全部 · 2026-05-16

这位老哥干了件实在事：把 Strix Halo、RTX 3090 和 RTX 5070 拉到一起，用五种推理后端跑了 55 组测试，模型从 0.35B 小不点到 35B-A3B 混合专家都有。结论很清晰——能塞进 12GB 显存的模型，5070 比 3090 快，新卡架构在中小模型上有优势。但一到 14B 到 31B 这个区间，模型超过 12GB 又刚好能装进 24GB，3090 的大显存就翻身了。Strix Halo 的表现要看后端，某些组合下能跟独显掰手腕，但兼容性还不是开箱即用。 不过这篇帖子正文被 Reddit 的安全策略挡了，具体数字、延迟分布、功耗对比都没拿到。55 组测试的原始数据表和所用后端版本也没披露，没法验证他说的“快”是快多少、在什么 batch size 下测的。另外 Strix Halo 的内存带宽上限摆在那，跑大模型时会不会撞墙，这点先别太激动。如果你手里已经有 3090，单纯为了跑 14B 以上模型换 5070 可能不划算。

这条更新把界面设计和代码生成塞进了同一个窗口。MagicPath 的 CEO 演示了在 Codex 里贴一条命令就能装好，然后像搭积木一样拖拽 UI 组件，Codex 会实时感知项目结构并自动生成、修改代码。以前设计师在 Figma 画完，开发再手动导出导入，现在这步省了。 但正文没披露复杂交互逻辑和状态管理能覆盖到什么程度。演示里只展示了常规 UI 搭建，如果遇到表单校验、多步骤流程、数据绑定这些，这套拖拽加自动生成能不能扛住还不清楚。另外也没提生成代码的质量和可维护性，会不会为了快速出界面而牺牲代码结构。 如果是真的能稳定跑通常规页面，对快速原型和简单工具类产品挺省钱。但生产环境能不能用，还得看后续有没有更复杂的案例放出来。

这篇论文挖出了一个挺具体的 bug：模型调用工具时，认知和行动会脱节。不是模型没看懂该不该调，而是看懂之后，在最后几层处理时把信号方向转偏了，偏到几乎和要执行的动作正交，结果就是不动手。不匹配率在 26% 到 54% 之间，这个范围说明不同场景下严重程度不一样，但整体都不低。 研究用的是探测隐藏状态的方法，定位到问题完全卡在“认知到行动”的过渡阶段。这比泛泛说“提示没写好”或“训练不够”要精确得多，直接指向了模型后期层的几何结构。对做 agent 的人来说，这意味着单纯改 prompt 或加训练数据可能治标不治本，性能上限被这个内部信号旋转卡住了。 不过正文没披露实验用的是哪些具体模型和工具调用场景，也没说这个比例是在什么任务上测出来的。如果是在简单任务上就有 26% 的失败率，那放到复杂业务流程里只会更糟。另外，研究说想预测干预效果，但没给出实际干预后的改善数字，这点先别太激动。

这条信息来自 Menlo Ventures 合伙人 Deedy Das 在社交媒体上的个人估算，不是正式研究报告，所以数字本身要先打个折。他说用“信封背面算出来的”方法推算出 OpenAI、Anthropic、英伟达这类公司里大概有 1 万人已经靠股权攒下超过 2000 万美元的退休级财富。这个数字说明什么？说明这轮 AI 热潮的财富分配极度集中，头部公司的早期员工和创始人拿走了绝大部分红利。 与此同时，Das 观察到其他软件工程师正面临两重压力：一是裁员在全面进行，二是年薪天花板卡在 50 万美元以下，而且很多人焦虑自己练了一辈子的编程手艺在市场上越来越不值钱。这种“有人暴富、有人失业”的撕裂感，他说在旧金山已经到了最严重的程度。 不过正文没披露这个 1 万人的估算具体用了什么假设，也没说股权流动性如何——纸面财富和能兑现的钱是两回事。另外，文章只呈现了 Das 一方的观察，没有引用被裁工程师或普通从业者的直接说法，情绪判断多于数据支撑。

Dwarkesh Patel 这篇博客的核心判断很直接：我们总把 AI 的“智力”和它能掌握的“权力”当成一回事，这其实是个误解。他上来就用斯大林举例——如果按“在多种领域达成目标的能力”来定义智力，那斯大林可能是史上最聪明的人，但这显然不是我们讨论超级 AI 时脑子里想的那个东西。文章指出，现实世界的权力更多来自权威、信任和让大规模人群协作的能力，而不是某种孤立的、算无遗策的战略推理。特朗普的权力不是因为他那颗大脑是地球上最强的优化引擎，而是因为数亿人认可的政府给了他巨大的授权。 这个区分对 AI 从业者来说很实用。现在模型变强的主要路径，是被训练去干好编程这类有明确经济价值的活儿，这和获取现实权力之间的相关性并不强。文章引用了 Garett Jones 的研究：个人智商和收入只是弱相关，但国家平均智商和国家产出强相关，因为智力有外溢效应——更聪明的社会协作更好、储蓄更多。发明高压蒸汽机的特里维西克穷困而死，但英国有一大批这样的人，才撑起了全球帝国。 文章没给出量化证据来证明“AI 走经济赛道就不会自动获得权力”，更多是概念辨析和思想实验。它也没讨论如果 AI 同时掌握经济效率和策略博弈能力会怎样，这个缺口让结论更像一个提醒而非定论。

