Semi Analysis 的报告说，Anthropic 的年化收入（ARR）已经冲到 440 亿美元，过去 12 个月净增了 350 亿。其中 Claude Code 这个编程助手到 2026 年 2 月，自己就贡献了 25 亿美元的年化收入。推理毛利率也从 38% 涨到了 70% 以上。不过正文因为微信环境异常没抓到具体内容，这些数字背后的客户留存...
推荐理由：我会先打个折——Semi Analysis 的数据不是官方财报，但 440 亿 ARR 和 70% 推理毛利率这两个数如果属实，说明 Anthropic 靠 Claude Code 在企业端收钱的速度比外界想的快得多。文章真正值得盯的不是总盘子有多大，而是三个东西能不能同时成立：企业用量在涨、代码智能体收入在涨、推理毛利也在涨。正文没披露 Claude Code 的客户留存和续费率，这点先别太激动。
DeepSeek V4 的技术报告列了一堆新组件，但没提 Engram。这个模块是 DeepSeek 和北大在 1 月开源的，做法是在 Transformer 的第 2 到第 15 层之间插入查表模块。在 27B 规模的测试里，它把 MMLU 拉高了 3.4 分，多查询大海捞针准确率干到了 97.0%。工程上还有个信号：8 台服务器通过 CXL 共享 ...
推荐理由：文章不是 V4 发布本身，而是技术报告缺了 Engram 这件事的分析。有层数范围、基准涨点和内存池损耗数据，信息密度够，但属于评论向，不是一手发布，所以重要性在 78-84 区间合理。
一位 Reddit 用户自己实现了 TurboQuant 这篇 KV 缓存量化方法，发现 PROD 变体在 4-bit 下跟原始精度结果的相关性大约 95.8%，远低于论文宣称的 99% 以上。作者还做了一个简单模拟，注意力质量的 top-1 准确率掉到了 67% 左右，说明量化后模型在“该关注哪个 token”这件事上退化明显。核心矛盾在于：论文用相...
推荐理由：这是 Reddit 上的单次复现，不是正式论文或官方发布，但 95.8% 的相关性和约 67% 的 top-1 准确率这两个数字挺具体，对正在掂量 KV cache 量化方案的人有参考价值。我会先打个折，因为样本量和测试条件正文没披露，结论不能直接当定论。
一个叫 Suspicious_Gap1121 的 Reddit 用户放出了 Quadtrix.cpp，一个用 C++17 从零写的 GPT 风格模型，总共 83 万参数。模型结构是 4 层、4 个注意力头、宽度 200 维，一次能看 128 个字符的上下文。他在单核 CPU 上拿 3140 万个字符训练了 76.2 分钟，验证损失降到 1.6371 n...
推荐理由：我会先打个折：这就是个个人练手项目，0.83M 参数离实用还远，别拿它跟正经模型比性能。但它的看点不在规模，而在把整个训练管线——LayerNorm、attention、Q/K/V、dropout、AdamW——全部手写反传，不用自动微分，不用 BLAS 加速，单核 CPU 跑通。正文没披露生成效果，也没给权重文件，所以只能当教学级实现来看。对 AI 从业者来说，这东西像一份可运行的底层教案，把平时被框架藏起来的细节全摊开了。
Reddit 用户 One_Slip1455 发了个原生 Windows 版 vLLM 启动器，不用 WSL 也不用 Docker。在一张 RTX 3090 上跑 Qwen3.6-27B（INT4 量化），短上下文能到 72 tok/s；上下文拉到约 2.5 万 token 时速度 64.5 tok/s，12.7 万 token 时还有 53.4 to...
推荐理由：HKR 三项都成立：原生 Windows 跑 27B 模型是钩子，帖子里有可验证的速度和上下文数字，而且直击本地推理省钱这个痛点。不过来源只有 Reddit 单帖，没有官方背书或产品级变动，所以放在 featured 低位是合理的。
腾讯混元放出了一个叫 Hy-MT1.5-1.8B-1.25bit 的翻译模型，把原本 1.8B 参数的模型压到了 440MB，能在骁龙 888、8GB 内存的安卓手机上离线跑。它支持 33 种语言、1056 个翻译方向。压缩的关键是一种叫 Sherry 1.25 比特量化的技术，做法是每 4 个权重里，3 个用 1 比特存，1 个直接置零。官方说翻译质...
