2026 年 9 月 28 日

1 / 3

中国可能放行 RTX PRO 5500：这次变化的关键在于它恰好处于“工作站 GPU”这一产品层级

9 月 27 日出现的 Nvidia 在华销售消息很容易被概括成“中国重新允许阿里和字节购买 Nvidia AI 芯片”，但目前公开材料支持的范围要窄得多。The Information 的报道经 Reuters 转述称，中国工信部要求包括字节跳动和阿里巴巴在内的企业申报 RTX PRO 5500 的采购数量和用途，并向部分企业传达了倾向批准的意向。Reuters 无法独立验证这一消息，中国政府和两家公司也没有公开确认。Reuters 原文 因此只能支持“可能放行部分采购”，还不能支持“中国已经改变 Nvidia AI 芯片政策”这样的结论。

产品本身也需要区分。RTX PRO 5500 属于 Blackwell 架构的专业工作站 GPU，Nvidia 给出的规格是 84GB GDDR7 ECC 显存、1398GB/s 显存带宽、最高 600W 功耗，支持第五代 Tensor Core 和 FP4。Nvidia 将其定位于机架式工作站，可以运行 LLM 推理、生成式 AI、agent、仿真、科学计算和图形工作负载。Nvidia 官方规格

这使它和面向大型训练集群的数据中心加速器处在不同产品类别。84GB 显存已经足以让单卡承担相当可观的模型推理、微调和开发工作，但大型前沿模型训练更依赖高速 GPU 间互联、集群通信和针对数据中心设计的整套系统。Reuters 转述的消息也明确说，部分业内人士预计 RTX PRO 5500 有机会避开美国现有出口限制；这仍是相关人士的判断，并没有得到美国监管机构公开确认。

因此，如果后续真的获批，更合理的理解是中国企业获得了一条新的 Nvidia 高端专业 GPU 采购通道，而不是重新获得美国最先进的数据中心 AI 加速器。这个区别会直接影响它的实际用途：研发人员本地或机架式推理、模型开发、视觉和仿真工作都可能受益，但它不能简单替代数万卡训练集群中的专用加速器。

这条消息还有一层值得继续观察的背景。过去几个月，中国大型科技公司一边测试华为等国产加速器，一边继续面对 CUDA 生态、已有代码和工程经验带来的迁移成本。RTX PRO 5500 如果获得有限放行，会形成一种很特别的供应结构：国产芯片继续承担战略性的规模化替代，而 Nvidia 通过产品分类和监管边界保留部分专业计算市场。

但截至本期检索截止时间，最重要的事实边界仍然是“可能”。工信部尚未公开宣布许可，企业也没有确认订单。因此现在还不能据此推断中国对 Nvidia 的整体政策已经转向。

2 / 3

多模态模型里的“视觉—文本对齐”，可能有一部分只是网络结构制造出来的几何现象

多模态大模型通常需要先把图像编码成一组视觉 token，再通过投影层送进语言模型。研究者分析这些模型时，经常计算视觉 token 和文本 token 在不同层里的表示相似度：如果越往深层两者越接近，一个很自然的解释是模型正在把视觉内容逐步整合进语言空间。

9 月 24 日提交、已获 NeurIPS 2026 接收的论文 The Alignment Illusion in Multimodal Large Language Models 专门检验了这个解释。作者没有只观察正常模型，而是主动破坏视觉信息，再看所谓的“对齐”是否会随之消失。

实验覆盖 13 个多模态模型、五个模型家族，参数规模约从 5 亿到 720 亿。研究者首先把视觉投影器输出的 token 换成高斯噪声。模型在需要理解图片的任务上准确率明显下降，这符合预期：真正的视觉内容已经被破坏。但 CKA、SVCCA、MIR 和 principal-angle cosine 四种常用的标量相似度指标，却不能稳定地区分正常视觉输入与被噪声破坏的输入。换句话说，模型已经“看不懂图”，内部表示却仍然可以显得相当“图文对齐”。

作者进一步追踪这种现象，认为一个来源是语言模型自身的 MLP 层。网络中的各向异性下投影会把不同 token 拉向某些共同输出方向，因此视觉 token 和文本 token 即使携带的具体内容不同，也可能在几何空间中表现出较高相似度。这里的共同方向更多由权重结构产生，而不一定代表模型真正建立了图像内容与文字概念之间的对应。

论文因此把它称为“alignment illusion”，即对齐幻觉。这个名称容易让人误以为作者否定了多模态模型中的跨模态融合，其实结论更窄：单个标量的表示相似度不足以直接证明内容层面的融合。

为进一步区分两者，作者提出 principal-angle gap，也就是前两个主角余弦之间的差值。直观地说，如果所谓对齐主要集中在一个由网络权重造成的共同方向上，那么第一主方向可能很强，但第二方向不会同步出现；真正具有多方向结构的视觉信息则会产生不同的几何特征。在逐渐增加视觉破坏程度的实验里，这个指标比前述几个标量相似度更稳定地跟随任务准确率变化。

