Daily Pulse | 2026年7月16日 周四版 | Thinking Machines Lab 发布975B开源模型；Grok Build正式开源；人形机器人无监督RL框架UFO亮相
🎯 今日速览（7月16日）
今天的头条围绕一个共同主题：AI 正在从”谁能造出更大的模型”转向”谁能更好地部署、定制和开放”。975B级模型开源可用，编码代理工具链拥抱开放，人形机器人训练从实验室走向开源社区。
• 🧠 Inkling 975B 开源模型发布 — Thinking Machines Lab 推出首款开源权重模型：975B MoE，41B 活跃参数，1M 上下文，原生多模态推理，可在 Tinker 平台直接微调 • 🔧 Grok Build 正式开源 — xAI 将 Grok 的终端编码代理 CLI/TUI 以 Rust 源码形式发布到 GitHub，支持 ACP 协议，可嵌入任意编辑器 • 🤖 UFO：人形机器人无监督 RL 框架开源 — 支持宇树 G1 训练与真机部署，将学习管道与机器人配置分离，降低人形机器人入门门槛 • 💻 Gemma 4 26B 在 13 年老 Xeon 上运行 — 无 GPU，5 tokens/s，仅需 $300 的二手服务器即可运行现代 MoE 模型 • 🚫 “我们不用 AI”——一场反潮流宣言 — 硬件设计公司 Mass-Driver 公开声明所有设计与生产流程完全不使用 AI
1. 🧠 Inkling 975B：Thinking Machines Lab 发布开源权重模型
一句话总结：Thinking Machines Lab 正式发布 Inkling——975B 总参数/41B 活跃参数的 MoE 开源模型，支持 1M 上下文窗口与文本、图像、音频原生多模态推理，并可在 Tinker 平台直接微调。
💡 为什么重要：这是目前规模最大的可商用开源权重模型之一，且 Thinking Machines Lab 不仅提供了模型权重，还配套了完整的微调平台（Tinker）和开发者 Playground。对于一个 975B 参数的模型来说，41B 的活跃参数意味着推理成本相对可控，而 1M 的上下文窗口为长文档、代码库分析等场景打开了想象空间。
Inkling 基于 45 万亿 token 的多模态数据预训练，采用 Mixture-of-Experts 架构，在保持 41B 活跃参数的同时实现了 975B 的总参数量。同步发布的还有 Inkling-Small（12B 活跃参数），以更低的成本覆盖轻量场景。
数据显示，Inkling 在文本、代理任务、多模态和音频评估中均表现出均衡的竞争力——并非某个单一基准的”刷榜者”，而是覆盖面极广的通才模型。
关键数据：
- 📊 总参数量：975B | 活跃参数：41B | 上下文：1M tokens
- 📊 预训练数据：45 万亿 token（文本 + 图像 + 音频 + 视频）
- 📊 可在 Tinker 平台直接微调，模型可自行编写微调作业
- 📊 开源权重，Apache 2.0 类许可
🔗 Thinking Machines Lab 官方公告 | HN 讨论
2. 🔧 Grok Build 正式开源：xAI 发布编码代理 CLI/TUI
一句话总结：xAI 将 Grok Build——其终端 AI 编码代理工具——以 Rust 源码形式完整发布到 GitHub，支持交互式 TUI、headless 脚本模式，以及通过 ACP 协议嵌入编辑器。
💡 为什么重要：在 Claude Code、OpenCode、Cursor 等编码代理激战的当下，xAI 选择将 Grok 的编码工具完整开源，意味着开发者可以审查、修改甚至 fork 自己的版本。这与 OpenAI 的 Codex CLI 和 Anthropic 的 Claude Code 的闭源路线形成鲜明对比。
Grok Build 是一个全屏 TUI 应用，能理解代码库、编辑文件、执行 Shell 命令、搜索网页和管理长期任务。它支持 ACP（Agent Client Protocol），可以嵌入 VS Code、Neovim 等编辑器。
📌 一句话：继 Grok 模型本身的开源争议之后，xAI 将编码代理基础设施也推向了开源——这可能会加速编码代理领域的”Linux 化”进程。
🔗 GitHub: xai-org/grok-build | x.ai/cli
3. 🤖 UFO：人形机器人无监督强化学习框架开源
