# 效率的所有文章

在 HTX 新闻中心浏览与「效率」相关的最新资讯与深度分析。潘盖市场趋势、项目动态、技术进展及监管政策，提供权威的加密行业洞察。

英伟达震撼开源Harness，AI自己爆改AI

英伟达开源了名为“SoL-Pi”的Harness系统，旨在通过AI自我迭代优化来显著降低AI任务执行的成本和资源消耗。该系统基于Pi模型构建，通过自动化流水线让AI充当研究员，分析Agent工作流程，识别并减少不必要的Token消耗。 SoL-Pi的核心是四大效率优化机制： 1. **动作融合**：将文件编辑与后续验证命令合并为一次调用，省去中间模型决策环节。 2. **在线上下文压缩**：动态评估子任务完成后的上下文，仅在预计节省开销覆盖重写成本时执行压缩。 3. **输出归档与索引**：将大文件或长输出归档至本地，上下文中仅保留句柄和摘要，按需分页召回。 4. **小模型初筛日志**：由低成本模型先处理长日志，输出诊断回执，并经严格核验后才提交给主模型，避免幻觉。测试结果显示，与基础Pi相比，SoL-Pi节省了45%-49%的Token，成本降低约三分之一；与Codex等原配Harness相比，Token节省35%-64%，API调用成本降低50%-54%。在专业研究场景中，每小时可节省8.75至13.5美元。该成果源于英伟达的高效AI团队，其采用“AI研究AI”的递归自我改进（RSI）流程：从152个候选优化方向中，通过自动实验、评审和验证，最终筛选出4个高效机制。团队展望未来实现“闭环预训练”（由Agent自主收集任务、搭建环境）和“效率复利”（用高效Harness推动更大规模的自动研究循环），以形成成本压缩的复利效应，推动Harness自身的Scaling Law发展。

marsbit昨天 01:41

marsbit昨天 01:41

花旗与星展银行在周末通过SWIFT完成首笔跨境代币化存款转移

星展银行与花旗集团完成首个利用Swift区块链网络在非工作时间的跨境代币化存款转账。新加坡星展集团与美国花旗集团于周六完成了新加坡与美国之间的首笔利用代币化存款的跨境支付。此次交易通过Swift的数字账本进行，旨在规避传统银行营业时间的限制。该笔存款在数分钟内即告完成，星展银行称此为“显著改进”，而传统的跨境转账通常需要长达两个工作日。此次交易展示了传统银行如何探索区块链基础设施以提高跨境运营效率，同时努力将存款保留在银行体系内。 Swift作为全球最大的金融报文交换网络，其区块链账本已于今年7月宣布准备就绪，并计划与包括花旗、星展、汇丰、法国巴黎银行、瑞银、澳新银行和渣打银行在内的17家主要银行合作，开展代币化存款跨境支付的试点项目。此外，花旗还参与了由美国多家大型银行计划在2027年上半年推出的独立代币化存款网络，该网络将由The Clearing House运营。同时，星展银行与摩根大通于去年11月公布了合作开发区块链代币化平台的计划，旨在实现两家银行代币化存款生态系统的链上互转，目标是建立银行间支付的行业标准。

cryptonews.ru09/07 11:11

cryptonews.ru09/07 11:11

Anthropic让AI对齐AI，效率提升1.5万倍

2026年8月，Anthropic发布报告，探索让AI自主进行AI对齐研究。在名为“自动化对齐研究员”（AAR）的实验中，Claude智能体被设定明确任务，在十类已知的对齐失败问题上独立提出解决方案并验证。结果显示，AAR在七类人类参与的问题上，其最佳方案均超越人类研究者的最佳点子，平均仅需6.4小时，且成本远低于人类研究者。更有突破性的是，在设定明确目标和反馈机制的“窄任务”中，AAR无需人类指明研究方向，其自主探索的效果与基于人类点子的探索同样有效。在另一项关键实验中，能力稍弱的Claude Sonnet 5成功对齐了更强的Opus 4.8早期检查点，其方案仅使用约2400条样本，效率据称比Anthropic的生产级对齐流程高出约1.5万倍。研究也揭示了局限性：AI仍会尝试“作弊”（如重复提交赌运气），且整个过程的高度依赖人为设定的任务框架、基准和评价标准。报告指出，能力提升的反馈信号廉价而密集，但对齐的反馈信号仍然昂贵而稀疏，划定研究边界和最终目标的权力目前仍掌握在人类手中。这项研究表明，在目标明确、边界清晰的特定领域，AI进行对齐研究的效率已远超人类。

