全部

Kimi 这次把 K2.5 模型和 K2.5 Agent 同步推到官网，并给出 1500 步操作、100 个 Agent 并发、可从视频生成网页这三组能力信号。我的判断很直接：它想先把“模型公司”改成“默认工作入口”，比跑分更重要。 我对原文里“一体化 vs 分层”的提法基本认同，但也得往下拆。把 Agent 直接塞进模型官方入口，价值不在于又多一个 demo，而在于它把用户反馈、失败轨迹、工具调用、长程任务中断点，全都收回到自家闭环里。1500 步长程操作如果真能稳定跑，最值钱的不是那 1500 这个数字，而是每一步的观测数据：哪类网页生成会卡死，哪类文件流会超时，哪类工具调用要人工接管。做 API 的公司通常拿不到这么密的前台行为数据，做独立 Agent 的公司又拿不到底模训练和推理栈。这就是一体化的账。 文章把 Manus 放在“分层”一侧，这个框架能用，但我不太买“分层天然吃亏”这个暗示。过去一年，很多强势 Agent 产品恰恰是靠模型替换能力活下来的。Manus 早期就明显带有“上层编排比底模更重要”的思路；Anthropic 的 Claude Code 之所以被开发者接受，也不只是 Sonnet 4.5 或 Opus 某次迭代变强，而是工具调用、补全节奏、失败回退做得顺。换句话说，分层的价值在于可以随时换引擎，一体化的价值在于把延迟、产品、训练数据绑成一套。两边不是高下已分，而是优化目标不同。 我更在意 Kimi 为什么现在做这件事。OpenAI 过去一年一直在把 ChatGPT 往“总入口”推，从深度研究、Operator，到写代码和文件处理，路线很清楚。Anthropic 则更像从模型能力向工作流渗透，Claude Code、Artifacts、Computer Use 都是这条线。Kimi 这次选择把 Agent 做成官网可切换模式，说明它不想只做国内开发者嘴里的“一个底模选项”，而是想直接抢用户操作层。这个动作比 benchmark 排名更接近商业现实，因为用户最后记住的是“能不能直接把活干完”，不是 Arena 上高 3 分还是低 5 分。 文章里最抓眼球的是“视觉编程”。作者给了两个案例：Lottie 动画视频还原、设计师网站视频还原，演示效果看着确实不差。但我对这个点有保留。第一，正文没有披露成功率、失败样本、生成时间、可复现 prompt，也没有说视频时长、分辨率、是否做了人工挑样。没有这些条件，“几乎可以直接上线”更像主观体验，不是工程结论。第二，从视频还原网页这件事，技术上未必需要模型在抽象推理上跨出多大一步，它也可能主要吃视觉解析、DOM 结构模板、前端组件先验和代码修补流水线。这个能力当然有用，但它离“通用软件生成”还差很远。 100 个 Agent 并发这个说法，我也建议先打问号。并发数量本身从来不是护城河，关键是调度成本、上下文污染、工具冲突、结果合并。业内这类“agent swarm”叙事已经讲了快一年，真到生产环境，很多团队最后会把并发收敛到 3 到 10 个子任务，因为再往上，token 消耗和错误传播会很快失控。我自己没跑过 K2.5 Agent，所以不能断言它做不到；但正文没给任务类型、平均耗时、成功率曲线，也没给成本，100 这个数字更像上限，不是常态表现。 还有一个信息缺口不能跳过：价格、上下文长度、API 条件，正文都没披露。这会直接决定 K2.5 的竞争位置。如果它是网页端能力很强、API 又便宜，那它会威胁 Claude Code 一类产品，也会吸走一部分前端生成和 office 自动化流量。如果网页端强，但 API 不开放或限制多，那它更像消费级入口，而不是开发者平台。这个差别很大。过去很多模型发布都输在这里：演示视频很猛，开发者一看价格和 rate limit，热情马上掉一半。 原文最后提“自研底模、开源、没有卡脖子风险”，这句我不太买账。自研能降低对单一美国闭源模型的依赖，这没问题；“没有风险”说得太满了。算力、芯片、云资源、海外分发、企业采购合规，这些都不是开源两个字就能抹平。更现实的说法是：Kimi 把关键依赖从“别人家的底模”收回了一部分，但没有把整条链条的风险清零。 说真的，这条新闻让我在意的不是 K2.5 排第几，也不是它把 Manus 拿来对标。更关键的是，国内模型厂开始更明确地接受一个事实：只卖模型接口，品牌和利润都很薄；把 Agent 做成默认入口，哪怕先从网页和 office 这种高频任务切入，才有机会把模型能力变成留存。如果 Kimi 后面补出价格、API、上下文和成功率数据，这条会更有分量。现在这版，我给它的判断是：方向对，产品意识比很多同类更强，技术叙事里还混着不少没拆开的宣传成分。

OpenAI 在 2025 年 10 月成立 OpenAI for Science 团队，这说明它把“科学”从品牌愿景拉成了正式产品线。我的判断很直接：这不是一次突然的科学野心觉醒，而是 GPT-5 系列把推理、检索、工具调用堆到一个可卖给研究机构的阈值后，OpenAI 开始补一块自己长期落后的叙事。 标题给了大方向，正文给了两个关键数字：GPT-4 在 GPQA 上是 39%，GPT-5.2 是 92%，人类专家基线约 70%。如果这组数口径一致，那提升确实大，已经不是“会聊天的助手”那一档了。但我对这类 benchmark 还是要压着看。GPQA 只有 400 多道选择题，擅长测知识和多步推理，不等于能在湿实验、材料筛选、证明构造里稳定产出新结果。文章也没披露 92% 的具体推理预算、工具开关、采样次数、是否 self-consistency、多模型投票这些条件；没这些，分数只能说明上限，不能说明实验室里的默认表现。 