大模型前沿动态 · Vol.120

Colibrì 把 SSD 接进显存层级跑 2.8T Kimi K3、Simate-beta 空降 RoboDojo、Physical-WAM 补物理课，与一份 MRS 双向落差报告

本期四条：Colibrì 用权重分层调度让 2.8T 模型从 32GB 内存起步；Simate-beta 以 Score 33.95 / SR 27.96% 登顶 RoboDojo 并公开其自动研究飞轮；美梦空间发布 Physical-WAM 与 RoboTwin-Phys，把物理理解变成可度量变量；arXiv 2609.30071 用 MRS 双向评测证明生成分数不等于理解形式语义。

大模型 MoE 推理优化 Colibrì GLM-5.2 Kimi K3 Simate Physical AI 具身智能 世界模型 评测基准 形式语义 MRS Claude Opus 5 开源

跑得起来的门槛在往下塌，判定「真的会」的证据要求在被往上抬。本期四条分别落在容量、研发、评测、能力度量这四个位置上。

一、Colibrì：把 SSD 接进显存层级，2.8T 的 Kimi K3 从 32GB 内存起步

事件概述

9 月 26 日，量子位报道了一个在 GitHub 上冲到三万多星的开源项目 Colibrì（作者 JustVugg）。它是一套纯 C 实现、零引擎依赖的 MoE 分层推理框架，主打一件事：让消费级硬件跑前沿大模型。作者最初验证用的开发机是 12 核 CPU 加 25GB 内存，跑的是 744B 的 GLM-5.2，全程没有 GPU。目前项目已覆盖九个模型家族，最大一位是 Moonshot 的 Kimi K3——2.8T 总参数、104B 激活参数，权重需要约 1.6TB 硬盘空间，RAM 门槛 32GB 起。

技术解析

Colibrì 能吃下 MoE 模型的缺口来自稀疏激活。GLM-5.2 总参数 744B，每个 token 实际激活约 40B，意味着绝大多数路由专家在当前 token 上根本用不到。项目据此把模型拆成两段：

  • 常驻段：Attention、Embedding、共享专家这些每次都要算的 Dense 部分，约 17B 参数，int4 之后占约 9.9GB，直接留在 RAM。
  • 临时段：GLM-5.2 的 19456 个路由专家，int4 之后整体约 370GB，全部丢进 NVMe SSD，Router 点名谁才去盘上取谁。

单靠「按需加载」不够，冷缓存时那台 12 核开发机只有 0.05～0.1 token/s。真正把速度拉起来的是三件事。一是 LRU 缓存，最近被调用过的专家优先留在 RAM；二是使用频次统计，跑得越久越清楚哪些专家是常客，给它们更高的缓存优先级；三是预取——项目测出相邻层之间的专家路由存在明显相关性，提前一层预测专家的可预测性达到 71.6%，于是当前层还在算时就在后台读下一层的候选专家，把计算和 SSD I/O 重叠起来。机器里若装两块 SSD，还支持放第二份模型副本分摊带宽。

作者把这套东西类比为针对模型权重的 JIT：不把 744B 当成必须整体驻留的对象，而当成可以在 SSD、RAM、VRAM 之间动态调度的数据，团队称之为 AI memory multitiering。有一条设计原则值得记下来——专家放在哪一层只决定速度，不改模型本身，Router 的选择和权重精度不因存储位置变化。所以 128GB 内存的纯 CPU 桌面机能到约 1.8 token/s，堆到 6 张 RTX 5090 让全部专家常驻高速层，解码能到 5.8～6.8 token/s。项目还提供 Web Dashboard，其中一个「Brain」页面把 19456 个专家的被调用情况、所在存储层与热度全部可视化。

行业影响

Colibrì 没有提出新的算子或新的量化方法，它改的是「权重放哪」这一层调度。这件事的意义在于把前沿模型的门槛从「有没有机房」降到「有没有一块大硬盘」——2.8T 参数的 Kimi K3 起跑线是 32GB 内存加 1.6TB 存储，这个配置对个人和小型团队都不算遥不可及。代价也很直白：0.05 token/s 到 6.8 token/s 之间的差距，全部由存储层级和预算决定，慢到快是同一套代码在不同硬件上的两个极端。对推理服务商来说，这条路的竞争点会落在缓存命中率和预取准确率这类指标上，而不是模型本身。顺带一提，项目生态已经开始分化，GitHub 上出现了基于它的 Rust 版 MoE 引擎和面向 Apple Silicon 的 Metal 版分支。

相关链接

二、Simate-beta 登顶 RoboDojo：三个月、一套自动研究飞轮、两个分开报的分数

事件概述

9 月 26 日，量子位报道了成立仅三个月的 Simate（Silicon Mate）发布的首款通用物理快系统 Simate-beta。据公司提供、更新于 9 月 23 日的 RoboDojo 榜单，Simate-beta 以平均 Score 33.95 排名第一，对应 SR 为 27.96%。需要留意的是，Simate 官网目前仍把 RoboDojo 标注为「Evaluation in progress」，量子位也明确写了「该成绩属于榜单评测，真机表现另行展示」。公司同期披露已连续完成多轮、每轮数亿元人民币级别的融资。

