国研院院长蔡宏营指出，2029年公部门算力将达到480PF，再加上民间算力，预估可超过1,200PF。
重点新闻（0131～0206）
国科会 算力 AI开发云端服务平台
加速建置AI算力，政府预计2029年公共算力达480PF
2月6日，国研院院长蔡宏营在行政院会后记者会中揭露国家AI算力计划，其中，国网中心去年建置的16PF算力超级电脑，预计今年5月开放使用。再加上目前进行中的晶创台湾计划（2024年至2028年）、将建置280PF算力，以及大南方新矽谷推动方案（2026年至2029年）、将建置200PF算力，国科会预计，2029年公部门算力将达到480PF，届时加上民间算力，预估可超过1,200PF。
至于开放时程，指出，南科云端资料中心预计今年底开放使用，沙仑AI运算资料中心则预计2029年开放使用。这些大型云端资料中心，不只是AI算力机房，也能作为国家关键资料基地，储存量可达60PB。除了AI基础建设，政府未来也会强化算力资源的管理、能源的运用效率，并发展多元算力应用。
算力之余，蔡宏营表示，政府也将推动产学桥接，来发展多元AI应用服务，并计划对中小企业或新创产业，提供AI技术辅助和优惠。此外，国科会计划建立一站式的AI开发云端服务平台，来介接资服业者服务、技术，将云端服务扩大到各行各业、带动公私部门投资。 s1-32B 史丹佛大学 推理模型
史丹佛大学开源低成本推理模型s1-32B
日前，史丹佛大学团队发布一款新模型s1-32B，以极低成本和少量资料训练而成，但其数学表现比OpenAI的o1-preview模型还要好，在MATH和AIME24的数学标竿测试中高出了27%。该模型已在 Hugging Face 多模态模型 SmolVLM
号称业界最小多模态语言模型来了
AI资源平台Hugging Face最近发布两款新多模态模型SmolVLM-256M和SmolVLM-500M，前者号称是全球最小的多模态及影片语言模型（VLM）。进一步来说，256M和500M模型都使用SigLIP作为图片编码器，以SmolLM2为文字编码器，来共同运作。
其中，SmolVLM能胜任多种多模态任务，包括生成图片描述或短影片字幕、PDF或扫瞄文件问答，以及回答图表问题。这种模型架构轻巧，适合用于行动装置应用，同时维持强大效能。其中，256M是最小型的VLM多模态模型，它能接受任何序列的图片和文字，生成文字输出，能以不到1GB的GPU RAM对单一图片推论。若要更高效能，则可选择SmolVLM-500M模型，在单一图片上推论仅需1.23GB的GPU RAM。二款模型微调后表现更好。 OpenAI o3-mini ChatGPT
OpenAI推理能力模型o3-mini正式推出
OpenAI最近揭露，小型推理模型OpenAI o3-mini已部署到ChatGPT和API，供付费方案用户及开发人员使用。这款o3-mini保有OpenAI o1-mini的低成本和低延迟特性，但进一步加强小模型的效能和速度，具备优异的STEM（科学、数学和程式撰写）能力，在AIME 2024数学标竿测试中，o3-mini-high推理能力等级模型得到87.3，优于o1-preview的56.7、o1-mini的63.6。
对开发者而言，o3-mini和o1-mini一样，也支援串流，而且有低、中、高三种推理能力可选择，用于不同场景。OpenAI指出，o3-mini能整合搜寻功能，可提供即时网页答案及连结。不过，目前o3不支援视觉功能，需要的用户还是得继续使用o1-mini。o3-mini已部署到ChatGPT和API，包括API使用层级3到5特定开发人员的Chat Completions API、Assistants API及Batch API。 LLM DeepMind 复杂任务
不必转化为数学模型，LLM也能良好解决复杂问题
日前，DeepMind发表Mind Evolution技术，结合了大型语言模型（LLM）和演化式搜寻方法，解决传统方法在自然语言规画与推理任务中的效率和准确性瓶颈。这个研究的特别之处在于，语言模型可直接用来处理复杂问题，且解决能力非常好，不必先将问题转化为数学模型。
团队表示，LLM在处理复杂自然语言规画和推理任务仍有限制，比如旅行规画或行程安排等情境，传统方法容易受限于局部搜寻，或难以将问题转换为明确的数学模型，影响了解题效果。于是，DeepMind设计一套演化式搜寻策略，结合随机探索和深度最佳化，可生成、重组、改进候选解方。这个方法能在短时间内，大幅提高解题准确性，还能应对自然语言描述中，隐含的约束和需求。而且，这个方法还不需要一一检查每个中间推理步骤，大幅降低运算成本。
DeepMind还以旅行规画、行程安排及隐写术生成（Steganography）等高难度的自然语言任务，来测试Mind Evolution。结果显示，Mind Evolution在TravelPlanner与Natural Plan基准测试的成功率在95%至100%间，远远超过传统的最佳解搜寻与逐步修正策略。