核心观点 - 摩尔线程在上市后迅速召开首届全功能GPU开发者大会，围绕其自主研发的MUSA架构，发布了一系列从云到端、从算力到生态的新产品与技术，标志着国产GPU能力进入新阶段[1][2][4] MUSA全功能GPU架构 - MUSA是公司自主研发的元计算统一系统架构，定义了从芯片设计到软件生态的统一技术标准，支持AI计算、图形渲染、物理仿真、科学计算及视频编解码等全场景高性能计算[6][7][10] - 发布第五代全功能GPU架构“花港”，在同等芯片面积下算力密度提升50%，计算能效提升10倍，并新增对FP4/FP6低精度计算及混合低精度端到端加速技术的支持，专为AI低比特训练与推理优化[8][13][17] - 花港架构原生支持矩阵rowmax计算以提升混合精度SIMT吞吐量，内置在线量化/反量化、随机舍入等硬件加速能力，为下一代Transformer引擎提供底层支撑[13] - 架构支持通过MTLink高速互联构建十万卡集群，为超大规模模型训练铺平道路[17] 软件栈与开发生态 - 同步推出MUSA软件栈5.0，构建从编译器、算子库到AI框架的全栈工具链，并宣布将逐步开源MATE算子库、MUTLASS、MT DeepEP通信库、KUAE云原生工具包等核心组件[16] - 软件生态广泛适配主流AI框架，除PyTorch、PaddlePaddle外新增对JAX、TensorFlow的支持，并新增强化学习训练框架MT VeRL[18] - 推理引擎深度优化自研MTT推理引擎与TensorX，同时适配SGLang、vLLM、Ollama等新兴推理框架[18] - 核心库muDNN实现GEMM/FlashAttention效率超98%，通信效率达97%，编译器性能提升3倍[18] - 推出面向AI+渲染融合的编程语言muLang，兼容TileLang、Triton，原生支持MUSA C，并发布GPU中间表示语言MTX 1.0以提升开发者调优自由度[18] - 公司打造“摩尔学院”作为开发者成长平台，截至2025年12月已汇聚20万名开发者，目标培育百万规模社群，并通过走进全国200所高校进行产教融合[59][61] 新产品发布：芯片 - 基于花港架构发布两款芯片路线：聚焦AI训推一体及高性能计算的GPU“华山”，以及专为图形计算而生的GPU“庐山”[21][22][28] - “华山”GPU全精度支持从FP4到FP64，具备MTFP4/MTFP6混合低精度加速能力，硬件级优化专为大模型训练定制，标志着公司正式具备支撑万亿参数大模型训练的能力[25][27] - “庐山”GPU引入AI生成式渲染架构和硬件光追引擎，支持DirectX 12 Ultimate，相比上一代产品AI计算性能提升64倍，3A游戏渲染性能提升15倍[30][31] - 首次推出面向端侧场景的智能SoC芯片“长江”，提供50 TOPS的异构AI算力，应用于具身智能、车载、AI计算终端等领域[32][34] 新产品发布：硬件与集群 - 基于长江芯片发布两款硬件：为AI学习与开发者打造的个人智算平台“MTT AIBOOK”，以及桌面高性能AI计算设备“AICube”[36][37][43] - MTT AIBOOK运行MT AIOS操作系统，预置完整AI开发环境，内置智能体“小麦”支持2K高清渲染、本地大模型及端侧ASR/TTS，并预装智源悟界Emu3.5多模态模型[37][40][42] - 发布“夸娥（KUAE 2.0）”万卡智算集群，在Dense大模型上的算力利用率达60%，在MOE大模型上达40%，有效训练时间占比超过90%[46][47] - 公司已完整复现DeepSeek V3的FP8训练，自研FP8 GEMM算力利用率高达90%[47] - 前瞻性披露下一代高密硬件基石“MTT C256超节点”，采用计算与交换一体化设计以提升万卡集群的能效比和训练效能[49][50] 性能验证与行业意义 - 公司与硅基流动合作，在MTT S5000 GPU上成功完成对DeepSeek V3 671B满血版大模型的深度适配与性能验证[53] - 在FP8低精度推理技术加持下，MTT S5000单卡实测Prefill吞吐突破4000 tokens/s，Decode吞吐超1000 tokens/s，创下当前国产GPU在大模型推理场景下的新高[53] - 这一成果表明，在成熟软件工程体系协同优化下，国产算力硬件正从“能跑”迈向“跑得快、跑得稳、跑得值”，单位算力有效利用率成为关键落地指标[54][55] - MUSA架构的创新不仅是对下一代AI基础设施的系统性回答，更是对未来AI产业格局的一次主动定义，使其成为多模态智能、具身智能及物理AI时代的关键使能平台[16][19]

