Mistral 在慕尼黑开设德国中心，推进工业 AI 与 Physics AI
Mistral 在慕尼黑开设德国中心，组建专注 Physics AI 与工业 AI 的研究团队，并计划到 2030 年建成 1 吉瓦欧洲算力。该中心将携手 BMW 开展碰撞仿真与工程 AI 合作、与 Siemens Energy 推进工业 AI 应用，并与慕尼黑工业大学（TUM）合作利用风洞设施开发汽车空气动力学数字孪生。
#部署/工程
#部署/工程
今日 0 条9月28日星期一
9月25日星期五
GitHub Copilot 的 canvas：当聊天不再是正确的 AI 交互界面
GitHub Copilot 应用推出 canvas，一种运行在应用内、无浏览器外壳的全栈小应用，可与 Copilot 智能体双向通信，并能在本地执行代码、调用第三方 API。作者认为聊天只是 AI 的通用兜底界面，用户明确任务时更该让智能体生成可复用工具，而非把智能体本身当工具、白白消耗 token。示例包括 Connect 4 游戏、Winget 包管理、SQLite 操作和开发工作流自动化。
9月24日星期四
GitHub Copilot 应用如何渲染超大 pull request
GitHub Copilot 应用重建了 pull request 视图，以流畅渲染含 2,200 个文件、超百万行改动和 400 多条行内评论的超大 PR。其做法是把文档高度拆成确定性的代码几何与动态评论块两套几何：代码行高提前精确算好，评论高度按块懒测量并锚定到文件、行与侧，避免滚动跳动。
Google DeepMind 为 Private AI Compute 引入安全服务端记忆
Google DeepMind 公布 Private AI Compute 的新技术能力，将私密的服务端持久记忆引入该平台，使 AI 助手能跨设备保留上下文。数据密封在加密存储中，解锁密钥仅保存在用户设备上，模型访问时通过端到端加密通道进入云端安全隔区，在隔离内存中临时解密并即时重新加密。
推荐理由：原文说明云端持久记忆如何用安全隔区与设备端密钥实现隐私保护，可了解云端 AI 记忆的隐私架构思路。
9月16日星期三
NVIDIA 谈 AI 工厂：别只看算力，要看每瓦电产出了多少 token
NVIDIA 发了一篇博客，核心观点是 AI 工厂（大规模部署 GPU 做推理/训练的数据中心）应该用“每瓦特产出多少 token”来衡量效率，而不是只盯着 GPU 的浮点算力。文章从数据中心设计、散热到推理调优讲了一整套优化思路，想把 AI 工厂跑成生产线。但正文没有披露具体的效率提升数字，也没有提到新硬件型号。如果你在规划数据中心或买卡，这个衡量思...
9月10日星期四
Cloudera 与 Mistral 达成合作，将主权 AI 引入企业数据平台
Mistral 与 Cloudera 宣布合作，将 Mistral 模型集成进 Cloudera 混合数据平台，企业可在私有云、公有云、本地及完全气隙环境中部署推理并保持完全控制。企业还能在受控环境中用专有数据训练定制模型，数据与模型所有权均归企业，模型基于开放权重。Cloudera 平台上客户管理的数据规模达 30 exabytes。
8月25日星期二
Mistral 与 HUMAIN 达成战略合作，推进沙特及中东主权 AI
Mistral 与 HUMAIN 宣布战略合作，覆盖 AI 基础设施、先进模型开发与 AI 解决方案部署，初期聚焦网络安全和语音，并计划开发阿拉伯语表现强劲的前沿模型。合作规模达数亿欧元，Mistral 将探索使用 HUMAIN 数据中心基础设施，双方还将在沙特面向受监管行业制定联合市场策略。
8月11日星期二
Mistral 推出区域推理端点与 Priority Tier，并接入 GLM-5.2 等第三方开源模型
Mistral 宣布 Mistral Regional Endpoints 正式可用，客户可选择推理在欧洲或美国运行，同时 Mistral Priority Tier 进入公开预览，提供自定义速率限制和带 SLA 的可用性承诺。
推荐理由：Mistral 把区域推理端点、SLA 服务层级与第三方开源模型接入放在同一套基础设施上，读者可据此判断欧洲主权 AI 的落地路径。
6月3日星期三
英伟达和微软搞了一套统一方案，让 AI 能在 Windows 电脑、云端和本地服务器之间来回跑
微软 Build 大会上，两家宣布把 AI 部署的底层打通了。简单说，就是同一个 AI 应用，既能在你笔记本的 RTX 显卡上跑，也能无缝切到 Azure 云或者公司本地的 DGX 工作站上，不用重写代码。现场还亮了两款新硬件：RTX Spark 是个小盒子，能提供 1 petaflop 的 AI 算力（大概相当于每秒一千万亿次计算）；DGX Stat...