推荐理由：我会先打个折：这是个垂直翻译模型，不是基础模型大更新，所以没到 P1。但亮点很实在——1.8B 模型压到 440MB，靠的是 1.25-bit Sherry 量化，每 4 个参数里 3 个用 1-bit、1 个直接置零，这种压缩方式少见。正文给了骁龙 888、8GB 内存的离线跑分，不是空口说白话。翻译质量超谷歌这点先别太激动，正文没披露具体测试集和对比条件，但如果是真的，端侧翻译的性价比会明显拉高。
PFlash 让 Qwen3.6-27B 的 Q4_K_M 量化模型在单张 RTX 3090 上处理 12.8 万 token 的输入时，首 token 延迟从 llama.cpp 冷启动的 248.4 秒压到 24.8 秒。做法是用一个 Qwen3-0.6B 小模型当“打分员”，挑出最重要的 5% 文本片段喂给大模型，省掉了大量无关计算。整个方案用 ...
推荐理由：HKR 三项都踩中了，但这是单条 Reddit 帖子，质量验证只给了单针 NIAH 32K–128K 全通过，RULER 和多针结果没放出来，所以先放在 featured 门槛上。
Reddit 上有用户拿 OpenAI 的隐私过滤器（privacy-filter）和 GLiNER large-v2.1 在 600 条含个人身份信息（PII）的样本上跑了一轮。纯 CPU 推理速度，OpenAI 模型每秒处理 2.8 条，GLiNER 是 1.1 条，前者快了一倍多。英文边界识别的宏观 F1 分数，OpenAI 模型 0.498，G...
推荐理由：Reddit 上一个测试用 600 条含姓名、邮箱、电话的样本，把 OpenAI 刚发的 privacy-filter 和 GLiNER large-v2.1 放在 CPU 上跑。宽松边界匹配时，OpenAI 的 macro F1 是 0.498，GLiNER 是 0.416，速度上 OpenAI 每秒 2.8 条，GLiNER 1.1 条，看起来 OpenAI 小胜。但一切到严格匹配，OpenAI 的分数直接掉到 0.155，原因是 tokenizer 切词偏移导致边界对不齐，很多实体只抓到半截。这个坑比速度差距更值得注意，说明实际部署时如果要求...
Reddit 用户 Kurcide 晒出了他搭的 16 节点 DGX Spark 集群。每台机器用一根 QSFP56 线连到 FS N8510 交换机，单链路跑到 100–111 Gbps，总带宽约 200 Gbps，所有节点都跑满了线速。这次测试的重点是统一内存：8 个节点合起来成功加载了 434GB 的 GLM-5.1-NVFP4 模型，接下来他还...
推荐理由：H、K、R 三项都成立：帖子是第一手集群实测数据，网络条件和模型运行情况都交代清楚了，434GB 模型跑在 8 节点上是个实打实的验证。范围限定在本地推理硬件，所以重要性落在 72–77 这个区间，没到产品发布级别。
这篇是付费墙后面的文章，正文没披露具体订单金额、芯片型号和交付时间。从标题看，核心信息是华为接到了国内科技公司的大笔 AI 处理器订单，而英伟达因为出口管制在中国市场动弹不得。这背后反映的是中国算力供应链正在被迫转向国产替代，但文章本身没给出更多细节来支撑这个判断，先别太激动。
推荐理由：FT 的信源和华为 vs Nvidia 的中国市场角力，让 H 和 R 都站得住。但 K 这边确实虚：金额、型号、交付节点一概没给，所以分数只能压在 78–84 这个区间，别因为标题冲高。
Reddit 用户 ai-infos 用 32 块 AMD MI50 32GB 显卡（分两台机器，每台 16 卡，走 10G 网线）跑 Kimi K2.6 的 int4 量化版。处理 1.4 万多字的输入时，预处理速度能到 264 token/秒；生成 136 个字的回答时，速度掉到 9.7 token/秒。空载功耗 640W，跑推理时峰值 4,800...
