北京
2026世界人工智能大會（WAIC）期間，摩爾線程披露，一款236B參數的MoE模型基于國產萬卡級集群訓練，一款具身智能大腦模型，基于國產千卡集群訓練，此外，北京大學EvoPhys團隊首個全球5D世界模型EvoPhys-World的全棧原生訓練，全程由MUSA軟件棧提供底層支撐。
其中，MoE-236B模型基于25T+語料，在摩爾線程國產萬卡級集群上從零起步完成預訓練到長窗口訓練的全流程，有效訓練時長占比超過90%。
“高精度”是摩爾線程反復強調的能力，摩爾線程高級副總裁董龍飛提到，它指的不是單次計算的數值精度，而是模型在不同GPU平臺間遷移訓練時的結果對齊能力，即相同模型架構、訓練數據、超參數下，能否獲得穩定、可比的訓練結果。
摩爾線程給出的具體數據是，在DeepSeek一類MoE模型上，與國際主流GPU做對比訓練，前3萬步的平均相對誤差控制在萬分之六以內。摩爾線程還以500B至5T不等規模的數據做過多輪實驗，稱基于相同卡數、模型配置和訓練流程，摩爾線程平臺訓練所得模型在下游Benchmark評測中的得分與參考平臺基本一致，部分指標更高。
摩爾線程與北京大學EvoPhys團隊合作訓練的5D世界模型EvoPhys-World，基于MTT S5000完成全棧原生訓練，在WorldScore“世界生成”維度連續37天排名第一，該項目獲得摩爾線程”燈塔計劃”支持，這是國內第一次由中國科學家在中國算力設備上完成的原創世界模型工作，也是”國芯訓國?！钡囊粋€分水嶺。
此外，北京智源研究院的RoboBrain 2.5具身大腦模型，基于FlagOS-Robo框架，依托摩爾線程MTT S5000千卡智算集群，雙方成功完成RoboBrain 2.5的全流程訓練。首次驗證了國產算力集群在具身智能大模型訓練中的高可用性與效率。
摩爾線程創始人、董事長兼首席執行官張建中將AI產業按功能拆分為三類”工廠”：模型訓練工廠、詞元生產工廠、智能體生產工廠。三者共用同一套全功能GPU架構，這也是摩爾線程與專用芯片路線（ASIC）廠商的核心分野。
詞元生產工廠方向，摩爾線程重點展示了基于MTT S5000的PD分離異構推理方案，將算力需求大的Prefill（預填充）計算放在S5000上，將帶寬需求高的Decode（生成）計算放在國際主流GPU上，兩者異構分池部署。
張建中在演講中給出的數據是，異構組合后整體吞吐量較原有方案提升近2倍，并給出算式，“3臺S5000+2臺國際主流GPU≈9臺國際主流GPU”。董龍飛補充表示，這類異構方案的性能比任何同構方案都要高50%以上，其中很大一部分收益來自KV Cache的調度優化，在類似OpenClaw這樣反復調用本機命令行工具的場景下，緩存命中率可達90%，相當于節省90%的算力。
據悉，過去一年，國產大模型發布后到完成硬件適配的周期已從”數月”壓縮到”發布即適配”（Day 0適配），部分大模型廠商現在會在模型規劃部署階段就與摩爾線程同步“共研”，而不是等模型發布后才啟動適配工作。
在具身智能方面，早期VLA/VLM類模型參數在5B至14B之間，主要部署于端側；當前的世界模型路線不再依賴語言輸入，直接處理物理世界，參數跨度更大，實現高質量具身控制大致需要10億參數級別模型在端側運行，同時配合千億級（1000B）及以上模型在云端協同。摩爾線程正基于自有萬卡級集群持續進行萬億參數模型的訓練驗證，但未公布具體進展和時間表。
提及算力供應話題，董龍飛表示，中國的算力建設是面向未來十至二十年的基礎設施投入，短期供不應求屬于正?，F象，以鐵路、高速公路等基建類比，中國GPU或算力企業遠未發展到“供過于求”的地步。（本文作者 | 張帥，編輯 | 楊林）
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
