Qwen

最近完整七日的证据

来源提及

6

前七日 6

不同来源

4

前期 2

可比较增长

不可比较

榜单记录

0

采集观测与无发布日期的记录，和有日期的原文提及分别统计。 七日观测：4 · 无日期记录：1

每日趋势 · 最多 90 天

柱形表示有日期的来源提及。最新 UTC 日可能尚未结束。零提及和缺少采集覆盖是不同情况。

虚线标记表示当日无记录，不作为零提及统计。

来源证据

当前展示证据的来源：Hugging Face Models 1 · 量子位 1 · V2EX 8 · Simon Willison 1 · HF Daily Papers 1 · TechCrunch 1 · Hacker News 1 · GitHub Releases 1

1. Hugging Face Models · 原文发布 未提供

   Qwen/Qwen3.8-27B

   image-text-to-text

2. 量子位 · 原文发布 2026年11月3日

   MIT：GPT-6 Astra能直接修改Qwen权重，数学能力暴涨6倍

   指令执行能力也同步提升

   查看来源记录 →

3. V2EX · 原文发布 2026年11月2日

   [开源软件] 开源了一个 1600 行的大模型推理引擎，能跑真实模型，测试场景吞吐超过 vLLM

   想入门大模型推理，直接读 vLLM 太重。所以开源了 LiteMoE：约 1600 行 Python ，能跑真实的 Granite 模型，一个下午能读完主线。 适合想快速上手推理的同学： 交互演示，逐步看一次真实推理： https://zhulinsen.github.io/LiteMoE/visualizer/?lang=zh 教程，从 KV Cache 、MoE 讲到 DeepSeek 、Kimi 、Qwen 的新设计： https://github.com/ZhuLinsen/LiteMoE/blob/main/docs/tutorial.zh-CN.md 固定批次的测试场景下，吞吐是 vLLM 的 105 ～ 109%，脚本可复现。算子用的是 vLLM 的，提升来自算子外的执行层。定位是学习和实验，上线

   查看来源记录 →

4. V2EX · 原文发布 2026年11月1日

   [推广] [把 90% 利润还给用户] OffRails 低价无审查 AI｜文字、做图、改图，无日志｜使用就拿 RAIL，分帐合约开源、帐务链上可验

   发想与实现一个收益分配都写进智能合约的 AI：用户付费使用，也能分享平台创造的价值。 OffRails 提供低价无审查 AI ，文字对话使用 Qwen 无审查模型，并支援图片生成与改图。我希望大家使用 AI 获得服务的同时，也有机会参与平台的收益分配，因为机制公平，团队无薪，还请大家支持！ 目前的特色 文字、做图、改图均支援无审查模型 不保存聊天日志 ，聊天记录由使用者自己的装置保存 不需要 KYC 、Email 或信用卡 使用 API 即可获得 RAIL 用量奖励 90% 可分配利润回馈用户 分帐合约开源，金库收支与分配纪录链上可查 RAIL 初始分配：用量奖励 100% 创办人： 0% VC ／投资人： 0% 团队： 0% 用量奖励合约： 100% 全部 RAIL 在部署时进入用量奖励合约，依照 API 用

   查看来源记录 →

5. Simon Willison · 原文发布 2026年10月30日

   dbreunig/nesformer

   dbreunig/nesformer Inspired by qwenputer by Divyansh Agrawal, Drew Breunig baked a working emulator for a Nintendo Entertainment System 6502 CPU into the weights of Qwen3.5-4B. You can now play NES ROMs such as Super Mario Bros (very slowly) running inside Qwen! In a comment on Hacker News Drew reveals the Opus 5.5 prompts he used to build this system: Read

   查看来源记录 →

6. V2EX · 原文发布 2026年10月30日

   [分享创造] Voilà pro 支持离线实时输入了

   五月份发过一次帖,这是半年之后的一个更新. 期间收到了不少朋友的来信,也有不少的建议,一直没有做的是离线的输入,还有快捷键. Voilà pro 的混合输入之前是依赖网络模型,但是很多朋友希望用本地使用,并不想让数据云端处理. 并且对国内的用户不是很友好. 离线模型使用苹果的转录效率很低,准确也不是很好. 因为到现在为止，发现大多数离线的输入还是在转录层面。市面上比较出名的模型，一个是 Whisper ，还一个就是千问的模型，也就是 Qwen. 相信大家也看出来,新版的 Voilà 从 UI 上有了很大的变化,但是这不是重点,重点在于我们现在使用本地模型可以做到实时输入,而且做到混合输入,中文/英文/法语甚至其他的语言都可以同时输入 当然也有离线 api 可以调用 openai 兼容的服务器, 当然理论上用过

