AI 能不能写出真正生产级的大型软件，乃至于大模型训练框架？
面壁智能的答案是：可以。
今天，面壁智能联合清华大学、OpenBMB 开源社区正式发布 ForgeTrain——全球首个完全由 AI 编写、零人类代码介入的生产级大模型训练框架。
它不是一个实验原型，而是一套可以直接投入生产、创造价值的「AI 引擎」。
在英伟达 H100 GPU 上，ForgeTrain 的训练速度超越了英伟达自研、业界主流的 Megatron 框架 10%。这意味着在同等任务下，直接节省 10% 的算力成本。
在华为昇腾系列上，ForgeTrain 已完整跑通预训练流程，证明了其强大的跨硬件平台适配能力。
此外，面壁智能使用 ForgeTrain 在华为昇腾芯片上成功完成了面壁智能新一代「小钢炮」MiniCPM5-1B 模型的预训练。评测结果显示，MiniCPM5-1B 的综合性能在全球同尺寸模型中处于领先水平，在 AA 榜单上位列 2B 规模以下 Top 1。
这标志着，「AI 写的框架 → 在国产芯片上运行 → 训出领先的 AI 模型」这一完整闭环被成功打通。
这一系列成果的背后，是我们提出并实践的全新软件编程范式 Forge Engineering。
为什么必须「AI 制造 AI」？
大模型能力的每一次跃迁，背后都是天文数字级的资源投入。十万卡集群的开支已逼近顶级科技公司的年现金流量级，北美电网的新增容量被头部实验室大面积预订，高质量文本语料日益稀缺。如果大模型的进步只能靠砸更多钱、用更多卡，这条路注定越走越窄。
这是一个关乎大模型未来生死存亡的底层问题。
一个简化的公式可以描述大模型能力的增长：
Scaling 涨幅受理论约束，研发预算受资源约束，真正能被持续撬动的杠杆只有一个：压低每一代模型的研发成本。
这正是「AI 制造 AI」的出发点。全球顶级实验室已将此列为战略核心——Anthropic AI 创始人 Dario Amodei 称其为 AGI 时间表最强的加速器，OpenAI 和 DeepMind 也在全力探索。然而，在「让 AI 编写大模型底层基础设施」这个最关键的节点上，此前的探索都留下了空白。
英伟达的 VibeTensor、Anthropic 的 C 编译器、OpenAI 的 Harness Engineering，三份来自北美头部科技厂商的成果各有贡献，但没有一个团队，在「AI 编写训练框架」这个粒度上，同时做到生产级可用、并且性能卓越。
ForgeTrain 正是在这个关键空白处实现了决定性的突破。AI 不仅写出了一个能用的训练框架，而且这个框架比人类专家实现得更快、性能更强。
Forge Engineering：从「编程」到「锻造」
大模型训练框架不是一般的软件。它需要管理数百乃至数千张 GPU 的协同，在分布式环境下保证计算结果的精确一致，还要把每一块算力榨到接近理论上限。写出来不难，写出来能用、还能更快，是完全不同量级的挑战。
Forge Engineering 的方法论分三个阶段，每一步都有明确的验收标准：
第一步：立标准（Harnessing）
从 Megatron 中采集关键运行数据，构建一套自动化评测 Harness，把什么叫「跑对了」、什么叫「跑快了」变成机器可以自动判断的标准。后续所有的 AI 生成与迭代，都有客观锚点，而不是靠人眼 review。
第二步：咬对齐（Bit-for-Bit Replication）
AI 在 Harness 约束下，构建一个与 Megatron 逐比特一致 的版本。逐比特一致 不是大约对齐，不是行为相似，而是在相同输入下产出完全相同的数值结果。这一步确保框架的正确性基线：AI 具备精确理解和复现复杂系统的能力。
第三步：解约束反超 (Surpassing)
正确性验证完成后，解除二进制一致的限制，切换到一组性能导向的新 Harness，让 AI 在更大的搜索空间里自主迭代。最终结果是 速度超越英伟达 Megatron 10%，节省 10% 的算力成本。
这条「先逐 bit 复现，再放宽约束实现反超」的三阶段路径，在此前所有公开方法论中是空白。