推荐理由：HKR 三项都过了。NVIDIA 和微软这次合作，把 agent 部署从 Windows 到 Azure 再到本地串成一条线，还亮出了 1 petaflop 和 20 petaflops FP4 两个硬件规格，对从业者来说有信息增量。不过消息源是厂商自己，正文没给定价、跑分和迁移细节，所以分数没往上拉。
5月26日星期二
南大和阿里发现 DiT 里的残差流拖慢收敛，改用跨层路由后训练快了近 9 倍
南京大学 LAMDA 组和阿里智能引擎团队提出了一种叫 DAR 的方法，把 DiT 模型里固定的残差累积，换成了按时间步动态选择路径的跨层路由。在 ImageNet 256×256 上拿 SiT-XL/2 试，FID 从 9.67 降到了 7.56，而且只用原来大约九分之一的训练步数就达到了同等收敛质量。不过原文因为微信环境验证拦截，具体怎么实现路由、...
推荐理由：我会先打个折：这还是一个针对DiT架构的训练方法改进，不是新模型或产品发布，所以分数没往78以上走。但它的亮点很实在——把残差流这个大家默认的组件揪出来说是收敛瓶颈，然后用一个时间感知的路由去替代固定累加，效果是FID更好、收敛快近9倍。对正在烧钱训视觉模型的人，这个省钱省时间的信号够强，featured没问题。
5月23日星期六
Mistral 收购 Physics AI 公司 Emmi AI
Mistral AI 宣布已达成收购 Physics AI 先驱 Emmi AI 的最终协议，以强化其作为工业企业 AI 转型伙伴的定位。Emmi AI 成立于奥地利，专注物理 AI 与大型工程模型，可加速工程工作流、以实时仿真替代多日计算并构建数字孪生。Emmi 的联合创始人及 30 多名研究人员和工程师将于 5 月加入 Mistral 的 Science 与 Applied AI 团队。
推荐理由：Mistral 通过收购 Physics AI 公司 Emmi 补强工业仿真能力，读者可了解其向工程与制造场景延伸的路径。
5月22日星期五
Mistral 在 Studio 发布 Connectors，支持内置与自定义 MCP
Mistral 在 Studio 发布 Connectors，所有内置连接器和自定义 MCP 现可通过 API/SDK 用于全部模型与智能体调用。新功能包括直接工具调用、human-in-the-loop 审批流程，以及对连接器的创建、修改、列出和删除等编程访问。
推荐理由：原文给出 Connectors 的 API 用法与代码示例，读者可据此判断企业级 MCP 集成如何落地。
NVIDIA 在 COMPUTEX 2026 拿了四个奖，Vera Rubin NVL72 号称推理能效比上代高 10 倍
NVIDIA 在 COMPUTEX 2026 上靠 Vera Rubin NVL72、Jetson Thor 和 Alpamayo 拿了四个 Best Choice 奖。Vera Rubin NVL72 把 36 颗 Vera CPU 和 72 颗 Rubin GPU 连在一起，NVIDIA 说它每瓦推理性能是上代的 10 倍，每个 token 的成本...
