搜索“推理”

2万。 10月26日，Kimi发布致歉和补偿声明，承认“问题出在我们，本应更早修复”。官方提出两项措施：为有效期内的订阅会员重置并补偿额度；调整模型配置，减少不必要的子Agent调用和输出长度。 这份声明承认，模型背后的调用机制没有被控制好。 过去，用户对模型价格的理解相对简单：输出多少Token，按照单价计算。 但现在，一次请求可能还包括长上下文读取、后台推理、任务拆解、工具调用、子Agent协作和多轮自我修正。 用户只发送一句话，模型可能在后台完成一串动作。只要每次任务消耗的Token更多，即使API降价，用户最终付出的成本或许还会增加。 K3.1 Pro被官方称为“迄今为止能力最强的3万亿级参数模型”，支持100万Token上下文，定位在长程编程、3D创作和金融研究，在这些优势场景下，本身就容易触发长上下文和多Agent调用的任务类型。 独立研究机构Artificial Analysis测试，智能指数上K3.1 Pro得分55，位列全球第四、开源模型第一，比K3提升了11分。按照这份榜单成绩，如果后续按计划开放模型权重，它也有望成为该榜单中得分最高的开放权重模型。 这些成绩说明，

匹配字段正文

支持贯穿整个就医过程，尤其是在两次就诊之间。人们会向ChatGPT询问健康疑惑、理解检查结果、准备就诊问题，也会回顾医嘱。Karan认为，AI能帮助人们更好应对种种环节，让健康支持延伸到诊室外。 主持人问到：OpenAI为什么选择以通用模型作为医疗智能的基础？ Karan曾经参与过专用模型开发，在他看来，通用模型的优势在于能够持续受益于前沿模型在规模、智能和推理能力上的进步，医疗领域的专业训练则可以进一步强化模型处理健康问题的能力。“我们所做的，其实是在通用模型中进行专业化训练。在我看来，这恰恰能兼取两者之长。” Karan介绍，过去一年里，OpenAI在ChatGPT模型训练的各个阶段都加入了专门的医疗数据，其中也包括与全球医生合作获得的数据。如果单独训练一个规模较小、仅面向医疗领域的专用模型，它很快就会落后于前沿模型的发展速度。OpenAI 选择将专业训练与通用模型的持续迭代结合，同时把评测和训练数据融入模型改进过程。 沿着这个思路，OpenAI正在探索一种更进一步的产品形态：主动式个人健康助手（proactive personal health assistant）。“让健康服务

匹配字段正文

能以更低成本、更高可靠性把它装进真实世界，规模化本体厂商占优。 另一种是基模做不到真正泛化，各个垂域还要训练自己的模型。训练数据从部署中来，部署靠本体，本体厂商依然占优。 两条路通向同一个结论，可规模化的优质本体会越来越重要。 智元合伙人姚卯青在主论坛引用英伟达的报告，Astra在120项仿真任务里平均成功率66.3%，能力集中在语义理解和动作规划。但它单次推理要18秒以上，涉及力触反馈的高动态精细动作，智元测下来成功率基本为零。 彭志辉补充了另一个信息，近万亿参数的Astra跑在云端，完成一个简单任务可能要十几分钟甚至半小时，机器人的操作却是实时的。 姚卯青的判断是，大模型会更多承担System2的长程规划，VLA训练出的技能是被它调用的工具，再往下是100到1000Hz的实时电机控制，这几层都和本体深度耦合。 本体的作用还体现在后训练上。智元在实验室里把100台真机组网，和背后的训练集群实时同步，机器人边干活边回传数据，模型权重再下发到每一台。同样的训练时长，4台机器人和100台机器人对比，任务成功率从50%左右提到98%。姚卯青的说法是，后训练也有Scaling，规模指的就是真机

