阅读研究雷达投资体系
登录 / 注册
全部阅读技术产品投资二级市场其他

阅读

2026-11-1799 篇

刷新

南非作家Coral Hart:让AI直接写一本书只会得到"燃烧的垃圾场"

实质变化
2026-11-17 00:00

Coral Hart对AI写作有一个毫不客气的判断:如果你直接对ChatGPT或Claude说"给我写一本书",你得到的只会是"燃烧的垃圾场",因为AI没有任何可以工作的素材。这个判断不是空穴来风——她此前有14年传统写作经验,独立完成了96部作品,对一本书从构思到成稿需要什么有切身体会。

她转向AI辅助创作的过程并非一步到位。最初,她逐段与AI工具围绕故事构思推进,每段大约需要两到三次提示词交互,整个流程缓慢而琐碎。经过数月试验,她逐步建立起一套稳定的多模型分工框架,如今已经能够用积累的提示词和工具组合生成整本书的初稿。

在工具分工上,Hart给出了具体分配:ChatGPT擅长对话写作但在散文叙事上表现不佳;Claude用于构建故事结构;Grok则被用来为浪漫小说添加"火辣场景",因为她认为xAI的这款聊天机器人"完全不受约束"。每个模型都有各自的长处和短板,没有哪个能单独胜任整本书。

AI生成的初稿远非成品。Hart描述了一个多阶段编辑流程,同样由AI执行:修复故事中的连续性错误、补全不完整的人物发展弧线、填补情节漏洞。最后一步必须由人工审核,确认没有"AI痕迹"漏进最终文本。这套从生成到质检的流水线,才是370本书能在20个月内完成的关键。

这套流程的商业规模相当可观。Hart称仅2026年一年就售出超过100万本书,收入略超100万美元。她还成立了"Coral Hart Group",帮助他人用AI写书,自上线以来已服务超过2400位作者。单本书定价260美元,九本系列约1900美元,每本书最长5万字。

需要指出的是,以上所有工作流细节、销售数据和收入数字均来自Hart本人在一次AFP采访中的自述,经t3n转述,没有独立第三方对其产出质量或实际销量进行验证。她使用笔名公开活动,称自己收到过数千条仇恨信息和死亡威胁,但她认为AI时代的文学讨论已经无法回避。"这不是几个作者想关掉就能关掉、想拔掉插头就能拔掉插头的。"

信息源:t3n.de

研究

OpenCode开发者Dax Raad用AI代理以60美元重写浏览器工具,内存占用降低97%

快讯
2026-11-17 01:59

OpenCode开发者Dax Raad表示,他使用AI编码代理(主要是Claude Opus和DeepSeek)以60美元的成本,将其项目中的浏览器自动化工具OpenCode Browse从Node.js重写为Rust。这一重构替换了原本依赖的Playwright和Patchright库的部分功能,显著降低了运行时开销。

根据Raad在X平台上发布的数据,新的Rust二进制文件大小仅为4.3 MB,而之前的Node版本为53至64 MB。每个OpenCode Browse连接器的内存使用量也从大约190 MB降至5.6 MB,降幅约为97%。中继服务(relay)的空闲内存占用从旧版Node实现的353 MB降至6 MB。

该工具通过Chromium扩展和MCP服务器连接AI编码代理与开发者的现有浏览器。新实现使用WebSockets与扩展通信,并通过Chrome DevTools Protocol处理浏览器操作。测试显示,新版Browse在Stealth Bench v2上的得分为85%,略低于Browser Use Cloud的90.5%。

尽管性能提升显著,但Raad也指出,重写意味着团队需承担原本由Playwright和Patchright维护的代码责任,包括应对浏览器更新和安全修复。此外,$60的成本仅包含模型调用费用,未计入人工检查、测试和修复代码的时间。

信息源:The New Stack

研究

MoEngage团队解释:多租户平台如何不重建API就让AI代理安全访问数据

实质变化
2026-11-17 02:16

营销团队规划一次周末闪购,往往要打开三个工具:分析看板看上次效果、内容库找语气、活动构建器搭活动本身。跨邮件、推送、短信和WhatsApp重复这个过程,一周大部分时间花在切换工具而非做决策上。MoEngage和AWS联合撰写的这篇文章描述的,正是如何把这条路径压缩为一次对话——以及背后的架构选择。

