让一个新模型运行起来，只是AI工程链条的第一步。真正的难点，是在不同于实验室的实际运行环境中复现已验证的性能，再接入服务栈、建立稳定基线，逐层定位模型、运行时、软件与硬件之间的瓶颈。
九章智算云近期用三组工程实践回答了这道题：GLM-5.3单并发解码速度提升至原生方案的3.41倍；DeepSeek V4 Flash训推计算差异降至零；DART-GUI-7B 在 OSWorld 7B 赛道拿到第一。三组结果，覆盖推理优化、训推一致和模型后训练三类关键环节。
三组实践能够在同一平台上跑通，并将适配与优化经验沉淀为一键复现能力。这类把多个模型的适配经验集中到一个入口上交付的做法，目前在国内智算云里还不多见。这套能力也开始向 Agent、具身智能等场景延伸。
当算力、推理、数据、调度和训练引擎分散在不同环节，如何将它们组织成可持续运行、可规模化交付的工作流，是AI新云从算力供给走向工程交付的关键。九章智算云从模型适配到Token生成的全链路实践，将分散的基础设施环节整合为支撑AI业务运行与迭代的系统能力。
一个入口，三类工程问题
九章智算云这次展示的不是单一模型的单点优化，而是覆盖推理优化、强化学习训推一致和模型后训练的多组工程实践。不同模型遇到的瓶颈不同，对底层基础设施的要求也不同。
GLM-5.3验证了推理侧的加速。九章智算云披露的Alaya-DFlash2实践：在GLM-5.3模型、8张H200、TP=8配置下，32k低熵上下文，单并发解码速度达288.2 Token/s，约为原生自回归解码的3.41倍；64并发下总吞吐达到608.71 Token/s，较原生方案提升44.9%。
（图1：Alaya-DFlash2通过动态路径选择生成推测解码草稿Token）
推测解码由草稿模型生成候选Token，再由目标模型并行验证，以减少逐Token生成等待。Alaya-DFlash2进一步将其优化为可一键复用的推理方案。
复现DeepSeek V4 Flash解决的是AI基础设施中更隐蔽的计算一致性问题。强化学习要求模型生成端与训练端不仅能够高效协作，还要尽可能保持计算逻辑一致。通过让两端复用一致的计算内核和算子实现，减少不同计算路径带来的数值偏差，九章智算云将训推一致性落实到具体工程环节。
DART-GUI-7B 讲的是后训练这一段。这是一个 7B 规模的 GUI 智能体，在九章智算云的强化学习平台上完成训练，在 OSWorld 7B 赛道拿到第一。OSWorld 模拟真实操作系统环境，要求模型操控浏览器、表格、邮件客户端这些桌面应用完成任务，限时 30 步、零容错，对 7B 模型长期属于做不了的事情，基础成功率不足四分之一。在这一限制下，DART-GUI-7B 在图像设计类任务上的正确率达到 80.77%，在文档查找、页面导航这类真实任务上的成功率超过 90%。
三类场景汇集到同一个九章智算云平台入口。对模型企业而言，这意味着在相同硬件下承接更多请求、降低单位Token成本；对研发团队而言，则意味着减少重复的环境适配、性能调优和排障工作，把精力放回模型本身。
训推一致：DeepSeek V4 Flash的答案
算力加速卡之外，强化学习把工程问题带到了更深处：负责生成Token的推理系统，与负责更新模型的训练系统，是否使用一致的计算逻辑？
强化学习通过生成端产出轨迹、环境端提供反馈、训练端依据奖励更新参数，形成持续迭代的闭环。为提高效率，三者通常异步运行，但若训练端与生成端采用不同的算子实现或数值精度，即使模型权重相同，也可能产生概率偏差，导致训练依据的策略与实际执行不一致，影响后续更新的稳定性。
这在具身智能中也有直观体现：机器人根据摄像头画面判断杯子位置并生成抓取指令，系统再根据实际执行结果计算奖励、更新模型。如果训练与推理的计算结果出现偏差，训练依据的策略就可能与实际执行脱节。
