模型新发布
Qwen3.7 是本周最值得中国开发者关注的模型发布。它的定位不是「通用能力更强」，而是定向强化了 Agent 能力——工具调用、多步推理、上下文保持。
技术要点：
🔸 工具调用优化：Qwen3.7 在训练中加入了大量工具调用数据，模型能更准确判断「什么时候该调工具、调哪个工具、参数怎么填」。对比 Qwen3.0，工具调用的格式错误率降低了 60%。
🔸 多步推理链：采用 Stepwise Reasoning 策略，模型在执行多步 Agent 任务时能维护一个推理状态栈，而不是每次都从头推理。这对复杂任务（比如多步网页操作）提升明显。
🔸 上下文窗口实用化：虽然标称 128K，但在 32K 以内的 Agent 场景下效果最有保障。超过 64K 后长程检索精度下降，实际部署建议控制在 32K 以内。
对开发者的实际意义：如果你在做 Agent 产品（特别是中文场景），Qwen3.7 是目前性价比最高的选择。API 价格约为 GPT-4o 的 1/8，工具调用能力接近 GPT-4o 水平。
多模态热点
Kling AI 今天发布全球首个原生 4K 视频生成模型。这不是简单的分辨率提升，背后是两条技术路线的选择：
路线一（Kling 的选择）：输出质量优先。 原生 4K 意味着在模型内部就用 4K 分辨率进行计算，而不是先生成低分辨率再超分。优点是画质好、细节丰富；缺点是推理成本高、生成速度慢。
两种技术路线对比：质量 vs 速度
路线二（主流方案）：交互体验优先。 先快速生成 720p/1080p 预览，再通过超分模型提升分辨率。优点是迭代快、用户体验好；缺点是画质细节不如原生 4K。
实际对比：
🔹 原生 4K 生成一段 10 秒视频需要约 8-12 分钟（Kling）
🔹 超分路线生成同样内容约 2-3 分钟（Runway/Pika）
🔹 但 Kling 的画面细节和文字可读性明显优于超分方案
对创作者的建议：做高质量商业内容（广告片、宣传片）时，Kling 的原生 4K 是首选；做快速原型和社媒内容时，超分路线的迭代效率更重要。两个工具搭配使用，各取所长。
Agent实践
Forge 最近展示了一个值得关注的思路：用 Guardrails（护栏）把 8B 小模型的 Agent 稳定性拉到 99%。
核心方法：
Forge Guardrails 三层架构：约束 → 校验 → 重试
🔸 输出约束：对 Agent 的输出做结构化约束（JSON Schema + 枚举值限制），确保模型输出的工具调用格式始终正确。即使模型推理方向错了，格式不会崩。
🔸 重试策略：当 Agent 执行出错时，不是直接返回错误，而是用预设的修复提示让模型重新推理。实验数据显示，一次重试能把成功率从 85% 拉到 96%。
🔸 状态校验：每次工具调用前校验当前状态是否合法（比如「用户未登录就不能调用支付接口」），把错误拦截在调用之前。
一句话总结：小模型 + 好的 Guardrails ≥ 大模型 + 无约束。Forge 的实验表明，8B 模型加三层 Guardrails 的效果接近 GPT-4 原生 Agent 能力，成本只有 1/20。
自动驾驶热点
FSD 入华除了商业影响，技术层面也值得拆解。FSD v13 采用的是纯视觉端到端方案：
架构层级：
FSD v13 端到端架构：纯视觉 · BEV · 端到端轨迹输出
🔸 感知层：8 个摄像头输入 → 共享的 Transformer 编码器 → BEV（鸟瞰视角）空间特征。没有雷达，没有激光雷达，全靠视觉。
🔸 决策层：BEV 特征 → 时序融合模块（融合过去数秒的帧）→ 端到端的轨迹预测。直接输出方向盘角度、油门刹车值。
🔸 规控层：模型输出的轨迹经过安全校验模块（硬编码的碰撞检测 + 交通规则约束）后，才发送给执行单元。
值得国内智驾公司关注的是：特斯拉的端到端方案虽然上限高，但下限也不稳定。Corner case（长尾场景）的处理仍然依赖大量的真实场景数据回传和训练。FSD 入华后，国内道路数据能否帮助特斯拉提升在中国场景的表现，是技术面的核心看点。
GoLongRL 开源了长上下文 RL 训练方案，用 Qwen3-30B 达到了 DeepSeek-R1 的水平。技术亮点是用了分段训练策略——先把模型在小上下文（4K）上做 RL 训练，再逐步扩展到长上下文（128K）。这种方法比一下子用完整上下文训练节省约 40% 的计算资源。
链接：github.com/GoLongRL/GoLongRL
SANA-WM 能在 1 分钟内生成 720p 分辨率的世界模型视频。它不是单纯做视频生成，而是建模物理规律——物体的运动轨迹、光影变化、遮挡关系。这对机器人训练和自动驾驶仿真有直接价值。
链接：github.com/SANA-WM/SANA-WM
Ring-2.6 在 OpenRouter 上架，是今年参数量最大的开源模型之一。基于 MoE（混合专家）架构，推理时只激活部分参数，实际推理成本可控。适合学术研究和需要超大模型做蒸馏的场景。