MoEngage的Merlin AI运行四组agent:嵌入Studio的专用agent(Copywriter、Designer、Segment Assist、Jinja Assist、In-app Template Builder、Flow Assist)、跨campaign和analytics的对话agent、可由CRM团队自定义的持续运行agent、以及为每个个体客户做决策的decisioning agent。四组共享同一基础:Amazon Bedrock上的基础模型负责推理和生成,AgentCore runtime负责托管,MCP负责标准化数据访问。

架构的核心问题是:如何给agent安全、租户隔离地访问实时数据,而不重建数百个现有API。MoEngage的解法分三层。第一层是工具生成:其平台API已经兼容OpenAPI 3.0,团队用FastMCP框架直接从规范生成MCP工具,每个操作变成一个带结构化schema、描述和参数校验的工具。工具分五组——campaign、analytics、segmentation、content、flow——当规范更新时,工具定义同步更新。

第二层是身份隔离,这是文章中最具体的设计选择。MoEngage做了三件事:MCP服务器复用现有JWT认证,AgentCore runtime在请求到达服务器前验证token;workspace和user context走请求头而非工具参数,模型看不到这些值也无法修改;每个用户会话在AgentCore runtime的隔离环境中运行,一个用户的对话无法读取另一个的会话状态。文章指出,多租户系统不能让模型自行决定它在读取谁的数据,这三项设计正是围绕这一原则展开的。

第三层是推理与生成:agent调用Amazon Bedrock上的Anthropic Claude Sonnet 4.6、5和5.5来规划工具调用、生成内容和总结结果。MCP服务器本身不运行模型,推理发生在调用它的agent中。

在典型请求中,用户登录MoEngage后提问,客户端带上用户已有的JSON Web Token发送请求,AgentCore runtime验证token并启动隔离会话,agent问Bedrock模型该调用哪些工具,MCP服务器带着用户租户上下文调用MoEngage API并返回结果,agent组装答案。整个过程用户不打开单独看板。

关于效果,文章报告的数据均为MoEngage自报:客户Glance的活动上线速度快了50%,推送通知点击率提升38%,内容变体产出约为原来的三倍;平台整体报告营销和产品团队在渠道、时间和频率决策上的人工工作量减少60–70%,目标驱动决策带来20–30%的转化率改善。这些数字没有独立复现,也没有给出样本量或对照条件。

文章最后指出,同样的模式适用于其他拥有成熟API面的软件提供商:从现有规范出发,把身份留在模型之外,让托管运行时处理生产关注点。AgentCore runtime的区域可用性因AWS区域而异,框架无关性意味着MoEngage可以更换模型或agent框架而不触碰MCP服务器——这既是优势,也意味着当前架构与AgentCore runtime的耦合尚未被打破。

信息源:Amazon Web Services

研究

Databricks开源方案:用统一特征定义消除实时推荐的训练-服务偏差

快讯
2026-11-17 01:30

实时推荐系统有一个经典工程难题:训练时使用的特征和线上推理时使用的特征,往往由两套独立代码计算。即使逻辑相同,实现细节的差异也会随时间漂移,导致模型在训练集上表现良好、上线后效果下降——这就是训练-服务偏差(train/serve skew)。Databricks的Tian Tan、Sixuan He、Nick Joung和Julia Powell在11月16日发布的方案加速器中,提出用Feature Views的声明式定义从根源上消除这个问题:特征逻辑只写一次,训练和推理共用同一份声明。

具体做法是把特征分为两类。批量特征(如30天平均余额、90天消费总额、忠诚度等级)通过SlidingWindow、TumblingWindow或ColumnSelection声明,系统自动将它们物化到离线Delta表供训练使用,同时写入在线存储供推理读取。流式特征(如最近10分钟的品类浏览、30天品类兴趣)指向Kafka主题声明,系统持续聚合事件到在线存储,训练时则从源事件按时间点重建历史值。两类特征共享同一份定义,推理时按customer_id从在线存储取值,训练时通过create_training_set API做时间点连接,防止未来数据泄漏。

