Cerebras以约3万亿参数的Kimi K3为例，给出4位量化、59片WSE-3T晶圆的部署方案，单请求延迟与总吞吐仍需通过微批次大小取舍。GVS5H称，五个Qwen3.8-27B实例协作，将100道LiveCodeBench难题的pass@1从66.8%提升至92.4%，但部分模型未获益甚至退步。Apollo称，科技业之外尚未见AI财务回报，标普其余493家公司的人均营收与利润率持平，token开支仍被主流企业视为利润率压力。
Cerebras把模型部署问题具体化为晶圆数量、缓存容量和批次取舍。
Cerebras公布万亿参数模型部署方案：以约3万亿参数的Kimi K3为例，采用4位权重量化需用59片WSE-3T晶圆。模型权重驻留片上SRAM，晶圆间仅传输激活值，并通过流水线同时处理多个请求。并发上限受稠密层的KV缓存空间限制；较小微批次降低单请求延迟，较大微批次提高总吞吐。
读原文 →🔍 深度解读：Cerebras让权重驻留片上SRAM后，并发瓶颈仍落在稠密层的KV缓存上；容纳约3万亿参数，并不等于能同时服务足够多的请求。对部署方而言，59片WSE-3T只是容量起点，选型还必须区分低延迟服务与高吞吐服务，不能用同一组微批次配置衡量两者。
五个Qwen实例在指定难题集上超过Fable 5，但协作并非对所有模型有效。
GVS5H称，五个Qwen3.8-27B实例协作，在最新100道LiveCodeBench难题上将pass@1从66.8%提升至92.4%，对照Fable 5为90.4%。该方法无需训练，靠共享文件系统保存计划、笔记和当前解答，让模型分解任务并协调执行。但收益并不普遍：部分模型表现不变或变差。
读原文 →🔍 深度解读：GVS5H用共享文件系统组织计划、笔记和解答，把提升能力的路径从训练转向推理时协作。92.4%高于Fable 5的90.4%，但部分模型协作后反而退步，意味着开发者需要验证“模型与协作机制”的组合，而不能把增加实例数直接当作能力升级。
企业利润指标尚未显示普遍收益，创意业岗位减少也不能直接归因于AI。
Apollo发布分析称，科技业之外尚未见AI带来财务回报。其依据是：Mag 7的人均营收与利润率上升，而标普其余493家公司两项指标持平，生产率增长也未见AI提振。Apollo认为，主流企业正将token开支视为挤压利润率的成本，而非增长来源；若AI应用局限于经济的一小部分，宏观影响将有限。
读原文 →Apricitas指出，美国创意产业过去四年流失逾20万个岗位，仅最近一年就减少约5万个。数字艺术各子行业都在失岗，现场娱乐就业却仍健康增长，文章将这一反差视为AI影响的线索。但文章强调，AI造成的失岗规模很难精确证明，其影响与好莱坞整合、内容制作外包、社交媒体替代传统媒体等因素难以区分。
读原文 →🔍 深度解读：Apollo观察的是标普其余493家公司的财务指标，Apricitas追踪的是创意产业四年逾20万个岗位的流失，两者并不构成相互否定的证据：就业结构变化不等于企业已兑现利润增长。对企业和行业分析者而言，既不能用“尚无财务回报”排除岗位影响，也不能用创意业失岗证明AI已带来生产率收益，尤其后者还与整合、外包和媒体替代交织。
对9个模型的研究提示，信息密度与沟通效果可能存在张力。
arXiv论文分析了9个前沿及近前沿模型的文本：相比人类写作，它们都更常使用无生命主语搭配有生命动词，以及低频词组。多数模型在对话中还使用更长的句法依赖、更多名词堆叠。研究者提出，数学、代码和推理等目标可能促使模型追求信息密度，而非沟通效果；以长度惩罚微调模型的概念验证实验，也使其语言行为更偏离人类。
读原文 →