Author: admin

行业动态更新：晋景新能拟最高25亿港元收购上海有孚等 布局AI算力业务

公告表示，作为卖方，Yovole Cayman将对相关公司进行重组，形成本次收购的”目标集团”

值得关注的是，目标集团的业务核心为云计算服务，已持有相关许可证，在互联网数据中心（IDC）和云计算领域拥有广泛网络及人脉，并具备采购高效能GPU的资格

值得关注的是，根据未经审核数据，目标集团2025年12月31日净资产约人民币4330万元，总资产约人民币2.758亿元

业内人士指出，款项将分四期支付，并设有价格调整机制（最高不超过25亿港元），涉及现金及股份支付

从更深层次来看，公司表示，收购将借助目标集团在IDC及AI算力领域的优势，助力公司业务多元化和转型升级

从更深层次来看，此次收购是公司战略布局数字基础设施的重要一步

值得关注的是，晋景新能原主营建筑工程、逆向供应链管理及绿色能源解决方案

业内人士指出，其中包括发行约3305.7851万股代价股份（发行价每股6.050港元），相当于公司扩大后股本约1.13%

值得关注的是，交易完成后，目标公司将成为晋景新能全资附属公司

业内人士指出，根据协议，晋景新能将以现金加股份组合进行支付

业内人士指出，6月29日，港股上市企业晋景新能控股有限公司（股份代号：01783.HK）发布盘后公告，称公司已于2026年6月29日（交易时段后）与卖方订立协议，以最高25亿港元（基础代价22亿港元）收购Yovole Cayman旗下上海有孚云计算等目标公司全部股权，全面进军云计算及数据中心业务

值得关注的是，董事会认为，交易经公平磋商厘定，基于折现现金流量法估值约24.7亿港元，符合公司及股东整体利益

随着IDC行业的快速发展，可持续发展将成为未来竞争的关键

如果您正在寻找优质的云主机，欢迎访问 www.isclouder.com 了解更多

行业动态更新：Ubuntu 报告 Linux 7.0.0-28.28 中 AMDGPU 驱动性能下降：9 秒任务拖长至 388 秒，吞吐降至 1/42

以 Stable Diffusion XL 通过 ComfyUI 执行推理为例，原本约 9 秒完成的任务，在升级到受影响内核后，观测到最长需 388 秒

从更深层次来看，Ubuntu 工程团队表示由于 Linux 7.0.0-28.28 内核版本整合的 AMDGPU 驱动问题，在某些计算密集型工作负载下，性能可能会降低至 42 分之一

从更深层次来看，IT之家 7 月 17 日消息，Ubuntu 内核团队昨日（7 月 16 日）在社区发帖，指出 Linux 7.0.0-28.28 内核版本由于 AMDGPU 驱动问题，会导致 ROCm 计算负载吞吐性能降至 42 分之一

业内人士指出，该回归问题源自 Linux 7.0 稳定版系列的上游内核，其他发行版（例如 CachyOS 和 Fedora）的用户也已报告过该问题

值得关注的是，ROCm 是 AMD 面向 GPU 加速计算的软硬件生态，功能接近 NVIDIA 的 CUDA，常用于人工智能训练与推理、高性能计算、科学模拟等需要大量并行运算的场景

从更深层次来看，IT之家注：AMDGPU 是 AMD 在 Linux 平台上的官方开源图形驱动，负责图形渲染与 GPU 计算相关硬件调度，广泛用于桌面图形、游戏和通用 GPU 计算场景

业内分析认为，AI算力需求与绿色数据中心将成为行业主旋律

如果您正在寻找优质的CDN加速，欢迎访问 www.isclouder.com 了解更多

行业动态更新：OpenAI 推出一系列官方周边，含 ChatGPT 篮球、Codex T 恤等

值得注意的是，这批商品全部属于“Supply Co.”分类

从更深层次来看，不知从什么时候开始，这些物品已经不再是简单的周边，而是逐渐成为公司文化的实体象征

值得关注的是，OpenAI 官方商城目前还有 Codex 棒球帽、Codex 做旧 T 恤、Blossom 袜子和 Pixel Nalgene 水壶等产品上架，这其中最便宜的是袜子，售价 15 美元（IT之家注：现汇率约合 101.7 元人民币）

