行业快报

搜索的第三次革命 第一次革命是Google的PageRank——用链接投票排序网页。第二次革命是移动搜索——随时随地获取信息。第三次革命正在进行——AI驱动的语义搜索，从"给链接"到"给答案"。 AI搜索的技术架构 传统搜索引擎的局限 传统搜索的流程：爬虫索引→关键词匹配→排序→返回结果页。用户需要自己从多个网页中提取需要的信息。这在简单事实查询中效率尚可，但在复杂问题面前力不从心。 AI搜索的架构 用户查询 → 查询理解与改写 → 多源检索（Web+知识库）→ 相关性筛选 → 内容提取 → LLM综合生成 → 引用标注 → 返回答案 查询理解 AI搜索的第一步是理解用户的真实意图： def query_understanding(query, conversation_history): # 1. 意图分类 intent = classify_intent(query) # informational / navigational / transactional / comparative # 2. 查询改写 rewritten = llm.rewrite(query, context=conversation_history) # "最好用的AI模型" → "2026年大语言模型性能对比评测" # 3. 子查询分解 sub_queries = decompose_query(rewritten) # "对比Llama和Qwen" → ["Llama 4性能评测", "Qwen3性能评测", "Llama vs Qwen对比"] return { "intent": intent, "rewritten": rewritten, "sub_queries": sub_queries } 多源检索 AI搜索不限于网页索引，还整合结构化知识库： Web搜索：实时获取最新信息 知识图谱：实体关系查询 计算引擎：数学计算和单位转换 垂直数据源：股票、天气、航班等 内容提取与去重 从多个网页中提取相关段落，去除重复内容： ...

AI芯片市场的格局之变 NVIDIA在AI训练芯片领域占据了超过80%的市场份额，但2026年的竞争格局正在发生深刻变化。从AMD的MI400到华为的昇腾910C，挑战者们正在从不同角度发起冲击。 NVIDIA Blackwell：延续统治地位 Blackwell架构核心创新 B200 GPU的Blackwell架构带来了几项关键突破： 第二代Transformer Engine：原生支持FP4精度，在保持训练精度的同时将推理吞吐量提升到Hopper的30倍。FP4的实现在于新的缩放因子机制，每个tensor块附带一个FP8缩放因子，动态调整表示范围。 576TB/s的NVLink域：Blackwell支持576个GPU的全互联，形成巨大的NVLink域。这意味着大规模训练任务可以在单一互联域内完成，减少跨节点通信开销。 确定性计算：Blackwell引入了确定性计算模式，相同输入始终产生相同输出。这对大规模训练中的调试和复现至关重要。 实际性能表现 在Llama-3-70B推理场景下： B200 vs H100：吞吐量提升约15倍（FP4量化） B200 vs H100：延迟降低约8倍 单卡可支持1000+并发用户 但B200的功耗也达到1000W，对数据中心供电和散热提出了极高要求。 AMD MI400：紧追不舍的挑战者 MI400的差异化优势 AMD在2026年推出的MI400系列（Instinct MI400X）在几个维度上对NVIDIA构成了真正的竞争压力： 显存容量：MI400X配备288GB HBM3E显存，超过B200的192GB。这使得单卡可以加载更大的模型，减少多卡并行的通信开销。 统一编程模型：ROCm 7.0终于成熟到可以与CUDA生态正面竞争。HIP（Heterogeneous-Compute Interface for Portability）提供了CUDA到ROCm的自动转换工具： // CUDA代码 __global__ void kernel(float* data) { ... } // 转换为ROCm代码 __global__ void kernel(float* data) { ... } // 几乎无需修改 性价比：MI400X的定价策略比B200低约30-40%，在推理场景下的性价比优势明显。 生态差距 AMD最大的挑战仍然是软件生态： PyTorch对ROCm的支持已基本完善，但边缘case仍有问题 Triton等编译器对MI400的支持落后于NVIDIA 深度学习框架的最新优化通常先在CUDA上实现 华为昇腾910C：国产之光 架构设计 昇腾910C采用达芬奇架构3.0，核心特点： Cube+Vector双引擎：Cube引擎负责矩阵运算（GEMM），Vector引擎负责元素级运算。两个引擎可以并行工作，提高计算单元利用率。 片上互联：采用HCCS（Huawei Cache Coherent System）互联，单服务器内8颗910C的互联带宽达392GB/s。 CANN软件栈 华为的CANN（Compute Architecture for Neural Networks）软件栈日趋成熟： # 使用MindSpore + CANN import mindspore as ms from mindspore import nn class Model(nn.Cell): def construct(self, x): return self.dense(x) # 自动编译为昇腾可执行文件 model = Model() model.compile(target="ascend") # 编译到Ascend 910C 实际能力 昇腾910C在Llama-3-70B推理上的性能约为A100的70-80%。虽然在绝对性能上与B200有差距，但在国产替代场景下已经可以满足大部分需求。 ...

