https://t.me/AI_News_CN
📈主流AI服务状态页通知 | 🆕汇集全网ChatGPT/AI新闻 #AI #ChatGPT
🔙备用群 https://t.me/gpt345
✨BEST AI中转 https://api.oaibest.com 2.8折起 支持OpenAI, Claude code, Gemini,Grok, Deepseek, Midjourney, 文件上传分析
Buy ads: https://telega.io/c/AI_News_CN
📈主流AI服务状态页通知 | 🆕汇集全网ChatGPT/AI新闻 #AI #ChatGPT
🔙备用群 https://t.me/gpt345
✨BEST AI中转 https://api.oaibest.com 2.8折起 支持OpenAI, Claude code, Gemini,Grok, Deepseek, Midjourney, 文件上传分析
Buy ads: https://telega.io/c/AI_News_CN
据彭博社报道，中国已阻止瑞士工业集团ABB将其机器人业务部门出售给日本软银集团，这对软银拓展物理AI领域的计划造成打击。
孙正义
ABB在一份电邮声明中表示，中国发改委外商投资安全审查工作机制办公室已阻止了这笔价值54亿美元的交易。此前，外界普遍预计，这笔收购将在软银等待OpenAI公开上市带来提振之际，提升其收入和利润。
软银创始人孙正义(Masayoshi Son)原本将这笔交易视为其扩大在AI基础设施建设领域影响力的重要组成部分。该公司原计划收购的ABB机器人业务拥有7000多名员工，为宝马等汽车制造商提供机械臂和工业设备，并在中国拥有广泛的业务布局。
软银股价周四在东京下跌大约7%。软银发言人不予置评。
via cnBeta.COM - 中文业界资讯站 (author: 稿源：凤凰网科技)
砍额度不砍战略：苹果把内部 AI 开支拧进"紧箍咒"
据多家媒体援引知情人士，苹果已开始收紧内部 AI 工具的使用成本。最直接的变化落在工程师身上：今年 10 月，部分工程团队的每日 AI 额度已从 300 美元降到 200 美元，公司还在研究进一步压缩，未来某些工程团队可能只剩每天 100 美元。相比之下，不少非工程团队此前就已执行 100 美元上限，而内部曾讨论把部分团队压到每天 25 美元。对于确实离不开高配额的岗位，员工仍可向高管申请额外额度。
被砍的是浪费，不是战略
这些预算主要用来支付 Claude、ChatGPT、Gemini 等生成式模型的 Token 消耗——工程师因大量借助 AI 编程，向来拿着最高档额度。过去一年，硅谷流行的"Token Maxxing"风气让用量水涨船高，甚至有人攀比谁用得多。为刹住势头，苹果鼓励团队改投更便宜的模型，或优先跑本地设备上的 AI 方案。Token 作为主流 AI 服务的计费单位，用量越大账单越厚，这正是苹果要拧阀门的地方。但值得注意的是，公司整体研发开支在 2026 财年仍在同比大增，AI 与基础设施正是主要推手，说明战略并未减速，只是在给使用纪律上弦。
行业进入算账时刻
这种从"敢花"到"算账"的转向并非苹果孤例，过去一年行业经历大规模扩张，如今开始追问这些开支换回多少生产力。内部态度出现分化：有人认为 300 美元本就宽松、实际很少触顶，新规影响有限；也有人把它看作更广泛节流的前奏，加上部分业务部门引入外部顾问评估效率，关于重组的猜测悄然升温，不过目前并无证据显示苹果已定裁员方案。在经历早期狂飙后，企业正把目光从"用得多不多"转向"值不值"——如何压住运行成本，成了整个行业共同的新课题。
via AI新闻资讯 (author: AI Base)
据多家媒体援引知情人士，苹果已开始收紧内部 AI 工具的使用成本。最直接的变化落在工程师身上：今年 10 月，部分工程团队的每日 AI 额度已从 300 美元降到 200 美元，公司还在研究进一步压缩，未来某些工程团队可能只剩每天 100 美元。相比之下，不少非工程团队此前就已执行 100 美元上限，而内部曾讨论把部分团队压到每天 25 美元。对于确实离不开高配额的岗位，员工仍可向高管申请额外额度。
