← 回 AI 研究列表

2026 年 10 月 28 日（三）

OpenAI GPT-6.1 Terra

OpenAINVIDIAAnyverse Dynamics／OpenPhoenix新架構雷達

AI 研究與效率每日追蹤｜2026-10-28

今日重點

今天最值得注意的是兩種不同層次的效率進展：OpenAI 推出偏重電腦操作的 GPT-6.1 Terra；NVIDIA 則公開了可拆解驗證的 MoE 推論加速測試。GPU 記憶體分額也開始有開源的 Kubernetes 執行方式，但目前不能把「能共享」解讀成「吞吐已提升」。新架構方面，機器人世界—動作模型 Phoenix 值得看，現有成績仍主要來自團隊自身評估。 openai.com

重要更新

1. OpenAI｜GPT-6.1 Terra｜10 月 26 日，正式發布

方法：以視覺理解與電腦操作為重點的新模型，供 ChatGPT Work、Codex 與 API 使用；官方未公開足以判斷具體架構改動的資料。
數據：官方在 Terminal-Bench 4.0、最高推理強度下測得任務通過率 50.3%，對照 GPT-5.6 Terra 已公布的 21.5%。這是官方評估；完整執行硬體、每題 token 用量及對照配置未公布，不能據此推算同條件速度增幅。
實際意義：提供開發者一個偏向高頻視覺與操作任務的模型選項。
限制與疑點：跨模型的實際任務成本與可靠度，仍需在相同代理流程中重測。
一手來源：官方發布 openai.com

2. NVIDIA｜DGX Spark 上的 MoE 推論優化｜10 月 27 日，技術解說

方法：對 Ling-3.0-flash 的 MoE 核心換用 Humming、將輸出層線上量化為 FP8，再用模型內建 NEXTN 做多 token 推測解碼。
數據：124B 總參數、每 token 5.1B 啟用參數；在單台 DGX Spark、batch 1、GSM8K 全部 1,319 題的五示例測試中，解碼由 37.81 升至 53.89 token/s（+42.5%），平均延遲 15.21 降至 11.49 秒；準確率 96.89% 對 96.82%。合成的 32K 輸入／2K 輸出測試增幅更大，但不可當作一般任務成績。
實際意義：指出瓶頸不只在 MoE 核心，也在輸出層讀取與逐 token 解碼。
限制與疑點：皆為 NVIDIA 自測、限此模型與單併發配置；三項優化若整合錯誤，反而可能比基準更慢。
一手來源：技術解說與測試設定 developer.nvidia.com

3. NVIDIA｜Kubernetes GPU 記憶體分額｜10 月 27 日，開源整合

方法：CUDA 13.4 的記憶體限制機制，配合開源 GPU Fractioning Operator 與 KAI Scheduler v0.18.0，讓容器指定保底記憶體、可擴張上限及運算共享模式。
數據：官方提供每張 GPU 保底 40 GiB、上限 60 GiB 等配置範例；未公布受控的吞吐、延遲或利用率提升測試。
實際意義：小型推論與實驗工作不必一律獨占整張 GPU，且記憶體界線可由節點執行。
限制與疑點：SM-sharing 的工作負載共用錯誤域；實際整併效益仍取決於負載組合。
一手來源：技術公告 developer.nvidia.com

新架構雷達

Anyverse Dynamics／OpenPhoenix｜Phoenix-MWA｜10 月 22 日

這是什麼：約 6B 可訓練參數的機器人世界—動作模型，以視覺潛在表示聯合預測未來觀測與動作，而非逐字生成語言。
符合的門檻：① 不同於傳統 LLM 的架構；② 有官方技術資料及部分公開程式碼。
廠商宣稱：經任務後訓練，在含 12 種手臂—手部組合、26 種任務配置的 Bench2Dex「完整擾動」測試，成功率 45.6%。
第三方驗證：尚未找到獨立重測；公開倉庫有預訓練程式，但編碼器訓練、資料管線等仍標示待提供，因此不能視為完整重現。
一手來源：專案與測試細節、程式碼與公開範圍 openphoenix-team.github.io

趨勢整理

值得追蹤