全部 · 2026-05-28

Perplexity 的 Computer 助手直接嵌进了 Word、Excel、PPT 和 Outlook 的侧边栏，你可以在不跳出办公软件的情况下让它起草文档、处理数据模型、做幻灯片或打理邮件。这相当于给 Office 加了一个第三方 AI 面板，和微软自家的 Copilot 正面抢入口。 不过这条消息信息缺口很大。正文没披露支持的是桌面版还是网页版 Office，也没说是否需要额外订阅 Perplexity Pro 或企业版。如果只是网页版侧边栏插件，实际体验会打折扣；如果是原生集成，那对 Copilot 的替代性就强不少。另外，Computer 在 Excel 里“建模”能做到什么程度、能不能跨文档调用数据，这些都没提。 我会先打个折：这更像是一个侧边栏快捷入口，而不是深度改造 Office 底层。对已经买了 Copilot 的用户吸引力有限，但对用 Perplexity 做研究、顺手要写文档的人，省了来回切换的麻烦。等官方补上版本和定价信息再判断值不值得切过去。

TechCrunch 拿到了一组渲染图，显示苹果打算在 iOS 27 里把 Siri 做成一个独立 App，交互也重新设计了。这个方向本身比渲染图更值得关注：Siri 一直嵌在系统里，拆出来意味着苹果想给它一个独立的对话界面，而不是只当语音助手用。正文没披露发布时间、具体功能参数，也没说底层模型是自研还是接别人的。渲染图只能看到界面方向，实际能力、响应速度、能不能处理复杂任务，这些全都没提。另外，独立 App 能不能跟系统深度联动，比如跨 App 调数据、执行操作，也是关键——如果只是把现在的 Siri 换个壳，那意义不大。

CNN 在纽约起诉 Perplexity，核心指控是 AI 答案引擎把付费墙后的报道“逐字”吐给用户，而且无视了 CNN 对爬虫的屏蔽。这事的严重性在于，如果 Perplexity 真的能绕过付费墙并原文照搬，那就不只是版权纠纷，而是直接动了新闻机构的收入根基。但诉状目前公开的部分没披露具体哪些文章被复制、复制了多少比例，也没说明 CNN 用了什么技术手段去识别和拦截爬虫。Perplexity 的 AI 浏览器 Comet 和外挂资料库机制到底怎么抓取、怎么生成答案，正文也没展开。缺少这些细节，就很难判断是模型记忆导致的偶然重现，还是产品设计上故意绕过限制。另外，CNN 说“人类记者采写编辑的内容被无偿拿走”，这个说法在法律上指向的是未经授权使用受版权保护的作品，但法院最终要看 Perplexity 的使用是否构成合理使用，以及 CNN 能否证明对方有意规避技术保护措施。目前双方都没公布爬虫日志或对比样本，所以这场官司的走向还缺关键证据。

OpenRouter 这轮 B 轮融了 1.13 亿美元，领投方 CapitalG 是 Alphabet 的独立成长基金，跟投阵容很整齐：英伟达的 NVentures、ServiceNow、MongoDB、Snowflake、Databricks 的风投部门，再加上老股东 a16z 和 Menlo Ventures。这帮投资方不是纯财务玩家，而是企业 IT 基础设施的核心供应商，他们集体下注，说明市场已经认了“多模型网关”这个中间层是刚需。 OpenRouter 自己给的数据是周调用量从 5 万亿 token 涨到 25 万亿 token，半年翻了五倍，今年预计处理超过一千万亿 token，服务 800 万开发者、接入 400 多个模型。这个增速确实猛，但要注意这些都是公司自己披露的数字，没有第三方验证。他们现在做的事就是把各种模型（文字、图片、音频、视频、语音转文字、嵌入向量）统一到一个接口后面，帮开发者做路由、降本、合规，相当于模型超市加智能调度。 正文没披露估值、营收、毛利率这些关键财务指标，也没说这 1.13 亿具体怎么分——多少投基建、多少投研发、多少做市场。另外，多模型路由这个赛道现在挤了不少人，OpenRouter 的护城河到底有多深，光靠融资名单还看不出来。

