超150位全球AI一線技術專家齊聚巴黎，這場大會到底聊了些什么？｜GOSIM Paris 2026圓滿收官

作者 | GOSIM

出品 | CSDN（ID：CSDNnews）

隨著大模型進入工程化階段，行業關注點正在從“模型能力突破”轉向“如何穩定、低成本、長期運行”。與此同時，以 OpenClaw 為代表的智能體框架持續升溫，AI 自動執行任務離真實生產環境越來越近，但推理成本、調用鏈復雜度以及開源生態可持續性等問題，也開始成為行業必須面對的新挑戰。

5 月 6 日，GOSIM Paris 2026 進入第三天，議程也從趨勢判斷轉向更偏落地的技術實踐。這場由 GOSIM 主辦，CSDN、1ms.ai 與 Probabl 聯合打造的全球開源 AI 盛會，今天討論的重點不再是“AI 能走多遠”，而是“具體該怎么做”。

作為一個連接不同地區開發者的跨文化平臺，巴黎 Station F 現場的國際化氛圍愈發明顯：來自世界各地的開發者、研究者、企業代表與社區參與者同場交流。不同背景的人因為開源走到一起，讓每一場討論都更像是一次真實的技術碰撞。這也是 GOSIM 一直強調的方向——打破技術與地域邊界，讓開源協作更高效地連接全球創新力量，并推動 AI 技術更廣泛地被使用與受益。

今天的大會現場，來自亞馬遜、NVIDIA、華為、Fundamental、LAION、智源、波特蘭州立大學、Neo4j AI 社區、Fraunhofer IAIS 等機構的技術專家與開源實踐者，從模型推理優化、邊緣智能部署，到開源社區治理機制，分享大量來自一線系統的真實經驗。

當模型能力逐漸趨于同質化之后，真正拉開差距的，不再只是參數規模，而是工程體系是否足夠扎實、生態是否足夠可持續、協作是否足夠高效。

而這，也正是這場大會試圖回答的問題。

重磅 Keynote 思辨，工具賦能智能體時代

面對智能體技術加速普及、產業落地持續提速的行業現狀，三位行業頂尖實踐者從工具鏈底層革新出發展開系統級思考，圍繞開發工具如何面向智能體時代持續演進、以及 Agentic AI 如何重塑計算范式與開放評估體系等關鍵議題展開深入探討，試圖為新一代 AI 應用形態構建更穩固的技術基礎，并為智能體的規模化落地提供更清晰的工程路徑與底層支撐。

Niko Matsakis：《Symposium：擁抱生態系統》

作為 Keynote 首位登場的分享嘉賓，亞馬遜高級首席工程師 Niko Matsakis 將目光投向一個頗具前瞻性的方向：如何讓 Rust 工具鏈在設計之初就適配智能體（Agents）時代。他帶來的開源項目 Symposium，正是圍繞這一目標展開的一次實踐探索。

簡而言之，Symposium 更像是對 Rust 現有工具鏈的一次“能力擴展”。在編譯器與構建系統之外，它嘗試讓這些底層開發基礎設施可以被智能體直接理解和調用。當前版本雖然仍處于 MVP 階段，但已經具備一個關鍵能力：按依賴分發“技能”。當開發者在項目中引入某個 crate 時，Symposium 會自動安裝對應的技能或 MCP 服務。這些內容由庫作者提供，本質上是一種結構化的使用說明，讓智能體能夠準確理解庫的用法，而不再依賴零散且可能過時的外部資料。

結合自己自 2011 年參與 Rust 設計（包括借用檢查器）以及在亞馬遜的工程實踐經驗，Niko Matsakis 也回顧了 Rust 的發展路徑。他提到，Rust 一直具備從底層系統到上層應用的廣泛適用性，但早期推廣過程中，學習門檻和遷移成本始終是主要阻力。而隨著 Agentic 開發范式的興起，這一局面正在發生變化：代碼生成的成本迅速降低，系統維護反而成為更突出的挑戰，開發者開始更加看重長期的可靠性與可維護性。

