大方向都对：VibeASR.cpp 和两个 BitNet-embedding 都真有其物，论文也都在（2607.21075 和 2606.25674），license 全家 MIT。东西是真的。但帖子里两条最具体的工程细节，官方材料里一处都查不到。
一条是"AVX2 的 VNNI 指令，一条指令完成 4 个三值权重乘加"。论文全文 grep 不到 VNNI 三个字母。真实机制是 _mm256_maddubs_epi16，一条 2011 年就退休返聘的 AVX2 老指令，每条吞吐 32 个 INT8 乘加。有意思的地方在这儿：编出来的数字（4 个）比真实数字（32 个）寒酸了八倍。真东西明明更猛。可惜讲故事的人没去读 kernel。
另一条是"L2 缓存命中率从 60% 提到 95% 以上"。论文、README、模型卡、I2_S 指南，四处全查无此数。全文唯一和缓存沾边的字样，是硬件描述里的"96 MB L3"。内存占用的"1/8 到 1/10"也有出入：整个模型 4.62GB 压到 1.58GB，2.9 倍。账是真账，零头是虚的。顺带说，它还是异构量化：声学编码器 INT8，LM 解码器才用三值，embedding 层干脆保留 Q6_K——三值精度在那儿"不可接受地差"，论文原话。
RTF<1 也得加个脚注：官方口径要 3 线程以上，单线程 RTF 1.58，谈不上实时。中文是诚实的老大难：AISHELL4 词错率 27.45，FunASR 20.41，SenseVoice 22.52。英文能打 Whisper。中文还得练。
embedding 那半边倒是接近白嫖：270M 版在 MMTEB 上只掉 0.24 分，0.6B 掉 1.51，换 1.42 到 2.28 倍 CPU 吞吐。两个彩蛋帖子没提：ARM 暂不支持，纯 x86；模型卡自己写着"建议先别商用"。
1-bit 从文本扩到耳朵和记忆，这事是真的。数字抄的时候回论文里核一遍，这事也是真的。