晨報 2026年10月22日

OpenAI：可控性變化不是特別由架構造成。本報判斷，監控更依賴不寫推理時的推理能力，卡上沒解釋這項能力為何大升

本期比平常晚了 2 小時送達,抱歉。

三十秒看完

1. 本報深度專欄：OpenAI 在 GPT-6 Astra 系統卡寫，相當有把握，可控性的變化不是特別由架構造成。可控性是模型照指令改寫推理文字的能力。監控更依賴的是另一個能力：不准寫推理文字時，模型還能推理多少。這個能力為什麼大升，系統卡沒有說明。

2. OpenAI 模型進 Google Cloud 市集、可抵扣承諾額，目前是私人預覽；同日 OpenAI 公告 11 月 20 日起模型路由器要先經 OpenAI 審批。三篇來源都是當事方自述。

3. ChatGPT 廣告開到 89 國，OpenAI 工程篇寫廣告系統與答案生成分離。廣告模型讀對話脈絡，使用者選擇個人化廣告時也參考過去的對話，保存期限原文沒寫。

另有快訊第 6 則：PHP 漏洞 php2shell，Wiz 用 AI 找到兩個，OpenAI 說合作方、資安公司 Calif 也用 AI 找到其中一個。

今日主線

1. [今日]（深度專欄 10 月 22 日）OpenAI 在 GPT-6 Astra 系統卡說，可控性的變化不是特別由架構造成。監控更依賴不寫推理時還能推理多少，這個能力為何大升，系統卡沒說明

概念插圖：一張米色長桌中央放著一台打開的大筆電，螢幕分成左右兩欄，各有文字線條和一個對話框，機身前緣印著 GPT-6 ASTRA。筆電上方是一塊有繩結狀圖案和 OPENAI 字樣的牌子，右邊是一台螢幕全白的較小筆電，左邊攤開一本紅色封面的書，書頁上有文字線條和對話框；一位黑色長髮、穿黑色上衣、掛著識別證的人坐在左側凳子上，一手托腮，一手放在書上，桌子正面的兩塊牌子分別寫著 CONTROLLABILITY（左）和 NO-COT REASONING（右）。 — OpenAI 在 GPT-6 Astra 系統卡說，思維鏈可控性的變化不是特別由架構造成。監控更依賴模型不寫推理時還能推理多少，這項能力為何大升，系統卡沒有說明。靠讀思維鏈做監控的產品，保證力取決於這項能力而不是可控性，這是本報的讀法。OpenAI 研究員說的「兩者一起上升」沒有公開數字。

為什麼重要： OpenAI 說明架構沒問題的那句話量的是可控性，不是監控真正依賴的不寫推理也能推理的能力，這是本報的讀法。

展開看全文

OpenAI 為旗艦模型 GPT-6 Astra 發布的系統卡裡，有一句話說可控性的變化不是特別由架構造成。本報今天的深度專欄問：這句話量的是哪一項指標？思維鏈是模型答題前寫出來的推理文字。業界抓模型做壞事的常見做法之一，是派另一個模型去讀這段文字。系統卡第 9.2.1 節寫：「We are also quite confident that changes in CoT controllability are not differentially due to any architectural changes.」（OpenAI Astra 系統卡，2026-09-03）。原文用的是 differentially。意思是架構沒有比其他因素更特別地造成這個變化，原文沒有說架構毫無影響。這一段的主詞都是可控性。可控性是模型照指令改寫推理文字的能力。監控看的是另一件事：不准寫推理文字時，模型靠內部運算還能答對多少。這個能力越強，模型越不必把推理寫出來。可控性和這個能力可以各自升降。Google DeepMind 研究員 Neel Nanda 量到，Astra 不寫思維鏈時的答對勝算約是 Claude Fable 5.1 的 8.6 倍。這是兩款模型之間的勝算比，不是跨世代的升幅。系統卡全文沒有一句說明這個能力為什麼大升。本報 9 月 10 日那期寫過 Nanda 以個人身分量到的讀數：34 個開放權重模型上，可控性與無思維鏈推理的相關係數 0.10（Alignment Forum，2026-09-10）。這次新加進來的是三件證據，都出自 9 月的文件。

