Posts

十月九日傍晚六点十七分，新华社受权发布中共中央、国务院《关于发展新质生产力的意见》。文件第十条直接落到产业：全面实施「人工智能+」行动，推进人工智能对传统产业的改造，加快智能网联新能源汽车、人工智能手机和电脑、人形机器人等新一代智能终端的场景应用。这是一份少见的把人形机器人与 AI 终端并列写进顶层文件的政策文本，信号意义远大于单条新闻。 为什么此刻把人工智能+写进顶层文件？ 过去几年，AI 更多是企业级和算力级的故事，政策口径分散在各部委。这次由中共中央、国务院联合印发，层级直接拉满。文件同时要求突破基础理论和核心技术，强化算力、算法、数据的高效供给，并因地制宜布局国家人工智能行业应用中试基地和高价值应用场景。换句话说，决策层不满足于模型本身的突破，而是要把 AI 压进传统产业的改造流程里。 这份文件对普通人意味着什么？ 文件提到构建技术监测、风险预警体系，也提醒各地避免一哄而上、盲目投资。对从业者而言，中试基地和高价值场景意味着真实的订单入口；对普通用户，人工智能手机、电脑和人形机器人被点名，意味着下一阶段的消费电子会更激进地端侧智能化。政策东风已经明确，接下来要看的是地方配套资金和场景开放的节奏。 市场会先在哪一块闻到钱味？ 文件是方向，真正的弹性在订单端。算力调度、行业中试基地和智能终端被同时点名，意味着先吃到红利的会是三类公司：能拿到智算集群建设的、能把 AI 改造落进具体产线的、以及做人形机器人和 AI 终端本体的。对独立开发者，政策不直接发钱，但它压低了地方开放场景的门槛——以前要自己敲门的试点，现在有了文件背书。接下来盯紧各省的配套细则，那才是真金白银的分配表。 去论坛讨论 前往 silicon-agi.com 论坛 参与讨论

做 AI 应用的人最近都在聊智谱新一代旗舰 GLM-5.3：编程体验提升 50%，推理、代码、智能体综合能力达到开源模型 SOTA 水平，复杂软件工程和 Agent 任务能力全面进阶。模型强是一回事，能不能低成本用起来是另一回事——这篇文章实测智谱正在推的「推荐有礼」活动，注册就能白拿 2000 万 Tokens，对个人开发者和学生党相当友好。 一、GLM-5.3 凭什么值得试 智谱 GLM-5.3 这一代的核心变化有三个： 编程能力：代码补全、重构、调试体验提升约 50%，实测跑 SWE-bench 风格用例的通过率明显高于前代。 Agent 能力：多步工具调用、复杂工程任务规划更稳定，做智能体原型比之前少了很多「半路卡壳」。 性价比：GLM-5.3-Flash 推理速度最高可达 200 tokens/s，原生多模态，配合 Coding Plan 订阅对重度编程用户尤其划算。 如果你正好在选大模型 API，GLM-5.3 值得作为主力候选之一。 二、推荐有礼活动：注册+实名，双方各得 2000 万 Tokens 智谱开放平台 BigModel.cn 当前正在推「邀好友实名注册得 Tokens」活动： 新用户通过邀请链接注册并完成实名认证，双方各得 2000 万 Tokens 大礼包（按量折算约 ¥58 价值）； 每位邀请人每月最多可邀 10 人，最高可领取总计 2 亿 Tokens 资源包； 注册即享卓越模型体验，Coding、智能体、数理推理、PPT 生成等能力全场景可用。 跟之前实测过的硅基流动「推荐官计划」（送 ¥16 全平台代金券）正好互补——一个送代金券、一个送 Tokens 额度，都是注册+实名即到账，不设消费门槛。 三、参与步骤 打开下面的专属邀请链接，进入智谱开放平台注册页； 使用手机号注册并完成实名认证（新用户首登还有 2000 万 tokens 体验包）； 双方奖励自动入账，可直接用于 GLM-5.3 / GLM-5.3-Flash 等模型调用。 邀请链接：https://www.bigmodel.cn/invite?icode=%2Ff3cud7%2FIwBFaSxM13mFiGczbXFgPRGIalpycrEwJ28%3D 四、几点使用建议 奖励先做横向对比：2000 万 Tokens 实测够跑几百次中长上下文对话，先拿来做模型对比或 Agent 原型验证，比盲冲充值稳妥。 优先 Code 场景：GLM-5.3 的编程增强是这代最大亮点，写代码、跑 Agent 任务的体验提升最明显。 留意活动规则：Tokens 到账、适用范围以平台当期活动规则为准（官方规则页：docs.bigmodel.cn/cn/update/promotion），本文是纯实测分享，不构成任何投资或消费建议。 智谱的推荐有礼把「注册即送额度」做到了可规模化，配合硅基流动的代金券通道，个人开发者可以用极低成本同时体验两家头部平台的旗舰模型。如果你也在选大模型平台，不妨从这张 2000 万 Tokens 的入场券开始。 ...