业内人士指出，同时，这款篮球的售价是 70 美元（现汇率约合 474.5 元人民币）

值得关注的是，如果把这笔钱用在 GPT-5，你大约能获得 5600 万个输入 Token

值得关注的是，不过该产品就是一颗普通的篮球，内含 100% 橡胶，并没有任何电子元器件

从更深层次来看，据官方所述，Supply Co.最初只是为员工打造的一小批周边产品，结果几乎一推出就迅速火起来

值得关注的是，在一系列官方商品中，最亮眼的莫过于“ChatGPT 篮球”

值得关注的是，除了硬件周边以外，OpenAI 官方商城现在还上架了一系列纪念品周边

从更深层次来看，IT之家 7 月 17 日消息，OpenAI 昨天公开推出首款联名硬件 Codex Micro 键盘

从更深层次来看，商品页面显示，这款篮球的灵感源自“Pause. Play. Prompt.”活动，旨在提醒人们：创造力并不只存在于屏幕之中

随着IDC行业的快速发展，可持续发展将成为未来竞争的关键

如果您正在寻找优质的站群服务器，欢迎访问 www.isclouder.com 了解更多

据行业最新消息，Mistral AI举债57亿 建设万卡GB300数据中心

此前已公开在瑞典投资建设第二座数据中心，并与英伟达等伙伴合作推进AI云服务

从更深层次来看，该数据中心将采用英伟达Grace Blackwell架构，主要用于训练Mistral自家人工智能模型并提供推理服务

从更深层次来看，该设施将部署13,800块英伟达GB300图形处理器（GPU），总电力容量达44兆瓦，预计2026年第二季度投入运营

值得关注的是，2026全球数字基础设施合作发展论坛（DIFGC 2026）-泰国站即将于2026年5月在泰国曼谷香格里拉大酒店重磅启幕，诚邀您共话全球数字集成新篇章

从更深层次来看，欧洲人工智能初创公司Mistral AI于3月30日公开，通过首轮债务融资成功筹集8.3亿美元（约合人民币57亿元），用于在巴黎南部布吕耶尔-勒沙泰勒（Bruyères-le-Châtel）建设一座大型数据中心

业内人士指出，法国总统马克龙此前也强调，将利用核电出口能力满足AI数据中心电力需求

值得关注的是，分析人士指出，在全球AI基础设施竞赛中，欧洲正加速追赶美国和中国

从更深层次来看，公司计划到2027年底在欧洲各地实现200兆瓦的算力容量

业内人士指出，Mistral表示，此项目是其欧洲算力布局的重要一步

值得关注的是，Mistral此举有助于提升欧洲”数字主权”，减少对美国超大规模云服务商的依赖，同时借助法国核电等清洁能源优势支持高耗能数据中心发展

业内人士指出，进入2026年以来，已有多家运营商、云厂商在泰国布局，泰国俨然已经成为东南亚下一个算力建设的兵家必争之地

值得关注的是，Mistral AI创始人兼首席执行官Arthur Mensch表示，这一融资将助力公司独立构建计算能力，为企业和政府客户提供更自主、可控的AI基础设施服务

业内人士指出，据路透社和CNBC报道，此次融资由七家银行组成的国际银团提供，包括法国巴黎银行（BNP Paribas）、法国农业信贷银行企业与投资银行部（Crédit Agricole CIB）、汇丰银行（HSBC）、三菱UFJ金融集团（MUFG）、以及Bpifrance、La Banque Postale和Natixis等

业内人士指出，布吕耶尔-勒沙泰勒数据中心由法国本地运营商Eclairion负责运营

从更深层次来看，该公司自2023年成立以来，已累计筹集约29亿美元资金，估值一度超过百亿美元，致力于打造欧洲本土AI替代方案，与OpenAI、Anthropic等美国公司竞争，同时为法国军队等机构提供AI模型