对于需要长时间窗口但又要求最新鲜前缘的流式特征,文章引入了SawtoothWindow。传统做法中,30天品类计数如果每次新事件都重算全部历史,计算量不可接受;SawtoothWindow让长窗口在有新事件到达时保持新鲜,无需回溯整个历史。这解决了流式特征在长窗口下的实际可行性问题。

在性能方面,该加速器在最小配置(小型服务端点加单节点在线存储、未经调优)下,排序请求包含在线特征读取和推理,p95为34毫秒。在更严格的压力测试中——请求键按Zipfian分布散布在2000个客户上以增加缓存未命中——排序延迟测得p50为33毫秒、p95为48毫秒。加入流式特征后延迟仅增加3到4毫秒。排序端点稳定吞吐约56 RPS,特征服务端口约390 RPS,均满足50毫秒p95预算。文章据此给出容量规划公式:所需并发数 = 4 × ceil(目标RPS ÷ 在你的SLO下测得的RPS)。按此公式,支持150 RPS排序请求在50毫秒p95内完成需要并发12。

需要明确的是,这些数字全部来自Databricks自己的基准测试,使用合成数据、暖端点和区域内客户端。文章声明加速器展示的是可运行的基础设施,不是已验证的收入提升,并指出两个限制:排序端点使用scale-to-zero,空闲后首次请求可能面临数十秒冷启动;报告的延迟包含特征读取和推理,不能与仅报告特征读取延迟的基准直接比较。对于评估该方案的工程团队,这些边界条件决定了数字的可迁移程度。

信息源:Databricks

研究

Databricks发布AI指数:公开企业模型采用与编码代理成本基准

实质变化
2026-11-17 01:00

美国数据智能公司Databricks于2026年11月16日宣布推出“Databricks AI Index”,这是一个公开资源,旨在聚合关于企业AI模型采用、支出模式以及编码代理(coding agents)性能的真实世界数据。该指数结合了来自超过10,000家使用Unity Gateway的企业的匿名化使用数据,以及源自Databricks自身工程工作流的持续更新的编码代理评估。

关键发现显示企业模型偏好正在快速变化。OpenAI的企业令牌流量份额因Sol和Astra系列模型的增长而显著上升,但在Claude Opus 5.5发布后,Anthropic重新获得势头,其整体份额从57.6%升至68.8%,其中Opus 5.5在六周内从专有模型令牌的7.2%激增至37.9%。此外,开源权重模型的采用率大幅上升,其企业令牌流量份额从7月的7.3%增长至11月的30.9%,DeepSeek V4.1和GLM 5.3等模型在编码质量基准中表现优异。

该指数还揭示了编码代理的成本效率权衡:较低的令牌价格并不总是意味着较低的整体任务成本,因为模型可能需要更多步骤来完成任务。例如,GPT-6 Luna和Claude Opus 5.5在基准测试中均达到89.1%的任务成功率,但Luna的平均每任务成本仅为0.05美元,而Opus 5.5为1.62美元。这些数据为企业评估不同模型组合的性能与成本提供了新的参考依据。

信息源:Databricks

研究

当AI切断链接,新闻业的四种经济自救方案

实质变化
2026-11-16 21:00

过去一年,通过谷歌搜索进入新闻网站的流量在全球下降了约三分之一,美国市场降幅达38%。与此同时,生成式AI聊天工具的新闻消费占比升至10%,在韩国、希腊和西班牙较上年翻了一倍。18至24岁用户中约五分之一已经通过AI聊天机器人获取新闻。这不是一个趋势预测,而是正在发生的结构性断裂。

2026年11月16日,首尔新闻中心的第十届KPF新闻会议上,四位来自不同背景的媒体与新闻界领袖面对同一组数据,给出了四种截然不同的经济答案。它们共享一个前提——链接分发模型已经失效——但分叉点在于:谁来为新闻付费,以及凭什么收这笔钱。

