🔴 1. 国内外大模型动态
1
DavidAU/Qwen3.8-27B-TURBO-Fable-Cold-Fusion-...-GGUF
⭐7
DavidAU 经典式「堆料合并」：Qwen3.8-27B 基座上叠加 TURBO/Fable/Cold-Fusion/NEO-CODER 多套 lora 融合的无审查编码向 GGUF，163 万下载、1225 赞。看点不是模型多新，而是 Qwen3.8-27B 已经成为社区合并玩法的默认底座——生态位类似当年的 Llama-3-70B。星竹如果需要本地跑一个「写作+编码都放得开」的 27B，这是现成选择。
这套权重走 heretic 系列的 DPO/mergep 流程，主打 uncensored 输出 + MTP（multi-token prediction）加速推理；GGUF 格式意味着 llama.cpp / Ollama 开箱即用，27B 量化后在 16GB 显存或纯 CPU 上都能跑。下载量曲线是社区合并模型里最稳的一档。
🔧建议试一下
2
deepseek-ai/DeepSeek-V4.1-Flash
⭐6
DeepSeek 官方 V4.1 家族的 Flash 轻量版，65 万下载、3808 赞，标签里出现 image-text-to-text——官方小杯开始带多模态输入了。对做应用的人这是最实际的信号：V4.1-Flash 大概率会成为「便宜、快、多模态」的默认 API 选项之一，成本敏感的 Agent/RAG 管线可以提前做适配和压测。
👀持续关注
3
ukisai/Swift-1.5-Qwen3.8-27B-GSQ-RCO-GGUF
⭐6
Qwen3.8-27B 的 GSQ（grouped sequential quantization）量化版，走 llama.cpp 生态。价值在于观察量化格式的迭代方向：GSQ/RCO 这类新量化方案正在挑战传统 Q4_K_M 的性价比位置，同样的显存预算能塞下更高质量的 27B。本地部署党可以对比一版和标准 Q4/Q5 的困惑度差。
⚡工程可参考
4
SLAI T-Rex: Full-Parameter Post-training of the DeepSeek-V4 Family on Ascend SuperPOD
⭐5
在华为昇腾 SuperPOD 上对 DeepSeek-V4 万亿参数 MoE 做全参数后训练的系统论文。看点是国产算力栈跑通万亿级全参后训练的完整工程细节——通信 overlap、显存压力、kernel 效率三座大山怎么搬。关注训练系统或国产芯片软件栈成熟度的人值得读一遍。
📖精读全文