字節跳動在 5 月 9 日將 AI 基礎設施支出提高 25% 至 2000 億人民幣

OpenAI 立即終止微調 API，現有用戶可使用至 2027 年 1 月 6 日

根據 Beating 監控到的 OpenAI 官方公告，該公司將即日起停止其面向開發者的自助式微調 API。新使用者將不再能夠建立微調任務，而現有的活躍使用者則可在 2027 年 1 月 6 日之前繼續存取該服務。已部署的微調模型，其推論服務將與其基礎模型的生命週期綁定；當基礎模型下架時，推論服務也將停止。 OpenAI 表示，其新的基礎模型（例如 GPT-5.5）在遵循指令與格式化方面已足夠強大。該公司指出，將提示工程與檢索增強生成（Retrieval-Augmented Generation，RAG）結合使用，比微調更便宜、更快速，且足以滿足多數使用情境。

Sakana AI 與 Nvidia 透過跳過 80% 的無效運算，使 H100 推論速度提升 30% 更快

Sakana AI 和 Nvidia 已開源 TwELL，這是一種稀疏資料格式，可讓 H100 GPU 在大型語言模型中跳過 80% 的無效運算，同時不犧牲準確性。該解決方案在 H100 上可提供最高 30% 更快的推論速度，以及 24% 更快的訓練速度，同時降低峰值記憶體使用量。在 1.5 十億參數模型的測試中，透過訓練期間使用輕量化正則化，該方法將作用中的神經元降至低於 2%，且在七項下游任務中沒有出現效能退化。

Microsoft 將 Phi-Ground 4B 模型開源，表現優於 OpenAI Operator 與 Claude 的點擊螢幕準確率

根據 Beating，Microsoft 最近開源了 Phi-Ground 模型家族，該家族旨在解決「AI 應該在電腦螢幕的哪裡點擊」這個問題。這個 40 億參數版本，並搭配用於指令規劃的大型語言模型，在 Showdown 基準測試中超越了 OpenAI Operator 與 Claude Computer Use 的點擊精度，並在包含 ScreenSpot-Pro 的五項評估中，於所有低於 100 億參數的模型中排名第一。 團隊以超過 4,000 萬筆資料樣本進行訓練，並發現學術論文中常用的三種訓練技術在規模化後變得無效。關鍵方法證實其實很簡單：輸出座標作為一般數字，例如「523, 417」。先前的研究為座標發明了專用位置詞彙，但這些方法無法擴展到更大規模。團隊也發現，將文字指令放在影像之前能提升效能，因為模型在處理像素時就能辨識目標。此外，像 DPO 這類強化學習方法，即使在微調之後也能提升準確度。

Tilde Research 發現 Muon Optimizer 會殺死 25% 的神經元；Aurora 替代方案實現 100 倍的資料效率提升

根據 Tilde Research，DeepSeek V4 與 Kimi K2.5 等領先 AI 模型採用的 Muon 優化器存在隱藏缺陷：它會導致在早期訓練期間，MLP 層的神經元中超過 25% 永久死亡。團隊設計了 Aurora，這是一種替代優化器，並將其開源。參數量 11 億的模型僅用 1000 億 tokens 訓練，就在 HellaSwag 與 Winogrande 等語言理解基準上達到了與在 36T tokens 上訓練的 Qwen3-1.7B 相當的表現，顯示資料效率大約提升了 100 倍。Aurora 相較於 Muon 會增加 6% 的計算開銷，且可作為直接替代方案。

Nvidia 於 2026 年初承諾投資超過 400 億美元於 AI，包括 300 億美元投資 OpenAI

根據 TechCrunch，Nvidia 在 2026 年前幾個月承諾投入超過 400 億美元於 AI 公司股權投資，其中對 OpenAI 的 300 億美元投資是單一最大承諾。這家晶片製造商也承諾最高 32 億美元投資玻璃製造商 Corning，並投資至多 21 億美元給資料中心營運商 IREN，其中包括一份為期五年的認股權證，以及一份價值 34 億美元、用於採用 Nvidia Blackwell 系統的託管 GPU 雲端服務的獨立合約。根據 FactSet 數據，Nvidia 今年宣布了對上市公司進行七項數十億美元級別的投資，同時也參與了約兩打（約 24 次）私營新創公司的募資輪次。