纽约时报负责增长与订阅的副总裁Hannah Yang给出的答案最直接:把新闻从单独售卖变成太阳系的中心。2015年,纽约时报在广告收入蒸发30%、美国20年间3500家报纸倒闭的背景下启动了'Our Path Forward'转型,核心策略浓缩为五个英文单词——'Make journalism worth paying for'。具体做法是停止新闻单独订阅,将游戏、烹饪、体育、购物等生活方式产品像行星一样围绕新闻这颗太阳捆绑销售。订阅收入现在占纽约时报总营收的70%,订阅者中一半只买单一产品,一半买捆绑包,而公司通过低入门价加长体验期的价格策略同时拉高了用户规模和客单价。

Yang对韩国媒体的建议更具体。她指出韩国新闻业61%的流量依赖门户网站、直接访问仅占8%,AI摘要进一步把点击率从15%压到8%。她的建议是:找到你们自己的'填字游戏'——一个只有你能做、用户愿意为此建立直接关系的垂直产品,然后用电话号码、应用推送、邮件列表像砌砖一样一块块搭建直接读者关系。纽约时报自己也在用同样逻辑:与达美航空合作每年向5000万机上乘客免费提供订阅,与Duolingo合作触达美国以外30岁以下的英语学习者,用低门槛把新用户拉进生态系统,再逐步转化。

SPUR联盟联合创始人David Buttle提出的是一种完全不同的机制:让未经授权的抓取比正规授权更贵。SPUR是2026年2月成立的英国非营利技术组织,目前有25个国家超过100家新闻机构参与。Buttle指出,传统的按爬取次数收费(pay-per-crawl)有一个致命缺陷——AI平台可以一次性抓取内容存入离线缓存,之后不再触发任何可计量的访问。SPUR的替代方案是按使用量计费(pay-per-use):定义五种使用事件(从内容访问到生成替代性输出),对实际消耗进行计量收费。Buttle强调,技术本身已经就绪,缺的是让需求平台采用这一标准的激励和监管压力。SPUR不打算做集体谈判代理(受反垄断法限制),而是通过切断未经授权的内容供给源来抬高整个原创新闻市场的谈判底线。

卫报总编辑Katharine Viner给出的答案更古老也更根本:所有权结构决定一切。卫报没有个人老板、没有上市公司股东,由Scott Trust基金会持有,这意味着它不需要向任何商业利益妥协就能做调查报道。Viner举了反面例子:Jeff Bezos收购华盛顿邮报后撤回对哈里斯的支持并解雇编辑,Ellison家族收购CBS和CNN后的类似干预。卫报2016年引入自愿财务贡献(VFC)模式,通过公开承认财务危机来唤起读者团结,扭转了长期亏损。Viner说,卫报的武器不是内容本身,而是它的股东结构——这让它可以在权力之外做报道。在AI使用上,卫报坚持三条原则:读者利益优先、使命和员工利益优先、创作者权利优先。AI只做背景辅助(照片档案检索、来源摘要),但禁止将AI生成的摘要直接变成完整文章。

无国界记者会秘书长Thibaut Bruttin的处方是制度性的:数字空间是'私有化的公共品',平台必须在算法中为经过验证的新闻机构保留正当可见性。他把公众对媒体的不信任重新定义为'对新闻的挫败之爱'——捷克40万人上街反对取消公共媒体收视费、瑞士两次公投保住公共媒体,证明市民实际上需要独立新闻。Bruttin推动的'新闻信任倡议'(JTI)是一种ISO型透明度认证,欧盟委员会已将其列为优先事项。

四种策略的底层逻辑各不相同:卫报赌的是结构不可复制性,纽约时报赌的是品牌规模和生态锁定,SPUR赌的是监管和标准制定,RSF赌的是公共舆论压力。但它们指向同一个判断:在AI时代,新闻的可持续性取决于能否建立一种让价值回流的经济机制——而前提仍然是做出值得付费的好新闻。这个判断对任何内容行业都有参照意义。

信息源:The Core(더코어)