推荐理由：这条帖子本身是个 Reddit 上的野路子基准测试，不是官方发布，所以分数不会给太高。但它的钩子很强——用 32 张二手 MI50 攒出一台能跑 Kimi K2.6 的机器，还给出了吞吐、功耗和网络拓扑的实测数据，对想低成本自建推理集群的人有直接参考价值。我会先打个折，因为正文没披露精度损失的具体对比、延迟抖动和长时间稳定性，这些对生产环境很关键。不过就凭它把 AMD 老卡 + vLLM 分布式栈的可行性摆上台面，加上功耗和 PCIe 带宽这两个真实痛点，74 分放在 featured 里是合理的。
一位 Reddit 用户用一张 24GB 显存的 RTX 3090 跑 Qwen3.6-27B（一个 270 亿参数的模型），把上下文窗口推到了约 21.8 万个 token，生成速度在每秒 50 到 66 个 token 之间。之前工具调用时，如果返回结果有 2.5 万个 token 左右就会爆显存，他修了一个叫 Genesis PN12 补丁的锚点...
推荐理由：我会先打个折，这是 Reddit 个人实测，不是官方基准。但信息量够：修了 Genesis PN12 补丁后，25K token 的工具调用不再 OOM，198K 加 vision 能到 51/68 TPS。限制也说清楚了，单提示单卡在 50–60K 附近还有第二个内存断崖，这点先别太激动。对想用消费级显卡跑长上下文 agent 的人来说，这些数字和踩坑记录比论文更有参考价值。
一位 Reddit 用户用 RTX 5080 16GB 显卡本地跑编程 agent，测了 Qwen3.6-35B-A3B 这个 MoE 模型（总参数 35B，每次激活 3B）。刚加载完上下文时速度有 89 t/s，等上下文塞满到 128K token 后，生成速度还能维持在 30 t/s，而且回复质量没掉。作为对比，同系列的 27B 稠密模型在 128...
推荐理由：HKR 三项都成立：16GB 显卡撑住 128K 上下文 30 t/s 是个很强的钩子，硬件和 CUDA 版本细节都有，还给了稠密模型的惨烈对比。不过这只是 Reddit 单帖测试，没有多源复现，所以 featured 而不是 P1。
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...
马斯克在加州联邦法院作证时，承认 xAI“部分”使用了 OpenAI 的模型来改进自家聊天机器人 Grok。用的方法是模型蒸馏，也就是让一个更聪明的大模型当老师，把知识“教”给一个更小、更省钱的模型。不过报道没说他具体用了 OpenAI 的哪个模型、喂了多少数据、跑了多少次训练。这点先别太激动，正文没披露细节，没法判断这到底是一次常规操作还是越界行为。
推荐理由：HKR 三项全中：马斯克法庭自曝用 OpenAI 模型训 Grok，机制是蒸馏，但模型名、规模、轮次都缺，信息有硬缺口，所以重要性停在 84 而不是更高。
Latent Space 这期把近期几条线索串了起来：AI 的推理（inference）需求正在急剧膨胀。黄仁勋在 GTC 上说，过去两年单次任务的算力消耗涨了约 1 万倍，总用量涨了约 100 倍，他管这叫“推理拐点”。英特尔 CEO 在财报会上给了更具体的数字，CPU 需求在涨，不是因为训练，而是因为代码智能体、强化学习环境模拟这些推理侧的工作全压...
