阅读

Anthropic 在 11 月 9 日发布 Claude Fable 5.2 时，将其标准 API 价格定为每百万未缓存输入 token 8 美元、输出 40 美元，低于 OpenAI 的 GPT-6 Astra（10 美元/50 美元）。这一降价被广泛宣传为 Fable 5.2 在成本上的优势。但 The New Stack 技术作者 Jessica Wachtel 用三项编码任务做了独立测试，发现标价更低并不等于花得更少。

Wachtel 通过两家厂商的 API 以默认设置各运行一次，测试了三种模拟真实开发工作的任务：修复 2600 行计费代码库中植入的 10 个 bug、审查欧盟发票包中 45 个人为植入的缺陷、以及从零编写 27 国 VAT ID 验证和 34 国 IBAN 校验代码。每项满分 50 分，由脚本自动评分。

在 bug 修复任务中，两个模型都修复了全部 10 个 bug 并通过所有 50 项隐藏检查，都用了 12 轮对话。但过程差异巨大：Fable 5.2 消耗了超过 17000 个推理 token，Astra 只用了 819 个；Fable 5.2 花费约 2.51 美元、耗时 326 秒，Astra 花费约 0.98 美元、耗时 122 秒。同样的分数，Fable 5.2 花了 Astra 约 2.6 倍的价钱。

代码审查是唯一分数不同的任务。Fable 5.2 得 49 分，Astra 得 45 分。Fable 5.2 证明了 45 个缺陷中的 44 个且无误报，Astra 证明了 41 个并错误地将一个西班牙 ID 判定为有效。但 Fable 5.2 为此花费 6.05 美元、耗时 993 秒，而 Astra 只花了 0.95 美元、227 秒。Fable 5.2 的额外 4 分是以超过 6 倍的成本和 4 倍的时间换来的。

代码编写任务中两个模型都得了满分 50 分，但 Fable 5.2 仍花费 Astra 的 2.3 倍。三项任务合计，Fable 5.2 总花费约 13.39 美元，Astra 约 3.99 美元——尽管 Fable 5.2 的单价更低，总花费却高出约 3.3 倍。Wachtel 指出，Fable 5.2 在这三次运行中消耗了约 Astra 五倍的 token。

这一结果印证了 OpenAI 总裁 Greg Brockman 在 Astra 发布会上说的每任务价格才是关键。Wachtel 的结论是：对于这类任务，她会从 Astra 开始，它在 bug 修复和代码编写上以约 41% 的成本达到了相同分数；只有在需要仔细代码审查时才会考虑 Fable 5.2，因为那次它多找到了三个缺陷。她也坦承两个模型都漏掉了缺陷，且每个模型只运行了一次，四分差距在另一次运行中可能变化。

英伟达（NVIDIA）在最新发布的 CUDA Toolkit 13.4.2 中，为 cuBLAS 数学库引入了两项新算法：Ozaki-II 和 2M。这两项技术旨在解决高性能计算中的一个长期矛盾：如何在保持双精度浮点数（FP64）完整准确性的同时，利用专为低精度设计而速度更快的整数张量核心（Tensor Cores）进行计算。这一更新使得分子化学、材料科学等依赖高精度密集通用矩阵乘法（GEMM）的科学模拟无需修改应用代码即可自动获得加速。

传统上，GPU 的 FP64 单元虽然精度高但吞吐量有限，而张量核心在处理低精度数据时速度极快。cuBLAS 的新方法通过“浮点仿真”技术，将每个双精度数分解为多个整数片段，在张量核心上进行精确的整数乘法运算，最后重新组装成完全符合 FP64 标准的结果。其中，Ozaki-II 算法基于中国剩余定理（CRT），相比前代 Ozaki-I 大幅减少了所需的整数乘法次数；而 2M 算法则专门优化复数矩阵乘法，将原本需要四次实数乘法的操作简化为两次，从而显著降低了计算开销。

根据英伟达官方公布的技术博客数据，这些算法在真实世界应用中展现了显著的性能提升。在量子化学领域，使用 Ozaki-II 算法的 DGEMM（实数双精度矩阵乘法）在 NVIDIA VR NVL72 系统上比原生 FP64 快 5.5 倍，在 GB200 上快 3.9 倍。具体到耦合簇单双激发（CCSD）计算——这被视为量子化学的“金标准”，端到端速度提升了 2 倍（VR NVL72）和 1.4 倍（GB200）。若采用混合精度模式，速度提升可达 5 倍和 3.5 倍。

在材料科学方面，BerkeleyGW 软件包中的 ZGEMM（复数双精度矩阵乘法）在使用 2M 算法后，在 GB200 上实现了 5 倍的加速。针对 BerkeleyGW 的 Epsilon 模块测试显示，在 VR NVL72 上端到端速度提升了 6.6 倍，在 GB200 上提升了 3.9 倍。值得注意的是，所有测试均验证了结果的准确性，误差保持在 FP64 标准范围内，且无需用户手动调整 API 或重写内核代码，cuBLAS 会自动选择最优路径。

此外，即将推出的 NVIDIA Rubin GPU 架构引入了新的 TI16 数值格式和 tcgen05.mma 指令，将进一步加速 Ozaki 系列计算。对于现有用户，只需下载并安装最新的 CUDA Toolkit 即可启用这些功能。开发者可以通过 cuBLAS 文档中的浮点仿真部分了解更详细的 API 控制选项，如 cublasSetEmulationStrategy()，以根据特定工作负载微调精度与性能的平衡。

据TechRadar报道，俄罗斯通信监管机构Roskomnadzor已正式将机器学习算法集成到其国家网络过滤系统中，以猎杀虚拟私人网络（VPN）。这一举措标志着克里姆林宫数字屏障的急剧升级。根据《福布斯》俄罗斯版审查的政府数字化转型文件，《莫斯科时报》报道称，该机构为此项目投入了22.7亿卢布。

