AI MirrorPowered by DeepSeek V4 Flash

AI 速递 | 2026年11月05日

A
AI Mirror 整理发布
· · 1 min read

AI资讯 | 2026年11月05日

今天的主线很清楚:开源权重继续蚕食闭源的地盘,而硬件锁定和隐私这两个老问题又被重新摆上台面——一边是能力在涨,一边是信任成本在涨。

1. Kimi K3.1 Pro 权重直接放出

📌 发生了什么:月之暗面把 Kimi K3.1 Pro 的模型权重上传到了 Hugging Face,任何人都能下载、自己部署,不用走 API 按 token 付费。

📊 市场影响:开源权重和闭源 API 的能力差距还在缩小。受益的是有数据合规要求的企业、做私有化部署的云厂商和推理芯片厂商;压力最大的是那些靠“模型比你好一点”收溢价的中小闭源 API 服务商。中国团队用开源换生态影响力这套打法,会继续把推理价格往下压。

🔬 技术看点:权重公开意味着可以微调、量化、蒸馏,社区很快会跑出各种本地版本和垂直特化版。对开发者来说,评估重点应该从榜单分数转向三件事:许可证是否允许商用、微调成本多少、长上下文和工具调用的稳定性如何。许可证那几行字,比跑分更该先看。

来源


2. Ripple-65B:美国团队补位开源 Agentic Coding

📌 发生了什么:Ricursive 发布 Ripple-65B 预览版,主打智能体编程能力,自称是美国开源权重模型里的 SOTA。

📊 市场影响:开源权重这条线上,此前风头多由中国团队占着,现在美国这边开始补位。对做 coding agent 的创业公司是实打实的利好——可自托管、成本可控、能按自己代码库微调。对闭源编程助手则是直接压力,因为企业最敏感的那部分代码,本来就不太愿意往外送。

🔬 技术看点:65B 这个尺寸是“几张卡能跑起来”的甜点区,说明智能体编程的能力不一定非要靠千亿参数硬堆。真正要验证的不是补全准确率,而是多轮工具调用会不会跑偏、长任务失败后能不能自己恢复、以及在真实仓库里改一行会不会连带改坏三处。

来源


3. 英伟达 RTX Spark 加密固件把 Linux 推理速度压到 35%

📌 发生了什么:有开发者实测发现,RTX Spark 笔记本上的加密固件会让 Linux 下的推理速度掉到正常水平的三成多——同一块硬件,换个操作系统就慢一大截。

📊 市场影响:消费级显卡是很多人跑本地模型的第一块算力。这种系统绑定会把人往 Windows 推,也会给 AMD、Intel 和苹果统一内存方案送机会。更长远的影响在监管侧:硬件锁定行为本来就容易引起关注,这次是撞在了“AI 算力民主化”的叙事上。

🔬 技术看点:加密固件加闭源驱动,让“你买的硬件不完全归你”从一句口号变成了可测量的性能损失。做本地推理的团队应该把“跨平台性能一致性”写进选型清单,别只看纸面 TOPS。另一个提醒是:推理栈的优化空间有很大一块在驱动和固件层,不在模型层,这部分你改不了。

来源


4. Gemini 拿聊天记录训练模型,订阅用户也不例外

📌 发生了什么:有用户指出,Gemini 会用对话历史训练模型,付费订阅的个人账号同样如此。

📊 市场影响:企业采购会更谨慎,把“数据不进训练集”写进合同条款变成标配要求。受益方是本地模型、企业私有部署和主打隐私的替代产品。对谷歌来说,短期模型效果有提升,长期消耗的是信任——而信任恰恰是订阅制最贵的成本。

🔬 技术看点:API 条款和消费级产品条款往往是两套东西,做产品的人要分清楚自己踩在哪一套上。“默认不记录、可一键关闭”应该从设计第一天就是起点,而不是事后补的合规章节。个人用户层面,敏感实验用独立账号、定期清历史,成本很低。

来源


5. OpenAI 宣布收购 Pierre Computer Company

📌 发生了什么:OpenAI 公告将收购 Pierre Computer Company,官方披露篇幅不长,具体整合方式还没公开。

📊 市场影响:方向很清楚——模型公司正在从“卖 API”转向“拥有工作流和终端”。被收购方所在赛道会被迅速加热,同类创业公司的估值和退出预期跟着抬升;同时一批独立工具厂商要开始担心,自己和模型公司的关系从合作变成竞争。

🔬 技术看点:模型公司亲自下场做应用层,意味着纯套壳的空间越来越小,壁垒转向数据闭环、分发渠道和垂直流程。开发者做选型时值得多问一句:这个能力明年会不会被模型厂商内置?如果答案是“很可能”,就别在这儿挖护城河。

来源


6. Anthropic 公布大模型“可证明推理”进展

📌 发生了什么:Anthropic 发布研究进展,目标是让大模型的推理过程可以被数学上验证,而不只是“看起来有道理”。

📊 市场影响:金融、医疗、法律这些“错了要赔钱”的行业,一直是 LLM 落地最慢的地方。可验证性一旦能工程化,这些市场的采购门槛会明显下降;做 AI 审计、合规、评测的第三方服务会跟着受益。反过来,只会喊“我们模型很准”的厂商会越来越难卖。

🔬 技术看点:这是从“靠 RLHF 调脾气”转向“靠形式化保证”的路子。短期内别指望整个模型可证明,更现实的做法是在关键子步骤上做局部验证——算术、引用溯源、权限判断。对开发者的启示是:把可验证的输出和不可验证的输出在设计上分开,前者交给规则和工具,后者才交给模型。

来源


7. 高通发布 Cloud AI 100 Ultra 推理卡

📌 发生了什么:高通推出面向数据中心的 Cloud AI 100 Ultra,150W 功耗、128GB 显存、548GB/s 带宽。

📊 市场影响:英伟达在推理侧的高毛利正在被多点围攻。高通的卖点是能效比和不被 CUDA 完全锁死,受益的是大规模推理服务商和边缘、私有部署场景。难点也很明确:软件栈。客户迁移成本高,硬件参数好看不等于能卖出去。

🔬 技术看点:128GB 显存配 548GB/s 带宽,明显是冲着“单卡放下大模型”去的,强调带宽而非算力,符合推理负载的特征——解码阶段主要吃带宽。真正的胜负手是编译器、算子库和主流框架的支持程度。对开发者来说,多硬件后端的抽象层价值在上升,别把业务焊死在一个生态上。

来源


8. “现在什么都是 AI 骗局”

📌 发生了什么:一篇博客吐槽当下的 AI 营销泛滥:什么产品都要挂个 AI 标签,真正的能力反而被噪音淹没,用户开始分不清哪些是真东西。

📊 市场影响:这是典型的炒作后期信号。资本还在进,但用户已经疲劳,采购决策从“有没有 AI”转向“有没有用”。靠概念融资的公司会碰到更严的尽调;反过来,能说清楚具体省了多少时间的产品,更容易被看见。

🔬 技术看点:对工程师来说,“AI 工程师”这个头衔在贬值,“能用 AI 解决具体业务问题”在升值。写产品说明时少讲模型多大、参数多少,多讲省了几步操作、出错时怎么兜底——这轮泡沫退去后,留下来的多半是后者。

来源


资讯由 AI 整理,仅供参考