今天 AI 圈在拼交付，不是拼参数

Anthropic 把 100 亿美元押给一家成立几个月的云公司，图的是交付快

这条我会先打个折——今天 AI 投资圈最值得看的不是金额，是结构。Anthropic 跟一家叫 Volta 的云初创公司签了 100 亿美元长约，平均每年 17 亿美元。Volta 成立才几个月，估值 24 亿，手里几乎没硬件。

它的算力是从比特币矿商 Bitdeer 在挪威的一个 121 兆瓦站点租来的，芯片由 英伟达供、戴尔组装。Anthropic 花钱买的是速度——传统超大规模云厂商的合同谈判和部署周期太长，它等不起。但代价是扛下了一种超大规模云厂商合同从未有过的交易对手风险：一家刚成立、自己没硬件的中间商，能不能稳定交付百亿美元级别的算力？

这不是第一次有 AI 公司为了抢算力走非传统路径。之前 CoreWeave、Lambda Labs 这些 GPU 云已经靠类似模式吃到了红利。但 Volta 的体量和成立时间让这笔交易的风险敞口明显更大。Anthropic 显然认为速度比风险更重要——或者说，它判断 Claude 的迭代窗口比合同安全更紧迫。

有意思的是，同一天 Anthropic 还宣布任命 Mariano-Florentino Cuéllar 为首任首席全球事务官，负责全球政策和政府关系。Cuéllar 曾任卡内基国际和平基金会主席、加州最高法院法官，今年 1 月起还担任 Anthropic 长期利益信托受托人。一边在算力上冒险抢速度，一边在政策上铺长期布局，这两件事放在一起看，Anthropic 的优先级很清楚。

工信部把 L3/L4 自动驾驶安全要求升级成强制国标，2027 年 7 月实施

这条没有悬念，但时间线值得记住。工信部把 2024 年的推荐标准升级成了强制性国标 GB 44721—2026，专门管 L3（有条件自动驾驶）和 L4（高度自动驾驶）系统的安全要求，2027 年 7 月 1 日起正式实施。

这会让以后 L3/L4 产品上市前，必须跨过这道统一的安全门槛，不能再各说各话。起草单位名单很长：比亚迪、蔚来、小鹏、理想、小米汽车、华为引望、吉利、长安、博世、地平线等都在里面。从发布到实施留了将近一年，给车企留了缓冲期，但红线已经划好了。

这条新闻的价值在于它划了一条明确的上市红线，但缺少具体的安全指标和测试方法，所以暂时没法判断门槛到底有多高。另外，同一天 英伟达开源了面向 Robotaxi 和自动驾驶的 Alpamayo 2 Super 模型，基于 Llama 架构，用驾驶数据训练，可免费商用。两条消息放在一起看，国内车企在合规上有了明确时间表，在技术上多了一个可控的基础模型选择。

商汤开源 SenseNova U1，一个模型同时搞定推理和出图

商汤放出了一个叫 SenseNova U1 的开源模型，把逻辑推理和图像生成塞进了同一条流水线。它能直接把一句提示词变成带图的结构化幻灯片，也能一步步边想边画，比如演示怎么分六步画出一条龙。模型代码和权重已经挂在 HuggingFace、GitHub 和 SenseNova Studio 上。

这个方向有意思——不是多模态模型各干各的，而是推理和生成在同一个流程里交替进行。信息图模式可以直接把文字转成结构化幻灯片，交错模式则逐步生成图文内容。但正文没提参数量、训练数据和跑分，实际效果和资源消耗得自己试了才知道。

同一天还有几个模型发布值得提：蚂蚁百灵开源了 Ling-3.0-flash 的权重，BF16 和 FP8 两种精度直接给，省了自己量化，但同样没提参数量和跑分。腾讯混元发布了 Hy ASR 3.0 preview，基于大语言模型 Hy3 与 MoE 架构，中文普通话 WER **3.

