EasyVibeCoding Podcast

EasyVibeCoding Podcast

By EasyVibeCodingTechnology
Download on the App Store

EasyVibeCoding Podcast episodes

  • OpenAI 首席科學家 Jakub Pachocki 呼籲:AI 自我改進的速度,必須受安全能力約束

    OpenAI 首席科學家 Jakub Pachocki 呼籲:AI 自我改進的速度,必須受安全能力約束。

    Pachocki 在〈An Alien Mind〉中寫道,根據內部研究結果,他強烈預期 AI 的進展速度可能延續到「遞迴自我改進」(RSI):模型越來越多地參與自身研發,進一步推動能力提升。他擔心,人類還沒準備好面對未來幾年的變化,因此主張一邊加強對齊與監控,一邊協調必要的研發減速。
    完成任務,與在陌生情境下守住價值,是兩個問題。 他把對齊研究分成兩類:
    目標對齊:AI 是否努力完成交付的任務,包括遵守指令層級、與人協作,以及理解使用者真正想達成的目標。
    價值對齊:當目標模糊、互相衝突,或環境陌生甚至帶有對抗性時,AI 能否依然遵循高層次原則,誠實、正直地行動,並關懷人類。
    他認為,根本難題在於「泛化」:模型在訓練中學到的價值,能不能延伸到沒有遇過的情境?這也包含與其他 AI 互動,以及在自認沒有人類監督時,仍然維持這些價值。
    思考鏈監控正在變難。 OpenAI 的重要做法之一,是觀察模型用文字表達的推理過程,也就是思考鏈(CoT)。若訓練只優化推理結果、不直接監督推理過程,模型在訓練中就沒有直接誘因把推理裡偏離人類價值的想法藏起來。但這種方法看不到不經思考鏈表達的失準傾向。
    Pachocki 指出,內部評估顯示,這種監控越來越難依賴,原因有三個:推理與工具使用、人機及 AI 間的溝通混在一起,部分互動又必須接受監督;模型更擅長推敲與操控自己的推理過程;預訓練的進步,也讓模型不靠文字推理就能展現更強能力。他看好結合思考鏈與神經網路內部活化訊號的監控方法,但仍預期「對監控的信心」會逐漸成為 AI 進展的限制。
    他也表示,GPT‑6 Astra 的對齊表現比 GPT‑5.6 Sol 顯著改善。不過,能力越強,對齊研究就得繼續往前;對齊能力的進步未必能超過一般智慧的成長速度。
    安全門檻要能約束研發。 Pachocki 認為,人類需要強大且對齊的 AI 保護基礎設施、即時防禦失控代理,但防禦需求不能成為不計代價競速的理由。OpenAI 將繼續研究技術解法,必要時單方面暫停進一步擴大模型規模;他也主張,把 Preparedness Framework、Responsible Scaling Policy 等承諾,發展成持續研發必須符合的共同安全門檻,由第三方稽核機構、政府或國際組織執行。
    他認為,目前還沒有任何實驗室把對齊與監控解決到足以負責任地繼續長期全速擴張的程度。在共同門檻建立前,他期待業界主動放慢研發成為常態,並呼籲各國政府優先協調未來的 AI 發展。這些是作者的風險判斷與治理主張,不代表 OpenAI 已全面停止研發。
    Sam Altman 推薦這篇「Jakub 的重要文章」;Greg Brockman 則以「我們已處於 AGI 時代」表達他的判斷,呼籲認真思考、審慎討論並共同面對挑戰。兩則貼文提供的是支持與回應;文中的 RSI 預期及模型對齊比較,仍來自 Pachocki 的陳述。

    原文:https://easyvibecoding.app/curated/3281-openai-jakub-pachocki-warns-recursive-self-improvement

    4 min
  • LexnLin 用 GPT-6 Astra 打造可探索的 3D 森林

    LexnLin 用 GPT-6 Astra 打造可探索的 3D 森林

    LexnLin(@LexnLin)在 2026 年 9 月 5 日分享,他讓 GPT-6 Astra 花了約 5 小時打造 Verdant Forest。這是一個用 Three.js 和自訂著色器製作的即時 3D 森林,作者自述有 3,808 棵樹、250 萬叢草和將近 40,000 株蕨類。

