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

2026-11-18133 篇

刷新

Slurm HRES插件如何将量子处理器纳入超算调度:传统资源模型为何无法适配QPU

专题 · Slurm HRES实质变化
2026-11-18 01:00

量子处理器正在被安装到全球各地的超算中心,与高性能计算系统并列运行。对化学、气象建模、工程仿真等领域的科学家来说,QPU不过是另一种加速器——和CPU、GPU一样,他们希望用熟悉的方式申请、预留和执行。但直到Slurm 26.11之前,调度器没有原生方式将QPU建模为可调度资源,各站点的集成方案反复定制,用户面对不同界面,管理员维护难以升级的私有代码,QPU供应商为每个客户重建集成。

问题的根源在于QPU的物理属性与Slurm既有资源模型的结构性不匹配。QPU通常是集群级加速器,不属于任何单个计算节点。Slurm用于GPU的通用资源(GRES)机制将设备绑定到节点——如果那台节点故障,QPU就不可达,直到管理员重新配置集群。另一种常见做法是许可证加SPANK插件:许可证代表集群级资源,但SPANK只在节点已分配后才介入,这意味着作业可以持有计算节点却空等QPU。此外,多个QPU的SPANK插件会争抢相同的命令行选项,而许多SPANK插件依赖Slurm内部API,每次升级都有断裂风险。更关键的是,Slurm自身无法感知QPU是否正在校准或离线,会继续启动无法使用设备的作业。

Slurm 26.11引入的层级资源(HRES)插件接口解决了这些缺口。HRES在Slurm 25.05作为测试特性加入,是许可证的演进形态。与许可证一样,HRES是不属于任何单一节点的集群级资源计数;与许可证不同的是,该计数关联到一组特定节点——即被允许使用该资源的节点。站点在resources.yaml中描述QPU为集群级HRES,指定哪些节点可以到达该设备,并将一个短小的Lua脚本指向该资源。resources.yaml持有站点特定的端点和策略,Lua插件持有设备逻辑,两者分工使插件可以一次编写、跨站点复用。

插件的核心能力体现在作业生命周期的几个关键回调中。维护回调每隔设定秒数向中间件查询QPU状态,设置或清除各层的disable_layer以停止或恢复分配。控制器作业预运行回调在作业已调度但节点尚未分配时执行准入判断——这意味着作业不会在等待QPU时持有空闲节点。由于预运行持有控制器的作业锁,耗时的设备预留操作被放入可选的异步预运行中,其载荷由Slurm发送到作业节点。如果作业未能启动,撤销回调会取消预留;控制器收尾回调在作业结束时释放资源。

在架构边界上,Slurm和Lua插件都不直接与QPU通信。第三方访问中间件位于HPC系统与QPU之间,提供对不同量子硬件API的统一接口。Slurm将QPU视为单一可调度单元,决定其可用性、持有者、时长和来源节点;校准、纠错和设备控制留在QPU自身的软件运行时内。这一设计同时适用于当前的含噪中等规模量子(NISQ)设备和未来的纠错系统。

社区已有两个开源实现。QRMI插件在作业运行前以用户自身凭据预订QPU访问权,在调度器关键路径之外的独立线程中完成,作业结束后释放;现有应用无需修改即可运行。QDMI插件则不预留设备,仅准入作业,每个作业通过QDMI提交工作,由供应商的队列在设备上调度。两种集成从用户侧看界面一致:作业脚本通过SBATCH --resources请求QPU,Slurm在插件报告设备可用前保持作业挂起。

值得注意的限制是:文章由NVIDIA技术博客发布,属于厂商对自身产品特性的解释性说明。文中提到的性能改善(如消除空转节点)是架构设计层面的逻辑推论,未提供实际部署的前后对比数据。Slurm 26.11本身仍处于早期采用阶段,社区插件的实际生产环境可靠性有待验证。

信息源:NVIDIA Technical Blog

研究

前英伟达CEO黄仁勋公开表态愿回归,称若董事会认为符合股东利益将接受邀请

专题 · 黄仁勋离职与调查实质变化
2026-11-18 05:22

前英伟达公司(Nvidia Corp.)首席执行官黄仁勋(Jensen Huang)于2026年11月17日在社交媒体平台X上发布声明,首次公开表达了他愿意重返公司的意愿。这是他在上周因与一名涉嫌为中国间谍的前云高管发生婚外情而辞职后的首份公开声明。

