DeepMind 校友用 27B 小模型，干翻 Anthropic 和 OpenAI 的前沿大模型？！ Inherent 这家伦敦 AI 实验室，刚出 stealth 就秀肌肉。 他们的 AI 代理 Faraday，在独立复制科学论文上跑分更高。 但重点不是赢比赛，而是训练方法：强化学习教 AI “研究品味”。 创始人 Hughes 说，这就像 PhD 学生从复现实验起步。 他们甚至不自己开发编码工具，直接用 OpenAI 的 Codex，模仿人类科学家。 目标是造一个会主动思考的 AI 队友，而不是应声虫。 公司窝在 King's Cross，坚信伦敦是 AI 人才的圣地。 Hughes 猛烈抨击英国的“花园假”制度，让创业者等得太久。 团队计划扩到 25 人，DeepMind 员工可能正考虑跳槽。 小公司大突破，AI 科学革命的火苗在这里点燃。

📽️ 好猛，MAGI-1 能把一张图续成物理上说得通的视频，权重和推理代码全开源。 MAGI-1 在 GitHub 上 3700+ star，出自 Sand AI。创始人曹越是 Swin Transformer 的核心研究者，那篇论文拿过 ICCV 2021 最佳论文（马尔奖）。 很多视频模型一到"东西掉下来、水倒出去"这种物理场景就露馅。MAGI-1 换了个思路：按 24 帧一块、一块接一块往下生成，前面的画面决定后面的走向，所以能流式生成，也更像在"续写"真实世界。在 Physics-IQ 的图生视频评测里，24B 版本拿到 30.23，高于表里 Kling1.6 的 23.64。 文生视频、图生视频、视频续写三种用法都有。门槛也说清楚：4.5B 小模型一张 RTX 4090 就能跑，24B 完整版推荐 8 张 H100，Apache 2.0 许可。 想在本地玩视频生成的，MAGI-1 值得收藏。 GitHub：

多数人觉得 OCR 卷到头了，无非拍照转文字。但腾讯混元刚开源的 HyOCR-1.5 跳出了这套路子——1B 参数纯视觉端到端模型，在 OmniDocBench v1.6 上以 94.74 分拿下端到端第一，推理速度还提了 6.37 倍。 传统 OCR 流水线要拼接检测、识别、版面分析多个模型，慢且重。HyOCR-1.5 一个模型端到端输出，还用了 DFlash 投机解码：并行猜测多条解码路径，快速筛最优结果，让推理大幅加速。在 Transformers 上快 6.37 倍，vLLM 快 2.14 倍，最后单页文档端到端推理只要 1.408 秒。原先处理百页要几分钟，现在半分钟搞定，成本跟着跳水。 更关键的是全栈开源。模型权重、训练代码、推理流程全部开放，没有 API 调用费，数据不离开本地。对天天要处理合同、发票、古籍的团队来说，这种又快又省还不泄露数据的方案，每月可能省出一个人力成本。 它的适用面也没局限在中英文。通过 Agentic Data Flow，HyOCR-1.5 扩展到了 331 种语言、古文字识别，还能做多图问答。128K 上下文窗口加上 4K 分辨率，长图、竖排文档都能直接处理，不用切块、不用额外对齐。 当然，开源不等于「无脑能用」。虽然 1B 参数消费级显卡就跑得动，但装环境、跑 Demo 还是需要一点技术底子。社区已经有热心人封装一键包，不过暂时不够傻瓜化；追求「上传即得结果」的朋友，可以蹲一下腾讯混元后续的云服务。 但我觉得，这款模型最大的价值不是技术指标——而是它把「高质量、低成本、全栈可控」这三件事同时装进了一个能跑在任何机器上的 1B 小模型中，让普通团队也能用上以前大厂才烧得起的 OCR 能力。开源给了杠杆，试错的门槛已经很低。 怎么踩上这个杠杆？👉 普通用户：关注腾讯混元公众号，先看技术细节，把云服务上线消息存下来。开发者：去 GitHub 搜 JevenYu/HyOCR，拉模型跑 Demo，立刻替换掉项目里那条慢速 OCR 管道。产品经理/创业者：拿几张你最痛苦的文档测一测速度、精度和成本，说不定下一个垂直文档处理工具的原型就出来了。