AI 开发者日报

• Qwen3-Max、Qwen3-VL与发布速度：阿里巴巴/通义千问发布了一系列模型：旗舰产品Qwen3-Max（现已成为Anycoder的默认模型）以及开源的Qwen3-VL，后者具备原生256K上下文（可扩展至1M）、支持32种语言的更强OCR功能、2小时视频中的精确事件定位、GUI操作/编码以及领先的风险检测能力。这些发布已登陆Hugging Face、ModelScope、GitHub和阿里云Model Studio；社区平台迅速接入（例如Yupp添加了Qwen3 Max和Qwen3 VL 235B A22B Instruct/Thinking；LMArena添加了三款Qwen3模型）。阿里巴巴宣称其发布速度无与伦比（约每月3.5次发布，多数为开源权重），并在云栖大会上讨论了多年基础设施路线图，评论指出其拥有“520亿美元战争基金”和重大计算规模扩张声明。详见公告和讨论：@huybery、@huybery关于Qwen3-VL、@Ali_TongyiLab（VL发布）、Anycoder默认设置、Yupp添加Qwen模型、LMArena添加Qwen3、发布速度、云栖大会回顾、高管剪辑/路线图。

• Qwen3-Coder-Plus与API改进：编码系列获得了针对性升级（终端任务处理、脚手架适配；API修复），在WebDev Arena和智能体工具链中显示出早期竞争优势。详情：API更新、WebDev Arena提示词。

• GPT-5 Codex（智能体优化版）正式上线：OpenAI的"Codex"变体现已集成到API和智能体工具中。亮点包括：最高400K上下文长度，具有"自适应推理"能力，可根据任务复杂度动态调整思考深度（简单任务消耗更少token，复杂任务消耗更多），定价约为每百万token 1.25/10美元。该模型已集成到Cline平台（带有"思考滑块"功能），并正在Web开发竞技场和智能体工作流中进行基准测试。相关链接：API可用性、Cline集成、Cline详情、WebDev竞技场。现场报告比较了长上下文和智能体运行时与Sonnet/GPT-5的吞吐量：示例、长上下文检索对比。

• Meta FAIR的Code World Model (CWM) 32B（研究版）：Meta发布了基于研究许可的32B密集模型开源权重，该模型将代码生成框架化为使用代码执行世界模型进行规划。报告成绩：SWE-bench Verified通过率65.8%、LiveCodeBench通过率68.6%、Math-500通过率96.6%、AIME 2024通过率76.0%。技术报告、权重和代码均已公开，并附有SEAL/AI安全团队的安全准备报告。相关链接：@AIatMeta、@ylecun、指标总结、安全准备。

• 生态系统更新：GitHub Copilot的新嵌入模型和训练说明（用于更快、更准确的代码搜索）博客链接；Jules智能体现在可对PR反馈采取行动链接；Claude Sonnet 4和Opus 4.1现已集成到Microsoft 365 Copilot中Anthropic。

• vLLM 0.10.2 新增解码上下文并行（DCP）：由 Kimi/Moonshot 贡献，DCP 将 KV 缓存分片到多个 GPU 上以减少重复，在单节点 H200 上可实现高达 8 倍的 KV 容量和2-3 倍的吞吐量——特别适用于 KV 密集型工作负载（强化学习、离线数据生成）。快速开始：vllm serve deepseek-ai/DeepSeek-V3.1-Terminus -tp 8 -dcp 8。链接：@vllm_project、day-0 指南。

• Perceptron 的多模态基础设施：该团队分享了 TensorStream 的设计——一种类似张量的抽象，用于交错的多模态数据，为其训练/推理代码提供动力——并发布了 Isaac 0.1 的技术细节，这是一个强调简单训练配方和鲁棒基础的小型 VLM。关于“复杂性预算”和原生多模态抽象的良好讨论：设计文章、Isaac 报告、评论、抽象 +1。

• MCP 构建者和合规性：Figma 的 MCP 服务器登陆 VS Code（并可在 OpenHands 中使用），用于“设计到代码”流程 VS Code、OpenHands；Weaviate 获得 ISO 27001 链接；AMD 扩大与 Cohere 的合作（在 AMD Instinct 上的模型，主权 AI 姿态）AMD；Modular 筹集 2.5 亿美元以推动其统一的 AI 基础设施平台 Modular。