推荐理由：我会先打个折：这是 NVIDIA 自己活动博客发的，不是第三方实测，10 倍能效得看什么负载、跟谁比。但 Vera Rubin NVL72 的规格和能效数字本身够硬，对算力成本和采购节奏有直接参考价值，所以给 featured。正文没披露具体基准测试条件和上市时间，这点先别太激动。
5月20日星期三
阿里平头哥发布真武 M890 AI 芯片，128 卡超节点服务器已在百炼平台上线
阿里平头哥的真武 M890 AI 芯片首次公开，主打 Agent 场景的算力底座。配套的 128 卡超节点服务器，卡间直连延迟低于 150 纳秒，机架带宽达到 Pb/s 级别。这套硬件已经在阿里云百炼平台跑起来了，支持通义千问、DeepSeek 和 Kimi 等模型。不过正文因为环境验证问题没加载出来，具体的芯片架构、制程、显存规格和实测性能数据暂时看...
推荐理由：HKR三项都踩中了，但得先打个折——消息源是阿里自己的技术文章，没有第三方实测、没提定价、也没说量产规模。所以分数就卡在featured门槛上，当个基础设施产品更新看比较合适。
5月18日星期一
Google Antigravity 2.0 发布
Google 发布智能体开发平台 Google Antigravity 2.0。该平台在 Google DeepMind 官网被列为面向开发者的 agentic development platform，与 Gemini 应用、Google AI Studio 并列。原文未披露版本功能、参数或可用性细节。
5月8日星期五
美国能源部长与英伟达谈 Genesis 任务：用 AI 给电网审批提速，从几年缩到几周
美国能源部和英伟达要在阿贡国家实验室建两台 AI 超算。小的一台叫 Equinox，用 10,000 块 Grace Blackwell GPU；大的一台叫 Solstice，计划上 100,000 块还没发布的 Vera Rubin GPU。英伟达的 Ian Buck 说 Solstice 的算力能干到 5,000 exaflops，这个数字听听就好...
推荐理由：HKR 三项都踩实了：GPU 型号和数量是硬信息，DOE 与 NVIDIA 的角色分工清楚，电网瓶颈那段把 AI 的落地价值讲得很具体。不过来源是 NVIDIA 官方博客，信息偏单向，所以放在 featured 而不是 must-write 的档位，82 分在这个区间里是合理的。
5月6日星期三
NVIDIA 给 Spectrum-X 以太网加了多路径 RDMA，让超大规模 GPU 集群的流量不再堵在一条路上
NVIDIA 在 Spectrum-X 以太网平台上新增了 MRC（多路径 RDMA）支持，允许一个 RDMA 连接把流量分散到多条网络路径上，而不是死绑一条。这项技术已经在 Blackwell 集群里跑起来了，硬件层面能做到微秒级故障绕行和重路由。MRC 走的是 OCP 开放规范，支持多平面组网，目标是把集群规模推到几十万张 GPU。不过博客没给出具...
推荐理由：我会先打个折：这是英伟达自己的产品稿，不是第三方评测。MRC 把一条 RDMA 流拆到多条物理路径上跑，微秒级检测断连并硬件重路由，正文说已经在 Blackwell 部署里用了。这点先别太激动，因为没给第三方验证数据。真正值得看的是他们把这套东西推到 OCP 开放规范，配合多平面网络，目标是撑住几十万卡级别的训练集群——如果真能落地，对大规模训练的网络成本会有实打实的影响。
5月5日星期二
OpenAI 发布 MRC 网络协议，让超大规模 GPU 集群训练更抗断、更省电
OpenAI 把自家训练大模型用的网络方案 MRC（多路径可靠连接）通过 OCP 开源了。MRC 解决的是老问题：集群大到一定程度，网络抖动和链路故障会频繁卡死训练任务，GPU 空转烧钱。它的做法是把一次数据传输拆成几百条路径同时发（packet spraying），哪条路断了就在微秒级绕开，不用等全网重算路由。协议跑在 800Gb/s 网卡上，基于 ...