站在2026年年中回望与前瞻，AI Agent的发展已经到了一个关键拐点。2025年是Agent"能做复杂任务"的元年，2026年则是Agent"能可靠地做复杂任务"的一年。本文将基于技术发展脉络，预测2026年下半年到2027年的十大趋势。 趋势一：Agent操作系统（Agent OS）的兴起 现状 当前Agent开发像早期的手机开发——每个应用各自管理状态、工具、权限。没有统一的"操作系统"层。 预测 2026年下半年将出现Agent OS——一个统一的Agent运行时环境： 统一的工具调用协议（MCP正在走向这个方向） 标准化的记忆管理（跨Agent共享记忆层） 内置的权限和安全沙箱 Agent间通信的标准化协议 Agent OS架构: ┌─────────────────────────────┐ │ Agent Application │ ├─────────────────────────────┤ │ Agent Framework │ ├────────────┬────────────────┤ │ Memory Mgr │ Tool Registry │ │ Permission │ Safety Monitor │ │ Scheduler │ Communication │ ├────────────┴────────────────┤ │ Model Runtime │ ├─────────────────────────────┤ │ Infrastructure │ └─────────────────────────────┘ 影响：Agent开发门槛大幅降低，类似移动App在iOS/Android上的爆发。 趋势二：多Agent协作成为默认架构 现状 大部分Agent应用仍是单Agent架构——一个Agent处理所有事情。 ...

2026年AI基础设施投资指南 AI基础设施投资在2026年处于关键节点——GPU供需趋于平衡、新一代芯片量产、开源模型降低门槛、但推理需求仍在爆发增长。如何在不确定中做正确的投资决策？本文提供一份全景指南。 GPU市场现状与选型 供需格局变化 2023-2024年的GPU荒已经过去。2026年的市场特征： H100/B200系列产能充足，交货周期从6个月降到4周 国产AI芯片（昇腾910C、寒武纪590等）在推理场景可用性大幅提升 二手A100市场流通量大，性价比突出 云GPU按需租赁价格下降40-50% 这意味着企业有了更多选择——不再需要"有什么用什么"，可以按需选型。 GPU选型矩阵 使用场景 推荐GPU 理由 70B+模型推理 B200/H200 显存大、能效比最优 7B-30B模型推理 H100/A100 80G 性价比最优 模型微调(LoRA) A100 80G 显存够用、成本可控 模型预训练 B200集群 单卡性能最强 边缘推理 L40S/RTX 4090 功耗低、不需要数据中心 国产芯片评估 2026年国产AI芯片的评估： 昇腾910C：推理性能约为H100的70%，成本约60%，适合7B-30B模型推理 寒武纪590：推理性能约为A100的80%，成本约70% 摩尔线程MTT S80：适合轻量推理，成本极低 国产芯片在生态成熟度上仍有差距（CUDA兼容性、框架支持），但在纯推理场景已经可用。建议在非关键业务上做混合部署，降低对单一供应商的依赖。 数据中心策略 自建 vs 租用 2026年的核心决策是自建数据中心还是租用云GPU。 自建适合： 年GPU使用时长>6000小时 有稳定电力供应和选址条件 数据安全要求高 需要深度定制化 租用适合： 使用量波动大 快速验证阶段 无运维团队 多地域分布需求 成本对比（以H100等效计算力，年费用）： 自建（含折旧、电力、运维）：约15-20万元/GPU/年 云按需租用：约25-35万元/GPU/年 云预留实例：约18-25万元/GPU/年 云Spot实例：约8-12万元/GPU/年（但可能被中断） 结论：稳定大量使用自建更优，波动使用租用更灵活。 数据中心选址要素 电力成本：电费占数据中心运营成本的40-60%。不同地区电价差异大： 西部地区（四川、青海）：0.3-0.4元/度 东部地区（北上深）：0.7-0.9元/度 工业园区优惠电价：可低至0.25元/度 可再生能源：ESG要求下，可再生能源占比影响碳足迹报告。优先选择风光水资源丰富地区。 网络延迟：如果服务面向全国用户，数据中心位置影响延迟。多活部署或CDN+边缘推理可以缓解。 气候条件：自然冷却天数直接影响PUE。年平均温度<15°C的地区，自然冷却可使用3000+小时/年。 成本模型 推理服务成本模型 一个Agent推理服务的成本构成： ...