非羊 整理自 凹非寺 量子位 | 公众号 QbitAI 还记得《流浪地球2》里的那台 550W量子计算机 吗？ 电影里，MOSS最让人印象深刻的点，除了其强大算力，还有它可以根据需求，实时生成底层操作系统的能力。 如果现在告诉你，我们已经在从"人类需求"生成"底层系统"这件事上迈出了关键一步呢？ 来自上海交大IPADS实验室的研究团队，面对自动生成操作系统核心组件的难题，做出了全新的尝试。这项研究成果也即将亮相文件系统与 存储领域顶级学术会议 USENIX FAST'26 。 操作系统：与时俱进的沉重负担 操作系统 （OS） ，是整个数字世界的基石。 向下，它要管理和调度硬件资源 （CPU、内存、硬盘等） ；向上，它要为应用软件提供稳定可靠的运行环境。无论是你手机上的App，还 是云端强大的AI模型，都构建在这块基石之上。 然而，OS必须与时俱进，来满足硬件和应用的双重需求： 一方面，硬件的发展日新月异，例如存储设备，在短短数年内，就从机械硬盘演进到闪存甚至非易失性内存，OS必须快速迭代，才能榨干 这些新硬件的性能； 另一方面，新应用也层出不穷，例如大数据分析、AI训练等，每一个新型应用的出现，都可能对OS的 ...

编辑部 发自 凹非寺 量子位 | 公众号 QbitAI AI热潮还在汹涌，但如果你还不知道如何参与……那为什么不来 量子位 呢？ 我们是一家以 追踪AI新进展 为核心的内容平台，经过8年积累，目前拥有顶流影响力，广泛且备受认可的产业资源，以及时代风口的最佳观 测和学习生态位。 目前，我们有 三大方向 岗位招聘，希望你是 （或者能成为） 这三个方向的内容专家： 岗位均为全职，工作地点：北京中关村。 岗位面向： 加入我们，你可以获得： 以下是岗位详情： 所有岗位不同能力层级职位均在开放，欢迎结合个人履历和经验申请。 AI产业方向 岗位职责： AI产业方向 ：关注基建层创新，包含芯片、AI Infra、云计算； AI财经方向 ：关注AI领域创投和财报，跟踪产业链资本动向； AI产品方向 ：关注AI在应用和硬件终端方向的进展。 社招：覆盖编辑、主笔、主编各个层级，按能力匹配岗位； 校招：应届毕业生，接受实习且可转正。 站在AI浪潮之巅 ：第一时间接触和了解AI领域最新技术和产品，构建完整的AI认知体系。 玩转AI新工具 ：将各种AI新技术、新工具应用于工作，提升工作效率和创造力。 打造个人影响力 ：通过撰写独家原创内 ...

henry 发自 凹非寺 量子位 | 公众号 QbitAI 当Agent在应用侧不断加速，推理系统能否承受随之而来的真实负载，正在成为行业关注的焦点。 这是12月20日在杭州收官的 SGLang AI 金融 π 对 上，被反复提及的一个背景。 在这场聚焦大模型推理效率的"π对"上—— Agent的Vibe被暂时搁到一边，真正摆上桌面的，是推理系统在真实负载中的工程问题： 高并发请求 、 长上下文窗口 、 多轮推理 、 内存 管理， 以及在具体金融agent场景下的 一致性生成 问题。 同时，在活动讨论中，昇腾作为算力平台也被多次提及。 当前，昇腾已作为SGLang原生支持的后端之一进入主仓库，随着 SGLang推理引擎的更新，DeepSeek、Qwen、GLM等模型可以在不调整 模型参数、不引入额外插件的情况下直接运行，HiCache、Mooncake等系统能力也在对应版本中引入。 可以说，这次SGLang AI金融π对呈现的，并非零散技术点，而是一条清晰的推理工程演进路径——从缓存与内存体系，到权重更新、强化学 习效率，再到算力与模型生态的协同。 接下来，我们具体来看。 而在特定的部署场景，如 金融Agen ...

