「告别固定分词：让模型学会自主切词的 H-Net」

技术博客：把大模型当计算机整

一条微博帖子，转述一篇技术博客（divagr.com/blog/qwenputer）的内容：作者利用 Qwen 3.5 中 Gated DeltaNet 层的状态更新特性，配合门控、写入强度设为 1 和独热编码，将其改造为可精确寻址的 RAM，并在未经后训练的情况下把一套 RV32IM 指令集的 32 位 RISC-V CPU 逻辑编译进新增的 11 层网络权重。材料称该内嵌 CPU 可零误差连续运行 1800 万条指令，使长整数算术基准（NUPA）准确率从 48.6% 升至 100%，且未破坏原模型的语言生成分布；文中还展示了基于同一机制构建可跨会话持久化的哈希文件系统（最高约 5.3 万 Token），并讨论了对混合架构模型思维链隐匿性与安全监控的影响，模型与代码已开源。适合关注模型内部机制、线性注意力架构与 CoT 安全的人阅读。

「把一台 NES 塞进大模型权重里，这个项目把推理变成了真模拟」

文章介绍开源项目 nesformer：它把 NES 的 6502 CPU、2KB 内存和卡带 ROM 编译进 Qwen3.5 的权重，模型按 token 输出 CPU 执行日志，宿主程序负责画面、手柄输入和 vblank 中断；沿用 Qwenputer 的思路，把 DeltaNet 状态当作机器内存读写，同一套权重可加载不同 NROM 游戏而无需重新训练或编译。作者用测试 ROM、启动序列和实际运行帧与传统 6502 模拟器逐项比对。局限包括速度远慢于真机、仅支持 NROM 和官方指令、无声音、PPU 在模型外部。适合对模型可解释性、神经网络与硬件模拟交叉方向感兴趣的人阅读。

MiniMax M3 是如何构建的：稀疏注意力与原生多模态 — Olive Song

How MiniMax M3 Was Built: Sparse Attention and Native Multimodality — Olive Song

这是 MiniMax 强化学习方向研究者 Olive 的演讲，介绍开源权重模型 MiniMax M3：具备前沿级编码与智能体能力、100 万 token 上下文窗口和原生多模态。她讲解 MSA 稀疏注意力设计（prefill 约快 9 倍、解码约快 15 倍）：一个索引分支挑选关键 block，一个稀疏分支只对这些 block 做注意力，并说明 DeepSeek 的 DSA 等既有设计为何不适配分组查询注意力和 GPU 内存访问方式。还包括从训练第一步起同时使用文本与视觉数据、为何后期加视觉会导致结果不稳定、注意力图所显示的内容，以及视觉 transformer 内部的 3D 注意力为何改善视觉理解。适合关注大模型注意力机制、多模态训练与开源模型架构的读者观看。

从往来看交易：Somya Rai 与 MD Sharique，EXL

Judge a Transaction by the Company It Keeps — Somya Rai & MD Sharique, EXL

这是一个 YouTube 演讲，介绍 EXL 的欺诈检测系统：在现有 XGBoost 分类器基础上加入图嵌入，目标是固定的分析师告警预算下提升精确度。演讲者讲解了邻域信号、采样与图构建、GraphSAGE 的聚合方式（均值、最大值与标准差）、归因解释和在线服务设计（缓存表征使缓存占用从约 60 GB 降至 2–3 GB），并报告在相同告警率下检测效果相对提升 27%–33%。