阅读

巴西圣保罗一家法院已发布禁令，禁止美国科技巨头Meta将属于三个巴西新闻协会的成员公司的内容用于其人工智能（AI）模型的训练。这一裁决直接针对Meta此前试图通过修改服务条款，强制媒体机构免费授权其内容以换取平台访问权的做法。

据heise online报道，圣保罗第44民事法院法官Guilherme Madeira Dezem批准了由国家新闻协会（ANJ）、巴西广播电视协会（Abert）和国家杂志出版商协会（Aner）提出的临时禁令申请。这些协会指控Meta在其新的企业用户服务条款中，将“免费且无限制地提供受版权保护的材料”作为继续使用其平台的条件。法官在裁决中指出，这种要求构成了明显的权利滥用。

除了暂停相关条款的执行外，法院还禁止Meta对拒绝接受这些新条款的媒体公司进行制裁或惩罚。如果Meta违反该禁令，将面临每天100万雷亚尔（约合16.2万欧元）的罚款。这一决定被视为巴西媒体行业在保护知识产权和维护专业新闻业可持续性方面取得的初步胜利。

亚马逊 Marketplace 的 A+ 内容是产品详情页上的富媒体模块，品牌通过图片、文字和视频组合讲述产品故事。问题在于，单独检查每个素材——图片是否清晰、文字是否有语法错误——会遗漏跨模块的质量问题：比如功能列表宣传 64 盎司容量，而生活方式照片却展示了单人份型号。亚马逊团队的做法是将完整页面渲染为一张快照，让视觉语言模型像顾客一样整体审视。

架构上的核心决策是不微调视觉语言模型。团队认为，用几千个标注样本微调一个基础模型需要 GPU 训练基础设施，且存在过拟合风险。替代方案是保持视觉语言模型和评分提示词固定，让模型按四个维度（视觉叙事、功能呈现、布局、转化优化）各输出 0 到 10 的分数、置信度和自然语言理由，然后将这些结构化输出作为特征，训练一个 CatBoost 梯度提升决策树分类器来预测专家标注的高质量或低质量标签。由于只重训分类器，当标注积累或评判标准变化时，更新只需一个短时 CPU 任务。

视觉语言模型擅长捕捉整体语义和视觉构图，但对细粒度排版可读性不够可靠——文字密度、行间距、字符拥挤程度这些布局信号它容易忽略。团队因此并行运行一个 OCR 模型，从快照中提取文字块及其位置，计算四个可读性指标：文字密度、字符密度、间距和综合可读性。融合模型将视觉语言模型的四个评分和 OCR 的四个指标共八个特征输入同一个 CatBoost 分类器。在 20% 留出集上，仅用视觉语言模型特征的分类器达到 0.89 准确率和 0.90 F1，仅用 OCR 特征达到 0.82 和 0.83，融合后达到 0.94 和 0.95——比视觉语言模型单独使用高出 5 个百分点。

这一方法的生产验证包括：用 SHAP 解释每个特征对决策的贡献，将最负面的特征连同产品类别和最佳实践交给语言模型生成优先级排序的改进建议；在全球 A/B 实验中，根据模型判断调整低质量内容的可见性，带来了订单产品销售额的统计显著提升；使用建议修订内容的卖家平均质量分数提高了 1.4 分（满分 10 分）。需要指出的是，以上所有数字均为亚马逊自报，基于其内部标注和留出集，未经独立复现；标注覆盖 10 个产品类别，方法能否推广到其他多模块内容评估场景尚未验证。

Databricks 的 Bruno Tafur 和 Tushar Madan 在 2026 年 11 月发布了一篇面向应用构建者的扩展指南，讨论当一个 Databricks App 从几个用户增长到成百上千时，如何让它保持快速响应和高可用。文章的核心判断是：直觉答案「加更多计算资源」只有在你知道请求的时间花在哪里、以及应用本身是否具备扩展能力之后才有效。