推荐理由：这是一篇 Latent Space 的新闻汇总和趋势判断，不是模型发布或重大产品更新。它把黄仁勋的预测和 CPU 沙箱、智能体调度这些实际工作负载拆解放在一起，对从业者有参考价值，但信息密度和独家性不如一手发布。我会先打个折，放在 featured 里偏评论解读的位置。
三星电子芯片部门在 2026 年第一季度利润同比翻了 48 倍，创下历史新高并超出市场预期。这波增长直接来自 AI 数据中心对内存的疯狂采购，导致供应紧张。不过正文没披露具体的利润金额、是哪种内存（比如 HBM 还是普通 DRAM）以及主要客户是谁。
推荐理由：三星半导体部门一个季度利润翻了48倍，这个涨幅放在任何行业都算炸裂。我会先打个折：正文没写具体赚了多少钱，也没说是哪类内存（HBM还是普通DRAM）在拉动，客户是谁也一概没提。所以这条消息的价值在于信号——AI数据中心在疯狂下单，内存供给可能进一步收紧。如果是真的，对做推理优化和硬件采购的团队来说，成本压力会更大。Bloomberg的报道本身可信度不低，但信息缺口明显，我维持74分，不往上调。
Reddit 用户 purellmagents 搭了一套完全跑在本地的 PDF 转有声书流程，用 Kokoro 82M 做语音合成，Qwen 3.5 0.8B 或 2B 处理文本，llama.cpp 做推理，整个应用用 Tauri 2.0 打包，在 M1 Mac 上运行。工作方式是先读前 15 句，边读边准备下 15 句，减少等待。作者说真正的难点不在...
推荐理由：HKR 三项都踩中了，但本质是 Reddit 上的个人工作流展示，不是模型或平台发布。具体组件和 15 句预处理窗口让它能进低分 featured 档。我会先打个折：正文没披露代码和表格朗读的具体处理逻辑，这点先别太激动。
Dwarkesh 把采访间改成了黑板教室，请来芯片公司 MatX 的 CEO Reiner Pope，用公式和粉笔把大模型从训练到服务的成本结构拆了一遍。讲座从批处理大小讲起：没有批处理，服务成本会直接差出 1000 倍，这也是为什么各家 API 定价和快速模式差价巨大的根源。接着讲了 MoE 模型怎么跨 GPU 机柜摆放、流水线并行如何把模型层切分到...
推荐理由：这是一堂黑板课，不是新闻事件，所以分数没往上拉。但内容确实扎实：Pope 把训练和推理里几个关键的成本开关——尤其是批处理对经济性的影响——用数字讲清楚了。我会先打个折，因为正文没给具体实验数据，更多是经验推演，但“1000 倍”这个量级足够让人重新审视自己的服务设计。
劈柴哥发帖庆祝谷歌翻译上线 20 年，月活用户到了 10 亿。他梳理了背后的四代技术：最早是统计机器翻译，2016 年换成神经网络翻译，后来用上 PaLM 2 大模型，2024 年一口气加了 110 种语言。最新的是 Gemini 2.5 Flash 的原生音频翻译，不再先把语音转文字再翻译，而是直接处理声音，能保留原话的语调、停顿和节奏。劈柴哥形容这...
推荐理由：核心事件是谷歌翻译过生日和架构回顾，不是新品发布，但 10 亿月活、110 种语言扩增和原生语音翻译的细节撑得起 featured 档位。我会先打个折，因为正文没给出原生语音功能的具体上线时间或实测数据，这点先别太激动。不过它点到了语音 AI 产品眼下最纠结的问题：级联管线 vs. 原生多模态，所以值得从业者看一眼。
这篇 FT 文章正文被付费墙挡住了，只看到标题和摘要片段。从现有信息看，Sam Altman 在基础设施上搞得很灵活，这种灵活让合作伙伴不太踏实，但确实帮 OpenAI 在算力上跑到了前面。至于 Stargate 具体怎么变了、现在是什么结构、有哪些合作方、时间表怎么排，正文没披露，没法细说。
推荐理由：我会先打个折，因为正文没给结构、伙伴和时间表，信息密度撑不起更高分。但 5000 亿这个数字和合作方不安的信号，对关注算力基建的人来说是实打实的信号弹，所以 H 和 R 都站得住。整体放在 76 分、featured 是合理的，更像一条值得盯后续的线索，而不是一篇能直接引用的硬稿。
一位用户用两张 RTX 5060 Ti 16GB 显卡，通过 vLLM 部署了 Qwen3.6 27B 模型。实测在 8K 上下文时生成速度约 62–66 tok/s，两张卡共占用 32GB 显存。配置上开了张量并行（TP=2）、fp8 KV 缓存、多 token 预测（MTP 一次猜 3 个 token），并把上下文窗口拉到了 204800。显存是瓶...