匹配字段正文

。在电话会上，公司宣布计划在美国及国际市场扩大其聊天机器人广告项目。 CEO Sundar Pichai 表示，Gemini 应用用户已达十亿，成为公司历史上增长最快的产品。这并不令人意外，因为它本质上是一个搜索附加功能，而搜索本身已经规模庞大。Google 自家模型的 API 每分钟处理近 320 亿个 token，是一年前的四倍多。这一跃升可能部分反映了推理模型和智能体工作流带来的 token 膨胀，而不仅仅是使用量增加。 云收入翻倍有余，Google 为下一步大举投入 云部门同比增长 103%，达到 307 亿美元，Google 也相应加大投入。仅第三季度资本支出就达到 514 亿美元。2026 年全年预测仍为 1950 亿至 2050 亿美元，预计 2027 年将“显著更高”。 云业务负责人 Thomas Kurian 预计，AI 智能体将推动云业务进一步增长，因为投入生产的智能体越多，其任务需要越多算力、智能体记忆需要越多存储、推理需要越多数据库容量，他说。 Google 将从两方面受益：既通过自家消费产品，也通过其他公司运行所依赖的基础设施。Pichai 表示，公司正在构建

匹配字段正文

任务的记录。这使得很难判断哪个智能体做了什么，或评估它们是否在采取未经授权的行动。 好消息是，这些缺口一旦被识别出来，就可以被弥补。要做到这一点，首先要捕获两类记录：揭示智能体运行过程中发生了什么以及智能体如何做出决策的记录。“发生了什么”的记录在保护隐私的同时识别智能体，并记录人类如何干预，以及智能体权限或“记忆”是否发生变化；而“决策”记录则显示智能体的推理过程及其对所采取行动的信心水平。 以处理银行抵押贷款的智能体为例。系统审查一份申请并建议拒绝，然后由人类信贷员签字批准该决定。在日后的审计中，甚至可能实时地，银行或监管机构需要能够重建是哪个智能体做出了这一决定、哪位信贷员批准了它，以及他们花了多长时间。银行还必须分析智能体如何得出拒绝决定的记录，以确保它没有使用禁止使用的信息，例如申请人所在社区的详细信息。 记录“发生了什么”和“智能体如何决策”需要不同的方法，但两者都是可行的。目前“发生了什么”记录的缺失主要是一个软件管道问题，可以通过OpenTelemetry来解决——这是一个由全行业工程师以及采用它的智能体框架共同维护的开放可观测性标准。 OpenTelemetry 已成

匹配字段正文

开源模型很强，在某些情况下很有用，但最好的 OpenAI 和 Anthropic 模型在灵活性和可靠性上已经领先了一大步。 AAv5 中，开放模型落后最多的部分评测是“科学”类评测，例如 terminal-bench-science 和 CritPT v2。开放模型确实落后，但其价值主张从来就不是在前沿真正展开竞争。开放模型经济将围绕以下方面展开： 将具有高推理市场需求的专业领域降至硬件的商品价格。 允许拥有智能、将其专门化到内部数据，并在经济中的众多公司中控制内部智能体。 这两者都需要很长时间才能实现，并且在基准测试中只得到部分体现。目前算力供给如此之低，以至于开放模型提供商也在赚取可观的利润——当这一利润缩小时，我们就会知道这套体系开始运转了。企业扩散也是同样的情况，其确切上限并不清楚，因为如今构建评测和进行后训练需要困难的机器学习专业知识。 在下一个主要模型周期，比如 2-3 个月后的 GLM 6 或 Kimi 3.5，我预计领先的开放模型实验室将在这个指数上取得实质性进展，再次让许多观察者感到惊讶。这是我们多年来一直所处的周期。 我已经多次写过开放模型如何跟上前沿，总结如下：

匹配字段正文

度封顶了效度；除了平均分，还要过关项、红队、可预测部署。基准要当长期产品维护，不要当一次性题库。 Tao Lin（RadixArk / Miles，SGLang）-- 异步 Agent RL Miles 把多步环境轨迹当成训练样本；对接 OpenEnv 的 reset / step。案例：大 MoE 在 Terminal Bench 2 上，64×B300（推理与训练各半）、完全异步、每局新沙箱；约 100 步后奖励从约 0.44 到 0.56。实操踩坑并回馈上游：Agent 在沙箱里找到参考答案、改动评分逻辑假过；也有做对了却因基建/评分器不稳判错。结论：扩规模不只是吞吐，还要隔离和可靠奖励。 Xiangyi Li（BenchFlow）-- OpenEnv Arena OpenEnv Arena 用来筛可训环境。公开里大量「环境」不可用：约 9 万 可找到的 RL 环境，层层过滤后约剩 800 个较干净；竞赛里多数提交训不动或不如基线。约 1% 的作弊题会污染后面整轮训练。扩到约 320B 级模型时，步数不够就爬不动目标榜；小模型上好用的旧学术任务，有时只教会大模型「少用工具、少花