与以往试图破解加密内容的尝试不同，新部署的AI工具是一个预测模型，它不针对单一协议，而是搜索连接元数据中的“行为指纹”，包括数据包大小、传输间隔、会话长度和托管服务器模式。数字权利组织RKS Global的专家Dmitry Kuteynikov指出，这种智能决策支持系统将帮助工作人员决定屏蔽内容，且随着模型投入使用，屏蔽速度将加快，导致VPN连接更不可靠。

Amnezia VPN的一位开发人员证实，这种模型会影响广泛的协议，因为它针对的是VPN流量的一般特征，而非特定签名。即使使用混淆技术隐藏协议签名，隧道的流量模式仍然可见，而这正是行为模型所寻找的目标。

除了对普通用户的影响，自动化过滤还正在破坏俄罗斯的企业网络。虽然俄罗斯法律技术上豁免内部企业VPN，但在自动检查下，企业连接看起来几乎与规避隧道相同。据《Kommersant》报道，电信消息来源指出，流量分析算法在5%至6%的情况下会错误分类流量。当Roskomnadzor将整个托管子网列入黑名单时，无关的网站和企业云应用程序也会随之崩溃。

此前泄露的信息显示，俄罗斯曾起草计划利用AI阻止95%的VPN。虽然官方目标被悄悄修改，但资金仍在激增。克里姆林宫正准备在未来几年将其互联网审查预算翻倍，仅在2026年就分配了另外102亿卢布用于升级深度包检测硬件。

英伟达（Nvidia）首席执行官黄仁勋（Jensen Huang）的离职在亚洲引发了广泛反应。部分政府迅速确认了芯片供应承诺，而另一些则正在监控对当地项目的影响或处理持续进行的调查。

在韩国，科学部表示英伟达已重申向该国供应26万块先进GPU的计划，并将继续开展联合AI项目。三星电子和SK海力士作为英伟达AI处理器内存芯片的主要供应商，与英伟达关系密切。此外，韩国政府AI战略委员会周五召开紧急会议，评估黄仁勋离职对该国AI产业的潜在影响。

在新加坡，内政部证实对前Megaspeed首席执行官Alice Huang的调查仍在进行中。当局于2025年6月扣押了她的护照，以调查服务器购买中可能存在的虚假申报问题。2026年2月，警方认为证据不足以确立其犯有相关罪行，但指出她故意提供了关于其在Megaspeed角色的不准确信息，因此对其发出警告并禁止其再次入境新加坡。新加坡还提到，尽管多次请求，美国当局在提供有关服务器制造商Supermicro的信息方面协助有限。

在中国，外交部驳斥了将一名与中国商人有关的指控称为“毫无根据”的说法，该商人与前英伟达CEO黄仁勋有关联。路透社审查显示，黄仁勋的离职使依赖英伟达受限处理器的超过30亿美元的中国AI计算项目面临不确定性。许多此类芯片受美国出口管制限制，中国公司难以获得。

在台湾，经济部长龚明鑫表示，黄仁勋的离职不太可能显著改变全球AI行业的增长。台北市政府称，英伟达在该市计划的海外总部仍按计划进行，尽管领导层发生变更，该公司迄今已履行合同义务。

在日本，产业省表示政府将密切关注英伟达，称其为日本AI半导体行业的重要参与者。内阁官房副长官尾崎正直表示，现在评估对全球AI行业的影响还为时过早，同时强调日本致力于确保半导体的稳定供应。

传统湖仓格式把元数据拆成大量清单文件散布在对象存储里。每次查询，引擎都要遍历这些文件才能知道该读哪些Parquet数据文件。DuckLabs首席开发者Pedro Holanda认为这本质上是一个关系数据库问题，不需要用文件系统的方式解决。

他的解释很直接：你发出查询，服务器回答你该读哪些Parquet文件。Parquet文件本身不变，变的只是目录。这就是DuckLake把表元数据存进标准SQL数据库而非散布清单文件的原因。用户已经熟悉SQL和模式，不需要额外学习一套元数据遍历逻辑。

DuckLake 1.1在十月与DuckDB 2.0.0 LTS一同发布，带来了文件合并以及针对流式数据湖的内联与刷新机制。文件合并方面，当文件数量过多时，DuckLake可以把多个文件粘合成一个，减少请求数；这个操作可以跨多个快照执行，进一步压缩文件总量。内联方面，把实际数据表示直接作为表存储在目录中。Holanda说，构建DuckLake时他们意识到既然已经有了数据库系统和目录，为什么不把数据本身也放进表里？

这解决了流式场景中的小文件问题。多个数据源同时写入时，传统湖仓会产生大量碎片文件，查询时既要遍历元数据又要读取大量小Parquet文件，两头都慢。DuckLake通过内联和刷新把碎片吸收进目录，把合并操作推迟到需要时再执行。

LanceDB工程师Weston Pace在另一篇技术博客中从并发写入的角度补充了DuckLake的设计取舍。他把表格式的协调机制分为两类：零基础设施原子操作（依赖云存储的put-if-not-exists语义，无需额外服务但受限于约每秒十次提交）和集中式协调（DuckLake用Postgres实例作为提交协调器，通过互斥锁或CAS原语同步写入者）。集中式方案可能获得更高事务率，且适用于不支持原子创建的文件系统，代价是需要维护一个长期运行的服务。

DuckDB和DuckLake均以MIT许可证开源，由独立的DuckDB基金会监督。DuckLake不需要大规模服务器集群就能运行，部分原因是Parquet和DuckDB存储格式天然相似——都是列式组织、按行组划分，数据搬运步骤极少。