第一，同代的 GPT-6 Sol 可控性遠低於 Astra。系統卡 9 月 22 日的附錄加入了 GPT-6 Sol。在 750 到 1,250 個 token 的思維鏈長度視窗裡，GPT-6 Sol 遵從改寫指令 23.2%，前代 GPT-5.6 Sol 16.1%，Astra 60.9%，三個數字由 OpenAI 自量。Astra 的思維鏈變短了，落進同一長度視窗的題目，三個模型之間可能不同。以前代 GPT-5.6 Sol 的 16.1% 為基準，GPT-6 Sol 升了約 7 個百分點，Astra 升了約 45 個百分點。這是本報用卡內同一長度視窗的數字相減。

第二，OpenAI 兩份文件各自寫到 Astra 的思維鏈變短。可監控性是讀思維鏈時，看不看得出模型在做什麼。系統卡寫可監控性的落差「大部分」來自 Astra 的思維鏈變短，沒給比例。9 月 9 日 OpenAI 的企業版發布稿把同一件事寫成「被訓練成用更少 token、更少重試完成任務」（OpenAI，2026-09-09）。兩份文件沒有互相引用，放在一起讀是本報的做法。

第三，可控性、可監控性、無思維鏈推理這三項，量測的人各不相同。可控性的量法，外部能在開放權重模型上照做。重跑的是開放權重模型，不是 Astra 本身。可監控性的量測方是 OpenAI，用的是自家度量，英國 AI 安全研究所的部落格把結果指回系統卡。無思維鏈推理，公開程式碼與資料的只有 Nanda 一人。

為什麼現在挖：本報追蹤的這條線問的是，模型的推理還看不看得懂、由誰來驗證。本報 9 月 5 日那期判斷，OpenAI 拿來替新旗艦掛保證的那道監控防線，和 OpenAI 自家文件用來證明安全的，不是同一道（9 月 5 日那期）。今天要查的是：系統卡用來說明架構沒問題的可控性，是不是監控實際依賴的那個能力。

可監控性是免費贈品(2025-03~2026-06)模型控制不了自己的思維鏈,所以派另一個模型去讀它就能抓到壞念頭;發布方自家兩份研究把這件事量成『目前不構成主要風險』,同期它成為業界抓代理人作惡的主力手段

承重面換手(2026-09)旗艦一代之內,指示規避下的偵測率從接近全中掉到個位數;放行文件仍寫著『思維鏈監控』,而實際被拿來背書的已換成看得更多的那一套——換手沒有被宣告,新那把尺也沒有對抗條件下的讀數

進行中 ?

路徑A能力躍升論(發布方第一方立場):可監控性下降來自智力躍升,不是對思維鏈施加優化壓力、也不是換架構

路徑B架構論(外部批評者):遞迴/潛空間深度把計算移出可讀的 token 面,這是踩到業界少數幾條紅線之一

路徑C架構無罪論(第一方技術主管與最技術的獨立評論者同側):本代前沿模型的計算圖深度仍在四代之前那款旗艦的兩倍之內,層重用本身不遮蔽思維鏈

路徑D儀器換手論(本站九月五日的判斷):成因之爭目前不可判,而且不承重;可判的是同一份文件裡承重的那把尺換了——退化的是只讀思維鏈的監視器,實際背書的已是看得更多的全脈絡監視器,而後者的讀數全部取自模型未被指示規避的條件

