智譜認領“牛來”模型，實測：“牛馬”友好
智譜認領「牛來」模型的消息在科技圈迅速發酵，這個略帶戲謔意味的名字，瞬間點燃了開發者與AI愛好者的討論熱情。不同於過往以英文代號或嚴肅技術命名為主的慣例，「牛來」這個接地氣的名稱，反而在社群平台上創造了極高的聲量，讓原本可能僅限於專業圈層的技術發布，意外破圈成為大眾關注的焦點。根據的實際測試與體驗，「牛來」模型在諸多應用場景中展現出對「牛馬」群體的高度友善。這裡所謂的「牛馬」，是當前網路語境下廣大上班族、打工人的自嘲式稱呼，而這款模型在處理繁雜的文書工作、程式碼生成、數據整理等日常高壓任務時，表現得格外得心應手。
測試結果顯示，它能夠精準理解用戶帶有情緒的指令，並給出兼具效率與品質的回應，大幅降低了重複性勞動的負擔。從技術層面觀察，「牛來」模型的發布並非孤立事件，而是智譜AI在大型語言模型賽道上持續深耕的又一重要里程碑。近年來，智譜AI憑藉其GLM系列模型在學術界與工業界累積了深厚口碑，此次「牛來」的登場，被視為是將前沿技術轉化為普惠生產力的關鍵一步。尤其值得注意的是，該模型在推理能力與上下文理解上的優化，讓它能夠更從容地應對複雜多變的實際業務需求。「牛馬友好」的評價並非空穴來風。在實測過程中，記者發現「牛來」模型特別擅長處理那些令人頭痛的「瑣碎但必要」的任務。
例如，面對一封語焉不詳的郵件，它能迅速提煉核心訴求並草擬得體的回覆；面對雜亂無章的會議紀要，它能自動生成結構清晰的待辦事項清單。這種對「打工人」痛點的深刻洞察，使得「牛來」不僅僅是一個冰冷的工具，更像是一位懂得分憂解勞的數位夥伴。這種現象級的討論熱度，也折射出當前AI產品競爭進入了一個全新階段。過去，各家廠商比拼的是參數規模與榜單分數；如今，隨著模型能力逐漸趨同，如何讓技術真正落地、貼近用戶的真實生活與工作場景，成為了決勝的關鍵。「牛來」的成功出圈，正是抓住了用戶渴望被理解、渴望減負的心理，用一個極具親和力的形象，拉近了高科技與普通人之間的距離。
進一步探究可以發現，「牛來」的命名策略本身就蘊含著深刻的市場洞察。在傳統觀念中，AI總是帶著一層神秘且高不可攀的面紗，而「牛來」這個名字，既帶有吉祥話的討喜寓意，又巧妙地呼應了「牛馬」群體的自嘲文化，瞬間消解了技術的冰冷感。這種主動放下身段、擁抱大眾文化的姿態，無疑是AI廠商在品牌年輕化與市場下沉策略上的一次大膽嘗試。當然，一個模型能否真正贏得市場的長期認可，最終還是要看其持續輸出的價值。「牛來」模型在實測中的表現固然令人驚喜，但面對真實世界中千奇百怪的長尾問題，它是否還能保持如此高水準的穩定性與可靠性，仍有待大規模用戶的檢驗。
不過，至少從目前的回饋來看，它已經成功邁出了從「能用」到「好用」的關鍵一步。值得注意的是，此次「牛來」模型的熱度，也帶動了整個AI測評社區的活躍。在等平台的測評頻道中，關於「牛來」與其他主流模型如DeepSeek、Kimi、MiniMax的對比討論異常激烈。用戶們不再滿足於單純的跑分數據，而是更傾向於分享真實的使用體驗，探討哪款模型在處理特定工作流時更具優勢，這種由用戶主導的口碑傳播，正在重塑AI產品的推廣邏輯。從更宏觀的視角來看，「牛來」的出現，是中國AI大模型產業從野蠻生長走向精細化運營的一個縮影。
當行業熱潮退去，資本與用戶都變得更加理性，唯有那些真正解決痛點、提供價值的產品才能夠穿越週期。智譜AI此次以「牛來」為契機，展現了其對市場脈搏的精準把握，也為整個行業提供了一個值得借鏡的範本。展望未來，隨著「牛來」模型逐步開放給更廣泛的用戶群體，我們有理由期待它在程式開發、內容創作、智慧辦公等多元場景中釋放更大的潛能。對於廣大「牛馬」而言，一個更聰明、更懂人性的AI助手，或許正是告別無效加班、提升生活品質的契機。而這場由「牛來」掀起的浪潮，究竟會將AI應用推向怎樣的新高度，值得我們持續關注。
Related
相關文章
Google 開源 Harness²：遞迴代理程式框架，無需新模型也能提升效能
Google Cloud AI Research 開源了 Harness²，這是一個遞迴代理程式框架，透過改良凍結模型周圍的程式碼與檔案來增強效能。對開發者而言，重點很簡單：你的代理程式無需更強大的模型也能進步。重點摘要：規模為框架而非模型，訓練參數為0，包含8個可編輯的框架元件，版本0.1.0。執行環境為Linux、Python 3.12或3.13搭配uv，模型呼叫則透過Vertex AI。GPU需求未公開。效能方面：一次改良步驟即可在3個基準測試中，提升所有4個模型與框架組合的表現。最佳成果：GLM-5搭配OpenCode在WorkBuddy-Bench上從64.2提升至75.7（+11.5點）；最差表現：GLM-5搭配Codex在JobBench上僅提升1.2點（23.6至24.8）。什麼是Harness²？它是Google研究推出的即插即用框架。
如何利用NVIDIA結構化資料模型進行零訓練表格預測
In this tutorial, we implement Structured Data Models, NVIDIA’s new library that puts several pretrained foundation models for tables behind one PyTorch interface, and use it to make predictions without training.
