一句话看懂：OpenAI 内部代号为“Bel”的新一代大模型已完成预训练，参数量达到 10 万亿级别。这是继“Doug”之后的下一个基础模型，直接瞄准 AGI 能力边界，也意味着 OpenAI 在模型规模和自研算力两个维度上同时提速。
事件核心：发生了什么
据多家科技媒体和业内人士透露，OpenAI 已经完成了代号为“Bel”的大规模预训练模型。该模型参数量达到 10 万亿，远超当前主流闭源大模型的规模。按照已知信息，Bel 是 OpenAI 下一代基础模型序列中的一环，上一代代号为“Doug”。
在性能表现上，Bel 在编码、推理和长期智能体任务等维度均优于此前备受关注的 Astra 模型。消息称，Bel 能够连续数天高效运行且无需人工干预，具备自我恢复能力，并能同时协调数百个并行子智能体协同工作。随着参数量跨过 10 万亿门槛，模型对世界模型的理解深度将显著提升。
计算资源方面，OpenAI 也在同步构建自有芯片体系。其自研芯片代号“Jalapeño”，通过底层代码与模型的深度整合，正在形成“用强模型优化基础设施、再以基础设施反哺模型迭代”的闭环，同时显著降低算力运营成本。
为什么重要
10 万亿参数并不只是一个数字游戏。它代表着模型在长程任务执行、复杂推理和多智能体协作等方向上的能力上限被重新定义。相比当前主流大模型普遍停留在万亿参数以下的水平，Bel 如果顺利落地，将在技术代差上拉开明显距离。
更值得关注的是 OpenAI 的算力策略。它不再单纯依赖外部 GPU 供应，而是通过自研芯片 Jalapeño 进行底层协同优化。这种“模型+芯片”深度绑定的路线，意味着训练和推理成本结构会发生根本性变化。对于依赖外部算力或云服务的竞争对手而言，这会形成一种成本壁垒，而不仅仅是技术壁垒。
从行业格局看，Bel 的预训练完成也释放了一个信号：OpenAI 正在从单纯追求对话能力的“ChatGPT 式产品”转向更复杂的智能体基础设施。AGI 不再是路线图上的远期口号，而是被拆解成了具体的工程指标。
对用户/开发者/创作者的影响
对于普通用户，Bel 的落地意味着 AI 助手将从“问答工具”升级为“可持续自主执行任务”的智能体。它可以在数天内独立处理跨部门、跨系统的复杂事务，例如数据分析、代码修复、流程调度等，而不需要每一步都等待用户确认。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
对开发者而言，Bel 的多智能体协作能力值得重点关注。如果 OpenAI 将这部分能力通过 API 开放，开发者将可以调用数百个并行子智能体来完成大规模自动化任务，这对工作流引擎、企业级自动化工具和 SaaS 产品都将产生直接冲击。API 的定价和调用方式，将是判断这一能力是否真正可用、可用到什么程度的关键指标。
对于创作者和内容生产团队，Bel 在编码和推理上的提升意味着 AI 能处理更复杂的逻辑链条，例如长剧本结构梳理、跨章节内容一致性维护、多角色对话生成等。不过，目前公开信息尚未披露 Bel 在图像生成或多模态内容创作方面的具体表现，这部分能力是否存在、以何种形式开放，仍需等待官方正式发布。
值得关注的后续
第一，Bel 的正式发布时间。业内人士预计，该模型可能于今年年底或 Astra 发布后数月内亮相。如果时间线属实，OpenAI 的产品节奏将明显加快。
第二，算力成本是否真的下降。Jalapeño 芯片的落地和递归自改进机制是否能在实际生产中降低单位 token 成本，将直接影响 API 价格。若价格下调，开源模型和其他闭源厂商将面临更大的商业化压力。
第三，Astra 与 Bel 的产品定位如何区分。目前已知两者在能力侧重点上不同，但 OpenAI 最终会如何规划面向 C 端用户和 B 端开发者的产品矩阵，尚不清楚。竞品如 Anthropic、Google DeepMind 是否会在同等规模上跟进，也会影响市场走向。
来源：AIbase
