当Anthropic一纸禁令让无数中国企业的AI梦碎了一地，😆AWS却在两周后扔出了一颗重磅炸弹——上架中国最强开源模型。❤️这不是雪中送炭，这是一场精心布局的商业智慧展示。 一夜😢之间，Claude说再见了 2025年9月5日，对许多🥳中国科技企业来说，是个黑色星期四。 Anthropic🤯突然宣布：立即停止向多数股权由中国资本持有的公司提供Clau😆de服务。消息一出，整个中国AI圈炸了锅。要知道，Claud😂e凭借其卓越的编程能力，几乎成了国内企业构建AI Codin😂g工具栈的标配，甚至是某些公司的唯一选择。 这就像你正🙌在高速公路上飙车，突然发现发动机被远程锁死了。那些把全部筹码😜押在Claude上的企业，瞬间陷入了进退两难的境地——正在推⭐进的AI项目要不要继续？已经部署的系统怎么办？客户的合同如何😴履行？ 这一刀，切得又快又狠。 AWS的“反常”😢操作：把竞争对手的模型都搬上架 就在业界还在为Clau🚀de断供事件震惊时，9月19日，AWS宣布在亚马逊Bedro😀ck上线阿里巴巴的Qwen3系列和DeepSeek V3.1🤩。 这个操作，说它“反常”一点都不为过。 要知道🤩，AWS和阿里云在全球云计算市场可是实打实的竞争对手。在中国🚀乃至整个亚太市场，两家更是明里暗里较劲多年。现在AWS居然把😎阿里巴巴开源的最新一代通义千问模型搬上了自家平台，这操作着实🔥让人看不懂。 但如果你了解AWS的历史，就会发现这其实💯是他们的一贯作风。今年8月，AWS就已经上架了OpenAI的😢两款开源模型。按理说，OpenAI是微软重金投资的，而微软A😘zure是AWS最大的竞争对手；更讽刺的是，OpenAI还是😘AWS投资的Anthropic的直接竞争对手。但AWS照样把😂OpenAI的模型搬上了架。 这种看似“没有立场”的做🌟法，背后其实藏着AWS的核心哲学：Choice Matter❤️s（选择很重要）。 从“断供惊魂”到“王炸矩阵” 😢 Claude事件给所有人上了生动的一课：在AI时代，把所有😉筹码押在一个模型上，无异于把命运交到别人手里。 AWS😢 CEO Matt Garman在最近的采访中明确表示：“我🤗们不认为会有一个模型能适应所有场景。”这句话在Claude断💯供事件后显得格外有先见之明。 看看这次上架的模型阵容就😅知道AWS的野心有多大： Qwen3-Coder-48😊0B，总参数量480B，专为复杂软件工程设计，能处理高达25🤯6K的上下文窗口，用外推方法甚至能达到100万个token。🚀这意味着它能在单个任务中处理整个代码库。 De😀epSeek V3.1，号称"迈向Agentic AI时代的🚀第一步"，支持思考模式和非思考模式的自由切换，在工具调用和智😂能体任务中表现卓越。 展开全文 Qw💯en3-Coder-480B，总参数量480B，专为复杂软件😡工程设计，能处理高达256K的上下文窗口，用外推方法甚至能达💯到100万个token。这意味着它能在单个任务中处理整个代码👍库。 DeepSeek V3.1，号称"迈向Agent😴ic AI时代的第一步"，支持思考模式和非思考模式的自由切换🌟，在工具调用和智能体任务中表现卓越。 更关键的是价格。😎根据实测数据，Qwen3 Coder 480B的input 😘Token价格比第三方平台Fireworks低50%以上。在🙌推理速度上，每秒输出Token数和首Token时延等核心指标😊在业界领先。默认配额高达10K RPM及100M TPM，客🙄户无需为配额提升而烦恼。 这不是简单的模型堆砌，而是一💯个完整的生态矩阵：最强多模态混合推理基模Claude（是的，😎它还在）、超高性价比自研模型Nova、最受关注的开源模型GP😊T系列、DeepSeek、Qwen等，覆盖高端和低延时等各类🙄场景，成本涵盖高、中、低不同档位。 当选择权决定生死 ❤️ AI可能会成为几十年来发展最快的技术，这种创新将持续1😅0年、20年甚至30年。在这样的长周期里，任何单一依赖都可能😡成为致命弱点。 AWS的多模型战略，在平时看起来像是资😂源浪费——为什么要同时支持这么多相互竞争的模型？但在Clau😉de断供这样的黑天鹅事件面前，这种策略的价值立刻凸显出来。 ❤️ 那些在Bedrock上构建AI应用的中国企业，可以在几🥳小时内完成模型切换。而那些依赖单一模型供应商的企业，可能需要😉数周甚至数月来重构他们的系统。在AI军备竞赛中，这样的时间差🚀可能就是生与死的距离。 商业的本质：没有永远的敌人 🤯 AWS上架竞争对手的模型，表面上看是在“资敌”，实际上却🚀是在构建一个更强大的护城河。 当客户知道在AWS上可以😅找到市面上几乎所有主流模型时，他们为什么还要费力去对接多个平😢台？当切换模型变得像换个API密钥一样简单时，企业的AI战略😡就有了真正的灵活性。 这种开放策略也让AWS成为了事实🙄上的"AI基础设施层"。而阿里巴巴成为Bedrock第13个🙌模型提供商，正标志着中国AI开源生态与国际云计算平台的深度融🤩合。返回搜狐，查看更多