推荐理由：MRC 是个多路径可靠连接协议，简单说就是给 GPU 集群的通信多备几条路，一条断了还能走别的，训练不容易崩。OpenAI 通过 OCP 公开这个方案，对自建大规模训练集群的团队是个信号——他们可能也在解决类似的网络稳定性问题。但正文没给任何性能数据，延迟降多少、吞吐提多少、实际跑过多大的集群，全都没写。所以我会先打个折，这更像一个技术方向的路标，离能评估效果还差得远。
5月1日星期五
NVIDIA 说 OpenClaw 开源智能体项目 60 天拿了 25 万星，但治理成本才是真问题
NVIDIA 这篇博客主要讲了两件事：一是 Peter Steinberger 做的自托管持久化智能体 OpenClaw 在 GitHub 上火了，到 2026 年 3 月已经攒了 25 万颗星，增速超过了 React。二是 NVIDIA 自己推出了 NemoClaw，用 OpenShell 沙箱和 Nemotron 模型来跑智能体。文章真正想聊的是治...
推荐理由：我会先打个折：这是 NVIDIA 官方博客，立场肯定偏向自家 Nemotron 和 NemoClaw，但文章没回避常驻 Agent 最要命的问题——token 成本暴涨和安全边界。OpenClaw 本身是 Peter Steinberger 做的自托管常驻 Agent，NVIDIA 用 OpenShell 沙箱和 Nemotron 模型给它加了网络、数据访问的默认限制，这个加固思路比单纯吹性能更有信息量。文中给出的推理后 token 增 100 倍、自治 Agent 再增 1000 倍的估算，虽然没披露测算口径，但把成本焦虑直接量化了，对做落地的人...
4月27日星期一
Mistral AI 发布 Workflows 公开预览版
Mistral AI 发布企业 AI 编排层 Workflows 公开预览版，提供持久化执行、可观测性和人工介入审批能力，ASML、ABANCA、CMA-CGM 等客户已用于自动化关键流程。
推荐理由：原文给出 Workflows 的编排能力、部署模型与客户案例，可据此判断企业级 AI 流程落地的工程门槛。
4月24日星期五
DeepSeek-V4 发布：百万 token 上下文，这次是给干活用的 agent 准备的
DeepSeek 发了 V4，分 Pro 和 Flash 两个版本，都支持 100 万 token 的上下文窗口。Pro 版总参数 1.6 万亿，每次推理激活 490 亿；Flash 版总参数 2840 亿，激活 130 亿。跑分不是最顶尖的，但这不是重点。真正的改进在推理成本上：跟 V3.2 比，Pro 版处理单个 token 的算力只要 27%，K...
推荐理由：DeepSeek-V4 是国产旗舰模型更新，Pro 版 1.6T 总参、49B 激活，Flash 版 284B 总参、13B 激活，都支持 100 万 token 上下文。最值得看的是成本：Pro 单 token 计算量只有 V3.2 的 27%，KV 缓存降到 10%；Flash 更狠，分别只有 10% 和 7%。这意味着跑长上下文 agent 时显存和算力开销大幅缩水，不是光喊口号。HKR 三项全中，放在当天必读档没问题。
4月23日星期四
在 Chrome 插件里跑本地 AI：一份给开发者的架构避坑指南
Hugging Face 发了一篇技术指南，拆解了他们刚做的 Chrome 插件“Transformers.js Gemma 4 浏览器助手”。核心是把 Gemma 4 E2B 模型塞进浏览器的后台 Service Worker 里本地运行，不靠云端。文章重点讲了 Manifest V3 下三个运行环境的职责划分：后台负责跑模型推理，侧边栏做聊天界面，...
