2026-09-28

本期系统判断：AI Infra 的可用性能，不是芯片峰值，而是数据、编译结果和输出质量在真实运行链上能否持续被验证。 跨地域训练要处理冷缓存，GPU kernel 优化要回到完整模型校验，生产 Agent 的数字也要能在流式输出中核对。周末缺少足够新的大规模系统公告，本期以 9 月 24—25 日尚未报道的原论文、平台更新和工程发布为主；它们今天值得读，是因为提供了可复测的边界，而非假装是 9 月 28 日新发布。

头条｜训练集留在原地，GPU 能否在另一地域跑满

AWS 与 Qumulo 9 月 25 日公布跨地域 SageMaker HyperPod 训练案例：数据保存在美国东部，西部训练集群通过本地 Qumulo spoke 和预测缓存读取；官方在 16 张 H100、1.02B 参数模型的对照中报告，缓存预热后远端与同地域训练均约为 115—117 samples/s。系统意义是数据不必总随稀缺 GPU 容量整份复制，但这把关键路径转交给缓存命中率与跨地域传输。**证据边界：**冷启动前约 100—150 个 batch 更慢，结果仅对应报告中的数据加载模式；随机读取、数据更新、出口费用及故障恢复仍须独立复测，不能推断跨地域训练普遍无代价。发布日期：2026-09-25；来源 B 级：AWS/Qumulo 原始架构与对照表。

模型训练｜把 RL 流程封装为可观察的服务

AWS 9 月 25 日给出 SkyRL 在 SageMaker HyperPod 上的多模态后训练流程：Ray 管理作业，FSDP 策略分片与 vLLM rollout 引擎共处 GPU worker，FSx for Lustre 承载 checkpoint 与 LoRA adapter，并用 Grafana 观察训练。官方在固定 64 个视觉迷宫评测上报告解题率由 43.75% 提升到超过 95%。可迁移的系统点是长时 RL 的计算、存储、恢复和评测要闭环，而非某个模型分数。**待验证：**迷宫任务、起始 SFT checkpoint 和评测规模限制了泛化；多节点故障注入、恢复时间与资源成本尚需自身实验。来源 B 级：AWS 原始端到端教程。

Google Cloud 9 月 25 日发布 Gemini 托管 RL 微调的工程指南：用户提供 prompt 与可执行的奖励函数，平台托管候选生成、打分和更新。它把专有模型的后训练基础设施开放为“奖励接口”，使可验证结果而非单一参考答案成为训练信号。**待验证：**指南不是模型效果的独立基准；奖励投机、离线与真实用户分布偏差、训练费用及版本回退都需要具体应用验证。今天仍值得读，是因为它与 SkyRL 分别展示了自管工作流与托管服务的责任分界。发布日期：2026-09-25；来源 B 级：Google Cloud 原始 RLFT 指南。

计算基础设施｜存储局部性之外还要看可治理性

Google Cloud Storage 于 9 月 25 日宣布 Storage Intelligence advisor 正式可用，并扩展批量操作：前者依据使用与元数据快照发现异常访问、跨地域流量等，后者面向海量对象执行存储级别等变更。对于训练与推理流水线，存储费用、限流和数据生命周期可成为可观察的控制面，而不只在月底账单出现。**待验证：**官方说明按日快照，异常可能延迟至次日才显示；批量变更的权限、重试和错误对象处理需要先在小范围演练，不应把“建议”视为自动正确。发布日期：2026-09-25；来源 A 级：Google Cloud 正式功能发布。

编译器与运行时｜优化应保留可解释和可回退的路径

9 月 24 日预印本 Loom 将 tile 程序在数据流加速器上的映射、通信与异步流水编成符号约束，再用 CP-SAT 为候选调度求解。作者称在两代 Tenstorrent 硬件的 GEMM、Flash Attention 与 Flash Decode 上，无逐形状 profiling 即可达到或超过厂商 TTNN 库。系统意义不是“自动调优已经过时”，而是硬件显式的数据移动约束可能提供可移植、可追溯的编译决策。**待验证：**结论仅覆盖论文中的架构和算子，求解时间、动态形状与跨厂商迁移仍待复现。发布日期：2026-09-24；来源 A 级：Loom 原论文。

同日的 KernelOPT 预印本选择另一路径：保留 cuBLAS/cuDNN 调用，只让多个 profiling 引导的 Agent 搜索编译器生成的 Triton 子 kernel，并经过静态、多随机种子、模型级正确性和性能四级门禁；没有候选通过就保留编译基线。作者在 KernelBench 三个难度级别报告相对 torch.compile 的几何平均加速分别为 1.40、1.15、1.07 倍。它的工程启示是优化对象必须与完整模型 dispatch 和正确性契约相连。**待验证：**模型/设备分布、搜索算力成本、浮点容差和未覆盖的真实工作负载决定净收益。发布日期：2026-09-24；来源 A 级：KernelOPT 原论文。

评测与可靠性｜流式答案也要逐段验数

AWS 9 月 25 日公开 NarrateAI 的生产质量保障复盘：按查询复杂度选择路径、跨模型与账户容量故障转移、逐段流式评测，并对数值先精确匹配、必要时再做语义核验。团队报告六个月部署中的数值准确率约 99.3%，但这只是其内部业务负载与验证定义下的结果。更一般的系统意义是质量检查可以与输出并行，而不是事后抽检。**待验证：**独立标注、样本分布、指标更新、跨账户权限以及误检/漏检率；不能把企业案例数字当作通用 Agent 安全保证。来源 B 级：AWS 原始工程复盘与方法。

科研计算与论文｜科学代码数据要能执行

9 月 24 日预印本 SciWalker 用科学库接口构造 operator graph，再由 LLM 生成题目、参考解和测试，对失败样本做执行反馈修复。作者报告得到覆盖五个科学领域、32 个子领域的 8,178 个问题，并在其训练设置中把 SciCode 子问题准确率由 29.3% 提至 39.2%。这类工作把科研软件的“看起来合理”压回到可运行的工作流与测试，适合作为科学 Agent 训练数据的候选基底。**待验证：**生成测试是否能发现科学意义上的错误、领域覆盖偏差和对真实研究代码的迁移；论文仍是预印本。来源 A 级：SciWalker 论文与代码入口。

工程与开源雷达｜请求可追踪，也要防止日志外溢

Xinference v3.5.0 于 9 月 25 日发布：正式说明列出可选请求日志、actor 调用间的关联元数据、请求来源标识、受保护的日志访问，以及 embedding/rerank 的原生 vLLM batching。相比单纯加模型适配，这些是多模型服务的可观测性与资源利用能力。**待验证：**启用前需检查日志的内容范围、访问控制、保留周期和高并发写入成本；发布说明没有给出跨负载吞吐保证。来源 A 级：Xinference v3.5.0 正式说明。

检索覆盖近 72 小时并延伸至 14 天窗口；对照最近 30 天现有日报，以链接、论文 ID、版本和底层事件去重。MoE/EFA 训练架构、TRE 跨模型伸缩、vLLM v0.30.0 及 Google 跨地域推理路由等 4 个已报道线索被跳过。本期 9 项为独立一手事件，来源 A 级 5 项、B 级 4 项、C 级 0 项；能源/散热方向未找到适合在今日作为独立一手事件发布的新材料。所有厂商性能数字仅代表其公布的测试配置，编辑判断不等于复现结论。