還不能當真： OpenAI 研究員說的「兩者一起上升」沒有公開數字怎麼查的 →

判斷更新： 本報的讀法：OpenAI 系統卡上說架構不是原因的那句只涵蓋可控性，監控真正依賴的量為什麼大升，卡上沒有表態。兩個讀數與「可控性主要由後訓練決定」相容。後訓練是模型基本訓練完成之後，再調整行為的階段。靠讀思維鏈做監控的產品，保證力取決於模型不寫推理時還能推理多少，不是可控性。第一個讀數是 Nanda 在 34 個開放權重模型上量到，可控性與無思維鏈推理的相關係數只有 0.10。第二個讀數是同代的 GPT-6 Sol 與 Astra，可控性 23.2% 對 60.9%，差距很大。兩個讀數各自都不能單獨證明這個讀法。規模或預訓練的差異，同樣能解釋 Sol 與 Astra 的差距。這類說法可以用三個問題檢驗：掛在哪個量上，用的是同一家內部的縱向比較還是跨公司的橫斷面，外部能不能重跑。什麼會推翻它：下一款 OpenAI 前沿模型的系統卡在發布後十四天內，對無思維鏈能力的變化給出成因或架構歸因句；或到 2027 年 3 月 31 日，任一第三方在至少三款閉源前沿模型上量到兩個量的相關係數 0.5 以上。十四天、0.5 與 2027 年 3 月 31 日都是本報自設的門檻。只有三款模型算出的相關係數很不穩，第二條只能看方向。長版全文

2. [今日]（公告 10 月 21 日）OpenAI 模型進 Google Cloud 市集，可抵扣承諾額，目前是私人預覽。同日公告 11 月 20 日起模型路由器要先經 OpenAI 審批

概念插圖：人行道旁有兩間相連的店面，左邊店面的招牌寫著 OPENAI，旁邊有一個結狀標誌，招牌下的窗口櫃檯後站著一位深色捲髮、身穿黑色高領衫、頸掛識別證的人，手拿一張印有幾道灰色橫線的紙，面前櫃檯上是一台寫著 MODEL ROUTER 的紅色筆電。右邊店面的招牌寫著 GOOGLE CLOUD，旁邊有一個多色雲朵標誌，架上放著一台印有結狀標誌和 OPENAI 字樣的黑色筆電，一條短線從架緣連到下方寫著 PRIVATE PREVIEW 的牌子，右緣還有一台只露出一部分的灰色筆電。 — OpenAI 把模型放進 Google Cloud 市集賣，同一天公告 11 月 20 日起模型路由器與 AI 閘道要先經 OpenAI 審批，兩件事都是當事方自述。企業在 Google Cloud 市集買 OpenAI 模型可抵扣承諾額，目前只是私人預覽，正式上線日與價目都未公開。競爭點可能從在哪朵雲買，移到哪家路由業者獲 OpenAI 核准，這是本報並讀兩篇公告的讀法。

為什麼重要： OpenAI 先把 Frontier 平台帶上 AWS，現在模型又進了 Google Cloud 預覽，同一天把模型路由器與 AI 閘道收進自家審批，競爭點可能從在哪朵雲買移到誰獲 OpenAI 核准做路由，這是本報把兩篇公告並讀的讀法。

展開看全文

OpenAI 模型進 Google Cloud 市集，承諾額可抵扣（OpenAI，2026-10-21），併入單一發票（Google Cloud，2026-10-21），目前是私人預覽。同日政策文：11 月 20 日起模型路由器要先經 OpenAI 審批（OpenAI，2026-10-21）。4 月 27 日修約後 Microsoft 授權已非獨家（OpenAI，2026-04-27）。

還不能當真： 三篇全是當事方自述，正式上線日與價目未公開怎麼查的 →

判斷更新： 本報的讀法：OpenAI 一邊放開通路，一邊把路由資格收回自家審批。OpenAI 的雲通路從 Azure 一家，到 2 月 27 日的 AWS、10 月 21 日的 Google Cloud，變成三家。AWS 上的是 Frontier 平台，和 Google Cloud 市集賣的模型是不是同一種產品，未經核對，所以「三家」這個算法還不確定。AWS 那一步是 OpenAI 與 Amazon 宣布把 OpenAI 的 Frontier 平台帶上 AWS，早於 4 月 27 日的修約（OpenAI，2026-02-27）。「在哪朵雲上買」不再是 OpenAI 的差異點，競爭點可能移到誰獲 OpenAI 核准做路由與閘道。受審批影響最直接的是獨立的模型路由器與 AI 閘道業者。靠這類中介在多家模型之間切換的企業，11 月 20 日起也要看自己用的業者有沒有獲准。Microsoft 留著先上 Azure 與到 2030 年的分成，Google Cloud 拿到的是帳單整合。有 Google Cloud 承諾額的企業，可以用同一筆承諾額買 GPT、Gemini 與 Claude，成本列在同一張發票上對照。目前只限私人預覽的客戶。科技策略分析師 Ben Thompson 2025 年 6 月在 Stratechery 建議 Microsoft 保住獨家在 Azure 銷售 OpenAI 模型的權利（Stratechery，2025 年 6 月）。這是本報對該文方向的轉述，沒有逐字引用。4 月的修約結果與這個建議相反，Microsoft 的獨家銷售權已經取消。本報把這個差異留作未解的分歧。這是還沒定案的判斷。什麼會推翻它：到 2026 年 12 月 31 日 Google Cloud 上的 OpenAI 模型仍未正式上線；或到 2027 年 1 月 31 日，沒有任何一家獨立路由器或 AI 閘道業者因 11 月 20 日政策送審或停止提供 OpenAI 模型。兩個日期都是本報自設的觀察窗，OpenAI 只說正式上線「預計數週內」。

