AI 日報: Llama 4 跑分造假證實？Yann LeCun 離職前夕爆猛料，OpenAI 秘密打造語音硬體

在這科技圈風起雲湧的一週，從 Meta 內部爆出的震撼彈到開發者工具的實戰技巧，再到模型架構的底層突破，訊息量大得驚人。這不僅僅是關於誰的模型更強，更關乎誠信、工具的使用哲學，以及我們如何與機器互動的未來。

Meta 的信任危機：Llama 4 基準測試被證實「動過手腳」

這或許是近期 AI 圈最大的醜聞。長期以來，社群對於 Meta Llama 4 的基準測試（Benchmark）成績一直存有疑慮，認為數據好得有點不自然。如今，這些猜測終於得到了官方內部的證實——而且是由即將離職的 AI 首席科學家 Yann LeCun 親口承認的。

根據 Slashdot 的報導，LeCun 在接受《金融時報》採訪時直言不諱，承認 Llama 4 的結果「被稍微美化了（fudged a little bit）」。團隊為了在不同測試中取得好成績，竟然針對特定測試使用了不同的模型版本，這完全違背了評測的公平性原則。

這場風波的後果相當嚴重。據傳，Mark Zuckerberg 對此極為震怒，不僅對參與的團隊失去信心，甚至將整個生成式 AI 部門「邊緣化」。這也解釋了為什麼原本備受期待的 Llama 4 完整版遲遲未見蹤影，且後續更新幾乎停擺。隨著 LeCun 準備離開 Meta 創辦自己的實驗室，他更是拋出了一句耐人尋味的話：Meta 新招募的超級智慧團隊成員已經「完全被 LLM 洗腦了（LLM-pilled）」，而他始終認為這條路對於實現超級智慧來說是條死胡同。

這起事件無疑給開源模型的公信力蒙上了一層陰影，也讓開發者在選擇模型時多了一份警惕。

大神怎麼用工具？Claude Code 創作者的「原味」設定

與 Meta 的混亂不同，Claude 的開發社群則顯得務實許多。很多人好奇，打造出 Claude Code 這款強大工具的創作者 Boris Cherny，自己平時是怎麼寫程式的？他的設置會不會複雜到難以複製？

答案出乎意料地簡單。Boris Cherny 在 X 平台上分享，他的設定其實非常「香草（Vanilla，意指原廠未改）」。他強調 Claude Code 開箱即用，不需要過度客製化。

他的工作流主要依賴於終端機（Terminal）與網頁版的混合操作：

1. 多工並行：他在終端機中同時運行 5 個 Claude 實例，標籤頁編號從 1 到 5，並利用系統通知來掌握哪個實例需要輸入。
2. 雲端協作：除了本地端，他還會在 claude.ai/code 上並行運行 5-10 個實例。
3. 靈活切換：在寫程式時，他經常使用 & 指令將本地對話移交給網頁版，或者使用 --teleport 在兩者之間來回穿梭。

最有趣的一點是，他們團隊共享一個 CLAUDE.md 文件。這個文件就像是給 AI 的「員工手冊」，記錄了專案的最佳實踐。每當 Claude 犯錯，團隊就會更新這個文件，確保 AI 不會重蹈覆轍。這種「集體調教」的方式，對於軟體開發團隊來說，絕對值得借鏡。

OpenAI 的下一步：更像人的語音互動與專屬硬體

當開發者還在優化程式碼時，OpenAI 似乎正準備改變我們與 AI 的物理互動方式。根據 The Information 的獨家消息，OpenAI 正積極整合內部的音訊與語音團隊，目標是在 2026 年第一季推出全新的語音模型架構。

這並非單純的模型更新，而是在為一款「AI 優先」的個人硬體裝置鋪路。這款預計在一年後問世的裝置，據稱將具備極高水準的情感表達能力，語音聽起來將更加自然、富有情緒。

更關鍵的技術突破在於「即時中斷處理」與更快的反應速度。想像一下，就像和真人聊天一樣，你可以隨時插話，而 AI 能自然地停頓並回應，不再是那種呆板的一問一答模式。這種主動式的伴侶型 AI，或許正是 OpenAI 想要搶佔的下一個入口。

DeepSeek 技術詳解：解決超連結架構的「身分危機」

在學術領域，DeepSeek 團隊剛剛發布了一篇極具份量的論文 mHC: Manifold-Constrained Hyper-Connections，針對大型模型的基礎架構提出了重要的改良。

什麼是 mHC？

這項研究是為了解決「超連結（Hyper-Connections, HC）」架構在擴展時遇到的瓶頸。雖然 HC 通過擴展殘差流（Residual Stream）的寬度提升了性能，但也破壞了殘差連接中最重要的「恆等映射（Identity Mapping）」屬性。簡單說，當模型變深時，訊號在傳遞過程中容易失真，導致訓練不穩定。

他們如何解決？

DeepSeek 提出了一種名為「流形約束超連結（mHC）」的方法。這聽起來很艱深，但核心概念是：

• 流形投影：他們將殘差連接的矩陣限制在一個特定的幾何空間內（Birkhoff 多胞形）。
• 雙重隨機矩陣：強制讓矩陣的行與列之和都為 1。這使得訊號傳遞變成了一種「凸組合（Convex Combination）」，就像是將特徵進行加權混合，而不是無限制地放大或縮小。

實際效果

這種設計恢復了訊號的守恆性，讓深層網路的訓練變得異常穩定。實驗顯示，在 27B 參數的模型訓練中，mHC 不僅解決了梯度爆炸的問題，而且只增加了約 6.7% 的計算開銷，卻換來了更強的可擴展性與穩定性。這對於未來構建更大規模的基礎模型來說，是一個相當關鍵的技術基石。