研究

AWS 提出大型机汇编转 Java 的五阶段方法:用 COBOL 中间层做人工校验闸门

实质变化
2026-11-17 01:29

大型机上的汇编程序仍在运行银行、保险和航空公司的关键批处理作业,但能读懂这些代码的人越来越少。直接让大模型把汇编翻译成 Java 听起来最省事,但 AWS 机器学习团队认为这条路风险太高。他们提出了一种五阶段流程:先从汇编中提取业务规则,再生成 COBOL 中间代码,经过人工验证后,最后用 AWS Transform 把 COBOL 转成 Java Spring Boot 应用。

这个设计的核心判断是:汇编和 Java 之间的语义距离太大,中间缺少一个人类专家能看懂的校验点。汇编用寄存器和内存地址表达逻辑,Java 用面向对象和依赖注入表达逻辑,两者之间没有自然的中间语言。COBOL 恰好填补了这个位置——它比汇编更接近业务语义,比 Java 更接近过程式,而且大型机环境中的领域专家仍能阅读和验证它。中间 COBOL 阶段提供了一个结构化的、人类可读的格式,让领域专家在最终转换前确认业务规则是否完整保留。

Amazon Bedrock 是前四个阶段的推理平台:业务规则提取、规格说明生成、汇编到 COBOL 转换和验证。第一步是把汇编代码连同数据字典和业务上下文一起输入模型,要求它输出结构化的 JSON 格式业务规则清单,每条规则有唯一编号、输入输出字段、触发条件和自然语言描述。第二步是把验证过的规则清单喂给模型,生成 COBOL 数据结构和过程流设计,包括 PIC 子句、层级编号和段落划分。模型设置温度为零以保证输出一致性。

第三步用这些规格说明指导实际的汇编到 COBOL 代码生成。提示词模板规定了 COBOL 的列格式(序列号占 1-6 列、指示符占第 7 列、Area A 和 Area B 的边界)、数据类型映射(PIC 9(n) 对应整数、COMP-3 对应财务字段)以及注释规范——每个段落必须标注它实现了哪条业务规则编号。输出要求严格:只返回 COBOL 代码,不附加解释文字。这种可追溯性设计让后续验证有据可查。

第四步是验证。六维度检查框架覆盖语法正确性、结构对齐、逻辑等价、数据流完整性、业务规则覆盖率和规格合规性,每个维度给出 0 到 1 的分数,加权平均后达到 0.7 才算通过。同样要求只返回 JSON 格式的验证报告,不附加解释文字。这本质上是用另一个模型调用来做代码审查,但审查标准是预先定义的,不是自由发挥。

最后一步交给 AWS Transform,这是 AWS 已有的 COBOL 到 Java 自动转换工具,负责引入依赖注入、仓储模式等服务层设计。这一步由工具自动完成,因为前面的验证已经确保了 COBOL 代码的业务逻辑正确性。

这套方法的可迁移之处不在于 COBOL 本身,而在于一个通用的工程原则:当源语言和目标语言之间的语义距离大到无法直接验证时,插入一个人类专家能读懂的中间表示作为校验闸门。AWS 团队从实践中总结出的几条经验都指向这一点——多阶段方法比直接转换更可靠,先写规格说明再生成代码能提前发现理解偏差,每个阶段结束时做增量测试比等到最后再验证能更早暴露问题。

信息源:Amazon Web Services

研究

谷歌云公布MLPerf v6.1基准:Ironwood TPU在8192芯片上1.7分钟完成DeepSeek-V3训练

实质变化
2026-11-17 00:00

美国云计算服务商谷歌云(Google Cloud)于2026年11月16日公布了其在最新一轮MLPerf Training v6.1基准测试中的10项结果。这些测试涵盖了其第七代Ironwood TPU以及NVIDIA Grace Blackwell GPU,重点展示了前沿模型预训练性能以及首个针对智能体强化学习(Agentic Reinforcement Learning, RL)的MLPerf基准测试结果。

在Ironwood TPU的预训练测试中,使用8,192颗芯片时,系统达到目标模型(DeepSeek-V3)的基准质量仅需1.70分钟;当规模扩展至4,096颗芯片时,仍保持96%的扩展效率。在智能体RL测试中,640颗Ironwood TPU在18.02分钟内达到了Qwen3.5-397B模型的编码基准目标准确率(0.765,高于0.69的目标),且训练芯片的等待时间低于3%。