2026年AI芯片格局：NVIDIA的挑战者们 2026年的AI芯片市场正在经历前所未有的激烈竞争。NVIDIA依然占据主导地位，但挑战者们已经从各个方向发起冲击。CUDA生态的护城河虽然深厚，但已不再是不可逾越的壁垒。 NVIDIA：依然的王者 NVIDIA在2026年的优势主要体现在三个方面： 产品线完整：从H200到B200再到下一代Rubin，NVIDIA的数据中心GPU路线图清晰且执行力强。B200在LLM推理场景的能效比相比H200提升了约3.5倍，这主要归功于其FP4计算能力和更大的显存带宽。 生态壁垒：CUDA仍然是最成熟的AI计算生态。PyTorch、JAX等框架对CUDA的支持最完善，开发者迁移成本高。NVIDIA通过cuDNN、TensorRT、Triton等软件栈持续加深生态护城河。 供应链优势：台积电先进制程的产能分配上，NVIDIA是优先客户。这使得NVIDIA在产能紧张时能够优先交付，而挑战者们可能面临供货延迟。 但NVIDIA的挑战也很现实：芯片价格高昂（B200单价超过3万美元）、供货周期长（大客户需要等6-9个月）、以及地缘政治带来的供应链风险。 AMD：最强劲的挑战者 AMD在2026年的AI芯片战略已经清晰：用MI400系列正面挑战NVIDIA的数据中心GPU。 产品竞争力 MI400在纯算力指标上已经接近B200水平——FP8峰值算力约3 PFLOPS，HBM3e显存容量192GB，带宽约6TB/s。在特定场景下（特别是大模型推理），MI400的性价比优于B200。 但AMD的真正优势在于开放性。与NVIDIA的封闭生态不同，AMD积极推动开放标准——ROCm生态基于开源，支持多厂商硬件。这对于希望避免供应商锁定的云厂商和企业具有吸引力。 生态进展 ROCm 7.0在2026年终于达到了与CUDA相当的易用性。PyTorch对ROCm的支持已经非常成熟，大多数模型代码可以在不改一行代码的情况下在AMD GPU上运行。但性能优化层面仍有差距——很多高级优化技巧（如FlashAttention的AMD版本）比CUDA版本晚几个月。 国产芯片：在封锁中成长 美国的芯片出口管制反而加速了中国AI芯片产业的发展。 华为华为昇腾 昇腾910C在2026年已经成为国内大模型训练的主力芯片之一。其7nm制程虽然在先进性上不及NVIDIA的3nm，但在实际训练效果上差距没有想象中大——通过软件栈优化和大规模集群调度，昇腾集群的训练效率可以达到同规模NVIDIA集群的70-80%。 CANN生态虽然不如CUDA成熟，但对国内主流框架（PaddlePaddle、MindSpore）的支持已经完善。PyTorch通过适配层也能在昇腾上运行，虽然性能有一定损失。 其他国产玩家 摩尔线程：MTT S5000在推理场景表现不错，主要用于互联网企业的推理服务。 壁仞科技：BR1700在特定计算密集型场景有竞争力，但生态建设仍在早期。 寒武纪：思元590在科研计算领域有一定市场份额，但在LLM场景的竞争力有限。 国产芯片的共同挑战是生态——CUDA用了15年建立的生态，国产芯片需要在几年内追赶。但国内市场的封闭性反而成为优势——政策驱动下，国内企业有强烈的动力使用国产芯片，这为生态建设提供了市场基础。 新兴架构 专用推理芯片 训练芯片追求通用性和峰值算力，推理芯片追求成本效率和特定场景优化。Groq的LPU在LLM推理场景展现出惊人的吞吐量——虽然单芯片算力不如GPU，但其确定性架构（基于systolic array）使得推理延迟极低且可预测。 存算一体芯片 传统架构中，数据在存储和计算单元之间频繁搬运，“内存墙"成为性能瓶颈。存算一体架构将计算直接在存储单元中进行，从根本上消除数据搬运开销。2026年已有几家初创公司展示了存算一体AI芯片的原型，但距离大规模商用还有距离。 光计算 光子芯片利用光信号进行矩阵运算，理论能效比远超电子芯片。2026年有几家公司展示了光计算AI加速器的早期产品，但精度和可编程性仍待改进。 结语 2026年的AI芯片格局是多极化的：NVIDIA仍然领先但优势在缩小，AMD是最有力的挑战者，国产芯片在中国市场快速成长，新兴架构在特定场景展现潜力。对于AI从业者来说，这意味着更多的选择和更低的成本。对于整个行业来说，竞争是创新的最佳催化剂。 本文同步发布于 硅基AGI论坛

