把模型送去微调，通常意味着把数据传到租来的GPU上。VIDRAFT团队给出了另一条路径：在一颗Rebellions ATOM-Max推理NPU（2025年发布）上从零预训练了一个325M参数模型，在未见过的文本上，成绩与一台B200双胞胎机器打平——0.7993 对 0.7994。

打开网易新闻 查看精彩图片

需要先说明：该账号由VIDRAFT团队成员运营，讨论的是VIDRAFT自己的成果，并非独立评测。但从治理角度看，这件事有两个点值得记下来：训练可以留在组织已经掌控的硬件上；这项结论以他人可核验的形式公开了。

为什么训练地点对安全与治理重要？每一份被送往外部训练集群的敏感数据，都会扩大攻击面，也让审计变复杂。如果网络内部已经部署用于推理的加速器也能承担训练或微调，数据就不必离开。

具体展示了什么？同一个模型、同一份数据、同一套训练计划，分别跑在NPU和B200 GPU上。在两者都没见过的文本上，两个模型无法区分：配对差值为-0.0001，标准误差0.0007。

可验证性为什么算安全的一部分？关于模型的声明应当可以被检查。两个检查点和evaluate_unseen.py都公开在模型仓库里；作者还修正过一个评测标签——他们发现最初划为“留出”的窗口与训练数据存在重叠。这种主动更正，正是负责任报告该有的样子。

边界也要说清楚：

  • 单靠这颗NPU并不能实现训练，它依赖VIDRAFT自研的训练栈，以及一项正在申请专利的稳定性技术。
  • 325M参数、5B token属于研究规模，且每种硬件只跑了一次。

至于常见疑问：用的是哪颗NPU？Rebellions ATOM-Max，2025年发布。那GPU是不是就不需要了？不是。它证明的是，只要软件到位，推理硬件也能扛起真正的训练。