
个人情况更新: 我没有加入 @AnthropicAI 而是选择加入了 @lobehub 担任MAS&Head of growth 原因是 @arvin17x 他们团队对于Agent的前沿探索打动了我,同时Lobehub也是为数不多我见过有自有Benchmark的应用团队(Eval is everting.) 我看到了下一代Agent的样子,以及更远的未来(持续学习、自进化、以及True Agent)。 既然看到了未来,为什么不加入呢?

Building @lobehub Prev @listenhub @Sapient_Int 没啥好看的,也就发点AI相关的内容🫡 同名小红书4万粉丝,公众号01Founder(长文首发) 观点仅代表个人 更多请访问网站⬇️(欢迎商务、合作

个人情况更新: 我没有加入 @AnthropicAI 而是选择加入了 @lobehub 担任MAS&Head of growth 原因是 @arvin17x 他们团队对于Agent的前沿探索打动了我,同时Lobehub也是为数不多我见过有自有Benchmark的应用团队(Eval is everting.) 我看到了下一代Agent的样子,以及更远的未来(持续学习、自进化、以及True Agent)。 既然看到了未来,为什么不加入呢?

所有人都应该看看这个: Hugging Face 联合创始人 Thomas Wolf、xAI 联合创始人 Igor Babuschkin、MIRI 主席 Nate Soares,以及 Extropic 创始人 Beff Jezos 已签署一份声明: 警告 Anthropic 并非一家安全的 AI 公司。
SITUATION DETECTED: Hugging Face co-founder Thomas Wolf, xAI co-founder Igor Babuschkin, MIRI President Nate Soares, and Extropic founder Beff Jezos have signed a statement warning that Anthropic is not a safe AI company.

我超威,你们推荐东西倒是给我推荐好了呀! 你居然给来深圳外国友人推荐豆包??? 你是想让人家觉得中国模型都是笨蛋吗??? 你起码推荐@WorkBuddy_AI 呀!!! 先不说人WorkBuddy里面现在就有目前最强的Agentic模型:hy4-Flash 而且里面还有传统可靠的DeepSeek V4.1-Flash 啊!!! 中国这么多能打的模型,随便挑一个不行吗??? 非得推荐个豆包??? 哎,我真服了都
致外国来参会的朋友: 请不要打开你们的Claude ,避免账号被封。 在Apple Store 里下载⏬这个应用,去体验超级AI。

原始PR:github.com/shd101wyy/Yo/pull… 更多线索:github.com/shd101wyy/Yo/pull…

卧槽??GLM-5.5好像提前偷跑了??? 刚刚看到有群友在GitHub上发现一个很有意思的PR,作者在LLM attribution里明确写了,这个PR是由GLM-5.5驱动的Agent完成的。 更有意思的是,有网友跑去问作者GLM-5.5是不是真的。 作者回复说,他原本用的是Claude,结果额度用完了,就切换到了ZCode的GLM-5.3,没想到Git提交记录和PR描述里居然出现了GLM-5.5 😂 我又顺着翻了一下,发现另一个PR #1997更离谱。 15次Git提交里,有13次都署名了GLM-5.5,甚至还有Co-Authored-By: GLM-5.5 <noreply@z.ai>。 智谱这是又准备发新模型了???




呵呵,你确定真的是100%澳大利亚🇦🇺自研模型么? 那为什么我在lm.ikale.io/进行了连续三次的模型指纹检测,结果居然是在72个已知模型中,每次都能检测到95%的 @deepseek_ai 的 deepseek-v4-flash-0731的痕迹呢? 请注意,第二吻合的模型指纹是deepseek-v4-flash。 如果真的是100%澳大利亚🇦🇺自研模型,那么它的吻合概率应该是:0% 请 @MGately_au 解释一下:)
Fair question @deesha_tech. Agentaus 1 is our own proprietary model, not a router and not a fine-tune of a Chinese model. Those credits were from an older plan. It's Agentaus 1 only now, running in Australia.


