全部 · 2026-05-21

智谱在GLM-5.1的线上推理集群里换掉了原来的ROFT组网，用上了自研的ZCube通信方案。最直接的好处是同样的GPU多干了超过15%的活，同时用户感知最强的首token延迟，最差的那1%请求也快了40.6%。硬件成本上，交换机加光模块的开销省了三分之一，这对千卡规模集群来说不是小钱。 不过正文没披露具体怎么做到省硬件成本的，也没给测试条件，比如跑的是什么模型、什么精度、batch size多大。这些信息缺了，15%的吞吐提升能不能在别的场景复现就要打个问号。另外，文章提到没动GPU、软件栈和业务代码，说明这个方案对现有基础设施的侵入性很低，落地阻力应该不大，但具体实现细节还是没讲。 还缺的是跟其他通信方案的横向对比，以及这个方案在更大规模集群上的表现。千卡级别已经不小，但如果要撑起下一代模型训练，万卡甚至更大规模下的稳定性才是硬指标。

这篇论文的核心思路是把3D高斯泼溅里的点密度控制交给模型自己学，而不是均匀撒点。具体做法是让模型根据渲染损失贡献的梯度来训练密度控制，在物体细节丰富的地方多放高斯点，平坦区域少放点。从已知信息看，DeG在某些设定下能用不到TRELLIS一半的高斯点数量达到相近的视觉质量，这对实时渲染和手机端部署来说意味着更低的算力开销。 但这里有个硬伤：正文被微信环境验证挡住了，我看不到完整的技术细节和实验数据。比如这个不到一半的点数是在什么分辨率下测的、跟TRELLIS比的是哪个版本、有没有在其他基准上跑过，这些都不知道。另外，密度控制本身会不会引入新的训练不稳定或者收敛慢的问题，也是需要看原文才能判断的。 这篇被SIGGRAPH 2026接收，说明同行评审过了关，但作为读者，我现在只能根据标题和摘要给一个方向性的判断：思路对路，省点数的效果听起来不错，但具体能省多少、在什么条件下省、有没有副作用，都得等看到全文再说。

谢赛宁团队放出的 RAEv2 在 ImageNet-256 上跑 80 轮后 gFID 做到 1.06，这个生成质量指标本身不错，但更值得看的是效率提升：衡量收敛速度的 EPFID@2 从上一代需要的 177 轮训练直接压缩到 35 轮，而计算量维持在 189 GFLOPs 没涨。翻译成人话就是，用同样的算力，模型学得快了五倍。 不过这条消息有个硬伤——原文因为微信环境验证被拦截，我们只拿到了摘要里的数字，具体用了什么方法、改了哪些结构、有没有牺牲其他指标，正文里一概看不到。摘要里那句"具体用了什..."后面直接断了，说明关键信息是缺失的。 所以目前只能根据已有数字判断：如果 35 轮收敛这个数据在完整论文里站得住，那 RAEv2 在训练效率上确实往前走了一大步。但还缺消融实验、不同分辨率下的表现、以及和扩散模型等其他路线的横向对比，这些都得等看到完整论文才能下结论。

这条分享了一个很实际的工程经验：想让模型稳定吐 JSON，别光在提示词里写“请输出 JSON”，而是直接用 API 的 tool_use 功能，在生成前就把字段类型、枚举值这些约束锁死。作者在 Claude 上对比了两套方案，靠提示词描述格式再事后解析重试，首次成功率只有 65%–70%；换成强类型 schema 加分步校验，直接拉到 90%–95% 以上。这个提升幅度说明，把结构校验从“事后补救”挪到“事前卡死”，能省掉大量调试时间。 代价是前期设计 schema 的工作量会变大，但作者也提醒别把 schema 写得太复杂，过度设计反而会让模型输出跑偏。给字符串字段加枚举约束是个性价比很高的做法。 不过这条信息来自 Reddit 个人测试，正文没披露具体任务类型、样本量和模型版本，也没说方案 B 的延迟和 token 消耗增加了多少。如果是真的，这个思路对做结构化提取、表单填充、API 参数生成的场景挺省钱，但换到其他任务上能不能复现还不好说。