這一變化，也在放大 Rust 的優勢。一方面，其嚴格的類型系統為智能體提供了天然的約束機制，可以有效減少錯誤路徑；另一方面，Rust 在性能與資源效率上的表現，使其在大規模部署場景中具備更清晰的成本優勢。與此同時，Rust 多年來打磨的編譯器錯誤提示體系，在智能體場景下也呈現出新的價值——智能體可以直接利用這些高質量的錯誤信息完成修復，而無需額外檢索上下文。

不過，他也坦言，當前智能體在實際開發中的表現仍有明顯不足。以新發布的庫 Toasty 為例，大模型往往難以及時獲取最新版本信息，甚至會生成已經過時的 API 用法；同時，它們也傾向于編寫舊版本（如 2021 edition）的代碼，而不是遵循最新規范。這些問題的根源，在于知識獲取鏈路本身的不穩定。

Symposium 試圖從源頭上重構這一鏈路。通過讓庫作者直接提供“技能文件”（通常為 Markdown 形式），并由工具鏈自動分發給智能體，開發過程中所依賴的信息將從“互聯網搜索”轉向“作者直供”。開發者只需完成簡單初始化，當依賴發生變化時，智能體即可同步獲得權威且最新的使用指導，從而顯著減少誤用與版本偏差。

從更長遠來看，Niko Matsakis 期望 Symposium 能推動形成一套可互操作的生態標準：由庫作者提供標準化服務接口，開發者可以自由選擇不同的智能體，而 Symposium 作為中間層完成適配，彌合不同生態之間的差異。

Yonghua Lin（林詠華）：《從 ChatGPT 到 OpenClaw：Agentic AI 如何重新定義 AI 計算》

在大模型性能逐漸逼近瓶頸的背景下，AI 產業的競爭焦點正從“模型能力”轉向“系統能力”。北京智源人工智能研究院（BAAI）的副院長兼總工程師 Yonghua Lin（林詠華）圍繞“從 ChatGPT 到 OpenClaw：Agentic AI 如何重新定義 AI 計算與開放評估”這一主題展開分享，指出基礎設施正在成為制約 AI 發展的下一關鍵瓶頸。

林詠華表示，隨著 AI Agent 逐漸普及，其運行依賴多輪推理與執行，對底層系統提出了更高要求。因此，單純提升大模型性能已不足以支撐復雜應用，基礎設施能力的重要性正在快速上升。

2026年的前四個月，就有包括GLM、Qwen、Minimax、MiniCPM、DeepSeek等新一輪頂級開源模型發布。讓產業能基于安全、隱私和可控性進行自主部署，并推動后訓練創新。但與此同時，部署側的挑戰也愈發明顯——用戶希望在更低成本下，擁有更多硬件選擇，而當前 AI 芯片的效率仍未達到理想狀態。

在這一背景下，“跨架構運行”成為關鍵方向。以 DeepSeek V4 為例，該模型支持百萬 Token 上下文并具備強推理能力，同時采用不同的注意力壓縮算法（CSA、HCA）、KV 緩存優化和“FP4+FP8”混合精度等多項系統優化。然而，這些特性也帶來了遷移挑戰，包括當下已經部署的AI芯片大部分不支持 FP4和FP8精度、單卡需 80GB 以上顯存，以及算子與硬件深度綁定等問題。

針對這些挑戰，BAAI 提出了“開放計算”的核心思路：通過解耦硬件特性，讓模型能夠在不同架構上運行。林詠華透露，在遷移 DeepSeek V4 過程中，其團隊完成了統一軟件替換、算子補齊、精度轉換、內存重構與性能優化，并對算子進行了系統驗證。

在基礎設施層面，BAAI 構建了 FlagOS 開放軟件棧，已支持 30 余種芯片，并通過“Skills”進行模塊化封裝，降低部署復雜度。同時，團隊推出 FlagTree 編譯器以增強多后端支持，并基于此擴展出新語言 TLE（Triton Language Extensions），在開發效率與執行性能之間實現平衡。

值得注意的是，AI 在開發流程中的角色也在發生變化。林詠華指出，隨著代碼生成越來越依賴 AI，人類學習新語言的成本已不再是主要瓶頸?；谶@一趨勢，BAAI 構建了“KernelGen”，可自動完成算子生成、測試與性能驗證等，目前已承擔約 80% 的內核開發工作。借助這一工具，DeepSeek V4 中新增的關鍵算子，僅用 1-2 天便完成了基于Triton語言的實現、優化、并完成跨架構遷移。