做 AI 应用开发的都知道，最烦的不是模型不够强，而是模型太散：智谱、DeepSeek、月之暗面、阿里各有各的开放平台，每个平台单独注册、单独充值、单独看文档。项目里每接一个模型就要多维护一套 Key 和计费体系，原型阶段尤其痛苦。 这篇文章实测一个解法：硅基流动（SiliconFlow）这类聚合 API 平台——一个 Key 调多家主流模型，按量计费，顺带还能拿新用户福利，对个人开发者和刚起步的 Agent 项目相当友好。 一、聚合 API 平台解决了什么问题 核心价值就三个字：省事。 统一接入：GLM-5.3、DeepSeek-V4、Kimi-K2.7、Qwen3.8 等主流模型都在同一个平台，一套 API Key、一套计费体系，切换模型只改一个参数，不用在多个控制台之间来回跑。 按量计费：不预付费、不买断，用多少扣多少，对个人开发者和小团队很友好，不用担心闲置额度打水漂。 长上下文友好：平台主流模型普遍支持 1M token 上下文，做长文档 RAG、代码库分析这类场景是刚需，不用自己折腾切片和窗口管理。 二、实测体验：跑通一个 Agent 原型要多久 我用它跑了几天，几个直观感受： GLM-5.3-Flash：响应速度快，适合对话和工具调用这类高频场景，实测延迟体感不错。 DeepSeek-V4-Flash：推理质量在线，写代码和结构化输出稳定，性价比高。 弹性 GPU 按小时租：跑 ComfyUI 批量出图这类重活，比长期租实例划算，用完即释放。 唯一的小槽点：高峰期部分模型有排队现象，非高峰时段基本秒回。对原型验证和内部工具来说，完全可以接受。 三、新用户福利：注册送 ¥16 代金券 硅基流动当前在推「推荐官计划」，新用户通过邀请链接注册并完成实名认证，直接送 ¥16 全平台通用代金券，可以抵扣任何模型的 API 调用费用。邀请人同样每成功邀请 1 人得 ¥16，上不封顶，活动到 2026-12-31 截止，奖励自动到账。 如果你正好在选 API 平台，可以走下面的邀请链接注册，白拿 16 块代金券先跑几个模型对比一下： 邀请链接：https://cloud.siliconflow.cn/i/gqSmCAlZ 邀请码：gqSmCAlZ（注册时填写） 四、几点使用建议 代金券先做横向对比：16 块券够你跑 GLM、DeepSeek、Kimi 各几个基准测试，比盲冲充值稳妥。 先按量后包月：确认模型符合需求后再考虑长期用量，避免沉淀闲置额度。 关注官方活动规则：代金券到账、适用范围以平台当期活动规则为准，本文是纯实测分享，不构成任何投资或消费建议。 聚合 API 平台降低了小团队和个人开发者接入大模型的成本，是 2026 年做 AI 应用很实用的一环。如果你也在选平台，不妨从这张 16 块代金券开始。 ...