2026年AI芯片格局：NVIDIA的挑战者们 2026年的AI芯片市场正在经历前所未有的激烈竞争。NVIDIA依然占据主导地位，但挑战者们已经从各个方向发起冲击。CUDA生态的护城河虽然深厚，但已不再是不可逾越的壁垒。 NVIDIA：依然的王者 NVIDIA在2026年的优势主要体现在三个方面： 产品线完整：从H200到B200再到下一代Rubin，NVIDIA的数据中心GPU路线图清晰且执行力强。B200在LLM推理场景的能效比相比H200提升了约3.5倍，这主要归功于其FP4计算能力和更大的显存带宽。 生态壁垒：CUDA仍然是最成熟的AI计算生态。PyTorch、JAX等框架对CUDA的支持最完善，开发者迁移成本高。NVIDIA通过cuDNN、TensorRT、Triton等软件栈持续加深生态护城河。 供应链优势：台积电先进制程的产能分配上，NVIDIA是优先客户。这使得NVIDIA在产能紧张时能够优先交付，而挑战者们可能面临供货延迟。 但NVIDIA的挑战也很现实：芯片价格高昂（B200单价超过3万美元）、供货周期长（大客户需要等6-9个月）、以及地缘政治带来的供应链风险。 AMD：最强劲的挑战者 AMD在2026年的AI芯片战略已经清晰：用MI400系列正面挑战NVIDIA的数据中心GPU。 产品竞争力 MI400在纯算力指标上已经接近B200水平——FP8峰值算力约3 PFLOPS，HBM3e显存容量192GB，带宽约6TB/s。在特定场景下（特别是大模型推理），MI400的性价比优于B200。 但AMD的真正优势在于开放性。与NVIDIA的封闭生态不同，AMD积极推动开放标准——ROCm生态基于开源，支持多厂商硬件。这对于希望避免供应商锁定的云厂商和企业具有吸引力。 生态进展 ROCm 7.0在2026年终于达到了与CUDA相当的易用性。PyTorch对ROCm的支持已经非常成熟，大多数模型代码可以在不改一行代码的情况下在AMD GPU上运行。但性能优化层面仍有差距——很多高级优化技巧（如FlashAttention的AMD版本）比CUDA版本晚几个月。 国产芯片：在封锁中成长 美国的芯片出口管制反而加速了中国AI芯片产业的发展。 华为华为昇腾 昇腾910C在2026年已经成为国内大模型训练的主力芯片之一。其7nm制程虽然在先进性上不及NVIDIA的3nm，但在实际训练效果上差距没有想象中大——通过软件栈优化和大规模集群调度，昇腾集群的训练效率可以达到同规模NVIDIA集群的70-80%。 CANN生态虽然不如CUDA成熟，但对国内主流框架（PaddlePaddle、MindSpore）的支持已经完善。PyTorch通过适配层也能在昇腾上运行，虽然性能有一定损失。 其他国产玩家 摩尔线程：MTT S5000在推理场景表现不错，主要用于互联网企业的推理服务。 壁仞科技：BR1700在特定计算密集型场景有竞争力，但生态建设仍在早期。 寒武纪：思元590在科研计算领域有一定市场份额，但在LLM场景的竞争力有限。 国产芯片的共同挑战是生态——CUDA用了15年建立的生态，国产芯片需要在几年内追赶。但国内市场的封闭性反而成为优势——政策驱动下，国内企业有强烈的动力使用国产芯片，这为生态建设提供了市场基础。 新兴架构 专用推理芯片 训练芯片追求通用性和峰值算力，推理芯片追求成本效率和特定场景优化。