这篇笔记把预训练翻车的坑讲得很实在。核心就两类：一是破坏因果性，比如 MoE 里用专家选择分配 token，会让 token n 的去向依赖后面 token n+k 的路由结果，训练时偷看了推理时拿不到的信息，传 Llama 4 表现不佳可能跟这有关；token 丢弃也有类似问题，后面 token 匹配度更高会导致前面 token 被忽略，Gemini 2 Pro 据说踩过这个坑。二是引入偏差，偏差不像方差能平均掉，会越滚越大。GPT-4 早期训练就栽在 FP16 集体通信上——FP16 在 1024 以上精度间隔变大，反复加 1 会被反复舍入回原值，累加结果能差 10 倍，这种 bug 极难排查。 文章还抛出一个有意思的问题：训练翻车的原因是不是就那么几种，修完就一劳永逸？聊的人觉得不是，规模每上一个台阶都会有新坑冒出来，光数值精度这一块就能花式翻车。另外他对 AI 自动写 CUDA kernel 短期不乐观，认为这更接近 AGI 完全体问题。 缺的东西也明显：全是经验之谈和传闻，没有实验数据或复现验证，Llama 4 和 Gemini 2 Pro 的案例都标注是 rumor 和 apparently。当成工程避坑清单看有用，但别当正式结论引用。

Dwarkesh 这篇的核心判断很直接：别指望靠强化学习加可验证奖励（RLVR）就能让 AI 在科学上大杀四方。他拿科学史举例，理论的验证闭环长得离谱，哥白尼 1543 年提出日心说，要等到 1838 年恒星视差被观测到才算在观测上彻底驳倒对手，中间隔了近 300 年。而且当时哥白尼的模型预测精度还不如托勒密打磨了上千年的地心体系，甚至更复杂，因为哥白尼坚持正圆轨道，不得不塞进更多本轮。 文章还提到水星进动的例子，牛顿力学解释不了水星轨道每世纪多转出的 43 角秒，当时的天文学家推测有颗叫“祝融星”的未知行星，结果要等到 1915 年爱因斯坦的广义相对论才给出答案。这说明科学进步里掺杂了大量我们还没法清晰描述的判断和启发式方法，很难塞进一个即时打分的 RL 循环里。 文章没给出任何量化实验或 AI 模型测试数据，纯粹是历史案例的类比论证。它缺的是：如果非要用 RLVR 做科学，具体会在哪个环节卡死？是奖励函数没法定义，还是探索空间太大？这些都没展开。

Dwarkesh 这篇文章没给实验数据，纯靠科学史推演，但推得挺狠。RLVR 靠可验证奖励信号驱动，代码有测试用例，数学有证明器，科学理论却没有这种即时反馈。哥白尼 1543 年的日心说刚出来时，预测精度还不如托勒密打磨了上千年的地心说，开普勒定律到 1619 年才补上，牛顿统一到 1686 年，恒星视差更是 1838 年才测到。这不是任何一个现有 RLVR 训练循环能消化的延迟。 我会先打个折：文章讨论的是科学理论发现这个极端场景，跟 RLVR 在代码、数学推理上的表现是两码事。但它的提醒是成立的——RLVR 拿的是短期反馈的工资，科学经常在一个世纪后才结账，中间还得忍受一堆错误预测。海王星 1846 年被算出来是成功案例，水星多余的 43 角秒却让人追着祝融星跑了几十年，直到 1915 年爱因斯坦才收尾。正文没披露任何实验对比或基准数字，所以这更像一篇思想实验，别当结论用。

这条分享的价值不在技术新，而在成本信号。Eric Jang 花几个月从零复现 AlphaGo，结论很直接：前沿研究依然烧钱，但把一项确定能力落地，价格已经跌到个人或小团队能承受的范围。他给出的数字是 2026 年租算力几千美元就能训出能打的围棋 AI，对比 2016 年 DeepMind 动辄百万美元级的投入，降幅超过两个数量级。 不过要打个折。正文没披露他用的具体硬件配置、训练时长和最终棋力对标的是哪个版本，也没说几千美元是只算训练还是含调试迭代。这些缺口让“几千美元”更像一个量级示意，不能直接当预算表用。另外，他自称围棋和 AlphaGo 学徒，代码和教程已公开，想验证的人可以自己跑一遍。 对从业者的实际意义是：别再默认复现经典系统需要大厂资源。如果连 AlphaGo 这种曾被视为算力怪兽的项目都能压到这个成本，很多“太贵所以不做”的内部论证该重新算了。

