通信分工、流式落盘与手持机器人数据

推理与训练｜通信分开调，收益还要连同质量核对

GC-MoE｜通信与计算分占 SM，再用 Graph 并行执行

GC-MoE 用 CUDA Green Contexts 把 GPU 分成较小的通信分区和较大的计算分区，让 token 分发与 grouped GEMM 使用独立内核、资源预算及同步范围。token ring 的首批数据到达就启动计算，双缓冲计数去掉重放之间的尾部跨 rank 屏障，避免把所有职责塞进同一个融合内核。

八张 B300、GLM-5.2 与 DeepSeek-V4.1-Flash、每 rank 1–256 token 的 CUDA Graph 重放测试中，相对同精度的 DeepGEMM Mega MoE，decode 算子平均加速 1.106 倍，融合 shared experts 后为 1.123 倍。这里没有证明整模型服务吞吐获得同样提升；prefill、大 batch、共享 workspace 的调用串行约束及完整 serving 集成仍需分别处理。

来源：2026-11-03（UTC 首提），A 级｜论文与首提记录 · 分区机制、算子实验与限制 · 已公开算子、基准与测试。

ROCm InferaSim｜先测少量内核锚点，再预测服务配置

InferaSim 对每组不同内核先做一次实测，将 batch、长度和 GPU 数带来的工作量变化交给分析模型；多节点配置先缩成单节点测量，再补回通信与调度成本。离散事件模拟器重放多轮请求，让部署选择同时考虑首 token、输出间隔和吞吐目标。

AMD MI355X、vLLM／SGLang／ATOM 实验中，11 个锚点用时 9.1 GPU 小时，逐项测量其覆盖的 226 个固定长度配置需 204 GPU 小时；通过测量过滤的 172 个配置，单输出 token 时间的误差中位数为 8.1%。这支持先缩小候选集再实测验收，不代表任意新内核都能直接外推。

硬件测量均在 MI355X 上完成，迁移到 NVIDIA 尚未验证；锚点、语料和脚本计划在 camera-ready 阶段释放。本次 192 组搜索采用确定性种子网格，也不能作为 LLM 调优器优于传统搜索的证据。

来源：2026-11-02（UTC 首提），A 级｜论文与首提记录 · 锚点、误差筛选与工件交付范围。

FP4Quant｜把通信压到四位，吞吐与收敛一起比较

FP4Quant 用微分组双尺度量化、两层 FWHT 和 warp 协作打包，压缩模型并行训练中的传输张量。压缩与还原各放进单一内核，减少低位表示节省带宽之后又被额外执行开销吃掉的风险。

单节点八张 H100 80GB、NVLink、Qwen-7B／OpenWebMath、10,000 步测试中，TP4 的 G64 配置相对 BF16 Ring 提升吞吐 1.40 倍，但困惑度从 8.5893 升至 9.3050。G256 达到最高 1.56 倍时，困惑度已升至 21.3613，不能把最大加速与近似保持质量写成同一个结果。PP 场景仅约 1.01 倍，也说明通信不占主要时间时压缩收益有限。

实验尚未覆盖多节点和更大模型，原文也未提供代码仓库，当前不能视为已交付的通用 NCCL 压缩插件。

来源：2026-11-03（UTC 首提），A 级｜论文与首提记录 · 压缩流程、吞吐与质量对照。

芯片与运行时｜互联决定资源能否合池，版本决定接口能否使用

Galaxy｜低成本芯片合池，先把集合通信的代价压低

一项基于 Tenstorrent Blackhole Galaxy 的研究，把集成通信引擎、流水环传输、计算通信重叠和设备端 decode replay 组合起来。它比较的是一整个服务池每美元能输出多少 token，而非单颗芯片的峰值算力。

32 颗 Blackhole 对八张 RTX PRO 6000 Blackwell Server Edition 的测试覆盖三个稠密模型、BF16 与八位配置、8K–256K 上下文。在三年持续使用、每度电 0.15 美元的购置与电力模型下，作者报告每美元 token 为对照的 1.07–2.24 倍；给同一批芯片模拟 TCP 级通信后，吞吐下降 23.5%–67.4%，所有测试配置的成本优势消失。

该结果依赖价格与利用率假设，不能替代完整机房 TCO。两侧八位格式分别为 BFP8 与 FP8，功耗遥测也分别取芯片核心电源轨和 GPU 板级，不能把比较外推成任意集群的等质量、等口径能效优势。