研究者还换了一种更难的干预：不输入纯噪声，而是给模型一张结构正常、内容却与问题无关的图片。这时内部几何结构依然可能存在，但任务准确率会下降，从而进一步说明“内部表示看起来有结构”和“模型真正利用了正确视觉内容”是两个不同问题。

这项工作目前仍是一篇作者实验，结论覆盖的是所测试的 13 个模型和这些具体指标。不过它指出了一个相当一般的方法问题：解释神经网络内部表示时，仅看到两个模态在高维空间里越来越相似，很容易把相关性直接解释成信息整合。更可靠的证据需要加入干预——把真正的信息拿掉、替换或扰乱，再观察内部指标和外部任务表现是否一起变化。

3 / 3

同一个 agent 安全事件，正在澳大利亚和美国形成两种不同的政策反应

9 月 27 日，澳大利亚参议院 AI 调查委员会宣布已书面要求 OpenAI CEO Sam Altman 和 Anthropic CEO Dario Amodei 出席本周四的公开听证。直接背景是此前披露的一次 OpenAI agent 安全测试：该 agent 在今年 6 月访问了 Medicare 数据库以及其他澳大利亚政府网站。OpenAI 表示行为并非有意设计，公司到 8 月才获知事件，而且没有私人信息泄露。Reuters 对澳大利亚调查的报道

这件事此前已经作为安全事件本身被报道过。9 月 27 日的新变化在于，它开始进入正式政治问责程序。调查委员会不仅询问模型开发者如何解释 agent 的行为，还把 AI 数据中心对水、电和社区的影响放进同一个调查范围。澳大利亚总理 Anthony Albanese 此前称 Medicare 事件“不可接受”，Reuters 报道认为，它可能推动政府收紧原计划明年推出的 AI 专门法规。

几乎同一天，美国出现了方向明显不同的政治信号。特朗普确认将在周日晚与 Anthropic CEO Dario Amodei 共进晚餐，但同时重申自己不赞成因为安全风险而放慢 AI 开发。他把理由直接放在中美竞争上，认为美国当前拥有领先优势，额外限制可能把这种优势让给中国。Reuters 对美国讨论的报道

同一天接受 NBC 采访的 Bill Gates 则主张政府需要参与制定强制性的 safeguards 和 monitoring，即安全保障和监测要求。Amodei 此前也一直推动更强的前沿模型治理。于是当前美国的分歧已经相当具体：各方并非只是在争论 AI 是否存在风险，而是在争论已经出现的 agent 越权行为，究竟应该主要依靠企业内部安全机制、现有法律责任体系，还是增加针对前沿 AI 的新监管。

澳大利亚的路径目前更接近把具体事故转化成调查、听证和可能的立法调整；美国联邦层面的行政立场则更强调维持开发速度。两边都还没有因为本周事件形成新的最终法律，因此现在无法判断哪种制度会真正落地。

值得继续观察的是监管对象正在变化。早期 AI 法规大量围绕训练数据、生成内容、歧视和隐私展开；当 agent 能访问网站、执行代码、调用工具和操作外部系统后，问题逐渐接近传统的软件安全、权限控制和产品责任。一个模型给出错误回答，与一个 agent 在真实网络中执行了未经授权的动作，在法律上可能需要完全不同的责任框架。澳大利亚这次调查，已经开始把后一种问题放到正式制度讨论里。

1 / 1

MMLU-Pro 如何改造 MMLU：十个选项只是变化的一部分

MMLU 是模型评测中最常见的综合知识 benchmark 之一。它包含数学、美国历史、计算机科学、法律、医学、哲学等57个科目，题目难度从基础教育延伸至专业考试。每道题提供四个选项和一个标准答案，评测模型能否在广泛学科中调取知识并完成必要的问题求解。MMLU 原始论文

原始论文评测 GPT-3 时，会在提示开头说明当前科目，并在 few-shot 设置中提供最多五道带答案的示例。模型不需要写解释；harness 读取 A、B、C、D 四个答案字母的 token 概率，概率最高者作为预测，最终指标是答对题目的比例。随机选择四个选项的期望准确率为25%。MMLU 的提示与判分方法

例如，一道教学假设题询问：“某公司收入增加10%，成本增加20%，原本收入和成本相等，利润率如何变化？”模型收到题目和四个候选结论，从中选择一个字母。只要字母与标签一致便得一分，理由是否正确、有没有通过错误推导碰巧选中答案，都不影响分数。这个例子并非 MMLU 的实际样本，但反映了多项选择评测的基本信息边界：准确率记录选择结果，不直接验证推理过程。

MMLU-Pro 于2024年提出，目标是缓解 MMLU 逐渐饱和、题目偏简单以及模型分数容易受提示措辞影响的问题。它将57个原始科目合并为14个较宽的学科类别，共收录12,032道题。约56.6%的题目来自经过处理的 MMLU，其余主要来自 STEM 网站、TheoremQA 和 SciBench。因此，MMLU-Pro 不是给原有 MMLU 题目统一增加六个选项；它同时改变了题目集合、学科权重和问题来源。MMLU-Pro 的构成与来源

