FDE岗位为何爆火：月薪5万的前线部署工程师都做什么
量子位访谈6位FDE从业者，梳理这一岗位的分工与现状。海外方面，Anthropic宣布投资1亿美元在2027年底前培训1万名FDE，AWS拿出10亿美元组建FDE部门；国内Kimi联合IT服务商共建FDE队伍，腾讯云推出FDE工程师认证。
推荐理由：通过访谈多位从业者还原FDE的真实工作流与商业化路径，读者可以借此理解这个岗位为何在AI时代变成咨询与驻场的混合体。
Kimi / 月之暗面
全部主题月之暗面 Kimi 系列模型与产品动态：K 系列开源模型、长上下文技术与产品演进的追踪。
当前仅显示精选新闻最新精选
第 1–20 条 · 共 38 条量子位 · 微信公众号精选AI 评分6767
X.PIN@thexpin精选AI 评分6565OpenAI 称超过 15000 个账号试图提取其模型推理，并将一个核心群体与 Kimi 开发商 Moonshot AI 的关联者联系起来，Anthropic 今年 2 月也曾提出类似说法。
推荐理由：原文同时列出双方各自的争议与诉讼背景，有助于理解这条指控在行业数据使用之争中的位置。
AI前线 · 微信公众号精选AI 评分8181 OpenAI DevDay发布dots、Space与GPT-6.1 Sol，Codex接入GLM与Kimi，Pro 200额度腰斩
OpenAI在DevDay上发布由GPT-6 Astra驱动的24小时个人智能体dots、协作套件Space与Pages，以及主打长程任务的GPT-6.1 Sol，其缓存价格降至0.10美元/百万Token。
推荐理由：汇总了OpenAI DevDay多项发布的具体额度数字、定价与权限设计，还给出Pro 200降配等社区争议细节。
@thexpin@thexpin精选AI 评分7171 
推荐理由：Anthropic 指控阿里、Moonshot 与 DeepSeek 未授权用 Claude 训练竞品模型，并给出各家调用量数字，可用于观察模型蒸馏争议的走向。
@rohanpaul_ai@rohanpaul_ai精选AI 评分6666 
推荐理由：报告披露封禁后转售商数日内恢复服务，可用于观察模型能力提升后生物滥用管控的边界变化。
@thexpin@thexpin精选AI 评分6565 
推荐理由：美国三家机构指控多家中国公司以蒸馏方式大规模提取美国模型能力，争议焦点落在授权与访问同意上。
@rohanpaul_ai@rohanpaul_ai精选AI 评分7979 
推荐理由：公告列出了被指控的蒸馏渠道与行为检测指标，读者可看到模型输出和账号用量如何被当作判定依据。
虎嗅APP · 微信公众号精选AI 评分7979 虚构的百亿份额：投资人为抢 DeepSeek 融资额度落空
《财经》杂志报道，投资人追逐 DeepSeek 新一轮融资份额数月，最终发现嘉兴时远、青岛浩正等机构兜售的通道份额均未出现在首轮融资交割名单中。多位参与交易人士称，DeepSeek 最新估值约5000亿元，计划在第二轮融资500亿元，并要求投资者锁定期五年。月之暗面已于8月14日声明不存在所谓的朋友基金、老股额度或授权中介，并已就虚假融资乱象向公安机关反映。
推荐理由：报道还原了围绕 DeepSeek 与月之暗面份额交易的虚假通道和高额费率细节，呈现一级市场 AI 融资的信息不对称。
@Thom_Wolf@Thom_Wolf精选AI 评分7171 
推荐理由：材料呈现了智能体群体自行研究评测流程的现象，并把它与训练和部署边界的问题联系起来。
@thexpin@thexpin精选AI 评分6868 推荐理由：报道给出月之暗面在港交所保密递表及新一轮估值，读者可据此跟踪其上市节奏与融资安排。
LMSYS Blog精选AI 评分6060 SGLang 发布 SSD Expert Pack，在消费级硬件上运行 DeepSeek-V4-Flash 和 Kimi-K3
SGLang 将 SSD-LLaMA 的核心思路引入 MoE 推理，把放不进 VRAM 和内存的路由专家权重放在 NVMe SSD 上，通过 Expert Pack 连续布局、O_DIRECT 直接 I/O、pinned 暂存和 GPU 缓存，只加载 router 选中的专家。
推荐理由：原文给出完整机制说明和单卡实测数据，读者可以据此评估 NVMe SSD 承载超大 MoE 模型的可行性。
@rohanpaul_ai@rohanpaul_ai精选AI 评分6868 
推荐理由：报道给出 DeepSeek 的 API 毛利率与基础设施投入倍数，读者可对照其涨价幅度判断成本优势还能保留多少。
AI前线 · 微信公众号精选AI 评分7777 OpenAI 公布自研推理芯片 Jalapeño 实测结果，多项指标超过英伟达 GB300