这条消息最值得点开的地方是：AI 头一回独立解决了一个数学核心开放问题，不是辅助证明，是自己提出并走完了一条人类因为直觉排斥而没试过的路。模型搬出了代数数论里比较冷门的 Golod-Shafarevich 理论，找到一整族效率更高的新构造，直接把老结论推翻。这说明它在探索“人类不会去碰”的路径上有真东西，不只是速度更快。 但正文信息缺口很大。没提具体是 OpenAI 哪个模型，也没说用了多少算力、跑了多久。更关键的是，不知道这个“自主”到底有多纯——有没有人类预先划定理论范围，或者从大量失败尝试里挑出了这一次成功。如果只是在一个已经被悄悄放宽的搜索空间里撞上了，那含金量要打折。另外，论文是否经过同行评议、新构造在数学上是否完全严谨，目前也看不到。 还缺一个对比：这个模型在其他数学开放问题上表现怎么样？是单点突破还是能力泛化？如果只是孤例，那离“AI 数学家”还差得远。

这条官宣信息量极低，只有“FSD 来了”和“官宣进入大陆”两句，没披露任何落地细节。对从业者来说，关键问题一个都没回答：是全面推送还是小范围内测？支持哪些车型和硬件版本？是一次性买断还是订阅制？价格多少？有没有经过监管部门审批？这些缺口让这条新闻的实际价值大打折扣。 参考一季度谷歌、亚马逊、微软三家资本开支加起来超 1100 亿美元，Meta 全年预算拉到 1450 亿，行业在基础设施上砸钱的速度确实在加快。老黄把行业年度开支预期从 1 万亿直接喊到 3-4 万亿，这个数字本身值得关注，但需要结合后续各家实际落地情况来验证。 目前最缺的是特斯拉中国 FSD 的具体推送范围、功能限制和定价策略，以及是否涉及数据合规和地图资质等监管条件。等这些信息出来，才能判断这次官宣是实质性落地还是市场预热。

这条新闻本身挺有意思：英伟达营收和未来指引都超预期，还加了股息，结果股价照跌不误。但问题在于，FT这篇全文被付费墙拦得死死的，返回的只是一个403安全验证页面，摘要里提到的营收数字、预测区间、股息涨幅、股价跌幅，正文里一个都没露出来。摘要说一季度谷歌、亚马逊、微软三家资本开支超1100亿美元，Meta全年预算拉到1450亿，这些数字能侧面说明大厂还在疯狂砸钱，但老黄那个“从1万亿翻到3-4万亿”的预测，到底是他自己的口径还是市场推算，缺了原文根本没法核实。还缺的是：股价跌是因为指引不够猛，还是市场觉得AI基建投入的回报周期太长？这些判断都得等看到完整数据才能下。

Intuit 这次裁员 3000 人，占全球员工的 17%，CEO 在内部信里说这是为了砍掉复杂层级、简化结构，好集中资源把 AI 做进 TurboTax 和 QuickBooks。但把裁员包装成“聚焦 AI”，听着更像给股东看的叙事。一季度谷歌、亚马逊、微软三家资本开支加起来已经超过 1100 亿美元，Meta 全年预算拉到 1450 亿，Intuit 想跟上这股烧钱潮，压力确实不小。 CEO 上一财年薪酬 3680 万美元，公司全球 18200 人，裁掉近五分之一，这笔账怎么算都显得头重脚轻。文章没提受影响的具体部门、有没有遣散费、管理层会不会降薪，这些信息缺口让“聚焦 AI”的说法打了折扣。如果只是砍掉基层、保留高管薪酬，那这轮调整更像是财务优化，而不是战略转向。 还缺的是：省下的人力成本到底有多少会真正投进 AI 研发，有没有具体的产品路线图，以及这 3000 人里有多少是工程师、多少是销售和行政。没有这些数字，很难判断这是真转型，还是借 AI 之名瘦身。

Google DeepMind在Antigravity平台推出的Science Skills，本质上是在解决大模型在专业领域“幻觉”的老问题。与其让模型依赖训练数据里的旧知识，不如直接给它接上UniProt、AlphaFold这类权威信源，回答蛋白质结构或基因功能时能实时调取最新数据。这个思路不新鲜，但把30多个生命科学数据库打包成一个即插即用的工具包，对研究者来说确实省去了自己搭建检索流程的麻烦。 不过，正文完全没有披露接入这些外部数据后，模型的响应延迟增加了多少，以及回答的准确率到底提升了几个百分点。一季度谷歌、亚马逊、微软三家资本开支已经超过1100亿美元，Meta全年预算拉到1450亿，在这种烧钱节奏下，一个工具包的实际效率比概念重要得多。 还缺的是第三方测试或用户反馈，光靠官方说法很难判断这个工具箱在复杂研究任务里是真好用，还是只是把多个API打了个包。