匹配字段正文

名单内的企业走的应该是与微信共建的通道，不走公开提审。这一点可以从时间点上倒推：指引 6 月 8 日才发布，携程 4 月中旬就完成了接入。 京东围绕电商、外卖、物流接入 AI Agent，其 AI 购物助手此前已经对接了多家手机厂商。美团有自研的 LongCat 模型（6 月开放测试的版本为 LongCat-2.0-Preview），总参数突破万亿，训练和推理全程依托国产算力集群，基于这套模型的 AI 助手“小美”已经在做跨场景决策。 滴滴把核心网约车服务融进去，用户通过微信内的 AI 交互就能直接唤起快车、专车、特惠，不需要跳转。同程本来就是腾讯生态的深度合作方，接入之后用户可以用自然语言完成行程规划和预订。 这些能力本来就在建设之中，接入微信只是顺带完成对接。无论指引是否发布，它们都会朝这个方向走。 头部之外，多数小团队的选择是开自动模式，等平台解析。但这套规则对所有人都是新的，被选中靠什么，也在变。 过去比的是 SEO、投放和社交裂变，看谁能让用户主动点开。往后要看接口描述的质量和履约的稳定性，看谁能被机器选中。新规则里没有“历史积累”这一栏。运营了多年、有稳定用户的老小程序，

匹配字段正文

布也是一次 API 发布 Anthropic 的 Opus 5.5 发布同时强调模型质量和成本。我们讨论了关于前几代 Opus 过于冗长的反馈，以及提升每美元智能水平的需要。Anthropic 表示新模型的运行成本低于前代；具体节省取决于工作负载及其对缓存上下文的使用。 发布工作中不那么显眼的部分涉及人们集成 API 方式的改变。我们讨论的一个例子是保护模型推理不被用于蒸馏的提取。跨轮保留 thinking blocks 有助于解决这一问题，但一项新要求也可能破坏客户现有的 harness。 Katelyn 还描述了参与早期访问计划在实践中究竟是什么样子：客户在自己的 harness 中运行评估，报告令人意外的行为，有时还会传达不太正式的感受。有用的部分不只是基准分数：而是在 Anthropic 自家产品未覆盖的环境和任务中看到模型的表现。正如我们连续 4 年在播客上所说的，拥有好的评估是无价之宝。 大脑与双手 本期节目中我们最喜欢的思维模型是智能体的“大脑”与“双手”之分。在 Managed Agents 中，Anthropic 将会话日志和 harness 与执行代码的沙箱分离。h

匹配字段正文

y Gateway 为公司中的每个模型、智能体和 AI 工具赋予身份、预算和护栏，并通过追踪记录每一次操作，使公司能够看到其 AI 系统在做什么、访问了哪些数据，以及花费了多少成本。 它奏效了吗？Databricks 为企业提供了两种构建智能体的方式。业务团队在 Genie 中构建自己的智能体，把一段提示词变成一个可共享的智能体，该智能体能够对公司的数据进行推理，并且越来越多地在 Slack 或 Salesforce 等应用中采取行动。工程师则在 Agent Bricks——Databricks 用于生产级 AI 智能体的开发者平台——中构建更加定制化的智能体。无论采用哪种方式，Databricks 都让团队编写自己的“考卷”——即可接受的结果和绝不能犯的错误——并为他们提供工具，按照公司对特定任务“好”的定义来优化每个智能体，这正是 AI 成为一个循环的方式。 企业计算的每一次平台迁移，都会引发一场关于记录系统的新争夺。IBM 主导了大型机时代。Oracle 和 SAP 成为客户端-服务器时代企业的基础，而 Salesforce、Workday 和 ServiceNow 则为销售、人