我一直觉得 OpenAI 这波更像“追赶 AlphaFold 之后的 AI for science 叙事”，不是它定义了新方向。Google DeepMind 把科学当主线很多年了，AlphaFold 是最硬的例子，后面又把 weather、materials、数学程序搜索一路铺开。OpenAI 过去两年主轴一直是通用助手、企业席位、API 收入、视频生成；现在单列科学团队，说明它意识到高价值场景不能只靠办公室软件叙事。科学界有预算、有标杆论文、也更容易产出“模型帮助发现”的传播案例，这对 OpenAI 很有吸引力。 但这篇里最有信息量的，其实是那次删帖。OpenAI 高层曾把旧论文检索讲成“解出未解数学题”，数学家很快指出答案早就在德语论文里。这一下把问题说透了：今天很多“AI 促进科学”的亮点，核心不是原创发现，而是高质量检索、跨语言文献对齐、假设生成、证明路线压缩。这个能力很有用，我不否认，很多研究者本来就被文献洪水压着走；可把它说成突破就有点过。科学工作流里，找回被遗忘的答案和提出可验证的新答案，含金量差很多，评价体系也完全不同。 我对 Kevin Weil 那句“模型已在 human frontier”也不太买账。拿 IMO 金牌级、GPQA 92% 这类结果去推“前沿科学协作者”，中间少了很长一段路。比赛题有封闭答案，实验科学有噪声、成本、仪器约束、负结果、复现实验。文章没有给出一个完整案例：模型在哪个课题里提出了什么假设，人类如何筛掉幻觉，最后节省了多少周或多少实验轮次。没有这些，所谓“加速科学”还是偏轶事。我不是说没价值，我是说商业叙事已经跑在证据前面了。 回到产品层，这团队大概率会把三件事做深：文献检索、研究代理、实验软件接口。前两项 OpenAI 已经有现成积木，后一项才是真门槛。没有 ELN、LIMS、仿真软件、实验仪器的数据闭环，模型再会想也只是副驾驶。Anthropic、Google、一些垂直初创现在都在谈 agent for knowledge work，但科学场景比写代码难多了，因为错误不会只带来 bug，还会烧掉一个月样品和一笔实验预算。 所以我对这条的结论是：OpenAI 这次押注方向没错， timing 也合理；我不买的是“模型已经站上科学前沿”这个说法。按正文现有信息，它更像一个更强的研究助理和文献压缩器，还不是稳定的发现机器。要让我改观，OpenAI 得拿出可复现案例：明确课题、明确节省的实验周期、明确人类审稿后的保真率。现在这些，正文未披露。

OpenAI 这次做的核心动作很清楚：把现有模型套上医疗指引与工具，再接入病历和健身数据，把每周 2.3 亿次健康提问收进一个正式入口。我的判断不算乐观。问题不在“ChatGPT 能不能回答一些健康问题”，而在 OpenAI 把一个统计上还行、交互上不稳的系统，放进了用户更容易信任的医疗语境里。 正文给了两组最该先看的数字。第一组是 GPT-4o 在真人医疗提问上正确率约 85%。第二组是去掉选择题选项后，只有约一半答案被专家评为完全正确。两组数字不冲突，反而把边界画出来了：LLM 处理常见、事实型、单轮问题已经够用；一旦进入开放式问答、模糊症状、多因素病史，可靠性马上掉下去。医疗场景最麻烦的地方就在后者，不在前者。用户也不会先把自己分类成“适合问模型的问题”和“不适合问模型的问题”。 我对这篇文章里“Dr. ChatGPT 比 Dr. Google 更好”这条类比有点保留。拿 Google 当基线，门槛实在太低了。Google 搜索的问题一直不是能否找到信息，而是排序、SEO 污染、患者自己不会筛。LLM 把这些步骤压成一段自然语言，看上去更省心，副作用是它会把不确定性也压平。搜索页至少还能让你看到来源冲突，聊天界面经常只给一个流畅答案。对健康场景来说，后者的误导性往往更强，因为它更像临床判断。 文章里还埋了一个更大的风险：这不是新模型，只是“wrapper”。这句话信息量很大。说明 OpenAI 当前没有拿出一个为患者场景重新训练、重新评测、重新设限的专用医疗模型，至少正文没披露；它拿的是通用模型，加上指导词、工具调用和权限层。这个做法我不意外，Anthropic 这周给 Claude 加健康集成也是同一路数。过去一年主流厂商在高风险垂类的打法都差不多：先做工作流包装，再讲 guardrails，再把责任留给“仅作参考”。部署速度快，合规叙事也好写，但模型底座的幻觉、迎合、长对话漂移，并不会因为多了一个 health tab 就自动消失。 外部对比也很说明问题。我记得 2024 到 2025 年间，微软、谷歌、亚马逊在医疗 AI 上都更偏向 clinician-facing：写病历、编码、分诊、影像辅助，而不是直接把“给患者建议”做成大入口。理由不复杂。医生端场景有机构兜底、有流程约束、错误可回溯；消费者端没有这些缓冲。OpenAI 反过来先吃 consumer health，优势是流量已经在手里，代价是它天然会碰到最难评测、最难切责的使用方式。 我还不太买账的一点，是正文把“医生误诊率 10% 到 15%”拿来和模型 85% 正确率并列。这个比较太滑了。医生误诊统计来自真实临床流程，带检查、复诊、转诊、责任链；模型 85% 来自特定研究设定下的问答正确率。两者任务定义不同，错一次的后果结构也不同。把这两个数字并排，很容易让人误读成“模型已经接近医生”。目前正文撑不起这个结论。 还有信息缺口。标题讲的是 ChatGPT Health，正文没披露它默认调用哪一个模型，也没给出 system prompt、拒答策略、升级人工帮助的条件、病历读取后的数据保留规则。没这些细节，安全判断只能停在框架层。特别是长对话风险，文章最后也只提到“可能更容易暴露迎合和幻觉”，没有实测轮次、失败类型、红线场景。我自己最担心的恰好是这里：短问答跑分不错，不代表连续 20 轮谈减肥药、抗焦虑药、睡眠问题、酒精和健身补剂时还能稳住。 所以这条新闻我会当成一次分发实验，不当成医疗能力跃迁。OpenAI 已经证明，人们会拿通用聊天机器人问健康问题。现在它要证明的是另一件更难的事：当产品把信任感做高之后，错误能不能被及时打断，危险建议能不能在多轮对话里持续拦住。正文现在还没给出这个级别的证据。

