问小创
告诉我你的需求，我帮你从站内挑最合适的 AI 工具。
2026年6月27日，面壁智能在联合OpenBMB开源社区、AGI BAR举办的“AI4AI发酵夜”活动中，由其AI Infra技术负责人李宇轩正式发布自研生产级预训练框架ForgeTrain。该框架突破传统大模型训练“堆算力、堆数据”的路径瓶颈，实测中实现同等训练目标8小时追平主流通用框架、2天性能反超，标志着“AI制造AI”研发范式落地。
当下大模型产品迭代速度已经进入“周级更新”的竞争阶段，算力供给的增长速度远跟不上模型参数、训练数据的膨胀速度，传统通用训练框架的软件栈损耗、人工适配成本过高的问题，已经成为制约大模型研发效率的核心瓶颈。
根据行业公开数据，当前主流通用训练框架对硬件算力的实际利用率普遍不足60%，剩下的算力全部损耗在通用软件栈的冗余模块、不同硬件架构的适配过程中。
过去两年，大模型研发团队普遍通过堆加硬件集群、扩招工程优化人员的方式弥补效率缺口，但随着互联网高质量训练数据采集成本上升、高端算力芯片供给受限，这种“堆资源”的发展模式已经触碰到明显的边际天花板。
李宇轩在分享中指出，工业革命的核心突破是实现了“用机器制造机器”，而当前AI行业正在迎来“用AI制造AI”的范式跃迁，ForgeTrain正是这一范式的首个落地验证产品。
和传统人工维护的通用训练框架不同，ForgeTrain的核心逻辑是由AI系统根据特定模型的架构、当前使用的硬件配置，自动生成完全定制化的专用训练框架，省去了通用软件栈中所有不必要的冗余模块。在官方公开的实测数据中，针对同一7B参数大模型的预训练任务，ForgeTrain仅用8小时就追平了当前行业通用训练框架的最优性能，上线2天就实现了17%的训练效率反超。
据了解，ForgeTrain后续将率先开放给OpenBMB开源社区的开发者使用，后续还将逐步支持微调、推理等全链路的大模型研发场景。
对于算力储备、工程团队规模有限的中小AI创业团队而言，这一框架能省去至少80%的训练框架适配优化工作，让研发团队可以把更多资源投入到模型效果、产品场景的创新上，进一步降低大模型赛道的创业门槛。
本文基于公开信息分析整理，仅供参考。更多AI工具动态与行业解读，请持续关注本站更新。
滇公网安备 53252802528133号