,992、llms 1,958、openai 466，而 gpt-6-astra 只有 9。换句话说，这个型号在他站上只有 9 篇的量级，其余数字是旧标签累积的结果，拿标签总量去推 Astra 的能力会被误导。

依据

Google DeepMind 的 The WeatherNext team 在 Sep 03, 2026 的博客里，把标题写成“our most advanced and accurate global weather AI model”，并称新版比此前版本 five times sharper（原文即此措辞，未给具体评分）。机制上，模型先用历史记录学天气演变的统计规律，这次改为在推理时吃进实时卫星数据，替代部分传统物理模拟（physics simulations，即按大气运动方程逐格点推演），因此能做逐小时刷新和更高分辨率的降水预报，并把结果铺进 Search、Gemini、Maps、Google Maps Platform 和 Cloud。另一处细节是：页面上的摘要本身标注为 Google AI 生成且“Generative AI is experimental”，也就是说“更准”的表述在这一页里同样由 AI 摘要转述，属于谷歌自述口径。

依据

Hugging Face 团队说，NeoMME 是 260M 和 800M 的多语言多模态编码器，不用单独预训练视觉塔，也不用因果语言模型；它把文本 token 和 32×32 图像 patch 送进同一个双向 Transformer，从头用 masked discrete-diffusion（离散掩码扩散：遮住部分文本再让模型重建）训练。检索、分类和 token 标注不靠自回归生成文本，所以团队砍掉 causal decoder（因果解码器：逐词生成文本的模块）的参数和算力，并用动态分辨率让高分辨率文档页占更多 token。对做 visual document retrieval（视觉文档检索：用页面图像找文档）的人，NeoMME-Retriever 一次前向同时返回 dense 和 late-interaction embedding（密集向量与晚交互向量：后者保留多向量做细粒度匹配）。可对照的是：在 NVIDIA L40S GPU、2048×2048 输入下，260M 每秒约 51 页，约为 ColModernVBERT 的两倍；分层 token pooling（分层 token 池化：把多个 token 向量合并成更少向量）和非对称量化把晚交互索引从约 1.5 MB/页压到 6 kB/页，缩小 255×，同时保留 >95% baseline nDCG@10（前 10 条排序质量指标）。取舍在于省掉视觉塔和生成解码器降低基础模型开销，但晚交互索引仍需单独存储和量化；若团队已押注单向量索引或生成式 VLM 后处理，迁移成本不在编码器本身。