晶片與半導體

1. [今日]（公告 10 月 21 日）NVIDIA 寫 Google Cloud 的 Vera Rubin 機種 A5X 下月正式上線，Google 計畫最多擴到 96 萬顆 Rubin GPU，這是計畫上限不是部署數。 A5X 是 Google Cloud 以 NVIDIA Vera Rubin NVL72 機櫃組成的機種。NVIDIA 原文：「Google Cloud plans to scale its Vera Rubin-based infrastructure to as many as 960,000 Rubin GPUs across multiple sites.」（NVIDIA，2026-10-21）。96 萬顆沒給時程與已部署數，是否全歸 A5X 也沒說明。AlphaGo 作者 David Silver 創辦的 Ineffable Intelligence 是 A5X 首位客戶，做大規模強化學習。Ineffable 共同創辦人 10 月 13 日自述是「GCP 最大叢集的首批客戶」，NVIDIA 坐實了首位客戶與 11 月時程，「最大」一詞 NVIDIA 沒用，叢集規模兩方都沒寫。同篇另寫 Google Cloud 將是首批在裸機提供 NVIDIA 機櫃級機密運算的雲。裸機機密運算這一項也是 NVIDIA 轉述的 Google 計畫，Google 官方部落格原文未經查閱。本報 10 月 21 日那期寫過 Google 前一天把 TPU 軟體開放給 PyTorch，自研晶片與外購 NVIDIA 同時進行。A5X 是否如 NVIDIA 所說在 11 月正式上線，是下一個可核對的點。怎麼查的 →

概念插圖：左側是一排磚紅色機櫃，上方黑色橫條寫著 VERA RUBIN，其中一扇櫃門上有一塊白色牌子，印著綠色圖案和 NVIDIA 字樣；機櫃前方兩根黑色立柱之間垂著一條繩子，繩上掛著寫有 A5X 的牌子。右側是一塊四角有釘點的淺色大板，頂部黑色橫條寫著 GOOGLE CLOUD，旁邊有多色雲朵圖案，下方是一排以線條畫成、附小把手的白色櫃門，一直延伸到畫面右緣之外。 — NVIDIA 寫道，Google Cloud 的 Vera Rubin 機種 A5X 下月正式上線，Google 計畫最多擴到 96 萬顆 Rubin GPU，這是 Google 自報、由供應商 NVIDIA 轉述的計畫上限，不是部署數。Google 剛把 TPU 軟體開放給 PyTorch，自研晶片與外購 NVIDIA 同時進行。