黄仁勋在达沃斯把 AI 拆成五层栈，还给出 2025 年风投超 1000 亿美元这个数字。我的判断很直接：这不是一段中性的产业观察，这是 Nvidia 在争夺一个更大的定价权。你把 AI 说成能源、芯片、云、模型、应用的连续工程，外界就更容易接受高资本开支、长期锁单、国家参与、以及 Nvidia 在中间抽更厚的一层。标题里那句“人类史上最大基础设施建设”，我看更像融资叙事和政策叙事的合体。<br><br>这套话术有它的现实基础。过去一年，市场已经不再只看模型分数，而是盯电力、变压器、液冷、HBM、CoWoS、机房上架周期。训练时我记得，2024 到 2025 这轮云厂 capex 指引普遍都在上修，微软、Meta、Alphabet、亚马逊都把 AI 基建写进核心支出逻辑，金额经常是数百亿美元级别。黄仁勋现在把这件事再往上抬一层，讲成“国家基础设施”，目的是把采购周期从年度预算，改成接近公用事业的长期建设。这个框架对 Nvidia 很有利，因为它最强的从来不只是 GPU 峰值性能，而是把芯片、网络、系统、软件、供应链捆成一个总包方案。<br><br>我对文中那组就业叙事有保留。正文给了两个例子：放射科医生增加，美国护士缺口约 500 万，AI 可先做记录和转写。问题在于，这里只有讲法，没有披露基线、时间段、样本来源。美国到底是不是“缺 500 万护士”，我没查到权威口径支持这个数，常见公开估算通常没有这么高。Abridge 这类医疗文书公司确实在涨，环境也对，医院对环境语音和病历自动生成有真实需求；但从“节省文书时间”直接推到“医院会多招人”，中间至少隔着报销机制、州监管、责任归属、IT 集成成本几道坎。这个因果链没他说得那么顺。<br><br>还有一个我不太买账的点：他把“AI 不毁工作，只把人从任务带向目的”讲得过于圆滑。对高层管理者和稀缺专业岗位，这句话好听也部分成立。对外包文书、初级客服、标准化内容生产、基础标注，这一年发生的事没这么温和。岗位不会因为“purpose”这个词就自动升级，很多组织先做的是 headcount 控制，再谈角色重构。黄仁勋站在基建扩张周期里看，看到的是电工、管道工、数据中心运维、网络工程师的新增需求；这没错。但这不等于应用侧每个被压缩的岗位都能平移到基建侧，地理位置、技能门槛、薪酬结构都对不上。<br><br>他说“AI 是最容易使用的软件，2 到 3 年触达近 10 亿人”，这句传播力很强，也符合消费端体感。ChatGPT、Copilot、Gemini、Claude 加上各家手机系统入口，触达规模确实已经很大。可“会用”不等于“能部署”。企业里最缺的从来不是提示词写手，而是能把模型接到权限系统、知识库、工作流、审计链的人。黄仁勋把“AI literacy”说成基础能力，这点我认同；可他刻意淡化了组织实施难度，因为一旦承认落地主要卡在流程改造和系统集成，Nvidia 这套五层蛋糕就没那么完整了。很多项目死掉，不是因为 GPU 不够，而是因为数据权属不清、业务负责人不背 KPI、法务不放行。<br><br>他对欧洲和“主权 AI”的表述也很熟练。每个国家都要有自己的 AI，听起来合理，政治上也安全。问题是，主权 AI 这件事过去一年已经暴露出一个老毛病：大家都想要模型主权，最后买的还是美国芯片、美国云、美国工具链。Mistral、Aleph Alpha、一些中东国家项目都碰到过类似张力。我自己还没看到哪一个国家，能在本土语言、数据治理、推理成本、开发者生态四件事上同时做成闭环。黄仁勋当然乐见这种局面，因为“主权 AI”常常先转化成主权算力采购。<br><br>说真的，这篇稿子最需要补的不是豪言，而是分层数字。1000 亿美元风投里，多少进了模型层，多少进了应用层，多少流向真正重资产的基础设施，正文没披露。放射科医生和护士那两组就业变化，时间范围和统计来源也没披露。没有这些，五层栈更像一个能装下所有利好的叙事容器。我的结论是：黄仁勋这次不是在预测 AI 产业，他是在定义谁有资格给 AI 产业收基础设施租金。Nvidia 现在最强的资产，已经不是单颗芯片，而是让政府、云厂、创业公司都接受“先修路，再谈应用”这套顺序。