• 阿里巴巴Wan2.5-Preview（原生多模态）：新架构通过联合多模态训练和RLHF原生对齐文本、图像、视频和音频；支持可控输入（文本/图像/音频）、同步多说话者音视频、1080p 10秒电影级视频，以及更强的图像生成/编辑功能（排版、图表、像素级编辑）。公告

• Runway A2D：自回归到扩散的视觉语言模型：将现有自回归视觉语言模型适配为并行扩散解码，无需从头训练即可解锁速度-质量权衡；来自实习工作的开发预览展示了视觉语言扩散模型的实用路径。@runwayml，作者讨论

• NVIDIA Lyra（3D/4D场景重建）：通过视频扩散自蒸馏从单张图像/视频进行前馈式3D和4D场景生成；权重已在Hugging Face发布。概述，模型

• Kling 2.5 Turbo：内部盲测显示在文本到视频和图像到视频任务上显著优于Seedance/Veo变体；社区短片和竞赛正在推出。结果，竞赛

• RLPT（预训练数据上的强化学习）：通过自监督奖励在预训练语料库上直接进行下一段推理（ASR+MSR）训练——无需人工标注。在Qwen3-4B上报告的性能提升：+3.0 MMLU、+8.1 GPQA-Diamond、+6.6 AIME24、+5.3 AIME25。论文：推文、arXiv。

• APRIL（强化学习中的主动部分回滚）：削减回滚长尾低效问题；在GRPO/DAPO/GSPO上实现高达**44%的吞吐量提升和8%**的最终准确率改进。推文、代码/论文。

• “软标记，硬真相”：首个可扩展的连续思维链强化学习方法；软标记训练匹配离散pass@1性能，并通过提升多样性在pass@32上表现更优；最佳实践：训练用软标记，推理用硬标记。推文、arXiv。

• 有效推理≠更长的思维链：在10个大型推理模型上，更长的推理链和回顾可能与更低的准确率相关。新指标“失败步骤比例”可预测正确性；基于FSF的重排序可将pass@1提升高达**+10%**。推文、arXiv。

• 医学多模态脆弱性：压力测试显示前沿模型通常无需图像就能猜对答案，在微小提示词变化下会翻转判断，并编造有说服力但有缺陷的推理——排行榜掩盖了脆弱性。推文、arXiv。

• 相关：谷歌的测试时扩散深度研究器（TTD-DR）将扩散式迭代优化应用于长文本研究，报告在某些任务上相比OpenAI深度研究器获得高达**74.5%**的胜率，并具有更好的质量-延迟权衡。概述。

• 阿里巴巴的Wan2.5-Preview：原生多模态音视频生成与编辑 — 1453
• Qwen3‑VL开源：256K→1M上下文，32种语言OCR，精确视频事件定位 — 1410.5
• Sam Altman谈阿比林数据中心建设进展 — 9917
• 半导体节点名称（"3nm"、"2nm"）是营销简写，并非字面尺寸 — 9032.5
• Claude Sonnet 4和Opus 4.1登陆Microsoft 365 Copilot — 1265
• Gemini应用达到50亿张图片生成量 — 1123

1. DeepSeek-V3.1-Terminus本地部署突破

您现在可以在本地设备上运行DeepSeek-V3.1-Terminus！ (得分：163，评论：29)：Unsloth发布了DeepSeek‑V3.1 Terminus的动态GGUF量化版本，通过逐层"智能"1位量化，使本地推理仅需约170GB内存（以及约162GB的Ollama就绪版本），将原始约715GB模型缩小约80%。他们的动态3位DeepSeek‑V3.1（思考）GGUF在Aider Polyglot基准测试中得分75.6%——据报道超过Claude‑4‑Opus（思考）——可通过llama.cpp运行，并提供示例Ollama标签hf.co/unsloth/DeepSeek-V3.1-Terminus-GGUF:TQ1_0**；资源：博客文章、HF仓库、指南。图片显示的是动态GGUF与基线和专有模型的性能对比基准图表。**热门评论质疑家庭用户的实用性——询问类似方法是否能压缩70B–200B模型以适应16–24GB VRAM GPU——而其他人则指出高VRAM/内存需求并给予赞扬。

