OpenAI 与 NVIDIA 在俄亥俄州敲定 8 GW-IT，Cursor 推出 Origin，GitHub 加速其代码搜索

2026 年 8 月 17 日，OpenAI 与 NVIDIA 共同在俄亥俄州敲定一处庞大的 AI 基础设施站点，而 Cursor 也正式推出其代码托管平台 Origin 的测试版。围绕这两项重大发布，DeepSeek V4 Pro 继续在多家供应商间部署，GitHub 详细介绍了其代理式画布以及对代码搜索引擎的惊人优化，Google 则推出 Sheets canvas，将电子表格变成迷你应用。

OpenAI 与 NVIDIA 在俄亥俄州敲定一个 8 GW-IT 的 AI 场址

8 月 17 日 — OpenAI、NVIDIA 与 SB Energy 从两个互补的角度，同日宣布达成一项联合协议，将在俄亥俄州派克县的 PORTS-Pike 技术园区——前身为朴次茅斯气体扩散厂——落实一处规模巨大的 AI 基础设施站点。NVIDIA 和 SB Energy 将在 4.25 GW 的初始部署上，锁定土地、电力与建筑壳体（land, power and shell）能力，并可再扩展 3.75 GW；该协议为期 20 年，分阶段于 2028 至 2030 年实施。作为承租运营方，OpenAI 在美国能源部（DOE）的支持下，目标是总计约 8 GW-IT。

该项目预计将在六年内创造 35,000 个建筑岗位，随后带来 2,500 个长期运营岗位。冷却将采用闭式循环与风冷，并进行水循环再利用。OpenAI 将向当地社区基金投入 4,000 万美元（此外 SB Energy 已承诺 4,000 万美元），并在 2026-2027 学年为俄亥俄州约 844,000 名符合条件的学生提供最高 8,400 万美元的 Codex 额度。就 NVIDIA 而言，部署在该站点的每一代 GPU 可能相当于约 150 万颗芯片，带来 1,500 亿至 2,000 亿美元的收入——这属于到 2030 年 OpenAI/NVIDIA 计算承诺的一部分，预计规模在 12 至 16 GW 之间（约 6,000 亿美元）。

指标	数值
目标容量（OpenAI）	~8 GW-IT
初始容量（NVIDIA/SB Energy）	4.25 GW（可扩展 +3.75 GW）
LPS 协议期限	20 年，分阶段 2028-2030
建筑岗位	6 年内 35,000 个
俄亥俄州学生 Codex 额度	最高 8,400 万美元，覆盖约 844,000 名学生
OpenAI/NVIDIA 到 2030 年的承诺	12-16 GW（约 6,000 亿美元）

“OpenAI has entered into an agreement to secure approximately 8 gigawatts-IT at the PORTS-Pike Technology Campus in Pike County, Ohio, working with SB Energy, NVIDIA, and the U.S. Department of Energy.”

🇨🇳 OpenAI 已与 SB Energy、NVIDIA 以及美国能源部合作，达成协议，将在俄亥俄州派克县的 PORTS-Pike 技术园区锁定约 8 GW-IT 的算力基础设施。 — OpenAI，官方公告

🔗 NVIDIA — 锁定智能基础设施

Cursor 推出 Origin，其代码托管平台

8 月 17 日 — Cursor 正式测试版推出 Origin，这是一个直接集成到编辑器中的仓库托管平台，面向代理规模（agent scale）而设计，而不仅仅是 GitHub 的简单竞争对手。此次发布首先向所有付费套餐订阅者开放，企业组织可选择退出。

在 Origin 中创建的仓库可通过 cursor.com/codebase/[nom] 访问，同时仍可并行同步已有的 GitHub 仓库——实时同步，GitHub 仍是推送操作的事实来源。对于 pull request，Cursor 提供完整体验（时间线、提交、检查、差异），并支持双向同步：在 Cursor 中发布的评论会在几秒内出现在 GitHub 上。AI 代理可以直接从仓库视图中回答有关代码的问题、执行修改、更新 pull request 并推送分支。

Cursor 在发布前还与 Vercel（预览部署）、Depot 和 Buildkite（与现有 GitHub Actions 工作流兼容的 CI/CD）建立了集成合作，更多集成也已宣布即将到来。

“Origin, our code hosting platform, is now live. It’s fast, easy to use, and deeply integrated with Cursor. Get started by syncing your repos from GitHub.”

