最近关注书生生态的朋友，大概率反复刷到过几个画面。WAIC 2026上，上海AI Lab亮出非Transformer的科学大模型。央视财经探访了首次对外开放的实验室。微博7月底又官宣ArchSpace，说要把大模型研发的全过程打开。知乎8月7日，官方正式开源了一个叫Mobius的新架构。知乎
信息量不小，但真正值得停下来看的，其实是一件事：这家实验室想把大模型的"记忆"和"思考"分开管。
先把三组能核实的数据摆出来
官方通稿里关于Mobius的表述其实很克制，给的是三组可核实的对比数据（对Transformer）。知乎
端到端推理效率提升近4倍；
只用60%的训练数据，就能达到相近的MMLU得分；
在部分知识组合泛化的Toy任务上，性能达到Transformer的2倍。
这里有两个词值得注意。一个是"端到端"，指从输入到产出结果的整体效率，不是单点加速；另一个是"Toy任务"，即简化的验证性任务，不能直接等同于"所有真实任务都有2倍提升"。官方没有回避这一点，算是比较诚实的表述。
Mobius到底把什么分开了
在Transformer里，知识和计算是揉在一起的：模型"记住"的东西分散在每一层的权重里，推理时只能一层一层往下走。按学术界对Transformer的主流理解，全连接层（FFN）负责记忆存储，注意力层（Attn）负责组合推理。知乎想让它多记一点，就要加参数、堆层数，推理跟着变慢；想塞进新知识，就得重新训练，还容易扰动旧能力——牵一发而动全身。
Mobius的做法，是把原本分散于各层的知识统一构建为"共享记忆池"，使每一层注意力（Attention）都可以直接读取池中记忆资源。知乎换句话说：记忆归记忆，推理归推理。
分开之后，官方给了三个方向的好处：
推理更快：层数不变的情况下，单次前向传播能完成更多次知识遍历，长链条里更容易抓到关键线索；
知识更新更快：新知识写入路径清晰，局部调整不太扰动全局，对持续学习场景很关键；
组合泛化更强：知识不再受层级位置限制，可以跨领域自由组合——这正是科学发现这类探索性任务需要的能力。
官方亲口承认的那个代价
这部分我认为是全文最值得读的。官方明确说了，共享记忆池架构会带来更大的访存与通信压力，能力释放的上限依赖底层硬件与框架的联合优化，实验室也已联合昇腾基于Atlas 900 A3超节点开展深度适配，Xtuner训练框架和LMDeploy推理框架都完成了针对性调优，实现了Mobius在该硬件上的训练与推理。知乎翻译得直白一点：Mobius把压力从"算力"挪到了"访存"。这不是架构的缺陷，而是"分家"路线必须跨过的工程门槛。
换句话说，这不是一个"发布即完成"的架构，而是"发布才开始调优"的架构。想围观的，建议把它当成连续剧看。
放到时间线上，才知道这不是拍脑袋
上海AI Lab今年以来的动作，其实是连贯的一条线：
2月：1T参数MoE科学多模态大模型Intern-S1-Pro发布；
5月：Intern-S2-Preview开源；同月，实验室联合团队用"AI决策+自动化合成闭环"攻克KrF光刻胶树脂的稳定制备，进入客户端验证，是AI4S的标志性落地之一；
7月中旬WAIC：非Transformer科学大模型亮相。有社区解读称"397B参数在科学任务上追平了此前的万亿参数模型"。知乎注意：这是WAIC发布与社区解读口径，不是Mobius论文里的基准数据。书生·端砚科学发现平台更新到2.0；实验室首次对媒体开放；
7月29日：ArchSpace亮相——不只开源模型参数，全量Checkpoints、训练日志、架构取舍与实验过程全部公开。微博机器之心称之为打开大模型研发的"黑盒"。同日与中科曙光发布DeepLinkFabric超智融合算力架构；
8月7日：Mobius架构正式开源，并接入ArchSpace。
从"堆参数"到"改架构"，他们押的是AI4S（科学智能）。实验室主任周伯文有个核心判断：科学研究是下一个Coding。知乎Mobius想解决的从失败中学习、长程推理、探索式学习，全都落在这条主线上。
其实有两条路线，Mobius不是唯一答案
面对Transformer计算效率、上下文承载、长程推理三大短板，行业里现在有两套思路：
一条是效率优化路线：稀疏注意力、线性注意力等，通过削减计算复杂度，让有限资源撑得起更大的模型；另一条是能力上限路线：像Mobius这样重起炉灶，先把架构的能力天花板抬上去。
上海AI Lab的态度很明确：前者解决"跑得动"，后者决定"能走多远"。知乎这是合理的技术争论，不是已有定论的胜负——这也是它值得持续观察的原因。
谁该关注，关注什么
做AI4S、科研场景的：Mobius最大的想象空间是"新知识不用重训模型"。新学科只需在独立记忆模块中训练、按需接入，不会扰动基础模型的通用能力。知乎这条路线若成立，会直接改变科研场景的知识更新方式。
做部署与推理优化的开发者：盯住LMDeploy和Xtuner对Mobius的支持进度。访存优化一旦成熟，"小一号的模型跑出更好的效果"就是实打实的降本。
关注国产算力的：Mobius+昇腾Atlas 900 A3是"国产新架构+国产算力"双向调优的样本，后续性能数据值得跟。
只想看个趋势的：守着ArchSpace就行。官方承诺Mobius的完整方案、实验配置与训练链路将全部对外开放。知乎这种"过程开源"在行业里相当少见，值得看它走到哪一步。
我个人会继续盯三件事：ArchSpace的训练日志是否如期全量开放、397B科学模型的权重会不会开源、以及Toy任务之外有没有真实科研场景的基准测试出来。这三件事有下文，再来聊Mobius到底成没成。
最后留个讨论：你觉得下一代大模型的突破，会来自"把Transformer改得更快"，还是"干脆不用Transformer"？评论区聊聊。