被砍的是浪费，不是战略
这些预算主要用来支付 Claude、ChatGPT、Gemini 等生成式模型的 Token 消耗——工程师因大量借助 AI 编程，向来拿着最高档额度。过去一年，硅谷流行的"Token Maxxing"风气让用量水涨船高，甚至有人攀比谁用得多。为刹住势头，苹果鼓励团队改投更便宜的模型，或优先跑本地设备上的 AI 方案。Token 作为主流 AI 服务的计费单位，用量越大账单越厚，这正是苹果要拧阀门的地方。但值得注意的是，公司整体研发开支在 2026 财年仍在同比大增，AI 与基础设施正是主要推手，说明战略并未减速，只是在给使用纪律上弦。
行业进入算账时刻
这种从"敢花"到"算账"的转向并非苹果孤例，过去一年行业经历大规模扩张，如今开始追问这些开支换回多少生产力。内部态度出现分化：有人认为 300 美元本就宽松、实际很少触顶，新规影响有限；也有人把它看作更广泛节流的前奏，加上部分业务部门引入外部顾问评估效率，关于重组的猜测悄然升温，不过目前并无证据显示苹果已定裁员方案。在经历早期狂飙后，企业正把目光从"用得多不多"转向"值不值"——如何压住运行成本，成了整个行业共同的新课题。
via AI新闻资讯 (author: AI Base)
LiteLLM 新增对 TogetherAI、Fireworks 和 Baseten 上 Kimi K3.1 Pro 的用量追踪
LiteLLM AI 网关现已支持跨 TogetherAI、FireworksAI 和 Baseten 追踪 Kimi K3.1 Pro 的支出，同时合并了多项计费修复，涉及 Bedrock GovCloud 费率、自定义定价倍率、批量缓存 token 和视频提供商计费。
内容详情 · 原文链接
via AI情报局 | 全球 AI 动态简报 - Telegram Channel
LiteLLM AI 网关现已支持跨 TogetherAI、FireworksAI 和 Baseten 追踪 Kimi K3.1 Pro 的支出，同时合并了多项计费修复，涉及 Bedrock GovCloud 费率、自定义定价倍率、批量缓存 token 和视频提供商计费。
内容详情 · 原文链接
via AI情报局 | 全球 AI 动态简报 - Telegram Channel
Kimi K3.1 Pro 获 AMD Instinct MI355X 首日支持
AMD 宣布为 Kimi K3.1 Pro 在 Instinct MI355X GPU 上提供首日支持，该模型拥有 2.8T 参数、1M 上下文并开放权重，可在 8 块 MI355X 上通过 ATOM 和 vLLM 运行，同时发布了部署配方、内核与基准测试。
内容详情 · 原文链接
via AI情报局 | 全球 AI 动态简报 - Telegram Channel
AMD 宣布为 Kimi K3.1 Pro 在 Instinct MI355X GPU 上提供首日支持，该模型拥有 2.8T 参数、1M 上下文并开放权重，可在 8 块 MI355X 上通过 ATOM 和 vLLM 运行，同时发布了部署配方、内核与基准测试。
内容详情 · 原文链接
via AI情报局 | 全球 AI 动态简报 - Telegram Channel
大模型实时交互遭遇滑铁卢！英伟达等机构抛出 Realtime-Bench：最强 GPT-6-Astra 成功率仅 44%
人工智能大模型在文本创作、代码编写和图像生成等静态任务上已经展现出惊人的实力，但在瞬息万变的实时交互场景中，它们的真实表现究竟如何?近日，英伟达携手得克萨斯大学奥斯汀分校（UT-Austin）等顶尖机构正式发布了全新的实时交互任务基准——Realtime-Bench。该基准的诞生，旨在为评估人工智能在动态环境下的综合表现提供一把精准的量尺。
核心测试机制:全面考察三大动态能力与时钟协议
