科技日报（10 月 21 日）：DeepSeek 开源推理框架，工信部拟对泊车辅助按级设限

10 月 20 日，DeepInfer 的「initial commit」出现在 DeepSeek 的 GitHub 账号下：这家公司把支撑自身大规模生产服务的内部推理框架开源了，采用 Apache 2.0 许可。仓库说明写明，它是面向 DeepSeek 模型的高性能推理框架，本次开源版本提供离线推理与规模化服务所需的核心功能；硬件支持列表里，NVIDIA SM100 GPU 与华为昇腾 950 NPU 并列。

边界也写在同一份说明里：KV cache 系统等完整推理服务所需的组件不在本次发布中，要跑成线上服务还得自己补齐。功能清单指向的是大集群的工程问题——MoE 的专家并行与负载均衡（EP + EPLB）、注意力的数据并行。对自建推理的团队，价值不在多一个框架，而在能对照 DeepSeek 生产环境的配置去调；昇腾 950 与 SM100 同时出现在支持列表，让同一套代码有了跨芯片部署的起点，但仓库没有给出两个平台的性能对照。

10 月 20 日，工业和信息化部发文，装备工业一司组织全国汽车标准化技术委员会完成《汽车数据安全要求》等五项强制性国家标准的制修订，已形成征求意见稿并公开征求意见。其中两项直接约束泊车：《智能网联汽车泊车组合驾驶辅助系统安全要求（征求意见稿）》和《智能网联汽车自动泊车系统安全要求（征求意见稿）》。

征求意见稿把每个级别的上限写得很具体。L2 组合泊车激活后必须持续做视线脱离检测，驾驶员视线脱离后最迟 5 秒发出回归提示，警告发出后最迟 10 秒触发风险减缓或让车辆静止；遥控泊车最大设计操作距离不超过 10 米，确认终端与车辆之间有直接视线时最多 15 米，且不允许驾驶员用终端直接改变转向角；记忆泊车控制车速上限 10km/h、运行速度上限 15km/h。划入 L3、L4 的自动泊车功能，泊车速度上限提高到 30km/h。

这套分级草案的实质，是把「泊车辅助」从宣传语变成可测量的能力声明：能做什么、在什么速度下做、驾驶员不在状态时系统怎么收场，都要有对应的监测与退出策略。对车企，遥控泊车、记忆泊车的功能设计和提示逻辑今后要按这份要求重排；对消费者，同一辆车上的自动泊车会更容易分辨是 L2 辅助还是 L3/L4 系统。目前仍是征求意见稿，条款还可能调整，也没有生效日期。

10 月 20 日，华为官网更新了对 Wi-Fi 7+ 端到端芯片方案的说明。方案以凌霄 760 系列为核心：凌霄 760 用在华为路由上，属于 Wi-Fi 芯片；凌霄 760M 用在华为手机和平板上，属于短距通信芯片。路由与终端两侧用同一套芯片架构，是这套方案与单纯支持标准 Wi-Fi 7 的区别。

三个技术点对着的都是家庭 Wi-Fi 的老问题：动态窄频宽在信号转弱时压缩频宽，缓解「路由信号能到手机、手机回传却到不了路由」的长短手；真双频并发实时感知 2.4GHz 与 5GHz 的空口时延，避干扰并叠加带宽，华为称多设备抢占或弱网下时延波动可降低 80%；双频无缝漫游让终端用两个频段同时连接新旧路由，减少切换丢包。

适用范围需要看清：路由侧是 BE3 Pro、X1、X3 Pro 日照金山和凌霄子母路由 Q7 网线版等型号，手机与平板必须运行 HarmonyOS 6 及以上。也就是说，收益来自路由和终端成对升级，只换路由拿不到芯片协同那一部分；80% 是华为给出的数据，原文未说明测试条件，实际表现取决于户型、干扰和设备组合。

VAST 近日开源了实时世界模型 EdenLive，10 月 20 日已有中文技术媒体报道其开放。公开内容包括 5B 与 14B 模型权重（各含双向生成和少步流式两个版本）、实时流式推理代码、能把一段玩法描述变成 3D 灰盒游戏的 EdenGolem v0.1，以及前端工作台，技术报告一并放出。

仓库给出的实时指标有明确前提：借助 LightX2V 的加速路径（低比特量化、算子融合、KV cache 优化等），5B 模型在单张 RTX 5090 上以约 24.7 FPS 生成 1280×704 画面，达到 24 FPS 实时播放的吞吐要求。另外两组数字是不同口径：仓库标注 5B 支持单卡 720P 部署，列出的基础验证环境为 Linux x86-64 加 80GB 显存 GPU；权重目录约 210GB，包含 5B/14B 共四种变体，不是单卡部署的显存占用。团队还演示了把真人第一视角录像里的手替换成机械手，为机器人训练补数据。

许可要分开看：一方代码（含 realtime/ 目录）是 Apache 2.0，但模型权重单独分发、并非全部同一许可——clip 为 MIT，vision-encoder（DINOv3 及衍生）适用 DINOv3 License，前端工作台首帧渲染调用的 FLUX.2 [klein] 9B 受 FLUX 非商用许可约束，只能用于非商业、非生产用途。把世界状态留给上游代码、只让模型管画面，是这类世界模型进入实际流程的关键一步：视频模型很难自己维护血量、碰撞和胜负条件，交给确定性程序反而稳定。但状态与渲染的分工在更长、更复杂交互下是否可靠，仍要开发者用自己的素材验证。

10 月 20 日，Google 宣布把 PyTorch 的 TPU 版本 TorchTPU 以开源项目发布：改一次配置、不必重写应用，就能把现有 PyTorch 程序迁到 TPU 和 Google Cloud 上运行。就在前一天，亚马逊用 TorchNeuron 做了同一件事，让 PyTorch 应用可以无改动地跑在自研 Trainium 与 AWS 上。

两家公司盯的是同一个默认设置：PyTorch 是 AI 应用最常见的开发工具，按 TechCrunch 引述的说法覆盖约 85% 的 AI 应用，而它的许多特性从 2016 年诞生起就是围绕英伟达 GPU 写的。Google 称与 Meta、Hugging Face 以及 vLLM、SGLang 的维护方直接合作做适配，还提供 TPU agent suite 帮开发者迁移排错；亚马逊则向 PyTorch 主项目提交代码，把特性与英伟达芯片解耦。

这不意味着开发者会立刻集体换卡：模型、算子与调优经验还绑在 CUDA 生态上，迁移后能跑通不等于跑得同样快。但当「改配置就能迁」成为两家云厂商的公开承诺，英伟达靠软件生态锁定用户的难度会上升，多云部署的议价空间也会变大。