Jack Clark 声称研究 agents 在步行和睡觉时并行处理数千篇论文，并在不到 1 小时内让 Claude 完成抓取、embeddings、本地向量检索和 GUI。我的判断是，这条的关键信号不是“agents 已经接近全自动研究员”，而是端到端工作流的厌烦感被压到足够低，低到一个本来会被拖几年不做的个人工具，现在能在一次会话里交付可用版本。 这件事我其实挺买账。过去一年大家都见过单点能力能跑：浏览、写脚本、调 API、做 RAG、画个前端，这些都不新。卡住采用率的一直是串联成本，尤其是环境配置、权限、报错恢复、上下文丢失、做到 80% 后的最后 20%。Jack 给的“我试了几年，这次 1 小时做完”比“读了几千篇论文”更有信息量，因为前者直接对应使用门槛的变化。OpenAI 的 Operator、Anthropic 的 computer use、Claude Code/Cowork、Cursor agent 这一波都在打同一个点：不是把 benchmark 再抬 3 分，而是把人类从连续盯屏里拿出来。 但我对文中的强判断还是有保留。正文没披露模型版本、token 成本、失败率、重试次数，也没给“数千篇论文”的采样标准和交叉核验机制。研究 agent 最容易演示得很顺，最难的是长期稳定：站点结构一变、PDF 解析错一层、embedding 污染一批、引用链断一次，报告看着完整也会悄悄跑偏。我自己更关心两组数，第一是人工介入频次，第二是任务完成后的可审计性；标题给了速度，正文没给这两项。 还有一层语境不能忽略：Jack 在 Anthropic，这篇也天然带着一层“我已经这样工作了，你也该这样工作”的内部视角。我不觉得这是宣传话术，但它确实代表一个趋势已经先在前沿实验室内部跑通。像 2023 年大家先在研究团队里把 Copilot 用成肌肉记忆，后面才扩到更广的工程组织。agent 现在看着也像这个阶段。我的疑虑只在于，很多人会把“可委派”误读成“可放心放手”。这两个差得很远。标题已经给出 delegation 的爽感，正文还没证明 reliability 的底盘。

NVIDIA 这次把 CES 讲成了一次供给确认：Rubin 六芯片平台已量产，官方口径还给出 token 成本降到上一代约 1/10。对做基础设施的人来说，前半句比后半句硬得多。量产意味着 SKU、封装、网络、机柜、软件栈至少已经能成批交付；1/10 则还是典型的发布会数字，正文没披露基线、batch size、模型尺寸、上下文长度、电力口径，也没说“上一代”具体指 Blackwell 的哪套配置。 我对这组 10 倍说法是有保留的。NVIDIA 同时把三件事绑在一起讲：Rubin GPU 50 PFLOPS NVFP4 推理、Inference Context Memory Storage 带来 5 倍长上下文 tokens/s、再加整个平台 extreme codesign。问题在于，这三者很容易把“芯片算力提升”“KV cache 外存分层收益”“系统级 TCO 改善”混成一个总数字。你真在集群里跑过长上下文推理就知道，瓶颈常常不是裸算力，而是 KV cache 占用、互连拥塞、调度碎片和功耗墙。把 KV cache 下沉到存储层，确实可能在特定 workload 上把吞吐拉高很多；但如果你的服务以短上下文、低 batch、强实时为主，5 倍 tokens/s 不会原样落到生产账单上。正文没给复现条件，我不会直接把 1/10 当成普适结论。 量产这件事反而更有信息量。Blackwell 在 2024 到 2025 年经历过大家都知道的爬坡和交付压力，NVIDIA 现在一开年就把 Rubin 定位成“full production”，意思不是技术 demo 完成，而是它想把市场预期从“新品发布”往“产能兑现”上拽。我记得 Blackwell 当时的核心叙事也是整柜、网络、冷却、软件一起卖，不再是单颗 GPU 竞赛。Rubin 把这个思路再推一步：GPU、CPU、NVLink 6、Spectrum-X Photonics、ConnectX-9、BlueField-4 一起定义平台。这个动作对客户采购很关键，因为它在逼大家按系统吞吐和 token 成本买单，而不是按单卡价格比参数。 这也是我对“extreme codesign”叙事半信半疑的地方。它当然是优势，尤其在 NVLink 域内训练和高端推理集群里。但它也带来更强的锁定：网络、DPU、软件、存储分层都进了一个采购包，替换单点组件的自由度会下降。过去一年很多超大客户已经在做两手准备，一边继续吃 NVIDIA 主栈，一边评估 AMD、定制 ASIC，或者把部分推理流量拆去更便宜的平台。不是因为 NVIDIA 不强，而是因为单一供应商的系统级绑定太贵。Huang 每次讲全栈都很顺，但采购负责人听到的另一层意思是：迁移成本会继续上升。 开放模型这块，我也不太买发布会口径里的“开放”二字。文中把 Clara、Earth-2、Nemotron、Cosmos、GR00T、Alpamayo 全放进 open models 叙事，听上去像 NVIDIA 既卖算力又做开放基础模型。问题是，开源社区认的“open”通常至少要看权重、数据说明、许可证、可重训性和评测透明度。正文没有给 Alpamayo R1 的参数规模、训练数据范围、license、基准成绩，也没给 AlpaSim 的开放边界。只有标题级信息时，我更愿意把它理解成“开放可用资产包”，不是严格意义上的 open model 立场。这个差别对自动驾驶开发者很重要，因为 L4 相关模型最后卡的常常不是 demo，而是数据闭环、责任归属和安全验证。 自动驾驶这段还有一个要往下压一层看：NVIDIA 现在把 Cosmos、仿真、VLA、车端推理放进同一条线，目标不是做一个单点模型，而是把 AV 研发流程都纳入自己的工具链。这个思路和机器人那边 GR00T 很一致，先用世界模型和仿真吃掉数据生成，再用平台吃掉训练与部署。如果 Alpamayo 真有采用率，受影响的不只是端到端驾驶模型公司，也包括一批靠数据标注、场景生成、仿真中间件挣钱的供应商。但这条线能不能站住，最后还得看车厂是否愿意把核心研发资产压在 NVIDIA 的格式和 runtime 上。