智譜認領“牛來”：匿名六天，讓全球開發者用掉數十萬億Token
中國 AI 大模型公司智譜近日正式對外證實，先前在開發者社群中引發熱烈討論的神祕模型「牛來」，正是出自其團隊之手。這款以匿名形式登場的模型，在短短六天內便吸引全球開發者爭相測試，累計消耗的 Token 數達到數十萬億規模，成為近期開源社群與 AI 圈最受矚目的焦點之一。「牛來」最初以匿名身分低調現身，並未掛上任何公司或團隊名稱，卻憑藉出色的程式碼生成與邏輯推理能力迅速累積口碑。許多開發者在不知其來源的情況下，主動將它整合進自己的工作流程，甚至展開各項評測與比較，意外讓這個「來路不明」的模型在短時間內締造驚人的使用量。
對開發者而言，一個沒有品牌光環、沒有官方文件背書的模型，能在六天內獲得如此大規模的採用，本身就說明了技術實力的說服力。在 AI 開源社群中，模型的好壞往往一測便知，程式碼生成的正確率、邏輯推理的連貫性、回應速度與穩定度，都是開發者用腳投票的依據。「牛來」能在匿名狀態下闖出名號，代表它在這些關鍵指標上確實經得起考驗。值得注意的是，「牛來」的爆紅並非來自大規模行銷活動，而是靠著開發者之間的口耳相傳。從技術論壇的討論串、社群媒體的評測分享，到 GitHub 上的實際整合案例，這個神祕模型逐漸在開發者圈層中擴散開來。許多人在使用後驚豔於其表現，進而主動推薦給同事與朋友，形成了一股自發性的傳播熱潮。
數十萬億 Token 的消耗量，某種程度上也印證了開發者對高品質開源模型的高度渴求。在當前 AI 應用蓬勃發展的階段，無論是程式輔助工具、自動化腳本生成，還是複雜的邏輯推理任務，開發者都迫切需要一個可靠且高效的模型來支撐日常工作。而「牛來」的出現，恰好填補了這個需求缺口。智譜選在此時認領「牛來」，等於正式揭開這波社群熱潮背後的神祕面紗。對外界而言，這不僅是一次成功的技術展示，也反映出當前 AI 模型競爭已從單純的參數規模競賽，轉向實際開發者體驗與生態滲透力的較量。
過去，各家廠商往往以參數量、基準測試分數作為宣傳重點；如今，真實世界中的開發者採用率與 Token 消耗量，正逐漸成為更具說服力的衡量標準。從另一個角度來看，匿名發布本身就是一場大膽的實驗。在 AI 模型市場中，品牌信任與企業聲譽向來被視為重要的競爭資產，但「牛來」的案例證明，只要技術實力足夠突出，即使沒有品牌加持，也能在短時間內獲得市場認可。這對資源有限的新創團隊或研究機構而言，無疑是一個鼓舞人心的訊號。當然，智譜選擇在「牛來」累積足夠聲量後才出面認領，也有其策略上的考量。
一方面，這讓模型能夠在不受品牌偏見影響的情況下接受市場考驗，獲得更真實的使用者反饋；另一方面，當開發者得知自己長期使用的優秀模型其實來自智譜時，對品牌的好感度與信任感也會隨之提升，達到事半功倍的效果。這場「匿名發布、口碑發酵、品牌認領」的三部曲，也為 AI 產業的行銷與推廣模式提供了新的思路。在資訊爆炸的時代，開發者對於廠商自賣自誇的宣傳早已疲乏，反而是這種帶有神祕感與探索樂趣的發布方式，更能激起社群的參與熱情。從結果來看，「牛來」的成功不僅是技術上的勝利，更是一場精心設計的社群實驗。隨著智譜正式認領「牛來」，外界也開始重新審視這家中國 AI 公司的技術布局。
智譜近年來在開源模型領域持續投入，旗下多款模型在國際評測中都有不俗表現。此次「牛來」的意外爆紅，讓更多人注意到智譜在程式碼生成與邏輯推理方面的深厚累積，也為其後續的產品發展增添了更多想像空間。對全球開發者而言，「牛來」的故事還有一個更深層的啟示：在 AI 模型快速迭代的當下，真正有價值的模型終究會被看見，無論它以什麼樣的面貌登場。數十萬億 Token 的消耗量，不只是數字的堆疊，更代表著無數開發者實際投入的時間與信任。而這份信任，正是 AI 生態系持續壯大的核心動力。
Related
相關文章
Mistral AI Releases Timestral: A 209M Forecasting Model Family That Outperforms Google’s TimesFM-3
Mistral AI has released Timestral, its first family of time series foundation models. Timestral is a set of 4 zero-shot forecasting models from Mistral AI, sized from 5M to 209M parameters.