• 关键问题是相同方法是否能让70B或100–200B模型在16–24GB消费级GPU上运行。这意味着需要极端量化/卸载以适应VRAM，家庭用户的实用性取决于此。
• 一位评论者引用内存占用从715GB降至170GB，同时具备"可靠的工具调用能力"。他们希望与GLM-4.5和Qwen进行正面比较，建议在工具使用/代理基准测试上验证质量与压缩比。
• 即使经过缩减，实际部署可能仍需要约~100GB VRAM（"现在需要再找约100GB的VRAM"）。这将超过典型的16–24GB游戏GPU，突显了本地使用的剩余硬件障碍。

2. DIY本地AI硬件：RTX 3080 20GB改装和Ryzen AI MAX+ 395

我的第二块来自中国的改装3080 20GB，用于本地AI推理、视频和图像生成.. (得分：219，评论：101)：OP展示了一块中国改装的GeForce RTX 3080，升级至20GB VRAM（可能是320位总线上的10×16Gb GDDR6X），用于本地AI推理/视频/图像工作负载，选择三风扇散热器而非鼓风机以改善噪音。这款2.5插槽显卡据报道保持良好散热。

价值/性能权衡 vs RTX 3090：3080 20GB改装版仍具有320位总线（~760 GB/s）和比3090的384位总线（~936 GB/s）更少的SM，因此对于既带宽敏感又VRAM敏感的AI/图像工作负载，3090的24GB和更宽总线可能显著更快，并允许更大的批次大小/检查点。鉴于二手3090价格通常在$500左右，评论者认为$500的3080-20GB难以证明合理性，除非价格接近$350——否则3090（或即将推出的24GB下一代选项）是更好的选择。规格参考：RTX 3080、RTX 3090。

• 使用3GB（24Gb）GDDR6X实现30GB 3080的可行性：理论上，10×24Gb芯片将在320位GA102上产生30GB，但这取决于GA102的内存控制器/BIOS是否支持24Gb密度和正确的时序配置——没有零售GA102板卡配备24Gb设备，因此兼容性未经证实。即使VBIOS识别，没有AIB级固件支持，稳定性/散热和内存训练可能存在问题。美光已采样24Gb GDDR6X芯片，使容量在纸面上合理：美光24Gb GDDR6X。

Ryzen AI MAX+ 395是真正的独角兽（褒义） (得分：218，评论：205)：OP评估了128GB Framework桌面主板（AMD Ryzen AI Max 300系列）用于本地AI推理的成本/性能，与具有类似规格的DIY桌面比较。可比的DIY零件清单（寻求4通道DDR5 ≥8000 MT/s）总计约$2240：消费级4通道DDR5主板>$600，通过Ryzen 9950X3D实现与395 MAX+"等效"的CPU~$660** + Noctua NH‑D15~$130，128GB DDR5‑8000 (4×24 GB)~$450，以及类似于板载iGPU的dGPU（RTX 4060/4060 Ti 16 GB)~$400。OP认为Framework主板的统一内存避免了GPU访问大模型权重时的PCIe带宽/延迟惩罚，而离散构建将消耗≳2倍功率（更多热量/噪音；参考房间加热帖子）。他们补充说，Apple M4 Pro/Max具有更高带宽但扩散吞吐量较差，成本约为2倍以获得类似RAM/GPU，而真正更高吞吐量的Nvidia设置（例如4× RTX 3090）则昂贵得多且耗电；编辑：引用的9955HX3D不支持4通道内存——Threadripper可以，但内存速度较慢。**热门回复要求具体基准测试（"数字"），并建议如果AMD推出256GB统一内存可能带来阶跃式改进。一位评论者推荐在相同预算内使用RTX 5080进行扩散工作负载（VRAM > 系统RAM），同时同意对于LLM，更大的统一内存（128GB+）对于更大的上下文和模型占用空间是有利的。

• 工作负载适应性和内存与吞吐量权衡：评论者指出，对于扩散/视觉工作负载，RTX 5080级GPU在相似价格点上将表现更佳，且图像/视频不需要128GB RAM。对于LLM，更大的系统/统一内存更有价值（适应更大模型/上下文），与"卡车（容量）vs跑车（吞吐量）"类比一致；假设的256GB统一内存SKU被视为LLM用例的市场变革者。
• 带宽瓶颈担忧：一位用户指出"

