8 月 14 日，小红书 dots 实验室开源了 dots3-note preview 大模型；第二天（8 月 15 日），华为官微就宣布昇腾完成对该模型的 0 Day 适配。模型发布当天算力平台同步接上，这个"发布即适配"的节奏，比模型本身更值得聊。

这是个什么模型

dots3-note preview 是 dots3 系列的第一个开源版本：280B 总参数、16B 激活参数的 MoE 架构，512K 超长上下文，支持文本、视觉、语音全模态理解，权重挂在 Hugging Face 的 dots-studio/dots3-note-prev。

它的背景牌面不小。据机器之心报道，上个月（7 月）同系列的 dots-note-3.0 在 IMO 2026 国际奥数竞赛中拿下了官方认证的满分 42 分，是 AI 首次做到这件事。这次开源的 preview 版本没有继续卷数学题，而是把重心放在"长程真实生活任务"上——旅行规划、婚礼筹备、开店经营这类没有标准答案、条件会随时变化、可能持续数小时甚至数天的任务。

技术上，dots 实验室公布了两个关键机制：一个是 TEMPO 强化学习方法，把很长的任务轨迹切成多个 macro-step，模型中途从"干活模式"切到"自评模式"，用工具和推理估计当前进展的价值，把评价变成训练信号，解决长任务奖励稀疏的问题；另一个是 Self-Critiquing 自评机制，配合主动记忆（官方演示里是一个 memory.md 文件），让模型在环境中边探索边记录规则、自我纠错。他们还开源了两套评测基准 VibeSearchBench 和 VibeLifeBench，据官方数据，Claude Opus 5、GPT-5.5 这类头部模型在这两套基准上都没达到及格线——说明"把能力稳定维持数小时"是全行业都没解决的难题，不是某一家的问题。

0 Day 适配：国产算力生态的关键一步

昇腾这次做的 0 Day 适配，对象是 Atlas 800 A3 和 Atlas 900 A3 SuperPoD 超节点，基于 vLLM Ascend 开源推理引擎，做了三件实事：

• FlashComm 通信优化：把 AllReduce 拆成 ReduceScatter + AllGather，把列向独立算子挪到两阶段通信之间执行，消除多卡间的重复计算，降低推理时延；
• • FUSED_MC2 通算融合：把 MoE 层原本多段独立的 Kernel 合并成单一大算子，减少 Kernel 启动次数，提升 MoE 推理吞吐；
• • MTP 投机推理：原生支持模型的多 token 预测能力，单次前向生成多个候选 token 再校验，降低增量解码时延。
    这几项都是实打实的推理优化，不是"能跑就行"的糊弄。对开发者来说，意义在于：国产模型 + 国产芯片 + 开源推理框架的闭环正在成型。以前开源一个模型，大家默认等几周甚至几个月才有国产算力适配，现在变成"发布当天就能部署"，迁移成本被压到最低。对合规要求高、数据不能出境的企业来说，这是一个现实可选的私有化路径——模型权重在手里，跑在昇腾上，数据全程不出内网。

实用部分：怎么用、怎么选、有哪些坑

1. 个人开发者先别急着本地部署。 280B 总参数虽然只激活 16B，但权重本身很大，单张消费级显卡跑不动，需要多卡甚至超节点，个人机器不现实。想体验能力，直接用官方 API 入口（dots.ai/platform）最快；想私有化部署，参考昇腾官方给的 vLLM Ascend 部署文档（docs.vllm.ai 里有 Dots3-Note 的适配教程），先评估手头有多少卡再动手。

2. 想本地研究的话，权重下载用现成工具：

from huggingface_hub import snapshot_download

# 下载 dots3-note preview 权重（体量很大，先确认磁盘空间）
snapshot_download(
    repo_id="dots-studio/dots3-note-prev",
        local_dir="./dots3-note-prev",
        )
        ```
**3. 选型判断。** 如果你的场景是"多模态输入 + 长程自主任务"（比如读图、规划、跨多步执行），dots3-note preview 值得试；如果只是日常写代码、问答，它不是最优选，同类里专注编程的模型更多。另外 preview 版本官方自己也承认体验和细节还在优化，正式版据称近期也会开源，生产环境接入前先观察。

**4. 几个坑。** 两套 VibeBench 基准是官方自建的，跑分看看就好，第三方独立评测还没跟上；512K 上下文是能力上限，实际长任务里 Agent 的上下文管理做不好，再长的窗口也白搭；还有，同类"长程 Agent"开源模型这周密集发布（DeepSeek V4 Pro 正式版、智谱 GLM-5.3 都主打 Agent 能力），选型时建议拿自己的真实任务横向测一遍，别只看发布稿。

**5. 部署环境提前备好。** 想在内网跑这类 MoE 大模型，光有卡不够：显存、KV cache、多卡通信带宽都得先摸底。280B 总参模型即使量化，单机也吃力，Atlas 900 A3 这种超节点才是目标形态。没有现成集群的团队，可以先在云上租昇腾实例跑通流程，验证稳定性和吞吐再考虑自建，别一上来就买硬件。

## 结尾

模型发布当天算力平台就 0 Day 适配，这个信号比单个模型的跑分更值得关注——大模型竞争已经从"谁的模型强"进入"谁的生态全"的阶段，算力、框架、模型三者绑得越紧，开发者迁移成本越低。国产模型 + 国产芯片这条路，你所在的公司开始认真考虑了吗？评论区聊聊。