黄仁勋在声明中写道:“自离职以来,我看到了来自英伟达员工、投资者、商业伙伴和客户的大量呼声,要求我重新担任CEO。”他表示:“如果董事会决定我的回归符合我们的股东、员工、公司和美国的最佳利益,我将很荣幸回应这些呼声并重新担任CEO。”

这一表态并非完全出乎意料。《金融时报》此前报道,黄仁勋已与亲信讨论过回归事宜,且其圈子内有人正在组建支持团队。此外,一项要求恢复黄仁勋职位的网络请愿书已获得包括埃隆·马斯克(Elon Musk)、Y Combinator首席执行官Garry Tan和Epic Games首席执行官Tim Sweeney在内的多位科技界知名人士的支持,尽管部分签名真实性存疑。

然而,黄仁勋的回归前景仍不明朗。CNBC报道称,英伟达董事会并未考虑让他回归。在今日的财报电话会议上,英伟达董事长Harvey Jones重申董事会无意恢复黄仁勋的职务。消息人士曾向路透社透露,黄仁勋在与Alice Huang的关系问题上误导了公司的总法律顾问和首席营销官。

目前,英伟达首席财务官Colette Kress担任临时CEO。据《华尔街日报》报道,英伟达已聘请一家知名高管猎头公司寻找新CEO,并将评估内部和外部候选人。同时,英伟达今日成立了一个新的国家安全与出口管制监督委员会,由Kress负责监督,旨在加强公司在国家安全政策、出口管制合规及全球贸易风险管理方面的治理。

信息源:SiliconANGLE

研究

英伟达Q3营收创纪录达1158亿美元,黄仁勋辞职后新设出口管制监督委员会

专题 · 黄仁勋离职结构性
2026-11-18 07:46

美国芯片制造商英伟达(NVIDIA)于2026年11月17日发布其2027财年第三季度财报,营收达到1158亿美元,同比增长103%,创下历史新高。这一强劲表现主要得益于Vera Rubin平台首批生产出货量的贡献。然而,这份财报是在首席执行官黄仁勋(Jensen Huang)于11月12日辞职仅五天后发布的,首席财务官Colette Kress以临时CEO身份主持了电话会议。

在领导层过渡方面,新任董事会主席Harvey Jones明确表示,黄仁勋的辞职是由于“披露了与公司行为准则、标准和文化规范不符的个人行为”,且董事会一致接受其辞呈,无意恢复其职位。Jones指出,董事会将考察内部和外部候选人,力求尽快找到合适人选担任永久CEO。此外,英伟达董事会当日还成立了一个由独立董事、高级外部顾问和法律顾问组成的国家安全与出口管制监督委员会,旨在直接管理与美国政府机构的互动,应对日益复杂的监管环境。

尽管管理层动荡引发关注,Kress强调业务运营如常,并表示员工对公司在英伟达的工作充满承诺。台积电高层本周也访问了英伟达办公室,显示供应链关系稳定。在财务细节上,GAAP净利润环比增长9%,低于营业利润22%的增长率,差距主要源于股权投资收益的变化:第二季度录得78亿美元净收益,而第三季度仅为18亿美元,其中包括非市场投资减值损失。网络业务收入突破21亿美元。

需求信号方面,Kress提到云行业积压订单已达2.5万亿美元,较三个月前的2万亿美元显著增加。前沿实验室预计将占今年数据中心收入的15%左右。值得注意的是,Hopper GPU在多年期协议下的重新签约价格最高可达原价的两倍,B300费率自推出以来上涨超过60%。尽管过去六个月Token价格下跌近60%,但计算资源利用率依然饱和。

关于中国市场,英伟达第三季度来自授权Hopper产品的收入为24亿美元。Kress明确表示,未来指引不再包含任何授权Hopper数据中心产品,公司已停止向中国发货此类产品。第四季度展望完全排除了来自中国的数据中心计算收入。毛利率方面,第三季度降至74.9%,受Rubin初期爬坡影响;第四季度指引进一步下调至71%至72%,反映供应成本上升及旧定价订单的执行压力。

