Kimi K3：超越 Fable 5 的开源模型完全指南
本文详细介绍了月之暗面发布的 Kimi K3 模型。该模型拥有 2.8 万亿参数和 100 万 token 上下文，性能超越 Claude Opus 4.8 和 GPT-5.6 Sol，对标 Fable 5。文章分析了其定价策略、架构创新以及模型自主优化架构的能力，展示了其在长程编码和 3D 前端开发方面的强大实力。
🏷️ 长上下文
6 篇杨植麟 GTC 2026 演讲：如何扩展 Kimi K2.5
杨植麟在 GTC 2026 演讲中，详细阐述了月之暗面如何通过重构优化器、注意力机制和残差连接这三大基础组件来提升模型性能。他提出了 MuonClip、Kimi Linear 和 Agent Swarm 等技术方案，旨在让 Token 更值钱、长上下文更有效，并实现多 Agent 协作，从而推动开源模型逼近闭源前沿。
AI Agent 记忆机制原理与实战解析
文章深入浅出地讲解了 AI Agent 记忆系统的工作原理，从基础的单会话与多会话记忆保持切入，引出 Google 提出的情景、语义与程序性记忆三分法。通过对比 OpenClaw 的实现方式与存在的问题，重点剖析了企业级方案 EverOS 的架构。EverOS 将记忆细分为六大类，并通过语义巩固、主动上下文重建等技术优化记忆的抽取、更新与检索。文章还包含 EverOS 的 API 调用示例及 20 个真实落地场景，为开发者提供了 Agent 记忆系统的全景指南。
DeepSeek-V4 工程权衡分析：1M 上下文并非无损记忆
文章深入剖析了 DeepSeek-V4 如何通过 HCA、CSA 和 SWA 三通道并行架构，将 KV Cache 压缩至基线的 2%，从而实现工程上可行的 100 万 token 上下文。然而，这种极致的压缩是有代价的：MRCR 8-needle 测试准确率在 1M 长度下显著下降至 0.59。文章指出，V4 通过牺牲检索精度换取了推理成本的数量级降低，是一种‘有损的 1M’，并明确论证了该设计原理上无法完全替代 RAG 系统。
本周顶级 AI 论文综述：DeepSeek V4 与自进化智能体
本周综述重点介绍了 DeepSeek V4，这是首个默认支持百万 token 上下文的开源模型系列，通过 CSA/HCA 混合注意力机制和领域专家后训练技术，在推理性能上媲美 GPT-5.2。此外，还涵盖了 Apple 的 Mamba 架构知识蒸馏方法、Autogenesis 自进化智能体协议，以及 Skill-RAG 失败感知检索系统。
DeepSeek V4是怎么训练出来的？58页论文深入解读
文章深入解读了DeepSeek V4论文，指出其核心价值在于将百万上下文、Agent原生能力与低价格结合，抬高了AI应用的地板。技术层面，V4通过mHC稳定残差连接，采用CSA+HCA混合注意力机制解决长上下文算力难题，并用Muon优化器替代AdamW。此外，文章还详细介绍了其1.6T参数量的训练稳定性技巧、反AI坍缩的数据构建以及基于“Specialist + OPD”的后训练范式转变。