今天最有意思的，不是一家厂商又发了一个更大的模型。

面壁把一个 35B 的 MoE 多模态模型放进 3GB 内存里跑，千问则把眼镜和耳夹耳机直接摆上货架。模型能力还在往上卷，但国内产品开始更认真地回答另一个问题，能力到底要落在哪块屏幕、哪颗芯片和哪个使用时刻里。

这份简报挑了 8 条新闻，重点看端侧 AI、开发者工具和 AI 产品走向真实使用后的那些细节。

端侧多模态，MiniCPM-V 4.7 想把 MoE 带到设备上

面壁智能与 OpenBMB 社区发布并开源 MiniCPM-V 4.7，包含 35B-A3B 和 1B 两个版本。官方给出的定位很直接，35B-A3B 版本可以在 3GB 内存的端侧环境流畅运行。

这组数字里真正值得盯住的是 A3B。总参数有 35B，不等于每一步推理都要把 35B 的计算成本带上。MoE 把激活参数压到 3B，才让端侧多模态从演示走向了更现实的工程讨论。

不过，能跑和好用中间还有一段路。设备上的量化损失、首 token 延迟、摄像头输入的稳定性，以及模型更新后的分发成本，都得由产品团队补齐。开源权重不是终点，反而是对端侧工程的考试开始。

来源，面壁智能

千问把 AI 眼镜和耳夹耳机推到现货区

千问发布 AI 眼镜 N1、N1 Pro 与首款 AI 耳夹式耳机，并在淘宝、天猫、京东和抖音等渠道开售。眼镜到手价 2218 元起，耳机定价 1099 元。

硬件发布会最容易把人带到参数表里去，但消费者会先问一件很朴素的事，我为什么要多带一副眼镜或耳机。AI 眼镜要证明它比手机掏出来更快，耳夹耳机要证明它比普通耳机多出来的那部分不是噱头。

现货开售是一个比发布更有分量的信号。

它把问题从产品定义推到了售后、隐私提示、续航和日常佩戴这些更难藏住的地方。谁能在这些小处不别扭，谁才有机会留下来。

来源，千问 APP

ComfyUI 接入 NVIDIA VFX 节点，视频工作流继续往本地回流

ComfyUI 上线 NVIDIA VFX 自定义节点，覆盖视频超分、补帧与 SDR 转 HDR。模型随节点分发，在本地 RTX GPU 上运行。

对创作者而言，这不是多了一个滤镜那么简单。以前视频增强常常散落在不同的软件和云服务里，现在可以被拉进同一张工作流图里，和生成、修图、转码接在一起。

当然，本地路线也有自己的门槛。显存、驱动版本、模型下载体积和节点兼容性，仍会劝退一批只想立刻出片的人。ComfyUI 的强项从来不是零学习成本，它的价值是把可控性还给愿意折腾的人。

来源，Comfy Blog

一个模型能省多少钱，开始比跑分更影响采购单

Gemini 4 Argon 正式进入 GA。Artificial Analysis 的信息显示，它在 Intelligence Index 上与 GPT-6 Astra 并列，而每项任务的成本约为后者的 60%。

这类对比不能直接当成模型选型结论，真实任务的上下文长度、工具调用和失败重试都会改写账单。但它提醒了国内团队一个很现实的变化，模型评测正在从单次问答的聪明程度，转成单位可交付结果的成本。

不是便宜的模型就值得用，而是成本终于成了能力的一部分。

来源，Artificial Analysis

Google 用 11 小时改 20 万行 Python，自动化已经碰到代码审查的门槛

Google 工程师让 Gemini 4 Argon 在 google/adk-python 上无人值守运行 11 小时，为约 20 万行 Python 代码提出 6 项优化。审查后合并了其中 2 项，长会话内存的会话准备时间降低约 40%，包导入加快 21%。

这个案例最不该被忽略的一句，是 6 项里只合并了 2 项。模型能提出改动，不代表改动就该进主干。真正能规模化的流程，是让 Agent 负责扩大搜索和实验的范围，让人和 CI 继续守住验证边界。

对正在把 Agent 接进研发流程的团队，这个比例比一段漂亮的演示更有参考价值。

来源，Google Developers Blog

Codex CLI 的常驻守护进程，便利和可见性得一起交付

有 Linux WSL2 用户报告，Codex CLI 0.157.0 在启动交互式会话时会默认拉起持久化后台进程 codex app-server --managed-daemon，关闭窗口后仍会驻留。

常驻服务未必有问题。它可能换来更快的启动和更稳定的会话恢复。但开发者工具一旦从命令行里的短进程变成系统里的长期进程，资源占用、网络访问、升级策略和如何彻底退出，都该被说清楚。

开发者对工具的信任，很多时候就卡在这种看似不起眼的默认行为上。

来源，Codex GitHub Releases

LangSmith 用自然语言检索 Agent 轨迹，调试开始接近查日志

LangChain 在 LangSmith 中推出 AI Search 公测，支持用自然语言搜索 Agent 轨迹。它瞄准的是传统标签和全文检索很难覆盖的情况，比如 PII 泄露、用户受挫或某一类异常工具调用。

Agent 的问题往往不是报一个明确的错误，而是在十几轮调用里慢慢偏掉。对这种问题，能描述现象再找出相关轨迹，确实比先猜字段、再配查询条件更顺手。

但自然语言检索也不能取代结构化观测。审计、告警和成本统计仍需要稳定的字段与明确的阈值。前者适合帮人找线索，后者才负责把风险钉在墙上。

来源，LangChain Blog

Pydantic AI 对图库的反感，戳中了一种 Agent 框架的老毛病

Pydantic AI 创始人 Samuel Colvin 提出，图库是个错误，代码本身就是图。他给出的取舍也很尖锐，类型安全、并行和快照能力很难同时做到极致。

这话听着有点刺耳，但它指向一个常见现象。很多 Agent 框架先画出一张很漂亮的流程图，团队真正调试时却还得回到代码、日志和类型定义里找问题。

图并没有失效，只是不能替代可执行的程序语义。对需要长期维护的业务 Agent，能被测试、审查和重构的代码，通常比一张漂亮流程图更可靠。

来源，Pydantic AI

今天的一个判断

端侧模型、可穿戴设备、可视化工作流、代码 Agent 和轨迹检索，看上去分属五个赛道，实际都在解决同一道题，AI 从一个会展示能力的产品，变成一个能被人带着走、接进流程、出事后还能查清的工具。

模型跑分还会继续刷新。

真正拉开体验差距的，可能是那几个不那么耀眼的细节，戴半天会不会累，跑一夜会不会失控，出了问题能不能找到原因。