针对这个问题，九章智算云用DeepSeek V4 Flash的强化学习实践作答。在32张算力加速卡的GRPO训练中，基线配置下训练端与生成端的概率偏离度从0.002升至29.9，并伴随奖励回退；通过复用推理侧计算内核、逐算子对齐计算路径，团队把特定测试条件下的计算差异降至0，同时保留性能基线91.3%的生成吞吐。
（图2 九章智算云Agentic RL强化学习工作流）
训推一致，并不是简单追求数值完全相同，而是在控制性能开销的同时，让训练与推理尽可能采用一致的计算路径。
训推一致与训推协同是两个相互关联、但并不相同的工程命题：前者关注两端计算结果是否一致，后者关注系统如何高效组织训练与推理任务。两者共同决定AI基础设施系统能否兼顾训练效率与策略稳定性，对具身智能、Agent这类高度依赖实时反馈的任务尤为关键。
从Agent到具身智能，训推工程进入应用场景
模型复现和性能优化只是工程能力的起点。当模型进入真实任务环境，工程问题也从模型运行和计算一致性，延伸到如何组织模型生成、环境反馈和训练更新。数字Agent和具身智能，分别呈现了这一闭环在虚拟与物理环境中的不同要求。
在物理环境中，具身智能的闭环更复杂。服务机器人需要通过摄像头和传感器感知环境、生成动作，再根据执行结果调整行为。研发过程还涉及视频数据处理、仿真与真实场景迁移，以及云端训练和边缘推理。
与九章智算云合作的一家世界模型研发企业，围绕模型训练和应用验证，通过九章弹性容器VKS将训练资源从8卡扩展至256卡，按需使用模式较裸金属租用方案降低82.1%的成本，并支持模型缓存、具身数据处理、视频IO及云端训练与边缘推理的衔接。
从Agent到服务机器人，任务环境不同，对基础设施的要求也从模型推理和训练反馈，延伸到视频数据、真实环境验证与边缘部署。这些实践说明，AI工程平台不仅要保证模型能够训练和运行，还要支撑模型在持续交互中迭代，并适应不同应用场景的交付要求。
从工程能力到产品，沉淀为平台资产
支撑模型复现和应用场景的，是九章智算云覆盖训推全链路的工程体系。从计算资源的弹性调度，到训练数据、模型权重和运行状态的管理，再到推理服务优化与强化学习异步执行，各项能力围绕模型运行和迭代形成协同。弹性容器与异构资源池负责组织算力加速卡资源，存储和高速数据传输支撑数据与状态流转，Alaya-DFlash2等方案优化Token生成效率，强化学习系统则承担模型更新、奖励计算与版本管理。
这些技术不是彼此独立的组件，而是围绕具体任务协同运行，才能把算力加速卡资源转化为训练效率、推理吞吐和实际任务表现。据披露，九章智算云强化学习系统算力加速卡使用率稳定在99%以上，端到端训练效率较行业平均提升500%，综合成本下降60%。
更长期的价值，在于工程能力能在交付中不断沉淀。每一次模型适配、性能调优和任务部署，都有机会形成可复用的配置、组件与工作流；这些经验进入下一次交付，可缩短新模型、新任务的适配周期，降低重复工程成本。四大模型的一键复现，正是这种能力从一次性人工调试走向平台化流程的体现。
随着大模型进入持续迭代阶段，训练与推理通过数据生成、环境反馈和参数更新形成循环，资源调度、数据管理、计算一致性与推理性能也成为相互关联的工程问题。AI新云的竞争因此不再局限于算力加速卡规模和资源价格，还取决于模型适配、端到端性能、训推工作流以及稳定交付能力。
从公开披露的客户结构看，训推一体已经是九章智算云的主要负载之一。这类任务对计算一致性和端到端吞吐的要求最高，前面那几组工程实践基本都落在这个方向上。这一能力并非单纯依靠算力加速卡规模，而是建立在覆盖资源调度、数据流转、推理服务和训练任务的完整技术栈之上。下一步，九章需要证明的是，如何将这套技术能力沉淀为成熟的商业产品，并推广到更多模型、任务和企业场景中，实现稳定、可规模化的交付。
