#开源生态

四个 16B 后训练检查点加四阶段配方可复用，能落到视频产线与本地模型部署，代价是要 Linux 加 NVIDIA GPU 和 Docker，且短跑通不等于收敛。

能拿走的是稠密 65B 做智能体编码的配方，含 ladder 实验筛选、长上下文 SFT 与截断重要性采样加长度惩罚的 RL，代价是知识类与 MCP 调用明显偏弱。

Hy4 首次加入视觉理解与 computer-use，并在 Blender、CAD、UE/Unity/Godot 上做专项训练，可接到视频产线和本地模型部署两条线；权重和系统卡要等几天后才放出，现在只能走 API 或腾讯云。

可借鉴的是长程 Agent RL 的 partial rollout 异步训练与 F2P/P2P 环境合成流水线，能落到软件工厂的代码任务训练；代价是需自建可交互环境并处理样本陈旧性带来的梯度偏置。

能拿走的是六步去噪加两套 LoRA 适配器的组合，把 50 步教师模型蒸馏到 6 步且合并适配器后不增加步数，可接到视频产线的草稿筛选环节；代价是要有 MiniMax H3 基础权重和本地推理环境，1080P 以上增强仍得走 Pika API。

原文只有摘要，没给训练配置、权重下载方式或复现步骤，能拿走的只有万亿参数、原生多模态、开源权重这几个规格，本地部署前得先掂量显存和推理成本。

可拿走 Granary v2 四阶段数据管线和 NeMo Speech 微调配方（编码器+投影训练、LoRA 调语言模型、按解码结果选 checkpoint），落到本地模型部署与知识沉淀线；代价是需自备至少 100 条真实标注片段做选点，且通用英文 WER 会小幅上升。

六个 2B 级模型共用一个 backbone，单卡微调即可落地，文本模型 4-bit 约 1GB 可塞进端侧；代价是各模态需分别选型，d1 系列只输出结构化判断而非生成文本。

能拿走的是结构化 JSON Layout 加 Bounding Box 控制构图、4096 tokens 长提示词和 Prompt Enhancer Skill，可落到海报电商图产线；代价是官方 50 步采样，需靠社区 8 步/4 步加速和 INT8、GGUF 量化压显存。

能拿走的是 API 降价 33% 与 100 万 token 上下文这两个可算账的参数，可落到本地模型部署和 Agent 长上下文任务；代价是 2.8 万亿参数对硬件要求高，且开源权重版剔除了网络安全数据，漏洞类任务会弱一截。

能拿走的是后训练加算力、数百下游领域联合强化学习这条路线，以及剔除网络安全数据换安全表态的取舍；落到编码智能体和本地部署选型上，代价是输出 token 多 14%、订阅额度消耗快。

能拿走的是 40B 总参 2.5B 激活的 MoE 配置、lm_head 量化到 4 bit 再用 16 bit 教师离线蒸馏补精度、以及 Metal megakernel 融合整个 decode 前向，可落到本地模型部署和编码 Agent 这条线；代价是要 48 GB 内存的 Mac 或 GPU，Terminal-Bench 2.1 只有 54.9%，弱于稠密 Qwen 3.8 的 73.0%。

三个模型按精度、端侧速度、说话人归属分工选型，2B 版支持 2000 词关键词偏置和语言 ID 提示词，代价是关键词表要自己维护、格式化输出得在提示词里显式要求。

开源权重加训练配方和数据集，可拿 120B 的 Super VL 做多模态文档解析与工具调用，或把 Bolt 74B-A9B 用 2-bit 量化塞进 24GB 本地跑 agent，代价是要自己接 NeMo 做后训练。