Gemma 4 QAT 来了，手机也能本地部署
QAT不是普通量化，Quantization-Aware Training是模型在训练阶段就适配低比特表示，效果接近原模型 （bfloat16），但内存占用大幅下降。
最小模型小于1GB，小设备部署没压力，我打算用它试下本地agent + RAG的效果
🔗 https://huggingface.co/collections/google/gemma-4-qat-q4-0
Gemma 4 QAT 来了，手机也能本地部署
更多动态
不可思议，百炼的coding plan套餐更新了qwen3.7-plus
，一度以为coding用户要被放弃，都不打算续费来着。
阿里把自己内部用了 2 年
、服务 2 万+ 开发者的 AI 代码审查工具开源了 不是把 diff 扔给 LLM 走个过场。Open Code Review 用"确定性工程 + Agent"混合架构：文件过滤、行号定位、规则匹配这些环节全部由工程代码保证，LLM 只做语义理解和风险检测。 内置规则覆盖 10+ 语言，NPE、线程安全、XSS、SQL 注入自动检测。80+ 高级工程师交叉标注的 Benchmark 显示，同样用 Claude Opus，OCR 框架的 F1 分数（26.1%）比 Claude Code + Skills 的通用方案（15.5%）高出近 1.7 倍，Token 消耗只有 1/5。 🔗: https://github.com/alibaba/open-code-review
美团 LongCat-2.5发布了。
1.6T 总参、激活约 48B，原生多模态，主推长程智能体，全程国产算力训练。 图像量化成多级离散 token，Visual Coding 与 3D 受益。 大规模长程 RL，把失败轨迹转成可验证训练任务。 W4A4 推理，prefill 吞吐提升 43%。 官方自测介于 Claude-Opus-4.8 与 Opus-5 之间。
商汤开源 SenseNova Loop-9B-Preview。
它不堆参数，堆"层数"。32 层解码器，中间 4–27 层同权重跑两遍 → 前向 56 层计算，只存 9B。 自测 BIRD-Dev 71.38、AutomationBench 13.72，超 Qwen3.5-27B；Terminal Bench依旧落后。