    作品與探索 「Verdant Forest」示範 可以在支援 WebGL 的瀏覽器開啟。操作方式是拖曳滑鼠轉動視角、WASD 移動,以及 Q/E 下降或上升;使用者可以用第一人稱視角沿著泥土小徑探索森林。

    3D 森林場景的第一人稱視角,泥土小徑兩側可見綠草與樹木。

    程式裡的 LOD 與實例化 發佈頁面載入的 JavaScript 會建立森林,並把樹木準備成高、中、低三種細節版本。LOD(Level of Detail)就是依需要換用不同複雜度的幾何:近處保留細節,遠處可用較簡單的版本,降低渲染負擔。這裡能確認程式準備了不同細節版本,但沒有測量實際距離或切換後的效能。

    程式也使用 InstancedMesh 的實例化做法:同一份幾何與材質可以套用到多個不同位置和變換,減少重複建立與繪製呼叫。這是程式結構與 Three.js 定義支持的做法,不能直接當成這個示範已測得的畫面更新率(FPS)或效能提升。

    原文:https://easyvibecoding.app/curated/3276-verdant-forest-gpt-6-astra-3808-trees

    2 min
  • Eric Provencher 建議為 GPT-6 Astra 精簡 Skills 與 AGENTS.md

    Eric Provencher 建議為 GPT-6 Astra 精簡 Skills 與 AGENTS.md

    Eric Provencher(@pvncher)在 2026 年 9 月 4 日重新檢視 GPT-6 Astra 時代的程式開發代理使用方式。他認為,為了把模型導向穩定結果而累積的 Skills、AGENTS.md 與任務提示,可能讓上下文變得擁擠、規則互相衝突,也讓模型載入與眼前工作無關的指示。OpenAI 的 Skills 文件與 AGENTS.md 文件只補充 Codex 如何載入這些指示。

    skill文件先求精準 Eric 建議讓每個 skill 的名稱與說明短而明確,只寫清楚何時該用、何時不該用。多個skill一起安裝時,名稱與說明會先進入模型上下文;說明太長,Codex 會縮短它們,模型就更難選到合適的skill。彼此衝突或過度推銷的說明,也可能把不相關的規則帶進工作。

    多流程skill可以把根文件做成小型路由,只負責指出下一步要讀的輔助文件與腳本。模型仍知道去哪裡找完整流程,但不必一開始就載入所有內容。Eric 也提醒,過去常寫成逐步食譜的指示,現在可能把模型綁得太死;保留必要的邊界即可,細節讓模型依任務處理。

    skill還會影響同一個儲存庫裡其他貢獻者的代理。適合 Sol 或 Luna 的規則,可能對 GPT-6 Astra 太過嚴格;撰寫時要想清楚這些指示會由哪些模型使用。

    Skill 說明範例:BAD 的適用情境過於籠統;GOOD 明確列出新增或修改資料庫 migration,或審查其部署推行 等觸發條件。

    上下文預算與 AGENTS.md OpenAI 的 Skills 文件說,初始skill清單最多占模型上下文的 2%;上下文大小未知時,上限是 8,000 個字元。skill太多時,Codex 會先縮短說明,大型集合可能省略部分skill並顯示警告;選定skill後才載入完整 SKILL.md。這是文件描述的載入機制,Eric 的建議則是依這個機制重新整理skill。

    Eric 建議重新檢查 AGENTS.md:規則應貼近任務,不要每次改一個錯字都要求模型讀完整儲存庫地圖。OpenAI 的 AGENTS.md 文件補充,Codex 會把全域指引與專案層級覆寫依目錄合併,合併後預設上限是 32 KiB。文件連結仍有用,但只留下當下工作需要的內容。

    測試與完成邊界也要寫得清楚。文章建議在指引中說明本機測試使用可丟棄的測試資料、沒有生產環境存取權,並要求模型修正本次變更造成的失敗後重跑受影響測試。若工作還包含啟動結果、檢查與修正,應在任務提示一開始寫出「完成」包括這些步驟;若希望模型繼續探索,也要寫明探索範圍與停止位置。

