[鸭哥 AI 手记] 2026-08-30: 模型不是没学过，是这次没取出来

懒人包：前沿模型已把 95–98% 的维基事实存进权重，闭卷直接问仍有 26–34% 答不出来，答错不等于没学过。鸭哥昨天发了 2 篇 AI 文章，模型答错事实题，先分清是没存进去，还是这次没取出来 把存储与提取失败拆成两张预算表，给出了一套排查故障的阶梯。另一篇 多模态模型的价值，不在看懂图，在会自己去看 展现了三家实验室的最新演示，多模态正从静态输入转向主动观察的感知闭环。

维基事实已存进权重，卡住模型的是闭卷提取

Google Research 团队用约 450 万条回复，把答错等于没学过这个直觉测了一遍（Google Research 博客）。他们在 ICML 2026 论文 WikiProfile 里，测试了 13 个模型对 2150 条维基事实的编码，发现前沿模型在编码阶段存进去了 95% 到 98% 的事实，但在 closed-book 问答中，直接提问的失败率依然在 26% 到 34% 之间（arXiv 论文）。团队已将 WikiProfile 基准开源（HuggingFace 数据集）。

同一个错误其实有两种病因：没存进去的存储失败，和存了但这次没取出来的访问失败。一个管进货，一个管取货，坏起来是两种坏法。但现有评测把这两种失败记在同一个账本上，导致大家一门心思去买第一种药，拼命堆语料、堆参数或者无差别做 RAG，钱花错了方向。

以 Gemini-3-Pro 为例，热门事实的 closed-book 召回率有 84.6%，冷门事实只剩 63.3%，差了 21.3 个百分点。但在编码阶段，冷门事实和热门事实在权重里的存在状态其实只差 5 个百分点左右。冷门事实的大部分早已存进了参数，卡住的是提取过程。

比如 Oasis 在 Boardwalk 俱乐部首演这道题，模型答不出来，多半只是这次没想起来，而不是权重里一片空白。Gemma3 的参数量从 1B 扩到 27B，虽然编码失败率从 85% 降到了 23%，但在剩下的错误里，提取失败的占比却一直在上升。

开思考能救回这个提取环节。实验显示，thinking 能救回 40% 到 65% 已编码但 closed-book 答错的事实，而对于压根没编码进去的事实，thinking 只能救回 5% 到 15%（arXiv 论文）。这种开思考的过程，就像是在权重里翻找已经存进去的记忆（Thinking to Recall 博客）。

比起 Self-RAG 这类自适应检索方案，这种区分更直接。Self-RAG 把没存进去和存了没取出混在同一个开关里，模型答不出就立刻检索，既浪费算力，也掩盖了提取环节的缺陷。鸭哥在 模型答错事实题，先分清是没存进去，还是这次没取出来 里把两种失败拆成了两张预算表。排查线上事实性故障时，顺着换问法、选项核验、开思考、外部检索的阶梯，从便宜的往贵的走，就能看清什么时候才真的需要触发检索。

---

从看懂图到会自己看，多模态模型的价值移向感知闭环

同一个月里，三家实验室互不通气地发布了同一种演示：模型自己渲染、观察并修正视觉产物。视觉理解正从静态输入，变成模型主动发起的感知闭环。这个自我验证闭环的方向与 Agentic RAG 正好相反：RAG 是从世界到模型，这是从模型到世界再回到模型。

多模态模型的价值轴，正从看懂图移到会自己去看。这需要模型自主决定什么时候观察、看哪里，以及要不要回头检查自己的交付物。为了衡量这种自我检查能力，Meta 开源了 WildArtifactBench，用 agentic 裁判和人类裁判做各约 2000 次成对比较，来拟合 Elo 分数（WildArtifactBench）。

在实际开发中，GLM-5.3-Flash 的官方材料里专门设了 Vision in the coding loop 章节，列出的八个最佳实践全是渲染、观察、修正再渲染的循环（GLM-5.3-Flash 发布页）。与此类似，Meta 的 Muse Spark 1.2 能把一段度假屋的视频，直接转成可以正常交互的预订页面。Meta 已经官宣开放权重，但权重文件目前还没上线（Meta Muse Spark 1.2 博客）。

另外得帮大家理清两个模型。8 月中旬登顶开源榜的是 GLM-5.3，发布时没放权重。而原生多模态版本 GLM-5.3-Flash 的权重于 8 月 25 日在 HuggingFace 上线。这是一个全新的 base 模型，采用 320B 总参数、18B 激活的 MoE 架构，支持 1M 上下文，并在 HuggingFace 页面上写着 MIT license。发布前一周，它在 OpenRouter 上以匿名模型 Ox Alpha 跑流。

多模态的推理成本也在往下走。像 DeepSeek 的 V4-Flash-Vision-Exp，不仅在演示里提供了黏土怪物的前端 demo，而且直接和文本版 V4-Flash 同价，图像输入每张最多按 384 token 计费（DeepSeek V4-Flash-Vision-Exp 上线新闻）。工程师做选型，更得看交互闭环，不能只盯着静态看图的得分。

翻找存进权重里的记忆，和主动去看自己刚生成的画面，这两件事其实共享了同一个动作：模型自己主动发起去拿信息，而不是在原地等待输入。鸭哥在 多模态模型的价值，不在看懂图，在会自己去看 里建议，随着主轴改变，多模态模型的选型检查清单也得跟着换了。

---

也值得知道

Anthropic 8 月 27 日发布 Model Hardware Standard：这个共享规范能让 agent 安全操控显微镜和机械臂，把感知与行动的闭环从屏幕延伸到实验台（Anthropic 官网）。

腾讯混元 8 月 28 日开源 Hy4-preview：这个模型有 770B 总参数和 49B 激活参数，支持 1M 上下文，权重已在 HuggingFace 上线（HuggingFace 页面）。

Claude Code 8 月 29 日发布限额调整：虽然基线永久上调 25%，但随着临时增加 50% 的促销到期，活跃用户每周实际可用量将净降约 17%，调整在 9 月 14 日生效（BleepingComputer 报道）。

---

本期由 AI 基于鸭哥已发布文章和公开资料整理生成，请注意甄别幻觉。

订阅本 newsletter：daily.yage.ai