推荐理由：这是一篇 Hugging Face 的实操教程，不是模型或平台发布，但把 MV3 架构拆解得挺具体。我会先打个折，因为正文没给出实际延迟或内存占用的测试数据，效果验证还缺一块。不过对想在前端跑本地模型的开发者来说，这篇的工程参考价值够得上 featured 门槛。
4月22日星期三
OpenAI 给 Responses API 加了 WebSocket，让 Codex 这类 agent 跑起来更快
OpenAI 发现，当模型推理速度从每秒 65 个 token 飙到近 1000 个 token 时，API 本身的处理开销反而成了拖慢 agent 循环的瓶颈。他们给 Responses API 加上了 WebSocket 支持，思路是把多次独立的 HTTP 请求换成一个长连接，在连接存活期间缓存住对话状态和可复用的上下文，只传新的工具调用结果，省掉...
推荐理由：这是 OpenAI 面向开发者的系统层更新：用 WebSocket 长连接加连接级缓存，把 agent 循环里反复建连、重复请求的开销压下去。HKR 三项都踩中了，但正文没给出延迟降了多少、吞吐多大、适合什么负载，所以只能算中等偏上的 featured，不能拉满。真正值得盯的是长连接怎么省掉往返成本，这不是换模型，是工程侧省钱省时间的优化。
4月21日星期二
Anthropic 跟亚马逊扩大合作，给 Claude 锁定了最多 5 吉瓦的算力
Anthropic 宣布加深与亚马逊的合作，为训练和部署 Claude 锁定了最高 5 吉瓦的算力。这批算力从这个季度开始陆续到位，到 2026 年底预计先上线近 1 吉瓦。5 吉瓦是个什么概念？大概相当于几个大型数据中心的满负荷运转，说明他们接下来要把模型规模或服务量再往上拉一个台阶。不过正文没披露合同金额、具体用什么芯片、数据中心建在哪，所以实际成...
推荐理由：标题里的 5 吉瓦别直接信，那是远期上限，真正有谱的是今年底先到 1 吉瓦。正文没提合同金额、用什么芯片、数据中心在哪，所以成本结构和实际性能都还是问号。我会先打个折看交付节奏，但能在这个时间点锁产能，对 Anthropic 的训练和部署确实是颗定心丸。
3月31日星期二
Mistral AI 推出 Spaces：一款为人类与智能体打造的 CLI
Mistral AI 发布 Spaces CLI，同时面向人类开发者与编码智能体。它通过 `spaces init`、`spaces dev` 等命令快速搭建多服务项目，并为每个交互式提示提供对应的 flag 与 `-y` 选项，使智能体可自主完成配置与部署。每次 init 还会生成 context.json 和 AGENTS.md，为智能体提供项目上下文与操作规则。
3月17日星期二
GTC 上 NVIDIA 用 RTX 电脑和 DGX Spark 跑本地 AI 助手，还发了新模型
NVIDIA 在 GTC 上主推两件事：一是让 AI 助手直接在 RTX 电脑和 DGX Spark 小超算上本地跑，不用联网，隐私和 token 成本都省了。DGX Spark 有 128GB 统一内存，能塞下 120B 参数以上的模型。二是发新模型，包括小号的 Nemotron 3 Nano 4B 和大号的 Nemotron 3 Super 120...
推荐理由：我会先打个折：正文没披露标题里“最新开放模型”的全量清单和价格，所以不能给更高分。但 HKR 三项都站得住——本地跑大模型和代理的钩子够强，128GB 统一内存和 PinchBench 分数是实打实的数字，而且本地推理正好踩在隐私和成本这两个行业痒点上。保留 featured，不往上提，因为信息有缺口，来源也是厂商发布稿。
3月10日星期二
NVIDIA 和 Thinking Machines Lab 签了份长期大单，起步就是 1 吉瓦的算力
NVIDIA 和 Thinking Machines Lab 宣布了一项多年合作，核心是部署至少 1 吉瓦的 NVIDIA Vera Rubin 系统，目标明年年初上线，用来训练前沿模型和搭建可定制的 AI 平台。1 吉瓦这个数字很夸张，相当于一个大型核电站的发电量，说明这不是普通的云服务采购，而是直接锁定了一整座“算力电厂”的产能。合作还涉及基于 N...
