远见网一、一笔600亿美元的收购给AI应用行业带来了重
1、一笔600亿美元的收购给AI应用行业
6月中旬，一笔600亿美元的收购给AI应用行业带来了重创和不安，之后，VC不再投AI应用的悲观论调开始发酵。
没错，这笔收购就是马斯克买下AI应用顶流Cursor，往小了说，这是一个让四个00后财富自由的故事，往大了说，这再次证明了AI应用的终局是大厂和基模的游戏。
在这，我们不评价，也不预测，只想直面一个本质的问题，对于Cursor来讲，这笔交易为何会发生？
除了交易金额外，市面上比较一致的看法是没有基座模型能力的AI Coding优势不可持续，而自研成本又过高，找棵大树依靠是一个高性价比的选择。
另一个事实是AI Coding领域99%的厂商还死卷在L2代码补全（Copilot）的红海里打价格战，做不出真正端到端的代际突破。
那么AI Coding这个被看做最火热的赛道终局将走向何处？一家成立两年的公司AIGCode正在给出一个独特的全栈解法。
AIGCode的创始团队是一群来自全球顶尖高校和大厂一线的技术极客。
在创业之前，一直在技术一线的CTO陈秋武发现了一个根本性的问题：很多智能不足的根源不在微调，而在基座大模型本身。
2、我们发现很多问题其实来自于基座大模型
“我们发现很多问题其实来自于基座大模型，而不是微调的能力。”
紧接着，陈秋武就盘点了团队的技术储备：算法能力强、基建功底深厚、架构设计经验丰富。
团队在过往的技术实战屡次突破工程与算法的极限，早在2012年，便通过实时个性化推荐技术，将腾讯微博广告的点击率提升了三倍，随后在微信位置服务项目中，仅凭16台服务器便成功扛住了10亿级别的线上流量。
陈秋武在微软任职期间，不仅在实时突发事件监测、实时聚类与实时排序三大算法上取得关键突破，将其成功应用于美国大选的社媒实时追踪，还针对法学院入学考试（LSAT）问答场景，完成了复杂的子句因果逻辑建模，并将系统的端到端延迟大幅降低了99.99%。
这三个优势叠加，指向了一个结论，这个团队适合做基础大模型研发。
但做什么样的大模型？
彼时，国内“六小虎”正风头正劲，投资人们追捧的是OpenAI路线的中国复刻者，可即便如此，陈秋武和团队还是决定不凑热闹，反而选择了一条逆主流的路——不做通用，聚焦Coding。
选择coding的逻辑只有四个字，闭环最短。
陈秋武此前在垂直大模型的落地过程中体会到，如果跟行业专家团队合作，闭环太长，而Coding领域团队本身就是技术极客，“我自己做出来的东西，我自己能识别出这个智能程度够不够。
二、更是整个技术闭环的关键一环
1、更是整个技术闭环的关键一环
”
于是，AIGCode的产品AutoCoder.cc是国内极少数能端到端生成前端、后端和数据库，并提供测试和运维部署能力的AI编程产品。
陈秋武认为，这不仅仅是商业产品，更是整个技术闭环的关键一环。
他的逻辑链条是：当前所有大模型的训练数据只能提供L2级别的样本，因为L3级别的应用还没有出现。
没有L3的数据，模型就无法从L2跃升到L3。
因此，AutoCoder.cc的真正价值是为基座模型生产L3训练数据。
2、这是我们的核心闭环
他的账本是：“70%-80%投入流进算力的口袋，这种模式是不正确的畸形，至少搜广推完全不是这样。
大部分收益壁垒来自算法而非算力。
另一笔是L2大模型需求从提出到完成任务，需要多轮矫正，百万token弹指湮灭，而L3大模型则完成任务只需千-万级token。
他用复杂度量化了当前的行业现状，比如电商网站的复杂度约为4，操作系统约为6，《黑神话：悟空》约为10。
再到产品侧，国外竞品模型生成的复杂度大约在2左右，只能做多个单页面。
