全部 · 2026-04-08

dotey 用 2 种入口包装了一套手绘风信息图配方。标题已经给出 prompt 模板，正文也把纸张纹理、4 种分区色、1 个强调色、波浪箭头、底部金句写得很细。问题也刚好在这：它定义得更多是视觉表皮，不是生成系统。模型是哪一个，文生图还是排版引擎，分辨率多少，中文排版错字率多少，长文本会不会糊，正文都没披露。 我对这类模板一直有点保留。因为 2025 年到 2026 年这波“AI 出图可控性提升”，很多人误把风格词当能力本身。你把 warm cream paper、pastel blocks、hand-drawn wobble 写得再完整，也只是在给模型一个强约束的 art direction。它不自动解决两个硬问题：第一，信息压缩。单页信息图能塞多少字、多少层级、多少关系线，这个取决于输入内容和布局器，不取决于珊瑚红。第二，文字可用性。过去一年里，不少团队用 GPT-Image、Ideogram、Recraft、Napkin 这类工具做图解，最后卡住的通常不是“画得不像手绘”，而是中文标题歪、术语被改写、图标语义飘。我没看到这条回答这些问题。 还有个现实点的问题：它把“像高质量 slides 一样”写进模板，这个方向没错，但 slides 和信息图不是一回事。前者允许文字补救，后者要求图形先讲明白。很多 prompt 模板最后会产出一张好看的封面，不是一张可读的解释图。我自己没跑过 baoyu-article-illustrator，也没查到它底层接的是哪家模型，所以不能下结论说效果差。但如果作者真想把这套东西当可复用工作流，至少该补 3 组信息：同一内容在不同模型上的对比、失败案例、可编辑输出格式。没有 SVG、分层源文件、或结构化节点，团队协作里它就只是一次性海报生成器。 我还想到一个对比。去年不少人追捧 Excalidraw 风 prompt，也是靠抖动线条、留白、箭头、便签色块营造“解释感”。热度过去后大家发现，稳定复现不是核心，核心是能不能把内容结构保留下来，方便二次改稿。dotey 这条更像把 Excalidraw 风审美迁到信息图。能用，出片也快，但离产品级设计管线还有一截。

Google Research 这次只放出 2 个代理的方向，信息密度低得很：标题给了 figure 改进和 peer review 两个场景，正文没给代理名称、模型规格、评测集、接入方式、发布时间。这种发布我先按“研究展示”看，不按“产品上线”看。学术工作流是个很容易讲大的词，落到实处却卡在三个硬问题：一是数据权限，二是责任边界，三是评测口径。 先说图表。学术图表改进不是把 matplotlib 代码润色一下就完了。真难点在数据-图形语义一致性：坐标轴有没有误导、误差线有没有被删、颜色映射会不会改变结论、图注是否忠实反映统计检验。标题没说它是改图代码、改图像成品，还是直接读论文草稿后给修改建议。这三种路径差别很大。前两年不少论文写作工具都碰过 figure assistant 这个方向，但大多停在排版和审美层，原因很简单：一旦代理碰原始数据和统计解释，责任就上来了。Google 如果只是把 Gemini 接到 Slides/Docs 上给出视觉建议，那是轻功能；如果它宣称能改进 scientific figures，那就得拿出误导率下降多少、人工接受率多少、跨学科泛化如何。标题没给，正文也没给。 peer review 这块我更谨慎。同行评审不是“帮你挑语病”，而是要判断 novelty、method validity、baseline 是否公平、引用是否遗漏、伦理风险是否被掩盖。这些环节里，最容易自动化的是格式检查和引用补全，最难自动化的是学术判断。过去一年，OpenAI、Anthropic、Google 自家模型在长上下文审稿、代码解释、文献综述上都进步很快，这我认。但把“能生成像样 review”说成“能改进 peer review”，中间差了一整套机制：盲审数据怎么进模型、泄密风险怎么控、审稿意见偏见怎么测、谁对错误拒稿负责。尤其在 ICLR、NeurIPS 这类会议，review 质量问题从来不是只有文本质量，还是激励设计问题。代理能写出 800 字意见，不等于它能减少低质量审稿。 我一直觉得，学术场景是 AI agent 最容易被高估的一块。不是因为模型不够强，而是因为 institutional friction 太硬。Elsevier、Springer Nature、Wiley、各大学 IRB、各会议的双盲规则，哪一个都不是“做个 agent”就能绕过去。去年到今年，大家已经见过不少“科研 copilot”叙事：文献检索、实验设计、自动写作、自动审稿，demo 都好看，真到机构采购时就开始问日志留存、引用可追溯、模型更新是否影响审稿一致性。这些才是成交条件。Google 以前在 NotebookLM、Vertex AI、Workspace 上都展示过很强的研究到产品转化能力，但也有不少功能停在 preview 很久。我还没看到这条能证明它跨过了那道坎。 我对这条还有一个 pushback：Google Research 亲自发，不等于 Google Scholar、Docs、Meet、Workspace 会立刻接。Google 内部从 research demo 到广泛可用，中间经常隔着合规、产品归属和商业优先级。标题没披露发布渠道，这件事就不能默认它会触达真实审稿流程。要是最后只是一个 research prototype，行业意义会小很多；要是它直接嵌进 Google Scholar 投稿、审阅或 Docs 协作链路，那就完全是另一回事。 所以我现在的判断很简单：2 个代理这个数字没有信息量，接入位置才有信息量。没有 access、没有 eval、没有 human-in-the-loop 设计，这条更像 Google 在占叙事位，而不是交付一个已经能改写学术生产流程的系统。我自己最想看到的不是宣传视频，而是三组硬数据：一，图表建议被作者采纳的比例；二，AI review 与资深 reviewer 一致率，按学科拆分；三，误判代价怎么处理。标题已给出方向，正文没披露这些关键事实，所以现在没法给更高分。

OpenAI 发布了一份面向美国政策的儿童安全蓝图，主轴是 3 项：更新 AI 生成或篡改 CSAM 的法律，改进服务商报告与协作，在模型里内建 safety-by-design。文中点名了 NCMEC、Thorn，以及 Attorney General Alliance 的 AI Task Force 联席主席 Jeff Jackson 和 Derek Brown。就这篇文章本身看，它更像政策立场稿，不是产品或系统卡。 我先记下一个边界：标题和正文都把范围写得很清楚，核心问题是“AI-enabled Child Sexual Exploitation”。这不是泛泛而谈的未成年人保护，而是直指 CSE/CSAM。OpenAI 也明确把路径分成法律、运营、技术三层，至少口径上没有把责任全推给单一检测模型，文中还写了 refusal、人工监督、持续适配这类 layered defenses。 问题也很直接：这篇正文没有给出可核对的执行细节。没有披露哪些模型或产品已上线哪些拦截机制，没有误报漏报数据，没有报告量、转交执法的 SLA，也没有说明“safety-by-design”对应哪些具体 API 或训练、推理环节。文中提到可“Read the document”，但这篇文章本身没有展开这些承诺。 我看下来，这条消息的价值在于 OpenAI 把儿童安全从一般安全叙事，拉到了更明确的合规和立法议程里，而且明确写了“strengthening U.S. child protection frameworks”。如果你做模型平台、内容审核或 trust & safety，这里最该问的是：报告标准怎么统一，生成与编辑型工具怎么分责，供应商要交哪些审计记录。文章提出了方向，落地规则正文未披露。