这个月开源模型扎堆发版，但最值得聊的不是模型本身，而是 CAISI 对 DeepSeek V4 的评估方式。CAISI 用 9 个基准算出 Elo 分，结论是开源跟美国闭源前沿差距在拉大。但仔细看，V4 的 Elo 被三个基准拖了后腿：CTF-Archive-Diamond 安全挑战、CAISI 自己的私密基准 PortBench，以及 ARC-AGI-2。其中 CTF 只跑了部分题目然后用统计方法外推，ARC-AGI-2 的评分方式也跟公开榜单不一样。这几个基准的权重把整体分差放大了。 作为对比，Epoch AI 的 ECI 指数同样用统计方法跨基准比较，显示差距大概在 3 到 7 个月，没有 CAISI 画的那么夸张。文章作者也承认两边都不完整——这些评估都用的是标准化、简化的测试环境，比如编程题只给一个 for 循环和固定 token 预算，而不是模型实际训练时用的 Claude Code 或 OpenCode 这类工具链。这就好比用自动挡考试的成绩去判断一个赛车手的水平。 正文没披露 V4 在各项基准上的原始得分，也没说 PortBench 具体测什么。要判断差距到底多大，还得看用模型原生工具链跑出来的结果。

AntLingAGI 把 Ring-2.6-1T 开源了，这是个万亿参数的大模型，专门冲着让模型进业务流程干活去的：规划步骤、调用工具、维持长上下文、跑完复杂任务。5 月底前在 OpenRouter 上调用打二五折，想试的话成本很低。 但正文对训练方法 Async RL 和 IcePop 一笔带过，没展开说具体怎么做的、跟现有方法比好在哪。万亿参数跑 agent 工作流，推理延迟和资源消耗会是个实际问题，正文也没给任何性能数据或对比基准。 我会先打个折：开源和折扣是实打实的，但模型到底能不能稳定跑通复杂任务、工具调用准确率多少、长上下文下会不会崩，这些关键信息全缺。等有人跑出实测结果再说。

SANA-WM 最直接的价值是把长视频生成的门槛打下来了。26亿参数不算大，训练只用了64张H100跑15天，推理时一张H100就能出1分钟720p视频，甚至有个量化版能在RTX 5090上34秒跑完。对比论文里提到的工业级方案，它的吞吐量高出36倍，这对想自己部署试玩的团队来说很友好。 技术上它主要解决了长视频的显存和连贯性问题。核心是用混合线性注意力机制，把逐帧的Gated DeltaNet和周期性的softmax注意力拼在一起，避免了全softmax注意力在60秒视频上直接爆显存。镜头控制走的是双分支路线，一个粗粒度全局位姿分支加一个细粒度像素对齐几何分支，论文说能做到精确的六自由度轨迹跟随。另外还有个170亿参数的第二阶段精修模型专门优化纹理和运动细节。 不过要冷静看两点。一是目前放出来的demo主要是固定机位让场景自己动，真正按复杂镜头轨迹走的长视频效果还没公开可验证。二是训练数据只用了约21.3万个公开视频片段，虽然他们自己标了度量级位姿，但这个数据量对世界模型的泛化能力能撑到什么程度，正文没给出系统性的评测。

这条新闻的价值在于特斯拉自己承认了事故，而且明确指向远程接管这个环节。但 TechCrunch 的报道正文没放出来，我们只能看到标题和 Hacker News 上的 27 个点赞、17 条评论，讨论热度一般。关键信息全缺：事故发生在哪、有没有人受伤、车辆当时是自己先出错还是安全员主动介入、远程接管延迟多大。这些缺口让判断没法做实。 对从业者来说，远程接管本身就是自动驾驶的灰色地带——人不在车里，反应时间、网络延迟、环境感知都打折。如果事故是在系统已经搞不定、紧急丢给人的情况下发生的，那问题出在交接机制；如果是安全员自己操作失误，那说明远程操控的人因工程没做好。两种情况性质完全不同，但原文都没说。 我会先打个折：这条新闻目前只能当个信号看，说明特斯拉的远程接管流程出了事，但具体是系统问题还是人的问题，得等后续披露。如果后续有事故报告或监管文件出来，才值得认真分析。