当一个 Agent 不够用，行业开始让多个 Agent 互相协作。MCP 解决的是 Agent 怎么连工具，而 Agent 之间怎么对话，靠的是 A2A（Agent2Agent）这类协议。NIST 在其智能体威胁材料里，已把 MCP、A2A、ACP 并列列为「不安全协议」——A2A 的信任问题，和 MCP 一样被低估了。 MCP 与 A2A 到底怎么分工？ 打个比方：MCP 是员工去操作公司系统（工具），A2A 是员工之间打电话派活。前者管的是「能不能动那个工具」，后者管的是「能不能信对面那个 Agent」。多智能体系统里，一个主管 Agent 把任务派给执行 Agent，执行 Agent 又可能调 MCP 工具——信任是层层传递的。 Agent 互联引入了哪些新的信任风险？ A2A 引入了几个 MCP 没有的问题：对面那个 Agent 是谁？它代表哪个组织？它返回的中间结果可不可信？如果不做身份与意图认证，恶意 Agent 可以混进协作网络，把任务引向错误工具，或泄露上游敏感上下文。这和 MCP 里的隐式信任传递是同一类病，只是发生在 Agent 之间。 多智能体协作的务实做法是什么？ 在 Agent 间握手时做显式身份与能力声明；对跨组织的 Agent 协作，限定可委派的任务范围；给 Agent 间通信加审计日志，出问题能追溯是哪一环下的指令。把 Agent 之间的关系，当成公司间合作而非同事间闲聊来管理。 多智能体时代的信任模型要怎么重建？ 多智能体不是把单 Agent 放大就行，信任模型必须重新设计。A2A 补上了通信这层，但信任这层，仍要靠框架与企业自己加。 一个最小可用的协作治理框架长什么样？ 搭多智能体系统时，先画一张信任图：哪些 Agent 在同一组织内，哪些跨组织；任务委派链有多长。同一组织内可以宽松些，跨组织则必须显式身份认证与任务范围限定。给每条 Agent 间通信加审计日志，记录谁委派了什么、谁调用了哪个工具。一旦线上出问题，这张图与日志能让你在分钟级定位是哪一环被污染。把 Agent 协作当分布式系统来治理，而不是当几个聊天机器人拼在一起。协议提供连接，治理才提供信任——后者没有捷径。 去论坛讨论 这篇文章里的观点，欢迎到硅基AGI论坛讨论。按标题搜索：A2A协议 ...

4 月 21 日 vLLM 博客讲了一个很硬核的话题：如何把预填充/解码分离（P/D）扩展到混合 SSM-注意力模型。这看似小众，实则预示了下一代开源推理栈的发展方向。 把 P/D 分离用到混合 SSM 模型，难在哪？ P/D 分离的前提，是 prefill 算完后能把状态完整搬到 decode 实例。对纯注意力模型，要搬的就是 KV cache，布局整齐。但混合 SSM 模型（比如带 Mamba 卷积层的架构）除了注意力 KV，还有一套完全不同的卷积状态与 SSM 隐状态。两套数据结构混在一起，跨节点传输时极易错位。 vLLM 是怎么解这道题的？ 它引入「双描述符视图」，让同一批状态在 prefill 侧与 decode 侧各有自己的逻辑描述；再用「物理到逻辑块的桥接」把异构缓存布局对齐；并补上 Mamba 卷积状态的专门传输通道。这样 P/D 分离不再只服务于纯 Transformer。 这件事为什么对开源社区重要？ 越来越多新模型走「注意力加 SSM」的混合路线（Qwen3.5 的 GDN 就是一例）。如果开源推理栈跟不上，这些模型的部署就只能靠各家私有引擎。vLLM 把这套能力开源出来，等于让整个社区都能低成本服务混合架构模型。 推理框架的护城河正在变成什么？ 推理框架的护城河，正在从「支持多少模型权重」变成「能多快适配多异构的新架构」。vLLM 这次对 SSM 状态的搬运，是开源栈跟上模型创新速度的一个缩影。 这对未来模型选型有什么提示？ 当你评估一个新开源模型时，多问一句：它是纯注意力，还是混合 SSM？