北京市:市辖区:(东城区、西城区、朝阳区、丰台区、石景山区、海淀区、门头沟区、房山区、通州区、顺义区、昌平区、大兴区、怀柔区、平谷区、密云区、延庆区)

天津市:市辖区:(和平区、河东区、河西区、南开区、河北区、红桥区、东丽区、西青区、津南区、北辰区、武清区、宝坻区、滨海新区、宁河区、静海区、蓟州区)

河北省:石家庄市:(长安区、桥西区、新华区、井陉矿区、裕华区、藁城区、鹿泉区、栾城区、井陉县、正定县、行唐县、灵寿县、高邑县、深泽县、赞皇县、无极县、平山县、元氏县、赵县、石家庄高新技术产业开发区、石家庄循环化工园区、辛集市、晋州市、新乐市)

唐山市:(路南区、路北区、古冶区、开平区、丰南区、丰润区、曹妃甸区、滦南县、乐亭县、迁西县、玉田县、河北唐山芦台经济开发区、唐山市汉沽管理区、唐山高新技术产业开发区、河北唐山海港经济开发区、遵化市、迁安市、滦州市)

秦皇岛市:(海港区、山海关区、北戴河区、抚宁区、青龙满族自治县、昌黎县、卢龙县、秦皇岛市经济技术开发区、北戴河新区)

邯郸市:(邯山区、丛台区、复兴区、峰峰矿区、肥乡区、永年区、临漳县、成安县、大名县、涉县、磁县、邱县、鸡泽县、广平县、馆陶县、魏县、曲周县、邯郸经济技术开发区、邯郸冀南新区、武安市)

邢台市:(襄都区、信都区、任泽区、南和区、临城县、内丘县、柏乡县、隆尧县、宁晋县、巨鹿县、新河县、广宗县、平乡县、威县、清河县、临西县、河北邢台经济开发区、南宫市、沙河市)

保定市:(竞秀区、莲池区、满城区、清苑区、徐水区、涞水县、阜平县、定兴县、唐县、高阳县、容城县、涞源县、望都县、安新县、易县、曲阳县、蠡县、顺平县、博野县、雄县、保定高新技术产业开发区、保定白沟新城、涿州市、定州市、安国市、高碑店市)

张家口市:(桥东区、桥西区、宣化区、下花园区、万全区、崇礼区、张北县、康保县、沽源县、尚义县、蔚县、阳原县、怀安县、怀来县、涿鹿县、赤城县、张家口经济开发区、张家口市察北管理区、张家口市塞北管理区)

承德市:(双桥区、双滦区、鹰手营子矿区、承德县、兴隆县、滦平县、隆化县、丰宁满族自治县、宽城满族自治县、围场满族蒙古族自治县、承德高新技术产业开发区、平泉市)

沧州市:(新华区、运河区、沧县、青县、东光县、海兴县、盐山县、肃宁县、南皮县、吴桥县、献县、孟村回族自治县、河北沧州经济开发区、沧州高新技术产业开发区、沧州渤海新区、泊头市、任丘市、黄骅市、河间市)

