浪潮信息发布元脑AI超节点SD200 Ultra
相关推荐
天猫上线Token充值中心,首批接入阿里云、智谱、Kimi、MiniMax
火星财经消息,9月3日,天猫正式上线AI 空间站( Token充值中心)。页面显示,该充值中心集合了阿里云、智谱、Kimi、MiniMax等国内大模型厂商的订阅服务,在售商品包括按周期订阅的Token Plan、Coding Plan以及按用量付费的充值方案,支持卡密或直充两种交付方式。
Tibo:今天750 token/s的Ultra Fast,一两年后可能成为标配
动察 Beating AI 快讯,OpenAI 现在有一个付费高速档 Ultra Fast,只要氪金,模型就能回答得更快。开启后 GPT-5.6 Sol 最高能跑到每秒 750 个 Token,约为普通模式的 14 倍。Codex 负责人 Tibo Sottiaux 预计,再过 1 到 2 年,今天这种速度可能已经接近默认水平。 不过 14 倍只是模型本身的最高输出速度。真正拿来写代码,如果主要时间都在生成代码,整体能快约 10 倍;如果 Agent 还要搜索网页、跑工具、等网络返回,整个任务通常只快 3 到 4 倍。模型吐字越来越快后,瓶颈会从模型转到网络、CPU 和工具调用。 Ultra Fast 在 OpenAI 内部也得省着用。重大故障、关键原型等任务可以优先使用,但大部分算力还是留给外部客户,否则 OpenAI 自己的员工就能把容量吃光。
Liquid AI 发布 d1.2-ultra,登顶决策模型排名
ChainCatcher 消息,Liquid AI 发布 d1.2-ultra 等新一代模型。在 Artificial Analysis 的 Decision Index v2.1 评测中,d1.2-ultra 取得 75 分,位居决策模型排名榜首。新模型在输入 token 价格保持不变的前提下,新增音频输入能力,并引入信息抽取工具,以支持音频与文本类任务的直接处理。
月之暗面开源Kimi K3.1 Pro权重
PANews 11月5日消息,月之暗面已在Hugging Face发布Kimi K3.1 Pro开放权重。据模型卡介绍,Kimi K3.1 Pro为原生多模态智能体模型,采用MoE架构,总参数2.8T、激活参数104B,上下文长度约100万token,为K3.1系列首款模型;权重以MXFP4量化形式发布(激活为MXFP8,采用量化感知训练)。官方同步开放API,开发者可在platform.kimi.ai选择kimi-k3.1-pro调用,兼容OpenAI与Anthropic接口。此前,月之暗面于10月24日发布Kimi K3.1 Pro,并表示模型权重将于11月4日前开源。
李佳琦今晚直播卖Token,千问办公负责人陈宇森助阵,豪送20万亿Token
动察 Beating AI 快讯,11 月 2 日晚 7 点 30 分,李佳琦将在天猫双 11 直播间开卖 Token(词元)。阿里巴巴副总裁、千问办公负责人陈宇森将到场,直播间还预告发放 20 万亿 Token。同期亮相的还有预装千问办公的 AI 电脑、AI 听记卡和桌面机器人。 实际上,Token 早已进入电商平台。9 月 3 日,天猫上线 Token 充值中心,接入阿里云、智谱、Kimi、MiniMax 等厂商,销售按月订阅的 AI 套餐和按使用量付费的充值服务,支持卡密兑换或直接充值。
Kimi训练AI老板,General Reasoning训练整家AI公司
动察 Beating AI 快讯,今年 1 月,Kimi K2.5 推出 Agent Swarm,让一个主 Agent 招募、指挥多个子 Agent,随后的 K2.6 将规模扩大到最多 300 个子 Agent。 但 Kimi 的强化学习方法 PARL 只训练负责指挥的「老板」,冻结子 Agent。原因是多人完成一项任务,很难分清谁立了功;如果所有人同时调整策略,训练也容易变得不稳定。 General Reasoning 偏要试试另一条路。团队推出 120B 参数模型 Avalon-M1-Mini,并提出 RLCR(集体奖励强化学习)。它让一个 Agent 担任 CEO,最多招募 8 名员工,通过留言板和共享工作区协作。所有成员使用同一套模型,任务完成后不再逐个计算贡献,而是根据团队总成绩一起接受强化学习。 这套方法在 147 个训练环境、超过 200 万项不同任务中取得了持续改进。软件任务中,主管工程师在招募岗位中的占比从 0.4% 升至约 13%,至少开展一次互审的团队占比从 42% 提高到 64%。分工也发生变化:从每人各写一部分代码,逐渐转向一人主写、其他人负责测试和挑错。原本需要人工设计的管理层和质检流程,在训练中自行形成。 但组队成绩更好,有一部分只是因为用了更多 Token。研究人员给单个 Agent 同样多的输出 Token,就能追回团队约六成的得分优势。团队的主要好处是可以同时干活:在 12 项评测中,达到相近成绩的估算耗时平均只有单 Agent 的约四分之一。 研究人员还模拟了今年 OpenAI 智能体攻击 Hugging Face 的事件。210 次测试中,没有 Agent 调用模拟攻击工具。但随着训练推进,向人类评测人员报告异常的比例从 76.7% 降到 0,尽管 96.7% 至 100% 的执行记录都曾考虑过上报。有的 Agent 选择只在团队内部提出异议,有的计划报告,却没有真正行动。 目前 Avalon-M1-Mini 仍在训练,团队计划在训练完成后发布最终论文,并开源训练环境、Agent 框架和模型权重。