对于生成一个多角色、长逻辑链路的任务，都是做不到的。
对此，陈秋武用了一个意味深长的比喻。“iPhone没出来之前，大家认为诺基亚已经非常好了。
三、他们试图证明一件国内大模型行业几乎无人相信
1、他认为当前的大模型行业就处在“诺基亚
所以，AIGCode团队正在做的事情，归根结底就是一句话：在国产算力上，通过底层研究创新提升预训练效率，通过端到端产品产生L3数据，用L3数据训练下一代模型，形成一个完整的正向循环。
他们内部也称之为“3No范式”(No Nvidia, No L2, No Blind Scaling），即不依赖英伟达单一路线、跨越L2辅助、拒绝盲目堆量，直接用无需人监督任务完成度高的L3交互数据去训练下一代端到端L3级大模型，这也将导向全新的agent应用范式。
但国产替代从来不是一条容易的路，我们前几天曾在寒武纪市值破万亿时写到这是最朴素的现实主义，AIGCode的故事同样如此，因为没得选，所以只能走好脚下的路。
2024年3月，成立不久的AIGCode在算力紧张的困境下，登上了某国产算力的训练集群，开始了在国产芯片上的大模型预训练。
这是一条几乎没有创业公司愿意走的路——自研基座模型，同时深度优化国产算力生态，还要做端到端的AI编程产品。
但两年后，这支小而精的团队在国产算力集群上实现了MoE架构65%的算力利用率（MFU），这个数字超过了字节Seed在2025年10月公布的MoE效率纪录，这也意味着，一张国产卡，被他们当成了两张用。
团队把预训练中闲置的CPU资源，吞吐量优化到300倍，矩阵乘计算性优化到100倍，承接显卡冷门长尾专家的计算，把HBM利用率与全局/微批次提高双倍。
整体训练提效35%，而在增强后训练，通过CPU TB级内存双副本指针切换，免去采样→训练→推理多线频繁上下文切换性能理论上限提效数十倍。
2、只做模型层也不够
更重要的是，他们试图证明一件国内大模型行业几乎无人相信的事，只做应用层不够，只做模型层也不够，必须从底层基础研究、预训练效率到产品端完成真实长程任务，垂直打通整条链路，才能触达下一代大模型的门槛。
真正让团队与国产算力深度绑定的，是2025年底国产头部算力的负责团队的一次深度交流，双方团队达成了合作方向：把该算力体系下MoE的MFU提升上去。
结果远超预期。2026年2月底，36.3%；3月底，50%；4月14日，65%。
这背靠的是极致的底层技术突围。在大模型时代，算法、工程、产品与商业化高度交织，常规的割裂分工模式已然失效。
3、但这只是冰山一角
但只要自身技术底子够硬，AIGCode的团队通过极致的软件优化，去抹平这道硬件上的鸿沟。
梁文锋说过，你一定要在技术领域做出一些突破才有可能。在陈秋武看来，大模型还属于少年期，很多技术机制还不完善。
4、而RoPE本质上是高频外推与低频内插
在这种情况下，堆人力、堆资金、堆钱都没有太大用处。
在这种观念和信仰的驱使下，AIGCode团队花了18个月研发出了TPE（树形位置编码），彻底取代了业界通用的RoPE方案。
技术原理上，RoPE是线性算法（加法），TPE是乘法结构，四层各1K的乘法可达TB级别的无损位置表达。
“1Kx1Kx1Kx1K，四次相乘就是1T级别。
更让他惊奇的一个发现是：只要跟RoPE反着来，你会发现有比较大的收益。我们取消了RoPE之后，竟然带来了额外的收益。
当然，TPE的突破只是一个开始，基于TPE，团队进一步做出了TPA—业界首个无损线性注意力机制。
陈秋武解释，目前流行的KDA、DSA等方案本质上是有损的，具体做法是通过丢弃或降权他们认为不重要的远距离token来实现线性复杂度，但其实（这些token）并不是不重要，只是RoPE的位置编码导致越远的toke
