神秘「牛來」模型果然是智譜，GLM首個原生多模態，還用的國產卡
智譜AI近日低調釋出的神秘模型「牛來」，終於揭開真面目。外界原先猜測不斷，如今官方證實，這款代號「牛來」的模型正是GLM系列最新成員——GLM-5.3 Flash。值得注意的是，這是GLM家族首個原生多模態模型，意味著從架構設計之初就整合了文字、影像等多種輸入處理能力，而非事後拼接的模組化方案。「牛來」這個帶有吉祥意味的代號，在農曆新年將近之際格外引人注目。智譜AI選擇以這樣一個親切且富有意涵的名字作為內部代號，讓外界一度對其真實身分充滿好奇。如今謎底揭曉，這款模型不僅是GLM系列的重要更新，更承載了智譜在兩個關鍵賽道上的戰略布局。從技術層面來看，GLM-5.
3 Flash最大的亮點在於其「原生多模態」的設計哲學。過去許多所謂的多模態模型，往往是在既有的大型語言模型基礎上，另行嫁接視覺編碼器等元件，以達到處理圖像輸入的目的。然而，這種事後拼接的做法，在跨模態的資訊整合與對齊上，往往存在先天限制。GLM-5.3 Flash則不同，它在架構設計之初就將文字、影像等多種輸入的處理能力納入整體規劃，讓模型從底層就能夠自然地理解與融合不同型態的資訊。這種原生多模態的設計，對於實際應用場景的意義相當深遠。無論是文件理解、圖表分析，還是更複雜的多媒體內容生成，原生多模態模型都能夠展現出更流暢、更一致的表現。
智譜選擇在此時推出這樣一款產品，顯然是看準了企業級市場對於多模態理解能力的強勁需求。更令市場關注的是，這款模型採用了國產加速卡進行訓練與推論。在當前AI晶片供應受限的背景下，智譜選擇以國產硬體支撐原生多模態模型的開發，不僅展現其對本土算力生態的信心，也為後續大規模部署提供了更具自主性的技術路徑。近年來，全球AI產業對於高階運算晶片的需求急劇攀升，但地緣政治因素與出口管制措施，卻讓許多中國AI公司面臨算力取得上的不確定性。在這樣的環境下，智譜AI透過與國產加速卡廠商的深度合作，成功讓GLM-5.3 Flash在國產硬體上完成訓練與推論，這不僅是技術實力的展現，更具有戰略層面的意義。
從產業角度來看，智譜此舉無疑為中國AI產業鏈的自主化注入了一劑強心針。長期以來，AI模型的訓練高度依賴少數國際大廠的先進晶片，這使得算力成為制約本土AI發展的關鍵瓶頸。智譜以實際行動證明，國產加速卡已經具備支撐先進模型開發的能力，這對於整個本土算力生態系的成熟與壯大，具有指標性的示範作用。GLM-5.3 Flash的命名也透露出智譜的產品策略。Flash系列在GLM家族中向來定位為兼顧效能與效率的版本，適合需要快速回應、大規模部署的應用情境。此次將原生多模態能力導入Flash級別的模型，意味著智譜希望將多模態功能普及化，讓更多開發者與企業用戶能夠以合理的成本，享受到先進多模態技術所帶來的效益。
在實際應用層面，GLM-5.3 Flash的推出，可望為智慧客服、內容審核、教育科技、智慧醫療等眾多領域帶來新的可能性。例如，在智慧客服場景中，模型不僅能理解用戶的文字輸入，還能同時分析上傳的圖片或截圖，提供更精準的解答；在內容創作領域，多模態的理解能力也能夠協助創作者更有效率地處理圖文並茂的素材。智譜AI作為中國AI大模型領域的重要玩家，其每一步動向都備受產業界關注。此次GLM-5.3 Flash的登場，讓「牛來」這個帶有吉祥意味的代號，正式成為智譜在原生多模態與國產算力雙重賽道上的關鍵一步。這不僅是一次產品更新，更傳遞了智譜對於技術路線選擇的明確態度。
展望未來，隨著國產加速卡效能的不斷提升，以及智譜在原生多模態技術上的持續深耕，GLM系列可望在更多場景中展現其獨特價值。而「牛來」這個名字，或許也預示著智譜在即將到來的一年中，將以更強勁的姿態，在AI領域持續向前邁進。對於關注中國AI發展的產業人士而言，GLM-5.3 Flash的表現，無疑值得密切觀察。
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。