据报道,OpenAI 已完成一次代号为"Bel"的大规模预训练,据称该模型拥有超过 10 万亿个参数。如果这一说法属实,Bel 将是自 2024 年 5 月 GPT-4o 发布以来,该公司首个成功完成的大规模前沿预训练。就这一规模提供一些背景:OpenAI 上一次官方披露参数量还要追溯到 GPT-3,其 2020 年的论文中列为 1750 亿个参数,此后该公司再未公布过任何模型的参数数据。公开披露超大参数量的前沿实验室通常依赖稀疏混合专家架构,即模型的全部参数中只有一小部分会在处理任一给定 token 时被激活——作为已公开记录的最大模型之一,DeepSeek-V3 报告的总参数量为 6710 亿,每次查询约激活 370 亿个参数。

该消息源自用户 @synthwavedd 于 2026 年 8 月 25 日在 X 上发布的一则帖子。OpenAI 尚未官方确认 Bel 的存在,也未公布该次训练的任何技术规格。

关于 Bel 的已知信息

根据这些未经证实的报道,Bel 接续了此前一次代号为"Doug"的预训练,旨在作为未来系统的基础模型。据称这些未来系统包括一个名为 Astra 的项目,以及 GPT-6 的后续版本;后训练工作预计将解锁更接近业界所称"通用人工智能"的能力。预训练是指模型从海量文本语料中吸收知识的阶段,之后再由后训练技术塑造其行为,因此基础模型通常被视为决定后续系统能从中提取多少能力的根基。

据报道,自 GPT-4o 发布以来,OpenAI 在规模化方面一直举步维艰。AI 研究圈内的多位消息人士提到训练中断、强化学习过程中因安全原因暂停,以及阻碍更大模型进展的技术难题。该公司的算力扩张努力一直被归入"星际之门"(Stargate)计划的框架下讨论——该项目于 2025 年 1 月公布,由软银、Oracle 和 MGX 担任合作伙伴,计划在四年内对美国数据中心投资最多 5000 亿美元,首个园区位于得克萨斯州阿比林。这一基础设施雄心反映出前沿训练对算力的渴求程度:已公开的估算(包括为斯坦福 AI Index 汇编的数据)显示,单次前沿训练的成本从数千万美元到近 2 亿美元不等。

为何 GPT-4o 以来的空窗期意义重大

从 2024 年 5 月至今,对 OpenAI 而言是一段异常漫长的、没有发布新前沿基础模型的时期。在此期间,该公司发布了渐进式更新和微调版本——包括 2025 年 8 月的 GPT-5 及其后续的小版本更新——但其核心预训练工作一直未能产出一个在规模上显著更大且得到确认的继任者。按照该报道的表述,这些已发布的模型是基于更早训练的基础工作,而非一次全新的、更大规模的预训练。

同一时期,竞争对手并未停滞。Anthropic 持续推进其 Claude 模型系列,Google DeepMind 继续扩展 Gemini,而来自 Meta 等公司日益增多的开源项目也在不断缩小差距。

AGI 之问与竞争利害

围绕 Bel 的表述明确与 AGI 雄心相关联。据报道的路线——从 Bel 到 Astra,再到 GPT-6 之后的后续产品——表明 OpenAI 正以多阶段路线图的方式思考,即通过层层后训练与微调,从基础模型中逐步提取出能力更强的表现。

需要警惕的一点同样简单明了:以上内容均未得到证实。在 OpenAI 提供官方验证之前——无论是通过技术论文、产品发布,还是哪怕一篇随意的博客文章——Bel 始终只是源自社交媒体帖子的未经证实的说法。读者可关注的具体验证点很明确:OpenAI 历来通过发布会并伴随公开系统卡的方式确认重要基础模型,即便如此也很少披露参数量,因此 10 万亿这一数字可能永远无法从官方渠道直接验证。其他可观察的信号包括:"星际之门"算力上线的速度、报道中提到的代号(Doug、Bel、Astra)是否出现在官方材料中,以及 OpenAI 下一款产品的发布时机与定位。