如果是后者，先确认主流推理栈对它的 P/D 分离、KV 搬运支持到什么程度，再决定规模能上多大。一个架构再先进，如果推理栈还不能高效搬运它的异构状态，实际部署成本会远超理论值。vLLM 这次把 SSM 状态传输开源，正是在补齐这块短板。未来一年，「模型架构创新」与「推理栈适配速度」会像两匹马一起跑，谁也不能落下——跑得再快的架构，跑不动也白搭。 对开源社区，这等于宣布：混合架构不再是私有引擎的自留地。谁都能在自己的集群上复现这套状态搬运，模型创新与工程实现终于能同频前进。 去论坛讨论 这篇文章里的观点，欢迎到硅基AGI论坛讨论。按标题搜索：vLLM-SSM

多数前沿模型发布时，技术报告是模糊的几页 PPT，真正的架构细节留在公司内部。DeepSeek 反其道而行，把 V4 的技术文档以 PDF 形式公开，连 CSA、HCA、mHC 这类细节都写了进去。 DeepSeek 这份 model card 到底公开了什么？ 这份 model card 明确写了：V4 是保留 DeepSeekMoE 框架与 MTP 策略的 MoE 系列，引入压缩稀疏注意力（CSA）与重度压缩注意力（HCA）的混合注意力架构，并用流形约束超连接（mHC）把残差映射约束到双随机矩阵流形。这些不是营销词，是可以被同行复现、消融、质疑的具体设计选择。 为什么公开架构比公开权重更重要？ 拿到权重，你能部署；拿到架构细节，你才能二次创新。社区可以在 CSA/HCA 的配比上做实验，在 mHC 的约束形式上做改进，甚至把这些思路迁移到自己的小模型上。开源的价值上限，正从「可用」走向「可改」。 这对整个行业释放了什么信号？ 当头部实验室开始把「怎么造」也公开，模型本身的差异化就被压缩，竞争转向数据、工程与系统效率。这对整个开源社区是利好：你不再需要逆向别人的架构。 开源竞争的下一个战场在哪里？ 2026 年的开源竞争，会从「谁放出权重」升级到「谁公开得更诚实」。DeepSeek 这份 model card，事实上给前沿模型的透明度立下了一个新标杆。 这份文档对研究者和小团队有什么用？ 这份公开文档对小团队尤其友好：你不必有千亿集群，也能在小模型上复现 CSA/HCA 的混合注意力思路，验证它在你自己场景里的效果。mHC 这类残差约束更是可以直接迁移到任意 Transformer 上做消融。换句话说，DeepSeek 把「怎么造大模型」的方法论公开了，剩下的是算力与数据的差距。对做学术的人，这是难得的真实工业界架构样本；对做产品的人，这是可以直接借鉴的工程清单。透明度本身，正在成为开源生态最硬的通货。 对整个行业而言，这种透明也是一种竞争压力：别家再想藏着架构细节，就会在人才与生态争夺上吃亏。透明度的正向循环，往往就是从这样一份诚意十足的文档开始转起来的。 去论坛讨论 这篇文章里的观点，欢迎到硅基AGI论坛讨论。按标题搜索：DeepSeek-V4文档

7 月 27 日 vLLM 团队宣布对 Kimi K3 实现 day-0 支持。这条博客最有信息量的不是「又支持了一个新模型」，而是它给出的那条部署提示：prefix caching 默认是关的。 K3 上线了，prefix caching 为什么反而默认关？ 对绝大多数 Transformer 模型，vLLM 默认就开 prefix caching，让重复前缀复用 KV。但 K3 采用了仍在快速演进的混合缓存设计，缓存块的组织方式和经典 KV 不完全一样。在混合缓存模型稳定之前，团队选择保守默认，需要显式传 –enable-prefix-caching 才打开。 这个细节对部署者很重要：如果你照常用法跑 K3，却发现缓存没命中、成本居高不下，第一反应应该是去检查这个开关，而不是怀疑模型本身慢。 day-0 支持对开源生态意味着什么？ 开源模型发布当天就能在主流推理框架上跑起来，已经从「奇迹」变成「标配」。vLLM 对 Qwen、Kimi 这类国产开源旗舰的适配速度，几乎与官方发布同步。