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。

Zerostack 最大的卖点是轻和快。它用纯 Rust 写成，二进制只有 8.9MB，工作时内存占用约 12MB，而同类基于 JS 的代理（比如 opencode）要吃掉 300MB 左右。对本地开发来说，这意味着你可以在老机器上跑，不用被吃内存的代理拖垮。 功能上它没走极简到底，该有的基本都有：支持多家模型供应商、文件读写、bash 执行（带沙箱和死循环检测）、会话管理、MCP 工具扩展，还内置了一套可切换的系统提示词，比如 code、review、debug 等模式，省去自己写 prompt 的麻烦。 不过要注意，这条消息主要来自 crates.io 的项目自述文件，没有第三方评测或实际使用反馈。性能数据是开发者自己标的，测试环境是一台 Intel i5 7 代，代表性有限。循环系统也标了“实验性”，稳定性未知。如果你打算在生产环境用，最好先在自己的项目上跑跑看，别光看纸面数字就上头。

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。

彭博的报道给出了一个判断：美国劳动力市场已经不只是担心AI抢饭碗，而是真的开始丢饭碗了，主要集中在那些工作内容容易被模型替代的岗位。但文章本身信息量很薄，没有列出具体行业、裁员规模或对比数据，更像是一个趋势定性而非量化报告。 从已有的信息看，这轮冲击最先打在初级白领岗位上，比如基础文案、数据录入、初级客服这类重复性高、判断力要求低的工作。这和之前业界预测的方向一致——AI不是直接干掉一个部门，而是让一个原本需要五个新手的活，现在一个老手加工具就能干完。 不过这篇报道缺的东西太多：没有说明数据来源是劳工统计局还是企业调查，没有区分“岗位消失”和“岗位不新增”，也没有讨论这些失业是永久性的还是短期摩擦。在拿到具体数字和归因分析之前，这条新闻更适合当作一个值得盯紧的信号，而不是一份能直接引用的证据。

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。

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。

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。

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。

John Collison 在播客里聊的“代理式商务”，核心意思是让 AI 软件（代理）代替人去完成交易，比如自动比价订机票、管理订阅服务。他认为这会改变互联网的商业模式，因为未来掏钱做决策的可能不是人，而是代码。 这个判断来自 Stripe 的视角——他们正把支付接口开放给 AI 代理，所以有动力推这件事。但播客正文没给出具体数据，比如有多少交易已经由代理发起、失败率多高。Collison 的设想更多是方向性的，离大规模落地还有距离。 目前缺的是：代理出错谁担责、退款纠纷怎么处理、用户授权边界在哪。这些实际问题不解决，代理式商务就还停在 demo 阶段。

Bloomberg 引用 BLS 数据，18 个 AI 高暴露职业在 2024 到 2025 年整体就业降了 0.2%，同期全美就业是涨了 0.8% 的。如果把逆势涨了 15.8% 的医疗秘书剔除，降幅直接扩大到 1.6%。最扎眼的是技术文档写手，一年少了 18.1%，平面设计师也跌了 7.7%。群聊里有人解释，这类岗位很多是润色工程师给的素材，AI 现在干这个活“像模像样”，替代起来很快。 不过，这组数据只覆盖了 18 个职业，不能代表整个白领就业市场。而且报道没披露样本量和统计口径，我们不知道这个“高暴露”标签具体怎么打的。另外，被替代的人去了哪、收入降了多少，正文也没给。群友提到一个概念叫“平庸技术”，意思是 AI 省了人但没带来生产力飞跃，被挤出去的客服可能去送外卖，总产出没涨，钱却更集中到资本手里。这个视角比单纯看就业数字更有嚼头，但同样缺实证。 我会先打个折：18% 的跌幅很惊人，但它是单一岗位的极端值，不能直接外推到所有知识工作。更值得盯的是连续两年下降这个趋势，以及剔除医疗秘书后 1.6% 的降幅——说明 AI 的替代效应在局部已经跑起来了，只是还没扩散成全面冲击。