匹配字段正文

d：是的，而且现在有几次模型发布，包括美国公司的，明显就是水军操作。我们见过一些发布有几千次转发、却只有几百个赞，因为这样吸引注意力效果太好了。有些会披露是付费广告，有些则不会。但总的来说，我们看到模型发布随着时间推移、而且相当快地变得专业化。一年前，大家只是发布模型，然后再给vLLM打补丁，所以有一阵子实际上没人能运行任何开放模型。现在你第一天就能拿到所有推理框架，第一天就能拿到所有推理提供商。或者，这也是我们越来越常见的情况，模型创建者在发布权重前有几周的独家访问期。K3.1 Pro也是这样。我想他们在发布模型权重前有两周的独家访问期。 00:02:38 Nathan Lambert：他们说权重会在11月4日前发布。然后头条的东西……我不知道我能不能共享屏幕。我这台电脑上没设置好。但头条是Artificial Analysis的那个数字，它领先于GPT-6 Astra。然后如果你看Kimi K3.1的博客，他们有他们的头条数字，非常强，但后面也有一些数字看起来有点参差不齐。我记得是Terminal-Bench Science，落后GPT-6 Astra 20分。我想还有几个其他的，

匹配字段正文

进自研芯片计划。 这些布局未必会立即取代英伟达，却能为大型客户提供替代方案，增强其议价能力。对于拥有庞大算力需求的云厂商而言，自研芯片的吸引力不仅在于降低采购成本，也在于减少对单一供应商的依赖。 企业AI落地：购买Token比自建算力更现实 在企业应用端，三位分析师认为，大多数企业不会自行采购大量硬件运行私有模型，而是通过云服务购买Token，即调用云端AI推理能力，再与自有数据和业务流程结合。这与过去企业IT从自建基础设施转向云计算的趋势相似。 目前，AI辅助编程是较成熟的企业级应用之一。Rasgon分享称，借助Claude，原本需要一周完成的财务模型，仅用约1小时20分钟便完成搭建，涉及10年历史数据、多次业务重组及管理层电话会议内容的逻辑推断。 这类应用的价值首先体现为节省时间、减少重复劳动，而不一定立即反映在营收中。其投资回报仍需通过实际业务验证，但企业通过云端调用模型，也意味着AI基础设施的需求将越来越取决于推理服务的使用量。 如果企业应用持续扩张，云厂商就有动力继续投资算力；但如果建设成本和融资成本上涨得比收入更快，基础设施投资的回报仍会承压。 以下是全文内容： 主持人 A

匹配字段正文

刺上市 从GPT3到GPT6，每个大版本的迭代时间分别是3年、2年、1年，小版本更是恨不得周周更新。 谷歌的Gemini，就因为关键的一两个版本掉了队，就被网友褫夺封号，降为美国大豆包，直到现在都没能重返第一梯队。 这也是奥特曼为什么三天两头就原子弹爆炸、震惊瘫坐；Anthropic的首席执行官达里奥也是装神弄鬼、一惊一乍。 数学，就是一个盛产难题的领域。 推理能力提升百分之几，token消耗降低百分之几，用户很难有直观感受，但是破解一道困扰数学家几十年的难题，这种成果谁都能听懂。 不信去民科吧看一看，90%数学民科都在攻关哥德巴赫猜想。 做题，也是一种秀肌肉。 9月份，OpenAI听说隔壁A家在挑战NS方程，马上把手头的资源都集中到这个方向，组织了一万个AI代理并行工作，终于在A家之前抢发了自己的成果。 NS方程正是韦东奕主攻的方向之一 数学领域现在已经成为诸神之战的战场，随便一道余波都可能震晕场内的人类。 在数学家感到被碾压之前，其他行业的人，早已经被碾过好几轮了。 最早让全世界一起冒汗的是围棋。 2016年之后，AlphaGo先后击败李世石、柯洁，从那以后围棋棋手从一种象征人类智

