面壁智能推出AI自研训练框架ForgeTrain：国产AI基础设施的新突破
2026年5月底，国内AI企业面壁智能推出了一款名为ForgeTrain的预训练框架。若仅是又一款训练工具，或许不会引发太多关注。但ForgeTrain的独特之处在于：它是一款完全由AI自主生成的生产级框架。AI辅助编程早已不稀奇。然而，让AI编写用于训练AI的预训练框架，且该框架在生产环境中的性能已超越英伟达的Megatron——这就截然不同了。ForgeTrain的工作原理如下：面壁智能团队在GitHub上运营着一个持续更新的Specification-as-Code代码库，其中使用YAML和Pyth
面壁智能开源ForgeTrain：全球首款AI自研生产级训练框架
AI能否独立编写出真正达到生产标准的大型软件，甚至是大模型训练框架？面壁智能给出了肯定的回答：完全可以。今日，由中关村科学城公司投资的面壁智能携手清华大学及OpenBMB开源社区，正式推出了ForgeTrain。这是全球第一款完全由AI代码生成、无需人工介入的生产级大模型训练框架。它并非实验性的原型机，而是一套能够直接投入商用、创造实际价值的「AI引擎」。在英伟达H100 GPU环境下，ForgeTrain的训练效率比英伟达自研且业界通用的Megatron框架高出10%。这意味着在相同任务场景下，可直接节
全球首例！国产AI自主构建新一代智能模型
2026年5月27日，全球AI领域迎来里程碑时刻！没错，电影中“AI自我进化、自主创造”的场景，如今在中国成为现实！中国AI企业面壁智能正式宣布：全球首个完全由AI自主研发、无需人工编写核心代码的AI模型成功问世！从构建训练框架到产出全新模型，整个流程均由AI独立完成。这不仅是技术上的重大飞跃，更重新定义了全球AI研发的基本范式！核心亮点：AI造AI，全流程闭环（无手写代码）此次突破并非“AI辅助编码”级别的改进，而是建立了一套完整的工业级自动化流程。三大关键组件构成了完美的自主进化体系：ForgeTra
AI自主构建AI：技术闭环的起点
↓↓↓点赞、转发、关注、获取更多AI实战干货！↓↓↓最近我注意到，AI领域发生了一件令人深思的事。不是因为某个模型性能提升，而是一个完整的自动化流程在2026年5月26日被一家中国公司悄然实现。事件核心非常清晰：执行方：面壁智能，联合清华大学与OpenBMB开源社区。成果内容：推出了端侧大模型MiniCPM5-1B，并开放了其训练框架ForgeTrain的源码。（AI独立造出了AI）最引人注目的地方在于ForgeTrain这套框架——这些代码完全由AI自动生成，而该框架又成功训练出新的AI模型。这个过程让
天工AI推百万Token新模型;阿里Qwen3.7-Max代码力超Claude;面壁开源MiniCPM5
—— ·要点速览· ——2、阿里云加速AI出海，发布全新海外AI产品官网Qwen Cloud3、擎朗智能发布小尺寸人形机器人 XMAN-L1，接入豆包、腾讯等大模型更聚焦的科技行业交流群，捕捉每一条科技动态，诚挚邀请创业者、发烧友加入我们。微信扫码进群：最新、最热的科技资讯；最精准的行业资源对接；论坛、沙龙、企业游学门票。作为全球玻璃基板技术的先驱，英特尔早在2023年9月便将其纳入先进封装路线图，指出玻璃基板相比有机材料可提升最高10倍互连密度，是支撑2030年单封装一万亿晶体管目标的关键路径；2026
AI 自训模型问世！面壁小钢炮成本降一成，性能碾压同尺寸竞品
面壁智能最新一代“小钢炮”正式亮相。5 月 25 日，面壁智能携手清华大学及 OpenBMB 开源社区，共同推出了 MiniCPM5-1B。该模型仅含 1B（10 亿）参数，却在权威评测榜 Artificial Analysis（AA）上斩获 17.9 分的高分，一举超越所有参数量在 2B 以下的模型，即便是参数翻倍的 Qwen3.5-2B 也甘拜下风。更小却更强，这再次印证了面壁曾发表于 Nature 的密度定律：大模型的智能密度大约每 3.5 个月就能翻一番。面壁“小钢炮”系列模型向来以参数小巧、能量
AI 日报：大模型调用激增 / 法拉利首辆纯电 SUV 亮相 / 腾讯 ima 全量开放