3. LLM性能增长声明和炒作反应

大模型性能每7个月翻倍 (得分：152，评论：57)：帖子断言一个经验性的"AI摩尔定律"，即大模型能力大约每~7**个月翻倍，通过进度图表（图片）说明，并构架为基准测试性能的持续指数增长。该声明呼应了先前关于加速AI进展的解释，例如Computerphile对AI类似摩尔定律的概述（视频）；帖子本身未详细说明方法或聚合了哪些基准。**评论者强调成本与质量同步下降（token/模型定价下降），归功于开源竞争带来的价格压力；其他人认为该观察并不新鲜，指出早期报道如Computerphile视频。

图表方法批判：它似乎将LLM能力转换为"人类完成任务时间"，并对每个任务使用50%成功阈值，这高度主观且任务依赖。提出的例子："在网络上查找事实"可能从几秒到几天不等，取决于具体性；"为定制芯片优化代码"定义不清，可能跨越数小时到数月；而"创办新公司"在167h不是一个有意义的、可测量的单位。没有标准化基准和精确任务规范，像"每7个月翻倍"这样的声明存在 cherry-picking 和歪曲真实进展的风险。

• 成本/性能动态：评论者指出能力提升伴随推理成本下降，开源模型加剧价格竞争。从业者仍依赖2024–2025开源模型如Mistral、Llama 3.1和Qwen 2.5 Coder，暗示感知改进是任务和部署依赖的；成本/性能权衡（例如本地推理 vs API）、稳定性和工具链可能超过头条"翻倍"指标。报告能力和$/token或$/任务将更好地捕捉真实世界价值。
• 先前关于缩放的文献：链接的Computerphile视频，AI版的摩尔定律？（https://www.youtube.com/watch?v=evSFeqTZdqs&t=1s），回顾了LLM缩放趋势，并区分了硬件驱动的FLOPs/$增益与算法效率改进，这些共同创造了明显的能力翻倍。它将进展构架为来自更大模型、更好训练数据/配方和推理优化，警告不要将单一"翻倍周期"视为跨任务通用。

哦我的天，这是什么怪物？ (得分：590，评论：124)：**图片（图表）似乎是一个基准排行榜，其中多个LLM在任务上达到接近或正好100，表明评估已饱和/达到天花板，无法再区分顶级模型。评论者指出，中国前沿模型位于或接近图表顶部，暗示与领先西方模型的性能持平。**显著观点："如果模型得分100，那么这是一个无用的基准"，认为指标已失去区分力；其他人强调中国模型已达到前沿水平，而一位批评者批评纵向模式截图的方形图表可读性差。

• 基准饱和担忧：如果模型达到100，表明存在天花板效应和弱区分力。这增加了过拟合/测试污染的风险，并推动社区转向更困难或对抗性套件，如MMLU-Pro和GPQA，以及鲁棒性/长上下文评估，而非仅依赖经典MMLU、GSM8K或HumanEval。参见MMLU 论文、MMLU-Pro 论文、GPQA 论文。
• 多位评论者指出展示的Qwen结果并非"本地"，这很重要，因为API托管模型可能与可下载权重和量化后的本地性能不同。设备上约束（VRAM、吞吐量）和量化（例如Q4_K_M）通常在推理/代码基准上损失~1–5分并改变延迟；例如，运行7B Q4需要约5–6 GB VRAM，14B约9–10 GB，32B约20–24 GB（llama.cpp量化）。
• 中国模型已达到前沿水平的声明与近期报告一致：Qwen2.5、DeepSeek‑V2和Yi系列发布与既定前沿模型竞争的MMLU/GSM8K/MT‑Bench和编码分数。参见Qwen2.5 博客、DeepSeek‑V2 论文和Hugging Face上的Yi模型（Yi‑34B）；确切排名取决于评估设置（提示、CoT、解码）以及测试是否受污染控制。

1. Qwen图像编辑2509版发布：基准测试与工作流程

• Qwen图像编辑原版与2509新版的快速对比：对原始Qwen图像编辑与新版"2509"构建进行并排测试，两者均量化为Q5_K_M GGUF格式并在默认ComfyUI中运行。2509模型需要"QwenImageEditPlus"文本编码器才能正确操作。使用首次样本输出（无LoRA），2509版本在保持源风格和构图方面明显更一致；剩余问题包括表情编辑时的轻微全身比例变化和眼镜蓝色色调丢失。更新的文本编码器还观察到约5-10%的速度提升。示例图片。