推荐理由：H、K、R 全中。帖子是一手实测，硬件、vLLM 参数、速度、上下文上限和显存余量都列得清楚，对想用消费级显卡跑 27B 的人有直接参考价值。唯一扣分点是来源只有 Reddit 单帖，没有更多交叉验证，所以分数停在 76 不进 78–84 那档。
Simon Willison 在 128GB 内存的 M5 Max MacBook Pro 上跑了社区做的 4-bit 量化版 VibeVoice-ASR，模型大小 5.71GB。转写一小时播客用了 8 分 45 秒，prefill 阶段内存峰值冲到 61.5GB，生成阶段稳定在 18GB 左右，所以普通 32GB 笔电基本没戏。这个 9B 参数模型最...
推荐理由：这篇不是新模型发布，而是 Simon Willison 拿微软 1 月开源的 VibeVoice-ASR 在自己机器上跑了一遍，给出了速度和内存的实测数字。我会先打个折：这只是单次测试，不代表所有场景，但 61.5GB 的内存峰值确实把 32GB 笔电劝退了，这点对想本地部署的人很关键。正文没提准确率对比，所以别当全面评测看，就当一份硬件门槛参考。
这篇文章把 DeepSeek V4 的技术报告翻译成了人话，核心就讲一件事：为了让模型能稳定地跑完一个长链条的 Agent 任务（比如改代码、调工具、看日志反复几十轮），V4 在架构上做了哪些又贵又复杂的工程决策。文章拆解了三个主要矛盾。第一，百万级上下文不是光能装下就行，Agent 得随时回看历史里的报错和工具结果，V4 的做法是把注意力机制分成三层...
推荐理由：我会先打个折：正文没给参数量、训练数据、价格和发布时间，所以没法判断它到底多能打，只能当技术方向看。但 DeepSeek V4 把 100 万 token 上下文和 agent 负载绑在一起讲，还给了混合注意力、OPD 这些具体手段，对做 agent 落地的人有参考价值。信息缺口明显，所以重要性停在 78，不往上拔。
政治局四月会议读完通稿，没看到新刺激政策，但“AI+”从口号变成“全面实施”，还点名要发展智能经济新形态、完善 AI 治理。算力网被列入和水网、电网并列的六大基础设施，信号很明确：以后建算力会像修路修电网一样推。同时会议专门提了“深入整治内卷式竞争”，去年四月通稿里没这句，说明上面要对价格战和重复建设下更重的手。另外，Meta 收购 Manus 被中国...
推荐理由：我会先打个折：正文没给预算数字、时间表和具体牵头部门，所以不是那种必须立刻写的突发新闻。但政治局把算力网塞进“六张网”基建清单，等于给算力基础设施发了张长期饭票，做国产供应链和算力生意的团队该盯紧后续细则。整治“内卷式”竞争这条也值得留意，可能影响模型定价和toB项目的补贴逻辑。整体是方向性信号，不是操作手册，重要性给76分，放在featured位置提醒一下就够了。
Reddit 上有人贴了小米 MiMo-V2.5 的 Hugging Face 链接，不是 Pro 版。架构是稀疏 MoE，总参数量 310B，每次推理只激活 15B 参数，相当于用 150 亿参数模型的计算量去撬动一个 3100 亿参数的知识容量。发帖人说它比更大的兄弟模型用了更“人性化”的配置，但正文没展开什么叫人性化，也没给显存需求、量化方案或跑...