信息源:morethanmoore.substack.com

研究

AWS宣布SageMaker HyperPod支持NVIDIA Dynamo分布式推理

实质变化
2026-11-18 07:33

亚马逊云科技(AWS)宣布其Amazon SageMaker HyperPod Inference服务现已支持NVIDIA Dynamo。这一集成旨在解决大型语言模型(LLM)高效服务中的GPU内存协调和长提示处理瓶颈,通过结合Dynamo的分布式推理能力与HyperPod的基础设施管理功能,简化多节点部署流程。

NVIDIA Dynamo是一个开源分布式推理框架,支持多节点部署、分离式预填充(prefill)和解码(decode),以及针对vLLM、SGLang和TensorRT-LLM等引擎的KV感知路由。在HyperPod中,该集成通过安装特定的自定义资源定义和操作符实现,包括HyperPod Inference Operator、Dynamo operator、Grove(用于协调Pod组)和Kubernetes AI (KAI) Scheduler(用于GPU资源调度)。

用户可通过两种路径配置部署:一是“自带DynamoGraphDeployment (DGD)”,适合希望直接控制服务图或复用现有DGD的团队;二是使用“InferenceEndpointConfig (IEC) with dynamoSpec”,适合希望通过统一配置格式部署新端点的团队。后者由操作符自动管理模型权重加载、端点注册及自动扩缩容。

AWS提供了基于Qwen3-235B-A22B-FP8模型的基准测试结果。在两台p5en.48xlarge实例(共16个H200 GPU)上,使用TensorRT-LLM引擎时,分离式服务架构相比聚合式服务实现了2.05倍的最高吞吐量提升(每GPU输出令牌数从101提升至207),同时满足P90首令牌时间低于1秒且中位生成速度至少为每秒50个令牌的性能目标。

该功能目前已在Amazon SageMaker HyperPod Inference中可用,支持单实例和多节点部署,并集成了节点健康监控与故障恢复机制。

信息源:Amazon Web Services

研究

Salesforce 内部智能体如何维护四百万条生产预测:诊断、测试、但只提交拉取请求

实质变化
2026-11-18 06:02

Salesforce 的内部预测平台每晚生成近四百万条时间序列预测,决定云容量预留、工作负载迁移和基础设施预算走向。每条预测实例的配置极为简洁——用什么数据、跑什么模型、精度要求多高——正是这种简洁让平台从五个用例扩展到上百个而无需等比增加数据科学家。但发布一条预测只是开始,保持其准确才是持续负担:被预测的指标不断变化,模型会漂移,每条预测都需要数据科学家查明变化原因并测试修复方案。

为了解决模型调优的规模问题,Salesforce 构建了一个内部自演化数据科学智能体。它的职责边界非常明确:调查预测漂移、在近期历史数据上测试候选修复方案、然后提交一个拉取请求——即一段需要数据科学家审批的代码变更。它不能部署模型,不能修改生产预测。所谓演化指的是智能体复用过去调查中的经验和审阅者反馈,而非自主上线。

整个流程分为六步。第一步定位,找出哪些预测偏离了目标。第二步诊断,检查数据变化并在 Slack 中搜索相关上下文。第三步修复,尝试新模型和参数设置,包括 Salesforce 自研的时间序列基础模型 Moirai 2.0。第四步重新评估,用新模型对过去数据做回测。第五步决策,只有当新模型在未见过数据上至少超越当前模型 5% 时才提交拉取请求。第六步演化,将成功的修复方案更新到调查手册中,供下次复用。

架构上,智能体并不取代现有 ML 技术栈,而是坐在其上。实验仍然在标准工具上运行:Kubernetes 和 Spark 负责计算,MLflow 负责跟踪和排序结果。智能体的新角色是充当 Slack 与这些引擎之间的对话接口——数据科学家在 Slack 中提问,智能体判断预测为何失准、应该尝试哪些修复。单次调查可能涉及数十次回测,远超智能体自身算力,因此它将每个任务分派到合适的引擎:小任务在 Kubernetes 上一个 pod 对应一个变体,大任务在 Spark 上对一条配置跨多个序列同时测试。MLflow 为每个候选打分,将排名靠前的模型送回智能体,由它选出最优方案并自动提交拉取请求。

