又快又能打！匿名模型玉兔模型杀上双榜第一，Coding实测全记录
NEW
中秋假期期间，一个代号「玉兔」的匿名模型在OpenRouter调用日榜上冲到榜首，并在两项榜单上同时登顶。量子位对其进行了Coding任务全记录实测，给出的评价是「又快又能打」。匿名模型一般是厂商正式发布前的灰度试水，社区常借此提前判断新模型的真实水平与定价策略。对开发者来说，这条消息的价值有两层：一是主力编码模型的候选清单又多了一个选项；二是OpenRouter这类聚合平台的调用数据，正在成为观察模型口碑与性价比的先行指标，比官方跑分更贴近真实使用场景。
笔记本跑7000亿参数GLM！无GPU也行? SSD当显存用火爆GitHub
DEV
开源项目Colibrì（小蜂鸟）成为GitHub上最热门的大模型项目之一：它把SSD当作显存使用，让没有GPU的普通笔记本也能跑起7000亿参数的GLM大模型。这直接冲着本地部署最大的瓶颈——显存墙去的，用存储换显存、以速度换可运行性。意义在于大模型本地化门槛被进一步拉低：过去只有多卡A100/H100集群才能承载的参数量，如今在消费级硬件上也能跑通，代价是推理速度明显受限。对隐私敏感、需要离线部署的场景，以及想低成本做模型验证的开发者，这类方案值得关注。
Introducing GPT-6 Sol and Luna
HOT
OpenAI发布GPT-6系列的两个新模型Sol与Luna，官方定位是把前沿智能带入日常工作，两者在能力与成本之间给出不同取舍，方便团队按任务复杂度做路由分发。这是头部厂商继续细分模型矩阵的又一动作：在GPT-6 Astra承接高难任务的同时，用更便宜、更快的版本消化海量日常调用，从而把单次推理成本压下来。对正在做模型选型的企业而言，需要重新核算单位任务成本——用同一套Agent框架，把简单请求分发给轻量版本，通常比全量调用最强模型更划算，这已经是一道必须算的工程题。
谷歌TPU跑Kimi比英伟达GPU快57%！用的还是DeepSeek推理框架
HOT
量子位报道，vLLM团队人马创办的公司在谷歌TPU上运行Kimi模型，实测速度比英伟达GPU快57%，而且用的是DeepSeek开源推理框架。这条消息把两件事同时推到台前：一是国产开源模型与国产开源推理栈正在成为跨硬件的通用层；二是TPU作为英伟达之外的算力选项，开始在真实工作负载上拿出一手性能数据。对推理服务商而言，硬件选型不再只算单卡算力，而要综合考虑框架适配、迁移成本和单位token成本；对国内模型团队来说，被第三方硬件与框架顺滑支持，本身就是生态话语权的体现。
在云栖大会，我终于看懂了米哈游千亿AI野心
HOT
在云栖大会上，米哈游的AI布局第一次被完整看清，创始人刘伟（大伟哥）放出狠话：「如果做不到，一年两年之后过来打我脸」。作为靠《原神》《崩坏：星穹铁道》起家的游戏公司，米哈游在AI上的投入规模被外界形容为千亿级野心，方向覆盖自研大模型、游戏内容生成与虚拟角色等。对行业的意义在于：游戏是最早、也最愿意为AI付费的场景之一，一家不缺现金、不缺用户数据、长期自建引擎与渲染管线的公司亲自下场做AI，说明大模型在内容生产侧的投入产出比开始被头部客户验证，而不只是概念演示。
量子AI创业来了一支“清华梦之队”：10亿估值，用量子改造大模型底层
NEW
一支被称为「清华梦之队」的量子AI创业团队浮出水面，估值达10亿元人民币，方向是用量子计算改造大模型底层。量子位报道称，团队试图在模型训练与推理的底层环节引入量子方法，而不是把量子计算当成独立的算力赛道。这类叙事在当下有市场，是因为大模型正卡在算力与能耗瓶颈上，任何可能突破线性扩张成本的路线都会被资本认真对待。但要泼一盆冷水：当前量子硬件的比特数与纠错水平，距离承载真实大模型负载仍有明显距离，估值先行、产品后到，是这个赛道需要被持续追问的地方。
ChatGPT Ads expands to Southeast Asia and Taiwan
HOT
OpenAI宣布ChatGPT Ads广告业务扩展到东南亚与台湾市场，符合条件的商家可在超过60个国家和地区投放。这是ChatGPT广告从美国本土走向全球化的关键一步，也意味着OpenAI在订阅收入之外，正把广告做成第二增长曲线。对广告主来说，多了一个基于对话意图的投放渠道：用户是在主动描述需求的过程中看到广告，理论上比传统信息流更接近决策时刻。但风险同样明显——广告密度一旦上升，会直接冲击ChatGPT作为生产力工具的信任感，如何在商业化与体验之间划出边界，将决定这条业务能走多远。
啥题啊能干崩OpenAI最强模型训练…
AI
量子位抛出一个值得所有做训练的人看一眼的问题：什么样的题目能「干崩」OpenAI最强模型的训练过程。这类现象通常被称为训练不稳定——一条异常样本可能触发损失尖峰、梯度异常，或者被奖励模型钻了空子，进而让整轮训练的效果与算力投入泡汤。公开讨论这类失效案例的价值在于，它把大模型训练从「堆卡堆数据」的黑箱，拉回到数据配比、异常检测与训练监控这些工程细节上。对中小团队而言，知道头部实验室也会被单条样本整得够呛，至少说明稳定性问题是当前范式的共性难题，而非自己工程能力不行。
AI开始研究Physical AI：FSD级团队亮出首版模型Simate-beta，空降RoboDojo
AI