推荐理由：这条消息的钩子很实在：310B 总参数但每次只激活 15B，意味着理论上比同体量稠密模型省资源，官方也说它比更大版本更适合普通配置跑。我会先打个折——正文只贴了个 Hugging Face 地址，没给显存占用、量化方式、任何基准测试，所以“普通配置”到底指什么配置完全不清楚。这点先别太激动，等实测数据出来再判断值不值得本地部署。
华为泰勒实验室、北大和上海财大在 ACL 2026 发了一篇论文，提出 SHAPE 方法，核心思路是给模型的长篇推理加一道“推理税”。具体做法是：先用熵值把推理过程切成段，再用短距离试探估算每段的潜力，然后对后期又长又没带来实质进展的段落做动态长度打折，最后把奖励分配到每个 token 上。结果平均准确率涨了约 3%，同时 token 用量砍了约 30...
推荐理由：这篇论文最抓人的地方不是那 3% 的准确率提升，而是它把“模型靠啰嗦刷分”这件事直接拎出来收税。SHAPE 用熵值把推理过程切成段，拿短 rollout 估算每段的“势能”，高势能的后期长段落会被长度折扣重罚，逼着模型别在确认步骤上浪费 token。结果就是数学题答得更准，输出还短了约三成。我会先打个折：正文没披露这 30% 的 token 节省是在哪些模型和数据集上测的，也没说短 rollout 本身的计算开销有多大，所以实际部署省不省钱还得看具体场景。但思路本身很直接，把推理效率问题从“事后裁剪”挪到了“训练时就定价”，对做推理优化的团队来说是...
Applied Intuition 的 CEO 和 CTO 聊了他们从 YC 时期的自动驾驶工具链，一路做到估值 150 亿美元实体 AI 公司的完整路径。公司现在有 30 多款产品，全球非中国车企前 20 名里 18 家是他们的客户，L4 级无人卡车已经在日本跑起来了。他们反复强调，实体 AI 真正的瓶颈不是模型不够聪明，而是怎么把模型塞进车里：车载...
推荐理由：这篇复盘把 Physical AI 从融资故事拉到了实车部署层面，信息量够硬——估值、客户覆盖、L4 落地都有数字撑着。我会先打个折：正文没披露具体模型架构或安全验证的实测数据，所以重要性停在 80 这个区间是合理的。对做车端推理和自动驾驶落地的人，这篇值得一看，但别指望有技术白皮书级别的细节。
Systalyze 开源了一个叫 Utilyze 的 GPU 监控工具，专门解决 nvidia-smi 和 nvtop 那个老毛病：它们只告诉你显卡“有没有在干活”，不告诉你“干得有多满”。比如 H100 有 132 个流式多处理器、一万七千多个核，但只要有一个核在跑，利用率就敢报 100%，实际算力可能才用了 1%。Utilyze 会直接算你的 GP...
推荐理由：这篇抓住了 GPU 监控里一个很常见的坑：传统工具只看二值占用，不看有效计算效率。对跑生产负载的人来说，知道真实吞吐上限比看仪表盘数字重要得多。我会先打个折，因为工具来自一个还没被广泛验证的团队，正文也没披露具体开销有多“可忽略”，但选题和解释都到位，放在 featured 没问题。
作者在伦敦飞拉斯维加斯的 10 小时航班上，用一台顶配 MacBook Pro M5 Max（128GB 统一内存、40 核 GPU）离线跑了 Gemma 4 31B 和 Qwen 4.6 36B 两个本地模型。他主要用 DuckDB 搭了个云账单分析工具，还处理了约 400 万 token 的零散编码任务。体验下来，写限定范围的代码、做小工具时，本地...