Salesforce 报告称,截至目前该智能体已提出超过 100 个预测模型修复方案,包括将模型从 Prophet 换为 Moirai、调整变点敏感度、修改训练窗口等。回测中观测到 sMAPE 误差降低 14%,部分预测改善显著。一次典型的智能体调查耗时 27 分钟,而过去人工调试需要数小时。文章举了一个具体案例:某 AWS 可用区的存储预测在 2026 年上半年随使用量稳定增长,六月增长趋平(新工作负载开始落在其他区域),旧预测仍沿原趋势外推,若不干预将导致预留约 100 TB 不会使用的存储。智能体的拉取请求将模型换为 Moirai,后者跟上了增速放缓。

需要强调的是,以上所有数字——14% 误差降低、27 分钟、100 多个修复——均为 Salesforce 自报结果,没有公开代码、第三方复现或独立基准测试。智能体每次调查有固定测试预算,证据不明确时移交数据科学家。这些约束是设计的一部分,也意味着该方案的有效性高度依赖其特定平台规模和指标特征,向其他环境迁移时不能直接套用这些数字。

Salesforce 表示正将该智能体扩展到模型调优之外:监控预测背后的数据管道健康状态、自动完成新预测的上线流程、以及结合文本上下文(如产品发布计划、迁移公告)在变化发生前调整预测。其团队认为,目标不是让预测在失准后恢复,而是提前预判。

信息源:Salesforce

研究

微软在Ignite 2026发布Copilot Workspaces、Autopilot代理及AI成本追踪工具

实质变化
2026-11-18 07:14

美国科技公司微软(Microsoft)在2026年11月17日举行的Ignite大会上宣布了一系列新的企业AI功能,旨在解决工作流协作和成本控制问题。其中包括Copilot Workspaces,一个支持人与AI代理共同工作的“多人”协作界面;以及Autopilot,一种能够自主执行任务并拥有独立身份标识的后台代理。

据ZDNET报道,CEO Satya Nadella在主题演讲中介绍了Copilot Workspaces,称其为Copilot Notebooks的演进版本,允许用户和AI代理在文档、评论等场景中相互接力。目前该功能已在“Frontier”计划中提供。

另一项重要更新是Autopilot代理。与需要提示词触发的Copilot不同,Autopilot可以监控Teams频道、跟进邮件并管理项目。微软强调,每个Autopilot实例都拥有自己的Microsoft Entra Agent ID和指定的经理,其登录和操作均被记录,以便IT部门进行审计和控制。这一设计旨在让AI代理像普通员工一样纳入现有的安全和合规框架。

针对企业日益关注的AI投资回报(ROI)问题,微软还发布了Agent 365 Business Analytics和Cost Management工具。Business Analytics帮助管理员了解AI支出的去向及其带来的价值,通过衡量“完成的工作量”而非仅仅计算Token消耗来评估ROI。Cost Management则允许IT领导层设置支出策略、限额和警报,并控制可用模型。

这些新功能的推出反映了行业趋势:随着AI在企业中的深入应用,如何有效管理多代理协作流程以及如何精确量化和限制高昂的AI成本,成为企业采纳AI的关键障碍。

信息源:ZDNET

研究

美国AI语音公司ElevenLabs发布Scribe v3 Live Medical,专攻实时医疗转录

实质变化
2026-11-17 20:00

美国AI语音技术公司ElevenLabs于2026年11月17日发布了Scribe v3 Live Medical,这是一款专门用于实时语音转文字(Speech-to-Text)的医疗模型。该模型基于其最新的实时基础模型Scribe v3 Live构建,针对临床语言进行了优化,现已在ElevenAgents平台上线。

通用语音模型在处理医疗对话时容易出错,因为药物名称和剂量在日常口语中很少出现,且发音相似的药物(如sitagliptin西格列汀与citalopram西酞普兰)极易混淆。Scribe v3 Live Medical旨在解决这一痛点,确保语音代理在患者致电预约、资格检查或理赔跟进时能准确记录关键临床信息。