Anthropic这份内部手册的结论很直接：像Claude Code这类AI工具，不是创业的万能药，反而可能让更多人更快地撞墙。核心问题在于，AI几分钟就能跑出一个能用的原型，创始人很容易把“能跑通”当成“市场需要”，再用AI搜一堆资料来强化自己的错误判断。手册把创业拆成想法、原型、发布、扩张四个阶段，逐个拆解AI怎么放大风险——比如原型不等于验证、用AI堆出来的代码会埋下“智能体技术债”、创始人自己变成所有决策的瓶颈。 最终结论是，AI把执行成本打到极低，判断力反而成了最稀缺的东西。手册认为真正的护城河，是把行业知识结构化沉淀成专属的“技能包”。不过这份材料是Anthropic的内部手册，正文没披露具体的数据支撑或案例研究，更像是一份经验总结和警示。它没给出量化指标，比如失败率具体会推高多少，也没讨论不同行业、不同团队规模下的差异。这点先别太激动，可以把它当成一份来自AI工具开发方的反向思考，而不是一份严谨的行业报告。

SANA-WM 把长视频生成拆成了两步：先用一个混合线性注意力的主干网络跑出长序列粗稿，再用一个 170 亿参数的精修模型去改善纹理、动作和后半段的画质。这种“粗稿+精修”的思路让它在 64 块 H100 上训练 15 天就能搞定，推理时一张 H100 就能生成一分钟 720p 视频，蒸馏版在 RTX 5090 上 34 秒就能跑完。成本控制得不错。 它用了约 21.3 万段公开视频来训练，靠自研的标注管线从这些视频里提取了精确的 6 自由度相机位姿。论文说它的动作跟随精度比之前的开源方案强，画质跟 LingBot-World 这类工业级模型有得一拼，但吞吐量是对方的 36 倍。这点先别太激动，正文没披露具体的基准测试细节和对比条件，36 倍这个数字得看是在什么设定下比的。 目前缺的关键信息是训练数据的具体来源、开源协议、推理时的显存占用细节，以及跟其他模型在统一标准下的盲评结果。另外，它主打“世界模型”，但演示案例都是固定视角的风景漫游，能不能在需要物理交互或动态物体逻辑的场景里保持一致性，正文没提，这点得等实测。

这篇综述的标题和合作阵容（NTU MARS Lab、UC Berkeley、微软等）看起来挺有分量，43 页的篇幅也说明不是随便水一篇。但问题在于，我实际点进去只看到微信的验证页面，正文完全被挡住了，所以下面所有判断都只能基于标题和已知信息，没法核实具体内容。 从已知信息推测，这篇综述的核心应该是把“机器人世界模型”这个方向做一次系统梳理。世界模型说白了就是让机器人脑子里有个物理模拟器，能提前想清楚“我动一下会发生什么”，而不是每次都靠真实试错去撞墙。这个方向最近很热，但一直卡在几个老问题上：动作一致性差、推理太慢、物理落地不靠谱。如果这篇综述能把这些坑讲清楚，对从业者来说挺实用。 但要注意，正文没披露具体用了哪些基准、对比了什么方法、有没有开源代码或模型。这些信息缺口让我没法判断这篇综述的深度和实用性。另外，微信验证页挡住正文这件事本身也说明，这条链接的访问稳定性有问题，想细看的人可能得自己去找原论文。

这条消息的冲击力在于速度对比：苹果用五年打造的MIE内存完整性保护，被三个人六天就攻破了。4月25日发现漏洞，5月1日写完利用程序，而且用的是纯数据攻击，不碰指针，只靠标准系统调用就从普通用户提权到root。这说明MIE在设计上可能存在盲区，攻击面不在它重点防护的指针区域。 不过现在能说的有限。完整技术报告要等苹果发补丁后才公开，正文没披露漏洞的具体原理、Mythos在过程中到底起了多大作用，也没说这个漏洞是否影响A19芯片的iOS设备。团队当面交了报告，苹果还没回应时间线。 对从业者来说，这条新闻的价值暂时是信号级的：AI辅助安全研究的效率在提升，六天从发现到完整利用的速度值得关注。但漏洞是否可复现、影响范围多大，都得等补丁和论文出来再判断。

Codex 这次更新把多设备管理塞进了 ChatGPT 的对话窗口，你换个项目就能拿到对应机器的上下文和文件，不用来回切客户端。推文还提到能通过远程 SSH 去配置其他虚拟机，这对需要同时维护开发机、测试服、生产环境的人来说，确实省了跳转的麻烦。 但正文只给了功能描述，没披露任何性能数据。多设备远程控制的延迟是多少？权限怎么隔离？万一一个会话能摸到所有机器，安全风险就大了。这些关键信息缺失，让这条更新看起来更像功能预告而非可投产的能力。 另外，推文来源是个人账号，不是 OpenAI 官方公告，可靠性要打个折。建议等官方文档或实际用户反馈出来再判断，别急着把它当主力远程管理工具。