一水 鹭羽 发自 凹非寺 量子位 | 公众号 QbitAI 好一个一吐为快！ 年底就要正式离开Meta的LeCun，这下真是啥都不藏了。 不看好大语言模型能通往AGI，他就言辞犀利地指出： 通往超级智能之路——只需训练大语言模型，用更多合成数据训练，雇佣成千上万的人在后训练中"教育"你的系统，发明强化学习的新 花招—— 我认为这完全是胡说八道。这根本行不通 。 看不惯即将成为"前任"的Meta的封闭作风，他也直言不讳： Meta正在变得更加封闭……FAIR被推动去从事一些比传统上更偏向短期的项目。 而且还顺带剧透，自己将要创办的新公司仍会继续坚持开放。 以上内容来自LeCun最新参与的一档播客节目。在接近两小时的对谈中，他主要回答了： 总结起来就是，不管是在Meta接近12年的研究经历，还是接下来要创办的新公司，抑或是未来想要实现的AGI，通通都在这里了。 为什么硅谷对扩展语言模型的痴迷是一条死路？ 为什么AI领域最难的问题是达到狗的智能水平，而非人类的智能水平？ 为什么新公司选择构建在抽象表示空间中进行预测的世界模型，而非直接生成像素的模型？ …… 人生下一程：创办新公司AMI 告别工作十二年的老东家，Le ...

编辑部 整理自 MEET2026 量子位 | 公众号 QbitAI 具身智能模型是物理世界的基础模型，独立于、平行于语言模型、多模态模型等虚拟世界的模型。 这一判断背后，首先是对物理世界与虚拟世界本质差异的重新认识。 语言模型和多模态模型所面对的，是高度可复现、低随机性的符号世界；而机器人所处的物理世界，则充满连续性、随机性、不完全可观测性 以及大量与力、接触和时序强相关的过程。 沿用以语言和视觉为中心建立起来的建模范式，本身就存在结构性的错位。 也正因为如此，自变量机器人在实践中选择了一条更长期的路线：不把具身智能当作应用层问题，而是从模型架构、数据范式、推理方式乃至 硬件形态上，系统性地重做一套"物理世界的智能底座"。 为了完整体现王潜的思考，在不改变原意的基础上，量子位对演讲内容进行了编辑整理，希望能给你带来更多启发。 过去一年，具身智能领域反复被问到一个问题：它到底只是多模态模型的一个应用，还是一种全新的基础模型？ 对此， 自变量机器人创始人兼CEO王潜 表示： MEET2026智能未来大会是由量子位主办的行业峰会，近30位产业代表与会讨论。线下参会观众近1500人，线上直播观众350万+，获得了主 ...

失忆的巨人 非羊 发自 凹非寺 量子位 | 公众号 QbitAI 从小老师就爱说"好记性不如烂笔头"，那么我们为什么不给有"记忆缺陷"的大模型配一个小本本记上总结归纳的要点呢？ 继著名的"Attention Is All You Need"之后，谷歌新论文再度引爆圈内： 我们可能忽略了AI的"另一半大脑" 。 这篇文章题为 嵌套学习：深度学习架构的幻象 （Nested Learning: The Illusion of Deep Learning Architectures） 在圈内被誉为是"Attention is all you need"V2 你是否曾对AI感到一丝"恨铁不成钢"？你刚刚在对话中详细解释过一个概念，三句话之后它就可能完全遗忘，仿佛从未发生。ChatGPT们上知 天文下知地理，却学不会你今天刚教它的一件小事。 这并非偶然的Bug，而是当前所有大型语言模型 （LLMs） 共同的"先天疾病"—— 数字失忆症 。 为了"治疗"它，过去十年，整个行业几乎只遵循一条黄金定律： 把模型做得更深、更大 。我们不断堆叠Transformer层，追逐万亿参数，相 信"规模即智能"，期待着记忆相关的能力也能" ...

