沙特能源大臣在世界石油大会上表示,两到三年内将通往波斯湾以外目的地的输送能力提升至每日1000万桶;
一条天然气管道改造后最快七至八周投用,初期日输油约120万桶,但仅可用至明年5月。
东西输油管道当前日输送量已达580万桶,接近700万桶/日的设计产能。
一条天然气管道改造后最快七至八周投用,初期日输油约120万桶,但仅可用至明年5月。
东西输油管道当前日输送量已达580万桶,接近700万桶/日的设计产能。
台积电 #TSMC 此次选择由格罗方德在纽约州生产硅中介层,是其先进封装扩产与外包策略的延续。此前台积电CoWoS产能已连续三年翻倍,并将CoWoS中的CoW工序外包给日月光等封测厂,以应对AI芯片需求爆发带来的产能压力;如今把硅中介层这一关键环节也纳入委外,进一步将产能触角伸向美国本土。
#联电 投入硅中介层多时,正积极扩产,月产能将由3000片倍增至6000片,以因应客户先进封装需求。其技术涵盖硅中介层、深沟槽电容、晶圆级混合键结及主动式中介层,其中导入深沟槽电容的2.5D封装方案已出货予主要客户,主动式中介层也与多家客户进行验证。
#力积电 则以"3D AI晶圆代工"为转型重点,将储存制造与成熟制程优势延伸至硅中介层、硅电容及晶圆堆叠,今年已展示中介层、整合型被动元件硅电容与3D WoW DRAM堆叠技术;在产能配置上,规划运用P3厂等既有资源扩大中介层布局。
#联电 投入硅中介层多时,正积极扩产,月产能将由3000片倍增至6000片,以因应客户先进封装需求。其技术涵盖硅中介层、深沟槽电容、晶圆级混合键结及主动式中介层,其中导入深沟槽电容的2.5D封装方案已出货予主要客户,主动式中介层也与多家客户进行验证。
#力积电 则以"3D AI晶圆代工"为转型重点,将储存制造与成熟制程优势延伸至硅中介层、硅电容及晶圆堆叠,今年已展示中介层、整合型被动元件硅电容与3D WoW DRAM堆叠技术;在产能配置上,规划运用P3厂等既有资源扩大中介层布局。
TickerTrends的数据显示,Muse日均净新增用户已从9月高峰期的约19.8万人骤降至约7.4万人,降幅高达62.4%,下载量也较峰值回落逾21%。
摩根士丹利发布了迄今最详尽的Muse成本模型,Muse每用户每月服务成本在3美元至130美元之间,基准情景下为37美元,折合年成本445美元——已超过Meta全球平均每用户年收入约70美元。
大摩报告还指出,Meta目前的估值扩张(PE14,AUG 26 - PE21,NOW)完全建立在“10亿(1 billion)用户规模”的完美增长故事之上,但现实中其日活用户(DAU)目前仅不到300万。
Muse的计算成本分为两块:
GPU推理成本:随token消耗量线性扩展(模型处理用户请求的算力);
使用GB300框架,每吉瓦410,256块GPU,75%利用率下每GPU每秒处理3500个token,折合每年每吉瓦处理33,962万亿token,年基础设施成本76.3亿美元,推理成本约为每百万token 0.225美元。
CPU沙箱成本:随用户激活Muse的频率及虚拟机运行时长扩展(浏览器、工具和代码执行环境)。
假设每次激活约10分钟的沙箱运行时间,采用2核vCPU/8GB内存的虚拟机,按AWS AMD实例按需定价(0.1217美元/小时),加7.5GB存储(0.60美元/月)。
基准情景(25%额度使用率):用户每月消耗约1.08亿token(每天20次会话),月服务成本37.12美元,年成本445美元。#AIDC
摩根士丹利发布了迄今最详尽的Muse成本模型,Muse每用户每月服务成本在3美元至130美元之间,基准情景下为37美元,折合年成本445美元——已超过Meta全球平均每用户年收入约70美元。
大摩报告还指出,Meta目前的估值扩张(PE14,AUG 26 - PE21,NOW)完全建立在“10亿(1 billion)用户规模”的完美增长故事之上,但现实中其日活用户(DAU)目前仅不到300万。
Muse的计算成本分为两块:
GPU推理成本:随token消耗量线性扩展(模型处理用户请求的算力);
使用GB300框架,每吉瓦410,256块GPU,75%利用率下每GPU每秒处理3500个token,折合每年每吉瓦处理33,962万亿token,年基础设施成本76.3亿美元,推理成本约为每百万token 0.225美元。
CPU沙箱成本:随用户激活Muse的频率及虚拟机运行时长扩展(浏览器、工具和代码执行环境)。
假设每次激活约10分钟的沙箱运行时间,采用2核vCPU/8GB内存的虚拟机,按AWS AMD实例按需定价(0.1217美元/小时),加7.5GB存储(0.60美元/月)。
基准情景(25%额度使用率):用户每月消耗约1.08亿token(每天20次会话),月服务成本37.12美元,年成本445美元。#AIDC
有数据统计显示,在HuggingFace 129 个开源决策模型项目中,基于阿里Qwen开发的就有84个,占比超65%,包括微软、Perplexity、Cloudflare、H2O.ai等公司推出的知名决策模型均采用阿里Qwen。
在数据标注方面,#微软 Xbox研究团队已使用基于阿里Qwen3.5-9B后训练而成的Microsoft-Decision-1处理了超过1万条来自问卷及社交媒体的玩家开放式反馈。
结果显示,其质量与GPT-6 Sol相当,但运行速度提高了14倍,成本降低了200倍。在质量控制领域,Copilot团队的测试表明,新模型与GPT5.6 Luna具备同等竞争力,且速度快100倍。
与生成自然语言的传统大模型不同,决策模型专注于输出预测值和概率,其更小的尺寸和更快的响应速度,正契合了企业端在频繁判断任务中对低成本和高效率的迫切需求。
在数据标注方面,#微软 Xbox研究团队已使用基于阿里Qwen3.5-9B后训练而成的Microsoft-Decision-1处理了超过1万条来自问卷及社交媒体的玩家开放式反馈。
结果显示,其质量与GPT-6 Sol相当,但运行速度提高了14倍,成本降低了200倍。在质量控制领域,Copilot团队的测试表明,新模型与GPT5.6 Luna具备同等竞争力,且速度快100倍。
与生成自然语言的传统大模型不同,决策模型专注于输出预测值和概率,其更小的尺寸和更快的响应速度,正契合了企业端在频繁判断任务中对低成本和高效率的迫切需求。