纽约32亿美元AI数据中心火灾暴露应急盲区

01纽约32亿美元AI数据中心火灾暴露应急盲区，运营方与消防部门对整改进度说法不一

6月初，纽约州Somerset的Lake Mariner AI数据中心一栋未完工建筑起火。Barker消防局局长Steve Matisz称，消防员面对含有无法识别化学物质的浓重黑烟，却因缺少安全资料而「几乎是摸黑」进入现场。

消防员据报发现，建筑内没有正常工作的警报和灭火系统，三个消防栓无法供水。消防部门依法应取得的安全文件也据称在火灾中烧毁，Matisz对这一说法表示疑惑。来源未说明起火原因及是否有人伤亡，也没有监管机构认定违法。

Lake Mariner建在一座旧煤矿上，是纽约州规模最大的AI数据中心项目之一，投资额32亿美元。TeraWulf拥有并运营园区；Fluidstack将负责运行；Google为Fluidstack的租约付款提供担保并持有未来取得14%股权的认股权证；Anthropic是算力需求方之一。TeraWulf确认，园区运营安全、应急准备以及与当地急救人员协调由其负责。

TeraWulf称，事故复盘后已增设Knox钥匙箱、消防栓和装有安全数据表的应急包。但Matisz在8月中旬表示，钥匙箱项目仍在安排建设；据他所知，消防栓依然无水，且未看到相关施工。此后的消防栓状态仍未得到确认。

02Iris用交替监督训练与实时搜索强化学习，发布两款开源搜索代理方案

Iris团队公布Iris-mini和Iris-pro两款搜索代理及训练方案，规模分别为35B-A3B和397B-A17B，面向需要多步检索的复杂网页任务。团队计划开放模型权重及完整配方，但未说明确切日期。

训练问题由网页超链接反向构造：团队从种子页面及外链建立实体图和多跳链，把非答案实体改写成描述性指代，避免关键词匹配；仅保留参考模型闭卷失败、获得证据后才能答对的问题。生成轨迹经过整条和逐轮过滤后用于SFT，再以实时搜索进行RL；每轮RL中最难且已解决、效率最高的轨迹会回流下一轮SFT，形成「SFT-RL climbing」。

启用上下文管理后，Iris-mini在BrowseComp、BrowseComp-ZH、DeepSearchQA和HLE上得分82.2、84.8、86.9、52.3，Iris-pro为88.6、85.1、92.9、56.4。团队称其在各自参数规模的开源搜索代理中综合最强。评测固定工具集、上下文限制和裁判，并分别测试是否启用上下文管理；结果均来自单个ReAct代理，未使用子代理或测试时验证。

03Motion-Omni让对话模型同步生成语音与全身动作，响应速度达到实时水平

现有数字人通常先生成完整回答语音，再让动作模型据此生成动作。这种级联方案需要第二次完整推理，语音与动作也无法共同优化。Motion-Omni改用端到端架构，让对话模型边说边生成协调的面部表情、手部及上下半身动作。

其动作生成器直接读取产生语音的共享隐藏状态。实验显示，仅训练动作模块、冻结语音路径会导致动作与音频错位；只有联合调整LLM、语音生成器和动作生成器，才能恢复对齐，同时保留语音对话能力。

训练数据来自可替换的动作教师：团队为音色一致的语音回答生成伪标签，得到422856组质量排序数据，共1402小时。基于Qwen2.5-7B-Instruct的Motion-Omni-Q7，在无参考动作指标上与使用相同音频的教师级联系统相差不到2%，推理速度快5.4倍，实时因子为0.78，词错误率为2.62%。真实部署、长期对话稳定性及跨人物和场景的泛化效果仍未知。