全部 · 2026-05-09

这条新闻值得点开看，因为它解决的是Agent落地时最让人头疼的问题：模型脑子一热，系统就真去执行了。港中文CURE实验室开源的ArbiterOS，相当于在模型和操作系统之间塞了一个“安检员”，模型生成指令后，先由它拦截、解析、判断风险，通过了才放行。在OpenClaw的安全测试任务上，这套机制把高危步骤的拦截率从原来的6.17%提到了92.95%，提升非常明显。 不过，我会先打个折。正文没披露引入这层拦截后，系统响应增加了多少延迟。对于实时性要求高的Agent任务，哪怕多出几百毫秒，体验可能就崩了。另外，测试是在OpenClaw这个特定任务集上跑的，换到更开放、更复杂的真实业务场景里，拦截率能不能稳住，还不好说。 还缺两样关键信息：一是这套内核自身的资源开销有多大，二是它对模型正常、无害操作的误拦率是多少。如果动不动就把合理请求也挡了，那“安全”就变成了“难用”。

谷歌DeepMind这次发布的AI Co-Mathematician，不是单个模型，而是一套让多个AI智能体异步协作的工作区，专门啃数学难题。在FrontierMath基准测试的Tier 4级别（最难的一档）里，它解开了48道私密题中的23道，正确率48%，比GPT-5.5 Pro的39.6%高出一截。测试条件给得挺宽松：48小时不限token，相当于让AI慢慢想。牛津大学教授Marc Lackenby还用它证明了一个悬而未决的群论猜想，这是实打实的数学贡献。 不过得打个折。FrontierMath的Tier 4题目是私密的，外界没法验证，正确率全靠谷歌自报。48小时不限token的设定也离实际使用场景比较远，成本和时间开销都没披露。系统架构、智能体之间怎么分工协作这些关键细节，正文也没展开。 这条新闻值得关注的点在于，它展示了多智能体协作在专业推理上的潜力，而且产出了可验证的数学成果。但缺的东西也很明显：公开可复现的测试集、资源消耗数据、以及更透明的系统设计。在这些补上之前，先当它是一个有亮点的实验室demo看。

MBZUAI 和 UCL 的研究人员没看 Anthropic 的官方说法，直接拆了 Claude Code v2.1.88 的源码，从代码里反推设计思路。他们总结出 5 条设计哲学和 13 条设计原则，核心判断是：Claude Code 没想做一个什么都能干的万能 agent，而是主动砍掉能力边界，把模型塞进一个行为可控、权限分层的工程框架里。比如它的权限控制分了 7 层，上下文压缩有 5 层策略，这些都不是为了炫技，而是为了让 agent 在生产环境里少出错、可回滚。 这个结论本身不意外，但用源码验证比看白皮书实在。不过正文没披露具体是哪 5 条哲学和 13 条原则，也没说这些设计在真实任务里的失败率或延迟数据。另外，研究只针对 v2.1.88 这一个版本，Anthropic 后续可能已经改了架构。所以这条的价值在于方法论——用逆向工程看 agent 设计，而不是又多了一个“最佳实践”清单。

这条更新最值得看的是两件事：一是空间3D显示，说是行业首创，眼镜里画面有立体感，但正文被微信验证页拦住了，没看到技术方案和实际体验描述，不知道是光波导还是别的路线，也不知道功耗和发热怎么样。二是主动提醒加叫车，眼镜会自己跳提示还能帮你操作，这等于让模型进了一个具体业务流程。但同样缺细节——是语音确认还是自动下单？误触发率多少？这些都没披露。 销量数据来自 Wellsenn XR，说 3 月 8 号起千问眼镜拿了国内线上 53% 的份额。这个数字看着猛，但没给绝对销量，也没说对比的是哪些品牌，参考价值有限。另外预告这个月要上即时购物和拍照搜题，功能堆得挺快，但每项的实际完成度要等上线再看。整体来说，方向有意思，信息缺口太大，暂时只能当产品预告看。

这条消息目前只剩标题和摘要里的几个数字：DeepSeek 这轮融资约 500 亿人民币（73 亿美元），估值冲到 3500 亿（515 亿美元）。梁文锋个人要掏四成，腾讯和一个 600 亿规模的国家 AI 基金也在谈。如果数字属实，这轮规模确实大，说明资本在押注 DeepSeek 能跑通从模型到产品的闭环，而不只是做个开源底座。 但正文因为微信环境异常被挡，我们没看到任何具体条款、资金用途或交割时间。估值怎么算出来的、有没有对赌、钱主要烧在算力还是人，这些关键信息全是空白。另外，梁文锋个人出资 40% 这个比例很高，是信心还是融资结构需要，正文没解释。 目前只能当一条有方向的传闻看。等正式披露或至少拿到完整报道，才能判断这 3500 亿估值是实打实，还是带着水分的阶段性喊价。

