就在上周，一件悄悄发生的事，可能比你朋友圈里所有的AI新闻都重要。

英伟达发布了一个专门看量子实验图的模型。

它干的事很奇特，看量子计算机吐出来的实验图，然后告诉工程师"下一步该调哪里"。

听起来很技术？

先别关页面

因为这件事背后，有一个几乎所有人都忽视的、量子计算机走向实用的关键障碍，而英伟达刚刚把这道墙凿开了一个大洞。

量子计算机最"隐蔽"的死穴

提到量子计算机，大多数人脑子里跳出来的是"量子纠缠""量子比特"这些概念词，或者"算力碾压经典计算机"的宏大想象。

但极少有人知道：现实中的量子计算机，其实像一台需要24小时有人值守的精密仪器。

量子比特（qubit）极其脆弱

每一个比特都有自己的工作频率和脉冲时序，这两个参数会随着时间自然漂移，几小时内就可能偏出去。

于是每隔一段时间，实验室工程师就得停下来重新"对表"：跑一大堆校准实验，得到一堆拟合曲线、频谱图、振荡图，然后，靠肉眼看，靠经验判断，"这次拟合算收敛吗？""

下一步该扫频率还是调脉冲？"

然后手工选下一轮实验，再等结果，再看图……

这个过程，在英文里叫 calibration（校准），在实验室里叫"噩梦"。

一台新的量子芯片上线，光是把它调到可以测量的状态，通常要数天到数周。

芯片改了个设计？

从头再来

这直接决定了一个团队一年能完成几次设计迭代。

量子比特数量一多，校准问题会被迅速放大。

未来能实用的容错量子计算机，需要数千个物理量子比特来"合力"编码一个逻辑量子比特。

每个比特都在漂移，每个比特都需要被校准。

当量子比特数量扩大到几千、几万个，机器的大部分运行时间会被"等人来重调"这件事吃掉。

分析人士Meg McNulty这样概括："这套流程扩不到容错规模。

量子比特越多，越容易把时间耗在等人上。"

这是量子计算容易被忽略的瓶颈：人力跟不上量子比特扩张的速度。

▲ 分析人士 Meg McNulty 在长帖中解剖了校准的人力瓶颈，以及共建数据集背后的制度设计逻辑

英伟达的答案：让AI来值夜班

2026年4月，英伟达发布了 Ising 家族，自称"全球首个专门为有用量子计算打造的开源AI模型家族"。

名字来自物理学经典的Ising模型，两个工作方向各有分工：

• Ising Calibration
• ：一个视觉语言模型（VLM），输入量子实验产生的诊断图，输出："这次实验成不成功""拟合可不可信""下一步该跑哪类实验"。
• Ising Decoding
• ：专门做量子纠错实时解码的神经网络，在运行中实时"纠偏"。

而就在2026年7月27日，Ising Calibration 1.5 悄然上线。

这一次，英伟达的数字亮出来了：

✔️ 零样本准确率比次优开源模型 高10%

✔️ 上下文学习（ICL）相对上一代提升 86.5%

✔️ 经NVFP4量化，可在 单块GPU或DGX Spark 上运行

▲ 英伟达AI基础设施官方账号发布的1.5上线主推文，三项关键指标清晰列出

31B模型，打赢了GPT-5和Claude

能打败谁，才是最好看的部分

英伟达为这件事专门建立了一个公开基准，QCalEval，243道题，覆盖22种实验类型，横跨超导量子比特与中性原子两条技术路线。

评分由GPT-5.4和Gemini-3.1-Pro担任"考官"（同时给分取平均）。

七月更新的排行榜数据如下：

而在更早的4月基准中，Ising Calibration就已经平均优于Gemini 3.1 Pro约3.27%，优于Claude Opus 4.6约9.68%，优于GPT-5.4约14.5%。

一个专门为量子校准微调的31B模型，在自己的主场，打赢了所有顶级通用大模型。

零样本领先了几个百分点，86.5%的ICL提升更让从业者兴奋。

▲ QCalEval 基准仓库的七月排行榜：1.5 的ICL分数从上一代的44.5跳升到83.0

为什么"86.5%的ICL提升"关乎落地

先解释两个概念

零样本（zero-shot）：模型什么样例都没看过，直接答题。

上下文学习（ICL, In-Context Learning）：在提问的时候，把几张"同台设备、同类实验的历史图+专家解读"一起塞给模型，模型现场适配，变得更准。

