大模型第一股热闹正酣，“局外人”阶跃星辰发了一个小更新

转载 于 2025-12-27 15:06:24 发布 · 3 阅读 · 0 ·
CC 4.0 BY-SA版权
原文链接：https://mp.weixin.qq.com/s?__biz=MzIzNjc1NzUzMw==&mid=2247858711&idx=2&sn=813a06603cfe7bdefc169ea071d08fb4&chksm=e96f0c0fe3a3aa05bfd85f1187286034f83f4a77aab2196cca1b2ad9c1dd831fdb9659b5d47a&scene=126&sessionid=0

henry 发自 凹非寺
量子位 | 公众号 QbitAI

“阶跃星辰怎么静悄悄…”

这就是年底国产大模型轮番冲刺热议一线时，阶跃星辰面临的外部评价。

Kimi靠K2重新获得证明，摆脱DeepSeek冲击波逆境；

DeepSeek靠OCR、金牌数学模型热传热议，让人更加期待后面的大招；

智谱和MiniMax一手新SOTA模型交卷，一手提起IPO进程……

而依然留在自研大模型牌桌上的“六小龙”选手阶跃星辰，甚至相比之前的“卷王”本王，都神秘安静得多。

直到刚刚，用最新的图像模型NextStep-1.1，扳回一球。

NextStep-1.1

总体来看，这次开源的NextStep-1.1解决了之前NextStep-1中出现的可视化失败（visualization failures ）问题。

其通过扩展训练和基于流的强化学习（RL）后训练范式，大幅提升了图像质量。

相较之前发布的NextStep-1，NextStep-1.1的更新主要有两方面：

  • RL增强视觉保真度 : 通过RL显著改进了图像纹理，并大幅减少了视觉伪影（Visual Artifacts），确保输出更加清晰和专业。

  • 技术稳定性: 解决了自回归流匹配模型RL过程中固有的数值不稳定性（Numerical Instability）问题。

目前，NextStep-1.1已率先在GitHub和Hugging Face开源，但对应的技术报告尚未发布。

从已披露的信息来看，1.1版本的方法论基础仍然沿用NextStep-1论文中提出的自回归流匹配（autoregressive flow-matching）路线。

接下来，我们具体来看。

自回归流匹配的图像生成

NextStep-1系列架构的关键在于使用流匹配目标对连续图像Token进行直接、自回归建模。

这种方法旨在取代传统的“AR+重型扩散模型”混合架构，NextStep-1通过逐Patch自回归生成，只用一个轻量级流匹配头，避开了对计算密集型DM的依赖。

具体来说，NextStep-1是一个拥有140亿参数（14B） 的自回归模型。

核心架构由Transformer骨干网络、用于处理离散文本 Token的标准语言建模头、用于处理连续图像Token的轻量级流匹配头，以及一个图像Tokenizer组成。

