中国科学院自动化研究所的李国齐、徐波团队发布全球首款大规模类脑脉冲大模型SpikingBrain 1.0。

处理一段400万token的超长文本，它的速度比现在主流的Transformer模型快了100多倍。更离谱的是，它的训练数据量，只有别人家的2%。

大模型，要换个脑子了？

我们今天用的大语言模型，比如GPT系列，基本都构建在Transformer架构上。这套架构的核心是自注意力机制，非常强大，但有个致命的问题：计算复杂度。

简单说，你给它的文本长度增加一倍，它的计算量不是增加一倍，而是暴增到四倍，也就是二次方（O(n²)）关系。处理长文本时，它就像一辆陷入泥潭的跑车，不仅慢，还巨耗油（显存和能耗）。

这就是为什么我们很难让AI一次性读完一部长篇小说或者分析一整套法律卷宗。成本太高，效率太低。

中科院的科学家们把目光投向了自然界最牛的智能系统——人脑。

人脑里有千亿级的神经元，连接数量更是天文数字，但它的功耗只有区区20瓦，比你家灯泡还省电。

团队提出了一个概念，把现在堆料的Transformer路线叫做“基于外生复杂性”，就是靠外部的堆砌来提升性能。而他们走的路叫“基于内生复杂性”，意思是把功夫花在单元内部，让每一个“神经元”本身就更聪明、更高效，师从大脑。

SpikingBrain，一套从里到外的颠覆

SpikingBrain（瞬悉）的核心，就是用一套全新的架构，模拟大脑神经元的工作方式。它有两个版本，一个70亿参数的SpikingBrain-7B，一个760亿参数的SpikingBrain-76B。

它到底颠覆了什么？

首先，它把Transformer那个二次方复杂度的自注意力机制给扔了，换成了一套“混合线性注意力架构”。

思路很巧妙。它把几种不同的注意力机制组合起来用：线性注意力负责看全局、抓要点，滑窗注意力负责看局部、抠细节。在7B模型里，这两种注意力一层一层地交替堆叠。在更强的76B模型里，它们甚至在同一层里并行开工，还时不时插入一层标准的全注意力来“校准”一下。

这么一搞，计算复杂度直接从二次方降到了线性（O(n)）。处理长文本的效率，自然就坐上了火箭。

其次，也是最“类脑”的一点，是它用了“自适应阈值脉冲神经元”。

传统AI模型里的神经元，不管有没有活干，都在那里傻乎乎地参与计算。但大脑神经元不是，它们平时很安静，只有当接收到的信号强度超过一个“阈值”时，才会“发放”一个脉冲，也就是“说句话”。这种事件驱动的方式极其节能。

过去的脉冲神经网络（SNNs）模型虽然模仿了这一点，但总做不好，要么神经元集体“沉默”，要么集体“过度兴奋”，模型很难训练。

SpikingBrain的创新在于，这个“阈值”不是固定的，而是自适应的。它会根据神经元的状态动态调整，确保每个神经元都处在一个恰到好处的活跃水平。这就好比给每个员工都设定了一个弹性的KPI，既不会让他闲着，也不会把他累死，整个公司（模型）的运行效率就高了。

这种机制带来的直接好处就是“稀疏性”。数据显示，SpikingBrain的计算稀疏度高达69.15%，在处理长序列时，真正被激活的脉冲占比只有1.85%。这意味着绝大部分时间里，大部分神经元都在“节能模式”，能耗自然就降下来了。

最后，还有一个非常务实的技术：高效模型转换。

从头训练一个大模型，烧钱跟烧纸一样。团队开发了一套技术，可以直接把现有的Transformer模型“改造”成SpikingBrain架构，而不是一切推倒重来。整个转换和继续训练过程，所需要的计算量，还不到从头训练一个同等规模模型的2%。

国产芯上跑出的“中国速度”

这一整套颠覆性的工作，都是在国产GPU算力集群上完成的。

团队攻克了在非英伟达平台上进行大规模分布式训练的种种难题，开发了配套的算子库和通信框架，硬是把这块硬骨头啃了下来。

下表，能最直观地看到SpikingBrain的性能有多“炸裂”。

训练数据只用2%，性能却能和主流模型打平。

处理百万、四百万token级别的超长文本，推理启动速度提升几十倍甚至上百倍。

把模型压缩后放到手机CPU上跑，解码速度还能甩开对手十几倍。

能耗显著降低，稀疏度极高。

不只发论文，直接开源

技术报告同时发布在了学术网站arXiv和代码托管平台GitHub上，中英文双版本，把所有技术细节和盘托出。

团队直接把SpikingBrain-7B模型的权重、完整代码、推理框架全部开源，放在了魔搭（ModelScope）和GitHub上，人人都可以下载使用。76B的模型也提供了在线试用。

SpikingBrain 1.0的问世，宣告了在Transformer的“规模法则”之外，还存在着另一条通往通用人工智能的道路。

类脑新赛道，才是新未来吗？

免费试用：

https://controller-fold-injuries-thick.trycloudflare.com/

GitHub：

https://github.com/BICLab/SpikingBrain-7B

ModelScope：

• Pre-trained model (7B): https://www.modelscope.cn/models/Panyuqi/V1-7B-base

• Chat model (7B-SFT): https://www.modelscope.cn/models/Panyuqi/V1-7B-sft-s3-reasoning

• Quantized weights (7B-W8ASpike): https://www.modelscope.cn/models/Abel2076/SpikingBrain-7B-W8ASpike

参考资料：

http://www.ia.ac.cn/xwzx/ttxw/202509/t20250908_7963509.html

https://arxiv.org/html/2509.05276v1

END