全部 · 2026-05-11

OpenRouter 这个 Pareto Code 排名有点意思，它不跑传统基准测试，而是直接看开发者在实际调用中怎么选模型，找出那条“花最少钱办最多事”的帕累托前沿线。目前 DeepSeek V4 Pro 排第一，GPT 5.4 Mini 和 Gemini 3.1 Pro 紧随其后，说明在真实市场需求里，这三家在性价比上咬得很紧。 但这条新闻的信息缺口也很明显：正文完全没披露具体怎么算分、样本量多大、数据窗口多长。没有这些，这个排名更像一个产品功能展示，而不是可复现的评测。如果样本集中在某类任务或某段时间，排名可能波动很大。另外，“市场需求”本身也会被价格战和供应稳定性影响，不一定完全反映模型能力。 想认真参考这个排名的人，最好等 OpenRouter 把方法论和原始数据放出来，或者自己拉一段时间内的调用日志交叉验证一下。

Ring-2.6-1T 最实在的卖点是可调“思考强度”，相当于给模型装了个脑力旋钮：简单任务少转几圈省 token 和延迟，复杂任务多转几圈求质量。这对跑高频工作流的智能体场景确实有用，不用每次都烧满算力。模型还专门做了多步执行和工具调用优化，说明 AntLingAGI 想让它直接进业务流程干活，而不是只聊天。 但这条消息的信息缺口很大。万亿参数听着唬人，正文却没披露任何基准测试分数、对比对象或实际任务表现。免费开放到 5 月 15 日更像是一次公测引流，不是正式发布。模型到底在数学逻辑和科研任务上强在哪，跟同体量的竞品比是更快还是更准，全都没说。 我会先打个折：参数规模大不等于好用，思考强度可调也不等于调了就有用。等有人跑出实测数据，再看这个旋钮是不是真能拧出性价比。

这篇文章的核心判断很直接：面对 AI 的巨大不确定性，政府应该先花钱买“选项”，而不是急着写死规则。作者列了七类具体工具，包括强制公司上报信息、引入第三方审计、保护吹哨人，以及用“如果-那么”式的条件规则来保持灵活。我会先打个折，因为正文没披露这些措施的具体成本估算，也没给出判断“何时启动严格监管”的触发条件。另外，文章承认灵活规则可能削弱民主程序的合法性，比如跳过公示期，但没展开讨论这个代价到底有多大。整体看，思路对从业者有参考价值，但离可落地的政策方案还差关键细节。

腾讯混元放出了Hy3预览版，官方定位是“混元系列最强”，但这次不拼榜单分数，而是强调在真实智能体任务里能把事办成。模型用了256K上下文窗口，一次能塞进很长的材料，架构是混合专家加快慢思考——碰到复杂问题会自动切深度推理模式，简单问题就走快通道。底层把预训练和强化学习管线重做了一遍，目标是在大规模部署时把成本压下来。 不过目前公开信息很有限。正文只给了定性描述，没披露任何具体评测数据、延迟指标或成本对比。256K窗口实际召回率怎么样、快慢切换的触发逻辑是什么、MoE的专家数量和激活参数都没说。这些恰恰是判断“真实场景有效性”的关键。 我会先打个折：方向对，但缺数据验证。等他们放出技术报告或第三方实测再判断不迟。

这条更新主要讲 ExLlamaV3 最近几个版本的性能提升。v0.0.31 引入 DFlash 后，编程任务的 token 生成速度从每秒 59.21 涨到 177.67，差不多是原来的三倍。v0.0.32 针对五款模型做了专项优化，其中 Trinity-Nano 在 6000 Pro² 显卡上速度提升了 72.4%。最新的 v0.0.33 开始支持 DFlash 的模型量化，还修了一些 bug。 不过得先打个折：原文链接返回了 403，Reddit 把抓取请求给拦了，我们只能看到摘要，看不到完整的测试条件、硬件配置和具体任务设置。速度翻三倍听起来很猛，但不知道是在什么精度、什么 batch size 下跑的，也没说 DFlash 对输出质量有没有影响。 对本地跑模型的开发者来说，如果这些数字属实，ExLlamaV3 在编程和 agent 场景下的推理效率确实有明显进步。但缺少可复现的细节，建议等作者 turboderp 放出完整 benchmark 或有人实测后再跟。

OpenAI 把部署业务拆成独立公司 DeployCo，核心卖点是派“前线部署工程师”直接驻场，跟业务团队一起改流程、搭系统。这比卖 API 重得多，说明他们意识到企业要的不是更强模型，而是有人能把它塞进真实工作流里。DeployCo 起步就通过收购 Tomoro 拿到约 150 名有经验的工程师，首轮融资超过 40 亿美元，TPG 领投，贝恩、麦肯锡等咨询公司也参投了。OpenAI 保持控股，承诺客户能无缝对接研究和产品团队。 但公告里没写清楚几件事：驻场怎么收费、一个项目通常要多久、哪些行业已经跑通了。也没给具体客户名字，只说“超过一百万家企业用过 OpenAI 产品”。这点先别太激动，用过 API 和愿意花钱请人驻场改造核心业务是两码事。另外，咨询公司和系统集成商既是投资人又是合作方，利益关系比较复杂，实际交付时会不会优先推自家服务也需要观察。