Qwen3.6 的两个新尺寸上了 Terminal-Bench 2.0 排行榜，搭配 little-coder 这套脚手架（给模型加了一层在终端里直接敲命令干活的外壳），35B-A3B 版本跑出 24.6%（±3.2），压过了 Gemini 2.5 Pro 在自家 Gemini CLI 上的 19.6% 和 Qwen3-Coder-480B 的 23.9%。9B 小模型也拿了 9.2%，虽然不高，但至少证明 10B 以下的本地模型在这种硬核任务上不是零分选手。 分数本身要打个折。24.6% 意味着大部分任务还是没搞定，而且 ±3.2 的波动不算小，说明稳定性有待验证。另外，正文没披露测试的具体任务分布和失败模式，也不知道 little-coder 这套脚手架本身对分数的贡献有多大——换一个外壳会不会结果差很多，这点还不清楚。 对本地部署的人来说，35B-A3B 这个尺寸能在消费级硬件上跑，还能在终端自动化这种实用场景里跟闭源大模型掰手腕，是个值得跟进的信号。但别急着下结论，等更多独立复现和不同脚手架下的对比出来再说。

Notion 这次发布的开发者平台，核心是把原本封闭的工作区变成可编程的底座。它提供了命令行工具（CLI）、后台任务（Workers）、数据库同步、Webhook 触发，以及让 AI 智能体（Agent）直接操作 Notion 的接口，包括 MCP 和外部 Agent API。简单说，以前你只能在 Notion 里手动整理信息，现在可以让外部程序或 AI 自动往你的文档和数据库里读写数据、响应事件。 这对 AI 从业者有个直接好处：Notion 可以作为 AI 工作流里的“记忆层”或“任务面板”。比如让 Agent 把执行结果写进数据库，或者用 Webhook 触发一个自动化流程。但正文没披露这些接口的调用限制、延迟和成本，也没说 Workers 的执行环境有多强。如果只是简单的 HTTP 触发，那跟 Zapier 那类工具有重叠；如果能跑复杂逻辑，才算真正把业务流程搬了进去。 目前信息来自 Product Hunt 的发布页，属于官方宣传口径，缺少实际开发者反馈和性能数据。建议等有人踩过坑、测过稳定性再判断是否值得把核心流程押上去。

这条研究走的是“用文本教模型理解3D”的路子，不是靠堆3D标注数据。他们拿 Wan 2.1 做实验，设计了一套叫 Flow-GRPO 的训练流程，外加四个维度的奖励信号来引导模型，只用了大概3000条纯文本提示词。1.3B 参数版本跑出来的 PSNR 指标比原版高了 10.23 dB，说明画面里的物体运动、遮挡关系这些“穿帮”问题确实有改善。 不过得打个折。文章本身因为环境异常没抓到完整正文，具体实验设置、测试集规模和对比基线都看不到。PSNR 涨了 10 dB 听起来很猛，但不知道是在什么分辨率、什么场景下测的，也不知道大尺寸模型上效果能不能复现。另外，纯文本提示词怎么挑的、有没有覆盖足够多样的运动类型，这些都没披露。 如果这 3000 条提示词真能稳定提升空间一致性，那对视频生成的成本控制是个好消息——不用花大价钱标3D数据了。但现阶段缺验证细节，只能当个有意思的方向看。

OpenAI 的 Codex 现在能直接调用 HeyGen 插件，你给它一段文字指令，它就能生成带数字人、字幕的视频，还能做剪辑。文章里测了一个大概一分钟的数字人视频，试了把 10 秒后的内容剪掉，以及删掉第 8 秒的一次眨眼动作。 这个流程确实省了打开剪辑软件的步骤，但正文没披露生成延迟和具体成本，也没说剪辑精度到底有多高。比如“删掉眨眼”这种操作，如果只是粗剪还行，要是需要逐帧精准定位，目前的信息还判断不了它能不能替代专业工具。另外，整个链路依赖 Codex 调用外部插件，网络抖动或插件挂掉会直接影响可用性，这点文章也没提。 我会先打个折看：它更像一个快速出片的原型工具，适合做 demo 或社交媒体短视频，但离“让剪辑软件瑟瑟发抖”还有距离。还缺的是多轮修改的稳定性测试、长视频处理能力，以及和手动剪辑的成品对比。