近期技术见闻：OpenAI 换底座、英伟达开源、前端开始游戏化

距离上一篇正经文章过去好久了，最近 AI 圈的新闻密度实在高得离谱，前端圈也没闲着，顺手整理几条我觉得有意思的，当个”技术见闻”合集。

快速速览

  1. OpenAI 被曝正在训练迄今最大规模的预训练模型「Doug」，可能是近两年第一次真正的”换底座”；
  2. 英伟达开源了面向 AI 智能体的「Nemotron 3.5 Lightning」，主打性价比，配合路由库能把调用成本砍掉一大截；
  3. 中国「无尽前沿」团队开源 BigBang-V1，让 AI 自己出题、自己解题、自己验证，跑通了数据层自我进化；
  4. 前端流行起 HTML-in-Canvas，把网页当游戏画面渲染，连 Doom 的墙上都能跑网页了。

AI 数据中心

一、OpenAI 的”换底座”传闻：Doug 与 Astra

8 月 9 日，长期追踪 OpenAI 模型动向的 X 用户 ChrisGPT 爆料：OpenAI 正在推进一个代号 Doug 的大型预训练模型。按照他的说法，这是 OpenAI 迄今规模最大的一次预训练项目，而且它跟 GPT-6 不是同一个模型——GPT-6 很可能就是之前因安全问题被紧急暂缓发布的 Astra。Doug 预计最迟今年 11 月前推出。

这不是空穴来风。8 月 7 日，半导体研究机构 SemiAnalysis 在一份研究备忘录里也提到：”OpenAI 已经克服了预训练方面的问题，一个代号 Doug、规模大得多的模型正在积极推进。”

为什么这个消息值得关注？因为它可能意味着 OpenAI 要重新启动”底座 scaling”。

OpenAI 近两年路线

2024-05

发布 GPT-4o，此后近两年没有再来一次同等规模的全新预训练换代

2024-09

发布 o1-preview，能力增长开始转向大规模强化学习（RL）

2025-08

GPT-5 发布，变成”快速模型 + 深度推理模型 + 路由”的统一架构

2025-11

谷歌发布 Gemini 3，预训练路线的差距变成实打实的竞争压力

2025-12

媒体曝出代号 Garlic 的预训练模型，据称验证了此前训练问题的修复方案

2026-08

Astra（可能的 GPT-6）因安全问题暂缓；规模更大的 Doug 被曝正在推进

简单说：过去两年 OpenAI 证明了一件事——旧底座也能靠后训练、强化学习和推理时计算不断往上推；而 Doug 要回答的问题是：当底座本身再完成一次大幅跃迁，这套被推到极致的后训练体系还能把能力带去哪里。这可能才是下一轮模型竞争的真正起点。

二、英伟达开源 Nemotron 3.5 Lightning：给智能体打工的”性价比模型”

8 月 11 日，英伟达正式发布开源模型 Nemotron 3.5 Lightning。它的定位很明确：不抢 GPT-5.6 / Claude Opus 4.8 的通用推理王座，而是解决长时运行智能体系统里的高频执行问题——工具调用、代码审查、安全告警监控、账单问答这类活儿，如果每步都调用前沿大模型，成本和延迟会迅速失控。

硬核数据

  • 混合专家架构：总参数 300 亿，每轮推理只激活约 30 亿参数；
  • 输出速度比同类模型快约 4 倍，智能体任务完成速度提升 30%；
  • PinchBench 准确率 86%，1 万个任务的速度比同等准确率的 Qwen3.6 35B 快约 30%；
  • 完全开源，OpenMDW-1.1 许可，支持商用，可 LoRA / 全量微调；
  • 本地可跑：从 Jetson、RTX 5090 到 DGX Spark，兼容 Ollama、llama.cpp、LM Studio。

GPU 与芯片

更有意思的是配套发布的 NeMo Switchyard 智能路由库：复杂规划交给前沿大模型，高频执行交给 Lightning。实测数据相当夸张——LangChain 在 145 个多轮深度智能体任务上成本降低 74%，其中只有 7% 的调用被路由到前沿模型；Ramp 用它在 SWE-Bench 上追平了前沿模型，成本降 58%。