VibeTensor 直接追求与 PyTorch 行为对齐，但性能有所下降；Anthropic 的 C 编译器用 GCC 作差分测试，但仅限正确性验证而非性能反超；OpenAI 的 Harness 没有参照实现可供对齐。ForgeTrain 是第一个把这三步显式提出、并全部兑现的团队。
这个三阶段路径指向了一种全新的软件工程范式，我们将其命名为：Forge Engineering（锻造工程）。
要理解它的意义，先看大模型时代编程范式的演进：
OpenAI 提出的 Harness Engineering 是重要里程碑，它证明 AI 可以端到端生成大型通用系统。但代码仍被当作一份需要长期维护的资产：有主分支、有发布节奏、有不断累积的技术债。
Forge Engineering 跨过了最后一步。它把代码从「资产」解绑成按需锻造的深度定制品——同一份 Harness，可以在 H100 上锻造一份实现，在昇腾上锻造出另一份完全不同的实现。两份代码都是为各自硬件深度优化的，没有为了通用性而带来的性能损耗。
过去，大型软件工程有一个无解的取舍：要通用就要抽象，抽象就有损耗；要效率就要定制，定制就失去可移植性。Forge Engineering 让这个取舍消失了。通用性，留在 Harness 的规约里；高性能，留在每一次的锻造里。
重塑国产算力在 AGI 时代的生态位
黄仁勋反复强调「英伟达本质上是一家软件公司」。真正让客户离不开英伟达的，不是芯片，而是十几年、上百万开发者堆砌出的 CUDA 生态。这是英伟达最深的护城河。
国产芯片硬件进步迅速，但软件生态始终是最大的痛点。核心挑战是：让每种算法在每款芯片上高效运行，组合空间是天文数字，靠人力永远追不完。
Forge Engineering 改变了这道题的解法：
当写代码的边际成本趋近于零，我们就不必再维护一份试图兼容所有芯片的「万能框架」。而是维护一套规约与评测标准（Harness），为每款芯片、每种场景现场锻造专属的高性能实现。芯片换代或模型迭代，就再锻造一份新的。
这意味着，过去国产芯片每出一代、软件生态就要用人力重新追一轮的恶性循环，有可能被彻底打破。我们不再需要花十年堆另一个 CUDA，而是让 AI 为每款芯片即时锻造专属软件栈。芯片出多快，软件就能跟多快。 护城河的逻辑变了：不再比谁堆的代码多，而是比谁的「锻造炉」更快更准。
算力可以被封锁，工程效率却封锁不了。ForgeTrain 是这条路上的第一个坚实验证。
我们将「AI 制造 AI」的进化路径划分为 L1 到 L5 五个级别，与 OpenAI 对 AGI 的 L1-L5 定级形成呼应，其中 ForgeTrain 对应 L3（AI 端到端闭环产出下一代大模型所需的基础设施）：
开源可复现
一句话可以描述「AI 制造 AI」的战略意义：
一旦「AI 研究 AI 的速率」超过「人类研究 AI 的速率」，大模型的研发速度就从人力规模的函数变成算力规模的函数，AGI 实现的时间表将被重写。
ForgeTrain 预训练的 MiniCPM5-1B 性能达到全球同级模型最优，体现了「AI 制造 AI」的可行性。
ForgeTrain 完全开源。我们同步发布：
ForgeTrain 框架代码： 完整的预训练框架，分别锻造了英伟达 H100 和华为昇腾两个版本的框架。
Agent Harness： 制造 ForgeTrain 的完整工具链，包含评测标准、测试规约和智能体编排方案。任何团队都可以用它复现从逐比特对齐到性能反超的全过程。
我们开源的不只是代码，更是方法论。从 MiniCPM 系列的端侧高效模型，到今天的 ForgeTrain 和 Forge Engineering，我们探索的核心问题始终没变：如何让每一份算力产生更大的价值？
答案越来越清晰——不是比谁的资源多，而是比谁把资源用得更聪明。
当 AI 学会锻造自己的工具，效率的天花板，再次被打破。
➤ ForgeTrain 开源链接
🔗 https://github.com/OpenBMB/ForgeTrain
图文来源：面壁智能