中国大模型，首登Nature封面。 9月17日，在最新😍一期的国际权威期刊Nature（自然）中，DeepSeek-😊R1推理模型研究论文登上了封面。该论文由DeepSeek团队😅共同完成，梁文锋担任通讯作者，首次公开了仅靠强化学习就能激发👏大模型推理能力的重要研究成果。这是中国大模型研究首次登上Na💯ture封面，也是全球首个经过完整同行评审并发表于权威期刊的🙄主流大语言模型研究，标志着中国AI技术在国际科学界获得最高认🎉可。 Nature在其社论中评价道：“几乎所有主流的大🤔模型都还没有经过独立同行评审，这一空白终于被DeepSeek😆打破。” 中国AI大模型的“Nature时刻” 😆自大模型浪潮席卷全球以来，技术发布、性能榜单层出不穷，但始终😘缺乏一个权威的“科学认证”机制。OpenAI、谷歌等巨头虽屡😅有突破，但其核心技术多以技术报告形式发布，未经独立同行评审。🚀 DeepSeek以其公开性和透明性打破了这一局面。D🥳eepSeek-R1模型的研究论文最早于今年年初发布在预印本⭐平台arXiv上。自今年2月14日向Nature投递论文至今😀，历经半年，8位外部专家参与了同行评审，DeepSeek-R🙄1推理模型研究论文终获发表，完成了从预印本到Nature封面🙄的“学术跃迁”。审稿人不仅关注模型性能，更对数据来源、训练方❤️法、安全性等提出严格质询，这一过程是AI模型迈向更高的透明度😀和可重复性的可喜一步。 因此，Nature也对Deep⭐Seek的开放模式给予高度评价，在其社论中评价道：“几乎所有😀主流的大模型都还没有经过独立同行评审，这一空白终于被Deep⭐Seek打破。”全球知名开源社区Hugging Face机器😡学习工程师Lewis Tunstall也是DeepSeek论😊文的审稿人之一，他强调：“这是一个备受欢迎的先例。如果缺乏这🤔种公开分享大部分研发过程的行业规范，我们将很难评估这些系统的🤗潜在风险。” 据了解，DeepSeek本次在Natur🤯e上发表的论文较今年年初的初版论文有较大的改动，全文64页，🙌不仅首次披露了R1的训练成本，而且透露了更多模型训练的技术细🎉节，包括对发布初期外界有关“蒸馏”方法的质疑作出了正面回应，😂提供了训练过程中减轻数据污染的详细流程，并对R1的安全性进行🤩了全面评估。 其中，在训练成本方面，R1-Zero和R🥳1都使用了512张H800GPU，分别训练了198个小时和8💯0个小时，以H800每GPU小时2美元的租赁价格换算，R1的😂总训练成本为29.4万美元（约合人民币209万元）。不到30👏万美元的训练成本，与其他推理模型动辄上千万美元的花费相比，可💯谓实现了极大的降本。 关于R1发布最初时所受到的“蒸馏💯”质疑，DeepSeek介绍，其使用的数据全部来自互联网，虽😂然可能包含GPT-4生成的结果，但并非有意而为之，更没有专门😅的蒸馏环节。所谓“蒸馏”，简单理解就是用预先训练好的复杂模型🎉输出的结果，作为监督信号再去训练另外一个模型。R1发布时，O💯penAI称它发现DeepSeek使用了OpenAI专有模型😂来训练自己的开源模型的证据，但拒绝进一步透露其证据的细节。 🤩 R2何时问世引发关注 自今年年初发布R1以来，D😆eepSeek在全球树立了开源模型的典范，但过去数月，外界对⭐于R2何时发布始终保持高度关注，相关传言一直不断。不过，R2🙄的发布时间一再推迟，外界分析R2研发进程缓慢可能与算力受限有😆关。 展开全文 值得注意的是，今年8月21日，D🙌eepSeek正式发布DeepSeek-V3.1，称其为“迈🎉向Agent（智能体）时代的第一步”。据DeepSeek介绍🤩，V3.1主要包含三大变化：一是采用混合推理架构，一个模型同😆时支持思考模式与非思考模式；二是具有更高的思考效率，能在更短🤩时间内给出答案；三是具有更强的智能体能力，通过后训练优化，新🤯模型在工具使用与智能体任务中的表现有较大提升。 由于R😢1的基座模型为V3，V3.1的升级也引发了外界对于R2“在路😘上”的猜测。V3.1的升级更深刻的意义在于，DeepSeek🙌强调DeepSeek-V3.1使用了UE8M0 FP8 Sc😊ale的参数精度，而UE8M0 FP8是针对即将发布的下一代💯国产芯片设计。这也表明未来基于DeepSeek模型的训练与推😅理有望更多应用国产AI芯片，助力国产算力生态加速建设。这一表🙌态一度带动国产芯片算力股股价飙升。 中国银河证券研报指💯出，DeepSeek从V3版本就开始采用FP8参数精度验证了🤯其训练的有效性，通过降低算力精度，使国产ASIC芯片能在成熟💯制程（12-28nm）上接近先进制程英伟达GPU的算力精度，🥳DeepSeek-V3.1使用UE8M0 FP8 Scale❤️参数精度，让软件去主动拥抱硬件更喜欢的数据格式，“软硬协同”😜的生态技术壁垒逐渐成为AI浪潮下新范式，未来国产大模型将更多😊拥抱FP8算力精度并有望成为一种新技术趋势，通过软硬件的协同😎换取数量级性能的提升，国产算力芯片将迎来变革。 责编：😉万健祎 校对：王朝全 版权声明 " Typ😁e="normal"@@--> 证券时报各平台所有原创😡内容，未经书面授权，任何单位及个人不得转载。我社保留追究相关😀行为主体法律责任的权利。 转载与合作可联系证券时报小助😉理，微信ID：SecuritiesTimes " Ty🤔pe="normal"@@-->返回搜狐，查看更多