一支自称FSD级的研究团队发布首版Physical AI模型Simate-beta，并空降RoboDojo。其做法是把训练、推理与评测全流程接入自研Infra，通过极致的任务编排与资源调度，同时并行推进数十条相互独立的研究路线。Physical AI指让模型理解并作用于物理世界，是具身智能、自动驾驶与机器人共同的技术底座。用「流水线并行试错」替代单点突破，反映出一个现实：物理世界的模型研究试错成本高、周期长，谁能把实验吞吐量做上去，谁就更可能先找到可扩展的配方。对国内具身智能团队而言，Infra能力正在成为与算法同等重要的竞争维度。
Introducing MentalHealthBench
AI
OpenAI发布MentalHealthBench，这是一个由专家参与设计的基准，用于评估AI在真实心理健康对话中的表现，同时考察回答「有帮助」与「安全」两个维度。心理健康长期是大模型最敏感、也最容易翻车的场景之一：模型既要给出共情与可操作的建议，又不能越界做诊断，还要能识别自伤、自杀等高危信号并正确转介。此前行业缺少公开且贴近真实对话的评测标准，各家的安全声明难以横向比较。这个基准的意义在于把「安全」变成可测量项，对做心理健康类AI产品的团队来说，它同时也是一份现成的失败案例清单。
Sam Altman’s remarks at the United Nations Security Council
HOT
OpenAI首席执行官Sam Altman在联合国安理会发表讲话，内容围绕AI安全、人类对AI的控制以及国际合作展开。把这样的表态放在安理会场合，本身就是一种信号：前沿AI实验室希望在国际治理框架里占到一个席位，而不是被动等待被监管。其核心关切是能力越强的模型，越难被外部验证是否可控，因此需要可核查的安全证据与国际协调机制。对各国监管者来说，难点在于如何在不拖慢技术扩散的前提下建立验证体系；对企业来说，则要预判未来跨境模型部署可能附带的安全审查与合规成本，这会直接影响产品出海节奏与成本结构。
Building standards for the next phase of AI
OpenAI发文《Building standards for the next phase of AI》，提出通往全球共享AI标准的路径，呼吁在评估、报告与治理三个环节做协调：统一的评测方法、可比的模型信息披露，以及跨市场一致的治理安排。背景是各国监管正在分叉——欧盟、美国、中国各有自己的合规要求，模型厂商不得不为不同市场重复做安全评估。对全球化部署的公司，标准统一能显著降低合规成本；对中小开发者，公开的评测与报告规范也降低了理解大模型安全边界的门槛。但谁来定义标准、标准是否具备约束力，仍是悬而未决的问题。
Expanding AI access and cyber defense for federal, state, local, and tribal governments
OpenAI与美国总务署（GSA）达成合作，向符合条件的联邦、州、地方及部落政府机构提供零许可费用、使用量五折以及扩展的网络安全防护支持。这是把AI能力直接嵌入公共部门采购体系的一次尝试：政府采购周期长、合规要求严，一旦打通，AI在政务场景的渗透速度会明显快于企业自行采购。对OpenAI而言，换来的不只是一批付费客户，更是与政府建立信任、参与标准制定的入场券。对创业公司而言，这则消息值得警惕——当头部厂商以零许可费切入公共部门，同赛道的商业化空间会被进一步挤压。
Introducing ChatGPT for Financial Services
AI
OpenAI推出面向金融服务行业的ChatGPT版本，内置金融数据并接入GPT-6 Astra，用于研究、建模以及生成可直接给客户看的材料。金融是典型的「高价值、强合规」场景：分析师大量时间花在找数据、拉表格、写材料上，而这些恰好是大模型当前最擅长、也最容易验证效果的部分。把数据源内置，解决的是答非所问与数据时效性问题；强调「客户可用材料」，则说明OpenAI正在往受监管行业的工作流深处走。对国内金融科技与券商IT团队来说，这是一个清晰的产品参照：垂直价值不来自模型本身，而来自数据接入与合规边界的设计。
Introducing Astra for Law
AI
OpenAI发布面向法律行业的Astra for Law，包含法律场景的前沿模型能力、可定制的律所工作流、连接的法律数据源，以及为保密客户工作设计的法律级控制。法律是AI落地最慢、但客单价最高的行业之一，核心障碍从来不是模型不够聪明，而是引用是否可靠、客户数据是否安全、责任如何划分。这次发布把这三件事打包成产品，等于把「能不能用」的问题前置回答掉。此前已有律所用ChatGPT Work搭建IPO流程工具，说明付费意愿真实存在。接下来的竞争点，会落在数据源覆盖与审计能力上。
一天之内，OpenAI把模型（GPT-6 Sol/Luna）、产品（法律与金融版本）、安全基准与政务合作一次性铺开。竞争维度变了：单点能力领先越来越难变现，被买单的是「模型+数据+工作流+合规」的整包交付。只做一个更好的模型，空间正在收窄。
中国这条线同样清晰：匿名「玉兔」登顶OpenRouter，谷歌TPU跑Kimi快过英伟达57%，Colibrì让笔记本跑起7000亿参数GLM。开源模型与开源推理栈正变成跨硬件的通用层，算力竞争的焦点从「有多少卡」转向「单位token成本」，效率定义定价权。
落地侧的关键词是「可验证」。OpenAI一边发心理健康基准、一边把法律与金融版本做进受监管行业，先用评测与合规立门槛，再谈规模化。2026年的分水岭或许不是谁模型更强，而是谁能拿出第三方看得懂的安全证据。