認識 Kyutai REKI：2.4B VLA 模型為機器人操控帶來高效記憶
Kyutai 與 Inria 及 École des Ponts 合作，推出了 REKI——一個用於機器人操控的 2.4B 參數視覺-語言-動作模型（VLA）。該模型僅使用公開數據進行預訓練，並配備了輕量級的近期記憶功能。在三個分佈外基準測試中，僅有規模約為其兩倍的模型能超越它。所有模型權重已於今日在 Hugging Face 上公開。核心資訊：規模：2.4B 參數（2.2B Qwen3.5-2B VLM + 0.2B 流匹配動作專家）。記憶涵蓋最近 3 幀，間隔 1 秒。運行環境：在 1 張 NVIDIA H100 上進行基準測試。從兩個 256×256 攝像頭輸入，編譯後每個動作區塊耗時 21.8 毫秒。權重以 BF16 格式提供，暫無量化版本。性能：在 LIBERO-Plus 和 RoboTwin Clean2Rand 基準測試中，為公開數據預訓練的 VLA 模型中最優；在 LIBERO-Plus 上達到 90.4% 的最高分。
DeepSeek 發布 V4.1-Flash-1017，DeepSWE 得分 77.0，並開放搜尋 API
DeepSeek 剛發布 DeepSeek-V4.1-Flash-1017，這是其 V4.1-Flash 模型的新檢查點，現已在 DeepSeek 網站、應用程式及 API 上線。DeepSeek 宣稱該版本在性能、任務完成速度與輸出簡潔度上均優於 9 月發布的 V4.1-Flash，並稱之為性能與成本的帕累託改進。同時，DeepSeek 也向所有開發者開放了搜尋與擷取 API。對代理建構者而言，這意味著更便宜的編碼模型加上單一 API 金鑰即可使用的第一方網路層。重點摘要：骨架參數 552B，另加 196B 的 Engram 參數；預填充階段每 token 啟用 8B 參數，解碼階段啟用 16B 參數；上下文長度達 1M tokens，最大輸出 384K tokens。運行於 DeepSeek API 的 deepseek-flash 模型。9 月版的 V4.1-Flash 權重（763B 參數，FP8）採 MIT 授權。
2026年20款Jev替代方案：挑戰TypeSafe的決策模型
TypeSafe於2026年9月15日推出Jev，這是一款決策模型而非聊天機器人。使用者可定義允許的答案，Jev將回傳標籤、分數或是否的機率。約4週內，至少20款Jev替代方案相繼問世，來自Cloudflare、OpenAI、Perplexity、Liquid AI、AWS的Strands Labs及獨立開發者。本指南比較各方案在規模、授權、硬體、價格、Jev API相容性及已發布基準測試的表現。重點摘要：規模範圍從287M（GLiNER2.5-multi-Decide）到35B-A3B（Mapika Decider），Jev規模未公開。執行環境：Von和Laya等編碼器可在CPU上運行，4B適配器適用24 GB GPU或32 GB Mac。效能：多數開源模型在困難推理上落後Jev，但在狹窄分類任務上數款與之匹敵或超越。最佳表現：Cloudflare Clef在BANKING7取得94.20分。
長鑫科技市值兩月內跌去1萬億；阿里加碼AI硬件品牌，天貓、速賣通聯動；國行版蘋果AI有望12月上線，百度、阿里參與合作丨雷峰早報
要聞提示1.長鑫科技市值兩月內跌去1萬億2.年內已至少18次故障！DeepSeek發放宕機補償，有人拿到3000元3.阿里加碼AI硬件品牌，天貓、速賣通聯動4.國行版蘋果AI有望12月上線，百度、阿里參與合作5.可靈AI新一代模型Kling 4.