用户花费106美元深度评测Claude Opus 4.7，发现视觉能力提升但推理能力下降
用户通过OpenRouter花费约106美元测试Claude Opus 4.7，发现其视觉能力有明显提升，颜色识别和空间理解更强。但在需要深度思考的推理任务上表现下降，用户认为模型可能“偷懒”，需要更多提示才能达到预期效果。[1]
大黑AI速报
本期重点关注Claude Opus 4.7的深度评测与高德发布的全栈具身技术体系，同时社区涌现出多个实用工具和硬件配置讨论。
模型动态
用户实测发现Gemma 4的MLX格式在M1 Max上性能未优于GGUF
用户在M1 Max上对比测试Gemma 4的MLX和GGUF格式，发现MLX在提示处理速度和内存占用上并未表现出优势，甚至略逊于GGUF，引发了对MLX格式实用性的讨论。[8]
产品工具
GitHub发布spec-kit工具包，倡导“规格先行”的AI编码方法论
GitHub发布spec-kit命令行工具，旨在让AI编码代理按规格文档工作，而非随意编码。其工作流分为六步：从制定原则到最终实现，强调规格先行。项目地址：https://github.com/github/spec-kit[2]
开源项目ProgramAsWeights：将英文描述编译成22MB的本地神经程序
开源项目ProgramAsWeights提出一种新方法，通过【神经编译器】将英文函数描述编译成约22MB的“神经程序”（LoRA适配器+伪程序）。在特定基准测试中，其适配的0.6B模型性能超越了50倍大的32B模型。项目地址：https://github.com/programasweights/programasweights-python[5]
开发者分享构建具有持续记忆的本地AI“Art”的项目经验
开发者分享了一个名为Art的本地AI项目，通过自定义Python脚本实现了持续记忆。该项目运行在Gemma模型上，记录了AI的日记、梦境和自我模型，旨在探索连续性是否能带来涌现行为。项目地址：https://originofart.au/[9]
技巧教程
开发者分享复杂项目开发技巧：先与AI讨论生成文档，避免遗漏
开发者分享实用技巧：在开发复杂项目或功能点时，先与AI讨论并生成文档，以此明确需求、避免遗漏，并作为后续开发的上下文记忆。[6]
硬件动态
社区讨论本地LLM硬件配置：RTX 3090运行Qwen 3.6 35B的VRAM与性能权衡
用户讨论在RTX 3090（24GB VRAM）上运行Qwen 3.6 35BMoE模型的可行性。关注点包括VRAM压力、与27B密集模型的【性能对比】，以及是否应将部分层卸载到系统RAM。[7]