10 月 22 日，科大讯飞在北京的 1024 全球开发者节上发布并开源了通用大模型 Spark-X2.6（星火 X2.6）。真正让这次发布区别于普通模型更新的，不是参数，而是它跑在什么芯片上。

先说参数：2930 亿总参，激活 300 亿

根据环球时报英文版在现场的报道，Spark-X2.6 是一个「293-A30B」的专家混合架构——总参数 2930 亿，每个 token 激活 300 亿。它支持 100 万 token 的上下文窗口，并且已经部署在一个国产的万卡推理集群上。

讯飞董事长刘庆峰在现场的说法是，这个模型「率先突破了在国产芯片上做长周期任务训练的效率瓶颈，真正用国产算力做到了自主可控」。

同一篇报道里还有另一条被低估的消息：深圳 Loop 区研究院（Shenzhen Loop Area Institute）带领的团队，已经用华为昇腾 910C 芯片完成了 DeepSeek-V4-Pro 的后训练。这件事的意义在于位置——过去的国产芯片叙事基本停留在「能跑推理」，这一次是「能承载后训练」。从推理到训练，是两种不同的工程量级。

产业观察人士刘丁丁给的判断是，端云协同加上全国产硬件底座，给中国 AI 产业提供了一条可参考的路径；接下来真正重要的是，一个模型能不能扎根在国产算力基础上，兼顾效率和数据安全，并且真的走进办公、工业和科研场景。

同一周，另一边在做什么

把时间轴拉长几天看，会发现「算力与框架的松动」是这一周的共同主题。

10 月 21 日至 22 日，英伟达 GTC 首次登陆柏林，黄仁勋发布了 DSX 全栈 AI 工厂参考架构和 DSX POD 计算集装箱。一个 POD 里装 7 个 Vera Rubin NVL72 液冷机架，到场即插即用。按新闻稿的说法，从算力到场到投产的时间从过去的 4 到 5 个月压缩到约 1 个月，最短部署时间为 14 天。Vera Rubin 已全面量产、全线 100% 液冷，组装一个节点不到 5 分钟。

与此同时，谷歌与 Meta 的 PyTorch 团队共同开源了原生 TPU 软件栈 TorchTPU。现有 PyTorch 模型只需少量改动就能部署到 TPU 上，并已接入 vLLM、SGLang、llm-d、TorchTitan、Ray 等工具，覆盖训练、推理和强化学习。官方给出的验证数据是：训练方案在 8000 颗 Ironwood TPU 上完成过测试，Qwen3-8B 训练时MFU（浮点运算利用率）最高达到 52%；Zenteiq.ai 在推理侧报告的吞吐量提升超过 4 倍。AWS 同期也把原生 PyTorch 带到了自己的 Trainium 上（TorchNeuron）。

再加上英伟达在 10 月 21 日放出的 Nemotron 3.5 Super VL（1200 亿参数）和两款可在 RTX Spark / DGX Spark 本机运行的轻量 Bolt 模型，以及 Cloudflare 开源的决策模型 Clef（9B 与 27B 两个版本，输出的是带概率的类别结果而不是自由文本）——这一周的关键词不是「更大的模型」，而是「模型更多、可选硬件更多、切换成本更低」。

对从业者的影响

第一层影响是迁移成本。TorchTPU 和 TorchNeuron 这类东西出现之前，「从 PyTorch 迁到非英伟达硬件」基本等于重写一遍算子。现在这件事被压缩成少量代码改动加一次验证。对做推理服务的团队来说，这意味着可以用「价格 × 产能」而不是「只能买什么」来排配额。

第二层影响在交付侧。国内政企、央国企、教育和司法这类场景，采购里通常带着算力来源的要求。Spark-X2.6 这种从训练到推理都落在国产集群上的模型，解决的不是跑分问题，而是「能不能进这个采购清单」的问题。刘庆峰有一句话说得挺直接：这个模型在国企、教育、医疗、司法这些真实场景里的落地表现，要优于它的公开跑分。这句话未必能用标准 benchmark 证伪，但对做私有化部署的集成商来说，可比性本来就建立在场景上。

第三层是选型心态的调整。一个明显的转变是：Claude Duet、OpenAI GPT-6 系列这些单体「明星模型」的竞争，正在被「模型 × 硬件 × 部署方式」的组合竞争取代。开发者真正要回答的问题不再是「哪个模型最强」，而是「我这套业务，跑在哪种组件组合上最划算」。

站长的判断

我给三条判断，都是明确取舍的。

其一，对小团队来说，与其追最大的模型，不如先关心你现在的推理栈能不能在两周内从一种硬件换到另一种。这一周的消息（TorchTPU / TorchNeuron / DSX POD 14 天部署）都在降低同一个门槛：迁移速度。谁先具备这个能力，谁就能在明年拼价格的时候不被单一供应商锁死。

其二，不要因为「全国产」这个标签就直接选用 Spark-X2.6。它的公开评测材料目前主要来自厂商自己的口径；如果你要做产品集成，先用你自己场景里 100 到 200 条真实样本做一轮盲测，再看要不要迁移。标签替代不了评测。

其三，昇腾 910C 上跑 DeepSeek-V4-Pro 后训练这件事，短期内对普通开发者的直接价值有限，但它决定了一件事的上限：国产算力能不能承担持续训练。这决定了未来一到两年国内模型的迭代节奏。建议保持关注，不必现在行动。

关键节点时间表（截至 2026-10-22，以各家官网为准）

来源清单

• Global Times, "Chinese tech company unveils new AI model based on fully domestic computing power"（2026-10-22）
• 腾讯研究院 AI 速递 20261022（含英伟达 DSX POD、TorchTPU 数据）
• The Neuron, "Everything That Happened in AI Today (Thursday, October 22, 2026)"
• InfoQ 中文站，《Cloudflare 开源面向 AI 智能体的决策模型 Clef》（2026-10-21）
• 网易/至顶科技，《英伟达推出新开源模型，支持企业和个人电脑端智能体运行》（2026-10-21）