根据ElevenLabs的内部测试,在包含57次模拟初级保健咨询的公开数据集PriMock57上,该模型的词错误率(WER)为12.8%,是所测试医疗模型中最低的,比第二低的模型少17%的错误。在另一项名为Fareez OSCE的272次患者访谈测试中,其语义错误率仅为0.6%。此外,在Eka Medical ASR数据集上,相比通用版Scribe v3 Live,其语义错误率降低了4.7%。

为了适应复杂的医疗场景,该模型引入了几项关键功能:支持加载多达10,000个自定义术语,使系统能精准识别特定医院、诊所或药品的品牌名;优化了“轮次检测”,能够识别患者在报读身份证号或出生日期时的自然停顿,避免代理打断;并支持超过90种语言的实时切换,以适应多语言环境下的患者沟通。

在合规性方面,Scribe v3 Live Medical为企业客户提供HIPAA兼容选项,需配合商业伙伴协议(BAA)和零保留模式使用,以确保受保护的健康信息(PHI)不被存储。辉瑞数字战略与创新总监Idin Jafari表示,该模型结合Eleven v4 Turbo后,在品牌药和通用名识别上的准确性显著提升,交互体验逼真。

信息源:ElevenLabs

研究

AWS宣布SageMaker AI数据准备功能正式可用,通过合成数据生成与自动标注加速模型开发

专题 · AWS支出上限实质变化
2026-11-18 03:40

亚马逊云科技(AWS)于2026年11月17日宣布,其机器学习平台Amazon SageMaker AI新增的“AI数据准备”功能已正式可用(Generally Available)。该功能旨在帮助团队更高效地构建高质量的训练和评估数据集,直接应对生成式AI项目中数据整理往往成为最慢环节的挑战。

新能力包含五个核心模块:自动标注、人工审核、合成数据生成、数据质量评估和数据转换。在自动标注方面,系统使用多个模型组成“陪审团”对数据进行分类或实体识别,并将模型间的一致性作为置信度分数;低置信度的样本可自动进入Amazon SageMaker Studio的人工审核队列。合成数据生成功能允许用户基于规范文档和种子数据创建任务特定的示例,并生成可审查、可修改的代码化数据管道。数据质量评估则利用内置指标和大语言模型作为裁判(LLM-as-a-judge)来检测重复项、标签噪声和答案泄漏等问题。

这些功能可通过Python SDK API或在编码代理中使用AWS AI-ML技能进行调用,支持在JupyterLab、Kiro或本地IDE中工作。AWS强调,所有生成的数据和代码均保留在用户控制的Amazon S3存储桶中,且执行角色由用户的IAM权限管理,确保数据隐私和控制权。

思科旗下Splunk的工程总监Yash Sheth表示,该功能帮助其Agent Observability产品快速生成了统计上具有代表性的合成数据集,同时保留了模型依赖的基础模式,从而减少了数据科学家在数据整理上的时间。目前,该功能在美国东部(北弗吉尼亚)和美国西部(俄勒冈)区域正式可用。

信息源:Amazon Web Services

研究

AWS 团队自测:三种策略将 AgentCore 智能体大 JSON 负载的 token 消耗最多降低 71%

实质变化
2026-11-18 06:44

当生产智能体拥有几十个工具、每次调用都返回完整结构化数据时,上下文窗口会在几轮对话内被填满。AWS 工程团队在为航班运营平台 Flightscape 构建机组排班优化智能体时遇到了这个问题:40 多个工具、兆字节级 JSON 输入,平均请求延迟超过 15 秒,某些单次工具响应超过 80,000 token。每一次工具调用都把完整载荷注入模型上下文,多轮对话中压力不断叠加,成本上升而响应质量下降。

他们的第一个发现是:瓶颈首先出现在持久化层。原始设计中,优化请求 JSON、响应 JSON、验证报告等重载荷直接存入会话状态,每一轮对话都要序列化这些对象。团队将重载荷移至 Amazon S3,AgentCore memory 只持久化轻量引用(S3 键名)。引用通过内容寻址生成——对 JSON 做规范化序列化后取 SHA-256 摘要——使写入幂等:相同载荷映射到相同键,未变化的请求在下一轮直接复用已有对象,不重复上传。