🇨🇳 Origin，我们的代码托管平台，现已上线。它速度快、易于使用，并与 Cursor 深度集成。要开始使用，请从 GitHub 同步你的仓库。 — @cursor_ai 在 X 上

🔗 Cursor 更新日志 — Origin 代码托管

Replit 通过黑盒渗透测试加强安全性

8 月 17 日 — Replit 在其安全产品中新增了 black-box pen tests（黑盒渗透测试），作为现有 white-box 扫描的补充。扫描器通过应用程序的网络与浏览器接口运行，先表现为未认证访客，再表现为普通已认证用户，从而揭示真实可用的功能，包括那些没有可见按钮的功能。

据 Replit 介绍，这两种方法发现的结果很少重合：black-box 检测到了未受保护的管理仪表板和易受拒绝服务攻击的端点，而 white-box 则识别出外部无法看到的授权逻辑漏洞。每个项目的 Security Center 提供三个层级：免费 1 级（依赖项检查）、2 级（white-box 扫描）和 3 级（两者结合）。一旦确认漏洞，Replit Agent 可以一键修复。

🔗 Replit 公告 — black-box 渗透测试

开源模型与推理：DeepSeek、Yutori、GPU 分配

围绕 Together AI 与 Hugging Face 生态的三篇发布，展现了当前在推理成本与效率上的竞争。

DeepSeek V4 Pro 0813：多供应商部署与 DeepSWE 基准

8 月 16 日 — DeepSeek V4 Pro 此前已在 8 月 13 日的开放权重发布中被报道，如今继续以其“0813”修订版推进部署：Together AI 与 Novita 均确认支持它，模型采用 1.6T 参数的专家混合架构（Mixture of Experts），拥有 1M token 上下文窗口，以及三种推理模式（编码、代理、复杂推理）。在软件工程基准 DeepSWE 上，Together AI 测得其 pass@4 得分为 88.5%，每项任务成本仅 0.24 美元——比 GPT-5.6 Sol 便宜 35 倍，比 Fable 5 便宜 90 倍。

🔗 Together AI — DeepSeek V4 Pro 0813

Yutori 将其 Navigator 代理模型部署到 Together AI

8 月 16 日 — Together AI 推介了 Navigator，这是初创公司 Yutori 的网页导航代理模型（browser-use）。这类代理以紧密循环运行——截图、执行动作、重复，单个任务有时会循环几十次——这使推理成本尤其敏感。根据 Together AI 的说法，Navigator 在超越基准模型表现的同时，推理速度快 2 倍，成本低 4 到 5 倍。

🔗 Together AI — Yutori Navigator

受约束 GPU 分配器最多可提升 33 个百分点的集群利用率

8 月 17 日 — Dharma-AI 团队在 Hugging Face 上发布了其 GPU 集群管理研究的第二部分。他们的“受约束 GPU 分配器”以 24 小时视野上的优化取代 FIFO 调度，同时遵守 GPU 连续性与实时需求曲线。在七个测试场景中，混合模式下的利用率提升从 51.6% 到 72.4%，在训练负载上则从 53.6% 提升到 87.0%。统一优先级测试确认了与优先级信号无关的 23.1% 提升，而一个 64 GPU 集群在 15 ms 的分配延迟下维持了 15.9% 的价值增益。

