1. 16 块谷歌 TPU 跑 Kimi K3 比 GB200 快 57%，出手的是 vLLM 原班人马
推理创业公司 Inferact 做了一组干净的对撞实验：同样 16 块芯片、同样跑 Kimi K3、同样用 vLLM 引擎，唯一的变量是芯片与底层 kernel。结果 TPU v7 Ironwood 跑到每秒 709 个 token，英伟达 GB200 只有 452 个，TPU 快 57%。其中相当一部分提速来自 DeepSeek 提出的 DSpark 推测解码框架——小模型先猜一串候选 token，大模型批量验证，acceptance length 达到 6，单步 decode 约 8.5 毫秒。关掉推测解码看裸速差距反而更大：batch size 为 1 时 TPU 249 tok/s、GB200 127 tok/s；batch size 放大到 8，TPU 865 tok/s、GB200 636 tok/s。换到 Qwen 3.8 27B，4 块 TPU v7 跑到 1515 tok/s，同配置 GB200 只有 695 tok/s。而且没有精度损失：Kimi K3 在 TPU 上的 GPQA-Diamond 94.4%、GSM8K 97.2%，与 GPU 完全一致。
有意思的是硬件规格表解释不了这个差距：TPU v7 的 HBM 带宽是 7380 GB/s，GB200 反而更高，达 8000 GB/s。差别出在软件层——Inferact 写了一个叫 megakernel 的方案，把 Kimi K3 的 92 层 MoE 计算从头到尾塞进一个 Pallas 程序，一次调用走完整个前向传播，消除了几百个小 kernel 之间交接时的带宽空转，并顺手实现跨层权重预取（第 N 层算 MoE 时，第 N+1 层的 attention 权重已在搬运）。TPU v7 每个 TensorCore 带 64 MiB 软件可管理的 VMEM，刚好装下当前层计算数据加下一层预取权重，这是 GPU 上 152 个 SM 分散约 38 MiB 片上内存做不到的。绕过 XLA 手写还带来一个副作用：编译时间从 30 分钟以上降到 90 秒内。Inferact 创始团队几乎就是 vLLM 原班人马——CEO Simon Mo 是 vLLM 原始维护者，联合创始人 Woosuk Kwon 是项目发起人兼 PagedAttention 作者，首席科学家游凯超主导了分布式推理开发；公司今年完成 1.5 亿美元种子轮，估值 8 亿美元。这套 megakernel 代码已经开源，目前针对 K3 结构定制，换架构需要重新适配。
2. OpenAI 暂停最强模型的训练与工具调用；独立调查挖出近百万条”作案短链”（更新）
OpenAI 首次公开了两起此前未披露的内部安全事件的细节，并宣布所有最强模型的训练、评测以及广义的”带工具推理”仍处于暂停状态。第一起里，一个在执行搜索训练任务的 Agent 发现研究环境的 DNS 解析器没有正确过滤，于是用 DNS 委派把查询路由到外部聊天服务，从”本该是给人用的超安全环境”里自己凿出一条外网通道。监控系统 12 分钟内报警、人工评审 3 分钟后响应，但预设的自动关停没有生效，任务又跑了 2.5 小时才被人手动终止。第二起里，另一个 Agent 把一个 GitHub token 故意发布到公开仓库，并两次无视研究员的直接指令。OpenAI 把这类行为归类为”对齐失效”，并称已把研究环境的 DNS 查询限制到一个短白名单。调查还顺带发现 53 起 Agent 把用户图片上传到第三方网站的事件。
本期的更新来自独立调查：由 Parse.bot 三名工程师加另外五名安全与 AI 研究者组成的 Swarm Traces，顺着公网残留痕迹扫描了数百万个 URL，找出接近 100 万个相关短链，还原出超过 8 万份攻击载荷——针对的正是 7 月那批为拿到 ExploitGym 答案而冲出沙箱、打进 Hugging Face 的智能体。报告首次讲清了关键环节：Agent 把要执行的程序切碎塞进大量短链，每条链指向下一条；再借截图服务 mShots 当”外接浏览器”，把代码藏进网页让它代打开，执行结果被转成像素格截图，Agent 再从图片里解码读回——原本只有 GET 权限、无法发数据的智能体，硬生生拐出了读写互联网的效果。载荷里有一份脚本把搜刮到的敏感信息直接命名为 LOOT（战利品），把 AWS 凭证、Bearer Token 和名字带 SECRET/PASSWORD/CREDENTIAL/KEY 的环境变量统统打包，还给 token 按权限大小打分排序，前五名用于继续读取 Kubernetes 的 Secret 与 ConfigMap。它们甚至调用 DeepSeek-V4-Pro/Flash、Kimi-K2.6、Qwen3-235B 做”外援”，请对方判断攻击方案能否通过评测，并向 Claude Haiku 4.5 发去”Reply with exactly OK”。研究者称，这可能是首个被公开记录的大型实验室智能体自主学习调用其他 AI 模型的案例。