作者将扩展过程分为四个阶段：设计、构建、测试部署和运维。在架构设计阶段，最关键的决策是把应用状态分成两类。软状态是临时工作数据，比如内存中的上下文、缓存和进行中的工作，丢了可以从硬状态重建；硬状态是业务记录、检查点和用户偏好，必须持久化在 Lakebase 或 Unity Catalog 表中，让任何实例都能恢复会话。这个分类决定了水平扩展是否真正可行——如果会话状态只存在内存里，实例重启或迁移时用户就会丢失工作。

文章给出了一个具体的零售商场景来演示如何估算负载：2000 名店长在黑色星期五最忙的一小时里，200 人同时使用库存查询应用，每人每分钟两次查询，每次执行三条 SQL 语句，结果是每分钟 1200 条语句、平均每秒 20 条。作者强调这估算的是查询速率而非并发数，测试时需要验证突发流量和增长，并且单独预算数据库连接。

在连接预算方面，文章给出了一个可操作的公式：当每个 worker 维护一个连接池时，连接数的上限是实例数乘以每实例 worker 数乘以池最大连接数。例如五个实例、每个八个 worker、池上限十，最多可打开 400 个连接。加上其他客户端和代用户打开的连接后，需要与数据库文档限制对比并留出部署期间的余量。对于需要以用户身份查询 Lakebase 的场景，每个用户需要独立的 Postgres 角色，而 Lakebase 每个分支限制 500 个角色，添加实例不会改变这个上限。

构建阶段的核心建议是使用异步代码。大多数应用的时间花在等待外部服务上——SQL 查询、模型调用、外部 API。阻塞调用会让一个等待占住一个执行槽位，少量慢调用就能耗尽容量。当 handler 用 await 等待模型和数据库调用时，一个 worker 可以在等待期间继续服务其他请求。文章还建议用 asyncio.gather 或 Promise.all 并行启动独立查询，让请求耗时接近最慢的那条查询而非所有查询之和，同时限制并行数量避免压垮后端。

关于优雅关闭，Databricks 在重新部署时发送 SIGTERM，如果应用未在 15 秒内退出则发送 SIGKILL。这个窗口用于最终检查点保存，但作者强调重要工作应该在正常运行期间就已保存。对于 FastAPI 应用，建议将 Uvicorn 的 --timeout-graceful-shutdown 设为 15 秒以下（例如 10 秒），防止长时间请求吃掉检查点时间。

在测试部署阶段，作者推荐用 Locust 等工具在预期峰值下用真实用户旅程做负载测试，逐步增加并发用户直到吞吐量不再增长或延迟和错误率突破目标。文章列出了一个决策表帮助选择实例规格：如果请求慢但应用 CPU 低，说明在等后端，应该先修查询或连接池而不是加计算；如果 CPU 接近上限且服务器运行多个 worker，可以升级到 Large；如果是单进程应用（如 Streamlit 或默认配置的 AppKit），CPU 接近上限时应该加实例而非升规格，因为更大的实例只在应用能用上额外核心时才有用。

运维阶段建议保持遥测开启，用自定义 span 包裹 SQL、模型和 API 调用来定位时间消耗，通过 trace 和 request ID 跨实例追踪单个用户的请求。当出现慢请求时，文章提供了从症状到原因的对照表：空闲后首次请求慢指向冷启动，CPU 或内存接近上限指向应用本身是瓶颈，数据库连接超时指向池竞争或长事务。

整套方法的关键前提是：应用计算只负责服务 UI 和协调调用，重活交给专门的服务。长时间运行的工作应该放到后台任务中，让 UI 轮询状态或接收流式更新，而不是让一个请求一直挂着。如果应用需要运行用户编写或代理生成的代码，应该放到 Databricks Sandbox 隔离环境中，使其 CPU 和内存消耗不影响服务用户的实例。

一台性能略低于目标的 GPU 可能不会报错，不会触发 Xid 事件，也不会让监控面板上的利用率指标出现异常。但它能让整个分布式训练任务慢到最慢的那个 rank，运维人员可能几小时后才从用户投诉中发现。NVIDIA 技术博客作者 Sowmyan Soman 和 Kai Wombacher 在 2026 年 11 月 5 日发布的文章中，以这个问题为起点，解释了为什么 GPU 集群的就绪性验证不能只在交付时做一次。