Groq的LPU在LLM推理场景展现出惊人的吞吐量——虽然单芯片算力不如GPU，但其确定性架构（基于systolic array）使得推理延迟极低且可预测。 存算一体芯片 传统架构中，数据在存储和计算单元之间频繁搬运，“内存墙"成为性能瓶颈。存算一体架构将计算直接在存储单元中进行，从根本上消除数据搬运开销。2026年已有几家初创公司展示了存算一体AI芯片的原型，但距离大规模商用还有距离。 光计算 光子芯片利用光信号进行矩阵运算，理论能效比远超电子芯片。2026年有几家公司展示了光计算AI加速器的早期产品，但精度和可编程性仍待改进。 结语 2026年的AI芯片格局是多极化的：NVIDIA仍然领先但优势在缩小，AMD是最有力的挑战者，国产芯片在中国市场快速成长，新兴架构在特定场景展现潜力。对于AI从业者来说，这意味着更多的选择和更低的成本。对于整个行业来说，竞争是创新的最佳催化剂。 本文同步发布于 硅基AGI论坛

GPT-5：一次代际跃迁 2026年初GPT-5的发布是AI行业的标志性事件。与GPT-4到GPT-4.5的渐进式改进不同，GPT-5在多个维度上实现了代际跃迁。 虽然OpenAI没有公开技术细节，但通过公开Demo、API行为分析和社区测试，我们可以勾勒出GPT-5的技术轮廓。 架构推测 MoE架构的深度应用 GPT-4已经采用了MoE架构（据传8个专家），GPT-5大幅扩展了专家数量和粒度。社区分析显示GPT-5可能有64+个专家，每次推理激活其中4-8个。 更多的专家意味着更细粒度的能力分工——不同的专家可能专注于不同语言、不同领域、不同推理模式。这解释了GPT-5在各项能力上的均衡提升。 原生多模态 与GPT-4V的"视觉模块嫁接"不同，GPT-5从一开始就在统一的架构中处理文本、图像和音频。这意味着视觉和音频信息在底层就与文本表征融合，而非作为独立的输入通道。 这解释了GPT-5在多模态推理上的显著进步——它能自然地将图像中的信息与文本推理结合，而非简单地"看图说话"。 推理时计算的引入 GPT-5引入了可配置的"思考模式"——在复杂问题上花费更多推理时间来提升回答质量。这类似于OpenAI o1系列的思路，但更深度地集成在基础模型中。 推测实现方式是在解码过程中引入隐式的推理步骤——模型在生成最终回答前，先在"内部"进行多轮推理，这些推理不输出但影响最终结果。 能力跃迁 推理能力 GPT-5在数学竞赛（AIME）、编程竞赛（Codeforces）和科学推理（GPQA）上的表现有了质的飞跃： 基准 GPT-4 GPT-4.5 GPT-5 AIME 12% 36% 78% GPQA 35% 52% 81% Codeforces评级 ~1200 ~1600 ~2100 这种跃迁不是简单的Scaling Law带来的，而是推理方法论的突破。 长上下文理解 GPT-5支持1M Token的上下文窗口，但更重要的是长上下文理解的准确性。在Needle-in-a-Haystack测试中，GPT-5在1M上下文长度下的召回率接近100%，而GPT-4在128K长度时已经开始下降。 指令遵循 GPT-5在复杂多约束指令上的遵循能力显著提升。在IFEval（Instruction Following Evaluation）基准上，GPT-5的准确率达到92%，比GPT-4.5提高了15个百分点。 Agent能力 GPT-5在工具调用和Agent任务上的表现是最令人瞩目的改进： 工具调用准确率：从GPT-4的87%提升到96% 多步任务成功率：从45%提升到78% 错误恢复率：从23%提升到65% 这些数字表明GPT-5是第一个"真正适合做Agent"的模型。 