    AGENTS.md 脈絡設定的指引範例圖,上方標示 BAD 顯示籠統的全面讀取指令,下方標示 GOOD 示範依任務需求指派特定檔案的寫法,左下角標註 GPT-6 Astra,右下角標註 Skills & prompting。

    原文:https://easyvibecoding.app/curated/3275-pvncher-recommends-gpt-6-astra-skill-prompt-simplification

    3 min
  • GPT-6 Astra(Max)登上 Code Arena 網頁開發榜首

    GPT-6 Astra(Max)登上 Code Arena 網頁開發榜首

    排行榜結果 Arena 於 2026 年 9 月 5 日的 Code Arena: WebDev 排行榜中,將 GPT-6 Astra (Max) 列為第 1 名。它獲得 1,797 分,領先第 2 名 Claude Fable 5.1 (Max) 的 1,762 分 35 分;第 3 名 Claude Opus 5 (Max) 為 1,688 分。這份排行榜涵蓋 126 個模型、650,961 票,Astra 參與 1,199 票比較。

    GPT-6 Astra (Max) 在 Code Arena: WebDev 排行榜中以 1,797 分位居第一,領先第二名 Claude Fable 5.1 (Max) 35 分。

    排名解讀 Astra 的分數為 1,797 ±24,可能名次範圍(Rank Spread)為第 1–2 名;Claude Fable 5.1 (Max) 也是第 1–2 名。排行榜目前的最佳估計排名是 Astra 第 1 名,兩者的信賴區間仍重疊。

    評測範圍 Code Arena: WebDev 主要衡量前端網頁開發,也涵蓋需要多步推理與工具使用的代理式程式開發工作流。

    價格圖表 Arena 的 Pareto 圖把 Astra 標在每 1M token $40;圖表採 3:1 混合價格指標。排行榜列出的 API 費率是輸入/輸出 $10/$50,Astra 與 Claude Fable 5.1 (Max) 相同。OpenAI API 文件也列出 GPT-6 Astra 標準輸入 $10、輸出 $50。

    GPT-6 Astra (Max) 在 Code Arena 獲得 1,797 分,位於圖中的帕累托前緣;每百萬 token 的混合單價為 40 美元,圖表標示的混合比例為 3:1。

    原文:https://easyvibecoding.app/curated/3272-gpt-6-astra-max-hits-code-arena-webdev-top-spot-ties-second

    1 min
  • AA 評測改版,Astra 從與 Sol 同分變成領先 4 分

    AA 評測改版,Astra 從與 Sol 同分變成領先 4 分。

    GPT-6 Astra 在 Artificial Analysis(AA)剛發布的分析中,綜合評測分數與 GPT-5.6 Sol 同為 61 分,還落後 Muse Spark 1.3;隔天 AA 更新評測方法後,Astra 卻成為第二名,領先 Sol 4 分。理解這個變化,得先分清楚 Intelligence Index 的版本。

    兩次結果,用的評測版本不同

    AA 在 2026 年 9 月 3 日發布的 Astra 分析使用 Intelligence Index v4.1.1;9 月 4 日則推出 v4.2。官方公布的結果如下,表中比較兩個模型的 max 推理設定:

    | 評測版本 | GPT-6 Astra | GPT-5.6 Sol | 同版比較 | | --- | --- | --- | --- | | v4.1.1 | 61 | 61 | 公告以整數列為同分 | | v4.2 | 55 | 51 | Astra 領先 4 分 |

    新版圖表中,Claude Fable 5.1(max,含備援機制)以 57 分領先,Astra max 為 55 分,Muse Spark 1.3 max 為 53 分。Astra 的數字從 61 變成 55,不能當成模型能力下降:評測項目、權重與部分評分方法都已改變,跨版本的總分不能直接相減。

    Artificial Analysis Intelligence Index v4.2:Claude Fable 5.1(max,含備援機制)57 分、GPT-6 Astra max 55 分、GPT-5.6 Sol max 51 分;Astra 在新版中領先 Sol 4 分。

    v4.2 加入了 Astra 表現較強的項目

    這次改版新增兩項評測:

    AA-Briefcase,占 15%:測試 AI 代理處理由產業專家設計的多週知識工作專案,涉及相互連結的任務與大量來源檔案。評分涵蓋任務完成度、分析品質與呈現品質。新版公告中,Astra 比 Sol 高約 85 Elo;這是成對比較得出的相對評分。 GDP.pdf,占 10%:測試跨長篇專業文件的推理能力。資料涵蓋 100 份 PDF、共 4,592 頁;每個任務必須滿足全部評分條件才算通過。Astra 的全條件通過率為 33.2%,Sol 為 28.2%,Astra 在這項評測領先。

    AA 同時移除已接近飽和的 GPQA Diamond,並把私有、保留測試集在指數中的權重提高到 40%。四大類別的權重為代理任務 30%、程式開發 20%、科學推理 20%、一般能力 30%。

    但排名變化不能全歸因於新增的兩項測試。AA 還修改了 AA-LCR 的評分提示與答案、GDPval-AA 和 AA-Briefcase 的抽樣及 Elo 定錨方式,以及 SciCode 執行環境的判分。多項設定同時改變,官方沒有提供能逐一拆出各項改動影響的對照實驗。

    Astra 的進步也沒有平均分布在每一項能力上

    改版前的官方分析已呈現這種差異:Astra 在 AA-Briefcase 有進步,但 GDPval-AA v2 約下降 80 Elo;τ³-Banking、SciCode 與 AA-LCR 也各有約 2 至 3 點退步。綜合分數把這些不同方向的結果加權在一起,因此納入哪些任務、各占多少,會影響最後排名。

    這也解釋了為什麼「寫程式明顯更好用」不一定等於同一張綜合榜上大幅領先。AA 的 Coding Agent Index 是另一套指標,與這裡的 Intelligence Index 要分開看。

    從排名變化,能判斷到哪裡?

    官方資料能確認評測改版、分數變化與各單項表現;光憑這些結果,無法認定 AA 刻意壓低 Astra,也無法證明改版是為了替某個模型加分。

    要用這份榜單選模型,先確認評測版本與推理設定,再看接近自己工作的單項測試。綜合排名可以作為起點,但長文件、代理任務與程式開發的表現差異,往往比總分更能回答模型是否適合自己的用途。

    原文:https://easyvibecoding.app/curated/3270-artificial-analysis-releases-intelligence-index-v4-2

    3 min
  • GPT-6 Astra 在 ARC-AGI-3 得分 99.9%,與 Sol 採不同評測框架

    GPT-6 Astra 在 ARC-AGI-3 得分 99.9%,與 Sol 採不同評測框架。

    圖表數據 2026 年 9 月 3 日,Tibo 分享的比較圖標示 GPT‑6 Astra 99.9%、Claude Opus 5 30.2%、GPT‑5.6 Sol 7.8%;圖說另列平均人類測試者 48%。OpenAI 官方發布頁也列出 Astra 在 ARC-AGI-3 得分 99.9%,並寫到它在 96% 的關卡超過人類行動效率基準。

    GPT-6 Astra 在 ARC-AGI-3 得分 99.9%;圖中另列 Claude Opus 5(30.2%)與 GPT-5.6 Sol(7.8%)。Astra 使用 Responses API 執行框架,與圖中 Sol 的測法不同;OpenAI 估計 Sol 若採同一框架,得分約為 30%。

    評測脈絡 ARC-AGI-3 測試模型學習陌生的互動任務;Astra 的 99.9% 是透過 Responses API 執行框架測得。圖說另提供同一執行框架下 GPT‑5.6 Sol 約 30% 的估計,因此圖表的 7.8% 是不同脈絡下的另一個數值,不能和約 30% 混用。原始資料沒有 ARC-AGI-3 的執行設定、樣本數或信賴區間,圖表的方法與排名也尚未獲獨立驗證。

    解讀方式 Tibo 問「我們需要另一個 AGI 評測,下一個門檻又會移到哪裡?」這是對評測目標是否移動的評論,不是數字的額外證明。圖表只能說明 Astra 在指定任務和執行框架下的分數;比較時應同時記錄模型分數、人類基準、Responses API 執行框架、任務設計與計分規則,不能據此推論模型已具備可泛化的 AGI 能力。