Conductor Quantum的CTO Joel Pendleton说得精准："每台量子设备都有自己的'脾气'。

ICL是你应对这种差异性的办法"

这才是量子实验室最真实的诉求

没有哪个实验室愿意为每换一台量子芯片就重训一遍模型。

但如果模型能"给它看几张这台机器的历史实验图，它就能理解这台机器的习惯"，这件事就可以落地了。

上一代Ising Calibration的ICL分数只有44.5，表现偏弱。

1.5把它拉到了83.0，完成了一次量级跨越。

1.5选择以Gemma 4 31B为底座，也绝非偶然。

基准数据早就显示：Gemma 4系列在多图上下文学习中天然表现强。

英伟达选它，是顺着数据走的

▲ Conductor Quantum CTO Joel Pendleton：泛化来自提示，而非另一次训练周期

更难的一关：让竞争对手把数据交出来

故事最精彩的部分，其实是数据

要训出一个"会看量子实验图、会写下一步建议"的模型，你需要什么？

你需要：真实设备的实验图，配上领域专家的书面解读。

问题是，这些数据全部锁在各家量子硬件公司的内部服务器里。

IQM、IonQ、Infleqtion、Atom Computing，它们互相竞争，谁也不会把自己的设备噪声特征、校准秘诀拱手相让。

英伟达的解法，是一招制度设计上的妙棋：把评测基准做成联合发表。

QCalEval论文的作者名单横跨英伟达、费米实验室、劳伦斯伯克利国家实验室、英国国家物理实验室（NPL）、哈佛大学、IQM、Infleqtion……这些机构，既是竞争对手，又是共同署名者。

道理很简单：同一套考卷，会给所有人的模型打分，包括你自己的。

贡献数据不等于贡献竞争优势，因为标准对所有人开放。

Meg McNulty评价说："说服竞争对手贡献专有设备数据，比模型训练本身更难。

这正是这项工作最有意思的地方之一。"

英伟达把"先发考卷"这件事，做成了撬动整个行业开放数据的支点。

4月发布基准，7月推出更强的模型，生态已经在转动。

单块GPU能跑，门槛降到了哪里

1.5还有一个技术细节，值得单独讲

之前的模型，动辄需要多卡甚至多节点推理，普通实验室根本用不起。

这次英伟达为1.5提供了NVFP4量化版本，用英伟达自家的低比特量化格式，把31B模型的运行门槛压到单块GPU，或者一台DGX Spark紧凑工作站上。

这让"量子AI校准"从"顶级实验室专属"，变成了"我有一块好GPU就能试"。

试用门槛的降低，会加速整个生态的采纳。

而更多实验室接入这套校准栈，又会反哺训练数据的多样性与模型的鲁棒性。

飞轮，已经开始转了

英伟达在量子计算里究竟布了一盘什么棋

看到这里，你可能会问：英伟达既然做GPU，为什么又跑去量子计算领域？

答案其实一直写在明处

黄仁勋的原话是："AI是让量子计算实用的关键；

借助Ising，AI成为量子机器的控制平面，把脆弱的量子比特，变成可扩展、可靠的量子-GPU系统。"

无论量子比特走超导路线、离子阱路线还是中性原子路线，它们都需要一个高带宽、低时延的经典侧来做校准、纠错、控制。

英伟达的野心，是让这个经典侧跑在自己的GPU上。

Ising Calibration负责让量子比特状态更稳；

Ising Decoding在运行时实时纠错；

CUDA-Q负责编程栈；

NVQLink负责量子-GPU互连。

英伟达在量子时代的每一个关键接口处，都插了一根钉子。

社区账号Chubby的那句话，或许是最通俗的概括："英伟达把量子纠错问题变成了AI问题，然后把整套东西开源了。

每家量子硬件公司，现在都可以接入英伟达的GPU栈来实时修正自己的量子比特。

量子计算如果真的腾飞，英伟达在中间收过路费。"

整套布局遵循的是产业逻辑

▲ 4月首发时的社区解读：把量子纠错问题变成AI问题，开源，然后坐等收"过路费"

引用转发者@odin_free的那句话，或许是对这一切最好的注脚：

"量子正在全栈加速。硬件改进，纠错开销下降，Ising把更多校准工作移入软件。每一个瓶颈的消失，都会加速下一个瓶颈的突破。加速是复利式的。"

量子计算机的值班工程师，不会在一夜之间消失。

但那道"人力上限"的墙，英伟达已经凿开了第一个豁口。

而凿墙的工具，是一个在单块GPU上就能跑的31B开源模型。