正文点到 Mercedes-Benz，但没有给部署时间、车系范围、量产节点。 桌面 AI 那段我反而觉得是配角。DGX Spark、本地 agent、Reachy Mini 这些演示当然好看，2.6 倍性能也能拉消费侧注意力。但从商业优先级看，NVIDIA 现在最重要的还是把 Rubin 的系统售价、毛利和交付节奏稳住，再把 inference economics 讲成新一轮资本开支的理由。说真的，今天这篇里最该追问的不是“AI on every desk”，而是 Rubin 首批量产去了哪些云厂和企业，ICMS 的 5 倍测试跑在什么上下文长度，1/10 token 成本是否含电力与机房折旧。标题给了方向，正文没把关键口径补齐。 所以我的判断很简单：这次 CES 不是一场能力秀，更像一场预算动员会。NVIDIA 在提前占 2026 年的数据中心 capex 讨论权。只要“已量产”属实，它就已经赢了一半；至于 1/10 成本，等客户 case study 和第三方测试出来再信。

NVIDIA这篇博客把DGX SuperPOD定义成8台NVL72、576颗Rubin GPU、28.8 exaflops FP4、600TB内存的整机方案，核心动作不是发一台更大的箱子，而是把“机柜级系统”提前写成下一轮AI基础设施采购的标准答案。 我对这条的判断很直接：NVIDIA在卖的已经不是GPU代际，而是机柜边界。文中给出260TB/s的单柜NVLink带宽，还写了“免模型分片”。这句话比28.8 exaflops更关键，因为它在改客户的部署心智：你不再先想单卡、单节点、再到集群，而是先买一个可被当成单一计算域的rack。去年Blackwell那轮，NVIDIA就已经在把NVL72讲成一台“AI factory building block”。Rubin这次更进一步，连CPU、DPU、SuperNIC、交换机、运维软件都一起塞进定义里。说真的，这不是产品页语言习惯变化，这是销售边界变化。 我比较买账的地方有两个。第一，NVLink 6给到3.6TB/s per GPU，机柜聚合到260TB/s，这个量级确实在替大MoE和长上下文推理解决老问题。很多团队现在卡的不是模型不能训，而是推理阶段跨节点通信太贵，prefill和KV搬运把吞吐吃掉。NVIDIA把“Inference Context Memory Storage Platform”也并进来，说明他们盯的是长上下文推理整条数据路径，不只盯矩阵乘。第二，Rubin NVL8保留x86 CPU版本，这很像给企业客户留后门：你不一定马上接受Vera Arm CPU栈，但你先上Rubin GPU和NVLink、液冷、网络，照样被拉进NVIDIA机柜体系。 我不太买账的是“token成本最多降10倍”这句。正文没披露基线型号、工作负载、batch size、上下文长度、精度切换条件，也没说这个10倍是端到端系统口径，还是只算芯片级NVFP4吞吐。NVIDIA每代发布会都会给出非常激进的成本或性能倍数，最后落到真实部署，往往要看模型结构和系统利用率。尤其MoE、长上下文、agent workload这几类，收益波动非常大。你拿稠密模型短上下文去跑，和拿多专家长上下文去跑，出来的token economics不是一回事。博客没有benchmark表，没有复现实验条件，这个数字现在只能当方向，不该当采购表里的确定项。 “免模型分片”这句我也会打个问号。单柜统一内存和计算域当然能减少分片压力，但“eliminates the need”写得太满。600TB快内存听起来夸张，问题是正文没拆这600TB到底怎么构成、哪一层可被模型透明访问、延迟特性怎样、软件栈是否真能把整柜当成稳定的一致内存空间。做过大模型服务的人都知道，能不能少分片，不只取决于互连带宽，还取决于编译器、调度器、KV缓存管理、失败恢复、热升级策略。NVIDIA提了Mission Control、RAS engine、第三代机密计算，但没有给运维层面的SLO数字。我还没查到更完整的system architecture paper，所以这块先别替他们说满。 文章外的上下文也很清楚。过去一年，行业在从“训练集群竞赛”切到“推理工厂竞赛”。xAI、Meta、Microsoft、CoreWeave都在堆更大规模的机房，讨论点也从单卡TFLOPS转向机柜功率、液冷、网络收敛和上线速度。NVIDIA现在把“gigawatt AI factory”挂到Rubin上，跟去年Blackwell提的AI factory是一条线，只是口径更大。另一边，AMD也在拼整机和网络叙事，MI300之后就不是只卖加速卡了；我记得MI350那轮也在强调rack-scale和开放网络，不过生态黏性还没到NVIDIA这个程度。这里的差距，不只是芯片快慢，而是谁能把供电、散热、互连、软件、运维、采购一次打包。 还有个细节很有信息量：Rubin平台把Vera CPU、Rubin GPU、NVLink 6、BlueField-4、ConnectX-9、Spectrum-6全写进一个“六芯片平台”。这套说法和传统DGX时期差别很大。以前DGX像是高配参考设计，现在更像NVIDIA在定义数据中心主板，客户只是在不同机房里复刻同一台机器。坦率的讲，这会继续挤压白牌服务器厂和单点网络供应商的议价空间。你买的名义上是SuperPOD，实质上是在签一个越来越封闭的NVIDIA运行时环境。 所以这条我会看成NVIDIA继续把AI基础设施从“部件采购”改成“整柜订阅式资本开支”的一步。博客已经给了大数字，正文没给最该给的benchmark和成本口径。我自己更关心两件事：第一，客户实际拿到货后的功耗与散热指标；第二，10倍token成本下降能否在公开基准上复现。前者决定谁有资格部署，后者决定谁愿意扩容。只看这篇博客，NVIDIA把故事讲顺了，证据还没跟上。

