AI Daily

半导体/AI 基础设施观察账号 Jukan 转述韩媒报道：三星电子已决定应 NVIDIA 要求，用 TSMC（台积电，台湾积体电路制造公司）3nm 工艺制造 NVHBM（高带宽内存，与 GPU 封装在一起的高速内存，AI 芯片的算力配套瓶颈之一）的 base die。三星并未完全排除未来用自家晶圆厂生产 base die 的可能性，以防 NVHBM 需求超出 TSMC 产能（Jukan 推文）。

Jukan 在另一条推文中给出产业判断：三星是三大内存厂中他的首选；TSMC 显然无法把太多晶圆产能给 NVHBM，因为还要做 Rubin 与 Rubin Ultra；只有拥有自家 foundry 的三星能承接 NVHBM 的溢出需求（Jukan 判断）。

Jukan 另一条报道：韩媒称中国半导体设备厂商 AMEC 正与韩国功率半导体厂商进行设备验证，测试对象为其 MOCVD 设备，涉及 SK 海力士子公司 SK keyfoundry 与 Magnachip。AMEC 一直无法向三星电子、SK 海力士的韩国晶圆厂供应设备；AMEC 已向 SK 海力士通过收购 Intel NAND 业务（收购于 2020 年下半年）取得的中国大连晶圆厂供应设备（AMEC 验证）。

SemiAnalysis 在 X 上通报，NVIDIA 在 2.8T 参数的 Kimi K3 上达到 423 tok/s/user，1.68× 同硬件加速，源自上游 vLLM 的新优化，由 NVIDIA CentML 的工程师 Benjamin 提交（SemiAnalysis 推文）。

SemiAnalysis 当日在 @inferact 帖下补充：Google 内部成本口径下，初步版本的 TPUv7 Kimi K3 已经可与 GB300 NVL72 竞争（NVIDIA 已在同一硬件上提交了多轮更新）。该 TPU 提交为初版，后续将加入 TPU-Sync KVCache 传输与 offloading 库、不同 PD disagg 比例的组合，预计在"外部客户成本口径"下也能与 GB300 NVL72 竞争（TPUv7 vs GB300 口径 · 后续提交）。

SemiAnalysis 当日另一帖引用：GLM 5.3 的最大跃迁完全来自 post-training——"GLM 5.3 完全由上一模型做 post-training 得到；对我来说这是一次 wake-up call"；"post-training 的 GPU 效率远高于预训练"；"我们对比了 5.3 与 5.2 的网络攻防能力，差距是天壤之别，这都是 post-training 带来的"（GLM 5.3 口径）。

Reflection AI 在 X 上宣布，其 Beam 模型 24 小时内服务了 1 万亿 token，为此重置所有用户的用量上限（Reflection AI 公告）。

Hugging Face 联合创始人 Thomas Wolf 在 X 上发帖做"napkin math"（粗略估算）：Meta、NVIDIA、Alibaba、DeepSeek、Moonshot、Mistral（法国 AI 公司 Mistral AI）等约 30 多家实验室，在 Hugging Face Hub 上累计共享了价值接近 10 亿美元的训练算力，全部可免费下载。此估算基于已公布 token 数或 GPU 小时数的受训模型；这些是"受训练的估计值"的下限；且未计入约 90 万条社区微调（Thomas Wolf 推文）。

Thomas Wolf 在同一线程下回应方法论质疑："成本不等于价值；这只是能数清的部分。免费商品在 GDP 中算 0；他认同 Erik Brynjolfsson 的衡量方式——问'要付你多少钱你才愿意放弃某物'，并提议看看能否在某个时候把这种方法改编用于开源模型"（方法论回应）。关于蒸馏算力归属，"学生只算自己的训练算力；教师在自己一列里计一次；只有在实验室明确报告时（如 Llama 3.2 的 logit 生成），才把教师的推理算力并入"（蒸馏口径）。

@robotsdigest 在 X 上综述 Jingdong Zhang 与 NVIDIA、Texas A&M 团队发布的 S4VY——把前馈架构带入 4D 视觉几何，把 Segment Anything 推进到 4D（S4VY 概述）。

既有模型逐帧处理视频；自 SAM 2 以来，跨多帧跟踪依赖序列传播，这在无序照片集合或长程视觉遮挡下会失效（原理背景）。

S4VY 做法：对所有视图统一编码后，持久对象查询（persistent object queries）单次解码场景中每个实例，使对象身份不受帧序或视觉断裂影响。提示方式——点击一张图上一个点或画一个 bbox（边界框，bounding box），S4VY 把该对象完整的 4D mask 传播到所有视图。自然语言提示由"双流 grounder"在重建后的 4D 空间中隔离并定位目标。一个 agentic 树搜索 pipeline 把文本提示解析为被定位的 4D 对象（提示与架构 · 论文/代码/演示）。

@chetaslua 在 X 上贴图披露，发现三个新 OpenAI 模型代号——aurora red alpha、aurora green alpha、aurora blue alpha；官方尚未公告（Chetaslua 披露）。