解决持久化层之后,瓶颈转移到工具响应。即使会话状态已轻量化,工具返回的完整列表仍然逐字注入模型上下文。团队引入按需分页:当工具结果超过采样阈值时,完整列表存入 S3,模型只收到一个紧凑摘要(总条数、前几条样本、结果句柄)。需要更多细节时,模型调用分页工具按 offset 和 limit 取回所需切片。

但并非所有超大输出都是列表。有些工具返回深层嵌套的字典,包含大量标量值和嵌套结构,逐字保留代价太高,但完全丢弃又会让模型失去推理线索。团队为字典输出设计了描述符压缩:列表字段只保留类型、计数和前五条样本,嵌套字典只保留键数量,标量值在有用时内联保留。完整载荷仍存入 S3,模型通过句柄按需取回。

三种策略可组合:策略一在每轮开始和结束时运行,策略二和三在每次工具返回结果时运行。在 5 轮对话的基准测试中,团队报告总 token 用量从约 289,500 降至约 82,900(降幅约 71%),平均追踪延迟从 15.4 秒降至 3.1 秒(降幅近 80%)。在 100 个样本问题上,总 token 从 2360 万降至 850 万(64%),平均延迟从 7,930 毫秒降至 2,461 毫秒(69%)。最重的单次查询(列出所有验证类别的有效机组)输入 token 从约 32,000 降至约 8,000,延迟从约 165 秒降至 9.9 秒。

需要指出的是,以上数字均为 AWS/Flightscape 团队在特定工作负载上的自测结果:23 MB 的航班机组排班 JSON、40 多个工具、LangGraph 编排、Amazon Bedrock 模型推理。文章未公开基线配置的具体模型版本和推理参数,也未量化分页工具调用次数增加对端到端延迟的影响。对于工具数量更少、载荷形态不同或模型推理配置不同的智能体,实际收益需要各自验证。核心可迁移的认识是:大 JSON 负载的上下文压力不是一次性解决的,而是随着每层优化依次暴露新瓶颈,需要逐层叠加对应的压缩或卸载策略。

信息源:Amazon Web Services

研究

LoanPro 多智能体贷款服务助手:组合路由与 MCP 网关如何在受监管信贷场景中隔离工具访问

专题 · LoanPro快讯
2026-11-18 01:01

贷款服务代理在接听借款人电话时,需要在几十秒内从八个 API 端点综合约 1400 个账户字段——支付历史、贷款条款、未结工单、可用工作流动作——才能给出有意义的回应。LoanPro 与 AWS 生成式 AI 创新中心及合作伙伴 AllCloud 共同构建的多智能体助手,核心设计决策不是让一个大模型处理所有任务,而是用组合代理将请求路由到专职代理,再通过 MCP 网关隔离工具访问。

架构分为三层协作。组合代理接收请求并判断应交给哪个专职代理:一个负责数据检索与账户摘要,另一个负责行动选择与工作流推荐。专职代理通过 AgentCore Gateway 以 Model Context Protocol 调用 LoanPro 内部 API,网关在目录中查找工具、处理认证、管理连接。选择这种分离而非单体模型的理由是可评估性:每个专职代理可以独立测试、调优和扩展,不必因为修改一个功能而重新部署整个系统。

安全边界是受监管场景的关键约束。AgentCore Gateway 将 LoanPro 的 API 隔离在托管边界之后,Lambda 函数验证调用者签名与单点登录服务的一致性,角色权限控制在每次请求时校验,所有 AI 操作写入审计日志并归属到具名责任人。团队选择网关加 Lambda 而非直接集成,基于三个理由:认证集中到托管入口、内部 API 被隔离在托管边界后、新工具加入无需重新部署代理。

评估流程方面,团队用 150 个由领域专家标注的账户建立基准,衡量代理在数据检索、摘要生成和行动选择上的表现,设定 99% 准确率目标并达标。这套框架延续到生产环境作为持续衡量手段。