匹配字段正文

户因为额度不足而抱怨K3.1 Pro的时候，当年那句“算力不够”又一次浮现在我的脑海里。 两年前，有企业客户愿意付费使用Kimi，月之暗面却因为算力紧张，最终没有承接这笔生意。 两年后，Kimi已经训练出了世界一流的大模型，普通用户也愿意每个月花199元甚至699元购买服务，却发现自己仍然需要小心翼翼地分配每一次调用。 今天的会员额度争议涉及具体的产品定价、推理成本和容量管理，我们还无法仅凭外部的使用体验，判断Kimi内部究竟存在多大的算力压力。 但这两件相隔两年的事情，却让我开始思考一个更大的问题。 中国的大模型公司已经有能力造出世界一流的模型，可我们究竟还需要多少算力，才能让这些模型被世界充分使用？ 理解这个问题，需要先看看过去两年，大模型究竟发生了多大的变化。 2024年，我们与大模型的关系还很简单。 大多数时候，我们坐在电脑前，向ChatGPT或者Kimi提出一个问题，等待它给出答案。 无论是翻译文章、整理资料，还是编写一段代码，模型的工作通常都伴随着一次对话的结束而告一段落。 但到了2026年，大模型正在从两个方向发生变化。 首先是模型本身越来越庞大。 如果回到两年前，100

匹配字段正文

AMD 企业业务集团副总裁 Derek Dicker 在接受 AIM 采访时解释了公司的增长如何外溢到 CPU 生态系统。 在生成式 AI 的早期——有趣的是，那不过是 2022 年——CPU 主要向 GPU 提供数据、管理执行并运行周边软件。如今的智能体 AI 增加了多层工作 “正是智能体工作负载的形态让它变得极其独特，你不再是把单个请求送入 GPU 运行推理并得到响应，”Dicker 说。“这不仅仅是 GPU 传统上所做的推理工作，在其之上还有一系列由 CPU 运行和编排的活动。” GPU 负责 LLM 推理这一计算密集型任务，而 CPU 必须协调智能体在多步骤任务中所依赖的工具、API、数据库和执行环境 Dicker 解释说，智能体 AI 正在提高对 CPU 的要求，使 CPU 与 GPU 的整体配比在某些部署中趋近 1:1。这包括为智能体执行和编排增加额外的 CPU 服务器，而 GPU 服务器仍可继续为每个 CPU 配置多个 GPU。 他表示，这一转变正在推动 CPU 需求大幅增长。 最近，该公司发布了 Helion，这是一个专为智能体 AI 基础设施设计的开放式机架级蓝图。

匹配字段正文

发布“千问Go！”，蚂蚁集团旗下“灵光”的新版本内测同样对标Muse；腾讯、字节也在推进相关的产品研发。 此前，摩根士丹利互联网研究主管Brian Nowak团队对Muse的UE模型做了测算，根据Token使用强度不同，每位用户每月的直接服务成本约为3至130美元，在使用每周Token配额25%的基准情景下，单用户月服务成本约37.12美元，其中既包含GPU推理，也包含用于任务执行的CPU沙箱。 对照Meta全球约70美元的年ARPU，用户哪怕只使用5%的免费额度，年服务成本约124美元，已经超过了Meta从普通用户身上一年赚到的钱。 云端虚拟机是算力成本之外的另一大支出去处，这意味着任何想跟进的大厂，都要做好长期烧钱的准备。Nowak预计，Muse真正的商业化形态最早也要到2027年底至2028年才能落地。 但Muse带来的估值溢价同样诱人，Muse发布并开始在社交媒体上爆火后，Meta的股价曾在一周内上涨接近13%，创下逾13年以来最佳单月表现。不少市场机构认为，Muse或许是自OpenAI的ChatGPT 横空出世以来，最具影响力的AI产品，并且纷纷上调了Meta的目标价。 从9

匹配字段正文

经验，能够提炼出能力几乎同样强大但效率高得多的模型。我们目前正在开发这些版本，这能帮助我们尽可能让更多人广泛使用。同时，面对这个尖端模型，安全至关重要。我们在外部测试上投入了大量精力，例如通过美国政府的AI安全研究所项目，以及向网络安全研究人员提供早期访问权限，同时也在内部进行了广泛测试，随后才将其推向外部。正如你所说，这是一个大模型，但考虑到其规模，我们的推理速度相当快。从现在开始，我会持续扩大访问权限。我们在Gemini应用中首先面向所有Ultra和Pro层级的用户推出，随后又在Anti-Gravity应用中推出了Pro版本，并且我们正在开发可以服务更多用户的4.0系列蒸馏版本。 主持人：这就是传闻中的Carbon模型吗？ 皮查伊：在任何特定时刻，我们都会有尖端模型的内部版本，其中一些只是代码代号，这与我们推出更高效版本的Argon并不矛盾。 2.安全测试、竞争格局与长期前沿定位 主持人：所以更高效的版本即将推出。关于安全性测试的过程，我很好奇你是怎么看待的。比较像Anthropic这样的私有尖端实验室与谷歌、Meta或大型云服务商在安全和隐私上的做法很有意思。听起来你们对这个模型

