李大海、劉知遠等聯創發全員信：面壁智能要打三場硬仗
面壁智能聯合創辦人李大海、劉知遠近日向全體員工發布一封全員信，明確揭示公司下一階段將聚焦三大戰略方向，並宣示團隊正從「模式跑通」邁向「規模躍遷」的關鍵轉折點。這封信不僅形塑了面壁智能未來數年的發展藍圖，也反映出這家專注於端側人工智慧領域的新創企業，在技術落地與商業化上已積累足夠動能，準備好迎接更大幅度的成長。全員信首先強調，面壁智能將持續圍繞「密度定律」推進端側智能技術的研發。所謂「密度定律」，指的是在有限的運算資源與模型效能之間追求極致效率，讓人工智慧不僅變得更強大，更重要的是變得更輕量、更貼近終端裝置的運行環境。
這項策略的背後，是面壁智能對未來AI應用場景的深刻洞察：當人工智慧必須在手機、車載系統、邊緣設備等資源受限的平台上即時運作時，唯有透過密度定律的指導，才能讓模型在不犧牲表現的前提下，實現真正的普適部署。第二項戰略重點，則是將已在垂直行業建立起的標竿案例，進一步推向規模化應用。面壁智能過去幾年陸續在多個產業領域累積了落地經驗，無論是智能座艙、旗艦手機，還是社區管理、衛星通訊、法律服務、行政系統等場景，都已經有具體的合作成果。然而，單點成功並不能滿足公司對未來成長的期待。
信中明確指出，下一階段要將這些經過驗證的解決方案，轉化為可快速複製、標準化輸出的產業級產品，讓更多客戶能夠直接受益，從而加速AI技術在各行各業的滲透。第三項重點則聚焦於內部運作方式的根本性升級。面壁智能計畫透過AI改造自身的協作流程、知識管理體系與研發環節，讓公司本身成為AI應用的最佳示範場域。這不僅是為了提升內部效率，更重要的是，透過親身實踐AI改造的過程，團隊能夠更深入地理解客戶在數位轉型過程中可能遇到的痛點，進而設計出更貼近實際需求的解決方案。這種「自己先做一遍」的策略，在AI新創圈中並不多見，卻也凸顯出面壁智能對技術落地的執著。
全員信中也揭露了具體的成績單，為外界提供了一窺面壁智能技術實力的窗口。旗下MiniCPM系列開源模型，全球累計下載量已正式突破5000萬次，這個數字不僅代表社群對該系列模型的高度認可，也反映出開源生態對面壁智能技術路線的肯定。在模型能力方面，MiniCPM已涵蓋文本、視覺、語音等多種模態，能夠處理從文字理解到圖像辨識、從語音互動到多模態融合的複雜任務，為後續應用場景的拓展奠定了堅實的技術基礎。在應用端，面壁智能的端側模型已成功導入汽車智能座艙，與車廠合作打造更自然、更即時的車載語音與視覺互動體驗；同時也進入旗艦手機，成為終端AI功能的重要推手。
除此之外，這些模型還進一步拓展至社區管理、衛星通訊、法律服務、行政系統等多元場景，顯示技術落地範圍正持續擴大。從智慧城市到智慧交通，從專業領域到日常生活，面壁智能的端側AI正在多個領域逐步站穩腳跟。李大海與劉知遠在信中強調，這些成績並非終點，而是下一階段規模化發展的起點。從「模式跑通」到「規模躍遷」，面壁智能需要打三場硬仗：一是持續深耕密度定律，讓端側模型在效率與能力上持續突破；二是將單點標竿案例轉化為可複製的產業方案，實現更大規模的商業化落地；三是用AI改造自身，讓公司成為AI應用的最佳樣板。這三場硬仗環環相扣，缺一不可，也將決定面壁智能能否在競爭日趨激烈的AI市場中，站穩一線地位。
全員信最後也透露，面壁智能團隊對於未來充滿信心，並呼籲全體同仁保持創業初心，以技術為本、以落地為要，在每一個細節上追求極致。隨著端側AI市場逐步成熟，面壁智能的三大戰略方向不僅為自身發展指明道路，也為整個產業提供了一個值得關注的參考樣本。
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.