推荐理由：1 吉瓦 Vera Rubin 承诺把这条合作从普通公关稿里拎了出来：H 靠规模，K 靠具名系统和部署时间，R 靠前沿算力竞争。没给 P1 是因为来源是厂商博客，投资金额、算力归属、分阶段细节正文都没披露，我会先打个折。
2月20日星期五
GGML 和 llama.cpp 团队加入 Hugging Face，本地跑大模型的项目会继续独立运营
Hugging Face 宣布 GGML 和 llama.cpp 的团队正式加入公司。Georgi Gerganov 和他的团队会继续把全部时间花在维护 llama.cpp 上，项目的技术方向和社区管理保持完全独立，不会变成闭源。这次合作最实际的变化是，他们会把 transformers 库里的模型定义更顺滑地接到 llama.cpp 里，目标是做到近...
推荐理由：我会先打个折：正文只说了团队加入和方向，没给时间表、团队规模和商业条款，所以别当成交割日来看。但这件事确实值得盯——HF 把 GGML/llama.cpp 团队收进来，等于把本地推理最核心的工程力量绑定了，同时承诺保持 100% 开源和社区自主。真正有意思的是技术对接：如果 transformers 的模型定义能一键落到 llama.cpp，对开发者来说省掉一大截适配工作。这点先别太激动，等他们真把“单击发布”做出来再说。
1月22日星期四
Heaps do lie：排查 vLLM 内存泄漏
Mistral AI 团队在 vLLM 上排查一起内存泄漏：在 Mistral Medium 3.1、开启 graph compilation 的 Prefill/Decode 分离部署中，系统内存以每分钟 400 MB 线性增长，数小时后触发 out of memory。Heaptrack 显示堆内存稳定，泄漏发生在堆外，最终指向 NIXL 经 UCX 传输 KVCache 的环节。
1月6日星期二
NVIDIA 用 RTX 显卡在本地跑 4K AI 视频生成，显存占用降了 60%
NVIDIA 在 CES 上放出了一套本地 AI 视频生成方案，核心是开源模型 LTX-2 和升级版 ComfyUI。在 GeForce RTX 显卡上，生成速度比之前快 3 倍，显存占用最多能降 60%。这主要靠 PyTorch-CUDA 的底层优化，以及 ComfyUI 原生支持了 NVFP4/FP8 低精度计算。下个月还会推一个 RTX Vide...
推荐理由：我会先打个折：这是厂商博客发的生态优化更新，不是新模型发布或平台级变动，所以重要性停在 76 不动。但 HKR 三项都站得住——提速降显存的数据够具体，技术路径也交代清楚了，对玩本地 ComfyUI 的人来说是实打实的好消息。正文没提 LTX-2 模型本身的画质对比，这点先别太激动，等实测。
NVIDIA 在 CES 2026 说 Rubin 平台已量产，跑大模型的成本能降到上一代的十分之一
NVIDIA 在 CES 2026 上宣布，由六颗芯片组成的 Rubin AI 平台已经进入全面量产。最直接的好处是生成 token 的成本能压到上一代平台的十分之一左右。Rubin 的 GPU 在 NVFP4 精度下推理算力达到 50 petaflops，并且通过一个叫 KV-cache 的存储层把性能又提升了 5 倍。另外，他们还发布了一套叫 Al...
