镜头从北边开始。澳洲西海岸,一片没有尽头的红土,太阳低得几乎贴着地平线。往北再走,是全世界最小的洲;再往东,是太平洋把大陆托起来的那片蓝。这个国家大得可以用公里丈量孤独,也正因为大,它习惯自己解决问题:自己发电、自己造车、自己修公路。现在,它开始自己训练一个会说话的大脑。
2026年,一家叫Trellis Data的公司交出了答卷:Agentaus 1,一个2200亿参数的大模型,官方账号@AgentausTD挂出第一组数字——只需两块GPU就能运行。同等规模的模型,通常需要四块。(据Trellis Data官方发布)


两块GPU的减法
先说这两块GPU。大模型这行当的惯性,是从2023年走到2025年的那条直线:参数越多越好,卡越多越好,机房越大越体面。参数像盖楼,楼越高越显得有实力。Agentaus 1偏不。2200亿参数,别人要四块GPU,它用两块。
这不是省钱的小聪明。它说明参数密度在提高:每一亿参数里,装进去的知识更密、推理更准。模型训练的目标函数正在悄悄换挡——从『堆多少』换成『每一点算力榨出多少』。对数据中心电费高昂的国家来说,这种换挡是生死线。
MMLU-Pro给了一个参照。这是多项选择推理测试,Agentaus 1得分84.4%,在基础模型里排第43位。(据@rohanpaul_ai)43位说明它还没站到牌桌最中央,但对一个刚自研出第一个模型的国家,这张成绩单更像出生证明:不是冠军,是入场券。
从机房的角度看,两块GPU差出来的不是两张卡的价钱,而是整套基础设施的重量。GPU后面拖着供电、冷却、机柜空间,卡数减半,机房占地、电费、维护人手都跟着瘦一圈。对数据中心容量长期紧张的国家,这种瘦身直接改变『装得下』这道算术题。

提示词为什么必须留在境内
发布说明里有一句容易被滑过去的条款:提示词留在澳大利亚境内,绝不用于训练。这句话值得单独放大。
提示词是什么?是你问模型的那个问题。问题比答案更私密。一家医院问『这类肿瘤怎么分期』,一个农户问『这批小麦该不该现在卖』,一个学生问『我这段论文哪里逻辑不通』。这些问句,是意图的剖面图。
把提示词交给大洋彼岸的模型,等于把日记本寄出海关再寄回来。内容或许保密,但问句一旦进入别人的训练管线,就成了别人的一部分。『留在境内、绝不用于训练』,是把这条线画在国境线上:你可以买我的算力,但我的问题不出门。

一个大陆的形状,塑造了它的AI
镜头拉远一点。澳大利亚有769万平方公里,人口却只有约2600万。它的城市像撒在海岸线上的几粒米,中间隔着上千公里的空。这种地理,决定了很多事都『默认自建』:电网按州各算各的,通信靠卫星补位,连时区都敢比邻国多出一档半。
数字主权,其实是这种自建习惯在云端的新投影。物理上被海洋包围的大陆,不太接受关键问题也要跨洋转一圈才有答案。距离不是敌人,依赖才是。一个隔着太平洋的国家,对『我的问题先到别人机房』这件事,敏感度天然高于内陆国。
Agentaus 1的出现,是这条逻辑线的一个节点:模型可以自研,问题留在境内,算力需求被压到两块GPU。三件事拼在一起,就是一个中等国家能独立运转的最小AI单元。
再看榜单的细节。第43位是拿全球基础模型一起排出来的,参照系不在澳洲境内,而在整个行业。一个刚起步的模型被放进全球牌桌去量,说明它没有把自己关在小池子里比大小。
自研的终点不是排行榜
最后把镜头对准人。对悉尼的工程师和珀斯的矿工来说,Agentaus 1不会取代他们手里的顶级模型——84.4分和头部分数之间,还隔着一整条街。但『自家能问、不出境』这条通道本身,比任何一位数的排名都重要。
大模型竞赛的下半场,冠军会轮替,但每一个国家手里那把『自家钥匙』一旦造出来,就收不回去了。澳大利亚这次造的是第一把。红土还在往北铺,卫星信号还在海岸线上跳。下一个把问题留在家里的人,可能离这里只隔一片海。
(完)