此外,谷歌云还报告了基于NVIDIA硬件的结果。在A4X Max实例上,256颗NVIDIA GB300 GPU达到目标模型基准质量耗时31.96分钟。所有数据均为谷歌云自报的封闭组(Closed-division)提交结果,遵循MLCommons标准流程,但尚未经过第三方独立复现验证。

信息源:Google

研究

谷歌AdMob推出Ask AdMob及代理技能,以AI自动化应用变现与代码集成

实质变化
2026-11-17 01:00

美国科技巨头谷歌于2026年11月16日宣布为其移动广告平台AdMob推出新的AI工具套件,包括对话式助手“Ask AdMob”、用于代码实现的“AdMob代理技能”(agent skills)以及正在开发中的MCP服务器。这些工具旨在帮助应用开发者更快速地构建、修复和扩展业务,减少在广告变现管理上的手动操作负担。

Ask AdMob是一个内置于AdMob账户中、由Gemini驱动的对话式代理。它经过AdMob变现最佳实践的训练,能够像产品专家一样协助开发者解决技术问题并发现收入机会。具体功能包括:自动检测SDK集成异常并提供修复建议;利用同行基准数据推荐高价值的第三方网络竞价者以优化中介组;以及允许用户通过自然语言提示直接配置品牌安全规则,取代传统的手动黑名单管理。谷歌表示,这些功能将在未来几个月内开始测试,并于明年晚些时候进一步演进以代表用户执行更多操作,但所有AI建议在应用到应用前仍需用户审核批准。

除了账户内的助手,谷歌还推出了AdMob代理技能和即将发布的MCP服务器,将AI能力延伸至开发者的编码环境。代理技能提供了预构建且经过测试的操作手册,使AI编程助手能够执行如迁移至Google Mobile Ads Next-Gen SDK、验证SDK实现以及实施新广告格式等任务。而计划中的AdMob MCP服务器将允许开发者的AI代理直接读取账户数据、编写新的广告单元并管理中介设置。这一举措标志着广告集成工作流从传统的网页仪表盘点击配置,转向了直接在代码库中通过AI代理进行自动化管理和验证。

信息源:Google

研究

CrewAI 称 Agent 记忆不是存储问题而是认知问题:用单一表实现矛盾消解与置信门控召回

实质变化
2026-11-17 01:21

CrewAI 的旧记忆架构由两部分组成:一个向量库负责嵌入存储与相似度检索,另一个数据库负责结构化记忆状态。长期记忆、短期记忆、实体记忆和嵌入工具全部经过这套组合。CEO Joao Moura 描述的失败模式很具体:Agent 周一学到一件事,周五学到与之矛盾的另一件事,然后两件事都记住了。

Moura 将这次重构的核心判断表述为:记忆不是存储问题,而是认知问题。这意味着系统需要在写入时就决定记什么、如何处理矛盾、何时遗忘,而不是把这些决策推给应用层。

在实现层面,新系统包含五个认知操作:编码、合并、召回、提取和遗忘。编码阶段,系统分析内容、分配作用域和类别、在 0–1 尺度上赋予重要性权重后才写入。当新记忆与已存储记忆产生冲突且超过 0.85 阈值时,合并操作介入:旧记录被更新,上下文保留,过时事实被移除。召回阶段不再使用静态相似度查找,而是用复合评分:score = (similarity × w_sim) + (recency × w_rec) + (importance × w_imp)。一个六个月前的关键架构决策可以排在昨天的随意提及之前。当置信度不足时,系统会搜索更深层再返回,而非直接给出最近邻结果。

架构选择上,CrewAI 将此前分散在两个系统中的数据合并到一张 LanceDB 表中。作用域通过 SQL 风格的 WHERE 子句过滤实现,B-tree 索引使过滤查询跳过全表扫描。Moura 称设置过程没有任何障碍,实现只需一个库安装、一个本地目录路径,无需新基础设施。