AutoWebWorld 的思路挺直接：不靠人标，也不用大模型当裁判，而是用有限状态机把网页环境定义成状态、前置条件和跳转规则，自动合成并验证 GUI Agent 的操作轨迹。最终产出 29 个网页环境、875 个页面、11663 条经过验证的轨迹，平均每条成本约 0.04 美元。这个成本数字确实低，对比人工标注或调用大模型做验证，省钱是实打实的。 但正文没披露用哪些模型做了测试，也没给出任何成功率或任务完成度的数据。也就是说，轨迹便宜是便宜，但用这些轨迹训出来的 agent 到底好不好用，目前没答案。另外，状态机能覆盖的网页复杂度有限，真实网页里那些动态加载、验证码、弹窗之类的坑，这套方法能不能扛住，也没提。 还缺的是：和现有基准的横向对比、开源代码的实际可用性验证，以及轨迹多样性是否足够支撑模型泛化。这些信息补上之前，先当它是一个低成本造训练数据的思路，别急着当完整方案。

这条消息的核心是 DeepSeek V4 在训练阶段就绑定了华为昇腾芯片，而不是先拿英伟达跑完再移植。摘要里提到 CANN 一口气开源 65 个代码仓库，支持 70 多个主流模型“开箱即用”，AIGCode 还报了个 65% 的 MFU（模型浮点运算利用率）在昇腾上跑 MoE 预训练。这些数字说明国产算力生态在努力降低适配门槛，让开发者不用从零写底层代码。 但问题也很明显：正文因为微信环境验证失败完全没抓到，所有信息都来自标题和摘要片段。65% 的 MFU 到底是在什么规模、什么精度下测的，跟英伟达同级别卡差多少，这些关键细节全缺。开源 65 个仓库听起来多，但质量、文档完整度、社区活跃度一概不知。 我会先打个折：这更像一次生态宣示，证明“能跑”和“跑得好”之间还有距离。真正要看的是后续有没有第三方复现报告，以及开发者实际踩坑反馈。

这条消息来自 Reddit，但原文被网络策略挡了，我们只能看到标题和摘要，看不到具体怎么做的。能确认的是：Zai 在一个千卡规模的 GLM-5.1 代码推理集群上，把原来的 ROFT 网络拓扑换成了自研的 ZCube，硬件、软件栈、模型都没动。结果交换机加光模块的成本降了 33%，GPU 推理吞吐量提升了 15%。在把输入理解（prefill）和内容生成（decode）拆开跑的部署模式下，首个 token 的 P99 尾部延迟砍掉了 40.6%。 这几个数字如果属实，确实挺省钱，尤其尾部延迟降四成对线上服务质量帮助很大。但要注意，帖子正文没披露，我们不知道测试负载是什么、基线怎么设的、千卡集群的具体配置，也不知道 ZCube 到底改了网络拓扑的哪一层。这些信息缺口让 33% 成本降幅和 15% 吞吐提升没法独立验证。另外，这是 Zai 自研方案在自己集群上的结果，换到其他环境能不能复现，正文也没说。先当一条有参考价值的工程优化案例看，别急着当通用结论。

这批研究都在解决同一个老问题：仿真里训好的机器人，一进真实世界就抓瞎。NVIDIA 这次拿出的几个方案思路很直接——ScheduleStream 让多机械臂并行干活，速度提了 3 倍，代码已开源，对实验室自动化场景有直接价值。COMPASS 导航框架比较亮眼，完全不碰真实数据，纯靠仿真训练后迁移到真机，20 次测试成功率约 80%，比纯模仿学习基线高了 4.5 倍。但 20 次测试这个数字太小了，只能说明方法可行，离“稳定可靠”还差得远。Grasp-MPC 抓取方案用 200 万条仿真轨迹训练，真机抓取成功率约 75%，思路是让机器像人一样边靠近边调整，而不是死磕预设路径。 整体看，这些论文都在降低对真实数据的依赖，这对行业是好事——真实机器人数据又贵又慢。但正文没披露不同环境下的泛化表现，也没说失败案例的具体原因。仿真到真实的迁移效果到底能撑多远，还得看更大规模的验证。

Mistral 这次发的是一个开源框架，不是成品搜索服务。它把搜索系统拆成数据接入、检索和效果评估三层，每层都定义了统一接口，你可以把不同组件像乐高一样换着用，部署位置也不挑——云上、本地机房、边缘设备都行。官方说这样能省掉重复造轮子的时间，但正文没披露任何性能基准或延迟数据，也没给出跟现有方案（比如 LangChain、LlamaIndex 的检索模块）的对比。这点先别太激动：框架好不好用，关键看接口设计是否真的够抽象、社区能不能跟上。目前只是公开预览版，文档和生态都还在早期。如果你已经在用 Mistral 的模型和工具链，这个框架能帮你把搜索部分也统一进来；但如果你需要的是开箱即用的高性能搜索，正文提供的信息还不足以判断它能不能打。