从更深层次来看，此次融资标志着Mistral从股权融资为主转向利用债务工具加速基础设施扩张

可以预见，这一趋势将在未来深刻影响IDC行业格局

如果您正在寻找优质的台湾CN2服务器，欢迎访问 www.isclouder.com 了解更多

据行业最新消息，Wan2.2-S2V: AI Video Generation from Static Images on Alibaba Cloud

Wan2.2-S2V represents a breakthrough in AI-driven video generation technology, capable of transforming static images and audio inputs into cinematic-quality videos. This cutting-edge model, developed by Alibaba Cloud, excels in film and television applications, generating natural facial expressions, body movements, and professional camera work. In this comprehensive guide, we’ll walk through the complete setup process for deploying Wan2.2-S2V on Alibaba Cloud’s infrastructure. Wan2.2-S2V (Speech-to-Video) is an audio-driven video generation model that converts static images and audio inputs into dynamic video content. The model supports: • Film-quality output with realistic expressions and movements • Minute-level video generation in a single process • Multi-format compatibility supporting full-body and half-body characters • Real-time lip synchronization with audio input • Text control functionality for scene manipulation • Model Size: 14B parameters • Supported Resolutions: 480P and 720P • Frame Rate: 24 fps • Architecture: Built on Tongyi Wanxiang foundation model with AdaIN and CrossAttention control mechanisms • License: Apache 2.0 for commercial use For optimal performance, consider these Alibaba Cloud GPU instances: • Log into your Alibaba Cloud console • Navigate to Platform for AI (PAI) • Click Activate PAI and create a default workspace • Complete real-name verification if required # Access PAI Console # Upper-left corner: Select your target region # Click “Workspaces” → “Create Workspace” Configure workspace parameters: • Workspace Name: wan-s2v-workspace • Default Storage: Configure OSS bucket for model artifacts • Member Roles: Add team members as needed • In PAI console, go to Model Training > Data Science Workshop (DSW) • Click Create Instance Basic Configuration: Instance Name: wan-s2v-instance Instance Version: Latest Resource Type: Public Resources (GPU-enabled) Resource Configuration: ECS Specification: ecs.gn7i-c32g1.8xlarge GPU Type: NVIDIA A100 40GB CPU Cores: 32 Memory: 188GB System Disk: 200GB SSD Data Disk: 1TB SSD Advanced Settings: Image: Ubuntu 20.04 with CUDA 11.8 Mount Dataset: Configure if needed Auto Shutdown: Enable for cost optimization Step 3: Environment Setup 3.1 Connect to Instance # Start your DSW instance from PAI console # Click “Open” to access JupyterLab interface 3.2 Create Virtual Environment # Open terminal in JupyterLab conda create -n wan-s2v python=3.10 conda activate wan-s2v 3.3 Install Dependencies # Clone the repository git clone https://github.com/Wan-Video/Wan2.2.git cd Wan2.2 # Install requirements pip install -r requirements.txt # Install additional dependencies if needed pip install torch torchvision torchaudio –index-url https://download.pytorch.org/whl/cu118 pip install packaging ninja pip install flash-attn –no-build-isolation Step 4: Download Model Files 4.1 Download from Hugging Face # Install huggingface-hub pip install huggingface-hub # Download Wan2.2-S2V-14B model from huggingface_hub import snapshot_download snapshot_download( repo_id=”Wan-AI/Wan2.2-S2V-14B”, local_dir=”./models/Wan2.2-S2V-14B/”, repo_type=”model” ) 4.2 Verify Model Files Ensure these files are present: ./models/Wan2.2-S2V-14B/ ├── config.json ├── model.safetensors ├── tokenizer.json └── tokenizer_config.json Step 5: Configure Model Parameters 5.1 Create Configuration File # config.py import torch MODEL_CONFIG = { “model_path”: “./models/Wan2.2-S2V-14B/”, “device”: “cuda” if torch.cuda.is_available() else “cpu”, “dtype”: torch.float16, # Use FP16 for memory optimization “max_frames”: 73, # Maximum motion frames “resolution”: “720p”, # Output resolution “fps”: 24, # Frames per second } Step 6: Implementation Code 6.1 Basic Video Generation Script import torch import torchaudio from PIL import Image import numpy as np class Wan2S2VGenerator: def __init__(self, config): self.config = config self.device = config[“device”] self.load_model() def load_model(self): “””Load the Wan2.2-S2V model””” print(f”Loading model from {self.config[‘model_path’]}”) # Model loading implementation pass def generate_video(self, image_path, audio_path, prompt=””, output_path=”output.mp4″): “””Generate video from image and audio””” # Load and preprocess image image = Image.open(image_path).convert(‘RGB’) # Load and preprocess audio audio, sr = torchaudio.load(audio_path) # Generate video with model with torch.no_grad(): video_frames = self.model_inference(image, audio, prompt) # Save video self.save_video(video_frames, output_path) return output_path def model_inference(self, image, audio, prompt): “””Core model inference logic””” # Implementation details for model inference pass def save_video(self, frames, output_path): “””Save generated frames as video””” # Video saving implementation pass # Usage example if __name__ == “__main__”: config = MODEL_CONFIG generator = Wan2S2VGenerator(config) result = generator.generate_video( image_path=”./examples/portrait.jpg”, audio_path=”./examples/speech.wav”, prompt=”a person speaking naturally”, output_path=”./output/generated_video.mp4″ ) print(f”Video generated: {result}”) Step 7: Advanced Configuration 7.1 Multi-GPU Setup For faster processing, configure multi-GPU inference: # Use torchrun for distributed processing torchrun –nproc_per_node=8 generate.py \ –task s2v-14B \ –size 1024*704 \ –ckpt_dir ./models/Wan2.2-S2V-14B/ \ –dit_fsdp \ –t5_fsdp \ –ulysses_size 8 \ –prompt “a person singing” \ –image “examples/portrait.png” \ –audio “examples/song.mp3” 7.2 Memory Optimization # Enable memory optimization techniques OPTIMIZATION_CONFIG = { “use_gradient_checkpointing”: True, “enable_xformers”: True, “cpu_offload”: True, “mixed_precision”: “fp16” } Step 8: API Integration with Alibaba Cloud Model Studio 8.1 Model Studio Deployment For production use, deploy via Model Studio: # Deploy to Model Studio import dashscope from dashscope import Generation # Configure API credentials dashscope.api_key = “your-api-key” def deploy_to_model_studio(): response = dashscope.deploy_model( model_name=”wan2.2-s2v”, model_path=”./models/Wan2.2-S2V-14B/”, instance_type=”ecs.gn7i-c32g1.8xlarge”, min_instances=1, max_instances=5 ) return response.endpoint_url 8.2 API Usage import requests import base64 def call_wan_s2v_api(endpoint_url, image_file, audio_file, prompt): # Encode files to base64 with open(image_file, “rb”) as img: image_b64 = base64.b64encode(img.read()).decode() with open(audio_file, “rb”) as aud: audio_b64 = base64.b64encode(aud.read()).decode() payload = { “image”: image_b64, “audio”: audio_b64, “prompt”: prompt, “resolution”: “720p”, “fps”: 24 } response = requests.post( endpoint_url, json=payload, headers={“Authorization”: f”Bearer {api_key}”} ) return response.json() Step 9: Performance Optimization 9.1 Resource Monitoring Monitor your instance performance: # Install monitoring tools pip install psutil gpustat # Monitor GPU usage gpustat -i 1 # Monitor system resources htop 9.2 Cost Optimization • Enable auto-shutdown for development instances • Use preemptible instances for non-critical workloads • Implement reserved instances for consistent usage # Auto Scaling Configuration scaling_policy: min_instances: 1 max_instances: 10 target_gpu_utilization: 70% scale_up_threshold: 80% scale_down_threshold: 30% 10.2 Load Balancing Configure Application Load Balancer for multiple instances: # Create ALB instance aliyun slb CreateLoadBalancer \ –RegionId cn-hangzhou \ –LoadBalancerName wan-s2v-lb \ –LoadBalancerSpec slb.s1.small Best Practices and Tips Security Considerations • Use RAM roles instead of hardcoded credentials • Enable VPC networking for secure communication • Implement API rate limiting to prevent abuse • Regular security updates for system packages • Batch processing multiple requests together • Model quantization for memory efficiency • Caching strategies for frequently used assets • Asynchronous processing for better throughput • Monitor billing through CloudMonitor • Use spot instances for development • Implement automatic scaling policies • Schedule instances based on usage patterns # Reduce batch size or enable CPU offloading torch.cuda.empty_cache() # Use gradient checkpointing model.gradient_checkpointing_enable() Model Loading Errors # Verify model files ls -la ./models/Wan2.2-S2V-14B/ # Check CUDA compatibility nvidia-smi Audio Processing Issues # Install additional audio libraries pip install librosa soundfile # Verify audio format compatibility Conclusion Wan2.2-S2V represents a significant advancement in AI video generation technology, offering film-quality output from simple image and audio inputs. By leveraging Alibaba Cloud’s robust infrastructure and following this comprehensive setup guide, you can deploy a production-ready video generation system that scales with your needs. The combination of PAI’s managed services, DSW’s development environment, and Model Studio’s deployment capabilities provides a complete ecosystem for AI video generation workflows. Whether you’re building a content creation platform, developing digital human applications, or exploring creative AI applications, Wan2.2-S2V on Alibaba Cloud offers the performance and reliability needed for enterprise deployments. • Hardware requirements: Minimum 24GB GPU VRAM for optimal performance • Alibaba Cloud services: PAI, DSW, and Model Studio provide end-to-end solution • Production deployment: Use multi-GPU setups and API endpoints for scalability • Cost optimization: Leverage auto-scaling and spot instances for efficiency Start your journey with AI video generation today by following these steps, and unlock the creative potential of Wan2.2-S2V on Alibaba Cloud’s powerful infrastructure! Disclaimer: The views expressed herein are for reference only and don’t necessarily represent the official views of Alibaba Cloud.