在工程實踐方面，BAAI 還搭建了完整的模型遷移 Pipeline，并在 Hugging Face 上發布了面向多種 AI 芯片的大模型自動遷移、多芯片發版平臺 FlagRelease，實現多后端快速部署。此外，針對 vLLM、SGLang 等主流推理引擎，BAAI 還開發了統一插件系統，將 FlagOS 能力嵌入現有生態，進一步降低開源項目接入門檻。

在演講最后，林詠華強調，開放計算不僅關乎跨硬件運行，更關乎算力資源的再分配。當前全球仍有大量閑置 AI 算力資源，如果能加以整合并通過遠程方式向發展中國家開放，將顯著提升 AI 教育與科研的可及性?；诖耍珺AAI 已與非洲聯盟展開合作，搭建在線實驗室、支持多國教師培訓，以推動 AI 課程落地。

“這只是一個開始。”林詠華表示，開放計算不僅是技術路徑的選擇，更是推動全球 AI 能力普惠的重要基礎。

Alexandre Gerbeaux：《AI 的左腦：為什么結構化數據是AI的下一個前沿》

隨后，Fundamental 應用人工智能負責人 Alexandre Gerbeaux 從個人職業經歷切入，梳理了數據科學的發展路徑，并引出了一個正在興起的新方向——大型表格模型（LTM）。

他將時間拉回到 2011 年。《Moneyball》的流行，讓“用數據做決策”第一次以大眾文化的形式進入公眾視野；同一時期，《Harvard Business Review》提出“數據科學家是21世紀最性感的職業”，也在無形中影響了一代人的職業選擇。再加上 scikit-learn 等工具逐漸成熟，數據科學開始從零散實踐走向一套相對標準化的方法體系。

轉折出現在 2022 年。隨著 GPT-3.5 的出現，行業關注點迅速轉向大語言模型和智能體。這種變化一度讓他重新思考：傳統數據科學的那一套方法，在新的技術范式下是否仍然成立？

他的答案來自對企業真實需求的重新觀察。絕大多數核心業務數據，依然是結構化的——存在于表格、數據庫和 CRM 系統中。無論是銀行的貸款審批，還是醫院的再入院預測，本質上仍是基于結構化特征的建模問題，而這正是傳統機器學習長期擅長的領域。

與此同時，他也指出，大語言模型在文本生成和非結構化數據處理上表現突出，但在數值計算和精確預測方面仍存在明顯局限。這種能力邊界，讓“該用什么模型解決什么問題”重新變成一個具體而現實的工程判斷。問題在于，傳統機器學習的工作范式在過去二十年幾乎沒有本質變化：每遇到一個新任務，仍然需要從頭進行特征工程、模型訓練和參數調優。這種高度依賴人工的流程，在效率和可復用性上都存在明顯瓶頸。

正是在這樣的背景下，他引入了表格基礎模型的思路：不再圍繞單一任務訓練模型，而是在大規模表格數據上進行預訓練，讓模型學習現實世界中的數據分布和統計規律。以房價預測為例，這類模型可以內化諸如地理位置、面積單位等常識，從而減少對人工特征工程的依賴，并提升預測效果。

他提到，近期多篇研究已經顯示，這一方向在多個基準任務上開始超越傳統機器學習方法，表格領域正在迎來類似“大模型時刻”的拐點。其中，Ga?l Varoquaux 在 Inria 實驗室的相關工作，是這一趨勢的重要推動力量。

在產業層面，Fundamental 也在加速推進這一方向的落地。其開發的表格基礎模型 “Nexus”，定位為企業級預測任務的通用引擎。Gerbeaux 透露，公司近期已完成新一輪融資，估值達到 14 億美元，這也從側面反映出市場對這一技術路徑的期待。

在演講最后，他用一個形象的比喻形容大模型與表格模型的根本關系：如果說大語言模型更像 AI 的“右腦”，擅長生成與創造，那么表格模型則更接近“左腦”，負責邏輯與數值推理。在真實業務中，兩者不是替代關系，而是需要協同發揮作用。