这条消息最值得看的是 METR 的 Time Horizons 测试终于有了一个能跑长任务的模型。Claude Mythos 预览版在人类需要 16 小时才能完成的任务上，成功率达到了 50%，说明它在长时间、多步骤的自主干活能力上确实有进步。但整个测试集一共 228 个任务，超过 16 小时的只有 5 个，这个 50% 就是 5 道题里做对了两三道，统计上很不稳。METR 自己也说样本不够，测不出它在更长时间尺度上的真实水平。 另外，正文因为微信环境验证问题没拿到完整内容，不知道 Anthropic 有没有披露这个预览版的具体规模、成本，也不知道它在更常见的短任务上表现如何。光靠这 5 个长任务就说“超指数狂飙”或者“2027 奇点加速”，属于把一个小样本结果当成了趋势。我会先打个折，等 METR 放出更多长任务数据再说。

这条新闻的核心信息来自标题和摘要，正文被微信的验证页面挡住了，实际内容没拿到。从现有信息看，Claw-Eval-Live 这个基准测试想解决一个老问题：静态评测分数高，一上线就拉胯。它用 105 个任务测了 13 个模型，最强选手通过率也没超过 70%，HR 类任务更是惨到平均 6.8%——相当于让 AI 处理人事流程，十次里有九次搞不定。 这个数字挺直观，但缺的东西也多。正文没披露这 105 个任务具体是什么、怎么定义“通过”、模型跑的是单轮还是多轮交互。HR 任务通过率低，可能是因为涉及多步操作和权限判断，也可能只是任务设计得特别刁钻。另外，“活的”基准具体怎么更新、更新频率、会不会引入人为偏差，这些关键设计都没展开。 我会先打个折：6.8% 这个数字抓眼球，但得看任务是不是故意选了模型的软肋。如果后续能放出任务样例和评测细节，才值得认真对待。

这篇 ICML 2026 论文给扩散语言模型（dLLM）找了一条更省钱的推理时扩展路线。核心思路是把搜索过程拆成三层：先并行生成多条推理路径，再对每条路径里不靠谱的步骤做局部“回退重写”，最后让模型自己当裁判打分筛选。在数学题集 GSM8K 上，LLaDA-8B-Instruct 的准确率从 67.58% 提到了 85.30%，提升幅度不小。 最直接的好处是省算力。传统方法每多一条候选路径，成本就线性往上翻，PRISM 把复杂度从 O(NT) 压到了 O(N+KT)，K 是最终保留的候选宽度。这意味着候选路径可以多开几条，但实际重写的步骤只集中在少数关键位置，不用全量重跑。 不过正文没披露验证环境的具体细节，也没说这套方法在更大模型或非数学任务上表现如何。GSM8K 本身是个老基准，8B 模型跑出 85% 不算天花板，换到更难的数据集上能稳住多少还不清楚。另外，模型自评打分的可靠性也是个潜在坑——如果裁判自己就偏，筛选出来的路径未必是最优的。这点先别太激动，等看到更多任务和模型规模的消融实验再说。

这条消息的核心是 SpaceX 在商标层面把“AI”正式写进了自己的业务版图，覆盖卫星数据中心、轨道计算、AI 软件服务、云存储甚至社交网络。文章提到 xAI 已经通过全股交易成了 SpaceX 的子公司，还引用了一个 2500 亿美元的 xAI 估值。但问题在于，原文因为环境异常被屏蔽了，具体交易条款、商标申请进度、业务整合方式这些关键信息都没披露。那个 2500 亿的估值数字也缺乏上下文，不知道是交易对价还是外部猜测，先别太当真。从商标覆盖范围看，马斯克是想把 xAI 的模型能力跟 SpaceX 的轨道基础设施绑在一起，比如在卫星上跑推理、用太空数据中心提供 AI 云服务。这个方向本身有想象力，但现阶段只有商标申请这一个确定事实，离实际产品还很远。还缺的信息包括：商标申请的具体类别和状态、xAI 并入 SpaceX 的股权结构、以及有没有实际的技术验证或客户案例。

这条消息目前只有一个标题，正文被 FT 的付费墙完全挡住，所以能说的很有限。标题里“unlimited access”这个词很重，如果属实，意味着 NHS 联邦数据平台上的患者数据可能对 Palantir 的咨询顾问敞开大门。但关键信息全是空白：访问范围到底多大，数据有没有做匿名化处理，访问权限有没有时间限制，事后有没有独立的审计机制，这些正文都没披露。 对 AI 从业者来说，这事儿的敏感点在于，Palantir 本身就是做数据整合和 AI 分析起家的，拿到原始患者数据后能做什么、模型会不会间接吃到这些数据，都是未知数。不过，在合同细节和监管文件出来之前，任何判断都得打个大折扣。建议等 NHS 或信息专员办公室的正式回应，再看这到底是一次隐私灾难，还是标题党。