全球模型厂模型迭代、技术架构与算力基建解读纪要

摘要： 本次交流重点讨论了谷歌、Anthropic 及 OpenAI 等头部模型厂的最新发布进度、技术架构演进（MoE）、数据策略（Looping 数据）以及底层算力与电力基础设施的制约情况。

行业主线：

1. 模型架构演进：行业倾向于从 MoE 的“小专家”模式转向“大专家”模式，以适配长文本任务目标并提高对复杂逻辑的捕捉能力。
2. 数据驱动能力跃升：高质量的“looping”轨迹数据（记录解决问题的完整路径）被认为是提升 Coding 和 Agent 能力的关键，且预训练阶段的选型比后训练更重要。
3. 算力瓶颈转移：算力需求依然旺盛，但核心瓶颈已从芯片供应转移至电力供应，导致 IDC 扩建受限，行业进入拆除旧卡、替换新卡（如 V7/V8）的阶段。

关键变化与分歧：

1. 竞争格局：Anthropic 在代码能力上通过有效利用用户反馈闭环数据形成领先；Google 和 OpenAI 在架构选型或数据获取上存在一定滞后。
2. 成本与价格：电力短缺将驱动算力租赁价格大幅上调；在存储端，DRAM 的需求空间较大，模型厂倾向于增加 DRAM 配置以充分发挥 TPU 算力。

受益方向与风险：

1. 受益方向：高性能算力芯片（TPU/GPU）、高带宽存储（HBM）及电力基础设施升级。
2. 核心风险：电力供应不足导致算力无法通电、数据规模增长的边际效益递减、模型架构选型失误。