端云协同模型挑战ARC-AGI 3，腾讯发布EVIE视觉检索模型

端云协同模型在ARC-AGI 3任务中崭露头角

最近，一个由菲尔兹奖得主参与的方案尝试将端侧小模型与云端大模型结合起来，挑战ARC-AGI 3这一复杂推理任务。具体做法是用40亿参数的Qwen模型部署在终端设备上，负责初步感知和轻量推理，再将关键中间结果传给云端的GLM模型进行深度处理。这种分工在理论上能兼顾响应速度与推理能力。

目前公开的信息显示，该组合在ARC-AGI 3的部分子任务上取得了比单一模型更好的结果。不过，完整的评测数据尚未公布，团队也未说明具体如何分配计算负载、通信延迟是否可控等细节。这类端云协同架构听起来很理想，但实际落地时往往卡在工程细节上——比如网络波动导致的超时、端侧算力不足引发的卡顿，或者隐私敏感数据是否真的需要上传。

值得注意的是，这并非首次尝试端云协同。过去几年已有不少研究探索类似思路，但多数停留在论文阶段。这次之所以引人关注，一方面是因为参与者背景特殊，另一方面ARC-AGI 3本身对常识推理和抽象泛化要求极高，传统大模型都未必能稳定应对。如果真能靠一个小模型加一个中等规模云端模型搞定，那对边缘AI设备会是个好消息。

腾讯EVIE：专注视觉文档检索的新模型

腾讯近期发布了两款视觉文档检索模型：EVIE-8B和EVIE-4.5B。它们的目标很明确——从包含图表、表格、文字混排的PDF或扫描件中快速找到用户需要的信息。这类任务对办公自动化、法律文书处理或学术研究都很实用。

在ViDoRe V3基准测试中，EVIE-8B拿到了66.75的nDCG@10分数。这个指标衡量的是检索结果的相关性排序质量，分数越高说明模型越能把最相关的文档片段排在前面。作为对比，此前开源模型在这个任务上的表现普遍在60以下。虽然腾讯没提具体训练数据规模或硬件配置，但能提升近7个百分点已经算显著进步。

模型权重已上传至Hugging Face，开发者可以直接下载试用。从社区反馈看，EVIE对中文文档的支持不错，尤其擅长处理带复杂表格的财报或技术手册。不过也有用户指出，当文档图像质量较差（比如手机拍摄的模糊照片）时，识别准确率会明显下降。这提醒我们：再强的模型也受限于输入质量。

Ego Lite澄清隐私问题，承诺修复技能误触发

本地AI助手Ego Lite最近卷入一场隐私争议。有用户发现，即使关闭了“上传分析”选项，某些操作仍会触发后台数据传输。团队随后在社交媒体上回应，称这是隐私条款文本复用旧模板导致的误解，实际浏览数据从未上传服务器。

更关键的问题是“Skill误触发”——比如用户只是随便点开一个网页，Ego Lite却自动启动了“总结全文”或“提取联系方式”等功能。这不仅耗电，还可能让用户感到被监视。开发团队承认这是当前版本的设计缺陷，下个更新将加入更精细的触发条件控制，比如要求用户明确选中文本或点击特定按钮才激活技能。

这类问题其实反映了本地AI工具的普遍困境：既要提供智能服务，又不能过度干预用户操作。理想状态是“随叫随到，不请不动”，但实现起来很难。Ego Lite的快速回应算是积极信号，至少说明团队在认真对待用户反馈。

开发者用Lemonade搭建本地Copilot

对于不想依赖GitHub Copilot订阅服务的程序员来说，Lemonade提供了一个替代方案。这个开源工具能将VS Code与本地运行的大模型连接起来，实现代码补全、错误解释甚至单元测试生成。

社区教程显示，只需在VS Code安装Lemonade插件，再配置好本地模型路径（比如Qwen或CodeLlama），就能获得类似Copilot的体验。优势很明显：代码完全留在本地，不用担心泄露；长期使用成本也更低，尤其适合个人开发者或小团队。

当然，体验上仍有差距。本地模型的上下文理解能力通常弱于云端大模型，复杂项目中的跨文件引用支持也不够完善。但考虑到硬件门槛正在降低（一张3090就能跑7B模型），这种方案对注重隐私和成本的用户很有吸引力。有人甚至用它配合Ollama，在MacBook上实现了基础代码辅助。

OpenAI Computer Use实测：频繁操作Chrome会中断任务

有用户分享了使用GPT-6 Astra的Computer Use功能完成实际工作的经历：一口气发布了两个iOS应用和一个Obsidian插件。整个过程由AI控制鼠标键盘操作开发工具，听起来很高效。

但实测也暴露了一个问题：如果用户在AI执行任务时手动频繁操作Chrome浏览器（比如切换标签页、滚动页面），Computer Use会突然暂停，提示“检测到用户干预”。这可能是出于安全考虑——防止AI在用户不知情时继续操作。但对于需要中途查资料或调试的场景，这种设计反而打断工作流。

更麻烦的是，一旦暂停，任务往往无法自动恢复，得重新开始。这对长时间自动化任务很不友好。目前尚不清楚OpenAI是否会调整这一策略，但至少提醒我们：现阶段的AI操作系统代理还远未达到“无缝协作”的程度。

其他动态：Agent记忆与机器人变形

一篇教程详细拆解了如何让AI Agent记住用户偏好和历史对话。核心思路包括：用向量数据库存储关键信息、通过上下文压缩减少token占用、设置记忆有效期避免信息过载。这些方法对构建个性化助手很有帮助，但实现起来需要不少工程投入。

硬件方面，一款能在3秒内完成形态变换的机器人据称已销往全球50个国家。不过报道没提具体技术细节，比如驱动方式、续航时间或应用场景，更像是概念产品宣传。在AI领域，这类“已商业化”的说法常常水分较大，需谨慎看待。

总体来看，本期动态透露出几个趋势：端云协同正从理论走向实践，本地工具链越来越成熟，但用户体验细节仍是瓶颈。无论是模型性能还是产品设计，离真正“无感智能”还有不小距离。