🔗 Hugging Face — Dharma-AI GPU 分配器

Gemini：Sheets canvas 将电子表格变成迷你应用

8 月 17 日 — Google 推出 Sheets canvas，它基于 Gemini 3.7 Flash，可将普通的 Google Sheets 电子表格转换为交互式迷你应用，无需编写代码。不同于常见的原型工具只是基于静态导出生成固定界面，Sheets canvas 会原生分析工作表的模式（列、数据类型、关系），从而构建可用的界面组件——例如，一个“如果……会怎样”的模拟表可以变成一组滑块，实时调整财务预测。

其突出特点是双向同步：迷你应用中的交互会实时反映到下方工作表中，反之亦然。用户随后可以通过简单对话继续细化应用，Gemini 会保留上下文，以便在不从零开始的情况下迭代。Sheets canvas 目前已向 Google AI Pro 和 Ultra 订阅者开放，并计划向部分套餐的 Google Workspace 商业与教育账户推出。

🔗 Google AI — Sheets canvas 公告

GitHub Copilot：画布、代码搜索与可配置评审

GitHub 在 8 月 16 日至 17 日间发布了三项技术与产品公告，围绕代理式工作流的操控以及搜索引擎性能展开。

画布让代理式工作流可见且可操控

8 月 17 日 — GitHub 详细介绍了“画布”（canvases）：这是 Copilot 应用中的持久共享工作区，可用于跟踪复杂的代理式工作流，而不会让它们淹没在聊天滚动中。该方法基于四项原则：定义工作流状态、突出决策点、立即持久化进展，以及保留明确的人类审批点。两个具体画布展示了这一思路——一个是组织分阶段迁移（评估、修复、验证、交付）的 “Java Modernization Studio”，另一个是管理内容创建、可编辑章节与审查跟踪的 “Site Studio”——二者都可在 awesome-copilot 仓库中公开查看。作者提到，每个画布大约消耗 2,000 到 3,000 个 AI credits。

🔗 GitHub — 画布如何让代理式工作流可操控

代码搜索：单核上 case-folding 吞吐超过 45 GiB/s

8 月 16 日 — GitHub 发布了一篇关于其 Blackbird 搜索引擎中 case-folding（用于不区分大小写比较的大小写归一化）优化的经验总结。该引擎索引了超过 1.8 亿个仓库和 480 TB 代码。最重要的优化出人意料：不是增加，而是移除一个提前退出分支，从而让 LLVM 能通过 NEON 指令将整个循环完全向量化。

版本	吞吐量
朴素版（带提前退出）	3.1 GiB/s
完全无分支循环	超过 45 GiB/s
最坏情况（完整 folding，非 ASCII）	869 MiB/s

团队以开源 Rust crate 的形式发布了结果，名为 casefold。

“GitHub case-folds every byte of code search at over 45 GiB/s on one core. The biggest win came from removing an early-exit branch, not adding one.”

🇨🇳 GitHub 在单核上以超过 45 GiB/s 的速度，对其代码搜索中的每个字节执行 case-folding。最大的收益来自移除一个提前退出分支，而不是增加它。 — @github 在 X 上

🔗 GitHub — 以内存速度进行源代码 case-folding

Copilot code review：Balanced 深度进入正式可用

8 月 16 日 — GitHub Copilot 现在允许用户为 pull request 上的自动代码审查选择深度：“Balanced”（更深入的分析，复杂更改）现已正式可用，与 “Lite”（适合快速验证的简单更改）并列。该设置可在组织或仓库级别设为默认值，也可在针对某个 PR 请求审查时临时选择。

🔗 GitHub — Balanced 深度正式可用

OpenAI：防御性网络安全与 GPT-5.6 Sol 的效率提升

The Defender’s Window —— OpenAI 的防御性网络安全策略

8 月 17 日 — OpenAI 总裁 Greg Brockman 回顾了 OpenAI-Hugging Face 安全事件，并将其视为一个转折点：一个代理式团体串联多个漏洞，渗透进 OpenAI 的研究基础设施以及另一家公司的生产基础设施。OpenAI 表示，它曾将自己的网络能力扩散限制在仅供“可信防御者”使用，但也指出，其他实验室正发布具有接近前沿攻击能力的开放权重模型——最新例子是 Z.ai 的 GLM-5.3，预计于 8 月底发布。OpenAI 目前正训练模型生成“超人级安全”的代码，并借助其数学证明能力来形式化验证软件安全性。

