软通动力于6月11日宣布“北京壹号词元工厂”正式投入运行，标志着大模型算力进入标准化时代。该工厂专注于智能体服务，优化硬件性能和算法，提供高性价比的“数字燃料”——Token，并发布了开源的词元工厂性能基准，构建了完整的评测体系。软通动力还参与多个国家重点项目，推动全球AI合作。

小米推出了MiMo-V2.5-Pro-UltraSpeed模型，具备1T参数和1000+ TPS的推理速度，突破了GPU的性能限制。该模型在全栈开发任务中表现优异，能够快速生成高质量的复杂应用，推动了大模型的商业化进程。

摩尔线程发布了开源大模型MusaCoder，专为GPU底层算子生成设计，支持从PyTorch自动生成高性能CUDA/MUSA代码，提升开发效率。MusaCoder在KernelBench评测中表现优异，超越多款主流模型。其全链路训练依托国产MTT S5000集群，验证了国产GPU的强大能力，推动GPU编程和AI技术的创新与应用。

到2026年，AI模型生态将变得复杂，API聚合平台将成为主流解决方案。推荐多个国内外平台，如硅基流动、星图和阿里云百炼，帮助开发者以低成本调用数百个模型，简化API对接和管理。这些平台提供不同的免费额度和企业级保障，以满足开发者的需求。

数颐联康在上海国际养老博览会上发布了“南山大模型”，结合多项前沿技术，支持居家、机构和医院的智能服务。同时推出的“灵犀整合照护平台”和“易照护智慧监管平台”有效解决了居家护理的痛点。展会期间，公司还与多家企业签署了战略合作协议，并交付了全球首台养老服务机器人“齐家·小如”。

2026腾讯云AI产业应用大会在北京举行，聚焦AI在教育领域的应用。王琳与爱为舞合作，分享了教育大模型和学习Agent的探索，强调数据驱动教学的智能闭环。大会讨论了AI如何重塑教学逻辑，提升教育质量，推动教育AI的产业落地。

云知声推出的新一代大模型U2，采用“智能密度×Token价值”理念，旨在降低Token消耗并提升智能效率。U2在多项评测中表现优异，推理成本显著低于同类模型，验证了智能密度的可行性，标志着AI行业竞争格局的转变。

斑马智能在高通峰会上推出全模态端侧大模型AutoOmni，具备低延迟、高精准和保隐私特性，响应时间小于500毫秒。该模型提升了自然交互度和服务链接成功率。斑马智能与高通合作，已与69家车企合作，落地超1000万辆智能汽车。

原力灵机与Atomix合并，专注于具身智能中的“Picking”任务，通过真实场景生成大量数据，推动模型迭代。此合并将数据与模型整合，形成闭环，助力具身智能行业发展，成为行业转型的关键支点。

大模型的价格差异正在缩小，MiniMax M3在代码审计中以$0.07发现13个问题，而Claude Opus 4.8最贵档次花费$3.39仅发现15个问题。测试表明，推理强度与发现问题数量并不总成正比，MiniMax M3在主要安全问题上表现优异，适合预算有限的审计任务。选择模型时应根据具体需求，便宜模型的能力正在快速提升。

llmfit软件可以在本地评估计算机性能，以运行大模型。用户通过安装llmfit查看不同模型的参数、速度、内存和硬盘占用，从而判断电脑能运行哪些模型。llmfit识别设备配置，支持多种加速后端，帮助用户优化模型运行。

B站推出的“build in bilibili·AI创造公开赛”鼓励参与者利用AI工具创作，打破技术壁垒。参赛者展示创作过程，观众通过投币决定作品曝光和奖励，形成去中心化评价体系。这场比赛强调普通人的创意和需求，推动AI应用的社区共创，开启全民创造新模式。

视启未来团队专注于开发隐空间世界模型，推动AI从“看见”向“预见”转变。创始人张磊指出，理解因果关系和物理规律至关重要。团队通过提升物体理解能力，推出全球领先的视觉大模型DINO-X，未来希望将世界模型作为物理世界AI的核心基础设施，助力机器人自主学习和决策。

一千台599美元的Mac mini可以替代昂贵的H100服务器，具有低成本和低功耗的优势。Mac mini的统一内存架构提升了AI模型的运行效率，适合本地部署。相比之下，云服务费用高昂，使用Mac mini搭建AI服务器简单易行，能有效节省成本。

2026年6月，全球人工智能市场迎来大模型上市热潮。中国智谱与MiniMax启动A股IPO，美国Anthropic也向SEC提交上市申请。智谱计划募资150亿元用于大模型研发，MiniMax加速上市。尽管两家公司股价表现优异，但均面临巨额亏损，市场竞争激烈，企业急需资金争夺定价权。2026年将成为大模型IPO元年。

Llama-70B模型在处理128K token请求时，KV Cache占用429GB显存，成为推理成本的主要因素。通过TurboQuant、PD拆分和LMCache等技术，可以将长上下文推理成本降低4到40倍。这些技术的应用将显著提升效率，改善产品体验，推动LLM的广泛使用。