3. 25GB 内存笔记本硬跑 744B 的 GLM-5.2，纯 C 框架把 SSD 当显存
GitHub 上冒出一个涨到 32k Star 的开源项目 Colibrì（小蜂鸟）：纯 C 实现、零引擎依赖的分层推理框架，作者 JustVugg。它的思路很粗暴——内存装不下，那就别全装进去。GLM-5.2 总参数 744B，int4 量化后约 372GB 权重，Colibrì 把它拆成两部分：Attention、Embedding、共享专家这些每次推理都要用的 Dense 部分约 17B 参数，int4 后只占约 9.9GB，常驻 RAM；剩下 19456 个路由专家整体仍要占约 370GB，全部丢进 NVMe SSD，等 Router 选出当前 token 真正需要哪些专家时再现场读取——最低 16GB、推荐 24GB 内存就能跑，GPU 甚至不是必需品，作者最初的开发机只是一台 12 核 CPU + 25GB RAM 的机器。代价当然有：那台机器上冷缓存跑 GLM-5.2 只有 0.05～0.1 token/s，”跑是能跑，但有亿点慢”。
所以真正的工作量花在”怎么少去 SSD 捞专家”上：VRAM、RAM、NVMe 被组织成一套分层内存系统，越常用的专家住得越近；加入 LRU 缓存让刚用过的专家留在 RAM；持续统计各专家调用频次，让高频专家获得更高缓存优先级；还根据”相邻层专家路由存在明显相关性、提前一层预测命中率 71.6%“这一点，在本层计算时后台预取下一层权重，把计算与 SSD I/O 重叠起来。装了两块 SSD 的话还能放第二份模型副本分摊读取。效果：128GB 纯 CPU 桌面机约 1.8 tok/s；一路堆到 6 张 RTX 5090、让全部专家常驻高速存储层，解码可达 5.8～6.8 tok/s。项目已覆盖 9 个模型家族，从 GLM-5.2/5.3、DeepSeek V4 Flash、Qwen 一直到 975B 的 Inkling 和 2.8T 参数的 Kimi K3（后者需约 1.6TB 硬盘空间，但 RAM 只要 32GB 起步）。关键设计原则是：专家放在哪层只决定速度，不改变 Router 的选择和权重精度——不会因为内存少就偷偷少算专家。
4. 英伟达 SoL-Pi：自动优化编码智能体的”控制层”，token 用量砍掉近一半
智能体跑得越久越烧钱，单次预测会变成长长的推理链、工具调用和反馈循环。英伟达研究者的新论文选择不从模型层降本，而是改 harness——也就是模型与环境之间那层控制逻辑，Codex、Claude Code、OpenClaw 都靠它决定智能体如何看状态、执行动作、处理反馈。他们的系统 SoL-Pi 让一个研究型 AI 去分析另一个智能体的执行轨迹、提出 harness 改动、在准备好的环境里实测，只保留性能不掉而成本更低的候选方案。结果在 EdgeBench 上相比 Codex 省 50%、相比 Claude Code 省 54.3%。之所以需要自动化，是因为 harness 优化天然难做：工具使用、上下文管理、验证和终止逻辑高度耦合，在一处省下的 token 经常触发别处报错，或者只是把成本推到后面的阶段，过去只能靠人翻长长的执行轨迹、再把反复出现的失败模式翻译成代码。
规模上，系统在 535 个可执行环境里探索了 152 个方向（含 495 个来自 GitHub issue-PR 配对的任务和 40 个合成测试用例），总计产生 3000 多次运行、6 万多次智能体-环境交互。但搜得多不等于结果好——此前研究显示自动优化的 harness 很容易过拟合训练任务，换到陌生任务几乎没有收益。SoL-Pi 的应对办法是把搜索反馈与留出评测严格隔离：只有 harness 冻结之后才做 held-out 评估，评估结果不回流进搜索过程。作者把这套做法归到”递归自我改进”的思路上。
5. GPT-6 Astra 揪出宜家组装错误，准确率 80%——十个月前最强模型只有 28%