最后还有一件事必须提醒:这份报告测出来的是推理性能,训练完全是另一回事。 按照PPT中这96GB 950DT的规格,FP16单卡算力为 425 TFLOPS。 作为对比,H200 SXM的非稀疏FP16理论算力约为990 TFLOPS。 950DT大约只有H200的43%。 而且大规模训练还要考虑通信效率、精度、显存容量、软件生态以及长时间运行的稳定性(昇腾的生态dddd....)。 这点尤其重要,因为DeepSeek和华为正在推进昇腾预训练的合作。 最后,这份PPT最大的价值,是让我们第一次能比较详细地看到,950DT在这些具体大模型上的推理表现,以及部署一套国产算力到底要花多少钱、能产出多少Token。 如果这些数据能够得到进一步验证,950DT 推理能力和经济性,确实已经相当有竞争力了。 至于训练端能不能追上H200,以及能不能支撑DeepSeek 下一代模型的大规模预训练,让我们继续看 @deepseek_ai 未来的效果吧 但至少在推理这件事上,950DT已经交出了一份很值得关注的成绩单。

我又想了一下,如果拿来部署 @Kimi_Moonshot Kimi K3 呢? Kimi K3目前国内API官方定价是每百万输入Token 20 元、输出Token 100 元。 假设同样按官网五折销售,采用7K输入 / 2K输出、没有缓存命中的业务比例,综合收入约为每百万Token18.9元。 以64卡超节点计算,按照PPT的资源使用时间和利用率假设,每月只需要销售约357亿 Token,就能达到约67.4万元的裸金属租金收入目标。 折算下来,平均每卡需要约462 tokens/s的总吞吐。 考虑到K3是一个2.8T参数的大模型,显然不能直接套用 GLM的吞吐成绩,8卡单机也放不下完整的低比特量化权重。 我简单做了个敏感性测算: 假设K3在64卡集群上的单位卡吞吐只能达到GLM 5.2 的20%,按上述价格销售,硬件投入现金回本大约需要 34 个月。 如果只有GLM 的10%,回本周期就会拉长到77个月。

然后就是我觉得最有意思的部分:采购950DT自己部署模型,到底能不能赚钱? 报告专门测算GLM 5.2和DeepSeek V4 Pro的Token收入,假设对外销售价格是官网API价格的五折。 报告的结论是: GLM 5.2每台服务器月产能325.7亿 Token,收入约10.07 万元,可以盈利。 DeepSeek V4 Pro每台月产能356.45亿Token,收入却只有5.61万元,连成本都覆盖不了(没事,新Pro马上来了)。 但我重新检查了一下,发现这里有个问题。 报告明明写着每月按 26 个工作日计算,结果最终产能却按 30 天算了。 如果进一步按设备五年维保采购成本、配套投入,以及每月 IDC 和人员开支粗算现金回本周期: GLM 5.2 大约需要 43 个月,DeepSeek V4 Pro 则需要约 86 个月。 当然,这还没有考虑融资成本、税费差异和额外运营风险。

但更有意思的是价格。 按照报告里的集采价测算,一台8卡服务器,950DT约297 万元,910C约215万元,910B4则只有65万元。 如果把设备、维保、配套设施、IDC 等成本全部计入,按照五年分摊: 950DT 每月约6.36万元,910C约 4.87 万元,910B4约 1.61万元。 最终计算下来,950DT的单位成本推理性能约为910C的 3.1倍、910B4的2.9倍。 而950DT的裸金属租金估算为每台每月8.43万元,H200约13万元。 按照报告里的推算,950DT的推理性价比甚至比H200 高出约30%。

先说性能。 在GLM 5.2、16K 输入 / 2K输出的测试场景下,三代昇腾芯片的单卡总吞吐分别是: 910B4:169 tokens/s 910C:483 tokens/s 950DT:1951 tokens/s 也就是说,950DT 的推理吞吐已经达到 910C 的 4 倍、910B4 的 11.5 倍。 同时,报告引用vLLM的数据,估算H200在相应场景下约为2200tokens/s。 按照这个口径,950DT性能已经达到H200 的约89%。如果采用另一组7K/2K数据,大约是82%。 报告最终给出的结论是:950DT的推理性能达到了H200 的86%。

🚨华为昇腾950DT性能首次曝光,已经达到 H200 的 80%。 昨天晚上,我的各个AI、算力群里突然开始流传一份 PPT。 标题叫《昇腾950DT性能测试与经营效益测算汇报》,看起来是中国移动内部的一份测试材料,日期是今年10月。 按照PPT里的说法,10月10日,中国移动的几个部门组成联合团队,去了华为练秋湖研发中心,用64卡950DT超节点,实测了GLM 5.2和DeepSeek V4 Pro两个模型的实际效果,最后形成了这份汇报PPT。 至于这份材料为什么会流出来,我也不清楚。 不过里面的数据我仔细看了一下,确实挺有意思的。