五大主題論壇齊發，拆解開源智能痛點

在重磅 Keynote 分享之外，GOSIM Paris 2026 同步開設五大垂直主題論壇，覆蓋 Agentic AI Summit、開源模型、Agentic OS 與應用、邊緣側 Agentic AI、開源機器人五大核心方向。從基礎模型研發、系統應用搭建，到邊緣智能部署、開源機器人創新，多維度聚焦產業真實需求，層層拆解技術落地難點，以細分領域的深度交流，全方位挖掘開源與智能體技術的落地價值。

Agentic AI 峰會

本場峰會聚焦 Agentic AI 在基礎模型與產業落地中的最新進展，圍繞開放生態、基礎模型能力演進以及智能體系統化構建展開討論。

首先，LAION 科學負責人兼聯合創始人 / Jülich 超級計算中心（JSC，FZJ）實驗室負責人 Jenia Jitsev 帶來了主題為《開放前沿基礎模型：面向前沿級別 ML 與 AI 的開放流水線》的演講，重點討論開放式訓練與數據流水線在前沿模型能力構建中的關鍵作用。隨后，Minimax AI 模型業務開發負責人 Daniel 回顧 Minimax 從基礎模型研究者到企業級智能體基礎設施提供商的演變歷程，并指出大語言模型的真正價值正在于其作為自主智能體的行動能力。

緊接著，一場以“開源 AI 與新一代構建者”為主題的圓桌對話展開。Neo4j AI 社區架構師 Alexy Khrabrov、.txt CEO Rémi Louf、Draft’n Run 創始人 Marc Sanselme、NNAIO France 首席執行官 Junyi Zhong、WeaveMind, Inc. 創始人兼首席執行官 Quentin Feuillade-Montixi、Moonshot AI 開發者關系負責人（Kimi）Minako Kojima，共同圍繞一個核心問題展開討論：當 AI 工具鏈不斷成熟，一個開發者究竟可以獨立完成多少工作，以及這種能力擴展是否正在重塑創業的起點。討論最終形成一個相對一致的判斷：開源 AI 正在顯著降低構建門檻，讓“單人構建復雜系統”成為可能，但從“能做出來”到“能規模化”，仍然存在清晰分界線。在這種張力之下，新一代初創公司的形態正在被重新定義。

在基礎設施與系統層面，論壇進一步將討論延伸到模型之下的執行底座。Yale University 計算機科學教授 Lin Zhong 剖析了 一個為靈活性和效率而設計的可編程 LLM 服務系統 Pie，該系統通過應用特定優化，使智能體工作流在延遲與吞吐量上提升約 1.3 至 3.4 倍；中國電子技術標準化研究院工程師 Hang Chen 分享中國在開源模型相關政策與標準體系上的進展，并展示了木蘭開源社區等生態建設與運營機制；華為系統基礎設施研究（SIR）總監 Adam Barker 則圍繞 openEuler 的 AI 探索與 SuperPoD OS 計劃，展示操作系統棧如何面向異構計算與大規模 AI 工作負載進行系統級優化。

作為本場論壇的第二個圓桌討論，Futurewei Technologies 技術戰略高級總監 Wenjing Chu、NVIDIA 首席工程師 Markus Tavenrath、Fraunhofer IAIS 基礎模型團隊負責人 Nicolas Flores-Herr、Wendy Seltzer 律師事務所負責人 Wendy Seltzer、First Person Project 創始人 Drummond Reed 同臺交流。多位嘉賓指出，當更強的 AI 智能體開始進入關鍵基礎設施、業務系統以及個人環境，信任如何建立、安全如何保障、隱私如何界定，已經不再是附加問題，而是系統設計必須同時回答的核心約束。

第三場圓桌討論由歐洲 Linux Foundation Europe 社區發展負責人 Mirko Boehm、AI Safety Connect 聯合創始人 Nicolas Miailhe、OpenMined Foundation 歐盟政策負責人 Peter Ide-Kostic、CODATA 人工智能負責人 Slava Tykhonov、Rothwell International 首席技術官 Hai-Xu Cheng、New Intelligence Centre for Empathy and Reason 聯合創始人 Bart Kubiak 共同參與，現場圍繞“智能體 AI 時代的歐洲——開放創新與全球合作”展開交流，從歐洲是否錯失 SaaS 浪潮切入，延伸到 AI 智能體帶來的新一輪技術窗口，開源 AI 能否成為歐洲的戰略優勢，以及在保持技術主權的同時如何推進全球合作，并進一步探討歐洲機構在塑造下一代 AI 生態中的角色與邊界。