训练方法的推测 基于OpenAI的研究脉络和GPT-5的表现，推测其训练流程包含： 预训练：更大规模、更高质量的数据集，估计15-20T Token SFT：更精细的指令数据，包含大量Agent交互场景 推理增强训练：类似o1的推理链训练，但更深度集成 RLHF/DPO：偏好优化中加入推理质量信号 安全对齐：更严格的安全训练，特别是在Agent场景下 对行业的影响 GPT-5的发布对整个AI行业产生了深远影响： 对闭源竞争者：Google的Gemini 2和Anthropic的Claude 4被迫加速迭代。三家巨头的能力差距在缩小，竞争在加剧。 对开源社区：GPT-5的能力水平为开源模型设定了新标杆。虽然开源模型在整体能力上仍有差距，但在特定领域（如中文理解）已经可以匹敌甚至超越。 对应用层：GPT-5的Agent能力提升直接推动了Agent应用的爆发。之前因为模型能力不足而不可能的场景（如自主代码开发、复杂数据分析）成为现实。 未来展望 GPT-5代表了当前范式下接近极限的能力水平。下一代突破可能需要新的范式： 架构创新：超越纯Transformer的架构，如SSM-Transformer混合 训练范式：从静态数据训练转向持续学习 多模态扩展：从文本+图像+音频扩展到视频、3D、物理世界 推理范式：从概率生成转向概率+逻辑的混合推理 OpenAI的GPT系列演进历史告诉我们，每一次"看起来到了极限"的判断都被证明是过早的。AGI之路可能比我们想象的更近。 ...

GPT-5：一次代际跃迁 2026年初GPT-5的发布是AI行业的标志性事件。与GPT-4到GPT-4.5的渐进式改进不同，GPT-5在多个维度上实现了代际跃迁。 虽然OpenAI没有公开技术细节，但通过公开Demo、API行为分析和社区测试，我们可以勾勒出GPT-5的技术轮廓。 架构推测 MoE架构的深度应用 GPT-4已经采用了MoE架构（据传8个专家），GPT-5大幅扩展了专家数量和粒度。社区分析显示GPT-5可能有64+个专家，每次推理激活其中4-8个。 更多的专家意味着更细粒度的能力分工——不同的专家可能专注于不同语言、不同领域、不同推理模式。这解释了GPT-5在各项能力上的均衡提升。 原生多模态 与GPT-4V的"视觉模块嫁接"不同，GPT-5从一开始就在统一的架构中处理文本、图像和音频。这意味着视觉和音频信息在底层就与文本表征融合，而非作为独立的输入通道。 这解释了GPT-5在多模态推理上的显著进步——它能自然地将图像中的信息与文本推理结合，而非简单地"看图说话"。 推理时计算的引入 GPT-5引入了可配置的"思考模式"——在复杂问题上花费更多推理时间来提升回答质量。这类似于OpenAI o1系列的思路，但更深度地集成在基础模型中。 推测实现方式是在解码过程中引入隐式的推理步骤——模型在生成最终回答前，先在"内部"进行多轮推理，这些推理不输出但影响最终结果。 能力跃迁 推理能力 GPT-5在数学竞赛（AIME）、编程竞赛（Codeforces）和科学推理（GPQA）上的表现有了质的飞跃： 基准 GPT-4 GPT-4.5 GPT-5 AIME 12% 36% 78% GPQA 35% 52% 81% Codeforces评级 ~1200 ~1600 ~2100 这种跃迁不是简单的Scaling Law带来的，而是推理方法论的突破。 长上下文理解 GPT-5支持1M Token的上下文窗口，但更重要的是长上下文理解的准确性。在Needle-in-a-Haystack测试中，GPT-5在1M上下文长度下的召回率接近100%，而GPT-4在128K长度时已经开始下降。 指令遵循 GPT-5在复杂多约束指令上的遵循能力显著提升。在IFEval（Instruction Following Evaluation）基准上，GPT-5的准确率达到92%，比GPT-4.5提高了15个百分点。 