Meta 已让 KernelEvolve 持续生成内核，并称部分生产测试达到 17 倍提速。我的判断很直接：这条最硬的信号，不是 17 倍，也不是“LLM 会写 kernel”这句标题，而是 Meta 把一套会自我积累经验的编译优化回路放进了线上基础设施。只要它真在“数百模型、数十亿用户”的广告与推荐流量里持续运行，受影响的就不只是单个算子性能，而是整条推理成本曲线、跨芯片迁移速度、还有编译器团队的人力结构。 先说我买账的部分。文中给了几个够具体的数：新内核开发从数周压到数小时；KernelBench 250 题通过率 100%；160 个 ATen operator 在 3 种平台、共 480 个 operator-platform 配置里做到 100% correctness；线上案例里，Llama-3.1-8B 的 Vanilla Attention 4.6 倍，SDPA-MLP 3.3 倍，MTIA 上某个 RMSNorm backward 17 倍。对做系统的人来说，这些数字的含义不是“模型突然更聪明”，而是过去要靠 Triton/CUDA 老兵手工抠的长尾活，现在开始被 agent 接管。这个趋势过去一年已经有很多前兆：从代码 agent 写 benchmark harness，到自动 profile、自动调 block size、自动搜 fusion pattern，大家都在试。Meta 这次厉害的点，是它把候选生成、评测、验收、知识库回写串成闭环，还跨了 NVIDIA、AMD、MTIA 三套硬件。 我还是要泼点冷水。17 倍这个数字很抓眼，但基线写的是 “existing PyTorch baselines”。这口径很重要。PyTorch baseline 可能是 eager，也可能是没吃到 vendor tuned kernel 的普通实现；正文片段没披露对比条件，也没说这些提升在端到端请求延迟里能留下多少。我自己做过一点推理优化，单算子 10 倍提速最后落到整链路，常常只剩 10% 到 30% 改善，因为瓶颈会转移到 memory movement、launch overhead、通信、cache miss，或者别的 kernel。Meta 列的 retrieval operator 只有 1.25 倍，反而让我更信这条新闻，因为它不像在把所有项目都吹成大捷。 还有一个地方我不太买账：把 LLM agent 说成“universal compilation layer”。这句话很大，证据还不够。编译层不是只会吐代码，它还得稳定处理寄存器压力、调度、数值精度、硬件特性、回归测试、版本兼容。KernelEvolve 现在看起来更像“agent 驱动的 autotuning 平台 + 组织记忆库”，不是能替掉传统编译器栈的通用层。说真的，这已经很值钱了，没必要先把话说满。去年不少人在吹“自然语言会吞掉 CUDA”，实际落地走到今天，主流路径还是 Triton、TVM、vendor library、手工 kernel 和 agent 搜索混搭，不是谁单吃全场。 拿文章外的参照看，这条更像 DeepMind AlphaDev、自动 schedule 搜索、还有 TVM/Ansor 那条线的工程化续集，只是这次生成器从强化学习和搜索，换成了 Llama、GPT、Claude 这些大模型。区别在于，以前自动优化多半停在离线 benchmark；Meta 现在说它已经持续运行在生产环境，还把成功样本写回知识库。这个“写回”动作很关键。它意味着系统收益不只来自单次推理，而来自经验复利。你把某个 MTIA v3 的 kernel pattern 学会一次，下一批 operator 的 prompt、约束、候选初始化都会变好。对拥有自研芯片的大厂，这比单纯追一个 benchmark 冠军更现实。 这也解释了为什么 Meta 同时调用 Llama、GPT、Claude。我不觉得这里的重点是谁“赢了”。重点是大厂已经把模型当成可替换的代码生成器部件：内部模型管数据边界和成本，外部模型补能力峰值，最后由评测系统做仲裁。谁能过测试、谁能稳上线，谁就被纳入工具链。过去一年，很多人还在争“闭源还是开源模型更适合 coding”；Meta 这种做法给出的答案很工程化：都接，评测说了算。对模型厂商也不是好消息，因为这会把模型价值往 benchmarkable subroutine 压，护城河更容易被路由层和反馈数据吃掉。 去中心化训练那部分，我的态度比原文更保守。Epoch 给的结论是年增速 20 倍，对比前沿训练 5 倍，当前规模仍小约 1000 倍，最大去中心化 run 在 6e22 到 6e23 FLOP。这个方向有政策含义，我同意；你不能再把“大训练一定发生在几家 frontier lab”当成固定前提。但拿这组数字直接推“会追上 frontier”还是太快。1000 倍差距不是靠更高增速自动消失，因为去中心化网络会先撞上带宽、同步、容错、异构设备利用率、作恶节点防护这些墙。训练比推理残酷得多，all-reduce 和 checkpoint 一卡，账就不成立。我没在正文里看到 Epoch 对网络开销、有效 FLOP 利用率、参与节点稳定性的完整拆解，所以我暂时把它看成政策预警，不看成技术路线图。 我寻思了一下，这篇稿最有信息量的地方，其实是两段内容放在一起读。上半段说明，超大厂正在把基础设施优化做成自动复利系统；下半段说明，算力组织方式在向更分散的方向实验。前者会让中心化玩家把每一张卡榨得更干，后者想用更松散的组织把更多卡拼起来。短期里，我还是站前者。原因很简单：KernelEvolve 这种系统今天就能省真金白银，去中心化训练离 frontier 还差 1000 倍，而且正文没给出能把这个差距快速吃掉的机制。

