ChatGPT新模型Bel被曝預訓練完成，參數高達10萬億
OpenAI 旗下新一代 ChatGPT 模型，傳出以代號「Bel」之名完成預訓練階段的消息，消息一出，立刻在人工智慧領域投下震撼彈。這款備受矚目的模型，外界最關注的焦點莫過於其參數量——據傳高達十萬億（10 trillion）之譜。若此數字屬實，Bel 將一舉躍升為當前市場上規模最龐大的語言模型之一，也將大幅改寫外界對頂尖模型能力邊界的想像。過去一段時間，業界對於 GPT-4 系列模型的參數規模始終議論紛紛，各種猜測與流言從未間斷，但始終沒有一個確切的答案。
如今 Bel 傳出的驚人參數量，若是真正的規格，等於直接超越先前所有針對 GPT-4 系列的推測，將大型語言模型的體積推向一個全新的層級。對許多長期追蹤 OpenAI 動態的研究者與開發者來說，這個數字本身代表的意義，已經不只是單純的規模成長，而是背後運算資源、資料集與訓練技術的一次全面性躍進。在人工智慧的技術語彙中，參數量通常被視為模型「容量」的關鍵指標。參數越多，模型理論上能夠記憶與歸納的知識就越多，也越有能力在複雜的語意脈絡中尋找規律。這也意味著，若 Bel 的十萬億參數屬實，它在理解複雜指令、進行多步驟推理，以及回應涵蓋不同領域的知識性問題時，都有機會展現出與現有模型截然不同的表現。
外界普遍認為，這種規模帶來的未必只是「更會聊天」的進步，而是可能讓模型在某些任務上產生質變，表現出更接近人類思考方式的跡象。正因如此，許多業界觀察者將 Bel 視為 OpenAI 朝 AGI——也就是通用人工智慧——目標邁進的關鍵一步。AGI 被定義為具備與人類同等甚至超越人類的廣泛認知能力，能夠在不同領域中自主學習、推理與解決問題。近年來，OpenAI 對於 AGI 的追求始終是公開的發展願景，而像 Bel 這樣規模空前的模型，正是這條路徑上極具象徵意義的里程碑。十萬億參數是否足以讓模型跨越某些過去無法跨越的能力門檻，是當前討論中最令人好奇的問題。
不過，必須強調的是，截至目前為止，OpenAI 官方尚未正式對外證實 Bel 的存在，也沒有公布任何具體的技術規格。換句話說，關於參數量的數字、預訓練完成的時間點，乃至於模型最終的產品名稱，目前都仍停留在「傳聞」與「爆料」的階段。官方選擇沉默的態度，在某種程度上也加深了外界的好奇，究竟是單純的市場謠言，還是新產品發表前刻意保留的伏筆，各方解讀不一。儘管官方未有明確說法，相關消息已經在 AI 圈與開發者社群之間迅速發酵。從技術論壇到社群媒體，討論的熱度持續攀升，不少人在猜測 Bel 與先前版本的技術關聯，也有人忙著推算訓練這樣一個龐大模型所需的算力規模與成本。
這些討論反映出一個事實：在當前的人工智慧領域，OpenAI 的每一步動作都備受全球矚目，任何風吹草動都可能牽動整個產業的走向。現階段，外界最關心的問題有兩個。首先是 Bel 這項預訓練成果，後續會如何轉化為實際的產品功能。大型語言模型從預訓練完成到正式上線，中間通常還需要經過諸多調整與最佳化階段，最終呈現給使用者的樣貌，未必與實驗室內部的版本完全相同。其次，則是這款模型何時會向一般用戶開放。ChatGPT 目前在全球擁有數量龐大的使用者，每一次模型版本的更迭，都會直接影響數以億計的人們日常使用體驗。在更廣泛的產業背景之下，Bel 的傳聞也讓外界再度審視當前大型語言模型的競賽態勢。
各家科技巨頭與新創公司無不投入大量資源，試圖在模型規模與效能之間找到最佳平衡點。參數量的軍備競賽是否會就此進入一個全新的階段，亦或是在某個臨界點之後，業界的關注焦點會轉向效率、成本與實際應用的深化，都是值得持續觀察的趨勢。回想起來，從 GPT-3 問世到 ChatGPT 席捲全球，再到多模態能力的整合，OpenAI 每一次的技術突破，幾乎都重新定義了人們對人工智慧的認知。如今 Bel 的出現，雖然仍蒙著一層神秘的面紗，但光是「十萬億參數」這個數字，就足以讓許多人對下一代語言模型的潛力抱持高度期待。
究竟 Bel 是否真如傳聞所言，又會以何種形式呈現在世人面前，一切仍有待 OpenAI 在未來正式揭曉答案。
Related
相關文章
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。
長鑫科技市值兩月內跌去1萬億；阿里加碼AI硬件品牌，天貓、速賣通聯動；國行版蘋果AI有望12月上線，百度、阿里參與合作丨雷峰早報
要聞提示1.長鑫科技市值兩月內跌去1萬億2.年內已至少18次故障！DeepSeek發放宕機補償，有人拿到3000元3.阿里加碼AI硬件品牌，天貓、速賣通聯動4.國行版蘋果AI有望12月上線，百度、阿里參與合作5.可靈AI新一代模型Kling 4.