    原文:https://easyvibecoding.app/curated/3269-gpt-6-astra-hits-99-9-arc-agi-3-responses-api-harness

    2 min
  • GPT-6 Astra 列 Terminal-Bench 4.0 第 1,成本約為 Fable 5.1 max 一半

    GPT-6 Astra 列 Terminal-Bench 4.0 第 1,成本約為 Fable 5.1 max 一半。

    排行榜資料 Tibo 於 9 月 4 日表示,Astra 使用 Codex 執行框架拿下第一名,成本是第二名的「50%」。官方排行榜 API 的原始列則顯示,兩個 max 推理強度執行各完成 330 次試驗:

    GPT‑6 Astra 搭配 Codex:排名第 1,解決率 58.18%,95% 信賴區間半寬 2.79 個百分點,成功 192 次,totalcostusd 為 3267.18。 Fable 5.1 搭配 Claude Code:排名第 2,解決率 57.88%,95% 信賴區間半寬 3.76 個百分點,成功 191 次,totalcostusd 為 6243.5。

    API 另列 Astra 的 xhigh 與 high 執行並列第 2,成本分別為 2350.51 與 2269.42 美元;本文的成本比較只針對 Astra 與 Fable 5.1 的兩個 max 執行。

    以 API 的精確成本計算,3267.18 ÷ 6243.50 約為 52.3%,所以貼文的「50%」是約略說法,不能視為原始資料的精確比例。兩個 95% 信賴區間重疊;來源沒有提供顯著性檢定,不能把 58.18% 與 57.88% 的差距宣稱為統計顯著。

    GPT-6 Astra 搭配 Codex harness 在 Terminal-Bench 4.0 以 58.2% 的解決率名列第 1,Fable 5.1 為 57.9%。成本資料另見 Tibo 貼文與官方 API:Tibo 概括為第 2 名的 50%,API 精確成本比約為 52.3%。

    比較邊界 這項結果測量的是指定代理程式、模型、max 推理強度、執行日期、330 次試驗與 Terminal-Bench 4.0 資源下的終端機任務解決率,不能延伸成整體程式開發品質。Astra 的資料日期是 2026 年 9 月 3 日,Fable 5.1 是 2026 年 9 月 1 日。排行榜提供彙總解決率、信賴區間、token 與成本,但這份資料沒有每個任務的失敗類型,也沒有完整執行框架設定。

    Terminal-Bench 4.0 的變更 更新說明指出,4.0 同時改動了評測資源與任務集合:

    重新校準任務的時間、CPU 與記憶體,所有任務改用固定 8 小時代理程式逾時。 移除 8 個任務:2 個因已飽和、2 個因拒答、2 個因已有公開解答,另有 2 個涉及尚未解決的品質或平台相容性問題。 修正 19 個任務,更新指示、環境與驗證器,處理回報的不穩定與規格錯誤。 相較 3.0,4.0 的代理程式逾時與錯誤較少;剩餘錯誤主要是模型拒答和輸出 token 超過上限。

    Terminal-Bench 現在採用持續更新的評測與語意化版本管理。資源設定和任務集合都改變,官方將此視為破壞性變更,要求重新執行試驗;4.0 的排名不能直接當成 3.0 或更早版本的縱向進步證據。

    原文:https://easyvibecoding.app/curated/3267-gpt-6-astra-codex-harness-hits-terminal-bench-4-0-top-score

    2 min
  • Astra 提前開放,Tibo 宣布向 Plus/Pro/Business 使用者全面發放 banked reset

    Astra 提前開放,Tibo 宣布向 Plus/Pro/Business 使用者全面發放 banked reset。

    9 月 4 日:先處理延遲 Tibo 先表示,部分 Plus 與 Business 使用者在發布日當天還不會拿到 Astra;他承諾提供 banked reset,預計在當天結束前到帳,並寫明在 8pm PT 前建立帳號者也會取得。稍後同日的更新又表示,Astra 已向所有 Plus 與 Business 使用者推出,原因是團隊發現系統比預期更具可擴充性。這兩則都是 Tibo 的第一方 rollout 更新,沒有附 reset 紀錄或產品畫面確認。