其中，NextStep-1采用因果Transformer来处理离散化后的文本与图像Token。

在训练阶段，Flow Matching Head基于输出的隐藏状态，预测从噪声样本到下一个目标图像patch的连续流（continuous flow）。

在推理阶段，该机制使模型能够通过迭代方式引导噪声，逐步生成下一个图像patch，从而完成整幅图像的生成。

在文生图任务中，NextStep-1展示出了接近传统扩散模型的生成质量，并且在图像编辑方面也表现优异。

然而，NextStep-1 在高维连续潜在空间下运行时，仍存在数值不稳定性，这可能导致输出图像出现块状或网格状的伪影。

最新的NextStep-1.1版本正是针对这一核心问题进行了优化与改进。

Kimi智谱Minimax轮番交卷

事实上，最新放出的NextStep-1.1只是阶跃最近密集更新节奏的一部分。

阶跃也当然没有“静悄悄”，自11月底至今，阶跃先后——

  • 开源GELab-Zero，主打安卓端本地部署与低门槛移动端智能体开发。

  • 开源8B推理模型——PaCoRe，在数学方面超越GPT-5。

  • 推出Step-GUI，包含云端模型、GUI Agent的MCP协议及开源端侧模型Step-GUI Edge，深化智能终端布局。

  • ……

但问题还是出在友商们太热闹了。

智谱和MiniMax不仅相继通过聆讯，冲刺IPO，还同步发布了自家最新的模型GLM-4.7和MiniMax M2.1。

Kimi也先后接入微软Azure，亚马逊Bedrock，其最新开源推理模型Kimi K2 Thinking也是广受好评。

当这些动作被放在同一时间轴上，实际上也体现着大模型竞争格局的变化。

在技术层面，Coding、Agent、多模态成为大模型主战场，开源生态成为主要策略。

而在资本层面，智谱和MiniMax的IPO也意味着大模型玩家在第一轮“百模大战”之后，胜者开始寻求更大的资本杠杆，开启更大战场的竞速。

大模型创业六小龙，实际已经名存实亡。

依然在坚持预训练、自研通用大模型路线的创业玩家，只剩下智谱、MiniMax、Kimi和阶跃星辰。

而他们接下来要竞速的玩家，都是巨头和小巨头。

但不论如何，创业明星们一步一登台，拿到了通往决赛圈入场券。

是否依然有能力自研基础大模型？是否粮草充足？是否可以构建商业模式飞轮实现造血可持续？

就是大模型玩家2026年竞速里无法回避的三大问题。

参考链接

https://x.com/StepFun_ai/status/2003746642026185055

一键三连「点赞」「转发」「小心心」

欢迎在评论区留下你的想法！

— 完 —

QbitAl
关注
博客
AI在2025年捧出50+新亿万富翁，有人才22岁
12-27 19
此外，多数头部科技大佬均深度参与本轮AI浪潮，仅少数未重点布局（史蒂夫·鲍尔默和迈克尔·戴尔），像马斯克、拉里·佩奇、谢尔盖·布林和黄仁勋等深度参与的大佬，则普遍实现了近五成及以上的财富增长。在基础模型赛道，DeepSeek系列模型的爆火直接将创始人梁文锋的资产推升至115亿美元（约合人民币805亿元），相比年初胡润榜单上的130亿元人民币，实现了跨越式增长。谷歌创始人拉里·佩奇与谢尔盖·布林，则凭借公司在AI方向上的强势反弹，分别位列硅谷富豪榜第二、第四，过去一年财富增长均接近。
博客
鸿蒙押注新未来：用AI重写数字世界交互逻辑
12-27 498
这些功能虽然在单点上具备了一定的执行能力，但它们彼此之间是互不相识的独立孤岛，无法串联成一条完整的服务链条，用户依然要充当不同AI功能之间的“人形中转站”，距离真正的“主动智能”相去甚远。透视这三种路径的共性，它们实际上都撞击到了同一个隐形天花板——无论是悬浮的对话框、割据的围墙，还是散落的功能拼盘，本质上都是在旧有的操作系统架构上进行“外挂式”的修补。这种模式下，流量的分配权从竞价排名回归到了服务相关性，不仅让服务转化的链路大幅缩短，更重要的是，它给了那些专注于垂类服务的中小开发者一个被看见的机会。
博客
AI创业版黄仁勋：37岁华人0融资5年干到240亿，谷歌OpenAI都是客户