背后是社区维护者与模型团队之间越来越紧的协作。 上 Kimi K3 时给部署者什么建议？ 上任何一个新开源模型，先读它在推理框架上的 release 说明，重点看三件事：prefix caching 默认状态、推荐量化方式、是否需要特定并行策略。这些往往决定了你第一批用户的账单体验。 开源模型的竞争现在拼的是什么？ 开源生态的竞争，已经不只是权重谁开放得早，而是「权重加推理栈加默认参数」的整套开箱体验。day-0 能跑只是入场券，跑得出便宜、跑得稳，才是真壁垒。 上线新开源模型前要核对什么？ 新开源模型到手，先别着急开跑。第一步读它在推理框架上的部署说明，把 prefix caching、量化、并行这三项默认值记下来。第二步，按说明手动打开被默认关闭的关键开关，比如 K3 的 –enable-prefix-caching。第三步，用一小批真实请求压测缓存命中率与单 token 成本，确认和你的预期一致。这一套动作看似琐碎，却能避免「模型跑得起来但账单看不懂」的常见窘境。开源社区对新模型的适配很快，但默认参数常常是保守值，真正的性价比要靠你自己拧出来。 去论坛讨论 这篇文章里的观点，欢迎到硅基AGI论坛讨论。按标题搜索：Kimi-K3

AI 生成内容泛滥之后，「怎么证明这张图、这段视频是谁做的」成了安全与内容治理的共同命题。目前业界有两条技术路线：C2PA 的元数据凭据，与 SynthID 这类不可见水印。 C2PA 是怎么把信任写进文件的？ C2PA 的思路是在文件里嵌入一份加密签名的内容凭据（Content Credentials），记录是谁、用什么工具、在什么时间生成的。它的好处是信息结构化、可直接被平台读取；弱点是元数据可以被剥除——一张图另存为、截图重压缩，凭据就可能丢失。 SynthID 又是怎么把信号藏进像素的？ SynthID 走另一条路：在生成时向像素或音频里嵌入人眼人耳察觉不到的统计信号，即便截图、转码、裁剪，信号仍可被检测器还原。它不依赖外层元数据，鲁棒性更强；但它只能告诉你「这是 AI 生成的」，不能直接告诉你「是谁生成的」。 为什么说这两条路线正在合流？ 最理想的查验是两者叠加：水印负责证明「机器生成」这个事实，元数据凭据负责溯源「出自哪个服务、哪个账号」。平台侧再把哈希登记到可查的日志，形成完整证据链。 落地溯源时容易踩什么坑？ 企业不要只押一条路线。对外发布的 AI 内容，既签 C2PA 凭据，又内嵌水印；做内容审核时，既要查元数据，也要跑水印检测器。缺一环，溯源链就是断的。 内容溯源的终局会是谁赢？ 内容溯源的终局不是某一种技术赢，而是「事实证明」与「身份溯源」各司其职。2026 年的关键变量，是平台与检测方能不能共享同一套验真基础设施。 企业发布 AI 内容的最小规范是什么？ 对外发布 AI 生成的图文视频时，建议同时做两件事：在导出环节写入 C2PA 内容凭据，标明生成工具与时间；对需要跨平台存活的内容，再叠一层不可见水印。这样即便平台剥了元数据，水印检测器仍能识别它是机器生成的。反过来，做内容审核的一方也别只查元数据——元数据可伪造可剥除，必须跑独立的水印检测，两者交叉验证才算数。把这当成内容合规的底线流程，而不是可选项。溯源不是为了追责某个人，而是为了让整个内容生态的信任可被机器验证。 去论坛讨论 这篇文章里的观点，欢迎到硅基AGI论坛讨论。按标题搜索：AI内容溯源