大神觀點

1. [今日]（文章 10 月 21 日）創投 Theory Ventures 合夥人 Tomasz Tunguz 把每張 GPU 每小時的營收排成四階：38、8.77、5.27、2.44 美元，四個數字是四種口徑，Tunguz 自註全是估計。 Tunguz 長期寫 SaaS 與 AI 的財務分析。四階依序如下（Tomasz Tunguz，2026-10-21）。38 美元是 DeepSeek 自算的單一叢集上限，Tunguz 標「theoretical maximum」。8.77 美元是 ORNN 指數 10 月 20 日的 B200 現貨租價，ORNN 是 Tunguz 引用的 GPU 雲成交價指數。5.27 美元是 SpaceX 上市文件裡 12.5 億美元對 32.5 萬顆 GPU 的合約價，Tunguz 把這筆錢當成 32.5 萬顆 GPU 一個月 730.5 小時的費用，換算成每卡每小時。2.44 美元是 Tunguz 用 SpaceX 第三季申報的 AI 分部營收年化後除以 1.7 GW 已裝機容量算出，用的是裝機不是在用容量。從 GW 換成 GPU 張數要假設每張卡的功耗，Tunguz 原文沒寫這個數。每往下一階，數字比上一階低 40% 到 77%。四階口徑不同，這不是同一個價格逐階下跌。本報的讀法：推論在現價能不能回本，看站在哪一階，引用任何單一數字前都得先確認是哪種口徑。Tunguz 寫「Every figure here is an estimate」。本報 10 月 21 日那期把 38 美元寫成「離峰實收」，Tunguz 的表把 38 美元標為理論上限，兩種口徑哪個對，DeepSeek 原頁未經查閱；SpaceX 申報原文也未經查閱。Tunguz 是創投，持股原文未揭露。怎麼查的 →

芥末黃底色的概念插圖：一座黑色高梯有四層白色層板，每層各放一枚標有「GPU」的紅色晶片，最上層另有三座深色伺服器機櫃，第二層的晶片掛著一張白色吊牌、旁有一疊金幣，第三層有一張帶灰色橫線的紙、一支筆和一疊金幣，最下層有一座以電線連到四座伺服器機櫃的電塔和一小疊金幣，最上層上方浮著一個裝著一高疊金幣的雲形思考泡泡。梯子右側欄杆上由上而下固定著三塊牌子，分別寫著 DEEPSEEK（旁有藍色鯨魚圖示）、ORNN 和 SPACEX，畫面右緣有一個大型黑色引號，左下角一名身穿深色西裝、背對畫面的人伸手指向梯子。 — 創投 Theory Ventures 合夥人 Tomasz Tunguz 把每張 GPU 每小時營收排成 38、8.77、5.27、2.44 美元四階，四階是四種口徑，全是他自註的估計。推論在現價能不能回本，取決於站在哪一階看。

模型觀點

1. [今日]（研究文章 10 月 21 日）Anthropic 寫 Claude 主導設計能結合蠍毒的蛋白，兩家實驗室測了 211 個設計、17 個達到結合標準，還沒確認能否在細胞環境中中和蠍毒，Anthropic 明說不是抗毒血清。 Anthropic 原文：「We have not confirmed whether these binders neutralize scorpion venom in a cellular environment, so we do not claim to have produced an antivenom.」（Anthropic，2026-10-21）。211 個設計裡，180 個由 Claude 篩出，31 個是人類團隊補上的，數字都是 Anthropic 自報。達標 17 個，占 211 個的 8.1%，這是本報的計算。達標的 17 個分布在四種蠍毒素上。單一毒素設計 60 個中 11 個達標，另外 6 個達標設計屬於哪一類，原文分項沒有交代。151 個多毒素設計中，沒有一個能同時結合超過一種毒素。實測交給 Anthropic 委託、替人代做實驗的兩家公司 Adaptyv Bio 與 Twist Bioscience。達標門檻是兩家實驗室每次重複都要結合、解離常數 KD 不高於 1 µM；KD 越低代表結合越緊，表現最好的兩個設計到個位數 nM，原文對照的三個抗體都低於 1 nM。Claude 自主跑了前 24 小時，之後 Anthropic 團隊追加四次提示，多數入選設計是第三次追加提示之後才選出，所以 AI 的功勞與人的功勞不好切分，這是本報的讀法。技術報告未經查閱。怎麼查的 →

快訊

1. 還沒查證：[今日]（公告 10 月 21 日）SAP 第三季業績：雲 ERP Suite 營收成長 29%、固定匯率 28%，財務長 Dominik Asam 說季營收首次突破 100 億歐元；2026 年展望寫「更新」但未說升降，比較期與會計口徑新聞稿未寫，季報 PDF 未經查閱（SAP News，2026-10-21）。