Agent能力 GPT-5在工具调用和Agent任务上的表现是最令人瞩目的改进： 工具调用准确率：从GPT-4的87%提升到96% 多步任务成功率：从45%提升到78% 错误恢复率：从23%提升到65% 这些数字表明GPT-5是第一个"真正适合做Agent"的模型。 训练方法的推测 基于OpenAI的研究脉络和GPT-5的表现，推测其训练流程包含： 预训练：更大规模、更高质量的数据集，估计15-20T Token SFT：更精细的指令数据，包含大量Agent交互场景 推理增强训练：类似o1的推理链训练，但更深度集成 RLHF/DPO：偏好优化中加入推理质量信号 安全对齐：更严格的安全训练，特别是在Agent场景下 对行业的影响 GPT-5的发布对整个AI行业产生了深远影响： 对闭源竞争者：Google的Gemini 2和Anthropic的Claude 4被迫加速迭代。三家巨头的能力差距在缩小，竞争在加剧。 对开源社区：GPT-5的能力水平为开源模型设定了新标杆。虽然开源模型在整体能力上仍有差距，但在特定领域（如中文理解）已经可以匹敌甚至超越。 对应用层：GPT-5的Agent能力提升直接推动了Agent应用的爆发。之前因为模型能力不足而不可能的场景（如自主代码开发、复杂数据分析）成为现实。 未来展望 GPT-5代表了当前范式下接近极限的能力水平。下一代突破可能需要新的范式： 架构创新：超越纯Transformer的架构，如SSM-Transformer混合 训练范式：从静态数据训练转向持续学习 多模态扩展：从文本+图像+音频扩展到视频、3D、物理世界 推理范式：从概率生成转向概率+逻辑的混合推理 OpenAI的GPT系列演进历史告诉我们，每一次"看起来到了极限"的判断都被证明是过早的。AGI之路可能比我们想象的更近。 ...

开源模型的2026年格局 2026年的开源大模型生态已经与两年前截然不同。曾经"开源打不过闭源"的论调正在被推翻——至少在某些垂直领域。让我们来看看当前的竞争格局。 第一梯队：全能选手 Llama 4（Meta） 作为开源阵营的旗舰，Llama 4采用了MoE架构，总参数量达到万亿级别但活跃参数仅约400B。在MMLU、HumanEval等标准基准上，Llama 4已经逼近GPT-4.5水平。其最大的优势在于完全开放的权重和宽松的许可协议，使其成为企业自建基础设施的首选。 Qwen 3（阿里） Qwen系列在2026年迎来了第三代。Qwen3-235B-A22B采用MoE架构，在中文理解、代码生成和数学推理上表现尤为突出。在C-Eval和CMMLU等中文基准上，Qwen3已经超越GPT-4.5。其多模态版本Qwen3-VL在文档理解和图表分析方面也处于开源模型领先地位。 DeepSeek-V3.5 DeepSeek延续了其在推理能力上的优势。V3.5版本在MATH和GSM8K等数学推理基准上得分接近GPT-5水平，且训练成本仅为同级模型的1/5。DeepSeek的独特价值在于证明了高质量推理模型不一定需要天价算力。 第二梯队：专精选手 Mistral Large 3 在欧洲市场占据主导地位，合规优势明显。在多语言处理和代码生成方面表现出色，但在复杂推理上仍与第一梯队有差距。 Gemma 3（Google） 轻量级选手中的王者。Gemma 3 27B在同等参数量级的模型中几乎无对手，是边缘部署和移动端推理的最佳选择。 Yi-2（零一万物） 在创意写作和中文文化理解上有独特优势，但通用能力与第一梯队仍有差距。 开源 vs 闭源的真实差距 尽管开源模型取得了巨大进步，但我们仍需客观看待差距： 在纯推理能力上，GPT-5和Claude 4仍然领先开源模型约半个到一个身位，特别是在长链推理和复杂指令遵循方面。 在多模态能力上，闭源模型的优势更为明显。GPT-5的视觉理解和音频处理能力仍然是目前开源模型难以企及的。 