34%**、英语 WER 2.62%、粤语 WER 3.12%，支持上下文纠错和热词注入，已上线腾讯云 API。通义千问上线了 **Qwen-Image-3.

0-Pro**，在 Arena 文生图榜单上拿了中国模型第一，能处理 4500 个 token的提示词，文字渲染精度到 10 像素级别，支持 12 种语言，Pro 版 0.04 美元一张图。

GitHub 用堆叠式 PR 把 AI 生成的巨型代码拆成人类能审的小块

GitHub 工程师分享了一套处理 AI 生成大块代码的工作流：先让模型一次性吐出整个功能的代码，再用堆叠式 Pull Request 自动把几千行改动按文件依赖和语义拆成 200 到 400 行一个的逻辑块。每个 PR 只关注一层改动，审阅的人不用同时看所有东西。

具体做法是把 1000+ 行的大 diff 按数据、API、接线、UI 拆成 L1-L4 四个独立分层，每层可以分配给不同的审查者。文章给了具体命令和分支命名规范，但没披露内部有多少人用、审阅时间到底缩短了多少。

这个思路很直接：AI 能写代码，但人类审代码的带宽没变。堆叠式 PR 不是新概念，但用在 AI 生成代码的审阅流程上，算是把老工具用在了新问题上。同一天 Cloudflare 也分享了一个类似思路——他们搭了一套叫"软件工厂"的自动化流程，用 Workers AI 自动分类、去重、回复常见 GitHub issue，只有边缘情况才交给人工，最终把 Astro 项目的 issue 数降到了零。两件事放在一起看，AI 在软件开发流程里的角色正在从"写代码"扩展到"管流程"。

Swiftlet 让 Mac 用 4.3 GB 内存跑 80B 模型，iPhone 也能跑 35B

Swiftlet 用 Swift 和 Metal 重写了 MoE 模型的推理方式，只把一个小型稠密核心常驻内存，专家权重按需从存储流式加载，不用全塞进内存。一个 80B 的 Qwen3-Next 在 Mac 上只占 4.3 GB 内存，35B 模型能跑在 iPhone 上。

这个方向的价值很明确：把大模型从云端拉到本地设备上。但缺少延迟或每秒 token 数，所以实时性先别太期待。同一天 Simon Willison 把 MiniMax-H3 搬到了苹果芯片上，在 M5 Max MacBook Pro 上跑了不到 45 分钟生成了一段 15 秒视频，画面看着不错但声音是乱码。Soup v0.72.4 号称能在 4GB 显存的笔记本 GPU 上微调 8B 模型，用的是层流式加载，但目前 GitHub 上只有 186 颗星，算早期项目。

这几条放在一起看，本地运行大模型的门槛在快速降低，但从"能跑"到"能用"之间还有不小的距离。

今日小信号

• SpecForge v0.3 把投机解码的训练流程拆开了，推理和训练不再绑死，8 张 H20 上吞吐高了约 10%，还一口气支持了 EAGLE3、DFlash、Domino 等六种草稿模型方案。
• Reflex 开源 XY，一个用 Rust 写核心的 Python 绘图库，号称 1 亿点图表不卡顿——1 万点 0.071 秒，1 亿点也只要 0.081 秒，速度提升主要靠绕过 JSON 解析瓶颈。目前还是 v0.0.1 早期 alpha。
• Replit 推出"环境智能"功能，不用写提示词，在画布旁点卡片就能自动生成设计变体。省了写 prompt 的功夫，但没提底层模型和免费版能用几次。
• GPT-5.6 Luna 降价 80% 永久生效，不是临时促销。同一天有分析指出 Anthropic 的 Fable 5 定价每百万输出 token 50 美元，较 Opus 5 翻倍——AI 定价在分层，便宜的更便宜，贵的更贵。
• Google Cloud API Gateway 开始公测模型路由，一个接口统一调用 Gemini、Claude 和 OpenAI 开源模型，路由规则写在 OpenAPI 3.x 配置文件里。