   查看来源记录 →

7. HF Daily Papers · 原文发布 2026年10月30日

   Cross-Prompt Reuse of Entity-Replacement Responses

   With model weights fixed, we measure how much of an entity-replacement response transfers between English factual questions, beyond whether answers change. We add the hidden-state change from two source questions to a target question about the same entity, comparing the predicted log-probability shift between two relations' published answers, given known ans

8. V2EX · 原文发布 2026年10月28日

   [分享创造] 做了个多 harness 共用一套规则和记忆的工具 aivault

   我平时 claude code 、codex 、opencode 、kimi code 换着用，每个工具都有自己的规则文件、自己的 skill 文件夹、自己的记忆。在一个工具里说过的偏好，换个工具又得重新说一遍，所以写了个叫 aivault 的小工具。 它把规则、skill 和记忆都放进一个文件夹，然后把这个文件夹接进你电脑上的 ai 编程工具，目前支持 21 个，包括 claude code 、codex 、opencode 、gemini cli 、qwen code 、kimi code 和 deepseek harness 。在 claude code 里说“记住我用 pnpm”，下次打开 codex 它就知道了。skill 写一次，所有工具都能用。 支持 mcp 的工具还会多两个工具：vault_se

   查看来源记录 →

9. V2EX · 原文发布 2026年10月28日

   [分享创造] 做了个 LLM 塔防小游戏, 喜欢塔防的朋友可以看看🙂

   LLM 塔防 官网和下载： https://llmtd.ninvfeng.com 设定是: 你是值班工程师，成群的 Bug 正涌向线上服务。去商店招 Claude 、GPT 、DeepSeek 、Qwen……当炮塔，合成升星、打出维度组合技，守住 99.999% 的可用性。 自己觉得还是挺有意思的 顺便用 opus 整了个几十秒宣传片： https://www.bilibili.com/video/BV1XRxu62EKF/ 无付费无广告, 干净纯粹, 喜欢塔防的朋友可以看看 剧透:游戏中 3 星的 opus5.5 是把覆盖全屏的狙 谢谢你玩我的游戏🙂

   查看来源记录 →

10. TechCrunch · 原文发布 2026年10月27日

    Cohere says Alibaba’s Qwen model tried to send a file to Beijing

    An AI model said it wouldn’t use any tools, then tried to send something to a server in Beijing anyway, and while researchers say it’s probably a training quirk and not espionage, the whole thing has people asking how much to trust free Chinese AI.

    查看来源记录 →

11. V2EX · 原文发布 2026年10月26日

    [分享创造] 分享一个自用的小工具： yolo-ai，用一个前缀统一所有 AI CLI 的权限跳过开关

    用 Claude Code 、Codex 、Gemini CLI 这些工具的朋友应该都有同感：权限提示太频繁了。 每个 AI CLI 跳过权限的参数都不一样：Claude 是 --dangerously-skip-permissions ，Codex 是 --dangerously-bypass-approvals-and-sandbox ，Gemini 和 Qwen 又换成了 --yolo ，Aider 则是 --yes-always 。装了三四个工具之后，根本记不住。 我写了一个很小的 npm 包来解决这个问题： yolo-ai 。 GitHub： https://github.com/2501224066/yolo-ai 核心逻辑就一句话：用 yolo 前缀调用任何一个 AI CLI ，它会自动把该工具对