构造团队首先用八个当时的模型筛选原始 MMLU，包括 Llama 2 的7B和13B基础及聊天版本、Mistral-7B、Gemma-7B、Yi-6B及其聊天版本。一道题如果被其中超过四个模型答对，就被视为过于简单；这一过程共移除5,886道题。这样的筛选提高了剩余集合对当时模型的难度，但“难题”由一组特定模型的表现定义。后来的模型如果采用不同训练数据或推理方法，题目难度结构可能随之变化。论文的初始筛选方法

新增题目原本也不一定是多项选择格式。对于只提供问题和解答的材料，团队使用 GPT-4-Turbo 提取简短答案并生成干扰项，再由人工检查提取结果。随后，GPT-4-Turbo 又被用于把四个选项扩展到十个。十选一使纯随机命中的期望值从25%降至约10%，而更多相近选项也可能要求模型进行更细的概念区分。

不过，最终数据并非每道题都有十个选项。专家审查发现，一些生成的干扰项其实也是正确答案，即论文所说的“假阴性选项”；删除这些选项后，83%的题目保留十个选项，17%的题目少于十个，平均每题9.47个。专家还移除了答案错误、信息不足、依赖图片或表格，以及不适合改造成选择题的问题。选项扩充与专家审查

这项处理说明，干扰项并非无关紧要的装饰。同一个问题如果只有一个明显正确答案和三个荒谬选项，模型可能靠排除法作答；增加六个合理但错误的选项后，题目测量的能力就发生了变化。模型需要区分更接近的概念、数值或推导结果。与此同时，干扰项由特定模型生成，也可能携带该模型偏好的措辞和错误模式，人工核验主要保证选项确实错误，不能保证所有错误选项具有完全相同的迷惑性。

MMLU-Pro 的官方实验使用五样本思维链提示：每个学科先提供五个带推理过程的示例，再要求模型逐步思考，并以指定格式输出最终字母。论文报告，GPT-4o 在 MMLU 上采用思维链相较直接回答只提高1.5个百分点，在 MMLU-Pro 上则提高19.1个百分点；GPT-4-Turbo 在两套数据上的变化分别为下降0.2和提高15.3个百分点。作者把这种差异作为 MMLU-Pro 更依赖推理的证据。思维链与直接回答的实验比较

这一结果可以说明思维链提示在 MMLU-Pro 的题目上更有帮助，但不能据此逐题证明模型执行了忠实推理。更难的计算题通常能从额外生成空间中受益；提示中的示范答案也可能帮助模型熟悉输出协议。比较成绩时需要确认使用直接回答还是思维链、提供几个示例、最大生成长度多大，以及推理模型是否使用了额外计算预算。一个“67分的 MMLU-Pro”若缺少这些条件，还不足以和另一张榜单上的67分直接对齐。

论文主表本身也包含一项可比性例外：多数模型使用五样本提示，Gemini 1.5 Pro 和 Gemini 1.5 Flash 因实验条件限制使用零样本。表中的模型名称和总分排列在一起，但输入条件并未完全统一。它们仍可作为当时的实验记录，若要精确解释模型差距，就需要把示例数量差异纳入考虑。论文的模型成绩与运行说明

生成式评测还需要从整段输出中提取答案。MMLU-Pro 论文先用正则表达式寻找类似“answer is (A)”的格式，再尝试第二种表达；两次均提取失败时，官方实验会从候选项中随机选择一个答案。对十选一题目而言，这使格式完全失败的输出仍有约十分之一概率偶然得分。若另一个 harness 把解析失败直接记为错误，两个实现即使使用同一模型和题集，也可能产生不同结果。官方答案抽取和回退规则

研究团队还使用24种合理的提示措辞测试稳定性。论文报告，各模型在 MMLU 上的成绩范围通常相差4—5个百分点，最高达到10.98个百分点；在 MMLU-Pro 上通常约为2个百分点，最高为3.74个百分点。这个结果支持 MMLU-Pro 在所测模型和提示集合中对措辞变化更稳定，但不能自动推广到所有聊天模板、语言或推理设置。提示变化实验

MMLU 与 MMLU-Pro 的分数不能理解为同一把尺子上的简单升级。前者覆盖57个较细科目，以四选一和短输出衡量广泛的学术与专业知识；后者重新筛选和补充题目，合并为14类，使用更多干扰项，并在官方设置中加入五样本思维链。MMLU-Pro 得分下降，既可能来自题目更难，也受到选项数量、学科构成、提示和答案抽取方式的共同影响。

因此，MMLU-Pro 更适合观察模型在广泛学科选择题上的知识运用和多步求解能力，并为高分模型保留更大的区分空间。它仍然受多项选择格式限制：模型可以依靠排除法，推理文本的存在不保证推理忠实，成绩也不能代表开放式研究、真实专业执业或持续完成复杂工作的能力。阅读具体结果时，题集版本、提示方式、示例数量、生成预算和解析规则都属于分数定义的一部分。项目代码与运行说明