• QWEN图像生成作为单一源图像到动态宽屏视频概念（WAN 2.2 FLF），使用新版（QWEN EDIT 2509）进行微调：创作者展示了一个ComfyUI流程，将单个Qwen生成的图像通过"WAN 2.2 FLF"工作流程转换为动态宽屏视频，并使用"QWEN 2509 EDIT"进行微调。提供了完整的可重现性：CivitAI上的自定义LoRA（链接）、完整的Qwen图像工作流程（pastebin）、WAN 2.2 FLF工作流程（pastebin）和QWEN 2509 EDIT工作流程（pastebin），以及包含所有视频部分/替代方案、图像部分、MP3音乐、.pdn编辑文件和每个阶段提示词的ZIP存档（Drive）。

2. 游戏中的AI：Among Us欺骗基准测试与Veo-3游戏视频

• 研究人员让AI玩Among Us来测试它们的欺骗、说服和心理理论能力。GPT-5获胜。：来自4wallai（"Among AIs"）的报告声称通过让智能体玩Among Us风格的社会推理游戏来基准测试大模型的欺骗、说服和心理理论能力（报告）。共享的图表显示"GPT-5"排名第一，Anthropic的Claude Sonnet排名第二。

• 如果他们制作了一款关于斯大林生平的游戏：OP分享了一个据称使用Google的Veo-3生成的短历史片段（Veo），描绘了斯大林的早期生活和巴巴罗萨行动的初始阶段。评论者指出许多视觉效果与《荒野大镖客2》资源难以区分，斯大林在1880年代以成人形象出现，可能是由于视频生成模型不允许渲染未成年人的内容安全限制。

3. ChatGPT照片编辑与AI文化讽刺项目

• 要求chatgpt从我的婚礼照片中移除我的父亲。：用户使用ChatGPT的图像编辑功能从婚礼照片中移除一个人；生成的输出显示出全局身份/属性漂移和面部伪影：女性的眼镜消失，儿童的耳朵形态改变（"半精灵"），几个面部显示纹理/几何不匹配，产生诡异的"皮行者"外观——这是在生成填充过程中实例分割和身份约束较弱时的典型故障模式。

• 文化讽刺：OP表示标题为"文化讽刺"的视频是使用生成式AI制作的："大多数图像是用ChatGPT制作的。它也帮助我进行编辑。"评论者声称该作品是衍生品，称其为Neural Viz的"公然"抄袭，并建议查看Neural Viz。

4. 其他AI社区动态

• 竞赛已经开始：非技术性梗图暗示AI军备竞赛以电力消耗（引用"1 TW"数字）而非模型能力或效率来衡量。评论者质疑使用功耗作为竞争指标的相关性。

• 我几乎要被这些建议逼疯了。：OP显示ChatGPT UI在GPT-4.1上的行为，助手反复注入硬编码的后续提示——"你想让我建议另一个主题还是继续当前主题？"——即使在明确指示停止后也是如此。这表明这是服务器端/产品UX功能，无法通过提示控制。

• Chrome DevTools MCP让AI代理掌控方向盘：谷歌宣布Chrome DevTools MCP进入公开预览阶段，允许AI编程代理（Claude Code、Cursor、VS Code、Gemini）通过CDP/Puppeteer控制实时Chrome浏览器，只需一行npx安装命令即可实现性能追踪、DOM/控制台检查、截图和网络捕获功能，详情可见Chrome DevTools MCP（公开预览）。

开发者们特别强调了一行npx安装的便捷性，并讨论了将MCP与Claude Code和Cursor配对使用，实现完整的浏览器调试和端到端测试循环。

MCP服务器为本地代理注入强大动力：Cursor用户澄清MCP服务器作为代理的API接口，支持使用exa.ai进行网络搜索、分析以及集成Playwright MCP、Context7、Azure DevOps MCP和GitHub MCP等功能，以自动化本地编程工作流。

• 他们将MCP定位为统一协议，让代理能够在编辑器和CLI中组合各种能力（搜索、运行、分析），形成智能编程循环。

规范审查强化MCP语义：贡献者指出模型上下文协议——嵌入式资源暗示资源"title"在schema.ts中缺失，并在issue #1533中开启了关于ReadResourceResult.contents数组的讨论，以澄清多部分网络资源。