推荐理由：HKR-H 成立，因为 Rubin 进入量产状态本身就是信号，不是路线图更新。HKR-K 靠 50 PFLOPS、5 倍吞吐和约 1/10 成本这几组数字撑起来，比口号实在。HKR-R 成立，因为推理经济学和 NVIDIA 的节奏仍然牵动整个行业，不过公司博客的包装感让它到不了 90 分。
英伟达预告基于 Rubin 架构的 DGX SuperPOD，单柜 260TB/s 带宽，推理成本号称能降 10 倍
英伟达在博客里公布了下一代 DGX SuperPOD 的规划，核心是换装 Rubin GPU。今年下半年会先出两款机型：DGX Vera Rubin NVL72 和 DGX Rubin NVL8。一个 SuperPOD 可以把 8 台 NVL72 拼在一起，总共塞进 576 颗 Rubin GPU，FP4 算力 28.8 exaflops，总显存 60...
推荐理由：这是一份有硬数字的NVIDIA基础设施路线图：576颗Rubin GPU、28.8 exaflops FP4、600TB内存、260TB/s NVLink，以及推理token成本最多降10倍。HKR三项都站得住，但本质上还是厂商路线图预告，不是已发货的产品或大规模公开发布，所以我会先打个折，重要性给到81。
2025年12月17日星期三
Mistral 发布 OCR 3，表单与手写识别升级并接入 Document AI Playground
Mistral 发布 Mistral OCR 3，在表单、扫描文档、复杂表格和手写内容上相对 Mistral OCR 2 取得 74% 的整体胜率，并称准确率超过企业文档处理方案和 AI 原生 OCR 方案。
推荐理由：Mistral OCR 3 在表单、手写和复杂表格上的升级与每千页 2 美元的定价，可供评估文档解析方案时参考。
2025年11月19日星期三
Mistral AI 与 SAP、Helsing 达成合作，将在德国开设办公室
Mistral AI 宣布与 SAP 建立多年合作伙伴关系，为其 AI Foundation 集成 Mistral 模型，并共同开发面向欧洲复杂行业与公共部门的定制方案。同时与 Helsing 合作加速面向国防与安全应用的视觉-语言-动作模型研发。Mistral AI 还将在未来数月内于德国开设办公室，并大幅扩充本地团队。
2025年10月24日星期五
Mistral AI 发布 Mistral AI Studio 生产平台
Mistral AI 发布 Mistral AI Studio，一个面向企业团队的生产级 AI 平台，由 Observability、Agent Runtime 和 AI Registry 三大支柱组成。
推荐理由：原文给出企业级 AI 生产化的三大支柱与私有 beta 入口，可据此判断其与现有 MLOps 工具的差异。
2025年10月13日星期一
OpenAI 和博通联手，计划到 2029 年部署 10 吉瓦的自研 AI 加速器
OpenAI 自己设计芯片和系统，博通负责把加速器、以太网、PCIe 和光纤网络打包成整机柜，从 2026 年下半年开始上架，2029 年底前完成全部 10 吉瓦的部署。10 吉瓦这个数字很大，说明 OpenAI 在为未来几年的算力需求提前铺路，而且明确走自研芯片加全以太网集群的路线，不再只依赖英伟达。不过公告没提芯片用几纳米工艺、具体性能参数，也没说...
推荐理由：OpenAI 把自研芯片路线图摆上台面了：和 Broadcom 合作，目标是 10 吉瓦加速器，2026 下半年开始上架，2029 年底前铺完。我会先打个折——正文没披露芯片制程、单卡规格和资本开支，所以别急着算成本优势。真正值得看的是他们选了自研芯片加以太网集群这条路，Broadcom 负责网络和互连，说明不是小规模试水。这点先别太激动，但如果是真的，对英伟达依赖会松一扣。
2025年10月1日星期三
三星和SK海力士加入OpenAI的星门计划，要猛扩AI芯片产能
OpenAI在10月1日宣布，三星和SK海力士正式加入它的星门（Stargate）AI基建项目。合作的核心是两件事：一是三星电子和SK海力士计划把先进内存芯片的产能拉到每月90万片DRAM晶圆，用来喂饱OpenAI的下一代模型；二是OpenAI跟韩国科技部、SK电讯、三星物产等签了一堆协议，打算在首尔圈外找地方建AI数据中心。三星和SK还会在自己公司内...