点击上方关注我们01全球 AI 大模型调用量五连涨OpenRouter 最新公布的数据显示，全球 AI 大模型总调用量已攀升至 28.9 万亿 Token，较上周增幅达 7.4%，这是该指标连续第五周环比增长，直观表明全球范围内大模型的使用需求仍在持续爆发，未见饱和迹象。从国家竞争角度看，中国 AI 大模型表现格外抢眼。上周中国大模型周调用量达到 9.22 万亿 Token，环比激增 19.89%；同期美国大模型周调用量为 4.93 万亿 Token，环比增长 16.27%。就具体模型排名而言，上周全球调
面壁智能破局：600亿参数模型仅用8G内存，国产算力领跑端侧AI
通常情况下，运行一个8B参数的大模型大约需要16GB显存，参数规模越大，对显存资源的消耗就越严峻，这也推高了硬件成本。不过，现在出现了一种新技术，能让显存需求骤降6倍，同时尽量维持原有的性能水平。这两年全球都在争夺这一前沿技术，而我国凭借国产算力优势，已率先取得突破。该技术能把模型压缩到3B以内，性能保留率高达97%；配合MoE架构，未来只需8G内存的手机就能运行600亿参数的大模型。这一惊人的技术突破背后有何奥秘？传统大模型通常依赖高精度的数值来存储权重，每个权重的可选数值非常丰富，虽然精度高，但非常消
国内首个1.58比特端侧大模型开源发布
IT之家5月25日信息，面壁智能携手清华等机构，今日公布并开源其最新低比特大模型成果BitCPM-CANN。 据透露，该模型为我国首个完全基于华为昇腾平台端到端训练并开源的三值（1.51-bit）大模型。从量化计算、训练方法到整体框架，BitCPM-CANN均在昇腾平台原生构建，提供0.5B、1B、3B、8B四种规模，与同规模MiniCPM4全精度系列逐一对比测试，表现卓越。 相较传统BF16精度，BitCPM-CANN在推理时释放约6倍显存优势，同时保持90%-97.2%模型能力保留率。 官方指出，对移
端侧AI新突破：国产技术实现手机运行大模型的高效压缩
一个 8B 参数的大模型，通常需要约 16GB 显存。参数越多，越吃显存，这就是为什么，内存价格一天比一天高。 现在，有一种方法，可以省下 6 倍显存，却几乎不损耗模型性能。 过去两年，围绕这个看似极端的思路，一条全球性的技术竞赛正在成型。而就在这条赛道上，一个完全基于国产算力的方案，刚刚给出了自己的第一个回答。 模型被压到了不到 3B，同时，能力却可以保留 97%，甚至更进一步，如果结合 MoE 架构，未来可以直接在一部 8GB 内存的手机，运行 600 亿参数的大模型。 听上去匪夷所思，怎么做到的？
面壁智能开源首个基于昇腾训练的1.58位端侧大模型
【TechWeb】5月25日，面壁智能联合清华大学、OpenBMB开源社区共同发布了其在低比特大模型训练领域的最新成果——BitCPM-CANN。这是国内首款完全基于华为昇腾算力平台实现的1.53位端侧大模型，该模型在技术上实现了重要突破。在相同设备配置下，该技术展示首次完成，随后已将其完整模型系列向公众开放。据公开信息显示，相比传统BF16精度，该模型在推理过程中节省了约6倍的显存资源，同时模型能力保持在90%至97.2%之间。在相同终端设备上运行时，可承载的模型能力大幅提升，过去需要1/6的内存即可获
广西人工智能学院联手面壁智能举办大模型实战挑战赛
4 月 26 日，广西人工智能学院正式拉开帷幕，开展了聚焦大模型技术与 OpenClaw 应用的实战训练营及创新挑战赛。桂林电子科技大学校长助理王敬宇，以及来自广西人工智能学院、南宁职业技术大学、北京面壁智能科技有限责任公司等单位的related 负责人共同出席了此次活动。王敬宇指出，广西人工智能学院扎根广西、辐射东盟，致力于服务区域数字经济发展，始终将实践能力与创新精神的培养视为人才培育的核心。此次赛事通过与面壁智能及 OpenBMB 开源社区的深度协作，旨在推动学生从理论迈向实践，完成从技术“使用者”
AI 早报：2026年4月9日
Meta 推出闭源大模型 Muse Spark。4月8日，该实验室发布新品，由前Scale AI CEO Alexandr Wang 领衔。该模型在算力大幅降低的情况下，实现了媲美 Llama 4 中型变体的性能，尤其在多模态和医疗领域表现优异。后续将融入 Meta 旗下社交生态，推动股价上涨 6.5%。智谱 AI GLM-5.1 开源登顶。4月8日，该模型开源，拥有 7540 亿参数。它支持长达 200K 的上下文窗口，在 SWE-bench Pro 测试中位列全球第三、国产及开源第一（超越 Claud