開源模型

訓練一個百億參數模型，成本能砍掉 95%？AI 處理百萬 token 上下文，復雜度還不用平方級暴漲？機器不僅要看懂視頻，還得判斷小球落地符不符合牛頓力學？——開源模型圈的“內卷”方向，正在變得很有意思。

在本次大會的「開源模型」論壇中，Moonshot AI 開發者關系負責人（Kimi）Minako Kojima首先梳理了線性注意力的前世今生：從 O(n2) 到 O(n)，長上下文的效率瓶頸正在被打破，混合注意力與軟硬件協同是下一步關鍵。智譜 AI 技術布道者 Yuxuan Zhang 現場揭秘了 GLM 系列的開源演進之路。Minimax AI 模型業務開發負責人 Daniel 聚焦從“模型”到“系統”的轉身，展示 Minimax 如何以長上下文、高并發推理和原生多模態，支撐面向歐洲市場的自主智能體基礎設施。東北大學教授 Yanzhi Wang 則把模型扔進物理考場：基于流匹配和 DPO 強化學習，讓 AI 感知牛頓力學、光學甚至材料特性，并開源了覆蓋 50-60 項物理指標的基準競技場。來自中國科學院自動化研究所 & 北京智源人工智能研究院的博士研究生 Jiabei Chen 用 OpenSeek-10B 證明：預訓練不一定要“燒錢”——通過小模型擴展加 Muon 優化器，用 1/20 的算力跑出超越 Qwen3-14B 的成績，且已能在多廠商芯片上高效運行。

緊接著，LF AI & Data Foundation 董事會主席 Zhipeng Huang 提出構建全球首個開源多模態 Speedrun 模型，借鑒 modded-nanogpt 等成功經驗，試圖大幅加速多模態模型從架構到訓練/推理的創新周期。華為高級工程師 Zhao Yun 則帶來了 HiFloat8，這是一種適配 FP8 生態的漸變式數值格式，無需復雜的動態縮放就能捕獲高幅值梯度異常值，在保持 FP16 級精度的同時實現 1.5-1.7 倍 GEMM 性能提升。Max Planck Institute for Intelligent Systems 課題組組長兼首席研究員 Shiwei Liu 發現了一個反直覺的規律：稀疏性不僅能提升效率，還能作為方差調節器緩解 LLM 的“深度詛咒”。通過權重稀疏、注意力稀疏等機制，在下游任務上取得了 4.6% 的準確率提升。上海交通大學副教授 Xingda Wei 則從系統層面出發，分享了基于乘法路由器和超快速擴縮容的大規模推理基礎設施，且部分方案已在全球最大 LLM 服務商中部署。

Agentic OS 與應用

當下，AI Agent 不再只是聊天框里的“問答機器”，而是開始真正接管編譯器、開發工具甚至整個應用生態。此時一個問題浮出水面：操作系統和應用軟件，真的準備好為智能體重構了嗎？

在「Agentic OS 與應用」論壇中，華為中央軟件院項目總監 Sean Dong（董鑫）分享了倉頡編程語言團隊 300 天的 AI 轉型實錄：通過 Agent Centric Engineering 模式，試點團隊實現了最高 2600% 的生產力提升，核心理念簡單直接——主動擁抱 AI，打破思維枷鎖。隨后，Eclipse Foundation 開發工具項目經理 Thomas Froment 直擊痛點：誰真正掌控你的 AI Agent？為此他帶來了 Theia AI 和 Open VSX 兩套廠商中立的基礎設施，后者月下載量超 3 億次，支撐著 Cursor、Windsurf 等主流工具，讓組織在 Agent 時代依然握有控制權。