一个具体轶事是：在事件发生后，Brockman 让 ChatGPT Work（GPT-5.6 Sol）审核自己网站的安全性。大约 15 分钟内，该工具发现了 13 个问题——包括可导致邮件伪造的 DNS 配置错误、过时的 jQuery、Cloudflare→AWS 之间未加密的流量——随后又在约一小时内修复了它们，几乎无需人工深度介入。

🔗 OpenAI — The Defender’s Window

GPT-5.6 Sol —— 在客户与 ARC-AGI-3 上测得的效率提升

8 月 17 日 — 通过 retained reasoning 和 compaction，GPT-5.6 Sol 在 ARC-AGI-3 上的得分从 13.3% 提升到 38.3%，同时输出 token 消耗约减少了 6 倍。两个具体客户案例：房地产初创公司 hypha_ai 在切换到 GPT-5.6 Luna 后，将成本降至原来的 1/18，同时仍保持 GPT-5.5 精度的 98%；金融研究公司 RogoAI 则使用程序化工具调用，在输入 token 减少 21% 的情况下保持了其评估质量。

🔗 OpenAI Devs — GPT-5.6 Sol 效率提升

媒体生成：Claude 中的 ElevenLabs、Pika 与 Luma 的 Seedance 2.5

ElevenLabs 推出其 MCP 服务器，可直接在 Claude 中使用

8 月 17 日 — ElevenLabs 提供了一个官方 MCP（Model Context Protocol）服务器，可直接从 Claude 中管理其语音与聊天代理，无需离开工作环境：查看近期表现、创建新代理、更新配置、在确认更改前估算 LLM token 成本。认证通过 OAuth 完成，无需自行托管服务器或管理 API 密钥，同时团队可以控制代理实际能够查看或修改哪些内容。

🔗 ElevenLabs — MCP 服务器公告

Seedance 2.5 1080p 登陆 Pika API Club 和 Luma，并支持 4K 放大

8月17日 — 在 8 月 15 日于 Runway 开放提前体验后，1080p 分辨率的 Seedance 2.5 继续向第三方合作伙伴铺开。Pika Labs 通过其 Pika API Club 上线该模型，宣称价格比竞争对手最高低 60%。Luma Labs 也在同一天宣布 Seedance 2.5 1080p 可用，并提供一项配套功能：可直接在其平台上将内容放大到 4K。