推荐理由：这是一篇第一人称的本地推理实测，硬件、模型、功耗数字都摆出来了，不是空谈。我会先打个折：它更像个人体验报告，不是行业级发现，所以分数落在 72–77 这个区间。真正有意思的是功耗可观测性——同一负载下 iPhone 线只供 60W，MacBook 线供 94W，差了 34W，这点先别太激动，但说明供电配件对本地跑大模型的实际性能影响不小。正文没披露模型量化方式，也没说具体跑了什么任务，所以不能把结论拔太高。
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。
Axios 报道，一些公司的 AI 算力开销已经超过了员工工资。英伟达高管 Bryan Catanzaro 说，他团队的算力成本远高于人力成本；Uber 的 CTO 则因为 token 消耗太快，已经花光了 2026 全年的 AI 预算。Gartner 预测今年全球 IT 支出会涨到 6.31 万亿美元，主要就是被 AI 基建、软件和云服务推高的。文章...
推荐理由：这篇文章把 AI 成本焦虑变成了预算事实。Nvidia 内部团队算力开销远超人力、Uber CTO 的 token 预算提前见底，加上 Gartner 的支出预测，都在说同一件事：AI 的账单开始比工资单更吓人。它不是产品发布或硬新闻，而是趋势报道，所以放在 72–77 这个区间。我会先打个折，因为正文没给出 Nvidia 和 Uber 的具体金额对比，但方向性判断足够清晰，值得从业者看一眼自己的预算表。
DeepSeek V4 两天内连续降价，输入和输出价格直接砍掉 75%，缓存命中的输入还能再打一折。量子位的编程实测里，处理 3500 万 token 的成本从 31.73 元掉到 5.34 元，降了 83%。这个价格对缓存命中率高的场景最划算，V4-Pro 的缓存命中率大概在 95% 到 96%。
推荐理由：HKR三项都站得住：降价幅度和两次调价节奏有话题性，实测数据让便宜可验证，成本敏感型从业者会立刻对标自己的用量。不过它本质还是定价更新，不是新模型发布，所以分数没往上拉。
这篇交互式文章把 TurboQuant 的核心思路拆了一遍。它要解决的是怎么把模型里的高维向量（比如 KV 缓存、嵌入向量）压到每个坐标只占 2 到 4 个比特。做法很取巧：先给向量随机转个方向，转完之后每个坐标的数值分布就固定了，近似一个钟形曲线。接着用一套提前算好的通用码本去套所有输入，省掉了给每组数据单独算缩放因子的开销，也不需要训练或校准。文章...
推荐理由：我会先打个折：这不是模型或产品发布，只是一篇技术走读，所以重要性停在 76。但 HKR 三项都站得住——钩子够具体，机制解释有新东西，成本角度也切中当前推理优化的刚需。正文没给大规模验证数据，这点先别太激动，但思路本身值得一看。
SGLang 和 Miles 团队在 DeepSeek-V4 发布当天就完成了推理和强化学习训练的适配，覆盖了 1.6T 参数的 Pro 版和 284B 参数的 Flash 版。V4 模型用了混合稀疏注意力，把滑动窗口和两种 KV 压缩（4:1 或 128:1）混在一起，撑住了 100 万 token 的上下文窗口，专家权重还用了 FP4 精度。系统上...
推荐理由：我会先打个折：这篇不是给所有人看的，系统细节多，普通读者容易走神。但它的钩子够硬——V4 发布当天就有推理加验证 RL 的工程栈，而且把上下文长度、压缩比、注意力窗口这些直接影响成本和稳定性的数字都摊开了。ShadowRadix 那部分虽然正文没展开实现细节，但点出了多池一致性这个真正难啃的骨头，对做部署和调优的人比单纯跑分更有参考价值。
DeepSeek 终于发了 V4 系列，一共两个型号：V4 Pro 总参数 1.6 万亿，每次激活 490 亿；V4 Flash 总参数 2840 亿，激活 130 亿。两个模型都支持 100 万 token 的上下文，用了新的压缩注意力技术，相比 V3.2，处理长文本时计算量只要 27%，显存占用只要 10%。这次比较特别的是同时发了基础版和指令版，...