12-27 9
而不论黄仁勋还是Edwin，事业大小有别，环境也早已变化，做的事情也有所不同，但刻在基因里的底层源代码似乎没有变化，践行的都是同一个底色——这意味着，要让最聪明的人类——研究生、博士，甚至哈佛大学的教授——将他们大脑里的专业知识，转化为AI能读懂的的二进制代码。更强悍的是，纯靠一己之力，轻松斩获谷歌、OpenAI等AI巨头的大单，硬生生给公司干成了估值240亿美元的超级独角兽。另一方面，Surge 最早的客户之一，AI实验室Cohere，虽没寻「新欢」，却偷偷将数据标注工作都转移到了内部。
博客
清华百川楼挂牌启用后，就地圆桌开聊AI医疗
12-27 4
这和今天的课堂很像——学生不再是带着“一张白纸”般的脑袋来听课，而是已经通过多种非课堂渠道了解甚至掌握了的部分课程相关内容，这种变化，会倒逼整个课堂教学方式进化。但不少人多会选择一个顺势而下、生活无忧的工程师作为终点，虽然这也完全可以理解，但在我看来，对十分优秀的学生，这可能是对自己潜力的一种限制。现实情况是，大多数医生对AI技术的理解其实是比较浅的，他们提出的很多需求，并不一定是技术上“最正确的方向”一方面是看前人是怎么摔倒的，另一方面，就是从其他领域借鉴概念、模型和方法，看能不能迁移到自己的问题里。
博客
一只大头机器狗供不应求，打响了消费级具身智能第一枪
12-26 793
如果你是硬科技发烧友，长期追踪体验相关产品的话，肯定能发现市面上常见的消费级四足机器人，大多是根据成熟的工业级产品改装、“简配”而来，造型设计直接继承了“生猛刚硬”的姿态，交互上也只有简单的跟随、跑跳。而且最重要的是，在具身智能机器人轰轰烈烈的元年里，在百花齐放百家争鸣的2025，Vbot维他动力以大头BoBo交卷，用技术、产品和市场反馈，实现了公开检验。毕竟消费级四足机器狗市场，处在刚刚起步的“萌芽”期，至于人形产品，甚至还处在“概念期”，不足以称为“市场”。
博客
清华唐杰：领域大模型，伪命题
12-26 14
大模型如何实现不同阶段的记忆是个关键，context、rag、模型参数可能分别对应了人类的不同记忆阶段，但如何实现是个关键，一种办法是压缩记忆，简单存在context，如果大模型可以支持足够长的context，那基本有可能实现短中长期的记忆。原来的agent是通过模型应用来实现，现在模型已经可以直接将agent数据集成到训练过程，增强了模型的通用性，其实难题还是不同agent环境的泛化和迁移并不是那么容易，因此。，他的本质是agi替代人类工作，因此研发替代不同工种的ai是应用的关键。
博客
AI金矿上打盹的小红书，刚刚醒了一「点点」
12-26 13
不过官方也还在一个征求意见改进的阶段，如果你的小红书也已经被点点「刷新」，在12月31日之前，都可以到点点ai的ask me anything笔记下反馈意见。从回答质量上来看，背靠小红书的海量种草内容，让Ta推荐点文娱作品啊，吃吃喝喝啊，效果都不错，可以省去一大波刷笔记的时间（细思……评论区@不到了，但现在，你可以在小红书里这样玩AI：笔记直接分享给点点，不用手动跳转，即可开启边刷边聊模式。不过，用户们并没有AI全肯定，点点官方的评论区，就出现了不少不同意见。
博客
英伟达成美国大模型开源标杆：Nemotron 3连训练配方都公开，10万亿token数据全放出
12-26 15
两者的总参数量和激活参数量几乎相同（都是8B激活、73B总参），但LatentMoE在所有下游任务上都取得了更好的成绩——MMLU-Pro从48.30提升到52.87，代码任务从51.95提升到55.14，数学任务从78.32提升到80.19。与BF16训练相比，Nano模型的损失差距控制在1%以内，8B激活参数的更大模型差距进一步缩小到0.6%以内。论文给出的层排布模式是：5个Mamba-2+MoE的重复单元，接3个同样结构的单元，再来1个包含注意力层的单元，最后是4个Mamba-2+MoE单元。
博客
第一批拿12.8万月薪的实习生已经出现！AI人才抢夺战真的好激烈
12-26 17