业内分析认为，AI算力需求与绿色数据中心将成为行业主旋律

如果您正在寻找优质的韩国高防服务器，欢迎访问 www.isclouder.com 了解更多

行业动态更新：机械革命耀世 15 / 16 Air 云涧白轻薄游戏本开售：首发价 10499 元，学生优惠低至 9499 元

多类家电支持 8.5 折政府补贴，单品至高补贴 1500 元

从更深层次来看，手机 / 平板 / 3C 数码支持 8.5 折政府补贴，不超过 6000 元的产品至高立减 500 元

从更深层次来看，其配备 2560×1600 240Hz 500nits 屏幕，色域 100% DCI-P3、色差 AvgΔE＜1 ；支持 170W CPU + GPU 性能释放，内置 17hr 续航 75Whr 电池

从更深层次来看，耀世 15 Air 整机轻约 1.5kg，厚度仅 18.75mm；耀世 16 Air 质量也仅有 1.7kg

业内人士指出，耀世 15 / 16 Air 云涧白采用英特尔酷睿 Ultra 7 处理器 356H 搭配 NVIDIA GeForce RTX 5060 笔记本电脑 GPU 的组合，全系标配 32GB+1TB 存储器组合

业内人士指出，IT之家 7 月 15 日消息，机械革命 (Mechrevo) 此前发布的 2026 款耀世 15 / 16 Air 轻薄游戏笔记本电脑云涧白配色现已开售，计算国家补贴后首发价 10499 元，叠加学生优惠低至 9499 元

