AI 日报 · 2026 年 10 月 21 日 · 星期三
AI信号站
DeepSeek 开源推理框架 DeepInfer
DeepSeek 开源了自研推理框架 DeepInfer，该框架已在生产环境中支撑 DeepSeek-V4.1-Flash 的大规模服务，主打高吞吐与低延迟。DeepSeek 表示公开生产栈是希望帮助社区降低算力成本与能耗，代码已发布在 GitHub。
模型发布/更新
VAST 开源实时世界模型 EdenLive 及配套 EdenGolem
VAST 开源 Project Eden 系列中的实时生成式渲染器 EdenLive，包含 5B、14B 模型权重（各含双向生成与少步流式生成两个版本）、实时流式推理代码、前端工作台和技术报告。
ElevenLabs Blog一手另有 1 家信源报道ElevenLabs 发布 Eleven Realtime 语音到语音模型，含 Mini 与 Max 两版
ElevenLabs 发布 Eleven Realtime 系列语音到语音模型，每个模型本身就是一套完整语音智能体，支持 90 多种语言和 17000+ 音色。
产品发布/更新
PyTorch Blog一手另有 2 家信源报道Google 与 Meta 联合推出 TorchTPU，让 PyTorch 原生运行在 TPU 上
Google 与 Meta 合作开源 TorchTPU，为 Google TPU 提供原生 PyTorch 后端，把 model.to("cuda") 改成 model.to("tpu") 即可运行现有工作负载。
- Hugging Face 接入 TorchTPU，Transformers 与 Diffusers 原生支持 TPUHugging Face Blog
Mistral 发布 Voxtral 3 语音模型家族与语音 Agent SDK
Mistral 发布 Voxtral 3 语音模型家族，包含支持 50+ 语言的转写模型 Voxtral Small Transcribe 3、支持 35+ 语言和 50+ 方言的 TTS 模型 Voxtral Mini TTS 3，以及基于 LiveKit 的语音 Agent SDK。
Google Developers Blog一手Google 将 TorchTPU 集成进 TorchTitan 并发布 TPU 模型优化方案
Google 将 TorchTPU 作为原生后端接入 PyTorch，并把 Meta 的 TorchTitan 适配为可在 Cloud TPU 上训练的 fork，代码开源于 google-pytorch/torchtitan。
行业动态
ChubbyWSJ 称 Anthropic 收入增长近 15 倍，未来算力承诺超 6000 亿美元
据 WSJ 查阅的 Anthropic IPO 草案，其上半年收入从 11 亿美元增至 163 亿美元，增长近 15 倍，算力与基础设施支出从 23 亿美元升至近 90 亿美元。Anthropic 同时承担超过 6000 亿美元的未来算力承诺，其中 4500 亿美元为云合同且大多不可取消，另有 1500 亿美元仍在谈判中。作者认为其 2 万亿美元估值目标仍很现实。
论文研究
Anthropic Research一手另有 2 家信源报道Claude 如何设计抗蝎子神经毒素的蛋白结合体
Anthropic 让内部研究模型 Claude 在 64 小时内自主设计针对蝎子神经毒素的 minibinder，生成 318,484 个设计并选出 180 个送检，加上团队补充的 31 个共 211 个设计交由 Adaptyv Bio 和 Twist Bioscience 实验测试，其中 17 个达到结合体标准。
Ai2 发布 FairStress 基准，评测 LLM 决策公平性
Ai2 发布 FairStress，一个衡量 LLM 在招聘、贷款、医疗等决策中人口统计公平性的基准，覆盖 29 个领域、300 个双候选人场景，并已集成到 Olmo-eval。
METR Blog一手METR 评审 Anthropic 2026 年 8 月风险报告高危场景失准章节
METR 对 Anthropic 风险报告 2026 年 8 月版中高危场景失准章节做了外部评审，认同其覆盖模型（含 Mythos 5 与内部模型 Model 2）的灾难性失准风险为低，但认为这主要源于模型能力有限，而非防护与对齐训练。
技巧与观点
n8n Blog一手如何在 NVIDIA DGX Spark 上本地运行 n8n AI 工作流
n8n 官方博客给出在单台 NVIDIA DGX Spark 上部署全本地 AI 栈的完整方案，用 vLLM 加 LiteLLM 提供 OpenAI 兼容端点，n8n 工作流无需调用云端 API。
Meta 如何用薄编排器架构让数据管道智能体更可靠
Meta 工程团队把数据管道智能体的编排层做薄，用 1300 行编排器把 20 多个工作流路由到 14 个专家子智能体，编排器本身不承担任何领域推理。此前单个全能智能体在演示中可用，上线后开始出现概念串用和幻觉，而按任务手工写提示词的单智能体方案成功率只有 70-80%，去掉手工提示词后降到 10-20%。