翁家翌提出的“启发式学习”思路挺直接：不让模型死磕梯度去调神经网络参数，而是让它像人类程序员一样，通过修改代码、补测试用例、看回放记录来迭代进步。在Atari 57个游戏里，codex gpt-5.4生成了342条搜索轨迹，打砖块拿了满分864分，这个数字说明在特定游戏环境里这套方法能跑通。 但问题在于，微信原文因为环境异常被屏蔽了，正文内容完全看不到。我们只能从摘要里拼凑信息：实验规模多大、用了多少算力、在其他游戏上表现如何、方法有没有泛化到非游戏任务，这些关键点正文都没披露。而且Atari是相对封闭的虚拟环境，换到真实业务场景里，代码修改的可靠性、测试用例的覆盖度都是未知数。 另外，文章提到John Schulman也参与了，但没说明具体贡献。整体来看，这是个有意思的方向，但信息缺口太大，等完整论文出来再下判断更稳妥。

StarVLA 做的事很直接：把视觉-语言-动作模型（VLA，就是让机器人看懂、听懂并执行动作的模型）里常用的主干网络、动作输出头、训练策略和评测接口都做成可插拔的积木块。以前不同论文各写一套代码，复现和对比很痛苦，现在一个框架就能跑通 LIBERO、SimplerEnv 等五个主流基准。仓库已经拿到 2.2k 星，说明社区确实有这个需求。 不过正文没披露训练成本和具体性能对比数据，这点先别太激动。框架好不好用，关键看模块切换时会不会有隐性的适配坑，以及文档和示例够不够全。另外，支持的基准虽然多，但都是模拟环境，真机部署的验证还缺一块。如果后续能补上真机实验和不同硬件平台的兼容性报告，这个框架对机器人社区的价值会更扎实。

METR 在 3 月短暂窗口里测了 Claude Mythos 的早期预览版，结论是模型有 50% 概率独立完成的任务，时间跨度至少 16 小时，95% 置信区间在 8.5 到 55 小时之间。这个数字本身不算离谱，但关键信息是：这已经碰到 METR 现有测试套件的上限了。也就是说，不是模型只能干 16 小时的活，而是他们的题目最长就设计到这儿，再往上没法测。 正文没披露具体测了什么任务、任务难度怎么定义、以及模型是在什么条件下跑的。16 小时这个数，如果任务本身是重复性操作或者低难度堆积，意义就打折；如果是需要持续推理和决策的复杂流程，那才值得关注。另外，这只是早期预览版，正式版的能力可能更强，也可能因为安全对齐被砍掉一些。 现在还缺两样东西：一是 METR 需要设计更长周期的任务来突破天花板，二是需要知道模型在接近 16 小时边界时，失败模式是什么——是中间崩了、忘了目标，还是产出质量断崖式下跌。这些比一个孤零零的时间数字更有参考价值。

这条新闻把两件反差很大的事放在一起：Anthropic 在二级市场的估值已经到 1 万亿到 1.2 万亿美元，超过 OpenAI，排进全球前 15。支撑这个数字的是实打实的收入——刚过去的 Q1 年化收入增速 80 倍，一个月内年化收入又跳涨 150 亿美元。另一边，Block 裁了 40% 的人，Coinbase 裁 14%，Cloudflare 裁 20%，都说是为了准备 AI。文章自己也承认，很难分清这是真为了 AI 转型，还是借 AI 的名头做常规裁员。 我会先打个折：这些收入数字来自二级市场参与者和社交媒体爆料，不是经审计的财报，增速的基数可能很小，80 倍听起来吓人但绝对值未必大。另外文章提到 AI 的增长大头在硬件和能源，不是软件，这点值得留意——Anthropic 的收入能不能持续这么涨，还缺更多公开数据来验证。

这轮融资有两个数字值得看：70亿美元总额是中国AI公司单轮最高，但创始人梁文锋个人出了30亿，占40%，融完还握有90%股份。这意味着外部机构实际拿到的股权很少，更像创始人用个人资金撑大估值，同时保持绝对控制。钱主要投向算力、V4.1模型和企业产品，目标是开始赚钱，路线跟OpenAI、Anthropic类似。正文没披露具体投资方是谁，也没说70亿是已到账还是目标上限。估值500亿靠什么支撑——是模型性能、用户量还是收入预期——也没交代。这点先别太激动，等看到实际到账金额和商业客户数据再说。