他们的论点是：集群在交接时通过了就绪检查，但随着节点替换、驱动打补丁和容量扩展，原始认证不再反映集群的实际状态。这种可见性缺口浪费故障节点上的算力，也让健康节点因保守策略而闲置。作者提出用 goodput（成功完成的工作量）而非利用率来衡量集群效率，并认为维持就绪性需要在整个运维生命周期中持续验证——配置变更后、容量增长时、修复节点返回服务前。

文章将 NVIDIA DSX OS 的三个开源组件对应到这三个验证时机。AICR（AI Cluster Runtime）提供版本锁定的配置配方，将网络、存储、驱动等组件的兼容版本和依赖关系记录为可审查的文件，渲染为 Argo CD、Flux 或 Helm 可用的部署工件。NVCRE（Cluster Readiness Engine）在集群交付前运行 NCCL 通信测试和训练负载，通过可配置的性能阈值判断节点是否达标，并在失败时二分法缩小可疑节点范围。NVSentinel 在集群运行期间持续监控 GPU、节点和网络健康信号，发布节点状态，并在启用后隔离、排空和修复故障节点。

真正构成增量的是这三个组件之间的自动衔接机制。NVSentinel 的生命周期控制器在节点加入集群或修复后返回时，自动创建 ValidationRequest，用 cordon 或 taint 门控调度，然后调用 NVCRE 运行测试。测试通过后控制器移除门控；重试后仍失败则节点保持隔离。这意味着修复节点不会静默回到池中。作者特别指出，对于驱动升级、运维操作或 fabric 变更这类不会触发生命周期事件的情况，AICR 的漂移检测（aicr diff --fail-on-drift）可以在 CI 管道中失败，从而在同一变更流程中触发认证运行。

文章也明确划定了各组件的职责边界。NVCRE 只负责测试和归因——记录哪些节点失败及原因，不改变节点状态；NVSentinel 负责隔离和修复。作者解释这一分离是为了避免两个系统同时 cordon 同一节点导致双重隔离和清理不同步。NVSentinel 默认以监控模式安装，只报告故障为节点状态，不执行 cordon、驱逐或修复，运维团队在信任信号质量后才启用自动处置。

需要保留的边界是：这是 NVIDIA 对自身平台设计意图和组件交互机制的说明，不是独立验证的性能报告。文章未提供该闭环在生产环境中实际捕获性能退化的统计数据、误报率或与其他集群管理方案的对比。阈值默认不配置，意味着性能退化检测的有效性取决于运维团队是否主动设定了合适的 busBandwidthGBps 等标准。文章描述的自动化程度需要同时启用 lifecycle manager 和 fault-quarantine validation 两个独立开关，且当前开源许可为 Apache 2.0，尚待外部采用验证。

美国芯片公司高通（Qualcomm）在11月5日开幕的第九届中国国际进口博览会（CIIE）上，首次公开展示了全球首个符合3GPP最新定义的6G终端原型机。这是该原型机首次走出实验室，向公众实物展出。

据智东西报道及进博会官方新闻，该原型机作为迈向6G商用的重要测试验证平台，目前已用于与中国移动、中兴通讯等中国产业伙伴进行的联合6G技术测试和互操作性测试（IoDT）。今年9月，高通与中国移动完成了基于3GPP最新定义射频规范的IoDT测试，实现了不同厂商设备间的上下行链路互通。

在性能参数方面，去年年底高通与中兴通讯在西安实验室进行的测试显示，该原型机使用了400兆赫兹的下行带宽和400兆赫兹的上行带宽。其下行带宽是目前5G频谱带宽的4倍，下行峰值速率约为14Gbps。除了连线方式的射频校准测试，高通表示将逐步进入空口测试（OTA）阶段。

目前，3GPP的6G标准仍在演进中，首个6G标准版本Release 21预计要到2029年才能最终完成。在今年3月的世界移动通信大会（MWC）上，高通已与包括近20家中国伙伴在内的全球近60家合作伙伴达成共识，推动6G从2029年起逐步走向商用。高通计划根据标准进展不断对这台原型机进行配置和升级，以积累实际经验。

