证据简报
想给智能手表、家居这些小设备塞个 AI，几百 MB 的模型放不下，联网调接口又不安全。 Cactus 团队的 Needle 2 走了条极小路线，将 4500 万参数模型压成一个 14MB 文件，跑起来只吃 28MB 内存。 它专门干三件事，听懂指令去调工具、操作设备、从一段文字里抽出结构化数据。 输出被语法约束框着走，返回的一定是标准格式数据，程序拿来就能用。 每次回答还带一个把握分数，拿得准的自己办，拿不准的转给云端大模型，这个分工想得挺清楚。 GitHub： Python 装上就能用，给函数写好说明它就知道什么
想给智能手表、家居这些小设备塞个 AI，几百 MB 的模型放不下，联网调接口又不安全。 Cactus 团队的 Needle 2 走了条极小路线，将 4500 万参数模型压成一个 14MB 文件，跑起来只吃 28MB 内存。 它专门干三件事，听懂指令去调工具、操作设备、从一段文字里抽出结构化数据。 输出被语法约束框着走，返回的一定是标准格式数据，程序拿来就能用。 每次回答还带一个把握分数，拿得准的自己办，拿不准的转给云端大模型，这个分工想得挺清楚。 GitHub： Python 装上就能用，给函数写好说明它就知道什么
这份简报保留原始来源，摘要和编辑判断都可以回到原文独立核验。
来源署名X · @GitHub_Daily
打开原始来源相关关系来自共同主题、实体、分类、标签与社区语境；每条结果仍保留独立来源回链。
Anthropic 发布 Claude Science（测试版），用于生命科 Anthropic 数字化流程，支持数据分析、图表生成和结果产出，并可把重任务调度到自有 GPU、SLURM 集群或云账户。
为什么重要生命科 Anthropic 团队可在同一工作台处理分析与算力调度，减少研究流程中的工具切换。
原始来源LangSmith 推出 Tuned Evaluators，用于自动评分生产中的 agent 行为，首个指标是 Perceived Error；其称专用模型在基准中超过测试的前沿模型并降低 82% 评估成本。
为什么重要该功能把生产 Agent 轨迹评估产品化，可能降低团队持续评估成本。
原始来源推文提出“Claude Tag 能否替代人”的问题，并用“你的同事会是！？”指向 AI 在同事角色中的替代或协作可能。
为什么重要该问题对应企业工具采用时对人机协作边界和岗位任务替代的判断。
原始来源发帖作者称 TRex 可框选屏幕任意区域并把文字写入剪贴板，支持 PDF、图片、视频画面和二维码识别，还能接系统快捷指令，识别在本地完成。
为什么重要该工具减少远程会议和不可选中文本场景中的手动抄录步骤。
原始来源作者称开源 CLI 工具 Soup 使用 layer streaming，将基础模型放在系统 RAM 中并逐层送入 GPU，可在 4 GB GPU 笔记本上本地微调 8B 模型。
为什么重要它降低了本地微调大参数模型的硬件门槛，方便个人设备尝试训练。
原始来源