2. 還沒查證：[今日]（公告 10 月 21 日）GTC Berlin 上 NVIDIA 說模組化 AI 工廠 DSX POD 讓現場部署「from six months to just 14 days once site utilities are ready」，並承諾在歐洲投入近 100 億美元，用途未拆分，皆 NVIDIA 自述（NVIDIA，2026-10-21）。

3. 還沒查證：[今日]（公告 10 月 21 日）NVIDIA 轉述英國 GPU 雲業者 Nscale 在 GB300 NVL72 上用 NVIDIA 協調電力分配與負載需求的軟體 DSX MaxLPS，同一配置電力預算內多裝 37% GPU、總推論吞吐高近 50%，對照組與負載未說明（NVIDIA，2026-10-21）。

4. 還沒查證：[今日]（公告 10 月 21 日）Mistral 寫 Mistral Large 4 以 3,800 顆 Grace Blackwell GPU 在自營歐洲資料中心訓練，算力路線目標 2030 年 1 GW 容量，是自訂目標不是已部署（Mistral，2026-10-21）。

5. 還沒查證：[今日]（客戶故事 10 月 21 日）OpenAI 發布的 Cloudflare 客戶故事：Cloudflare 營收總裁 Mark Anderson 說四名開發者三天用 Codex 重建一個產品、token 花費 1,100 美元，原估需數月；單一自述，Cloudflare 自家部落格未經查閱（OpenAI，2026-10-21）。

6. 還沒查證：[今日]（公告 10 月 21 日）PHP 引擎兩個 9.2 分漏洞 php2shell 修補 10 月 21 日釋出。Wiz 找到兩個，OpenAI 說合作方 Calif 也找到其中一個。本報判斷：php2shell 兩個漏洞 Wiz 都找到，OpenAI 說 Calif 獨立找到其中一個，「混用兩家模型」是 Wiz 一方的工具，轉述把兩方併成一句（Wiz Research，2026-10-21）。

7. 還沒查證：[今日]（公告 10 月 21 日）ChatGPT 廣告新增 26 國、累計 89 國。OpenAI 工程篇寫廣告系統與答案生成分離。廣告模型讀對話脈絡，使用者選擇個人化廣告時也參考過去的對話。本報判斷：ChatGPT 廣告的隔離是單向的，答案路徑不碰廣告，廣告系統記住多少對話、記多久，OpenAI 原文沒有規格（OpenAI，2026-10-21）。

學界動向

1. [趨勢]（預印本 10 月 17 日）Snowflake AI Research 的 Arctic-SWE 不加新演算法，把 40 億參數的 Qwen3.5-4B 訓到程式評測 SWE-bench Verified 解題率 62.0%，比作者自量的對照組 FrogNano 高 0.5 個百分點，論文自報。 SWE-bench Verified 是修真實 GitHub 問題的程式能力評測。作者寫「On raw R2E-Gym data, without new algorithms or data work, Arctic-SWE trains Qwen3.5-4B to 62.0% pass@1 on SWE-bench Verified」（arXiv 2610.24914，2026-10-17）。pass@1 是每題只試一次的解題率。R2E-Gym 是既有的公開訓練環境。對照組是同樣用線上任務合成的 FrogNano，分數 61.5%。兩者分數只差 0.5 個百分點，Arctic-SWE 用的訓練取樣次數約只有 FrogNano 的六分之一。篩選資料後 4B 模型的 Verified 分數到 65.0%。單篇自報，預印本 10 月 17 日才發表，獨立重做的結果不在本期資料範圍內。分數隨資料篩選與測試強度而變。本報的讀法：小模型在這項評測要再往上拿分，關鍵可能在強化學習系統與資料品質，不在演算法；現役最強模型在同一評測的分數，本則沒有比較。