Google 開源 Harness²：遞迴代理程式框架，無需新模型也能提升效能
Google Cloud AI Research 開源了 Harness²，這是一個遞迴代理程式框架，透過改良凍結模型周圍的程式碼與檔案來增強效能。對開發者而言，重點很簡單：你的代理程式無需更強大的模型也能進步。重點摘要：規模為框架而非模型，訓練參數為0，包含8個可編輯的框架元件，版本0.1.0。執行環境為Linux、Python 3.12或3.13搭配uv，模型呼叫則透過Vertex AI。GPU需求未公開。效能方面：一次改良步驟即可在3個基準測試中，提升所有4個模型與框架組合的表現。最佳成果：GLM-5搭配OpenCode在WorkBuddy-Bench上從64.2提升至75.7（+11.5點）；最差表現：GLM-5搭配Codex在JobBench上僅提升1.2點（23.6至24.8）。什麼是Harness²？它是Google研究推出的即插即用框架。
如何利用NVIDIA結構化資料模型進行零訓練表格預測
In this tutorial, we implement Structured Data Models, NVIDIA’s new library that puts several pretrained foundation models for tables behind one PyTorch interface, and use it to make predictions without training.
認識 Kyutai REKI：2.4B VLA 模型為機器人操控帶來高效記憶
Kyutai 與 Inria 及 École des Ponts 合作，推出了 REKI——一個用於機器人操控的 2.4B 參數視覺-語言-動作模型（VLA）。該模型僅使用公開數據進行預訓練，並配備了輕量級的近期記憶功能。在三個分佈外基準測試中，僅有規模約為其兩倍的模型能超越它。所有模型權重已於今日在 Hugging Face 上公開。核心資訊：規模：2.4B 參數（2.2B Qwen3.5-2B VLM + 0.2B 流匹配動作專家）。記憶涵蓋最近 3 幀，間隔 1 秒。運行環境：在 1 張 NVIDIA H100 上進行基準測試。從兩個 256×256 攝像頭輸入，編譯後每個動作區塊耗時 21.8 毫秒。權重以 BF16 格式提供，暫無量化版本。性能：在 LIBERO-Plus 和 RoboTwin Clean2Rand 基準測試中，為公開數據預訓練的 VLA 模型中最優；在 LIBERO-Plus 上達到 90.4% 的最高分。
DeepSeek 發布 V4.1-Flash-1017，DeepSWE 得分 77.0，並開放搜尋 API
DeepSeek 剛發布 DeepSeek-V4.1-Flash-1017，這是其 V4.1-Flash 模型的新檢查點，現已在 DeepSeek 網站、應用程式及 API 上線。DeepSeek 宣稱該版本在性能、任務完成速度與輸出簡潔度上均優於 9 月發布的 V4.1-Flash，並稱之為性能與成本的帕累託改進。同時，DeepSeek 也向所有開發者開放了搜尋與擷取 API。對代理建構者而言，這意味著更便宜的編碼模型加上單一 API 金鑰即可使用的第一方網路層。重點摘要：骨架參數 552B，另加 196B 的 Engram 參數；預填充階段每 token 啟用 8B 參數，解碼階段啟用 16B 參數；上下文長度達 1M tokens，最大輸出 384K tokens。運行於 DeepSeek API 的 deepseek-flash 模型。9 月版的 V4.1-Flash 權重（763B 參數，FP8）採 MIT 授權。
2026年20款Jev替代方案：挑戰TypeSafe的決策模型
TypeSafe於2026年9月15日推出Jev，這是一款決策模型而非聊天機器人。使用者可定義允許的答案，Jev將回傳標籤、分數或是否的機率。約4週內，至少20款Jev替代方案相繼問世，來自Cloudflare、OpenAI、Perplexity、Liquid AI、AWS的Strands Labs及獨立開發者。本指南比較各方案在規模、授權、硬體、價格、Jev API相容性及已發布基準測試的表現。重點摘要：規模範圍從287M（GLiNER2.5-multi-Decide）到35B-A3B（Mapika Decider），Jev規模未公開。執行環境：Von和Laya等編碼器可在CPU上運行，4B適配器適用24 GB GPU或32 GB Mac。效能：多數開源模型在困難推理上落後Jev，但在狹窄分類任務上數款與之匹敵或超越。最佳表現：Cloudflare Clef在BANKING7取得94.20分。