腾讯混元Hy4发布System Card,亚马逊75亿美元收购Decart
本期重点包括腾讯为开源大模型 Hy4 发布 System Card,补齐透明度短板;可灵 4.0 展示 4K HDR 生成能力。资本面上,亚马逊拟巨资收购 Decart 以强化 Trainium3 上的视频推理效率,语用科技估值飙升至 50 亿美元。技术侧还有 Rust 服务器 Muru、Spark 4.0 AI 调试
腾讯混元Hy4:开源之后,透明度跟上
腾讯混元把旗舰多模态MoE模型Hy4的权重放了出来,同时补上一份System Card。开源社区等这类文档等了很久,这次算是“迟但到”。
Hy4体量摆在那里:总参770B,激活参数49B,支持1M超长上下文。权重开放只是头一步。开发者更在意的其实是另外几件事——模型安不安全、对齐做到什么程度、会不会被拿去乱用。
这份System Card回答的正是上述问题,内容覆盖安全对齐评测和前沿风险评估。说白了,就是给模型出一份“体检报告”,边界在哪、哪些行为会被限制或监控,都写清楚。原生多模态模型尤其需要这层透明,图文音视频混在一起,内容生成的不确定因素会成倍放大。
过去不少开源模型只丢出代码和权重,文档少得可怜。腾讯这次的做法,给国内大模型开源立了个更规范的参照。没有安全说明的开源,好比一台没有说明书的精密仪器——敢上手的人不多,敢往生产环境大规模部署的更少。
可灵4.0:画质卷到4K HDR
视频生成这轮竞争已经细到“像素级”。可灵(Kling)4.0最新放出的演示片段,直接把4K、10-bit HDR的生成效果摆了出来。
跟前代比,这次不只是分辨率往上走,动态范围也变了。10-bit HDR带来更丰富的色彩层次,亮部和暗部的细节都留得住。影视后期、广告制作这类专业场景,由此从“能看”跨到“能用”。
官方没在概念上多费笔墨,而是直接甩实际生成片段。这种“所见即所得”的展示,比罗列一堆参数更有说服力。长视频的连贯性、高画质的稳定性一直是视频生成的瓶颈,可灵4.0往这两点上推,瞄的显然是专业工作流。
资本风向:亚马逊豪赌视频推理,语用科技估值翻倍
资本市场动起来,往往比技术发布更能说明行业往哪走。
亚马逊75亿美元收购Decart
亚马逊接近以75亿美元买下AI创业公司Decart,价格差不多是Decart最新一轮估值的两倍。Decart的强项是优化实时视频模型,尤其在亚马逊自研芯片Trainium3上的推理效率。
交易逻辑不复杂:云厂商之间的较量,已经从堆算力转到特定场景下的推理效率优化。视频生成吃算力吃得凶,谁能用更低成本、更快速度产出高质量视频,谁就能拿下下一代内容创作的基础设施市场。亚马逊买Decart,说到底是在给自家Trainium芯片生态筑一道墙。
语用科技估值达50亿美元
另一头,林俊旸创办的语用科技完成新一轮融资,估值到50亿美元。三个月时间,估值涨了约200亿元人民币,吉利等产业资本也跟投进来。
语用科技的业务细节公开得不多。但从资本追捧的程度看,AI应用层、尤其是落地场景清楚的项目,仍是一级市场的香饽饽。基础模型是烧钱的买卖,应用层爆发力更强,回报周期也更短。
开发者工具:Rust服务器与Spark的AI化
Muru:mod_wsgi作者的Rust新作
Python Web开发的老兵Graham Dumpleton(mod_wsgi的作者)拿出一个新项目:Muru。这是一个Rust写的服务器,专门跑Python的ASGI/WSGI应用。
有意思的是,Muru是借助AI辅助写出来的。它想提供开发与生产一体化的方案,解决Python Web服务在高性能场景下的痛点。熟悉Python生态的开发者可以留意这个新选项——Rust的性能、Python的生态,加上AI辅助开发的效率,Muru有希望成为下一代Python Web服务器的有力竞争者。
Spark 4.0:AI帮你写管道、查故障
谷歌的Managed Service for Apache Spark 4.0正式可用。新版本基于Spark 4.2运行时,最大的亮点是引入了Data Agent Kit。
借助这个工具包,开发者能在VS Code、Claude Code等IDE里通过MCP(Model Context Protocol)构建和调试Spark管道。更实用的是内置的AI故障诊断。以前调Spark任务,报错信息晦涩,排查全靠经验;现在AI可以直接介入,分析日志、定位瓶颈。官方称Lightning Engine的性价比提升了3.25倍,对大数据团队来说,这是实打实的成本节约。
实战层面,Vodafone 的数据迁移更能说明问题。
Vodafone 用 BigQuery 的 Data Engineering Agent,把数千行存储过程改造成了 Dataform 管道。
效果摆在眼前:迁移时间少了 90%,管道跑得更快,翻了一倍,成本降了 30%。不过过程也有波折。Vodafone 团队提到一个踩过的坑——并行化会把缓存弄坏。为此他们让 Agent 建了物化视图来兜底。
这个案例真正说明的,是 AI Agent 在工程实践里能走到哪一步。提效它确实在行,但架构上的决策,人还是得自己拿主意。缓存、并发这类底层机制尤其如此,经验这东西省不掉。
再看更底层的地方,TensorLean 盯上的是 GPU 内核验证。
AI 系统越往底层走,可靠性越是绕不开的事。哥伦比亚大学和 CertiK 联合做出了 TensorLean,专门用来对 GPU 内核做形式化验证。
这个工具基于 Lean 语言,在 PTX 级别检查 GPU 内核,覆盖数据竞争、终止性、容差正确性和内存不变式。听着偏学术,可放到自动驾驶、医疗影像这类对安全要求很高的 AI 场景里,底层验证就是一份必要的保险。
系统复杂起来之后,光靠测试已经很难兜住所有情况。形式化验证给的是数学层面的确定性,代码在逻辑上有没有漏洞,能查得更清楚。TensorLean 的出现,说明 AI 系统工程正在朝更严谨的路子走。
结语
腾讯在透明度上补课,亚马逊在硬件生态上落子,开发者这边的工具也在更新——这一周的变化指向同一个方向:AI 行业正从“野蛮生长”转向“精细化运营”。
模型要大,也要安全、透明;算力要强,也要高效、便宜;开发要快,也要可靠、好维护。这些细节上做得够不够到位,会决定哪些公司和产品在下一阶段能占到先手。