AI前沿：从开放权重到开放研究——Eiso Kant、Poolside AI
摘要
Poolside 认为，真正可持续的资产是模型工厂，而不是任何一个单独的 checkpoint。 在不到70名研究员和约35名工程师的配置下，公司称每月运行10,000–20,000个实验，曾在5周内把一个模型从预训练推进到交付，Laguna S则用了8周；今年除新训练启动前6小时内的配置修复外，没有发生有意义的值班事故。目标是让每个 checkpoint 都只是“又一次发布”，模型本身不过是“某个人流程留下的产物”。
开放源代码的转向是一次前沿到来之前的治理选择：Eiso Kant 宁愿身处一个有100家基础模型公司的世界，也不愿只成为5家公司之一。 单独发布权重只是“二进制文件”，无法复现一个实验室；发布实验过程和工程经验才是影响更大的贡献。Poolside并不假装经济模式或安全政策已经解决——公司仍没有完整的开放基础模型商业模式，也预计未来终究需要重新评估滥用阈值。
Laguna S提出了一个具体的小模型判断：行为可以弥补远超预期的参数规模差距。 该稀疏模型总参数量为118B，激活参数为8B，在DGX Spark上的运行速度约为30–40 tokens/秒，据称解决了 Erdős 397，目前还在处理一个不使用外部库和互联网、为 macOS 制作 Wi-Fi 扫描器的请求。Poolside 发言人将其优势归因于“更多验证、更少想当然、不提前宣布胜利，以及强得多的坚持”，同时明确表示 Fable 和 5.6 整体仍然更强。
如果对大多数知识工作而言，坚持比原始智能更重要，那么经济上最优的模型规模可能会比Poolside此前设想的更早到来。 Poolside将知识工作估算为全球经济的约25%，即$25万亿美元，并提出疑问：ROI峰值究竟在1万亿、5万亿还是10万亿参数，而不是还要再扩大两三个数量级。这个判断将支持模型商品化和开放权重，但Poolside拒绝成为“开放源代码小模型之王”，称自己仍必须跟随前沿竞争者一起扩张。
Poolside更深层的研究押注是：预训练必须学会推理，而不是几乎把行为形成全部留给后训练环境。 Poolside发言人预计强化学习会早于今天所谓的“mid-training”介入，称蒸馏和环境是有用的“药物”，并认为下一个 token 预测“几乎没有榨出”整个互联网所编码的知识。这里的不确定性很重要：发言人“并不确定”简单增加任务环境数量就是通往 AGI 的路径。
Harness 是训练界面，但Poolside不希望它成为产品边界。 公司使用一个只有6种工具的编码 harness，并做少量多 harness“打磨”；Swyx则推动Poolside，如果真把自己称为模型公司，就应直接为 OpenCode 或 Hermes 优化。Eiso更强的预测是，MCP式工具菜单将让位于模型在虚拟机内编写条件代码：“12个月内”，他预计塞入20–40种工具的系统提示词将基本消失。
在Poolside通往AGI的竞赛中，真正的约束变量是日历时间，而不是标题党式的GPU数量。 公司当前的算力规模被描述为10K H200集群；更大的 Laguna M 已进入39天预训练周期，而强化学习仍是墙上时钟的瓶颈，因为任务供给有限，限制了 batch size。因此，Eiso强调低精度训练、prefill/decode硬件专用化和混合芯片RL的重要性，认为它们比一次英雄式训练的名义成本更关键。
Poolside反对限制今天的开放模型，但Eiso拒绝接受“未来所有能力都必须永远开放”的绝对主义主张。 他更倾向于由民主制度负责、针对具体能力制定规则，而不是由单家公司单方面决定；一位共同主持人则指出，任何一个司法辖区都无法替全世界“以安全为先”。警示性的类比是香烟广告监管：一条好的安全规则仍可能巩固寡头，而在2026年冻结模型竞争，就像“最反乌托邦科幻小说的第14章”。
精读
上游暂未提供，后续同步将继续补齐。