技术解析

Simate 的路线选择是做大「快系统」。团队的类比是：面对「收拾一下桌子」这类指令需要慢系统去拆解意图，但手已经伸向杯子时，往左微调几毫米还是往右偏一点，这种毫秒级反应不能依赖深度思考。他们押注的是把快系统的参数量做大，去摸零样本泛化能力的涌现，两个技术支点是 4D 物理感知（把空间结构与时间维度的动态一并捕捉）与分层时序记忆（长程任务要记住发生过什么，又不能被历史信息拖慢）。具体架构和模型规模留到后续技术报告披露。

更值得看的是它背后的研发体系，三层：

  1. SiPAI：把机器人模型搭成 Agent 能读懂的结构，模块边界、系统接口、配置项与验证流程都定义清楚，Agent 才能知道改哪个模块、波及什么、怎么验证。已接入世界模型、世界动作模型、VLA、VLM 等架构。
  2. AutoResearch：把外部论文、内部研讨、模型代码、数据配比、历史实验日志与最新评测反馈汇进同一份动态研究上下文，实时刷新，让 Agent 的建议能锚定到具体代码分支与实验版本。
  3. AI-native Infra（Sinfra）：训练、推理、评测全流程接进自研基础设施，并行推进数十条相互独立的研究路线，靠「世界模型 + 仿真环境」做第一轮高频筛选，淘汰掉绝大多数无效方向，只有少数方案进真机实测。

公司把自我改进分成弱、中、强三档 SI（边界明确快速闭环 / 方向明确答案未知 / 研究问题本身都需要被发现），并强调三者无等级之分、可共存于同一套系统。这次登顶 RoboDojo 被定义为弱 SI 阶段的工程验证。核心成员包括创始人张颖（前一线智驾公司核心技术负责人）、占方能（香港科技大学助理教授、World Mind Lab 负责人）和季马泽宇（前硅谷 Assured Robot Intelligence 创始成员，该公司后被 Meta 收购）。

行业影响

Simate 把 RSI 的口号落成了可核验的组织结构：SiPAI 解决「改哪里」，AutoResearch 解决「知道什么」，Sinfra 解决「跑多少」。三个月从成立到榜首，验证的是迭代吞吐而不是模型上限。同期 arXiv 上有一篇自审（2609.30074）给出了一个提醒：在一份覆盖八个模型变体、8B 到 675B 参数的评测里，联合聚类自助法显示排名最末的两名在 99% 和 86% 的重复样本中保持位次，中间四名只有 27% 到 48%，头两名各 68%——榜单能可靠识别最差的模型，却不能可靠识别最好的那个。Simate 这次把 Score 33.95 与 SR 27.96% 分开报，属于少见的克制写法；真正该等的是论文与技术报告里披露的架构与规模，以及年底预告的阶段性成果。

相关链接

三、Physical-WAM 与 RoboTwin-Phys：给机器人补物理课，并给「懂物理」立一把尺

事件概述

9 月 26 日，在第五届全球数字贸易博览会首发首秀主舞台上，杭州美梦空间（Memo）CEO 李明昊首次公开 Physical-WAM 与 RoboTwin-Phys 两项成果。美梦空间由北京大学信息技术高等研究院高文院士领衔的 AVS 先进视觉系统研究中心孵化，2026 年 8 月获物理 AI 企业索辰科技（688507.SH）独家种子轮战略投资。前者是全球首个具备物理感知能力的物理-世界动作模型（WAM 基模），后者是业内首个物理漂移评测基准，发布即开源，代码、数据集与排行榜全部开放。

技术解析

Physical-WAM 的核心动作是在感知信号输入与动作输出之间插入一层「物理 Token」表征。传统世界模型的中间表征是像素或隐空间向量，能推演画面演化却推不出因果——知道下一帧会变成什么样，不知道为什么会变成这样。该模型由三个模块串成「感知→预测→生成→修正」链条：

  • PhysLens：从多模态感知信号里提取摩擦、重量、重心、接触状态这类不可直接观测的物理量，输出统一表征。对照来看，现有 VLA 学到的是反应式的观测到动作映射，知道何时伸爪、旋转、松手，不显式推断物体多重、表面是否湿滑。
  • PhysDream：结合当前物理表征、环境状态与候选动作推演未来物理状态，预测打滑、脱手等风险并给出不确定性评估。
  • PhysAct：把物理属性与未来状态预测引入动作生成，环境发生物理漂移时自动调整执行策略。