需要指出的是,本文发布在 LanceDB 官方博客上,属于厂商通过客户案例推广自身产品的形式。所有性能数据——~200ms 检索延迟、2B+ Agent 执行量、12M 月下载——均为 CrewAI 自报,无独立评测。0.85 冲突阈值和复合评分的具体权重未披露消融实验或与其他阈值的对比。这些数字说明该方案已在生产环境运行,但不能独立证明其优于其他记忆架构。

对开发者的实际参考价值在于设计前提的转换:当 Agent 积累矛盾信息时,问题不在检索层而在写入层——系统需要在编码时就判断新事实是否使旧事实过时,而不是等到召回时再处理冲突。这一思路将矛盾消解从应用层的同步问题转化为存储层内部的单次查询操作。

信息源:lancedb.com

研究

电池初创公司Our Next Energy拟通过SPAC上市,估值10亿美元

实质变化
2026-11-16 21:00

美国电池初创公司Our Next Energy(简称ONE)计划通过与特殊目的收购公司(SPAC)Wen Acquisition Corp合并的方式在纳斯达克上市,股票代码将为“ONEE”。据TechCrunch独家报道,ONE的投前估值为6亿美元,假设无赎回,此次合并预计将带来4亿美元的总收益,合并后公司的隐含股权价值为10亿美元。

这一融资举措标志着ONE从电动汽车电池市场向电网规模储能、国防和铁路市场的战略转型。此前,由于电动汽车市场增长不及预期以及来自中国供应商的价格竞争,ONE曾经历裁员并取消了在密歇根州建设16亿美元工厂的计划。创始人兼CEO Mujeeb Ijaz表示,虽然电网业务是初衷,但客户往往因价格因素转向中国选项,因此公司需要更持久的市场,如受美国政策保护、排除中国竞争的国防和铁路领域。

ONE目前拥有三个主要业务线:电网规模电池、国防应用(包括无人机和潜艇)以及铁路混合动力机车。公司称已与铁路和国防承包商签订了2亿美元的多年期约束性合同。尽管面临挑战,ONE仍被视为美国本土电池供应链的重要参与者,其上市进程反映了投资者对非中国依赖型电池技术的关注。

信息源:TechCrunch

研究

英伟达Vera Rubin平台在MLPerf训练基准中实现最高2倍性能提升

实质变化
2026-11-17 00:00

英伟达(NVIDIA)宣布其下一代AI计算平台Vera Rubin NVL72在最新的MLPerf Training v6.1基准测试中首次亮相,并在七个测试项目中的六个取得了最快的训练时间。与高度优化的上一代GB300 NVL72基线相比,Vera Rubin NVL72实现了每GPU最高2倍的性能提升。这一结果标志着新架构在大规模AI训练效率上的显著进步。

在最严苛的DeepSeek-V3 671B混合专家(MoE)模型测试中,Vera Rubin NVL72使用1,024个GPU在4.14分钟内完成训练,而GB300 NVL72在相同规模下需要8.03分钟。这意味着训练时间减半,对于依赖快速迭代实验的AI研发团队而言,相当于在一个季度内可运行的实验数量翻倍。此外,该平台在从256扩展到1,024个GPU时保持了超过97%的扩展效率,显示出其在通信密集型MoE工作负载下的网络架构优势。

MLPerf Training v6.1还引入了首个针对智能体大语言模型的强化学习(RL)后训练基准——Qwen 3.5 397B GRPO。Vera Rubin NVL72以10.44分钟的成绩在该新测试中领先,优于GB300 NVL72的13.78分钟。这一结果反映了AI开发重心向智能体能力构建的转变,以及后训练阶段对系统架构提出的新要求。英伟达表示,Vera CPU在此过程中发挥了关键作用,能够支持超过22,500个并发RL环境,确保GPU持续获得反馈数据。

值得注意的是,这些结果是英伟达在MLCommons框架下提交的官方基准数据,属于厂商自测结果,虽经过标准化流程但尚未有独立第三方的公开复现报告。英伟达同时指出,随着软件栈的持续优化,同一硬件在后续非验证性重测中表现出更快的训练速度,表明基础设施在交付后仍具备性能提升潜力。

信息源:NVIDIA Technical Blog

研究
下一页 →
登录 / 注册
阅读研究雷达投资体系