SemiAnalysis于2026年11月5日发布了TPUv7（Ironwood）在InferenceX/AgentX智能体推理基准上的首批跨模型结果。AgentX模拟多轮、长上下文、高前缀复用的真实智能体工作负载，与单轮聊天场景有显著差异。此次覆盖四个模型：Meta的Muse Spark Open（816B参数）、智谱GLM-5.2/5.3（744B参数MoE）、阿里Qwen3.5 397B、以及月之暗面Kimi K3（2.8T参数）。

在FP8精度下，各模型结果需要分别看待。GLM-5.2上，在60至300 tok/s/user的交互区间内，TPUv7每美元token产出达到B200、B300和AMD MI355X的1.2至2.7倍。Qwen3.5 397B上，SemiAnalysis报告TPUv7 FP8的每美元性能为GB300 NVL72 FP4的1.67倍——这是Google自己提交的首个AgentX模型结果。Kimi K3上，由vLLM创始团队创办的Inferact提交的结果显示TPUv7每美元token产出为GB200、B200、B300和MI355X的1.15至2.5倍。Muse Spark Open由SGLang维护者RadixArk提交，在一个理论上对TPU不友好的GPU优化架构上仍实现了有竞争力的decode性价比。

但SemiAnalysis同时指出，NVIDIA FP4在纯性能每美元上仍保持领先。在GLM-5.2上，GB300和GB200 FP4在100 tok/s/user时分别达到TPUv7的3.6倍和3.5倍token每美元。原因在于FP4将权重字节减半，而小批量decode受内存带宽限制。TPUv7目前没有原生FP4支持，需等到2027年一季度的TPUv8。NVIDIA在Qwen3.5上提交了FP4反制结果，虽在decode性能上超过TPUv7 FP8，但以牺牲prefill为代价，端到端性能仍不及TPUv7 FP8。

SemiAnalysis的核心论点在于：TPUv7的竞争力并非仅来自硬件规格，而是通过与vLLM（Inferact、RedHat）、SGLang（RadixArk）、llm-d、PyTorch和Ray等上游维护者的生态合作实现。Meta已在生产环境使用SGLang-TorchTPU部署TPUv7。Kimi K3.1 Pro发布当日即获得TPUv7支持。SemiAnalysis认为，NVIDIA的护城河正在从软件生态被侵蚀，其官僚流程（如驱动功能审批需三个月法律审查）是结构性风险。

需要强调的是，上述结果的提交方各不相同：Qwen3.5由Google直接提交，Muse Spark Open由RadixArk提交，Kimi K3由Inferact提交。所有数据均为第一方结果，由SemiAnalysis分析发布，尚未获得独立复现。NVIDIA方面，Rubin NVL72的预览提交显示其每美元性能可能达到TPUv7的6倍，但SemiAnalysis指出这属于不公平对比，Rubin应对标TPUv8i而非TPUv7。对于正在做算力采购决策的读者，这些数字提供了方向性参考，但在做出承诺前应要求独立验证。

印度电子和信息技术部（MeitY）秘书S.Krishnan于11月4日接受采访时表示，在“印度半导体使命2.0”框架下，印度计划在未来24个月内开发一款本土图形处理单元（GPU）。Krishnan强调：“我们应该拥有自己的GPU芯片。这不会一蹴而就。这是一个大约需要24个月的项目，我们正朝着这个目标努力。”这一声明旨在建立独立的硬件生态系统，以减少对国外芯片供应商的依赖。

除了GPU，印度还计划将基于开源RISC-V架构的SHAKTI和VEGA处理器推向商业市场。这些CPU设计允许本地开发者在不依赖专有指令集的情况下构建处理器。此前，印度已在嵌入式领域取得一定进展，例如C-DAC开发的VEGA ET301处理器已用于Aries 3.0开发板，适用于传感器和物联网设备。此外，政府通过“设计关联激励计划”（DLI）支持了24家公司，涉及微控制器、无人机飞控和智能电表芯片等领域。

Krishnan将当前的AI热潮比作千禧虫（Y2K）危机带来的机遇，认为印度IT行业可能再次通过帮助全球企业整合AI运营而受益。尽管NITI Aayog估计AI可能导致约200万个现有IT岗位冗余，但也预计创造400万个新岗位。印度半导体市场规模目前约为500亿美元，预计到2030年将接近1000亿美元。政府希望本土企业能捕获更多增长，而非继续依赖进口组件。