• 他们讨论了为无法通过读取调用检索的嵌入式资源同时添加title和name字段，并建议使用Claude Code起草SEP作为"良好测试"。

• Gemini Live支持语音对话和函数调用：Google的Logan Kilpatrick宣布推出Gemini Live模型，具备原生音频功能、改进的函数调用能力以及更自然的对话体验，相关信息分享在Gemini Live模型上。

早期测试者称赞了对话流畅度和口音识别，但也指出了iOS Safari兼容性问题、背景噪音敏感度、会话时长限制以及语音转文本准确度方面的担忧。

GPT-5 Codex在Livebench上的表现：Perplexity用户报告GPT-5 Pro（又名GPT-5 Codex）正在livebench上进行评估，提到模型思考时间较长，有时只生成一半的答案。

• 社区成员询问Perplexity是否在GPT-5 Codex上存在可靠性问题，暗示该模型可能仍处于迭代中期。

4o在常识性测试中胜过GPT-5：OpenAI社区帖子声称4o在基于图像的常识性测试中击败了GPT-5，引发了关于实验设置和有效性的讨论。

• 怀疑者提醒道，"在没有听到GPT-5的推理过程之前很难下定论"，指出模型可能推断出提问者是在开玩笑。

• PTX一致性通过Dat3M实现形式化验证：工程师们提出了《NVIDIA PTX内存一致性模型的形式化分析》以及关于复合/统一GPU内存模型的后续研究，使用Dat3M工具将PTX/Vulkan转换为Dartagnan进行验证。

他们指出了自动识别缺失的PTX栅栏，并建议将此类检查移至NVVM IR层以便更早发现问题。

追求最小化Hopper TMA矩阵乘法：社区寻求在原始CUDA中实现最小化的Hopper TMA矩阵乘法内核（不使用CUTLASS/Triton），灵感来自FAIR的新因果世界模型(CWM)论文，而其他人在使用WMMA+TMA时遇到了未指定的启动失败。

• 调试线程分享了ncu性能分析技巧，用于解决共享内存bank冲突问题，以及在CUDA图形/纹理API未定义时的头文件包含修复方法。

ThunderKittens在H100 TMA上遇到问题：ThunderKittens的H100矩阵乘法在CUDA 12.8/PyTorch 2.7 nightly环境下运行时崩溃，并分享了完整的日志和构建细节以便复现问题。

• 作者表示nvshmem支持将在后续版本（论文2）中提供，根据附件图片所示。

• Modular获得2.5亿美元融资，打造统一计算层：Modular宣布完成2.5亿美元融资，旨在加速AI统一计算层的开发。该公司将这一进展归功于社区的发展势头，并承诺将加快功能交付速度。

团队成员邀请潜在贡献者通过社区渠道直接联系，预示着未来一年将采用更开放的协作模式。

Mojo瞄准Metal GPU，推出自定义Bitcode：开发者对Mojo中新增的Metal GPU目标表示欢迎，其中包括一个自定义bitcode写入器，该工具可被复用以将领域特定语言（DSL）定向到Metal GPU。

• 开发者询问该bitcode写入器是否可用且可复用，着眼于实现领域特定编译器的跨栈可移植性。

• 灵活提取在GSM8k上的表现：在GSM8k v3（5-shot）测试中，flexible-extract方法获得了0.3594的精确匹配分数，表现不如strict-match的0.5742分，这让追踪提取鲁棒性的评估者感到意外。

一位成员开玩笑说*"哈哈，灵活怎么会比严格还差"*，引发了关于精度优先匹配与宽松提取的激烈讨论。

思维链：少即是多：实践者警告说，过重的**思维链（CoT）**可能会损害"思考型"模型的性能，并分享了一个交互式CoT信息图（React组件），包含任务预设、可见性切换和延迟滑块功能。

• 他们主张采用结果导向的提示词方法（如角色扮演、先验证再回应），而不是强制使用冗长的CoT，并建议通过实验验证而非套用模板化的CoT。

视觉语言模型挑战LLM提示词习惯：研究人员呼吁为视觉语言模型（VLM）提示词建立基准测试和可解释性研究，指出常规的LLM提示词技术在视觉语言模型上往往表现不佳。

• 提出的解决方案包括机制解释探测和探索LLM版的CFG（概念-特征图），以桥接概念并填补知识空白。