英伟达的算盘也很直白。黄仁勋接受 Axios 采访时一句话点破：”免费 AI 应该有利于芯片。”开源模型本身免费，但跑模型要买 GPU——开源越繁荣，英伟达越赚钱。与此同时，下一代 Nemotron 4（至少万亿参数）也在路上，最早今年深秋发布。

三、BigBang-V1：AI 开始给自己出题了

由上海交大人工智能学院、深势科技、上海算法创新研究院组成的无尽前沿团队，开源了 BigBang-V1——号称首个基于 Recursive Self-Improving（递归自我改进，RSI）原生方式训练出的基座模型。

一句话概括它的特别之处：训练数据 100% 由 AI 自己合成，出题、解题、验证全交给 AI，人类不再逐题参与。

表现有多强？

  • 35B 参数、推理时激活约 3B、支持 262K 长上下文；
  • 在长程搜索、代码、科学研究、AI 研究等评测里拿下全部 35B 模型的 10 项第一；
  • 在 FrontierScience、PaperBench 等高难度科研任务上，成绩甚至超过了 1T 参数的 DeepSeek V4 Pro Preview。

它背后是一套”Generator + Critic”双智能体系统：Generator 负责提出并解决科学前沿的高难度任务，还能直接改代码、跑实验、调整数据生产策略；Critic 从对抗角度审查数据是否可验证、足够难、有训练价值。两层循环里，外循环还会拿真实训练结果反过来校准评价标准——数据和模型一起变强。

翻译成人话：以前是”人类出题的速度决定模型进化的速度”，现在变成了”AI 决定下一代 AI 该学什么”。团队的口号也很浪漫：AI advancing science, and science advancing AI（AI 推动科学，科学推动 AI）。

四、前端新玩法：HTML-in-Canvas，把网页当成游戏来渲染

最后来点轻松的。最近 X 上被刷屏的前端玩法 HTML-in-Canvas，简单说就是把 HTML”拍成一张图”丢进 Canvas 里，操作对象从 DOM 变成了像素。以前很难做的特效，现在像做游戏一样随便搞：

  • 点一下区域，UI 直接碎成碎片；
  • 鱼眼透视、放大镜、非线性布局，网页不再方方正正；
  • 有人拿它做了”防爬虫登录框”——输入框会扭曲漂移，真人勉强能输，脚本直接懵圈；
  • 最离谱的是有人把网页实时渲染到 Doom 的墙壁上当”墙纸”。

想自己玩？三步走（Chrome）：

  1. 地址栏输入 chrome://flags/#canvas-draw-element，开启 “HTML in Canvas” 实验功能；
  2. 在 <canvas> 标签上显式加上 layoutsubtree 属性；
  3. 用 getContext('2d') 拿画布上下文，调用 drawElementImage 方法把子元素画上去。

这项能力目前还是实验性的，但已经以提案形式进入 W3C / WICG 体系，未来有机会成为浏览器原生标准。顺带一提，之前爆火的 Pretext（Midjourney 工程师 Cheng Lou 开源，GitHub 4 万+ star）也是同一路子的”夺权”：绕开浏览器 DOM 排版，用纯数学计算文字位置，排版速度快几百倍，文字能像水一样绕开图片流动。

前端网页设计

Vercel 的 CEO 感叹”网络最辉煌的日子还在前方”，因为浏览器就是所有人的代码编辑器，而大模型最擅长的就是写 HTML、CSS、JS。HTML-in-Canvas 让不少人意识到：生成式 AI 才是 UI 的终极形态——未来网页可能不是设计师画好、程序员写死的，而是 AI 在你点开链接的瞬间实时生成的，每个人看到的都不一样。

写在最后

大模型这条线，关键词从”堆参数”变成了”堆数据智能”和”极致性价比”；前端这条线，关键词是”把渲染权从浏览器手里夺回来”。对普通玩家来说，最实际的收获可能是：开源模型本地跑越来越便宜、网页交互越来越好玩、AI 写 UI 越来越离谱。

这期就到这里，有想聊的欢迎评论（等我先把评论功能开了再说 🤣）。

参考链接