Research Scientist Intern是一个12周到24周的研究型实习，研究方向覆盖NLP、生成模型、CV等核心领域，月薪大概在7650美元到12000美元之间，据说还有更高的。不光是字节这么大手笔，近几年，阿里云、腾讯、百度等在实习生和学生研究员层面的项目规模持续扩张，覆盖方向也从传统工程岗位，逐渐延伸到基础模型、系统架构、算法研究等更偏研究型的领域。Anyway，对于有明确研究背景的候选人来说，不管从薪酬来看还是从倾斜的资源来看，以上这类项目都绝对足以等同于和一份AI领域的正式工作。
博客
超越GPT-5、Gemini Deep Research！人大高瓴AI金融分析师，查数据、画图表、写研报样样精通
12-26 16
随后，系统以这些CoA作为“骨架”，将分散的洞察在全局层面进行组织与编排，生成大纲并分章节逐步写作：在保证章节结构与论证链条连贯的同时，把文本叙述、数据引用与图表呈现进行对齐，最终合成为一份逻辑自洽的长篇报告。通过这种方式，FinSight能够在长篇写作过程中持续对齐文本叙述、数据来源与可视化结果，避免常见的事实错配与图文脱节问题，从而在报告篇幅不断扩展的情况下，依然保持整体逻辑与证据链的稳定性与一致性。系统不再以自然语言对话作为协作媒介，而是将数据、工具与中间推理结果统一映射为可读写的程序变量，由多个。
博客
P图新手福音！智能修图Agent一句话精准调用200+专业工具，腾讯混元&厦大出品
12-26 9
模型在推理过程中“看不见”中间的修图结果，仅凭文本“脑补”假设进行下一步操作的视觉结果，容易导致事实性错误，无法确保每一步都符合用户意图。在包含 200 个样本的人类主观评测中，JarvisEvo在与Nano-Banana的对决中取得了49%的胜率（远超对手Nano Banana的28%），证明了其修图结果更符合人类审美。但这存在一个致命缺陷：随着策略模型越来越强，它会学会“钻空子”（Reward Hacking），即通过生成某些特定的、诡异的模式来骗取高分，而不是真正提升自己的编辑能力。
博客
推理成本打到1元/每百万token，浪潮信息撬动Agent规模化的“最后一公里”
12-26 15
训练阶段MFU可达50%以上，但在推理阶段，特别是对于追求低延迟的实时交互任务，由于token的自回归解码特性，在每一轮计算中，硬件必须加载全部的模型参数，却只为了计算一个token的输出，导致昂贵的GPU大部分时间在等待数据搬运，实际MFU往往仅为5%-10%。我们看到原来的AI计算是瞄着大而全去建设的，五脏俱全，各种各样的东西都在里面。，从根本上重新思考和设计AI计算系统，发展AI专用计算架构，探索开发大模型芯片，推动算法硬件化的专用计算架构创新，实现软硬件深度优化，这将是未来的发展方向。
博客
特斯拉通过「物理图灵测试」！英伟达机器人主管爆吹，圣诞节刷屏了
12-26 19
需要注意的是，特斯拉也强调，单车的实际驾驶行为仍会受到车主画像的显著影响。虽然FSD v14.2.2这次的更新，表面还是一次基于FSDv14版本的微调，但配上老马高强度推特宣发的佐料，剑指Waymo的意图已经非常明显了。但可以确定的是，随着技术不断成熟，汽车是否具备「自动驾驶」能力，不再仅仅从一项锦上添花的附加功能，而是会在真正左右消费者的购车决策。不过，随着FSD能力的持续提升，以及Waymo在旧金山大停电事件中的失误被放大讨论，特斯拉在舆论和用户层面的关注度正在明显上升。
博客
6999起！小米史上最贵Ultra来了：告别256G，影像硬刚iPhone 17 Pro Max
12-25 35
先说主摄，17Ultra的主摄采用了1英寸传感器光影猎人1050L，配有3.2微米超大像素和f/1.67大光圈，综合进光量是iPhone 17 Pro Max的两倍。还是用一张图总结，徕卡版比普通版增加了大师变焦环等专享配置，16+512GB卖7999，1TB卖8999，都是比相同容量的普通版本多500元。价格方面，除了起步价的12+512GB版本卖6999， 还有16+512GB和16GB+1T两种配置，分别是7499元和8499元。
博客
用AI代码替换Windows里每一行C/C++！微软回应了
12-25 19
