2026-10-24

Moonshot 已在 Kimi API 上线 Kimi K3.1 Pro，但模型权重尚未开放，公司承诺 2026 年 11 月 4 日前发布完整权重。API 定价为每百万输入 token 2 美元、每百万输出 token 10 美元，与 GPT-6.1 Sol 相同，为 Claude Opus 5.5 的一半；另有一个速度快 2–3 倍的 Highspeed 版本，价格翻倍，但输入 token 缓存命中的价格不变。Moonshot 自行发布的基准显示其与 Opus 5.5、GPT-6 Astra 大致相当；第三方 Artificial Analysis 给出 55 分，低于 Opus 5.5 的 58 分，高于 Claude Fable 5.1、GPT-6 Astra 和 Gemini 4 Argon 的 53 分。作者称，这是首个即将开放权重的模型在对前沿模型的评测中达到如此高的分数。

Block 宣布推出 Dessa 全双工语音模型，其特点是能同时听说，而不是传统的轮流发言。据评论引述的帖子内容，Dessa 具备低延迟本地推理能力，可在 MacBook Pro M4 Max 或更高配置上运行，并仅用一台 NVIDIA GB200 NVL72 完成训练。上述性能、硬件门槛和训练效率均来自公布方说法；目前公开材料以宣传为主，缺少可独立验证的技术细节和复现结果。

博客文章《Today, we hacked what we&\x27;d set out to hack: the iPhone》（blog.calif.io，10 月 23 日）宣称完成了一次针对 iPhone 的攻破演示，并在 Hacker News 上引发大量讨论。所提供材料只有标题和评论，没有披露具体的漏洞链、受影响的 iOS 版本、利用条件，也没有说明是否真正获得 root 权限，因此该演示的技术细节和可复现性目前无法核实。评论区把焦点放在三件事上：越狱是否会导致 Apple 封锁 iCloud、iMessage 等云服务，Lockdown Mode 对这类攻击是否实际有效，以及前沿实验室只向少数合作方开放“受信任网络访问”是否让外部研究者难以参与。

在 2026 年 Linux Plumbers Conference 的内存管理微会议上，Will Deacon 讨论了 64 位 Arm 和 x86 上每个线程固定占用 16KB 不可分页内存的内核栈；Android 空闲设备就可能有 5,000 个线程，云端大规模线程也会放大这项开销。用 8KB 栈构建的内核通过了大部分测试，但在内存压力测试中失败，并在涉及直接回收（direct reclaim）的路径上崩溃；4KB 栈则无法启动。会上提到的补丁系列允许通过内核命令行设置栈大小，目前可运行 12KB 栈；另有专用异常栈和把直接回收移到工作线程的方案，目标是为 8KB 铺路。默认配置仍是 16KB，这些属于会上介绍的补丁方向。

rss · SemiAnalysis · 10月23日 19:06 「背景」 Trainium 已在推理侧得到验证——Anthropic 在 Trainium2/3 上跑生产推理和 RL rollout——但研究训练要覆盖快速迭代的架构、消融实验和更广的 API 面，旧栈难以胜任。 「方案」 作者认为 AWS 的关键转向是 TorchNeuron：放弃 PyTorch/XLA 的惰性图和 xm.step\(\)，改为 eager、torch.compile 与标准 API 的原生 PyTorch 体验，并挖来 Google 原生 Torch on TPU 负责人。SemiAnalysis 试用 Trainium3 数周，称方向很好但仍有 bug、远不及 CUDA 成熟；AWS 用最多 8 万物理核做自动化质控，并靠 agentic coding 加速修复。文章把训练视为通用性问题：数千算子都要反向传播，还要兼容偶然出现的高精度算子。因此 AWS 用 10 万+ Hugging Face 模型覆盖不同 normalization、MLP、MoE 与 attention 布局，除崩溃外还测性能、CPU fallback、graph break，并与 CPU/Nvidia 基线比对张量数值和 loss 曲线；作者强调，MFU 再高若数值出错也无意义。剖析器上，作者称 Neuron Explorer 优于 Nvidia/AMD 工具，并展示其细粒度剖析；Nsight Compute 偏聚合指标，QuACK 的 intra-kernel 剖析最接近但仍需定制 Perfetto 集成。但摘录中的这些优势多为体验性断言，关键演示和细节在付费墙后。 「启示」 作者的核心判断是，Trainium 正从“推理可用”转向“能承载研究训练”，关键不在峰值效率，而在原生 PyTorch 体验、训练通用性与数值正确性。方向已获其认可，但离 CUDA 级成熟仍有距离，相关优势也尚待更完整证据。 标签: AWS Trainium, PyTorch, ML training, profiling, hardware accelerators