    9 月 5 日:擴大重置 Tibo 再宣布,所有 Plus、Pro 與 Business 使用者都會取得 full banked reset,預計在當天結束前到帳;在 8pm PT 前建立帳號或升級方案者也納入。他把這項安排與 Astra 提前推出及對使用者耐心的致謝連在一起。原文沒有說明 reset 數量、到期時間,或不同建立帳號/升級路徑是否有相同權益。

    官方 rollout 脈絡 OpenAI 官方發布頁描述先向有限組織開放,再於接下來幾天擴大到 ChatGPT Plus、Pro、Business、Enterprise,以及 OpenAI API、Microsoft Azure 和 AWS Bedrock;該頁沒有獨立記載 Tibo 所說的 reset 機制。

    驗證方式 來源只寫 8pm PT,沒有提供其他時區換算。使用者應在產品內確認模型選擇器、帳號方案、使用額度與 banked reset 是否實際到帳,再判斷是否可用;目前仍待確認 reset 數量、效期、地區與完整資格條件。

    原文:https://easyvibecoding.app/curated/3268-gpt-6-astra-banked-reset-plus-pro-business-rollout

    2 min
  • Lyria 3.5 擴大至 Gemini app、API 與 AI Studio,API 仍為預覽版

    Lyria 3.5 擴大至 Gemini app、API 與 AI Studio,API 仍為預覽版。

    Lyria 3.5 音樂示範,畫面中央為綠色名稱與波形動畫

    發布時間線 Google 在 2026 年 7 月 29 日先於 Google Flow Music 發表 Lyria 3.5,當時強調音樂性、歌詞、人聲,以及節奏和歌曲長度控制。2026 年 9 月 4 日,Google AI Studio 宣布 Lyria 3.5 可在 AI Studio、Gemini API 與 Gemini app 使用。Google 的 Gemini 公告稱,Gemini app 網頁版與行動版已向全球所有使用者開放;Flow Music、Google AI Studio 與 Google Vids 也列在可用管道中。

    生成能力 Lyria 3.5 可從文字或圖片產生 44.1 kHz 立體聲音訊,並提供人聲、同步歌詞與歌曲結構。它可以生成含主歌、副歌、橋段的完整歌曲,長度可用 prompt 影響;Gemini app 也能選擇或描述曲風、指定人聲或純演奏風格、套用範本,製作背景音樂、品牌短曲、生日歌曲或鈴聲。Lyria 3 Clip lyria-3-clip-preview 則固定產生 30 秒片段,適合迴圈、預覽與短影音素材。

    API 與輸出格式 Gemini API 文件列出 lyria-3.5 與 lyria-3-clip-preview 兩個模型 ID。兩者透過新的 Interactions API 使用,開發者可呼叫 interactions.create,再從 steps schema 讀取音訊、歌詞與歌曲結構;回應也有 outputaudio 和 outputtext 等便利屬性。若要完整處理結果,文件建議遍歷所有模型輸出內容區塊,不要只依賴便利屬性。音訊可選 MP3 或 WAV;目前不支援快取、函式呼叫(function calling)、Flex inference 或 Priority inference。lyria-3.5 的版本標記是 Preview。

    來源:@SaiNemani1|賽博龐克風格的《THE ARMS RACE》視覺標題畫面

    品質資訊與社群反應 Google DeepMind 的 model card表示,Lyria 3.5 相較 Lyria 2 在音訊保真度上有明顯改善,帶有歌詞時也更能遵循簡單與複雜指令。模型卡沒有提供與 Suno 或其他音樂模型的數值比較矩陣、偏好研究或獨立評測;社群貼文所稱「遠勝其他模型」或「達到音樂奇點」是個人意見。有人也質疑 AI 音樂聽幾分鐘後的持續吸引力,來源沒有提供聆聽研究,需另外測試完整歌曲的結構、變化與可聽性。

    採用邊界 lyria-3.5 仍是 Preview;實際帳號與產品管道的可用範圍、配額、定價及穩定版時程應以最新文件和實測確認。模型卡列出資料篩選、安全過濾與 SynthID 浮水印等措施;正式導入前應在實際帳號與管道中確認可用範圍和限制。