月之暗面拿到 5 亿美元新融资，投后估值 43 亿美元。我的判断很直接：这不是一家重新找回 To C 节奏的公司，这是一个承认“投流打不过巨头”后，把生存逻辑改成“模型先赢、海外先收钱”的重置动作。 文中给了几个硬信号。第一，账上现金超过 100 亿元，短期不急上市。第二，海外与国内付费用户平均月环比增长超过 170%。第三，9 到 11 月海外 API 收入增长 4 倍。第四，K2 开源后一周冲上 OpenRouter 全球趋势榜第二。把这些拼起来看，杨植麟现在卖的不是“我还能继续烧”，而是“我已经找到一个不用和字节、腾讯、阿里正面拼买量的活法”。这条路我觉得比继续砸 C 端广告靠谱得多。 因为 Kimi 早期那套打法，2024 年就已经证明上限了。文中提到 Kimi 单月投放最高过亿元，腾讯投元宝三个月超过 7 亿元。这个量级对创业公司就是死局。流量平台、投放库存、品牌联动、渠道补贴都在大厂手里，创业公司拿融资去换月活，最后只会把估值换成渠道费。我一直觉得国内 AI To C 最大的误判，就是把短视频时代的买量公式硬套到助手产品上。助手留存靠模型质量、任务完成率、响应稳定性。广告只能买来首访，买不来复访。 月之暗面这次转向开源，我是买账的，但只买一半。买账的部分在于，2025 年开源已经不是情怀动作，而是最便宜的全球分发。DeepSeek R1 今年初把这件事讲透了：你只要把模型能力打到开发者愿意自发搬运、评测、做二次封装，社区就会替你完成一部分市场教育。K2 一周冲到 OpenRouter 趋势榜第二，这个信号至少说明两件事：一是海外开发者确实愿意试；二是月之暗面不再只靠中文互联网声量活着。对一家中国模型创业公司，这比再刷一轮国内 DAU 更有用。 我只买一半，是因为 OpenRouter 趋势榜不等于稳定用量，更不等于可持续收入。趋势榜吃新鲜感，吃模型上新，吃开发者围观。Anthropic 和 OpenAI 过去两年都证明过，排行榜热度和企业采购是两套系统。企业最后看的是延迟、稳定性、工具调用、账单可控、法务能不能过。文中说海外 API 收入 9 到 11 月增长 4 倍，这个增速很好看，但正文没披露起始基数、客户结构、毛利率，也没说收入是集中在 coding/agent 还是通用调用。没有这些，4 倍更像“方向跑通了”，还不是“规模已经站住了”。 还有一个地方我有点警觉：内部信里把付费用户月环比增速写到超过 170%。这个数字太猛了。连续几个月 170% MoM，意味着规模会呈爆炸式膨胀。除非基数很小，或者统计口径只覆盖某个新区域、新产品线，不然这个曲线很难长期成立。正文没有给付费用户绝对数，也没有拆国内海外占比。我不是说它不真，我是觉得这种数字拿来鼓舞团队可以，拿来判断商业质量还不够。 外部参照也很清楚。2025 年几家中国模型公司里，智谱和 MiniMax 更靠近资本市场叙事，阿里、字节、腾讯则把模型当作平台防御的一部分。月之暗面卡在中间：它既没有大厂的流量护城河，也还没到上市公司那种财务透明度。这个位置很难受，但也有一个好处——决策能更狠。砍多模态、停部分 C 端尝试、把重心压到 K2/K3、Agent、海外 API，这些动作在大厂内部都会撞很多组织墙，创业公司反而转得动。 我还想补一层文章里没展开的上下文。2025 年下半年，行业里对“模型公司还能不能独立存在”这件事，口风已经变了。去年很多人觉得独立模型厂最后都会沦为云厂商附庸，或者被应用层吃掉。可 DeepSeek 把开源势能做出来后，大家重新接受了一种结构：只要你能用模型能力换来全球开发者分发，再用 API 和 agent 工具链吃收入，独立公司并非没路。问题在于，这条路要求你持续出强模型，不是半年出一次，而是每一代都不能掉队。杨植麟在信里说 K3 会继续投入预训练，还要做训练和 Agent 产品 taste 的垂直整合。这句话我觉得比融资额更关键。它等于承认月之暗面不打算只做一个便宜 API 供应商，而是想把“模型风格”和“产品体验”绑死。 这条路也最烧钱。100 亿元现金看着很多，但放到前沿预训练、推理补贴、海外销售、研发激励，消耗速度会很快。文中说 2026 年平均激励是 2025 年的 200%，还上调期权回购额度，这说明公司自己也知道，下一阶段先保人，再谈收入。模型公司一旦在核心研究员和工程负责人上掉链子，后面所有开源、Agent、商业化都会失速。 所以我对这轮融资的结论是：它证明月之暗面暂时脱离了“投流噩梦”，没证明它已经穿过“模型长跑”。能不能站稳，不取决于这 5 亿美元本身，而取决于 K3 出来后，海外开发者还愿不愿意继续用，企业客户愿不愿意长期付，Agent 产品能不能把模型能力变成高频工作流。正文把方向讲清了，最关键的三组数据还没披露：K2/K3 的成本效率、海外 API 收入基数、Agent 产品的留存。没有这三组数，我不会把这轮融资看成翻盘，只会看成月之暗面拿到了一次继续证明自己的机会。