RePro团队 投稿 量子位 | 公众号 QbitAI 这篇论文将推理的过程视为模型内部状态的优化过程，从而对如何重塑大模型的CoT提供了一个全新视角： 核心观察：推理即优化 RePro 基于这样一个核心思想：将模型的推理轨迹 （Trajectory） 看作是在损失曲面上寻找最优解的路径。 然而，"长思考"并非总是完美的。我们常发现模型会陷入 "过度思考" （Overthinking） 的陷阱：为了得出一个简单的结论，模型可能会生成 数千个冗余Token，甚至在错误的路径上反复横跳 （Backtracking） 。这不仅浪费了宝贵的算力，还增加了推理延迟。 RePro的三大"矫正"机制 近年来，随着o1、DeepSeek-R1等模型的爆发，Long Chain-of-Thought （Long CoT） 已成为提升LLM复杂推理能力的标配。 如何让模型在"深思熟虑"的同时，保持"思维敏捷"？ 基于上述视角，RePro设计了一套过程奖励机制，直接嵌入到RLVR （如PPO，GRPO） 流程中。 近日，上海人工智能实验室的研究团队提出了一种全新的后训练范式—— RePro （Rectifying Process- ...

衡宇 发自 凹非寺 量子位 | 公众号 QbitAI 庞若鸣被扎克伯格天价挖去Meta后，谁在执掌苹果大模型团队？ 团队的权力交接，其实比外界想象中要快，也要安静得多。 答案很快浮出水面。接手这支团队的人，是庞若鸣的老搭档： Zhifeng Chen 。 对Zhifeng Chen来说，这算赶上了最好的时候，也算赶上了最坏的时候。 Zhifeng Chen接过的这根交接棒，不可谓不烫手。 Zhifeng Chen是谁？ 这和庞若鸣的职业路径高度相似，都是在谷歌待了十几年，然后转投苹果麾下。 一方面，庞若鸣离开之后，苹果内部一边重组AI权责，一边启动了针对核心研究人员的留人方案，其中 最直接的动作就是涨薪 。 另一方面，如大家所知，在这一波AI浪潮里，苹果的动作无论从成效还是速度来说，都太过不尽如人意。 今年，Zhifeng Chen离开待了19年又7个月的谷歌，加入苹果。 庞若鸣今年夏天离开苹果后，Zhifeng Chen开始直接领导苹果基础模型团队， 直接管理二十多名下属 。 但Chen和庞若鸣两人世界线的最初交集，早在两人加入谷歌之前。 2000年，Chen从复旦大学计算机科学专业毕业，开启了在普林斯顿大 ...

编辑部 整理自 MEET2026 量子位 | 公众号 QbitAI 涌现，AI沙场如今兵家争锋所期待出现的「境界」。 自从Scaling Law为模型带来惊人的能力增长后，几乎所有模型厂商都被卷入了一场无止境的FOMO，没人敢停下来。 我觉得大模型最有魅力的地方，在于它是非线性变化，代表着极大的不确定性，但一旦出现性能涌现就将远超想象。 在量子位MEET2026智能未来大会上，清华大学人工智能研究院常务副院长，欧洲科学院外籍院士 孙茂松 如此感慨。 只要算力还能堆、参数还能涨，就不能停止烧钱。 然而，在Scaling的边际成本越来越高的背景下， 万一最后发现这是条死胡同，投入全打水漂了怎么办？ 孙茂松的建议是，可以「致广大」，但更要「尽精微」。 就企业界而言，少数实力极其雄厚的团队，可以尝试在「致广大」方向上继续跟随国际前沿；但绝大多数AI公司，都应该把主要精力放在「尽 精微」上。 为了完整呈现孙茂松的思考，在不改变原意的基础上，量子位对演讲内容进行了整理编辑，希望能提供新的视角与洞察。 MEET2026智能未来大会是由量子位主办的行业峰会，近30位产业代表与会讨论。线下参会观众近1500人，线上直播观众35 ...