这条帖子最直接的价值是给了一张消费级显卡跑大模型的实操参考。用户用一张RTX 3060 12GB，通过spiritbuun的llama.cpp优化分支和mudler的APEX量化，把17.3GB的Qwen3.6-35B-A3B模型跑了起来。在已填充72K上下文时，生成速度达到37 token/秒，上下文塞到129K时仍有28 token/秒，PPL 3.25。这个速度对于12GB显存的卡来说相当不错，说明针对CUDA的底层优化和特定的量化格式确实能压榨出更多性能。 不过得给这个结果打个折。首先，这是单次个人测试，没有披露测试用的具体文本类型和生成内容的质量，PPL 3.25也只是在enwik8上的跑分，不代表实际对话或推理任务的表现。其次，帖子提到MTP（多token预测）在这个配置下反而拖慢速度41%，这点挺反直觉，作者自己也解释不清，只猜测是显存布局问题。另外，虽然做了大海捞针测试且100%找回，但用的是学术markdown文本，跟真实场景的乱糟糟文档有差距。 还缺什么？没给功耗、温度数据，也没测更复杂的推理或代码任务。长上下文下的输出一致性、幻觉率都没提。如果你也想在12G卡上跑这个模型，可以参考他的命令行参数，但别指望所有场景都能复现这个速度。

周志伟这套方案思路很直接：把项目管理里最烦人的催周报、搬数据、画图表这些事，交给 AI 编程助手加 Shell 和 Python 脚本去跑，用两个 Git 仓库当数据中枢。他说至少能省掉 80% 的手工跟进和报表工作，这个数字如果属实，对天天被周报追着跑的团队来说确实解渴。 但问题也在这——正文因为微信验证页限制，实际内容没拿到。方案的具体实现细节、脚本怎么触发、AI 助手在哪个环节介入、产出的洞察和效能报表长什么样，这些全都没披露。80% 这个数字也没有任何验证数据支撑，不知道是单次体验的估算还是长期跑下来的统计。 我会先打个折：思路对，但缺落地细节和可复现的验证。如果后续有开源仓库或详细流程说明，才值得认真跟。

Mistral 这次峰会主要画了三张饼。第一张是工业 AI，拉上空客、宝马、ASML 这些大厂，说要让模型进到设计、制造流程里干活。听着阵仗很大，但正文没给出任何具体的应用场景、效率提升数字或者客户证言，目前更像品牌合作站台，实际落地深度存疑。 第二张饼是 Vibe 助手升级，说能处理更长的任务链，但具体能力边界、任务完成率这些关键指标一概没提。第三张饼是巴黎南边那个 10 兆瓦的推理数据中心，计划 2026 年第三季度投运。10 兆瓦规模不算大，主要服务推理而非训练，说明 Mistral 在算力基建上还是走轻资产路线，跟 OpenAI、Google 那种自建超大规模训练集群的策略完全不同。 整体看下来，这次发布战略意图大于产品实质。工业落地、助手能力、基础设施三条线都只给了方向，缺实测数据和客户案例。想判断这些合作是不是真能跑通，至少得等一个季度的实际交付结果。

Mistral 收购 Emmi AI 后发了第一个物理 AI 模型，定位是给工业工程师用的基础模型。它能根据几何结构、边界条件或实测数据，在单张 GPU 上几秒钟预测出完整的物理场，比如温度分布和应力分布。这个速度对需要快速迭代的设计阶段确实有吸引力，相当于把传统仿真软件几小时甚至几天的活压缩到秒级。 但正文没披露最关键的东西：跟传统数值仿真比，误差到底多少。也没说模型参数量、训练数据规模和覆盖的物理场景范围。只提了跟西门子能源有合作，没给任何量化验证结果。工业场景对精度要求极高，差 5% 可能整个设计方案就废了，所以“快”不能替代“准”。 另外，模型是直接从几何和边界条件预测物理场，跳过了传统求解偏微分方程的过程。这种端到端思路在学术界有不少探索，但工程落地最大的坑是泛化能力——换个没见过的几何形状，预测会不会崩，正文完全没提。建议等他们放出 benchmark 或第三方评测再判断实际可用性。