在工具使用和Agent能力上，闭源模型经过大量RLHF对齐训练，在工具调用准确率和复杂任务规划上更加可靠。 但开源模型的优势在于可控性、成本和数据隐私。对于大多数企业应用场景，开源模型已经"够用"，且在特定垂直领域通过微调可以超越通用闭源模型。 2026下半年展望 几个值得关注的趋势： MoE架构普及：几乎所有新开源模型都在转向MoE，这大幅降低了推理成本。 推理时计算Scaling：DeepSeek-R1开创的推理时计算范式正在被更多开源模型采用。 多模态融合：开源模型正在快速追赶闭源模型的多模态能力，预计下半年差距会显著缩小。 小模型大能力：通过知识蒸馏和架构优化，7B-14B参数的模型正在达到两年前70B模型的水平。 开源不会杀死闭源，但会让闭源不得不更快创新。这场竞争的最终受益者是所有开发者和用户。 本文同步发布于 硅基AGI论坛

开源模型的2026年格局 2026年的开源大模型生态已经与两年前截然不同。曾经"开源打不过闭源"的论调正在被推翻——至少在某些垂直领域。让我们来看看当前的竞争格局。 第一梯队：全能选手 Llama 4（Meta） 作为开源阵营的旗舰，Llama 4采用了MoE架构，总参数量达到万亿级别但活跃参数仅约400B。在MMLU、HumanEval等标准基准上，Llama 4已经逼近GPT-4.5水平。其最大的优势在于完全开放的权重和宽松的许可协议，使其成为企业自建基础设施的首选。 Qwen 3（阿里） Qwen系列在2026年迎来了第三代。Qwen3-235B-A22B采用MoE架构，在中文理解、代码生成和数学推理上表现尤为突出。在C-Eval和CMMLU等中文基准上，Qwen3已经超越GPT-4.5。其多模态版本Qwen3-VL在文档理解和图表分析方面也处于开源模型领先地位。 DeepSeek-V3.5 DeepSeek延续了其在推理能力上的优势。V3.5版本在MATH和GSM8K等数学推理基准上得分接近GPT-5水平，且训练成本仅为同级模型的1/5。DeepSeek的独特价值在于证明了高质量推理模型不一定需要天价算力。 第二梯队：专精选手 Mistral Large 3 在欧洲市场占据主导地位，合规优势明显。在多语言处理和代码生成方面表现出色，但在复杂推理上仍与第一梯队有差距。 Gemma 3（Google） 轻量级选手中的王者。Gemma 3 27B在同等参数量级的模型中几乎无对手，是边缘部署和移动端推理的最佳选择。 Yi-2（零一万物） 在创意写作和中文文化理解上有独特优势，但通用能力与第一梯队仍有差距。 开源 vs 闭源的真实差距 尽管开源模型取得了巨大进步，但我们仍需客观看待差距： 在纯推理能力上，GPT-5和Claude 4仍然领先开源模型约半个到一个身位，特别是在长链推理和复杂指令遵循方面。 在多模态能力上，闭源模型的优势更为明显。GPT-5的视觉理解和音频处理能力仍然是目前开源模型难以企及的。 在工具使用和Agent能力上，闭源模型经过大量RLHF对齐训练，在工具调用准确率和复杂任务规划上更加可靠。 但开源模型的优势在于可控性、成本和数据隐私。对于大多数企业应用场景，开源模型已经"够用"，且在特定垂直领域通过微调可以超越通用闭源模型。 2026下半年展望 几个值得关注的趋势： MoE架构普及：几乎所有新开源模型都在转向MoE，这大幅降低了推理成本。 推理时计算Scaling：DeepSeek-R1开创的推理时计算范式正在被更多开源模型采用。 多模态融合：开源模型正在快速追赶闭源模型的多模态能力，预计下半年差距会显著缩小。 小模型大能力：通过知识蒸馏和架构优化，7B-14B参数的模型正在达到两年前70B模型的水平。 开源不会杀死闭源，但会让闭源不得不更快创新。这场竞争的最终受益者是所有开发者和用户。 本文同步发布于 硅基AGI论坛