AX 严选 · 2026-07-19

黄仁勋 7 月 15 到 16 号在东京谈下来的东西，核心不是某款芯片，而是 Nvidia 想把自己变成日本“物理 AI”的基础设施。最值得看的是 Noetra 项目：政府拉上软银、索尼、本田等 44 家公司，五年砸 1 万亿日元（约 62 亿美元），要自己搞一套给机器人、汽车和工厂产线用的 AI。说白了，日本不想在工业 AI 上被美国或中国的模型卡脖子。同时，Nvidia 跟发那科、安川电机等机器人厂商组了个 Cosmos 联盟，用模拟数据训练机器人，省去大量真实环境试错。材料端也没落下，JSR、信越化学、东京电子拿到了下一代 AI 芯片的供应协议。 但得打个折：目前这些都是框架协议，不是交付订单。62 亿美元摊到五年，对 44 家巨头来说不算夸张。正文没披露具体的技术路线、算力规模，也没说这些模型最终由谁运营、数据归谁。日本产业界协调能力向来慢，44 家能不能拧成一股绳是个大问号。如果后续没有明确的执行时间表和落地产品，这些协议就只是把已有的供应链关系重新包装了一遍。

Seed Audio 1.0 做了一件音频生成领域一直没做好的事：不再把对白、音效、环境声分开生成再手动拼接，而是用一个通用声学编码器把它们当成同一场景的不同部分统一建模。这意味着你可以在 prompt 里直接写“第3秒门铃响，第5秒主角用疲惫的语气说台词”，模型能按 100 毫秒精度执行。零样本声音克隆给一段参考音频就能复刻音色，单次生成约 2 分钟，还能在保持音色一致的前提下继续延长，这对有声书、播客这类长内容比较实用。 评测数据看起来不错：影视、播客、短剧等场景的音频可用率超过 90%，大部分语言的 MOS 分在 4 以上。但要注意，这些是字节自己做的内部评测，没有第三方对比基准，也没有公开测试集。越南语的指令遵循 MOS 低于 3.5，说明多语种能力还不均匀。另外，正文没披露模型参数量、推理延迟和实际成本，这些对判断能不能落地很关键。 目前模型已在火山方舟体验中心上线，但没提 API 定价和商用授权细节。如果你要做视频配音或短剧音频，可以先拿自己的素材试试，重点看长音频场景下音色一致性会不会漂移，以及复杂时间线指令的准确率。

面壁智能和 OpenBMB 放出的 MiniCPM5-2B 在 AA-Index 上拿了 17 分，平均 54.26，是目前 4B 参数以下模型里最高的，比 Qwen3.5-2B 强一点。它原生支持混合思考，意思是模型自己会判断要不要多想几步，不用外部开关控制；512K 上下文窗口相当于一次能塞进一本很厚的书。发布当天就完成了华为昇腾、英伟达等 9 款芯片的适配，这点对想在不同硬件上跑模型的人挺友好。 不过正文没披露推理延迟和内存占用，这两个数字直接决定它能不能在手机或嵌入式设备上流畅跑。另外 AA-Index 是个综合榜单，具体子项得分没展开，不知道是推理强还是知识面广。开源时间也只说了“即将”，没给具体日期。这些信息缺口让“端侧可用”这个判断暂时只能打七折。

阿里 Qwen 放出了 Qwen3.8，一个 2.4T 参数的开源模型，权重很快会公开。团队自称这是目前最强模型之一，仅次于 Fable 5，预览版已经在 Token Plan、Qoder 和 QoderWork 上线。但整篇公告没贴任何 benchmark 分数，也没提训练数据规模、推理延迟或部署成本。2.4T 参数听起来唬人，可参数多不等于好用，尤其对想自己部署的团队来说，这么大的模型跑起来烧钱又吃硬件。开源是好事，但“最强”这个结论需要独立验证。我会等第三方跑分出来再看，现在只能当它是一个大号预览。