官方举的例子是抓握纸杯：PhysLens 识别纸杯材质的低刚度特性，PhysDream 预测注水后负载增加导致杯壁形变或滑脱，PhysAct 据此调整抓握力度与接触位置并在注水过程中持续修正。

RoboTwin-Phys 解决的是标尺问题。现有具身基准测的是任务完成度而非物理适应度，模型可以在固定摩擦系数、固定物体质量的标准集上刷高分，对物理参数扰动却毫无鲁棒性。该基准在 RoboTwin 基础上新增 13 类真实世界常见的物理扰动因素，覆盖物体属性、接触属性、阻尼、任务环境、相机配置五个维度，支持单因素到多因素组合扰动。评测按三层递进：物理属性推断准不准、扰动下任务还成不成、性能差距的上界在哪里。基准一并给出物理真值（物理值、接触力日志、物体运动学数据、失败时间线）与固定种子配对评估，用来区分「物理状态识别错了」和「识别对了但动作策略没跟上」。

行业影响

这组成果的价值在于把「物理理解」从一句口号拆成了可度量的变量。它接住的是近期两条负面证据：北大与 BeingBeyond 联合发布的 BeTTER 基准（ECCV 2026）显示，最先进的 VLA 模型在标准静态测试中尚可，一旦引入空间布局偏移或时序外推干预，成功率断崖式下跌；斯坦福的一项研究则把接触丰富任务中的失效拆成「精度失效」与「力失效」两个相互独立的模式。美梦空间自己也列了三个尚未回答的问题——物理 Token 的粒度边界在哪、跨本体的物理迁移效率如何、仿真物理的保真度天花板在哪。物理交互数据只有百万量级、与文本图像领域存在数万倍落差，这个供给侧约束没有被这套方案绕开，只是被显式表征和定向评测推到了更可控的位置。

相关链接

四、MRS 双向落差：Opus 5 写出 76.3 BLEU 的句子，却解析不出它的形式语义

事件概述

arXiv 于 9 月 24 日收到一篇来自 Soham Dan 的短文（arXiv:2609.30071），题目是「Scoring Both Directions: LLMs realize the MRS they cannot reliably parse」。它做的是一件罕见的对照实验：把同一个形式语义表示的两个方向放到同一批句子上打分。

技术解析

实验对象是 English Resource Grammar（ERG）——一套手写的英文计算语法，其处理器 ACE 能把句子转成最小递归语义（MRS，一张由谓词和论元构成的图），也能反向把 MRS 还原成英文句子。作者重构了 hajdik 等人 2019 年构建的 1 万句测试集，在完全不做任务专用训练的前提下测了 Claude Sonnet 4.5 与 Claude Opus 5，并与当年的序列到序列系统、与 ACE 本身对照。

生成方向（MRS → 文本）的结果相当漂亮：给 MRS 加三个示例，Opus 5 写出句子达到 76.3 BLEU，比用 7.2 万对训练出来的系统（66.1 BLEU）高出十个百分点，接近额外追加一百万对训练的系统（77.2 BLEU）。Sonnet 4.5 是 65.7 BLEU，让它在 ACE 自己产出的候选句里挑选能升到 69.6，而把 Opus 自己的句子也放进候选池的 pooled judge 再加 0.6 个点，到 77.0 BLEU。

解析方向（文本 → MRS）塌了下来：对同一批句子索要 MRS，Sonnet 4.5 得 57.2 F1，Opus 5 得 65.5 F1，ACE 是 91.0；与标准答案完全一致（exact-match）的句子只有约 1%。作者还刻画了解析方向的失败模式，并给出一个结论：单独的生成分数不能说明模型理解了形式语义表示。

行业影响

这条落差可以放进一个更大的序列里看。此前的工作已经证明模型「装得下两路语义却拆不出来」「编码了却在部署层用不出来」，这次补上了最干净的一刀：同一个模型、同一批句子、同一套形式体系，一个方向超过专用训练系统，另一个方向被一个 2019 年的规则处理器甩开 25.5 个 F1 点，逐句精确匹配率约百分之一。形式语义表示的好处是它有唯一正确答案，可精确判定，BLEU 这种模糊匹配指标在生成方向给不出同样的保证。对任何打算用「模型能写出结构良好的输出」来论证「模型掌握了该结构」的评测设计，这篇论文提供了一个现成的反例模板。它也指向一条更实际的做法：既然模型在挑选候选上稳定受益（Sonnet 65.7 → 69.6，Opus 76.3 → 77.0），把符号系统当生成器、把模型当判别器，比让模型从零产出一整个结构更划算。

相关链接

小结

四条动态各自处理的是一道不同的闸：Colibrì 拆掉了容量闸，Simate 想拆掉研发吞吐闸，Physical-WAM 与 RoboTwin-Phys 在补物理评测这把尺，MRS 双向落差则在收紧能力度量的口径。跑得起来的门槛在下降，判定「真的会」的门槛在上升，两边走的不是同一个方向。