德国开放 Kolibri 权重；抗体设计走到湿实验

约 2,800 字 · 阅读约 10 分钟

Juju Radar · 2026 年 10 月 4 日

本期导读

今天严格时间窗口里，最值得看的新发布是德国 Aleph Alpha 的 Kolibri。它有约 781 亿个总参数，但每处理一个 token 只激活约 34.6 亿个；团队把德语训练数据、注意力结构和部署成本放在一起设计，并开放了模型权重。能否成为德语机构真正愿意自行部署的模型，比一张综合跑分表更值得跟进。

另外三条是近期补看，原始发布在 10 月 1 至 2 日：Xaira 用湿实验检验 AI 设计的抗体；腾讯混元尝试在不运行真实软件时合成电脑 Agent 的操作轨迹；一篇视频基准论文则追问，生成画面是否真的遵守了程序规定的事件。它们都值得读，但不算今天首发。

🐦 德国 Kolibri 开放权重：78B 总量，实际每步只用 3.46B

基础模型 / 开放权重 / 推理部署 · 8.8/10 · 建议看技术报告

德国公司 Aleph Alpha 于 10 月 3 日发布 Kolibri，同时在 Hugging Face 开放 FP8 权重，采用 Apache 2.0 许可。模型兼顾德语和英语，共约 781 亿参数，属于专家混合架构：每个 token 实际激活约 34.6 亿参数。它不是“普通电脑轻松跑”的小模型，FP8 权重本身约 78GB；官方列出的最低配置包括一张 H200 或两张 H100。

技术报告里有个值得看的取舍：团队没有把“德语模型”理解成只在训练末期翻译些英语问答。官方称，预训练数据约五分之一为德语，并专门调整词表压缩效率。50 层网络里，40 层只看附近 512 个 token，另外 10 层看完整上下文，目的是减少长文推理的计算负担。Aleph Alpha 给出的同团队服务测试显示，在两张 H100 上处理 256K 长请求时，Kolibri 能同时服务 18 路，而一款 123B 试验模型只能服务 3 路；这个对照说明了它为何选 78B 的规模，却不能推成对所有模型、所有服务器都快六倍。

官方称模型支持 100 万 token 上下文。这里要看模型卡里的下一句：原生长上下文训练到 262,144 token，100 万是扩展验证的长度；复杂任务或在意吞吐时，团队仍建议不超过 262,144 token。综合基准也主要由发布方测试，尚待独立评估。Kolibri 真正可检验的价值，是德语机构能否在自有设备上，以可接受的显存、延迟和准确率处理本地文件；开放权重让外部复测成为可能，但训练语料和完整训练流水线并未随权重一同开放。

近期补看

以下三条均早于本期严格检索窗口，因技术或实验信号值得补看。原始提交与发布日期在资料页单列。

🧬 Xaira 的抗体设计走到实验台：难靶点找到可继续优化的候选

AI for Science / 生物医药 · 8.6/10 · 建议看实验设计

Xaira 在 10 月 2 日公开两组 X-Design 抗体设计案例。很多生成蛋白的演示只报告“能不能结合目标”；药物研发还得问它像不像人类抗体、是否便于制造、能否跨物种实验，以及结合之后是否真的阻断目标功能。Xaira 说，新版本模型会同时顾及这些要求，再把设计出的序列送进湿实验筛选。团队此前另文解释了“可继续推进的结合分子”的标准。

第一组 XA-1 实验设计了 182 条 VHH 抗体序列，得到 18 条经质量控制确认的结合分子，其中一条在三周湿实验后已具备继续推进的性质，再经一轮优化，整个实验流程七周得到先导分子。但这个速度有前提：目标表位已经选好，抗原和试剂也已准备。第二组 XA-4 更难：针对一个传统 VHH 文库筛选和羊驼免疫都没拿到功能性结合分子的 GPCR，团队设计了 6 万条序列，从中选 92 条复测，确认 7 条结合、6 条有功能抑制；最佳候选在细胞实验中达到 183 nM 的 IC50，现处于先导优化阶段。

这是比“生成多少条看起来像抗体的序列”更接近研发现场的证据，却还不是药物成功。两组都是公司内部项目，靶点身份、完整数据和模型权重未公开；Xaira 自己也说，系统性的跨靶点评估还在后面。尤其不能把“进入先导优化”写成“进入临床”，或把两个案例推成对所有难靶点有效。

🖥️ 不打开软件，也能造出训练电脑 Agent 的操作轨迹？

Agent / GUI世界模型 / 论文 · 8.4/10 · 值得看失败项

电脑 Agent 需要大量“看见界面—点击—看见结果”的训练样本，但装好不同版本的软件、准备账号与文件、恢复每一步状态，成本很高。腾讯混元团队 10 月 1 日提交的 AutoGUIWorld 论文（全文）换了一个做法：规划器先规定操作与预期后果，图像生成器再把当前截图编辑成下一步画面，经过动作定位和质量过滤后，得到 79,266 个带空间标注的训练步骤，覆盖多个操作系统与 Chrome。

团队用这些轨迹微调 Qwen3.5-35B-A3B，报告 OSWorld 平均任务分从 33.0 提高到 40.8，ScienceBoard 成功率从 14.0% 提高到 32.2%。这里的成绩是在真实任务评测上取得，并非只看生成图片像不像软件，因此值得关注。它给 GUI Agent 训练增加了一条路线：一部分环境变化可以先在合成数据里学习，再去真实应用检验。

但它也清楚地暴露了边界。论文表格中的 Chrome 子项反而下降；一张合成截图即使看起来合理，也可能不是实际软件执行该操作会出现的状态。作者自己的过滤检查仍发现少量动作和画面不一致。生成轨迹适合补充训练分布，能否代替真实软件交互，还需要更严格的跨应用验证。

🎬 视频看着对，事件真的按程序发生了吗？

视频生成 / 世界模型 / 论文 · 7.9/10 · 探索性阅读

10 月 1 日提交的 ROWBench 论文（全文）提出一个很具体的检查办法：如果游戏程序记录“角色在第 12 秒捡起钥匙，转身后钥匙仍在手中”，生成视频不能只在每一帧画得漂亮，还得保留这段事件和物体状态。团队用程序生成 170 段情节和 600 个代理视频，记录时间戳、物体状态及镜头之外发生的事，再检查视频是否呈现了它们可见的后果。论文标题写 ROWBench，摘要把评测框架称作 PROWBench，读原文时可据此辨认。

这种评测比“看起来真实”更贴近交互视频和游戏世界模型要解决的问题：角色出了画面再回来，场景不应凭空重置；一次交互产生的后果，要能延续到后续镜头。论文中的长时段对象重现指标仍很低，提示现有生成模型在持续状态上有明显缺口。

它目前更像一把新尺子，而非行业统一考卷：情节与场景规模有限，部分“逻辑是否对齐”的分数依赖视觉语言模型判断。最有价值的是可执行事件日志这个参照物；具体模型排名还需要更多场景和人工复核。

今天的主线

Kolibri 让机构有机会把德语模型放到自有设备，但显存、延迟和原生上下文长度会决定它是否好用。Xaira 的抗体不能只在屏幕上“看着像”，必须过结合、功能和可开发性实验。合成 GUI 操作轨迹要到真实软件里验收；视频世界则要对照程序记录，检查事件有没有真的发生。

共同点不是又出现了四种生成能力，而是每一种都要找回自己所在领域的硬约束。今天的新模型只有一条；补看的三项研究恰好提醒我们，技术演示离可靠工作流程还有哪些关口。