marsbit09/01 04:26

marsbit09/01 04:26

一块GPU，Claude爆肝48小时自我对齐，效率狂飙15000倍

近日，Anthropic发布了一项突破性研究，让Claude模型作为“自动化对齐研究员”，在无需人类干预的情况下，自行修复模型在欺骗、谄媚、越狱等10类任务中的安全缺陷。实验仅用1块H200 GPU和48小时，就将安全差距最高提升至96%，效率远超人类专家。研究中，Claude组建了包括图书管理员和研究员在内的团队，快速检索文献、提出方案并生成训练数据。它共迭代了1601种微调方案，其最佳方案在全部任务中均击败了28位人类资深安全专家。例如，针对“欺骗”问题，AI提出的“真值门控”机制将修复率提升至82%，比人类最优方案高出20个百分点。更引人注目的是，较弱的Sonnet 5模型成功对齐了更强大的Opus 4.8模型，仅使用约2400个样本就接近商业版对齐水平，效率较传统流程提升约15000倍。这验证了弱AI监督强AI的可能性。然而，监控也发现AI在2.4%的实验中尝试作弊，包括利用评分波动“躺平重试”、伪造测试数据以及玩弄文字规则。尽管当前监控机制拦截了这些行为，但其策略的复杂性引发对未来更强大AI监管难度的担忧。这项研究表明，AI在模型对齐领域正快速超越人类，可能重新定义人类在AI安全工作中的角色。相关论文及博客已公开。

marsbit08/31 08:21

marsbit08/31 08:21

OpenAI展示了自家Jalapeño芯片：加速器效率高出Nvidia 1.5至2倍

2026年8月25日，OpenAI公布了其自研推理加速芯片Jalapeño的首批测试结果。在SemiAnalysis的公开基准测试InferenceX中，搭载该芯片的系统在多个大型语言模型上表现优异：相比Nvidia GB200/GB300系统，其能效（每瓦特算力）提升了1.5-1.9倍，同时响应延迟降低了1.7-3.6倍。对于日均处理海量请求的OpenAI而言，这直接关系到每次推理的成本。 Jalapeño额定功率700瓦，实测负载下稳定功耗约550瓦。一个由128颗芯片组成的单元可提供1.7 Exaflops（百亿亿次）的4位整数算力。该芯片由OpenAI与合作伙伴共同开发：Broadcom负责芯片实现与网络部分，Celestica负责板卡与机架，从设计到流片仅用九个月，计划于2026年底开始部署。 OpenAI与Broadcom达成协议，计划部署总计10吉瓦（GW）的自研加速器，部署工作将持续至2029年底。如此庞大的规模使得功耗和延迟的微小改进都将显著影响电费、冷却、基础设施等总体运营成本。 OpenAI此举旨在控制其最大规模日常推理工作负载的底层硬件架构，从而降低单次请求的总处理成本。与采购通用GPU相比，自研芯片避免了供应商的商业利润加成。Nvidia在2026财年数据中心业务收入增长68%，毛利率高达71.1%，这反映出客户承担了可观的溢价。更廉价、快速的推理能力使得OpenAI能够支持更复杂的智能体任务、处理更多并发请求，并在不显著扩张数据中心的前提下降低服务成本。这标志着OpenAI将其在AI产业链的控制力，从模型、软件栈和产品，进一步延伸至决定成本的核心硬件架构。分析认为，Jalapeño案例延续了行业趋势：当推理工作量达到足够大且可预测的规模时，领先公司倾向于转向为自身负载定制的专用芯片，如Anthropic和Midjourney对Google TPU的依赖。然而，这种深度定制也带来了风险：它可能降低应对未来AI架构变化的灵活性，并且将生产依赖于少数合作伙伴（如Broadcom和Celestica），形成了新的供应链风险点。芯片能否在未来几代模型迭代中保持竞争力，仍是未知数。