FOSS Shanghai 創始人 Gregory Terzian 以 Servo Web 引擎為實驗場，探索 AI 輔助編程能否幫助這個開源項目縮小與主流引擎的功能差距。而 Typeform 資深 AI 工程師 Susanna Wong 則提出一個更激進的范式：Agentic 應用不應由 UI 定義，而應由能力定義。她帶來的 WebMCP，能將 React 應用邏輯直接暴露為結構化、可組合的能力，讓 Agent 無需逆向工程即可與前端交互——這或許才是真正“為 AI 原生而生”的應用形態。

邊緣側 Agentic AI

當大模型不再唯算力論，消費級 GPU、智能手機甚至嵌入式設備都開始承載數百億參數的智能體時，邊緣側的 Agentic AI 正在從“能不能跑”進化到“怎么跑好”。在今日大會的「邊緣側 Agentic AI」論壇中，四位技術專家從異構推理、端側模型、自動化部署到統一硬件生態，給出了各自務實且開放的答案。

清華大學博士生 Ervin Xie 帶來了 KTransformers——一個開源的 CPU-GPU 異構推理框架，通過 CPU-GPU 異構與專家卸載，讓 DeepSeek-V3 這樣的 MoE 模型在普通消費級硬件上跑出 35+ tokens/秒的解碼速度，數據中心不再是門檻。OpenBMB ModelBest 開源軟件辦公室負責人、運營負責人 Chenzhe Jing 則聚焦實際落地，展示了 MiniCPM 系列端側模型在智能座艙、手機、家居和機器人中的真實應用，讓每一臺設備都具備“原生智能”。

模型部署的繁瑣往往被低估，為此，東北大學教授 Yanzhi Wang 用 OminiX 給出了自動化方案：一個 AI 智能體將任意 PyTorch 模型自動轉換為 GGML 優化的 C++ 推理代碼，在 OpenVLA 上實現 63% 內存縮減和 1.52 倍加速，覆蓋語音、視頻生成到 VLA 等廣泛任務。最后，Red Hat 高級機器學習工程師 Ruben Ortlam 直面硬件碎片化問題，用 Vulkan 作為廠商中立的推理后端，在 llama.cpp 中統一 Intel、AMD、NVIDIA GPU，讓邊緣 AI 生態真正走向開放。

開源機器人

在 LLM 的“文本世界”之外，機器人正成為 AI 通向物理世界的關鍵載體。但過去很長一段時間里，硬件成本高企、軟件環境割裂、評估標準不一，讓“具身智能”更多停留在演示視頻里，難以被大規模復現和生產落地。在本次開源機器人論壇上，我們看到了一種全新的可能性：從真機評估標準、人形機器人平臺，到模型自進化和仿生靈巧手，一條由開源驅動的具身智能技術棧正在成形。

開源社聯合創始人 Emily Chen 帶來了 RoboChallenge 年度報告：當前最優 VLA 模型在標準任務中成功率僅 62%，精細操作甚至低于 15%——真實環境的大規模評估，正倒逼具身智能從語義理解走向復雜物理交互。Hugging Face 具身機器人工程師 Virgile Batto 展示了一款幾乎全 3D 打印的開源雙足機器人平臺，大幅降低硬件門檻，讓仿真與真實機器的算法無縫遷移成為可能。Reflexion Robotics 創始人兼 CTO Charbel Dandjinou 則讓 AI 化身在模擬器中“看見自己”，通過自監督迭代實現超越純AI方案的人機協作進化。而 Pollen Robotics 研發工程師 Jeremy Laville 帶來的開源機器人手，用四根手指、八個自由度和極低的成本，證明了靈巧操作不必昂貴——它更適合用來釋放創造力，而非只做重活。