    查看来源记录 →

12. V2EX · 原文发布 2026年10月26日

    [推广] [推广] Kimi K3.1 Pro 发布了，编程 Agent 能力逼近 Opus 5.5？ TokVi 继续送免费 Token

    V 友们好，最近 AI 模型更新得是真快。 前两天还在跟大家分享 Claude Opus 5.5 、Sonnet 5.5 ，结果 Kimi K3.1 Pro 也正式发布了。 这次 Kimi 有几个点挺值得关注的： 100 万 Token 上下文，适合处理大型代码库、长文档 Terminal-Bench 4.0 官方公布得分 65.7%，接近 Claude Opus 5.5 的 66.4% 同时发布 Highspeed 版本，官方称输出速度提升约 2–3 倍 更侧重 Coding 、Agent 和复杂任务处理 当然，跑分归跑分，真正放进 Claude Code 、Coding Agent 或实际项目里，效果怎么样还得自己测。 我们在做的 TokVi 是一个多模型 API 接入平台，目前提供 Kimi 、DeepS

    查看来源记录 →

13. V2EX · 原文发布 2026年10月23日

    [程序员] 为什么很多人都把 DeepSeek 神化了，看不起国内豆包和其它 LLM？

    我认为 DeepSeek 、MiniMax 、Kimi 、GLM 这些 LLM 公司被严重高估了： 月活（ MAU ） ： 豆包 4.2 亿，千问 1.7 亿，DeepSeek 1.2 亿，智谱 2000 万，Kimi 1000 万； 商业化（ ARR ） ： 豆包 272 亿，智谱 68 亿、阿里 80 亿、DeepSeek 27-34 亿、Kimi 20 亿； 开源贡献 ： Qwen：开源了超过 460 个模型，衍生模型超 30 万个，全球下载量破 20 亿次； GLM：开源 50 余款模型，GLM-5.2 以 51 分位居全球开源智能指数榜首； DeepSeek：开源了 DeepSeek-V4 、DeepSeek-R1 、DeepSeek-VL 等模型。 豆包的战略和 Google 的 Gemini 是很

    查看来源记录 →

14. Hacker News · 原文发布 2026年9月28日

    Show HN: Nibia Fabric – Turn everyday computers into a shared AI compute cluster

    I built NIBIA Fabric, an open-source distributed LLM inference system that pools CPU and RAM across macOS, Linux, and Windows machines. It builds on llama.cpp, with capacity-aware scheduling, adaptive memory reservation, persistent tensor caching, and an OpenAI-compatible API. I’ve validated the current alpha on three physical machines across several models,

    查看来源记录 →

15. GitHub Releases · 原文发布 2026年8月26日

    Release: v5.16.0

    Release v5.16.0 New Model additions Qwen4-Exp Qwen4-Exp builds on Qwen3.5's hybrid text and multimodal architecture with three key components: GatedResidual (GR), Qwen Sparse Attention (QSA), and Per-Layer Embedding (PLE). GR is a Qwen-developed residual architecture that combines Hyper-Connection with GatedNorm. It mixes multiple residual streams with fine-

    查看来源记录 →

研究优先级 72 / 100

此分数用于排列研究候选，不是搜索量、预测结果或经过验证的商业需求。

• 证据数量

  22.5 / 30

  去重文章或首次观测；重复抓取不加分。

• 发布主体多样性

  25 / 25

  同主体保守归并，转载不增加独立证据。

• 可比变化

  0 / 20

  仅完整且可比的两周参与；零基线不计算百分比。

• 证据时效

  15 / 15

  依据最新发布或首次观测，不按重复采集时间刷新。

• 名称明确度

  9.4 / 10

  明确实体链接和技术概念优先于含义不明的缩写。

局限与解读

• 首次观测是采集记录的起点，不能证明词语或产品在全球首次出现。
• 计数仅代表已监测的公开来源，不代表全网热度或搜索需求。
• 本站首次发现时间不等于名称或概念的诞生时间。
• 候选来自公开标题、摘要和实体链接，并非已核实的全文分析。
• 来源多样性采用保守归并；未披露的转载或共同所有权仍可能无法识别。
• 重复上榜是观测记录，不是新增文章或独立背书。
• 无发布日期的观测单列，不用于判断发布量增长。
• 已有概念或常见产品名，仅保留为历史基线，不视为新创造的词。
• 两周均需足够且可比较的采集覆盖，才判断增长。
• 该词的来源构成发生变化，或缺少可比较的基线。
• 近期证据包含发布三天后才采集的内容，暂不据此判断增长。