🔗 Pika Labs — Seedance 2.5 在 Pika API Club 上

简讯

ABC Legal 部署了 50 多个 Claude Managed Agents — 1,100 名员工，某些法律任务成本最多降低 50%，通过 Slack 和 pull requests 形成每周反馈闭环。 🔗 Claude
Hugging Face 的 Diffusers 团队在一周内集成了四个新的开放模型 — MiniMax H3（视频/音频）、LTX2.5（视频/音频）、Wan Animate 2 和 MiniMax Music 3。 🔗 Tweet
datatrove 0.10.0 可在 Hugging Face Jobs 上运行管道，无需 Slurm 集群 — 新的 JobsPipelineExecutor，并支持将 Hugging Face 存储桶作为 DataFolder。 🔗 Tweet
Together AI 托管 Relace AI 的代码生成模型 — 这些模型是在专用于 Y Combinator 计划的 GPU 集群上训练的。 🔗 Tweet
在 ICML 上，Tri Dao 指出开放模型正在逼近封闭实验室 — 如今只落后几个月，得益于服务栈的进步（内核、推理引擎、推测解码）。 🔗 Tweet
Google、Gemini 和 Pixel 与五家欧洲足球俱乐部正式建立合作伙伴关系 — 阿森纳、巴塞罗那足球俱乐部、拜仁慕尼黑、利物浦和 PSG，并承诺为女子足球提供同等曝光。 🔗 Google
OpenClaw：X 上的 GitHub 预告 — GitHub 账号提到一个名为 OpenClaw 的项目，但没有更多细节可用。 🔗 Tweet
MiniMax-H3 宣称在 RTX 4090 上提速 4.44 倍 — 针对 Sol-Attn 注意力机制的新 SM89 专用 CuTe DSL 核心。 🔗 Tweet
阿里巴巴将于 8 月 19 日举办与 Wan3.0 创作者的直播 — 参与方包括 Magnific、fal、OpenArt 和 KoyalAI，时间为 UTC 15:00。 🔗 Tweet
Kling 推出“希区柯克变焦”效果 — 一种受阿尔弗雷德·希区柯克推广的反向推拉变焦启发的新视频生成效果。 🔗 Tweet
MiniMax H3 通过 Magnific 的 2K 生成降价 50%，截至 9 月 1 日 — 该折扣在旧金山一场活动中宣布。 🔗 Tweet
GPT-5.6 Sol 在 AI Gateway（Vercel）和 OpenRouter 上半价 — 50% 的临时促销持续到 2026 年 9 月 18 日，并自动应用于用量。 🔗 Tweet
OpenAI 为 AI 时代的公共政策研究资助 14 个项目 — 提供 100 万美元资金和最高 100 万美元的 API credits，分布在 5 个国家/地区。 🔗 OpenAI
通过使用反馈突出 Codex — 一位内容创作者（超过 150 万订阅者）用 Codex পরিচাল业务，而一名 OpenAI 员工则将其作为内部视频剪辑助手使用。 🔗 Tweet

这意味着什么

AI 基础设施的规模跨过了一个新的物理和财务门槛。俄亥俄州的站点单独就规划了 8 gigawatts-IT、35,000 个建筑岗位，以及 OpenAI/NVIDIA 估算到 2030 年达 6,000 亿美元的算力承诺——这一工程如今更像国家级工业或能源项目，而不仅仅是一个普通 data center。NVIDIA 公开的融资机制也说明，即便是最大的 AI 实验室，也必须依赖特定的金融安排来消化如此高额的支出：部分承担租赁和能源付款，而不是全额融资。

代码托管本身也正在成为智能代理的战场。Cursor 推出 Origin，旨在不再依赖 GitHub 承载运行其 agents 的基础设施；GitHub 则用 canvases 反击，让 agent 工作流变得可控，而不是淹没在聊天中；Replit 还加入了黑盒 pen tests，使其自己的 Agent 能够一键修复检测到的问题。三者的目标一致：让 agents 直接且安全地触达代码生命周期，而不仅仅是代码生成。

推理成本下降的速度仍然快于能力提升。DeepSeek V4 Pro 处理 DeepSWE 的成本比 GPT-5.6 Sol 低 35 倍，Yutori Navigator 的成本比参考模型低 4 到 5 倍，而 GPT-5.6 Sol 自身在 ARC-AGI-3 上的表现提升了 13.3% 到 38.3%，同时使用的 tokens 减少了 6 倍——同一周里，Tri Dao 在 ICML 上指出，开放模型在几个月内就缩小了质量差距。受限条件下的 Dharma-AI GPU 分配器又补充了另一层意义：这些收益的一部分不再来自模型本身，而来自集群调度本身。

最后，技术严谨性重新成为传播中的核心卖点。GitHub 通过删除代码而不是增加代码，将其代码搜索吞吐量提高了 15 倍；OpenAI 则详细说明，GPT-5.6 Sol 的一次安全审计在一小时内修复了 13 个真实漏洞——这两种不同方式都在用数据说明，细致工程仍然是区分产品发布与能力展示的关键。