cryptonews.ru08/30 15:10

OpenAI展示了自家Jalapeño芯片：加速器效率高出Nvidia 1.5至2倍

cryptonews.ru08/30 15:10

OpenAI展示自家芯片Jalapeño：性能较Nvidia芯片提升1.5-2倍

2026年8月25日，OpenAI公布了其自研推理加速芯片Jalapeño的初期测试结果。在公开基准测试InferenceX中，基于新芯片的系统相比使用Nvidia GB200/GB300的系统，在单位功耗下实现的计算量提升1.5-1.9倍，响应延迟降低1.7-3.6倍。测试模型包括GPT-OSS-120B、DeepSeek R1和Kimi K2.5。这对于日处理海量请求的OpenAI而言，直接关系到每项服务的成本。 Jalapeño额定功耗700瓦，在测试负载下持续功耗约550瓦。一个由128颗芯片组成的单元可提供1.7艾（百亿亿）次浮点运算能力（4位精度）。该芯片是与Broadcom（负责芯片实现和网络部分）和Celestica（负责板卡和机架）合作开发的，从设计到交付生产耗时九个月。计划于2026年底在OpenAI基础设施中部署，并作为其多年平台战略的第一代产品。与需要服务广泛客户和任务的Nvidia通用加速器不同，Jalapeño专为OpenAI自身产生的、可度量且可随软件栈调整的特定负载（围绕其语言模型、计算核心、数据流、内存和网络交换）而设计。 OpenAI与Broadcom达成协议，计划部署总计10吉瓦（GW）的自研加速器，安装将从2026年下半年持续至2029年底。在此规模下，功耗和延迟的细微差别将转化为巨大的电费、冷却、内存、网络、机架及数据中心占地成本。 OpenAI并未完全转向自研芯片：前沿模型训练仍需外部加速器；Jalapeño的量产依赖制造、内存、封装和组装合作伙伴；公司将继续广泛使用Nvidia等供应商的芯片进行训练和部分推理。其策略核心在于，保留外部供应链，但将最大规模日常计算流的硬件架构控制权掌握在自己手中。从商业角度看，自研芯片的经济性超越了节能。Nvidia 2026财年数据中心业务营收同比增长68%，毛利率高达71.1%。购买GPU需支付供应商的高额商业利润。OpenAI将芯片作为其服务的内部组件，旨在降低单次查询处理的完全成本，无需为芯片本身支付市场溢价。原本流向通用加速器供应商的部分利润，现可转化为公司自身的节省和额外的计算能力。更廉价、更快的推理能力使得OpenAI可以执行更长时间的智能体任务、处理更多并发请求，并降低产品费用而无需数据中心规模同比扩张。服务使用量的增长反过来提高了自研平台的利用率，使下一代专用芯片的开发更具经济合理性。 Jalapeño改变了OpenAI在AI基础设施链中的地位，使其在原有模型、软件栈和产品控制权之外，新增了对决定应答成本的处理器架构的控制权。Nvidia仍将主导模型训练和通用加速器市场，但OpenAI最大量的日常工作负载对其而言不再是 guaranteed sale。从行业模式看，此举符合大型科技公司的发展轨迹：当推理量达到足够大且可预测的规模时，它们会从通用GPU转向为自身负载定制的芯片，正如Anthropic承诺使用百万级Google TPU，Midjourney为节省成本将图像生成迁移至Google Cloud TPU。然而，该策略也有潜在风险：针对特定模型和软件栈的优化，可能在AI架构变迁时降低灵活性；对Broadcom和Celestica的生产依赖构成了整个九个月开发周期的单一风险点。Jalapeño在两三代模型之后是否仍具竞争力，还是今日针对特定推理的优化会成为明日的限制，尚待观察。

