IFM 开源模型及训练代码，提出 MoVA 与 Uno 新架构

AI 研究方向再次向「完全可复现」靠拢。IFM 在发布模型权重的同时，一并开源了训练代码、数据配方、中间检查点、训练日志与评估结果——这一组合在开源生态中并不常见，意味着任何研究者都能从零复现整个流程，而不只拿到最终权重。

同步发布的两项新架构

本次发布中，两项架构设计被强调为模型的核心组件：

• MoVA：将「专家路由」机制放进注意力机制内部，让模型在注意力计算阶段就完成对不同专家路径的选择，而不是像传统 MoE 那样在 FFN 层之后才做路由。
• Uno：一种扩散适配器，能够以并行的方式生成 token 块，把扩散模型从「生图」领域的能力迁移到离散 token 的批量生成中。

两者打包发布，意味着 IFM 试图把「注意力内的稀疏化」与「token 级的并行扩散生成」整合到同一套模型栈里。

信息有限：尚缺关键数据

需要指出的是，目前公开信息仍以发布声明为主，以下细节尚未披露：

• 模型参数量与具体规模；
• 在主流 benchmark（如 MMLU、HumanEval、GSM8K 等）上的具体得分；
• IFM 的背景（是否隶属高校实验室或独立研究小组）；
• 训练数据规模与算力消耗。

在缺少这些数据的前提下，MoVA 与 Uno 的实际效果、与既有方案的对比，仍有待进一步公开报告或第三方复现来验证。

可关注的方向

如果后续公布完整技术报告与基准结果，这套「全流程开源 + 注意力内 MoE + token 块扩散」的组合，对开源社区尤其是希望在推理效率和生成范式上做实验的研究者，可能提供一个新的起点。短期内，研究者最需要的是：参数量、训练成本、与同等规模稠密或传统 MoE 模型的对比曲线。