我們可以把這個技術突破拆解成三個簡單的階段：

1. 問題：原本的加強版設計（HC）像是個「誇張的傳話者」

想像我們在玩一個有 100 層樓高的「傳話遊戲」（這就是深層神經網絡）：

• 傳統架構（ResNet）：就像你在每一層樓都安分地把訊息傳給下一層。雖然穩定，但資訊傳遞的通道比較窄（單一車道）。
• 超連結架構（HC，Hyper-Connections）：這是之前的改良版。它把通道拓寬了（比如變成了 4 線道），允許資訊在不同車道間交換。
  • 它的問題：在交換資訊時，它沒有規則。上一層傳下來的聲音，到了這一層可能被無限制放大。
  • 結果：就像一個人在傳話時喜歡加油添醋。傳了幾層之後，原本的一句「你好」，可能變成了震耳欲聾的尖叫（訊號爆炸/梯度爆炸）。這導致模型在訓練時非常不穩定，甚至訓練失敗。

2. 解決方案（mHC）：嚴格的「音量總量管制」

DeepSeek 的 mHC（流形約束超連結） 其實就是給這個傳話過程加上了一個嚴格的數學規則，這個規則叫做「雙重隨機矩陣」，我們可以把它想像成**「100% 配額制」**。

• 什麼是「流形約束」？ 這聽起來很難，其實就是規定：不管你怎麼混合資訊，總量必須保持不變。
• 怎麼做？（行與列之和為 1） 想像你在調配一杯果汁（混合特徵）。
  • 原本的 HC：想加多少水就加多少，想加多少糖就加多少。結果杯子滿出來（數值爆炸）。
  • 現在的 mHC：你的杯子容量固定是 100%。如果你想多加 20% 的蘋果汁，你就必須減少 20% 的柳橙汁。你只能重新分配比例，不能憑空增加總量。

這使得訊號在傳遞時，變成了一種「凸組合」（Convex Combination），也就是加權平均。這樣一來，不管樓層蓋得再高，聲音傳遞下去永遠保持清晰、音量適中，不會變成尖叫聲。

3. 效果：用極小的代價換來超級穩定性

這項技術的厲害之處在於性價比極高：

• 穩如泰山：原本訓練到一半會數值崩潰的大模型，現在可以順利訓練了，訊號傳遞變得非常平滑。
• 代價很小：為了維持這個「100% 配額制」，雖然需要多做一點點數學運算（Sinkhorn-Knopp 演算法），但因為 DeepSeek 對底層程式碼做了優化，整體訓練時間只增加了 6.7%。

騰訊 Hunyuan 讓文字動起來：10 億參數的 3D 動畫生成

最後，對於內容創作者來說，騰訊帶來的 HY-Motion 1.0 是一個令人興奮的禮物。這是一個擁有超過 10 億參數的文字生成動作（Text-to-Motion）模型，現已開源。

這個模型採用了 Diffusion Transformer (DiT) 架構，能夠根據自然語言指令生成高品質、流暢且多樣化的 3D 角色動畫。不論是「揮手打招呼」還是複雜的「戰鬥動作」，它都能精準理解。騰訊聲稱這是業界覆蓋類別最全面的動作生成模型，包含 6 大類、200 多種動作。對於遊戲開發者或動畫師來說，這些生成的資產可以直接整合進 3D 流程中，大幅降低了製作門檻。

常見問題解答 (FAQ)

Q1: 為什麼 Meta Llama 4 的基準測試造假事件這麼重要？ 這關乎 AI 發展的透明度與信任。Llama 系列一直被視為開源模型的標竿，如果連頂級科技公司的數據都經過操弄（針對不同測試換用不同模型優化），開發者就無法準確評估模型的真實能力，這會誤導整個社群的技術選擇與資源投入。

Q2: Boris Cherny 提到的 CLAUDE.md 是什麼？有什麼好處？ CLAUDE.md 是一個存放在專案根目錄的文件，專門用來指導 Claude 了解該專案的架構、編碼規範與常見錯誤。這就像是給 AI 的「交接文件」。它的好處是能讓 AI 隨著專案發展「記住」團隊的偏好，避免重複犯同樣的錯誤，實現類似「持續學習」的效果。

Q3: DeepSeek 提出的 mHC 技術主要解決了什麼問題？ 它主要解決了大型模型在使用「超連結（Hyper-Connections）」架構時的訓練穩定性問題。原本的架構容易導致訊號在深層網路中失控（梯度爆炸或消失），mHC 通過數學上的約束（流形投影），確保了訊號傳遞的穩定，讓模型可以做得更深、更大，同時保持高效。

Q4: OpenAI 計劃推出的語音硬體有什麼特別之處？ 不同於目前的語音助手，這款裝置的核心在於更先進的 AI 音訊模型。它將具備更自然的情感表達能力，並且支援「即時中斷」，這意味著使用者可以隨時打斷 AI 說話，AI 也能做出類似真人的反應，目標是創造出真正具備陪伴感的互動體驗。

Q5: 騰訊的 HY-Motion 1.0 可以用在哪些地方？ 它主要應用於遊戲開發、影視動畫製作與虛擬角色互動。開發者只需輸入文字描述（例如「一個受傷的人跛腳行走」），模型就能生成對應的 3D 骨架動作數據，這些數據可以直接導入 Blender 或 Unity 等軟體中使用，省去了大量手工調整動作的時間。