2. [趨勢]（預印本 10 月 19 日）兩篇預印本對「Lean 定理證明的增益來自外框還是基礎模型」結論方向不同：Maestro 說同一基礎模型換協調外框，48 題解出 34 題、原生代理解 19 題，mini-Lean 說通用程式代理加最小外框就夠。 Lean 是數學證明的形式化語言。外框是包在模型外面、負責調度的程式。Maestro 是一套協調多個代理的外框，arXivLean 是一套 Lean 題庫。Maestro 自量 arXivLean 2026 年 6 月版 48 題中解 34 題，原生代理 Claude Code 或 Codex 解 19 題，作者單位原文未提供（arXiv 2610.25920，2026-10-19）。Maestro 寫兩邊用的是同一個基礎模型。10 月 12 日普林斯頓 Sanjeev Arora 等的 mini-Lean 寫「a generic coding agent with a minimal harness can already achieve strong performance on Lean benchmarks」，自量 Putnam 2025 共 12 題，Gemini 3.8 Flash 解 7 題、對手 AxProverBase 解 4 題（arXiv 2610.17331，2026-10-12）。兩篇的外框形態與題庫不同，不是同題反駁。兩篇的題庫都很小，12 題與 48 題差幾題就會改變結論。本報的讀法：現有證據還不足以判斷外框值不值得投入開發資源。外框形態相同、題庫更大的重測，才分得出增益來自外框還是基礎模型。

產品動態

1. [今日]（公告 10 月 21 日）Databricks 宣布 AI Runtime 正式上線：託管 GPU 訓練直接接到自家資料平台，賣點是訓練資料不用離開治理邊界；定價與 GPU 型號原文未提供。 Databricks 是資料與 AI 平台公司。原文：「bringing fully managed GPU infrastructure directly into Databricks so customers can train their most demanding models where their enterprise data already lives」（Databricks，2026-10-21）。AI Runtime 做訓練與微調，不是推論服務：無伺服器、可跨多台機器，GPU 工作也受資料治理層 Unity Catalog 管理，資料、檢查點與日誌的讀寫權限一致。Databricks 自報「hundreds of companies」在用，具名 Robinhood、Merck、FactSet 等六家；在 AI Runtime 上把 Qwen 訓練時間縮成改善前的六分之一，對照的是改善前的自家設定。這次正式上線有多少是既有預覽版改名，原文沒交代。最直接的使用者，是資料已經放在 Databricks 上、要自行訓練或微調模型的企業，這是本報的讀法。資料平台往託管 GPU 訓練延伸，會不會和 GPU 雲業者正面競爭，要看定價與 GPU 型號，兩者原文都沒提供。怎麼查的 →

概念插畫：灰色欄杆圍起一塊淺灰色場地，圍欄內左側有三個灰色圓筒（最大的一個寫著 DATA）、一個灰色小箱子和一疊紙，各掛著白色吊牌，一條深灰色管子從 DATA 圓筒接到右側三座有百葉通風口的紅色機櫃中最左邊的一座，機櫃前立著寫有 AI RUNTIME 的牌子。前方欄杆上掛著一把掛鎖，左前方欄杆上釘著寫有 UNITY CATALOG 的牌子，圍欄右後角上方立著一塊寫有 DATABRICKS、旁邊有紅色層疊圖示的牌子。 — Databricks 宣布託管 GPU 訓練服務 AI Runtime 正式上線，賣點是訓練資料不用離開自家資料平台的治理邊界。資料平台往託管 GPU 訓練延伸，會不會和 GPU 雲業者正面競爭，要看公告沒提供的定價與 GPU 型號；客戶數與加速倍數也都是 Databricks 自報。

過去洞見

本期版位讓給今日主線，這一欄改到官網讀。〈[回顧]（本報深度報告 7 月 23 日）「AI 能連續工作幾小時」這把尺，同一季被受測模型攪動〉（本報 2026-07-23 深度報告）。

更正：8 月 13 日那期說 Nebius 第二季調整後 EBITDA「首度轉正」、上一季還是負 5,370 萬美元，其實負 5,370 萬是 2025 年第一季的數字，Nebius 從 2025 年第四季起已連續三季為正（1,500 萬、1.295 億、2.362 億美元）；「首度轉正」這一半撤回，另一半結論沒變：這一季資本支出約是營收的 9.7 倍，全年營收指引沒有上調；官網中英日三語存檔頁已加註更正。

本報不是新聞摘要：從每天的 AI 資訊流裡捕捉真正重要的洞見與值得長期追蹤的行家判斷，並交代每一條是怎麼驗證的。重點永遠是『哪條判斷變硬了、誰說得準』，不是今天發生了什麼。