【大模型/评测】近期大模型发布与评测要点如下：

Miles v0.1 开源了：一套现成的"大模型训练流水线"，让企业自己训专属模型这件事，从烧钱赌博变成工程问题，属于SGLang 系那帮人做的开源 RL 后训练框架。 以前想让模型学会干你公司的活（写代码、操作软件、处理客服），要么找大厂定制，要么自己养一支底层团队从零搭，Miles 把这套东西打包好了，Docker 一键起，换上你的数据和任务就能训。 记得三个月前我预测未来每家公司都会拥有自己的模型，否则就是模型公司的养料，miles能帮企业往前更进一步： 1、能训练"干活的"模型，不只"会聊天的" 它的重点是 agentic RL——让模型在真实环境里反复试错，学会用工具、操作终端、完成多步任务——你想要的是一个能替你干活的 AI 员工，不是一个话痨 2、大模型也能在这个框架上跑 paper里提到：744B参数的 GLM-5.2，跑编程任务，64 张卡，每一步训练 4 分多钟。这个开源框架已能支撑训练千亿级模型，这在以前是大厂专利。 3、训练过程不容易崩大规模 RL 最痛的是跑到一半挂掉，几十万电费打水漂。Miles 在稳定性上下了很多功夫，Modal 也是它的客户，评价是"长时间运行一直很稳"。 4、一套框架搞定所有训练类型 SFT（喂数据）、RL（试错学习）、蒸馏（大模型教小模型）、LoRA（省钱的轻量训练），一套代码全包不用东拼西凑。 5、数据本地化跑在本地机器，数据、模型模型权重、训练记录全在自己手里，对金融、医疗、政府这类客户，这是刚需。 6、支持主流模型 DeepSeek、Qwen、GLM、Kimi、Gemma、Nemotron 都有现成配方，新模型发布当天就支持，N 卡、AMD 卡都能跑。 7、被真实客户验证过 Periodic Labs 用它在几千张卡上训万亿参数模型，Modal、IBM、Decagon、Nebius 都在生产环境用，不是实验室玩具。 两年前企业"训自己的模型"是幻想，一年前是烧钱的赌博，现在是一个工程问题，Miles 这类框架就是把这个工程问题标准化的基础设施。 创业公司：可以认真考虑做垂直模型了。 大企业：私有化训练的成本和风险都可控。 AI 服务商：帮企业训模型，或许对于从业者或fde来说是一个新的市场和机会。 强化学习框架rl框架

【本体热潮下RAG可以如何变？从朴素RAG到OAG本体增强生成—概念、项目、论文、技术工程实现总结】继续看技术进展，在之前的文章《再看本体如何增强Agent自进化？Agent用于时序建模任务技术综述》()中我们讲了本体增强Agent；在《本体论遇上RAG本体增强生成是什么？对比RAG、3个不同所指及落地选型思路》()中，针对OAG（Ontology-Augmented Generation，本体增强生成）做了一个总结性解读，其RAG的一个变体，但其从架构上说，其是一种责任架构：用本体的强类型约束事实，用工具调用分离概率与确定性，用权限和审计包住行动，最终让"AI参与业务决策"这件事从责任上变得可接受。但是，最近想着说，社区写零散的博客的时期已经过去了，而更应该进入到一个写系列丛书的时期，这样能够从各个角度，做更好的梳理，这是一个更好的总结方式。周末依旧不休息，迭代18个版本，最终形成《本体增强生成OAG（Ontology-AugmentedGeneration）—知识、检索与推理的工程化路径》一书，为技术工程参考读物，基于公开论文、标准与开源代码撰写，面向知识图谱、本体工程与大模型应用落地的工程人员，约19.5万字，75章。总的来说，算是从论文角度、从开源项目、案例角度、技术角度等等做了从RAG过渡到OAG做了一次回顾，感兴趣的可可看看。

【当MIT承认被AI“打碎”：一场回归人性的教育实验】MIT近期发布了一份关于人工智能如何重塑校园的深度报告。调查显示，近半数本科生每天使用LLM，但九成学生对这种依赖感到焦虑。传统的课后作业和居家考试已失去评估价值，因为AI能轻松解决几乎所有本科课程。学生在遇到困难时倾向于认知投降，直接向模型索要答案。这种趋势正在瓦解小组讨论和答疑课等社交学习基础，导致学生产生被机器取代的无力感。MIT拒绝用监控软件或AI检测器来对抗技术，认为这会破坏师生间的信任契约。他们的对策是让教育回归人本身：增加口试、项目作品集和强制性的线下社交环节，甚至考虑取消GPA制度以降低作弊动机。这不仅是教学手段的调整，更是对教育价值的重新定义。当知识获取变得廉价，真正稀缺的是在生产性痛苦中磨练出的判断力与协作能力。教育的未来不在于更先进的软件，而在于更紧密的人际连接。

猝不及防！ 就在昨天，奥特曼在接受《财富》长达45分钟的独家专访时，亲手浇灭