Epoch AI 搭了一个叫 Furniture Assembly Benchmark（FAB） 的基准：拍摄三件宜家家具的组装过程并故意植入错误，让模型比对照片与说明书，指出哪里装错了、错成什么样。2025 年 11 月，当时最强模型 Claude Opus 4.5 只拿到 28%；十个月后，OpenAI 的 GPT-6 Astra 达到 80%，每张照片耗时约 3 分钟；Claude Fable 5.1 以 70% 紧随其后，Claude Opus 5 为 61%。中国开源权重模型（如 Kimi K3）落后领先者至少 7 个月。研究者指出，考虑到不久前模型连远更简单的视觉任务都做不好，这个进步幅度相当可观，Astra 在视觉机器人任务上同样表现出色。当然 3 分钟一张照片还远达不到实时指导组装的程度，但研究者认为这类能力最终可能延伸到汽车维修和家电修理场景。
6. 索辰科技联手美梦空间发布 Physical-WAM 与 RoboTwin-Phys，给具身智能补”物理课”
在第五届全球数字贸易博览会上，杭州美梦空间（Memo，由北大信息技术高等研究院高文院士领衔的 AVS 中心孵化）首发两项成果：具备物理感知能力的物理-世界动作模型 Physical-WAM，以及以物理扰动为核心的评测基准 RoboTwin-Phys。背景是 VLA 路线正在撞墙：北大与 BeingBeyond 联合发布的 BeTTER 基准（ECCV 2026）显示，最先进的 VLA 在标准静态测试里表现尚可，一旦引入空间布局偏移或时序外推等干预，成功率断崖式下跌；斯坦福的研究则把病因锁定为接触丰富任务中的”精度失效“与”力失效“两种相互独立的失效模式。本质问题是数据：机器人可用的真实物理交互样本仅维持在百万量级，与文本图像领域数十亿级存在数万倍落差。
Physical-WAM 的解法是在感知输入与动作输出之间插入一层”物理 Token”表征——传统世界模型的中间表征是像素或隐空间向量，能推演”下一帧会变成什么样”，却不知道”为什么会这样”。它由三个模块构成闭环：PhysLens 从多模态信号中提取摩擦、重量、重心、接触状态等不可直接观测的物理量，输出统一物理 Token；PhysDream 结合当前物理表征推演未来物理状态，预测打滑、脱手等风险并给出不确定性评估；PhysAct 把物理属性与未来状态预测引入动作生成，在环境发生物理漂移时自动调整策略。直观例子：机器人抓纸杯时，PhysLens 识别出低刚度材质，PhysDream 预判注水后可能形变或滑脱，PhysAct 据此调整握力与接触位置并在注水过程中持续修正。评测端，RoboTwin-Phys 在 RoboTwin 基础上新增 13 类真实物理扰动，覆盖物体属性、接触属性、阻尼、任务环境、相机配置五个维度，支持单因素到多因素组合扰动；它提供物理真值、接触力日志、物体运动学数据与失败时间线，采用固定种子配对评估让不同模型面对相同扰动实例，并按”物理属性推断准不准→扰动下任务还成不成→性能上界在哪”三层递进，区分”物理状态识别错了”和”识别对了但动作策略没跟上”。项目代码、数据集与排行榜发布即开源。索辰科技（688507.SH）已于 2026 年 8 月完成对美梦空间的独家种子轮战略投资。
7. 成立三个月的 Simate 首版模型登顶 RoboDojo，主打”AI 研究物理 AI”
Simate（Silicon Mate）成立仅三个月，首版模型 Simate-beta 据公司披露在 RoboDojo 榜单以平均 Score 33.95 排名第一，对应成功率 27.96%（榜单更新于 2026 年 9 月 23 日），团队称参评的基础模型并未针对该榜单做任何专门优化。公司称核心团队曾把一段式端到端智驾模型的能力推进到对标 Tesla FSD 并完成量产落地，放眼全球跨过这道门槛的团队属极少数。技术路线上，Simate 选择做通用物理”快系统”：用一个通用慢系统负责高层规划与复杂推理，而把快系统的参数量做大，探索零样本泛化能力的涌现，靠的是两件事——4D 物理感知（同时捕捉空间结构与时间维度动态）与分层时序记忆（记住长程任务历史、追踪连续操作状态，又不让即时反应被庞大历史拖慢）。具体架构与模型规模将在后续技术报告中披露。