来源：2026-11-02（UTC 首提），A 级｜论文与首提记录 · 互联实现、成本假设与测量边界。

CUDA 13.5｜Rubin 支持转 GA，Tile 互操作仍保留预览边界

CUDA 13.5 将 Vera Rubin 支持推进到 GA，MPS 增加资源借用、出借和路由控制，CUDA Tile 则继续把跨 GPU 数据操作放进内核表达。运行时开始提供更细的分工接口，但应用仍需按实际硬件拓扑选择路径。

Tile 到 SIMT 的库函数互操作仍为 public preview，自定义 device 函数不是本次已经交付的能力；多播和归约还需相应 NVSwitch／NVLink SHARP 支持。正式发布说明要求 13.5 新功能和新平台使用支持它们的 R620 或更新驱动，旧 CUDA 13.x 程序可在较早驱动运行的兼容规则不能代替这项要求。

来源：2026-11-04，B 级｜NVIDIA 原始技术说明；A 级｜CUDA 13.5 正式发布说明。

Agent 与平台｜已经显示、已经落盘和已经切换是不同状态

Pi 1.5｜流式结果先显示，再批量持久化

Cloudflare Agents SDK 0.33.0 升级 Pi 1.5，把答案与工具输出从逐次写入改成批量持久化，同时减少调度器全会话扫描和大工具调用的重复文本拷贝。界面仍能立即观察流式结果，默认最多约一秒后落盘；崩溃也可能丢失这段已经显示的进度。

session.watch() 提供转录和实时状态，session.continue() 可在会话空闲且没有最终答案时沿既有记录继续运行。继续不等于外部副作用恰好执行一次；已经进入 1.5 格式的会话也不能交给 1.4 读取。升级故障需要向前修复，不能把旧格式回滚当成无损恢复。

来源：2026-11-03（SDK 发布；Pi 1.5 记录为 11-02），A 级｜SDK 0.33.0 原始发布 · Pi 1.5 固定版本变更记录；B 级｜持久化与升级约束。

Model aliases｜客户端保留名称，网关调整模型池

Cloudflare AI Gateway 的 model aliases 让应用请求 custom/<alias>，由网关按保存顺序失败回退，或通过 smart routing 选择目标。运维可以调整模型池和选择算法，而不必把每次模型更换都传播到客户端代码。

alias 只属于一个 gateway，各地点可能短暂使用刷新前的缓存配置。它不会统一不兼容的输入协议，也不绕过认证、计费或策略；smart 无法排序时使用默认顺序。需要条件分支、百分比分流等复杂流程时仍应使用 dynamic routes，这次交付本身也没有证明模型质量或总体成本改善。

来源：2026-11-04，A 级｜模型别名原始发布；B 级｜缓存传播、协议与路由范围。

机器人与科研｜数据能够迁移，结果仍需要真实环境验证

AIRoA-0｜手持示范借助同一夹爪迁移到机器人

AIRoA-0 用 16,151 小时 YUBI 手持夹爪示范训练策略，预训练数据不含机器人遥操作、强化学习或机器人纠正轨迹。采集端和执行端共用夹爪及腕部相机，状态和动作围绕夹爪坐标定义，让示范复用建立在具体传感器与动作接口上。

Franka 的十项双臂任务、每项 15 次试验且含部分完成计分时，作者报告平均 78%，最强对照 π0.5 为 27%。四个基线均使用同批任务示范后训练，并逐任务搜索设置；AIRoA-0 使用统一 recipe。其他机器人只展示部分任务，且仍安装同一 YUBI 末端和腕相机，不能概括为任意机械臂直接通用。

论文描述的不足四小时后训练使用单节点八张 H200，不能视为消费设备成本。截至项目页当前状态，权重、数据和后训练代码仍标为 Coming soon；已发布报告与硬件／采集软件入口，不等于整套预训练交付已完成。

来源：2026-11-02（UTC 首提），A 级｜论文与首提记录 · 同末端迁移、对照协议与计算条件 · 项目页与实际开放状态。

Cheminformatics Skills｜模型编排流程，化学工具执行计算

Google Antigravity 的 Cheminformatics Skills 将文献和分子数据库检索、数据整理、匹配分子对分析及候选反应建议接成可审阅流程。LLM 负责编排和科学推理，RDKit 等确定性工具负责分子计算，并连接 ChEMBL、PubChem，保留可检查的数据和中间结果。

原始发布以 crizotinib／lorlatinib 刚性化案例演示，并通过 Science plugin 交付 skills。所示模型比较使用 scaffold split；稀疏数据、实验室差异和有限的读出范围仍限制预测。提出宏环或合成路线只是待合成、待实验验证的假说，流程执行完成不能替代药效证据。

来源：2026-11-03，A 级｜DeepMind 原始发布、工具分工与验证边界。