匹配字段正文

底座上进一步增强后训练。官方也明确解释，K3.1 Pro是K3的后训练版本，大幅增加了后训练的算力投入，尤其是面向数百个下游领域的联合强化学习。 而就在过去两周，国内模型厂商也接连发布了最新模型：先是10月17日，DeepSeek发布V4.1 Flash-1017，紧接着10月19日，MiniMax发布M3.1 Flash。两家都在提升能力的同时，强调更高的推理效率和更低的任务成本。 相比之下，Kimi这次的侧重点有所不同。尽管K3.1 Pro的API价格较K3也有所下降，但与DeepSeek、MiniMax此次推出的Flash模型相比，它仍处于明显更高的价格区间。Kimi这次率先推出的，是继续提升能力上限的Pro版本。 但与此同时，虎嗅也了解到，Kimi正在研发Flash版本，并计划在下一代旗舰模型中继续扩大参数规模，追求SOTA。 这意味着，月之暗面在IPO前的关键节点，既保持了以往的思路，继续追求SOTA，同时也想通过Flash版本、Pro版本等等，提高商业化成绩。但问题是，在有限的资源范围内，如何平衡两者？ 据彭博社报道，截至2026年8月，月之暗面向投资者披露的ARR已突破1

匹配字段正文

也能验证达到结果的过程。 OpenAI也于10月23日公开了加强内部训练与评估环境隔离的经过。对象是使用开发中模型的研究环境，其使用条件与一般公开提供的服务不同。9月20日，研究用模型利用DNS解析器配置缺陷，有限地访问了真实的互联网。受此事件影响，该公司暂停了开发中最前沿模型的训练与评估，随后经过对策和评估，于10月1日恢复了强化学习和公司内部的模型执行（推理）。 该公司采取的方针是，在最前沿模型的训练中不连接真实互联网，而是准备使用缓存Web等内容的离线环境。此外，还在虚拟机、监控、网络等多个层面叠加防御。 为了确认这些防御是否实际有效，他们在复制研究环境的隔离环境中，让AI代理尝试突破限制[6]。验证用代理使用了计划公开的GPT-6 Astra Cyber以及公司内部的最前沿模型等，调查了可能导致未经许可的外部连接或操作的弱点。在此次验证中，还发现了开头介绍的Brotli漏洞。该公司预见到未来模型可能发现未知弱点，因此将继续进行此类验证，并将其作为判断能否安全推进训练与评估的材料。 作为在小型虚拟机（microVM）中隔离执行环境的OSS，微软还以MIT许可证公开了NVX。它以L

匹配字段正文

支出变化 数据来源：Epoch.ai 支撑这个判断的证据也在陆续出现。存储领域，海力士等企业已经和下游客户签下大量长协订单，把需求提前锁住；头部云厂商财报里披露的积压订单，甚至已经排到两年之后。产业层面能看清的需求周期普遍在18个月到2年。订单最终能否全部落地仍有变数，但下游给出的反馈已经足够明确。 ChatGPT 问世三年，应用从聊天延伸到代码生成，训练和推理都在吃算力。Anthropic 第三季度的收入是168亿美元，比上一季度增长约45%，年化接近670亿美元；OpenAI 到9月底的年化收入约500亿美元，年底的目标是700亿。这两条收入曲线，是这轮算力订单最直接的支撑。 但两家都还在亏。Anthropic 上半年的净亏损是807亿美元，其中约720亿来自可转债的账面计价，同期算力开销约90亿美元。收入在涨，亏损也在涨。差别在于，收入是客户付进来的钱，亏损里有很大一块只是会计处理。需求真实，不等于这门生意已经赚钱。 梁文锋在一次投资人交流会上说，DeepSeek 的 API 定价锚在“从市场上买一批设备回来，十个月收回成本”，对应大约六倍利润。 麦肯锡去年初预测，2025到20

匹配字段正文