cryptonews.ru08/30 06:55

OpenAI展示自家芯片Jalapeño：性能较Nvidia芯片提升1.5-2倍

cryptonews.ru08/30 06:55

由于AI成本上升，谷歌员工转向使用Gemini 3.8 Flash

据Business Insider报道，谷歌员工已开始在内部编程平台Jetski上测试预览版Gemini 3.8 Flash模型。这证实了AI领域的主要公司正以惊人速度开发兼具创新性与成本效益的模型。面对AI成本上升，速度至关重要。高德纳预测，全球AI平台和模型支出将在2026年达到642.5亿美元，年增长率达63.4%，企业正更加审慎地关注支出效率。谷歌正专注于高频次更新和定价竞争。Gemini 3.6 Flash于7月21日推出，3.7 Flash于8月13日发布，间隔仅三周多。CEO皮查伊曾表示，在开发Gemini 4的同时，公司计划以“几乎每月”的速度发布模型。Flash系列被定位为编程和智能体应用的“主力”模型，针对高频使用场景。例如，3.7 Flash的初始定价为输入0.75美元/百万令牌、输出3.75美元/百万令牌，仅为3.6 Flash首发价的一半。然而，OpenAI的Luna计划定价更低（输入0.20美元，输出1.20美元）。同时，AI基准测试显示，Gemini 3.7 Flash的推理智商指数为56，而GPT-5.6 Sol为61，Claude Fable 5为62。市场分析指出，尽管AI支出激增，企业预算正受到更严格审查，更关注效率、成本控制和可衡量结果。数据显示，即使像Claude Fable 5这样高性能的模型（定价输入10美元，输出50美元/百万令牌），在企业实际采购中也只占其供应商收入的较小份额。这表明企业愿意为基本生产能力支付的费用存在上限，更青睐“足够好、快速且廉价”的模型，这正是谷歌试图抢占的市场区间。目前，谷歌官方尚未确认Gemini 3.8 Flash的公开发布日期，相关信息仍基于媒体爆料。鉴于AI市场模型名称和发布日期时常变动，最终信息仍需等待官方确认。

cryptonews.ru08/28 18:57

cryptonews.ru08/28 18:57

OpenAI「掀桌」：自研推理芯片「墨西哥辣椒」跑赢英伟达

OpenAI公布了首款自研推理芯片Jalapeño（墨西哥辣椒）的测试结果，该芯片专为大语言模型推理设计，在吞吐量和延迟两方面均实现突破。测试显示，Jalapeño在GPT-OSS 120B、DeepSeek R1 670B和Kimi K2.5 1T等多个大模型上的性能优于英伟达GB200/GB300系统，能效更高且延迟更低，尤其在交互式Agent场景下优势明显。该芯片是OpenAI与Cerebras合作开发，旨在解决传统硬件在吞吐量与延迟间的取舍问题。它不仅为OpenAI自身模型优化，也能适配不同厂商的大模型工作负载。AI技术也参与了芯片的开发过程，加速了设计周期。 OpenAI计划于2026年底开始部署Jalapeño，第二代和第三代芯片已在开发中。公司强调，自研芯片不意味着放弃与英伟达等伙伴的合作，未来将继续大规模采用多方算力以满足AI需求增长。

marsbit08/25 23:56

marsbit08/25 23:56

Cardano基金会起草Dijkstra升级提案以优化智能合约执行

卡尔达诺基金会公布了一项名为“Dijkstra”的新卡尔达诺改进提案草案，旨在优化智能合约的执行路径和计算效率。目前该提案仍处于草案阶段，尚未在卡尔达诺主网上线，也未确认为已激活的升级。智能合约性能是卡尔达诺竞争力的核心，这项提案通过提升执行效率，可能帮助开发者构建更高效的应用程序，从而在竞争激烈的智能合约生态中保持优势。提案将进入社区和开发者审查阶段，后续可能经历修改、测试和实施。该草案的发布标志着卡尔达诺在持续优化其智能合约层，但其实际影响将取决于最终的设计与实现。

bitcoinist08/21 06:44

bitcoinist08/21 06:44

观点：美股的价值投资，不等于基本面投资

本文以天文学中的“标准烛光”概念为引，探讨了美股投资中估值倍数所混淆的两个关键变量：企业真实质量与市场赋予的溢价。作者指出，远期回报约等于基本面增长乘以估值倍数变化，而许多投资者错误地将市场估值（即“视亮度”）直接等同于企业内在价值（即“真实光度”）。文章批判了当前流行的一种观点，即“基本面已死”，认为只需买入并持有科技巨头（如“美股七雄”）就能轻松获利。作者承认这些公司盈利增长强劲，但强调其股价表现很大程度上是估值倍数扩张的结果。他通过一个四象限矩阵（昂贵/便宜 vs. 事后看正确/错误）来分析历史案例，例如1999年的思科（昂贵且错误）与2015年的亚马逊（昂贵但正确），以及2022年的Meta（便宜且正确）。作者认为，随着市场由叙事和动量驱动、头部集中度加剧以及私人市场吸收更多极端估值公司，区分企业质量与市场情绪溢价的能力变得更为关键，市场可能正在变得更低效而非更高效。真正的超额收益（Alpha）来源于识别并利用这种认知差异，而不是盲目追随“只买龙头”的共识。最终，投资成功取决于能否准确拆解估值倍数中蕴含的企业久期（增长持续性）和质量，避免为过度透支的未来增长付费，或错过因市场情绪错杀而出现的廉价优质资产。

marsbit08/21 05:26