DeepSeek V5转投华为昇腾训练，GPT-6.2与Qwen 4.0齐曝光

国产大模型与海外巨头在同一天释放出密集信号：DeepSeek被曝将在下一代主力模型上首次全量采用华为昇腾芯片做训练，OpenAI内部则传出GPT-6.2 Astra即将落地的消息，阿里通义千问的Qwen 4.0也在评测平台上以匿名形式现身。据B站「Will叔每日AI动态」的梳理，这一轮动态覆盖了算力路线、模型代际和工具链优化三个层面。

DeepSeek V5牵手华为昇腾，国产芯片或打通训练到推理全链路

最受关注的是DeepSeek^广告的算力转向。据视频中引述的报道，DeepSeek V5将首次使用华为昇腾950作为核心训练算力，预计明年落地。如果这一计划兑现，意味着国产芯片在大模型训练环节的角色从「推理替代」升级为「训练主力」。

此前行业里更常见的做法是用国产芯片承接推理负载，训练仍然依赖海外高端GPU。Will叔在视频中提出的判断是，国产芯片的训练与推理有可能就此跑通全链路。这是一个方向性判断，而非已确认的工程结论，实际效果还要看集群规模下的稳定性与生态适配。

另一条值得留意的线索是，DeepSeek前一天出现了局部当机。社区中有猜测认为，这可能是V4.1 Pro上线前的测试动作。当机与版本迭代之间的因果关系并未得到官方确认，属于观测到的现象与推测的组合。

昇腾950与训练/推理分野

在讨论“训练主力”之前，需要区分大模型生命周期的两个算力阶段。训练阶段需要把海量token反复前向、反向传播，对芯片的互联带宽、显存容量和集群稳定性要求极高；推理阶段只做前向计算，对精度和生态的要求相对宽松。过去国产芯片多从推理切入，正是因为训练集群的工程门槛更高。华为昇腾系列是国产AI加速卡的代表，其软件栈CANN承担了类似CUDA的角色，负责算子库、通信库和框架适配。昇腾950若被用于核心训练，意味着不仅要解决单卡算力，还要在千卡/万卡规模下验证通信效率与故障恢复能力。生态适配是另一道坎：主流训练框架和算子需要针对昇腾做移植与调优，这一步的成熟度往往比硬件参数更能决定实际落地效果。

GPT-6.2 Astra临近，匿名模型指向Qwen 4.0

OpenAI一侧，奥特曼公开表示GPT-6.2 Astra「快来了」。OpenAI的Timbo则发了一句关于「肥肥的GPT」的表述。据视频转述，其内部原型在开放数学题上的最低档表现就已超过现有Astra的最高档。这类内部原型数据通常缺少公开评测口径，只能作为方向参考。

阿里这边，Arena评测平台上同时出现4个匿名模型，模型指纹均指向Qwen 4.0。匿名测试是各家在新模型正式发布前的常见做法，指纹指向具有一定参考价值，但同样不等于官方确认。

Arena匿名评测与模型指纹

LMArena（原Chatbot Arena）采用两两盲测、用户投票的Elo式排名机制，是业界观察新模型能力的重要窗口。厂商在正式发布前把模型以匿名代号投放，既能提前收集真实用户偏好，又避免过早暴露版本信息。所谓“模型指纹”，通常指匿名模型在回答风格、拒答措辞、tokenizer行为或特定提示下的稳定特征，社区据此比对已知模型来推测归属。这种推断有参考价值，但存在误判空间：同一基座的不同微调版本可能高度相似，厂商也可能刻意混淆。因此“指纹指向Qwen 4.0”应理解为高概率线索，而非官方确认。

微信视觉团队开源VS1 VL，多任务一个模型全包

开源侧的动作来自微信视觉团队，其开源的VS1 VL把目标检测、OCR、分割、抠图整合进同一个模型。一个比较实用的设计是：当图中没有目标时，模型会直接回答「没有」，拒识准确率达到96.4%。

这种「敢说没有」的能力在检测类模型里并不常见，多数模型倾向于在无目标场景下强行输出框。把拒识做进模型本身，对下游应用的误报控制有实际意义。

据视频中提到的数据，该团队此前已开源超过470款模型，累计下载量突破40亿次。这一体量说明其开源策略已经形成规模化影响。

拒识（Rejection）与目标检测的误报问题

目标检测模型通常在训练时被喂入大量含目标的图像，模型学到的是“给定图，找出框”，缺乏“图中无目标”这一类的显式监督，于是在空场景下倾向于输出低置信度框或背景误检。拒识能力指的是模型在无目标时主动输出“没有”而非强行给框，其准确率需要专门的负样本集来评测。把拒识内建到多任务视觉模型中，对工业质检、内容审核、自动驾驶感知等下游场景意义明显：误报会直接转化为人工复核成本或误触发。96.4%的拒识准确率若能在分布外场景保持，才算真正可用，这一点仍需更多独立评测验证。

Codex换掉Git服务端，推送延迟大幅下降

工程侧的消息是OpenAI为Codex重做了Git服务端Pando。据称中位推送延迟砍掉近8成，每天承载约1PB数据。对以代码生成为核心的场景来说，底层版本控制服务的延迟直接决定交互体验的上限，这类基础设施改造往往不如模型发布显眼，但对日常使用感受的影响更直接。

MIT发现前沿模型能「手写」神经网络

最后一条偏研究性质。MIT发现前沿模型可以直接手写神经网络，GPT-6.2 Astra从零写出的打砖块网络，得分据称是PPU训练版本的20倍。这一结果如果成立，指向的是模型具备一定程度的架构级生成能力，而不只是代码补全。单一来源的实验结论仍需更多复现验证。

把这几条放在一起看，当天的动态呈现出两条并行的主线：一条是算力自主，DeepSeek与昇腾的组合尝试把训练环节也纳入国产体系；另一条是代际竞赛，OpenAI与阿里都在为下一版本蓄力。两条线的交汇点，最终会落在谁能以更低成本、更稳定地把模型训练出来并推送到用户手上。

神经架构搜索与“模型写模型”

让模型自动设计神经网络并非全新概念，此前的神经架构搜索（NAS）依赖搜索算法在候选空间内迭代评估。MIT这项发现的不同之处在于，前沿模型直接以代码形式从零写出可训练的网络结构，跳过了显式搜索循环。打砖块这类强化学习任务对网络结构敏感，得分高低受训练稳定性、超参和随机种子影响很大，“20倍”这类对比需要明确基线配置才有意义。若结果可复现，它指向的是模型具备一定架构级归纳能力，但距离可靠地替代人类设计网络仍有距离，单一实验来源的结论应谨慎看待。