推荐理由：这条必须写。DeepSeek 这次放出的不只是模型，而是把华为昇腾兼容性摆上台面，等于在 CUDA 依赖上划了一刀。技术报告说 1M token 下只用 V3.2 27% 的算力、10% 的 KV 缓存，省得挺实在。两档参数和 MIT 许可也让落地门槛更低。我会先打个折：正文没提实际推理延迟和昇腾上的吞吐数据，这点先别太激动，但硬件独立性本身已经够重。
Google 在 Cloud Next 2026 上放了三招：把第八代 TPU 拆成训练用的 8t 和推理用的 8i，8i 内存带宽比 8t 还高，专门对付长上下文推理；推出 TorchTPU，让 PyTorch 代码能直接在 TPU 上跑，不再需要以前那个问题一堆的桥接层；以及给 Anthropic 投了最多 400 亿美元并配 5GW 算力。这三件...
推荐理由：这篇文章把 TPU 和 CUDA 的竞争讲得很清楚，给了 8i 的硬参数和量产时间，也提到了 TorchTPU 这个降低迁移门槛的动作。但正文自己说了缺少独立 benchmark，而且 8i 要 2027 下半年才量产，所以判断 18-24 个月内 TPU 不会取代 NVIDIA。信息有料，但验证还弱，时间也远，所以重要性给到 82，放在 featured 里。
谷歌要给 Anthropic 投一笔钱，上限是 400 亿美元。这笔钱不是单纯的财务投资，核心目的是给 Anthropic 的模型增加计算资源，也就是买更多服务器和芯片来跑模型。这更像是一种算力绑定——Anthropic 拿了钱，但得花在谷歌的云服务或算力上。不过，正文被付费墙挡住了，具体的交易结构、投资时间表、Anthropic 的最新估值，以及算力...
推荐理由：FT 的消息说 Google 计划向 Anthropic 投最多 400 亿美元，用途是增加跑模型需要的算力。我会先打个折——具体怎么投、分几批到账、估值多少、算力从哪来，正文都没写。但光这个数字和算力绑定的方向，就值得从业者盯着看，因为这比单纯财务投资更能锁死合作关系。
Meta 和亚马逊达成了一笔大单，要采购数百万颗亚马逊自研的 Graviton CPU，专门用来跑 AI 智能体（agentic AI）的工作负载。注意，这里说的是 CPU，不是训练大模型常用的 GPU。这信号挺有意思：以前大家抢 GPU，现在连 CPU 都开始为 AI 智能体这种新任务大量铺货了。不过正文没披露具体是 Graviton 哪款芯片、单价...
推荐理由：这条消息我会先打个折，因为正文没披露具体型号和金额，没法算性价比。但“几百万颗 AI CPU”这个量级本身就在说一件事：agent 负载开始推高非 GPU 芯片的采购。Meta 这种体量的公司用 Amazon 的 CPU 跑 agent，至少说明他们在认真找 GPU 之外的推理方案，而且敢下大单。这点先别太激动，毕竟没看到实测数据，但如果后续有部署细节和性能对比，这条线值得一直盯着。
这篇讲的是复旦大学、上海科学智能研究院和新加坡国立大学一起搞的 HERMES，一个不用重新训练就能加速流式视频理解的框架。核心思路是把模型里的 KV 缓存（你可以理解成模型在推理时记下的“草稿纸”）重新组织成三层记忆：当前帧的短期记忆、最近几帧的中期记忆，以及更早帧压缩后的长期记忆。同时它做了跨层记忆平滑和位置重编号，让模型读这段压缩历史时不会因为位置...
推荐理由：我会先打个折：这是学术研究，不是产品发布，所以重要性停在 82。但 HKR 三项都站得住——10 倍提速是实打实的标题钩子，68% token 削减和 27-29ms TTFT 是能拿来算账的数字，而且方案免训练、开源，对做流式视频落地的团队来说，省 token 就是省钱，低延迟就是体验。正文没披露长视频下的记忆退化情况和更多模型上的泛化结果，这点先别太激动，但现有数据已经够让做实时视频 agent 的人认真看一遍。