厂商报告的结果包括:在早期合作伙伴的 800 余名服务代理中,代理此前每次通话有 18%–20%(1–2.5 分钟、5–7 次点击)用于账户定位,助手将其压缩为一次点击;账户摘要在 15 秒内生成,此前需要 3–5 分钟手动导航;内部工单量下降近 8%。这些数据来自 AllCloud 案例研究和 LoanPro 内部基准,未经独立验证。

该架构的适用条件是:内部 API 已存在且可被工具化、合规要求需要审计追踪和权限隔离、多个专职任务需要独立演进。它不解决模型能力本身的问题——如果底层模型无法准确综合 1400 个字段,路由和网关不会改变这一点。

信息源:Amazon Web Services

研究

微软发布自研AI编程模型,称性能达Claude Opus 5.5的96%且成本仅为其5%

专题 · MAI Code 2实质变化
2026-11-18 06:42

在2026年11月17日举行的Ignite大会上,微软宣布推出两款新的前沿AI编程模型:MAI Code 2和MAI Code 2 Flash。据ZDNET报道,微软声称MAI Code 2在“日常”编程任务中表现出与Anthropic的Claude Opus 5.5相当的性能,具体而言,其性能达到Opus 5.5的96%,而API使用成本仅为后者的5%。另一款模型MAI Code 2 Flash则被描述为在较低端市场(如GPT-6 Luna和Claude Haiku 5.5)具有竞争力,同样主打低成本。

这一举措标志着微软在AI基础设施战略上的重要转变。长期以来,微软通过巨额投资深度绑定OpenAI,并在Copilot等产品线中广泛集成外部前沿模型。然而,随着自研模型能力的提升,微软开始将内部构建的模型作为GitHub Copilot、Microsoft 365和Fabric等产品的可选方案。如果这些性能声明属实,微软可能每年节省数亿美元的API费用,从而显著降低对OpenAI和Anthropic等外部供应商的依赖。

值得注意的是,所有基准测试数据均由微软自行发布,尚未经过独立第三方验证。微软强调,这些新模型并非为处理最复杂的代理式工作或研究级挑战而设计,而是针对大量基础且常规的AI请求进行了优化。此外,报道中提到的成本节约基于假设性的每日百万美元推理支出场景,实际节省金额取决于微软内部各产品线对新模型的采用程度及具体的工作负载分布。

信息源:ZDNET

研究

Netflix与德国演员工会达成新薪酬协议,提高配音演员分成并缴纳养老金,但AI训练争议未解

快讯
2026-11-17 23:59

据heise online报道,流媒体巨头Netflix与德国演员工会Bundesverband Schauspiel(BFFS)达成新的共同薪酬规则。根据该协议,自2027年1月1日起,参与Netflix成功作品的德国配音演员将获得更高的后续分成(Folgevergütung)。此外,Netflix将首次为德语配音制作承担Pensionskasse Rundfunk(广播养老金基金)的雇主缴费部分。Netflix称自己是首家以这种方式支持配音演员养老保障的流媒体服务商。

虽然官方公告未披露具体金额,但据行业媒体DWDL报道,年度分成总额将从47.5万欧元增加至75万欧元。其中82.5%分配给剧集,其余分配给电影。这笔资金将分配给每年最成功的15部剧集和15部电影。对于最成功的剧集,相关配音演员可分享约7.1万欧元。

然而,这一新协议并未触及自年初以来分裂德国配音行业的核心争议:人工智能训练权。BFFS和Netflix仅重申了2025年达成的保护规则,即数字克隆和合成声音的使用必须获得配音演员的单独明确同意。但对于Netflix在其“权利转让”(AOR)协议中要求配音演员授予广泛的声音使用权(包括用于AI训练)这一条款,新公告未作说明。

据德国配音演员协会(VDS)称,拒绝签署AOR协议的配音演员将继续不被委托工作。因此,此次加薪主要惠及那些已经接受Netflix条款的演员,而坚持反对AI训练权的演员则无法从中受益。目前,VDS已向德国联邦卡特尔局投诉Netflix,同时多名演员向柏林数据保护专员提起隐私投诉,配音演员Matti Klemm也计划对Netflix提起诉讼。

信息源:heise online

研究
下一页 →
登录 / 注册
阅读研究雷达投资体系