为了全方位检验大模型在真实实时场景中的应对水平，Realtime-Bench精心设计了包含50个涵盖八类场景的丰富任务。在测试过程中，该基准核心考察模型的实时感知、时间自适应推理以及行动时机把握这三类关键能力。
同时，为了科学区分不同因素对模型表现的具体影响，研究人员在测试中设置了三种不同的环境推进时钟协议。这种严谨的测试架构，能够有效剥离外部干扰，直击大模型在动态处理上的性能底座。
测评结果出炉:多数模型陷入低延迟与推理能力的双重困境
研究人员利用该基准对全球12款前沿大模型进行了深度测试，测试结果暴露出当前主流 AI 在实时任务上的明显短板。
数据显示，在按照真实推理耗时推进环境的严苛场景下，表现最优的GPT-6-Astra任务成功率也仅为44%。而在高推理强度下，模型实现三次全成功的概率甚至仅有36%。这表明，绝大多数前沿大模型在面对复杂的实时交互时，依然难以在极低延迟与深度推理能力之间找到完美的平衡点。
深度实验洞察:盲目提升推理强度无法解决根本难题
除了整体成功率偏低外，该项研究还通过进一步的实验揭示了几个关键的行业洞察:
推理强度与成功率并非线性正相关: 在实时任务中盲目提升模型的推理强度，未必能够有效提高任务的成功率。
思考深度与行动时机的博弈: 模型在实际运行中，必须在深思熟虑的思考深度和转瞬即逝的行动时机之间做好精确权衡。
单纯缩短延迟的局限性: 实验结果清晰地表明，单纯依靠缩短推理延迟，根本无法彻底解决现实中面临的全部实时交互难题。
Realtime-Bench的推出，不仅为业界评估大模型的动态交互水平提供了一个标杆性工具，也向全球人工智能研发人员敲响了警钟:如何突破实时感知的瓶颈，将成为下一代大模型迈向通用人工智能（AGI）的关键突围方向。
via AI新闻资讯 (author: AI Base)
人工智能大模型在文本创作、代码编写和图像生成等静态任务上已经展现出惊人的实力，但在瞬息万变的实时交互场景中，它们的真实表现究竟如何?近日，英伟达携手得克萨斯大学奥斯汀分校（UT-Austin）等顶尖机构正式发布了全新的实时交互任务基准——Realtime-Bench。该基准的诞生，旨在为评估人工智能在动态环境下的综合表现提供一把精准的量尺。
核心测试机制:全面考察三大动态能力与时钟协议
为了全方位检验大模型在真实实时场景中的应对水平，Realtime-Bench精心设计了包含50个涵盖八类场景的丰富任务。在测试过程中，该基准核心考察模型的实时感知、时间自适应推理以及行动时机把握这三类关键能力。
同时，为了科学区分不同因素对模型表现的具体影响，研究人员在测试中设置了三种不同的环境推进时钟协议。这种严谨的测试架构，能够有效剥离外部干扰，直击大模型在动态处理上的性能底座。
测评结果出炉:多数模型陷入低延迟与推理能力的双重困境
研究人员利用该基准对全球12款前沿大模型进行了深度测试，测试结果暴露出当前主流 AI 在实时任务上的明显短板。
数据显示，在按照真实推理耗时推进环境的严苛场景下，表现最优的GPT-6-Astra任务成功率也仅为44%。而在高推理强度下，模型实现三次全成功的概率甚至仅有36%。这表明，绝大多数前沿大模型在面对复杂的实时交互时，依然难以在极低延迟与深度推理能力之间找到完美的平衡点。
深度实验洞察:盲目提升推理强度无法解决根本难题
除了整体成功率偏低外，该项研究还通过进一步的实验揭示了几个关键的行业洞察:
推理强度与成功率并非线性正相关: 在实时任务中盲目提升模型的推理强度，未必能够有效提高任务的成功率。
思考深度与行动时机的博弈: 模型在实际运行中，必须在深思熟虑的思考深度和转瞬即逝的行动时机之间做好精确权衡。
单纯缩短延迟的局限性: 实验结果清晰地表明，单纯依靠缩短推理延迟，根本无法彻底解决现实中面临的全部实时交互难题。
Realtime-Bench的推出，不仅为业界评估大模型的动态交互水平提供了一个标杆性工具，也向全球人工智能研发人员敲响了警钟:如何突破实时感知的瓶颈，将成为下一代大模型迈向通用人工智能（AGI）的关键突围方向。
via AI新闻资讯 (author: AI Base)