从更深层次来看，2026 年数码家电政府补贴持续进行中，IT 之家为大家汇总国补领券地址，买数码家电之前记得领取

随着IDC行业的快速发展，可持续发展将成为未来竞争的关键

如果您正在寻找优质的云服务器，欢迎访问 www.isclouder.com 了解更多

据行业最新消息，震撼功夫巨星甄子丹：全球人形机器人自由格斗联赛揭幕战在深圳打响，头掉了还能打

机器碰撞的力量、动作的精准，都让我觉得很震撼

值得关注的是，经过层层比拼，最终 60 支队伍入围并选出了 32 支强队

值得关注的是，小组赛会在 10 月开启，16 支晋级战队随机抽签均分为 4 大赛组，赛事采用 1 对 1、5 回合双循环积分赛制，通过有效击打累计得分，分出单回合胜负，五回合结束后，回合胜数多的队伍获胜

从更深层次来看，虽然失去了头部感知，但机器人仍依靠躯干核心系统持续出拳、进攻，顽强地完成比赛

值得关注的是，今晚的揭幕之夜是这 32 强的首次集体亮相

值得关注的是，众擎机器人创始人兼 CEO 赵同阳出席并发言，称要把优化的赛事推向世界舞台，巩固中国人形机器人在国际上的领先地位，目标也很明确，要打造全球最具有影响力的商业化人形机器人格斗 IP

值得关注的是，这 32 支参赛队伍随后将分为 4 组，分别前往北京、郑州、上海、深圳参赛

值得关注的是，IT之家 7 月 17 日消息，7 月 16 日晚，由深圳机器人企业发起组织的全球首个产业级人形机器人自由格斗赛事 —— 众擎 URKL 全球首场机器人格斗赛揭幕之夜在深圳开幕

值得关注的是，据介绍，此次揭幕战采用 1V1 对抗赛的形式，共包含 5 个回合，每个回合时长 5 分钟，在这 5 分钟里，对对方选手的有效部位进行有效击打，即可获得分数

从更深层次来看，比赛期间，官方会为每支战队提供三台“深圳智造”T800 机器人，最终每组排名前二的队伍将踏上全球总决赛的舞台

从更深层次来看，IT之家查询获悉，URKL 以重型机器人为标准机型，共吸引来自 10 余个国家的 200 多支参赛队伍

从更深层次来看，整个赛季将持续至 2026 年底，2026 年 12 月至 2027 年 1 月则会迎来全球总决赛

从更深层次来看，” 比赛现场还出现了名场面：一台机甲在对战中头部脱落

业内人士指出，值得一提的是，本次揭幕战还引来了功夫巨星甄子丹的围观，他表示：“以前我看到机器人格斗都是在科幻电影里，今天第一次近距离看真实的机器人进行格斗，亲眼见证历史性的突破，冲击力完全不一样

值得关注的是，本届 URKL 全球总决赛总奖金池高达 1400 万，冠军队伍可独揽价值千万的纯金腰带或对应等值奖金

值得关注的是，每队有三次的战术暂停，每次不超过两分钟，每回合只可使用一次，可以用于战术的讨论、紧急维修或更换机器人，如果暂停时长超时会被罚分

可以预见，这一趋势将在未来深刻影响IDC行业格局

如果您正在寻找优质的美国住宅IP服务器，欢迎访问 www.isclouder.com 了解更多

行业动态更新：魔法扫帚用上麻瓜技术：剧版《哈利 · 波特》道具频繁被盗，剧组植入微型芯片定位

IT之家 5 月 8 日消息，HBO 警告《哈利 · 波特》剧组成员，怀疑有道具被盗，包括魔法书、扫帚、南瓜和魔杖等物品

从更深层次来看，海报警告称，道具离开指定区域，需要“获得道具部门的批准”

值得关注的是，此外，剧版《哈利 · 波特》第二季《哈利 · 波特与密室》已获提前续订，计划今年秋季开拍

业内人士指出，据《The Sun》5 月 6 日报道，HBO《哈利 · 波特》剧集的布景周围已放置了海报，展示装有微型芯片的扫帚道具，并警告称正在追踪每日移动记录