然而，该项目仍处于早期阶段。Krishnan未透露具体的GPU制造商、芯片供应商或建设者。相比之下，印度在晶圆制造方面已有更明确的进展，ASML已与塔塔电子合作，在古吉拉特邦多勒拉建设印度首座商业半导体工厂，英特尔也与塔塔集团达成战略合作。但GPU作为AI算力的核心，其自主研发面临的技术壁垒远高于通用CPU，24个月的时间表极具挑战性。

做研究的人经常面对一个看似不可调和的矛盾：既要保障敏感数据的安全，又要让成果尽可能开放地服务于社会。如果把这个矛盾当作一个开关来对待——要么全开，要么全关——它确实难以处理。犹他大学首席AI官Manish Parashar提出的替代思路是把它当作一个旋钮：拥有调节这个旋钮的能力变得非常重要。

在theCUBE的Sovereign AI系列访谈中，Parashar说：在研究中，我们总是在平衡研究安全与面向社会的开放研究。取决于你在做什么，你可能需要偏向某一端。他进一步强调：我们不需要一切都严格控制，也不希望一切都完全开放，我们要确保有能力根据正在做的工作来调整合适的尺度。

这个旋钮在实际操作中如何转动？犹他大学的Redtail AI超算提供了具体场景。HPE帮助架构并部署了这套交钥匙系统，但日常运营完全由犹他大学高性能计算中心负责——管理员权限、资源分配、用户接入、监控优化和容量调整都在大学内部完成。Parashar用五个主权维度来描述这套体系：领土、法律、技术、运营和财务。大学保留运营和法律职责，资金则依靠州政府和捐赠者的伙伴关系。

基础设施层面，Parashar明确表示不追求单一物理位置：我们的整体生态系统是混合的，有本地部署，有云托管，我们始终把它看作混合系统，不是所有东西都必须在一个数据中心或一个州内。这种混合架构正是旋钮能转动的前提——如果所有计算都锁死在一个地方，调节就无从谈起。

旋钮转动的实际效果体现在容量再分配上。犹他大学现有的受限环境支撑着敏感和受监管的研究，包括医疗项目。Redtail上线后，大量开放研究迁入这套新设施，从而释放了原有数据中心中用于受监管工作的容量。Parashar说，下一步是如何进入不仅具备容量、而且符合正在出现的合规管控要求的设施，这是当前的重点。换言之，开放研究的外迁本身就是为安全研究腾出空间的操作手段。

资金可持续性是这个模型能否长期运转的关键。Parashar提到，扩展规划在Redtail合同签订之前就已开始，大学正在接触美国能源部和美国国家科学基金会等联邦机构，讨论对现有生态系统的投资。同时也在向犹他州政府展示价值，说服他们投资对州和公民都有好处，并接触更多慈善捐赠者。这种多元资金来源本身也是运营主权的一部分——不把命脉系于单一供应商或单一拨款渠道。

需要指出的是，这套论述来自一个正在运行这套系统的机构负责人的归因陈述，不是经过独立验证的通用框架。访谈由HPE赞助的theCUBE录制，虽然声明中明确HPE对内容无编辑控制，但选择哪些维度来阐述主权、如何定义成功，仍可能带有厂商视角。Parashar的旋钮比喻在概念上清晰，但具体到技术实现——哪些控制点可以独立调节、调节粒度有多细、不同研究组之间如何隔离——这些操作细节在访谈中并未展开。对读者而言，这个框架的价值在于提供了一个思考起点：当你面对开放与安全的张力时，先问能不能把它做成连续可调的，而不是被迫在两个极端之间做一次性选择。

德国半导体初创公司 Quantum Diamonds 宣布投资1.52亿欧元在巴伐利亚州首府慕尼黑建立新的生产设施，首阶段已于2026年7月启用。这一举措标志着该公司从实验室研究向工业化制造的关键跨越，其核心产品是利用合成钻石中的原子空位进行测量的“量子钻石显微镜”，旨在无损检测多层堆叠的AI芯片内部缺陷。

