Open-Source AI

主要新闻

1. 1

   AT&T减少Anthropic支出，转向开源AI模型

   发生了什么：AT&T正在部署开源AI模型，以降低对Anthropic商业服务的依赖，进而减少在该公司产品上的支出。 为什么重要：企业客户越来越多地探索相比高端AI供应商更省成本的替代方案，表明各组织可以通过混合使用商业和免费模型来控制开支——这一转变可能会给AI供应商带来压力，促使其为高端定价辩护。

   值得关注：AT&T选择的具体模型以及这一策略在多大程度上减少了Anthropic支出，将表明企业是否将开源方案视为商业AI服务的真正替代品。

2. 2

   AI革命转向解决现实问题，就业担忧缓解

   发生了什么：过去一年美国软件工作岗位增加，2026年7月计算机和数学职业从业人员的12个月移动平均值创历史新高。2026年7月20至24岁青年失业率降至7.1%，低于2025年平均的8.3%。与此同时，关注焦点已从失业转向AI主权问题——人们担心随着开源权重模型（许多来自中国）缩小与闭源前沿模型的差距，企业将容易遭受网络攻击。 为什么重要：企业日益担忧过度依赖第三方AI模型。根据美国创新基金会数据，56%的企业主和C级管理人员担心竞争对手会利用用其组织专有数据、工作流程或机构知识训练的AI模型获益。大多数高管对AI在现实应用案例中的投资回报仍不满意。AI的下一阶段需要基于专有的、特定领域的数据——制造、临床、材料和物理数据，这些数据往往还不存在——保护这些数据将需要更强大的AI主权保障措施。

   值得关注的是：包括Amazon、Google和OpenAI在内的数百家公司和组织已签署《开源权重与美国AI领导力》声明，支持开源权重模型作为强大AI生态系统的一部分。Palantir和Nvidia等公司正在构建中间层，帮助企业连接AI模型而不暴露专有数据。该组织并未预测AI泡沫破裂，但表明AI革命正进入专注于解决难题现实问题的新阶段。

3. 3

   GLM 5.3表明参数量已过时；扩展转向数据和计算

   发生了什么：Z.ai教授唐杰宣布，参数量本身不再是决定模型能力的唯一因素。GLM 5.3的改进完全来自于长视界环境中的强化学习——采用与GLM 5.2相同的基础模型，但通过约一个月的额外RL强化。唐杰确定了参数量之外的五个扩展杠杆，包括采用新的XA-YB记号的MoE稀疏性，并主张发现软件漏洞等高阶技能需要长因果链（20+推理步骤），而非原始参数规模。 为什么重要：业界长期以来一直用参数量作为模型强度的简便衡量标准，但这一转变表明计算效率、数据质量和训练后策略如今的重要性远高于前者。对于评估或构建AI系统的企业来说，这意味着仅按参数量比较模型是误导的——推理深度、训练方案和用于优化行为的环境才是决定复杂任务实际性能的因素。

   需要关注：GLM 5.3在开放权重模型中Terminal Bench排名第2，Legal Bench排名第3，Skills Bench排名第6。其他多家实验室已在采用类似的训练后方法：Ornith-1.5以9B密集型、35B MoE和397B MoE变体发布，实现端到端自改进；Microsoft的Agent Lightning通过适度计算和约6K训练示例，将Qwen3.5-9B在SWE-Bench Verified上的成绩从41.8%提升至56.4%。

4. 4

   Snowflake将AI任务路由至更便宜的模型，新增DeepSeek和GLM

   发生了什么：Snowflake在Cortex AI Gateway中推出动态模型路由功能，可自动将每个AI请求分配给能够完成该任务且成本最低的模型，同时向其开放模型组合中新增DeepSeek-V4-Flash 0731和GLM-5.3（即将推出）。 为什么重要：早期测试表明，数据管道的令牌效率提升最高可达3倍，编码任务的令牌使用量减少约25%，这意味着组织可以在无需重建应用或牺牲输出质量的情况下降低AI推理支出。随着更强大、更便宜的模型不断涌现，路由系统可持续改进，无需手动重新配置。

   需要关注的是：DeepSeek-V4-Flash 0731在ADE-bench上得分74.4%（超越Snowflake测试的专有模型）；GLM-5.3处于私密预览阶段，设计用于低令牌占用的自托管。两款模型都在Snowflake的安全边界内运行，确保数据治理。

5. 5

   Nvidia和AMD争夺美国开源模型领先地位，中国在规模上占据主导

   发生了什么：Hugging Face的2026年夏季开源模型报告发现，自2026年以来，中国实验室在前沿开源模型参数规模上持续领先，而美国的竞争已从Meta和Google等模型实验室转向Nvidia和AMD等芯片制造商。 为什么重要：该报告表明美国开源AI开发的驱动力出现了结构性转变，从以软件为中心的研究实验室转向硬件制造商。这反映了开源模型生态系统中激励机制和资源的变化，芯片制造商现已与传统AI研究人员并列成为关键参与者。

   值得关注的是：中国在前沿开源模型规模上的主导地位与美国芯片制造商竞争之间的平衡可能会重塑开源AI领域的投资和合作策略。

6. 6

   TrueForge开源智能体框架成本低75% 挑战Claude托管方案

   TrueFoundry发布了开源智能体框架TrueForge，采用MIT许可证在Github上公开。该框架与开源大语言模型GLM-5.2配合，在DevRev企业基准测试中完成11项任务，成本仅为$2.90，比Anthropic的Claude Managed Agents（使用Claude Opus 4.8）低75%。 企业在部署大规模智能体系统时，成本是关键考量。TrueForge让开发者可以使用任何首选AI模型、自主修改和自部署，同时显著降低任务完成成本，这对寻求成本效益的企业可能具有吸引力。

   TrueForge可在Github上免费获取，支持MIT开源许可证，允许商业产品集成和自主部署。