不僅如此，通信、捷徑、仿真與手術——開源機器人的邊界正在從實驗室向外快速延伸。ZettaScale Technology 高級解決方案架構師 Julien Enoch 展示了基于 Zenoh 協議的全新 ROS 2 實現——ros-z。這套純 Rust、原生 Zenoh 的架構繞過了傳統中間件棧，性能更優，還能讓非 ROS 生輕松接入機器人世界。谷歌 Intrinsic Agentic AI 研究員 Quentin Delfosse 則敲響了警鐘：許多表現“超人”的 AI 智能體其實只是在利用環境中的隱形捷徑，一旦任務稍作修改就會徹底崩潰。他主張用大模型和神經符號方法將黑箱策略提煉為可讀程序，讓可解釋性成為魯棒系統的前提。上海人工智能實驗室研究員 Wenzhe Cai 從導航任務切入，分享了如何利用大規模仿真數據訓練視覺導航基礎模型，用低成本、可規?；哪M環境彌補真實數據的稀缺。Moon Surgical 系統與 AI 工程經理 Jad Fayad 則將視野拉向手術室——他介紹了橫跨 35 家機構的開放協作項目 Open-H，將 778 小時的手術機器人、超聲和內窺鏡數據統一為標準數據集，并在此之上訓練醫療 VLA 基礎模型。

當平臺越來越豐富，交互也開始有了溫度。Algoryn 創始人 Tom Mulder 用一臺情感表達型機器人 Reachy Mini 證明：發光眼睛、毫米波傳感器這些“不正經”的小實驗，反而能解鎖意想不到的能力。Hugging Face 機器人工程師 Caroline Pascal 則在 LeRobot 數據集中探索觸覺、音頻等新模態，平衡多樣性與可用性。1ms.ai 創始人 Xavier Tao 與萊斯大學博士研究生 Vector Wang 聯手推出了零件成本僅 660 美元的開源雙臂移動機器人 XLeRobot，全球已聚集 6000 多名構建者。最后，Robolytics 創始人兼 CEO Luke Lu 結合自身經歷分享了機器人研發中“勇于開始、不懼失敗”的理念，同時介紹了開源人形機器人遙操作平臺 Inhabit 的構建及 AI 工具帶來的效率提升。

當 AI 討論走向實戰，現場工作坊帶你真正上手！

除高屋建瓴的 Keynote 分享與細分領域論壇研討外，本屆大會同樣注重開發者的動手實踐?，F場帶來 SGLang 工作坊與 Agentic 應用構建工作坊兩大實操專場，告別純理論分享，聚焦框架實操、應用搭建等一線開發剛需，用輕量化實戰教學，讓前沿技術看得見、學得會、用得上。

SGLang 工作坊

如果說 LLM 推理框架的“卷”已經讓人眼花繚亂，那 SGLang 的野心顯然不止于此——它要把高性能服務從文本一路覆蓋到圖像、視頻，甚至強化學習后訓練。本次「SGLang 工作坊」是一場面向開發者的硬核實操課。

SGLang 開源維護者 Xinyuan Tong 在開幕致辭中拆解了 SGLang 性能背后的設計原則：原生多模態、推測解碼（Eagle3/MTP）、Hopper/Blackwell 上的 FP8/NVFP4 量化，并分享了維護一個 2.4 萬星標的開源項目的實戰經驗。隨后，他帶領了第一個實操實驗，現場運行開放模型，讓參與者親身體驗 SGLang 在生產級 LLM 服務中的部署流程。Atlas Cloud AI LLC 算法工程師 Eva Ma 與 SGLang 開發者 Yuhao Yang 分別從演講和實操兩個角度，展示了 SGLang-Diffusion 如何通過高級并行化、分布式 VAE 和算子融合，為圖像/視頻生成提供生產級推理能力。最后，RadixArk 技術團隊成員 Ethan (Yusheng) Su 直接展示了 SGLang 在 RL 后訓練中的核心角色：使用 Miles RL 框架，以 SGLang 為采樣后端，搭建端到端的 RL 訓練流水線——這些經驗直接來自全球超 40 萬塊 GPU 的生產實踐，讓開源開發者也能在自己的基礎設施上跑穩 RL 訓練。

構建 Agentic 應用工作坊

在“構建 Agentic 應用工作坊”現場，討論的重點落在如何把 AI 能力真正做成可運行的工程系統，而不是停留在概念層面。Makepad 聯合創始人 Rik Arends 展示了如何利用 Makepad 快速構建高性能 Rust 應用，把界面交互與底層性能結合成一個完整開發路徑；隨后波特蘭州立大學計算機科學副教授 Bart Massey 通過 Second State 的 EchoKit 嵌入式 Rust 語音助手設備，演示了 AI 在端側設備中的落地方式。這場干貨滿滿的實戰演示共同指向一個趨勢：Agentic 應用的核心，不只是“智能”，而是讓智能穩定嵌入到真實系統與設備之中。

