OpenAI 立即停止微调 API。现有用户可访问至 2027 年 1 月 6 日

Sakana AI 和 Nvidia 通过跳过 80% 的无效计算，实现 30% 更快的 H100 推理

Sakana AI 和 Nvidia 已开源 TwELL，这是一种稀疏数据格式，可让 H100 GPU 在大型语言模型中跳过 80% 的无效计算，同时不牺牲准确性。该解决方案在 H100 上可实现最高 30% 更快的推理和 24% 更快的训练，并降低峰值内存使用。在对一个 1.5 十亿参数的模型进行测试时，通过训练期间的轻量级正则化，该方法将活跃神经元降至低于 2%，且在七个下游任务中没有出现性能下降。

微软开源 Phi-Ground 4B 模型，在屏幕点击准确率方面优于 OpenAI Operator 和 Claude

据 Beating 称，微软最近开源了 Phi-Ground 模型家族，旨在解决“AI 应该在计算机屏幕上点击哪里”的问题。该 40 亿参数版本，并结合用于指令规划的更大语言模型，在 Showdown 基准测试中超过了 OpenAI Operator 和 Claude Computer Use 的点击准确率，并在包括 ScreenSpot-Pro 在内的五项评估中位列所有 100 亿以下参数模型的第一名。 团队在超过 4000 万个数据样本上进行了训练，并发现学术论文中使用的三种常见训练技术在规模化时变得无效。关键思路证明很简单：以常规数字输出坐标，例如“523, 417.” 先前的研究为坐标发明了专门的位置词汇，但这些方法无法规模化。团队还发现，将文本指令放在图像之前可以提升性能，因为模型在处理像素时能够识别目标。此外，诸如 DPO 之类的强化学习方法在微调之后仍能提高准确率。

Tilde Research 发现 Muon 优化器会杀死 25% 的神经元；Aurora Alternative 实现 100 倍的数据效率提升

据 Tilde Research 称，领先 AI 模型所采用的 Muon 优化器（包括 DeepSeek V4 和 Kimi K2.5）存在隐藏缺陷：它会导致在早期训练期间，MLP 层的神经元中有超过 25% 会永久死亡。团队设计了 Aurora 作为替代优化器，并将其开源。一个仅用 100B tokens 训练的 11 亿参数模型，在 HellaSwag 和 Winogrande 等语言理解基准上，其表现与在 36T tokens 上训练的 Qwen3-1.7B 相当，展现了约 100 倍的数据效率提升。与 Muon 相比，Aurora 的计算开销增加 6%，并可作为直接替代。

英伟达在 2026 年初承诺投入超过 400 亿美元用于 AI 投资，其中包括 300 亿美元给 OpenAI

据 TechCrunch 报道，英伟达在 2026 年前几个月承诺向 AI 公司进行的股权投资超过 400 亿美元，其中对 OpenAI 的投资 300 亿美元是单笔最大承诺。该芯片制造商还承诺向玻璃制造商康宁（Corning）最高投资 32 亿美元，并向数据中心运营商 IREN 投资最高 21 亿美元，其中包括一份为期五年的认股权证，以及一份用于托管 GPU 云服务的单独合同，合同金额为 34 亿美元，所使用的是英伟达 Blackwell 系统。根据 FactSet 数据，英伟达今年宣布了对上市公司的 7 笔多十亿美元投资，同时还参与了约两打（约二十多笔）面向私营初创企业的融资轮次。

英伟达开放AI长期合作伙伴 Deepinfra 获 1.07 亿美元 B 轮融资，建立「代币工厂」

人工智慧新創 DeepInfra 宣佈完成 1.07 亿美元 B 輪融资，由 500 Global 与 Google 早期工程師 Georges Harik 领投，輝达 (NVIDIA)、Samsung Next 及 Supermicro 等策略投资者跟投。據官方消息透露，本次注资將用於擴展全球资料中心容量，解決当前人工智慧应用从「模型訓練」转向「大規模推理」时所面臨的运算成本以及效率瓶頸。 AI 推理需求激增成为企业部署关鍵瓶頸 人工智慧邁向商业化，企业的工作负載重心已发生顯著位移。DeepInfra 觀測到自 A 輪融资以来其平台處理的 Token 量增长达 25 倍，顯示出 Inference (推理) 已成为驅动企业人工智慧负載的主力，当前开源模型效能已能与專有系统媲美，大幅降低創新门檻，然而随之而来的自主智慧體（Agentic Systems）应用，單一任務可能需觸发上百次模型，由於傳统通用型雲端平台非依據推理需求所设计，導致企业面臨營运成本过高与延遲不可控等挑戰，使推理成为工作负載的系统约束。 垂直整合堆疊優化代币经濟效能 DeepInfra 採取垂直整合策略，主張高效能推