    原文:https://easyvibecoding.app/curated/3266-google-lyria-3-5-gemini-app-api-ai-studio-full-songs

    2 min
  • NVIDIA 簽署 129.3 億美元 Hugging Face 收購協議,預計 2027 年上半年完成

    NVIDIA 簽署 129.3 億美元 Hugging Face 收購協議,預計 2027 年上半年完成。

    這項交易主打擴大開源 AI 的運算、基礎設施與全球存取,同時把平台開放性與監管風險寫入正式申報。

    Jensen Huang 在主文中把這筆交易放進更大的開源 AI 脈絡:他認為開放模型能強化安全與資安、加速創新與技術擴散,並支持 AI 主權,讓開發者、新創、大學、各產業與國家都能自行建構、客製並受益於 AI。

    交易條件 NVIDIA 於 2026 年 9 月 2 日與 Hugging Face 簽訂最終協議。Form 8-K 將交易對價拆成兩部分:

    約 119 億美元支付給 Hugging Face 股東,實際金額可能調整;文件沒有列出調整公式。 最高約 10 億美元的股權留才方案,提供給加入 NVIDIA 的 Hugging Face 員工;適用資格、歸屬條件與分配方式尚未公布。

    正式申報指出,交易預計在 2027 年上半年完成,前提包括取得所需監管批准。可參閱 NVIDIA Form 8-K。

    來源:@ClementDelangue|Hugging Face 全員會議畫面。創辦人 Clement Delangue 位於左側主畫面;NVIDIA 執行長 Jensen Huang 在右側手持 Hugging Face 標誌牌,背景可見 NVIDIA 字樣。

    平台承諾 NVIDIA 表示,Hugging Face 會維持開放、中立且不綁特定平台。模型開發者與使用者仍可上傳、下載自己選擇的模型和資料集,也能自行選擇框架、雲端、推論服務商與運算平台,不必使用 NVIDIA 的運算資源。平台將繼續支援各家開發者的開源與開放權重模型,也保留多雲端、多種加速器及其他晶片供應商的開發與部署選項。

    規模與投入 NVIDIA 官方公告指出,Hugging Face 現有超過 1,800 萬名開發者、研究者與創作者,平台上累積超過 300 萬個模型、50 萬個資料集及 100 萬個應用程式,並有超過 20 萬家公司使用。NVIDIA 自己也已在 Hugging Face 發布超過 500 個模型與超過 250 個開放資料集。雙方計畫運用 NVIDIA 的基礎設施、工程能力與全球資源,改善平台可靠度、安全性、模型評估、推論與部署,但尚未公布新功能、交付時程或明確產品路線圖。

    來源:@ThomWolf|Hugging Face 全員會議畫面。創辦人 Thomas Wolf 出現在上方與會者列,Clement Delangue 位於左側主畫面;Jensen Huang 在右側手持 Hugging Face 標誌牌,背景標有 NVIDIA。

    創辦人怎麼說 Clement Delangue 表示,Hugging Face 成立 10 年後,開源 AI 來到轉折點;若要繼續擴大,需要更多運算資源、支援、協作與能見度。創辦人和團隊都會留下,目標是讓 1 億名 AI 開發者能擁有自己的智慧能力,而不是向別人租用。Thomas Wolf 回顧 Hugging Face 自 2016 年以小團隊起步,並表示「使用者今天不會遇到任何改變」;Hub 會維持開放、獨立,也不綁定特定運算平台。

    監管風險 Form 8-K 特別指出,包含中國來源模型在內的開源模型可能受到監管限制。這可能迫使平台調整服務、延後或限制供應,也會提高合規成本並降低收購效益。申報文件沒有列出各司法管轄區的審查進度或具體因應方案,因此交易時程、模型與資料集供應、其他晶片供應商的支援,以及平台開放承諾,仍要以後續申報與實際執行情況為準。

    原文:https://easyvibecoding.app/curated/3264-nvidia-signs-hugging-face-acquisition-deal

    3 min

About EasyVibeCoding Podcast

From the publisher's feed

輕鬆Vibe Coding — 每日策展的 X 技術社群精選、AI 趨勢分析與 Claude 實作心得的中文音訊版。