业内人士指出，据IT之家此前报道，HBO 剧版《哈利 · 波特》将用七季拍完七部小说，计划 10 年内完播

从更深层次来看，一位制作人说，剧集的主管对盗贼的行为“非常愤怒”，HBO 现在正在 eBay 上搜寻失踪物品，任何嫌疑人都面临“被惩罚和解雇”的威胁

业内人士指出，目前系列剧集第一季《哈利 · 波特与魔法石》已定档今年圣诞节（12 月 25 日）开播

业内分析认为，AI算力需求与绿色数据中心将成为行业主旋律

如果您正在寻找优质的香港服务器租用，欢迎访问 www.isclouder.com 了解更多

据行业最新消息，202MW“源网荷储”一体化 中国移动（宁夏中卫）数据中心B园区正式交付投用

这一模式有效提升了能源利用效率，助力数据中心绿色低碳发展

业内人士指出，据公开信息，该园区采用光伏发电优先直供方式，并自建增量配电网，灵活调配光伏发电、算力用电和储能系统，形成数据中心用电”自主调峰、自发自用”，实现”源网荷储”一体化调度运行

值得关注的是，未来，类似模式有望在更多西部数据中心集群复制推广

业内人士指出，行业消息显示，中国移动（宁夏中卫）数据中心B园区正式交付投用，标志着全国首个大规模”源网荷储”一体化数据中心园区全面运营

值得关注的是，2026 中国智算产业生态发展年会将于 6 月 30 日在深圳盛大启幕

值得关注的是，宁夏中卫凭借丰富的可再生能源资源和适宜气候条件，成为数据中心建设的理想区域

业内人士指出，投产IT总功率达到202MW（兆瓦），绿电使用率稳定在80%以上

值得关注的是，本届大会以”AI 入场景，Token大时代”为主题，设置主论坛、供需交流会、年度评选、闪话：智算引力现场、创新成果展等多元环节，汇聚大模型企业、算力基础设施提供商（芯片、服务器等）、算力服务商、行业用户，共同探讨智算产业从建设走向应用、从技术走向生态的关键路径