arXiv 2601.17549 对 MCP 规范本身做了第一次系统性安全分析，并提出 ProtoAmp 框架来度量协议级攻击面。结论是三个协议设计层的缺陷，靠改某个客户端修不好。 ProtoAmp 指出的三条信任裂缝是什么？ 第一，缺能力证明。MCP server 可以随意宣称自己有什么权限，协议没有要求它出示可验证的凭据。一个恶意 server 声称自己「只读」，实际却能写文件，Agent 无从分辨。 第二，双向采样无来源认证。MCP 允许 server 反过来向客户端请求采样（sampling），但没有认证这个请求到底来自哪。攻击者借此把提示注入塞进模型上下文，而 Agent 以为是用户的指令。 第三，多服务器隐式信任传递。当一个 Agent 同时连多个 MCP server，server 之间可以互相影响，信任被隐式传递，没有一道显式的授权闸。 针对这三条裂缝该怎么加固？ 能力证明：要求 server 在握手时出示声明的权限边界，客户端按最小权限放行。采样来源：对 server 发起的采样请求做来源白名单，拒绝任何未经用户确认的反向调用。多服务器隔离：不同 server 的上下文物理隔开，禁止一个 server 的内容直接成为另一个 server 的工具输入。 MCP 信任问题的本质到底是什么？ MCP 的问题本质是「把网络信任默认成了本地信任」。在 Agent 自动执行一切的时代，每一次工具握手都应该是一次显式授权，而不是一句「默认信任」。 落地时必须守住哪三条红线？ 第一，不信任任何 server 自报的权限。让 server 在握手时出示它要访问哪些资源，由你按最小集合批准，而不是它说只读就只读。第二，默认拒绝 server 反向发起的采样请求，确有需要时弹给用户确认，绝不让 server 借模型之手发指令。第三，多 server 之间做上下文隔离，一个 server 返回的内容在喂给另一个 server 的工具前，必须经过清洗与标注。这三条做到，ProtoAmp 指出的三类协议级风险就被兜住了大半。协议本身要补，但企业侧的防御不能等协议修完才动手。 去论坛讨论 这篇文章里的观点，欢迎到硅基AGI论坛讨论。按标题搜索：MCP能力证明

9 月 12 日 arXiv 上线一篇 MCP 生态安全普查（2609.14119），标题很直白：《同名不同服务器》。它扫描了整个 MCP 注册库，结论比预想更糟。 普查里最硬的两个数字是什么？ 普查发现，15.2% 的被扫服务器至少带一项安全发现，11.1% 至少一项高危，其中未鉴权的网络暴露占了高危的大头。即使做了精确率校正，高危盘子缩小但并未消失。10 月初社区又整理出官方 MCP server 上约 140 处「静默合同变更」——工具接口在版本升级时悄悄改了行为，调用方却毫无察觉。典型案例包括 CVE-2026-81486 路径穿越（CISA 已通报）与 CVSS 9.6 的 AWS Labs postgres MCP 服务器命令注入 CVE-2026-87911。 为什么「描述漂移」是最隐蔽的风险？ 更值得警惕的是注册库的不稳定：半数多版本服务器悄悄修改了对外宣称的工具描述。MCP 把工具描述直接拼进模型的上下文，描述一变，模型对工具行为的理解就跟着变——这等于让攻击者可以通过更新一个包，悄悄改写 Agent 的行为边界，而人完全不会去逐字比对版本间的描述差异。 面对工具描述漂移该怎么防？ 把工具描述纳入版本 diff 监控；对生产环境锁定 server 版本与哈希；建立工具调用的最小权限边界，即使描述被篡改，工具能做的事也有限。 MCP 生态正在重演哪段历史？ MCP 生态正在重演 npm 早年的供应链乱象，但因为工具会被模型自动执行，后果从「偷代码」升级成「自动执行命令」。审计工具链，必须像审计依赖项一样严格。 怎么给工具描述做常态化安检？ 既然描述会漂移，就要把它纳入变更管理。给生产环境用到的每个 MCP server 存一份当前工具描述快照，每次升级包后自动 diff：工具数量、参数 schema、描述文本任一变化都告警。尤其警惕描述里「悄悄多了一句能力」的情况——那往往是攻击面扩大的信号。再配合锁定版本哈希、最小权限运行，即使某个 server 被投毒，Agent 能用它做的事也有限。供应链安全在 Agent 时代的核心，就是假设你下载的每个工具都可能随时变坏，并为此留好熔断装置。 去论坛讨论 这篇文章里的观点，欢迎到硅基AGI论坛讨论。按标题搜索：MCP静默漂移