OpenAI 公布自研推理芯片 Jalapeño 的实测结果，在 GPT-OSS 120B、DeepSeek R1 670B 和 Kimi K2.5 1T 上，峰值每瓦吞吐量达到对比系统的 1.5 至 1.9 倍，端到端延迟优于对手 1.7 至 3.6 倍。
推荐理由：OpenAI 公布自研推理芯片的实测对标数据，可看到模型公司自研算力对现有 GPU 与软件生态的实际冲击。
@kimmonismus@kimmonismus精选AI 评分7171 
引用@kimmonismus@kimmonismusHoly: OpenAI says its first custom inference chip is already beating Nvidia GB200 and GB300 systems on speed and efficiency. Across GPT‑OSS 120B, DeepSeek R1 670B, and Kimi K2.5 1T, Jalapeño delivered 1.5–1.9× more AI work per watt at peak throughput and 1.7–3.6× lower end-to-end latency in OpenAI’s own InferenceX testing! For highly interactive workloads, OpenAI reports 2.1–4.1× higher performance. The chip is rated at 700 watts, but remained at or below 550 watts during the tested workloads. OpenAI plans to begin deploying Jalapeño by the end of 2026. Gen 2 is already deep in development, with Gen 3 taking shape. Probably thats why Tibo said that in 1-2 years 750token/s will be the default
推荐理由：原文给出 GPT-Astra 用 Codex 生成 kernel 的具体加速数据，读者可据此了解 AI 编写底层算子的表现。
@alibaba_cloud@alibaba_cloud精选AI 评分7474 
推荐理由：阿里云给出 Kimi-K3 的参数量、上下文规格与两个平台的试用入口，可据此判断其可用渠道与定位。
MarkTechPost精选AI 评分7777 FreeToken：单张工作站 GPU 运行 753B GLM-5.2 的边缘 MoE 推理引擎
UC Berkeley 与 UT Austin 研究团队提出边缘原生 MoE 推理引擎 FreeToken，把个人机器当作统一弹性推理平台，可在单张工作站 GPU 上运行 753B 的 GLM-5.2。
推荐理由：文中给出多档消费级与工作站 GPU 的实测吞吐和缓存命中率，可作本地 Agent 推理的选型参考。
@kimmonismus@kimmonismus精选AI 评分7171 
推荐理由：报道给出的资金与团队规模，让读者能看清英伟达自研开放权重模型的投入量级及其双线竞争位置。
@ArtificialAnlys@ArtificialAnlys精选AI 评分7878 
推荐理由：GLM-5.3 与 Kimi K3 并列开源权重模型最高分，智能体能力提升明显且单任务成本低于同档模型。
Nathan Lambert: Interconnects精选AI 评分7171 Nathan Lambert 解析 GLM-5.3 为何能紧跟前沿
Z.ai 发布 GLM-5.3，目前仅在 coding plan 提供，两周内将开放权重到 Hugging Face。作者认为其与 GLM-5.2 同底座、靠大幅扩展后训练提升成绩，在部分智能体编码基准上超越 Kimi K3 甚至个别超越 Claude Fable 5 或 GPT-5.6-Sol，参数约 750B。
推荐理由：作者给出了对 GLM-5.3 成绩来源的解释框架，包括发布节奏、后训练策略和 RL 数据产业等背景，可用于理解中美前沿模型竞争的成因。
IT Home精选AI 评分7777 华为昇腾 0day 适配 Kimi K3，支持训练与推理部署
月之暗面于 2026 年 7 月 27 日正式开源 Kimi K3，总参数量达 2.8 万亿。华为宣布昇腾实现 0day 极速适配，训练侧基于 MindSpeed MM 在 Atlas 800 A3、Atlas 900 A3 SuperPoD 上完成减层训练基础功能适配。
推荐理由：原文给出昇腾对 Kimi K3 的训练与推理适配细节，读者可了解国产算力与开源大模型的协同路径。