一句话总结：Roboparty 团队开源 UFO——一个面向人形机器人的无监督强化学习框架，已完整支持宇树 G1 的训练与真机部署，分离学习管道与机器人配置，降低人形机器人研发门槛。
💡 为什么重要：人形机器人训练长期依赖大规模人工标注和精心设计的奖励函数。UFO 采用无监督 RL 方法，让机器人通过自主探索学习运动技能，训练管道与机器人配置解耦，意味着同一个框架可以适配不同的人形机器人平台。
UFO 当前最佳测试路径为宇树 G1，训练基于 MJLab，支持多源运动数据导入（RobotState CSV/NPZ），具备跟踪推断、目标推断和奖励推断能力。训练后的模型可通过 ONNX 导出，并经由 UFO-Deploy 运行时部署到真机。
📊 技术亮点
功能 状态 宇树 G1 训练 ✅ 已支持且测试最完善 多源运动数据导入 ✅ CSV / NPZ / ufo_pkl ONNX 导出 ✅ 训练后直接导出 真机部署与遥操作 ✅ deploy 分支 跨机器人策略迁移 ❌ 暂不支持
这一框架对国内人形机器人生态具有直接价值——宇树 G1 是目前国内外关注度最高的消费级人形机器人之一，UFO 极大降低了开发者进行 G1 运动训练的起始门槛。
🔗 GitHub: Roboparty/UFO | 项目主页
4. 💻 Gemma 4 26B 在 13 年老 Xeon 上运行
一句话总结：一位硬件爱好者成功将 Google 的 Gemma 4 26B MoE 模型在 13 年前的 Ivy Bridge Xeon 服务器上以 5.2 tokens/s 的速度运行，硬件成本不到 300 美元，无 GPU。
📌 一句话：当整个行业在追逐 H100/B200 时，这篇帖子证明了一件事——理解和优化模型比单纯堆算力更重要。
作者使用了一台 HP StoreVirtual 存储服务器（双路 Xeon E5-2690 v2，2013 年 Ivy Bridge 架构），仅支持 AVX1 指令集——连 AVX2 都没有。通过 ik_llama.cpp 的 CPU MoE 路由优化、投机解码和 Flash Attention 的 CPU 移植，将推理速度推到了 5 tokens/s——阅读速度级别的体验。
💡 启示：这对中国机器人开发者和嵌入式场景意义重大——如果一片 $300 的旧服务器芯片都能跑 26B 模型，那在机器人本地部署中等规模模型的实用门槛比很多人想象的要低得多。
🔗 NeoMind Labs 原文 | HN 讨论
5. 🚫 “我们不用 AI”——一家硬件公司的反潮流宣言
一句话总结：硬件设计公司 Mass-Driver 发布文章公开声明，其所有设计、生产和创作流程完全不使用 AI，认为”将设计交给生成式 AI 就失去了设计中的人性”。
📌 一句话：在 AI 无处不在的 2026 年，这样一篇”零 AI”宣言反而成为了一种稀缺观点，并登上了 Hacker News 首页。
Mass-Driver 在文章中追溯了字母 A 的演化历史——从 3500 年前西奈矿场的牛头岩画，到古罗马的平刷手写体，再到今天的衬线字体。他们的核心论点在于：设计中的摩擦力（friction）是创造力的来源，而 AI 正是那个试图消除所有摩擦力的工具。
文中写道：“当我们让 Midjourney 画一头牛时，它不会想到家。ChatGPT 永远不会发明一种新的书法技法，因为它没有手腕可以感到不适。”
⚠️ 值得关注：这篇文章的走红本身也说明了——2026 年的开发者社区对 AI 的态度正在从”全面拥抱”进入”理性审视”阶段。这不是反 AI，而是对 AI 在创作流程中扮演角色的追问。
🔗 Mass-Driver: “From Human Hands”
🔍 本周观察
从今天的头条可以读出几个趋势信号：
- 开源模型的规模天花板在提升：975B 参数的 Inkling 开源意味着小团队也能用上接近前沿的模型，开源社区不再只是”追着闭源跑”
- 编码代理正在经历”Linux 时刻”：Grok Build 开源后，开发者可以选择自建、自托管编码代理，类似 Linux 在服务器领域的路径
- 人形机器人开源加速：UFO 框架 + 宇树 G1 的搭配，让人形机器人运动训练从顶级实验室走向独立开发者
- 边缘推理的实用化：$300 旧服务器跑 26B 模型——当推理成本持续下降，机器人的”大脑”部署方式将发生根本变化
来源：Hacker News / GitHub / Thinking Machines Lab / xAI / NeoMind Labs / Mass-Driver