uingei

[uingei @jingwei80]

@zuusin @YinsenW_ 你对 agent 说：不要依赖二手总结
你会有所发现的

[uingei @jingwei80]

对于现在来说是的，也许某一天开始就不需要考虑了，agent 不需要人了

[LotusDecoder @LotusDecoder]

对于 agent 产品来说，
人机接口的带宽，
是更大的瓶颈吧。

[uingei @jingwei80]

@mingliu1244777 @MaxForAI 看看就好，只是实验而已，27B 这种稠密模型 16GB mac 还是算了，说 16GB 显卡倒是还能信

[uingei @jingwei80]

@lanhubiji 正朝这方向发展了

[uingei @jingwei80]

@ruihanmeimei789 掉湖里的没发而已😂所以你觉得丝滑

[uingei @jingwei80]

@holycrabeth @Michaelzsguo 刚从 Qwen3.6-27B 切到 Qwen3.8-27B 是会空想，但是放手后就没这毛病了

[uingei @jingwei80]

@SwenChan @zhijianliu_ 我也看到，第一反应就是不信，实际只跑 30 左右，而且还是原生 mtp 靠谱点

[uingei @jingwei80]

@MaxForAI @pangram @max_spero_ 以前只要判断是不是段子，现在还要判断是不是人编的段子😂

[uingei @jingwei80]

不管是不是故事，道理没毛病

[Fong @david20035689]

朋友刚提新车没几天，右后门就被划了一道长痕。
他气得不行，马上去调小区监控。
画面里，一个七八岁的小男孩骑自行车经过，车把不小心蹭到了车门。
孩子停下来，看了那道划痕很久。
最后从书包里拿出一张纸，写了几句话，塞进雨刷下面。
朋友下楼找到那张纸，上面写着：
“叔叔，对不起，是我刮的。我没有钱，这是我妈妈电话。”
朋友打过去，对方一个劲道歉，说修车多少钱她来赔。
朋友看了眼车门，最后说：
“算了，也不是故意的，以后让孩子骑车注意点。”
这事他本来以为就这么过去了。
第二天早上，他准备开车上班，却发现雨刷下面又压着一个小信封。
里面是37块钱，还有一张歪歪扭扭的纸条：
“叔叔，这是我存的钱。妈妈说，做错事不能因为别人不要你赔，就当没发生。”
朋友拿着那37块钱站了半天。
晚上，他把钱交还给了孩子妈妈。
但那道划痕，他一直没修。
后来有人坐他的车，看见了问：
“新车刮成这样，你不难受啊？”
朋友看了一眼车门：
“刚开始挺难受的。”
停了一下，他又说：
“现在看着，还行。”

[uingei @jingwei80]

@Michaelzsguo 会不会是 xhigh 没传透啊？要么上下文 131072 试试，我这 Qwen3.8-27B 跑得挺好啊

[uingei @jingwei80]

@qianyuwing 坐等上线

[uingei @jingwei80]

@mylifcc 能跑和能用是两回事，M5 Max 也就只是凑活能用

[uingei @jingwei80]

@xueyu1125 4bit 权重就 112 了，96 哪能跑

[uingei @jingwei80]

@wei_wang 128GB 直接 pass 掉了😂

[uingei @jingwei80]

Qwen3.8-Flash-Next 提前开跑了？

https://t.co/1OftNI9VUL

[uingei @jingwei80]

Qwen3.8-Flash-Next 全方位碾压 Qwen3.8-27B，更值得期待了

[ModelScope @ModelScope2022]

Qwen3.8-Flash-Next is here! An open-weight multimodal MoE built on a brand new architecture, with native 256K context extendable to 1M via YaRN. 🤖https://t.co/dRqqI3xq6S

🏆 Leads every compared model on SWE-bench Pro (62.5 vs 53.4 for Claude-Opus-4.6 Max), SWE-bench Multilingual, CoWorkBench, JobBench, and Toolathlon Verified.
⚡ 125B params plus 51B n-gram embeddings, only 6B active per token. Stronger than Qwen3.7-Plus on coding and office tasks at roughly 1/9 the training cost. 📚 At 1M context, attention kernels run up to 7.6× faster on prefill and 4.9× on decode.

[uingei @jingwei80]

@wei_wang 生图生视频 CoreAI 支持的

[uingei @jingwei80]

@AYi_AInotes Qwen3.8-Flash-Next 出来如果体验极佳那么大容量统一内存还是值得买的

[uingei @jingwei80]

@lizikk_zhu 还是 kv q4_0 吧，128k context 还是必要的