推荐理由：OpenAI 拉三星和 SK 进 Stargate，比一般合作多了一层供应链实锤：90 万片 DRAM 月产能目标摆在那，数据中心评估也签了协议。HKR 三项都站得住，但正文没披露投资额、时间表和具体机房规模，所以放在 featured 而不是 p1。
2025年9月23日星期二
OpenAI、Oracle 和软银给 Stargate 加了五个新数据中心选址，总规划容量接近 7 吉瓦
Stargate 项目在美国新增了五个 AI 数据中心选址，加上已有的德州 Abilene 旗舰园区和与 CoreWeave 的合作，总规划容量接近 7 吉瓦，三年内投资超过 4000 亿美元。这让他们有望在 2025 年底前提前锁定最初承诺的 5000 亿美元、10 吉瓦目标。其中 Oracle 负责的三个新址加一个扩建项目能提供超过 5.5 吉瓦容...
推荐理由：这是 OpenAI 官方放出的基建扩容消息，带着具体数字，不是泛泛的宣传稿。五个美国新站点把 Stargate 规划容量拉到近 7 吉瓦，Abilene 已经开始跑早期训练和推理，信息量够硬。HKR 三项全中：规模本身是钩子，新披露的容量、投资额和交付进度是增量知识，而算力供给紧张正是行业当下的核心焦虑，所以值得推。
2025年9月22日星期一
OpenAI 和英伟达签了份意向书，要一起搞 10 吉瓦的算力基建
OpenAI 和英伟达宣布了一份合作意向书，计划部署至少 10 吉瓦的英伟达系统，用来训练和跑 OpenAI 的下一代模型。10 吉瓦是什么概念？大概对应几百万张 GPU 的规模。英伟达打算按部署进度分批投钱，总额最高 1000 亿美元。第一阶段 1 吉瓦预计 2026 年下半年上线，会用英伟达新的 Vera Rubin 平台。不过得说清楚，目前这还只...
推荐理由：我会先打个折：目前只是一份意向书，最终条款还没敲定，所以别太激动。但即便只是意向，10 吉瓦的规模和最高 1000 亿美元的投资框架已经足够重磅。文章把交付节奏说清楚了——第一个 1 吉瓦 2026 下半年用 Vera Rubin 平台上线，后面按吉瓦分批落地、分批注资。如果是真的，这会是 AI 基础设施的一次大赌注，也解释了为什么微软的名字会出现在标签里。正文没披露具体的合同约束条款和退出机制，这点先留个心眼。
2025年8月7日星期四
OpenAI 发布 GPT-5 系统卡，把快模型和思考模型打包成一个系统，用实时路由自动分配任务
OpenAI 在 8 月 7 日公开了 GPT-5 系统卡。GPT-5 不是一个单一模型，而是一套组合：一个叫 gpt-5-main 的快模型负责回答大多数问题，一个叫 gpt-5-thinking 的深度推理模型处理难题，中间靠一个实时路由器根据对话类型、复杂度和用户意图（比如你说“仔细想想”）来决定调用谁。用量超标后，系统会切到各模型的 mini ...
推荐理由：这份 GPT-5 系统卡把架构说清楚了：gpt-5-main 干活，gpt-5-thinking 做推理，路由器实时调度，超额就切 mini 省资源。API 直接给 thinking、thinking-mini 和 thinking-nano 三个版本，ChatGPT 还多一个 thinking-pro。正文没写价格、上下文窗口和具体跑分，这点先别太激动。真正要盯的是安全分级——OpenAI 把 gpt-5-thinking 在生物和化学上的能力标成 High，说明模型在这些领域已经强到需要上防护了，不是走形式的例行文档。