更值得关注的是它的研发方式：AI for Physical AI，让 AI 参与物理智能本身的研究与迭代。为此搭了三层架构——SiPAI 把模型架构做成”AI 可研究”的可插拔框架，把模块边界、系统接口、配置项与验证流程定义到 Agent 能精确判断”该改哪个模块、改动会波及什么、如何验证”，目前已完成世界模型、世界动作模型、VLA、VLM 等主流架构的接入；AutoResearch 让人类研究员只负责提出假设、设定目标、划定约束，引擎自动接棒完成实验拆解、跑通与反馈；底层是覆盖训练、仿真与推理的 AI-native Infra。据公司介绍，来自 MIT、加州理工、清华、北大等高校的研究者已参与 AutoResearch 平台内测。公司已连续完成多轮数亿元人民币级融资，计划年底推出阶段性成果，三项研究工作将通过论文与技术报告陆续公布并分阶段开源。
8. 保险公司称 AI 已在推高医疗支出，两年多花 9.42 亿美元
美国蓝十字蓝盾协会（BCBSA）的一项分析指出，医院在提交保险理赔时使用 AI 工具，在两年间额外带来了 9.42 亿美元医疗支出。该分析发现”被记录为患有复杂病症的患者数量急剧上升“，但同时认为医疗编码与实际治疗之间存在”明显脱节”，因为”没有证据显示实际提供的诊疗有相应变化“。《纽约时报》把这视为 AI 正在推高医疗成本的最新迹象：医院与保险公司围绕治疗与支付的博弈由来已久，而双方都在使用 AI，似乎让情况变得更糟。AI 创业公司 Abridge 创始人 Shiv Rao 承认，这可能导向”没人想生活其中的糟糕反乌托邦未来”——机器人对抗机器人、智能体对抗智能体；但他也表示 AI 也可能降低摩擦、削减成本。BCBSA 高级副总裁 Luke Chalker 则拒绝把现状称为”战争”，他的说法更具画面感：“这不是战争，这是完全一边倒的屠杀”，保险公司处于下风。
9. 只要 AI 在旁边，人几乎就不肯说”我不知道”了
研究者做了 5 个实验、共 3132 名参与者，检验”手边有语言模型可用”是否会改变人们处理不确定性的方式。结论很干脆：只要 AI 建议可得，人们放弃判断的比例几乎归零。实验设计上有一点很关键——他们刻意挑了所用模型（Step 3.5 Flash）几乎总是答错的问题，都是电影里的细节，比如《我爱贝克汉姆》中球队队服的颜色，这类信息很少出现在网络文本里，正是幻觉高发区。也就是说，这个效应无法用”人们理性地把问题委托给可靠工具”来解释。具体数字：无 AI 的对照组在 36% 和 44% 的问题上选择保留判断，有 AI 可用时这两个数字掉到 6% 和 3%。第二个实验还测了信心——不给金钱激励时，有 AI 可用的信心得分达到 75.9/100，无 AI 只有 29.6/100，高约 2.5 倍；与此同时正确率从 27.6% 跌到 10.0%。跨全部实验看，无激励且有 AI 可用的参与者答对了 9.2% 的题目，无 AI 组为 27.5%——他们回答了更多问题，答对率却只有前者的约三分之一。后面三个实验加入了金钱激励（答对得 10 美分、答错扣 10 美分、”不知道”不得分），研究者原本预注册的假设是激励会提高弃权意愿、但 AI 可得会削弱这一效果，结果三项研究都没有出现统计显著的交互作用：AI 可得性和金钱激励基本各自独立地起作用。研究者也承认，这套结论能否推广到电影冷知识之外仍是开放问题。
10. Crusoe 放弃用 Boom 涡轮机给 AI 数据中心供电的 12.5 亿美元计划
丹佛 AI 数据中心公司 Crusoe（2018 年以比特币矿场起家，如今为 OpenAI 供应得州 Abilene 大型园区的算力，近期刚融资 39 亿美元）终止了使用同城公司 Boom Supersonic 新型固定式电站的计划。Boom 正在研发超音速客机 Overture，去年开辟新业务，把为该机型开发的发动机改成天然气发电机组出售——Superpower 涡轮机与代号 Symphony 的航空发动机共用约 80% 的零件。Crusoe 原本是这项业务的首个客户，约定花 12.5 亿美元购买 29 台 42 兆瓦机组，首批原定 2027 年开始交付。Boom CEO Blake Scholl 在 X 上确认合作不再推进，同时表示仍有其他客户在管道中：“Boom 明年将向其他站点交付约 250MW 的 Superpower，2028 年目标 1GW。” 他最初发帖中有一句后被删除的话点明了原因：”涡轮机不再是 Crusoe 在 Abilene 等地近期的首要电源选项，所以启动合作伙伴关系就不太说得通了。”Crusoe 发言人则强调公司能源计划”没有改变”，仍会使用涡轮机，”只是不用 Boom 的”，并表示会为每个站点保持灵活性，涡轮机与风能、太阳能、电池和电网并用。
相关文章