如果AI这个中间层，能够承接并消化上述转换成本，那么无论是微软，还是Windows开发者，掉头的阻力都会被大大削弱。更现实的是，在许多细分领域，Rust缺乏足够成熟的解决方案，开发者需要投入大量时间积累经验，才能勉强追上C/C++多年沉淀下来的生态基础。如果员工不遵守这些规矩，硬是要超出预先的内存分配，跑去别人工位，甚至化身「老油条」，赖在新人的办公桌不走，就会打乱公司运转。同时，由于Rust与C/C++具备良好的互操作性，微软可以直接调用现有Windows API，循序渐进地替换旧代码，而。
博客
2500元/月雇个总监级AI数字员工，贵吗？
12-25 9
在“2025全球开发者先锋大会（GDPS2025）·房地产产业人工智能大会”上，专注于不动产垂直领域AI原生应用的深度智联发布了“地产AI-Ready”战略，推出覆盖决策、营销、服务三大场景的“克而瑞·数字员工”战队，并首次完整呈现“1个专属空间+4大核心能力+3层应用场景”的系统级架构。据介绍，不久后，深度智联还将针对物业、康养、长租公寓等各类房地产细分市场推出适用不同工作场景的数字员工，它们将根据企业的业务需求，灵活组建成各种“作战单元”，“数字员工战队”即将全面走上房产业各类业态的不同岗位。
博客
单卡2秒生成一个视频！清华联手生数开源TurboDiffusion，视频DeepSeek时刻来了
12-25 686
TurboDiffusion对其采用W8A8量化（权重8位，激活8位），并在128×128的块粒度上分块处理，充分利用RTX 5090的INT8 Tensor Core。此外，腾讯混元、字节豆包、阿里Tora、生数Vidu、智谱清影、百度飞桨、昆仑万维、Google Veo3、商汤、vLLM 等国内外头部科技企业及团队，均已在核心产品中应用该技术，凭借其卓越性能创造了可观的经济效益。注意力机制可以说是扩散模型中最耗时的部分之一，传统实现使用 FP16（半精度浮点），计算量大、显存占用高。
博客
字节Seed发布最强数学模型：一招“打草稿”，IMO银牌变金牌
12-25 26
而字节自己的前代模型，当时的成绩是3天完成了6道题目中的4道，以及一道题的部分证明，达到银牌成绩。Mathlib搜索工具：类似于程序员查阅技术文档，模型可以主动检索Lean庞大的数学库 Mathlib，寻找可用的定理和定义，而非依赖不可靠的隐式记忆。值得关注的是，Seed Prover 1.5强调了大规模强化学习给数学模型带来的性能提升，也证明，在推理阶段增加计算资源，可以显著提高解题率。的模型，在16.5小时内，顺利解决IMO 2025的前5道题目，在仅失一题的情况下拿到35分，达到今年IMO的金牌线。
博客
揭秘Agent落地困局！93%企业项目卡在POC到生产最后一公里｜亚马逊云科技陈晓建@MEET2026
12-25 13
更重要的是，Strands Agents采用开放架构，不仅适配亚马逊云科技自身的产品，也兼容业界各种流行的开源或商用框架。在年幼时期，大脑还在发育阶段，学习能力最强，几乎不知不觉就能掌握一门语言。边缘设备正日益成为人类生活与工作不可分割的一部分，Strands Agents可以为汽车、游戏、机器人等各类终端提供Agent能力，让Agent不仅能在云端运行，也能在前端智能设备上运行。在整个架构中，工具层包括连接不同信息源的各类协议，以及执行各种行为的代码——比如知识库、数据库、代码库，或者浏览器等外部能力。
博客
攻克长视频生成记忆难题：港大与快手可灵MemFlow设计动态自适应长期记忆，告别快速遗忘与剧情错乱
12-25 12
或者，当你尝试引入一个新角色，AI却在后续的剧情中反复“召唤”这个新人，甚至将多个角色的特征混淆在一起。在涉及多个主体的叙事中，MemFlow不会错误地重复引入已经存在的角色，更不会发生主体混淆的“脸盲”错误。MemFlow获得了物体形象的长期记忆能力。为了评估MemFlow的实际效果，研究团队进行了一系列详尽的定性和定量实验，其结果清晰地展示了该模型在长视频生成领域的性能表现。这些僵化的、非自适应的记忆策略，无法应对交互式创作中流动的、不可预测的叙事需求，这正是导致交互式长视频生成一致性差的原因。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值