Product
1. Kimi K3 用 delta attention 取代 KV cache，支持百万上下文
Kimi 发布了前沿规模的开源模型 K3，关键创新是用名为 delta attention 的新机制替代不断增长的 KV cache，从而在百万元素的长上下文下无需承担线性膨胀的显存代价。Akshay 指出这是用“一个矩阵”替换 KV cache 的做法，并强调该技术完全开源。这与当下围绕 KV cache 显存瓶颈的工程讨论直接相关，长上下文一直是限制 Agent 与长文档推理的硬约束。K3 的出现意味着开源阵营在长上下文效率上提供了新范式，但其相对 GPT/Claude 等闭源模型的真实性能仍需独立基准验证。值得注意的是，同日 Grok 路线图也将 K3 列为对标对象。
2. 吴恩达开源 Agent 项目 OpenWorker
有开发者注意到吴恩达（Andrew Ng）开源了名为 OpenWorker 的 Agent 项目，定位与 Codex、Claude Code 桌面版等 coding agent 类似，并支持自定义 API。推文作者坦承“没看出什么特色和优势”，反映出当前开源 coding agent 赛道已高度拥挤，单纯复刻 CLI 形态难以形成差异。Andrew Ng 的参与本身具备信号价值，但其差异化卖点（若有）仍需后续文档与实际能力证明。该项目的出现说明头部研究者正持续以开源形式介入 Agent 工具层。对于关注开源 Agent 生态的人，值得跟踪其后续路线。
来源：@Gorden_Sun
3. 传 Grok 4.6 两周内落地，参数规模升至约 2T
据 Elon Musk 透露，下一代 Grok 4.6 预计在两周内发布，参数规模将升至约 2T（Grok 4.5 为 1.5T），并被寄望在性能上超越 Kimi K3。爆料还提到 Grok 4.7 将随后推出，但具体规格未披露。该时间线将 xAI 的迭代节奏推到几乎每两周一次，远高于行业常见周期。需要强调的是，这些数据来自第三方对马斯克表态的转述，2T 参数与“超越 K3”的判断均未经独立基准证实。对关注前沿模型竞争格局的读者，这更多是路线图信号而非已落地事实。
4. ChatGPT 网页版支持以链接分享自定义 Pet
ChatGPT 用户现在可以在网页端通过可分享链接直接分享自定义 Pet，路径为 设置 > 个性化 > 复制链接。该功能目前仅在网页版可用，移动端暂未支持。Pets 是 OpenAI 围绕个性化形象构建的轻量社交/互动层，分享链接化意味着其传播从单机体验走向可分发的内容形态。这一改动虽小，但延续了平台把个性化资产变得可流通的方向。对内容创作者而言，这是一条新的导流与展示入口。
5. 内部写作基准：Claude Opus 5 以 2817 Elo 登顶
一项内部写作基准的早期结果显示，Anthropic 的 Claude Opus 5 在该机构编辑语风的写作评测中以 2817 Elo 登顶，超越了 Claude Fable 5 与 Kimi。值得关注的是，相比其上一代，Opus 5 从第 15 名跃升至第 1 名（若计入完整 thinking）。这表明 Anthropic 在写作能力上出现了代际跃迁，而写作正是内容生产者最敏感的能力维度。不过该结论来自单一机构的内部基准，语风偏好与评测方法未完全公开，跨场景普适性仍待验证。它仍是一个有价值的相对信号。
来源：@Whats_AI
6. Hermes Agent：把碎片化短视频沉淀为可检索的旅行计划
一位用户分享，女友收藏了数千条 TikTok（日游、度假、餐厅、礼物等）难以管理，现在改为把视频发给 Hermes，由 Agent 观看并存入“保险库”，再通过对话从清单中抽取并规划行程。这条推文获得了极高的互动量，反映出“用 Agent 整理碎片化多媒体内容”这一需求的强烈共鸣。它展示的是消费级 Agent 从“回答问题”走向“持续管理个人内容资产”的形态。Hermes 的实际处理准确率、对视频内容的理解深度并未在推文中说明。但作为使用范式，它点出了一个真实且高频的痛点。
来源：@charliekerr
Tutorial
1. 图解 LLM 中的 KV Cache 原理
Amit Shekhar 的博文系统讲解了 LLM 中 KV Cache 的原理：从模型逐 token 生成文本讲起，解释 Key、Value、Query 的作用，用例子说明重复计算的问题，再展示 KV Cache 如何通过存储并复用历史结果来加速生成。这是理解当下几乎所有推理优化（包括 Kimi K3 的 delta attention 替代方案）的基础概念。对初学者，它把一个容易被数学吓退的话题讲得平易。文章配有可跟随的示例，适合作为入门与复习材料。与当日 Kimi K3 的讨论互为补充。
来源：Outcome School | Get a High-Paying Tech Job
2. AI 工程师必须掌握的 11 种 LLM 评测方法
Avi Chawla 盘点了 AI 工程师应掌握的 11 种 LLM 评测方法，核心观点是：两个评测指标可能把同一对模型排出相反的顺序，而两者都没错。他举例：一个对参考答案做改写的模型，可能在 BLEU 上接近零、却在 BERTScore 上接近满分。这揭示出“指标选择本身就是立场”，选错指标会得出误导性结论。对需要为模型选型做决策的工程师，理解各指标的适用边界比追求单一分数更重要。这是一份值得收藏的评测方法地图。
来源：@_avichawla