从更深层次来看，这一项目落地，进一步加强了中卫在算电融合领域的探索进程

业内人士指出，B园区的投用进一步完善了园区整体能力，支持算力部署，符合国家”东数西算”战略背景下西部地区数据中心集群发展方向

从更深层次来看，中卫数据中心是中国移动在宁夏的重要布局，2015年开始建设，2018年6月投产，已建成多个机房，具备较大规模机架容量

业内分析认为，AI算力需求与绿色数据中心将成为行业主旋律

如果您正在寻找优质的海外服务器，欢迎访问 www.isclouder.com 了解更多

据行业最新消息，OpenAI GPT-5.6 智商首破 130 天才线，比 99% 人类都聪明

在 Reddit 上，一位开发者亲自下场测试，最终体感 GPT-5.6 明显要比 GPT-5.5 的智商更高

业内人士指出，如今，全世界 99% 的人类，在 IQ 这方面竟拼不过一个 AI

从更深层次来看，它选了粒子流体模拟，物理按真实时间推进而非每帧盲跑固定运算，CSS、界面、渲染全塞进一个 HTML 文件，还自动托管成可分享网页

从更深层次来看，实际上，Tracking AI 手里有两套题

从更深层次来看，在这份离线排行榜上，GPT-5.6 的一众变体（连视觉版都算上）集体冲到 136 分，把身后所有对手甩开了一大截

业内人士指出，Sol 一次修好，还顺手让别的模型也跑通了

值得关注的是，标准化测试里的题目，模型多半在训练数据里见过千百遍；真正见功夫的，是那些它从没遇到、也无处抄答案的新问题

业内人士指出，冷静下来看，这 136 分，是 Tracking AI 一个特定的离线 / Mensa Norway 风格测试跑出来的

从更深层次来看，在 Tracking AI 最新离线 IQ 测试中，GPT-5.6「全家桶」多个版本，齐刷刷地飙到了 136 分

业内人士指出，不得不说，AI 会做题，和 AI 能救场，中间隔着一整个真实项目

值得关注的是，一套是公开的 Mensa Norway 风格测试，网上人人能做，模型早就刷到 140 多分了

从更深层次来看，不过，人们上手后的实测，恰恰给出了另一半答案：GPT-5.6 好像，正在把「会做题」和「会做事」这两件事，慢慢拧到一起

业内人士指出，GPT-5.6 这次拿下 136 分，破的正是这套最难、最防作弊的离线题

值得关注的是，这样的 app 它一口气造了 5 个，成本只有 Fable 5 的零头

值得关注的是，这是 LLM 第一次，把 IQ 推过了 130 这道坎

值得关注的是，最有画面感的，是 Claire Vo 的桥段

从更深层次来看，四种角色、管理后台、可嵌入组件，还能自动给投诉分类、识别情绪、起草回复

业内人士指出，一张 Mensa 卷子，测不出一个模型的事实可靠性，测不出它的工具调用能力，也测不出它在真实职业场景里到底靠不靠谱

业内人士指出，紧咬在后面的，是 Claude-5 Fable，130 分

值得关注的是，一个分数可能难以令人信服，那么，GPT-5.6 离开考场、真刀真枪干活时是什么样

从更深层次来看，它测的，主要是抽象模式识别、逻辑推理这一类「标准化认知」

值得关注的是，在人类的智商分布里，130 分是「天才」的起跑线，全球仅有大约 1% 的人能站上去

从更深层次来看，在如下的测试题中，GPT-5.6 均在最短时间内，拿下了出色的成绩

从更深层次来看，再往下，GPT-5.6 LUNA Max、Claude-4.8 Opus 这些名字，还在 117 到 123 分之间打转

值得关注的是，谁能在那儿稳住，谁才配得上「智商」这两个字

从更深层次来看，它只是切下了「智能」的一个薄片，然后告诉你，这一片有多亮

从更深层次来看，而且它不是单枪匹马上分，SOL、TERRA 一整个家族集体飙到 136，连视觉版都没掉队

业内人士指出，https://x.com/davidpattersonx/status/2077049232490672458 https://trackingai.org/ 《OpenAI 最强 AI 模型：GPT-5.6 系列登场，编程跑分超 Claude Mythos 5》

业内人士指出，开发者 Amir Bohlooli 拿同一个物理模拟 prompt，同时喂给 Fable 5 和 GPT-5.6 Sol，本以为会被 Fable 碾压，结果反被 GPT 惊到

值得关注的是，换言之，GPT-5.6 要比 99% 的人类还聪明

值得关注的是，几天前，她卡在一个 bug 上，以为是自己代码写崩了，换到 GPT-5.6 Sol 后只甩下一句「我就是不信搞不定」

值得关注的是，有网友表示，「对 99% 的人来说，这已经是 AGI 了」

值得关注的是，过去一年里，从 o3 到各家旗舰，一茬又一茬的模型冲上来，全卡在 130 的门口，谁也没能真正踏进「天才区间」

从更深层次来看，Ramanpal Singh 同样用了一句 prompt，造出一个基于 RAG 的客服工单系统

从更深层次来看，问题在于：IQ 测试，本来就不是为大模型量身定做的

从更深层次来看，要知道，130 这道门槛之前一直没被跨过去

业内人士指出，不公开、防泄题，专门用来堵住「模型提前背过答案」的漏洞

业内人士指出，她的评价一针见血，Fable 死磕技术上的绝对精确，反而作茧自缚，Sol 的务实却把活干成了

可以预见，这一趋势将在未来深刻影响IDC行业格局

如果您正在寻找优质的住宅IP租用，欢迎访问 www.isclouder.com 了解更多