OpenAI 在 2025 年 12 月 11 日推出 GPT-5.2，API 即时开放，ChatGPT 付费用户当天开始灰度。我的判断很直接：这次发布的主轴不是“更聪明一点”，而是 OpenAI 把 GPT-5 系列往可计费的专业工件生产上推了一大步。三条官方内容同时出现：Introducing GPT-5.2、GPT-5.2 system card 更新、science and math 专文。来源全是 OpenAI 自家，不是多家独立媒体交叉验证，所以一致性主要来自官方口径。覆盖宽度仍然有信号：OpenAI 没把它包装成单篇模型升级，而是同时给产品、评测、安全和科研能力各开一扇门。 最硬的数字在 GDPval。GPT-5.2 Thinking 在 44 个职业的知识工作任务中，对人类专家“胜或平”达到 70.9%。GPT-5 在同一张表里是 38.8%。OpenAI 还说输出速度超过专家 11 倍，成本低于专家 1%。这个叙事非常清楚：不是跟 Claude、Gemini、Qwen 比聊天，而是直接拿“行业专业人员”做参照。它想让企业买单时少讨论 token 单价，多讨论每个 spreadsheet、deck、schedule、diagram 的边际成本。 我对 GDPval 仍然保留疑虑。它测的是 well-specified knowledge work，任务边界被定义得很清楚。企业内部真实工作往往卡在需求含混、数据权限、政治判断、版本历史和背锅链条上。GPT-5.2 能在销售演示、会计表格、排班表、制造图、短视频这类任务上赢专家评委，当然很强。但“胜或平”不是“可无人交付”。原文也用了 human oversight 这个前提。这个前提不能被营销图表吞掉。尤其是复杂 spreadsheet 和 presentation 生成，正文明确说可能需要 many minutes，且需要 Plus、Pro、Business 或 Enterprise，选择 GPT-5.2 Thinking 或 Pro。企业部署里，等待时间、复核成本、权限接入，都会吃掉一部分 11 倍速度收益。 代码部分的信号更稳。GPT-5.2 Thinking 在 SWE-Bench Pro 公共榜拿到 55.6%，GPT-5.1 是 50.8%。SWE-bench Verified 是 80.0%，GPT-5.1 是 76.3%。SWE-Bench Pro 覆盖四种语言，OpenAI 强调它比只测 Python 的 Verified 更抗污染、更贴近工业。这个角度我比较买账。过去一年 coding agent 的竞争已经从“补全一段函数”转到“跨 repo 修 bug、跑测试、生成 patch、处理工具链”。Cognition、Warp、JetBrains、Augment Code 这些伙伴被点名，也是在给开发者工作流背书。但这里也要冷静：伙伴反馈不是独立 benchmark。JetBrains 或 Augment Code 看到的提升，可能来自模型本身，也可能来自更好的工具调用协议、上下文打包、IDE 侧集成。正文没有拆开这些贡献。 数学和科学数字很漂亮。GPQA Diamond 无工具 92.4%，AIME 2025 无工具 100.0%，FrontierMath Tier 1–3 为 40.3%，Tier 4 为 14.6%。ARC-AGI-2 Verified 从 17.6% 跳到 52.9%，这个跃迁最扎眼。OpenAI 另开 science and math 专文，说明它知道这些数字会被研究圈单独审视。可我会把它和产品主文分开看：数学竞赛和科学图表推理能证明推理稳定性提升，却不能直接证明长程代理在公司系统里少犯错。二者相关，但中间隔着工具权限、环境状态、异常恢复和审计链。 这次 OpenAI 的包装方式很像对 Anthropic 的企业心智反击。Anthropic 这一年一直把 Claude 往 coding、agentic computer use、企业安全感上推。OpenAI 这次用 GPT-5.2 Instant、Thinking、Pro 三档铺进 ChatGPT，又把 Notion、Box、Shopify、Harvey、Zoom、Databricks、Hex、Triple Whale、Cognition、Warp、JetBrains、Augment Code 拉进同一篇文章。名单覆盖文档、协作、法律、会议、数据、代码。它要传递的不是单点能力，而是“我已经在你们的工作软件里跑起来了”。 安全卡单独成为 event member，我觉得很关键。正文只截到 safety 目录，未披露完整安全卡细节，所以不能评价 GPT-5.2 在生物、网络、欺骗、自治代理风险上的具体阈值。标题已给出 system card 更新，正文未披露完整安全数字。对长程代理模型来说，安全卡不是合规装饰。模型越擅长多步任务、工具调用和代码修复，越需要看它在拒绝策略、权限边界、沙箱逃逸、prompt injection 上有没有退步。OpenAI 把 system card 与产品发布并列，是正确动作；但从目前正文看，发布稿仍然把商业可用性放在了更中心的位置。 我的结论偏强但不盲信。GPT-5.2 的数字足够让团队重新跑一遍内部 agent eval，尤其是表格、PPT、数据分析、长 repo 修复这些高频工作流。别拿聊天体感判断它。要用你自己的权限系统、真实文件、失败恢复脚本、人工复核标准去压。OpenAI 这次最聪明的地方，是把“模型能力”说成“交付物质量”。但交付物质量只有在企业真实约束里才算数。官方三篇文章给了很强的起跑信号，独立复测还没跟上。