优化子智能体流转与证书轮换，OpenClaw新版修复Gemini上下文截断错误
相关推荐
Gemini月活用户突破10亿，成为Google史上增长最快产品，语音成为核心交互方式
据 动察 Beating 监测，Google 宣布 Gemini 应用月活跃用户已正式突破 10 亿，成为公司历史上增长最快的产品。用户行为数据显示语音正成为核心交互方式——63% 的用户直接与 Gemini 对话，忙碌父母使用语音处理日常任务的概率比其他用户高出 43%。超过 20% 的 Gemini Live 交互已超越纯语音，用户通过实时摄像头画面和屏幕共享进行即时问题解决，在 DIY 爱好者和学生群体中尤为流行。Android 端 Gemini 可跨 40 余款主流应用自动执行操作，涵盖叫车、餐厅预订等场景。 学生群体中 38% 的学习请求包含附件。面向小企业主的创意功能需求旺盛——Gemini 每日生成超 1.5 亿张图片，支持图像、视频与音频一体化创作。苹果生态表现强劲，iOS 端月活用户超 1 亿，macOS 重度用户的提示频次约为其他平台的两倍。Google 表示将继续以打造「最个性化、最主动、最强大的助手」为目标向下一批 10 亿用户迈进。 点击下方原文链接，加入动察 Beating · 飞书 AI 新闻渠道，7×24 小时不间断监测全球 AI 热点与新闻。
Moonshot AI将公开2.8万亿参数Kimi K3权重，中国开源权重模型Token占比升至68%
Odaily星球日报讯 中国 AI 初创公司 Moonshot AI 将公开高性能模型 Kimi K3 的模型权重，开发者可下载模型并按用途修改，也可在自有数据中心或云环境中运行。 Kimi K3 拥有 2.8 万亿个参数和 100 万 Token 上下文窗口，可一次性处理大规模文档和代码库。Moonshot AI 计划后续通过技术报告公开模型结构、训练方式和性能评估结果。 Kimi K3 发布后，Moonshot AI 单日收入据悉至少增长 6 倍。Moonshot AI 正推进按 500 亿美元估值进行新一轮融资，并考虑最快今年在香港上市。 Bloomberg Intelligence 表示，Kimi K3 与 Z.AI 的 GLM-5.2 发布后，中国开源权重模型在整体 Token 使用量中的占比升至 68%。AWS Bedrock、Microsoft Azure Foundry 和 Google Vertex AI 尚未提供 Kimi K3 与 GLM-5.2 等中国开源权重模型。
Gate Pre-IPOs第三期Moonshot AI（KIMI）明日开启认购，支持USDT/GUSD双币参与
Odaily星球日报讯 据官方公告，Gate Pre-IPOs 第三期项目 Moonshot AI（KIMI）将于 8 月 11 日 15:00（UTC+8）正式开启认购，认购将持续至 8 月 13 日 15:00（UTC+8）。本期推出 KIMI 资产凭证，为基于 Moonshot AI 企业价值变化设计的镜像票据（Mirror Note），认购价格为 105-115 美元/股（以最终定价结果为准），项目隐含市值约 500 亿美元。 本期项目支持 USDT 与 GUSD 双币认购，用户使用 GUSD 认购可同步享受 3.8% 活期美债收益。认购结束后，KIMI 资产凭证将于 8 月 17 日 15:00（UTC+8）100% 解锁分发，并预计于分发完成后约 1 个月开放专用市场交易。 随着认购开启进入倒计时，Gate Pre-IPOs 持续拓展 AI、RWA 及创新资产参与场景，为用户提供更多元的上市前资产参与渠道。
传Google DeepMind拟裁超1/3：短期停更Pro，资源转向Flash
据动察 Beating 监测，Google DeepMind 正在酝酿进一步重组，可能裁掉三分之一甚至更多员工。GDM 目前约有 7000 至 8000 人，重组将重点精简岗位和实际工作不匹配的冗余人员。 更大的变化是模型路线。谷歌短期没有更新 Pro 模型的计划，也将减少对 Fable、Opus 同级超大旗舰模型的投入，把更多资源转向成本更低、迭代更快的 Flash。 这可能和 GDM 能拿到的资源有关。GDM 最近一个考核年的整体 OKR 只有 0.5/1，过去一段时间很难争取到更多大型模型训练资源。搜索、YouTube、Gmail 等谷歌核心业务同样需要大量 TPU。 还有一个内部细节或许可以解释为什么谷歌 Gemini 模型体验不佳：GDM 核心团队此前从未真正把 Gemini 当成日常主力模型，反而是非核心团队仍被要求使用 Gemini。
从GPT-2到Kimi K3：大模型七年架构演进，本质是一场记忆争夺战
据 动察 Beating 监测，Baseten 工程师 Ali 发布长文，从 GPT-2 一路拆解到 Kimi K3。按参数量计算，一个 K3 相当于约 22580 个 GPT-2。但他认为，过去七年的真正变化并非单纯扩大模型，而是不断改造模型保存、更新和找回信息的方式。 GPT-2 使用全注意力。每个 Token 都留下自己的 Key 和 Value，后续可以随时回看。信息保存最完整，但上下文越长，KV Cache 和计算成本越高。 线性注意力把整段历史压进固定大小的状态。成本不再随上下文持续膨胀，代价是不同信息会挤在同一块空间里。内容越来越多后，旧记忆开始互相干扰。 此后的多项架构创新，都在给这块有限记忆增加管理规则。DeltaNet 允许模型先读取旧内容，再用新旧差异进行覆盖。Gated DeltaNet 加入整体遗忘，让旧信息能够随场景变化衰减。 KDA 进一步把遗忘控制细化到每个通道。不同信息可以拥有不同保存时间：长期事实保留更久，临时指令和局部变量更快衰减。Ali 认为，这才是 Kimi Linear 最关键的进步。 但固定状态不可能保留所有细节。K3 因此没有只用 KDA，而是把 23 组四层结构排列成「三层 KDA 加一层 MLA」，最后再补一层 MLA。KDA 负责低成本维护长期记忆，MLA 定期回看完整上下文，找回数字、代码和早期指令等精确信息。 K3 还引入 Attention Residuals。普通模型会把每一层结果不断相加，早期提取出的信息容易在 93 层计算中被后续结果稀释。K3 把网络按 12 层分块，让后面的层按需调用较早阶段形成的中间表示，不必每次都从原文重新推导。 因此，K3 的关键并不是某一项突然出现的黑科技。它真正特别的地方，是把循环记忆、全局检索、层间回看和专家路由组合成一套分层信息系统。 过去七年的模型架构演进，本质上是在教模型如何选择什么值得留下，什么应该覆盖，什么时候必须翻回原文。
Kimi K3正式开源
据动察 Beating 监测，月之暗面正式开源 Kimi K3 模型权重，并采用自定义的 Kimi K3 License 协议，允许研究、部署、微调和二次开发。开发者现在可以从 Hugging Face 下载模型，自行部署、微调和测试。 围绕 K3 的首日接入已经提前展开。Modal、Together AI、Nebius、GMI Cloud、Baseten 和 Fireworks AI 均预告，将在权重发布当天提供托管或推理服务。 vLLM 和 SGLang 两大开源推理框架也已提供首日支持。开发者拿到权重后即可直接部署，不必再等待框架适配。后续优化将集中在长上下文、高吞吐和 KDA 线性注意力的运行效率上。