午餐學習會

“LLM 之后是什么？”這是很多人關心的問題，也成為 GOSIM Paris 2026 現場午餐學習會的討論主題之一。Fundamental 應用人工智能負責人 Alexandre Gerbeaux 在分享中指出，大語言模型確實重新定義了人與非結構化數據的交互方式，但現實中企業數據的主體仍然是結構化數據——大量存在于表格之中，規模往往達到數百萬行列。在這一背景下，大表格模型（LTM）開始作為新的模型類別出現，用于專門處理和理解結構化數據，從而彌合當前模型能力與企業數據現實之間的差距。

極客同臺競技，硬核作品悉數亮相

科創賽場迎來高光時刻，GOSIM Spotlight 2026 前沿創作者盛典、雙賽道黑客松「Agentic Hackathon」和「Robotics Hackathon」賽事、「FlagOS KernelGen 24 小時懸賞挑戰賽」圓滿舉辦。歷經 5 月 5 日至 6 日兩天高強度角逐，各類創新項目與實踐成果集中亮相，為本次巴黎大會畫上鮮活的收尾篇章。

在 GOSIM Spotlight 2026 Frontier Creators 創作者賽道上，過去兩天，從多模態生成到交互表達，從工具鏈到內容形態實驗，10 組入圍創作者在 Station F 完成了作品展示與分享。這些項目不只是“用工具做內容”，更多是在解決具體問題，每一個項目都圍繞一個明確的創作痛點展開。

黑客松維度，兩場賽事同步進行。Agentic Hackathon 覆蓋文本、語音、音樂、視頻到演示生成等多條賽道，參賽團隊基于智譜 GLM、Moonshot Kimi、MiniMax 等模型快速搭建應用原型，兩天時間里完成了從想法到可運行演示的轉化。Robotics Hackathon 則更偏“實戰”，所有任務都在 OpenArm 全開源人形機械臂上完成，包括抓取拆裝、液體傾倒、布料折疊、人機遞接等操作，參賽者在現場不斷調試機械結構與控制代碼，幾乎全程都在動手解決問題。

FlagOS KernelGen 24 小時懸賞挑戰賽同樣精彩。這項挑戰以 Triton 語言為核心，聚焦內核代碼生成與優化，對參賽者的工程能力和工具使用效率都是高強度考驗。

從內容創作到機器人操作，從應用層原型到系統級優化，這些獲獎項目有一個共同點：都能在現場跑起來，并且能對準一個具體問題給出答案。

GOSIM Paris 2026 見證開源 AI 生態蓬勃發展，期待 10 月杭州再聚！

至此，GOSIM Paris 2026 正式落下帷幕。作為深耕全球開源協作的盛會，本次巴黎之行匯聚全球開發者與行業從業者，現場交流熱烈、思想碰撞不斷。

當然，整場大會的順利落地，離不開各家企業、開源社區與生態伙伴的同心同行、攜手共建。

由衷感謝首席贊助商華為，以及 OpenHarmony、Fundamental、OpenBMB、MiniMax、KIMI、智譜、Novita、RadixArk、databricks 等合作伙伴的重磅加持與傾力相助；同時誠摯感謝 BAAI、OuiCrea、全法中國青年科創協會、中法人工智能協會、Olares、Second State、SGLang 社區、vLLM 社區、FlagOS 社區、Hugging Face、開源社、Unaite、42-ai、AI By The Bay、InnAIO、Jumeau.AI 等一眾支持伙伴的踴躍入駐、積極參與。

各大展商與生態伙伴齊聚現場，以多元展示、技術共創凝聚產業合力，持續豐富開源 AI 生態版圖，為這場國際盛會增添了濃厚活力與產業價值。

三天思想交鋒與實踐探索圓滿收官，跨地域的開源協作之路仍在繼續。本次盛會搭建起高效的全球對話橋梁，沉淀了大量落地經驗與行業共識。期待未來再度相聚，持續攜手探索智能技術新方向，共建更加開放、繁榮的全球開源生態。