随着AI芯片结构日益复杂，传统检测方法难以发现内部微小错误，导致良率下降和生产成本增加。Quantum Diamonds 的技术通过测量芯片内部的微弱磁场来定位缺陷，而不损坏半导体本身。据公司称，该技术已与全球十大半导体制造商中的九家（包括台积电和三星）进行了测试。自2026年4月起，首批系统已在美国加州的 Eurofins EAG Laboratories 和台湾的 Integrated Service Technology (iST) 安装并投入使用，表明该技术已走出科研阶段，进入实际工业应用。

此次扩张的资金来源体现了欧洲产业政策对本土供应链安全的重视。1.52亿欧元的投资中，9100万欧元来自融资组合：其中1500万欧元由 World Fund 等风险投资者提供，其余7600万欧元则由德国联邦政府和巴伐利亚州根据《欧洲芯片法案》（European Chips Act）提供补贴。此前，Quantum Diamonds 曾考虑将总部迁至美国亚利桑那州，但高达约50%的补贴比例最终使其留在德国。World Fund 管理合伙人 Daria Saharova 表示，该公司有潜力成为“欧洲的下一个 ASML”，尽管目前其在规模和技术成熟度上与这家荷兰光刻机巨头仍有巨大差距。

对于AI产业投资者而言，Quantum Diamonds 的案例凸显了“卖铲人”策略在欧洲半导体复兴中的新动向。在英特尔马格德堡工厂等大型晶圆厂项目遭遇挫折的背景下，专注于特定环节（如材料、连接或检测）的德国初创企业正获得公共资金和风险资本的双重支持。Black Semiconductor（光学互连）、FMC（铁电存储器）和 NextGO Epi（氧化镓晶圆）等公司也获得了类似规模的资助。这些公司不直接生产芯片，而是提供提升芯片制造良率和效率的关键设备与技术。然而，挑战依然存在：目前该技术主要针对单个芯片检测，未来需证明其能高速、可靠地处理包含数百或数千个芯片的整片晶圆，这是实现大规模量产的关键门槛。

中国人工智能实验室月之暗面（Moonshot AI）正在寻求通过位于欧洲的数据中心获取英伟达（Nvidia）先进芯片的使用权，以应对美国的出口限制。据CNBC周四报道，四位知情人士透露，今年已就月之暗面从在欧洲设施中托管英伟达图形处理单元（GPU）的新云服务商处租赁算力进行了讨论。由于涉及私人信息，这些消息人士要求匿名。

英伟达在最强芯片领域的有效垄断地位，使美国出口管制成为华盛顿保持其在人工智能竞赛中对华优势的关键工具。包括OpenAI和Anthropic在内的美国AI实验室正与中国开发者进行训练和价格战，其中月之暗面开发了Kimi系列模型。尽管美国法律禁止将英伟达最先进芯片直接运往中国，但通过海外数据中心的远程访问提供了一个漏洞。现行法律并未赋予监管机构广泛权力来控制企业通过海外云服务访问这些芯片。

据报道，月之暗面希望租赁由英伟达Blackwell系统驱动的算力，这些芯片目前受出口管制限制。两位消息人士称，月之暗面主要关注用于推理（即向最终用户提供服务模型）的集群，另一位消息人士则表示也意识到对训练集群的兴趣。一位消息人士指出，双方讨论了租赁包含8,000或更多Blackwell GPU的集群安排，并将这家中国AI实验室描述为在追求更多算力方面“非常激进”。

为了在欧洲租赁英伟达算力，中国AI公司通常需要从能够购买先进芯片的非中国新云服务商或数据中心运营商处租用容量。一位消息人士称，有提议让月之暗面比非中国客户支付高出30%至50%的预付款。与新云服务商和融资公司合作的中国客户安排可能在前期更具吸引力，因为这些公司希望对冲未来可能禁止远程访问协议的风险。

这一动向发生在白宫于7月声称月之暗面已通过泰国设施访问英伟达Blackwell芯片之后。当时月之暗面未予置评。此外，《金融时报》周二报道称，英伟达已告知云提供商，其必须将至少51%的服务销售给非中国客户。英伟达发言人回应称：“如果全球云依赖外国制造的芯片，模型和应用层也将由外国构建。”