全部 · 2026-05-30

作者算了一笔本地大模型服务器的经济账：花 6406 美元攒了台 4 张 AMD MI100 显卡的机器，主要跑 Qwen3.6 27B，每天吞吐量约 2040 万输入 token 加 132 万输出 token。拿 OpenRouter 的 API 价格对比，第一年本地总成本 2992 美元，比纯用 API 的 3701 美元省了 700 多。这个数字看着还行，但得打个折——Reddit 原文被屏蔽了，我们看不到电费单价、硬件折旧年限、MI100 的二手行情这些关键假设。MI100 是 2020 年的老卡，32GB 显存，跑 27B 模型得靠多卡并行，实际推理延迟和并发能力都没披露。另外，本地维护的人工成本、机器闲置时的电费、模型更新换代的迁移成本，这些隐性开销也没法核实。如果只是个人重度使用，这个方案确实比按月付 API 费划算，但前提是你得会折腾驱动和推理框架，MI100 在 ROCm 下的兼容性坑不少。想抄作业的话，先确认自己的日均 token 量能不能跑满这个利用率，否则回本周期会拉长很多。

Simon Willison 把 Python 的 ASGI 网页应用（比如 FastAPI 和他自己的 Datasette）完全塞进了浏览器。做法是用 Pyodide 把 Python 编译成 WebAssembly，再配合 Service Worker 拦截浏览器请求，直接在本地跑 Python 后端逻辑。这比四年前他做的 Datasette Lite 更进一步：旧方案用 Web Worker 模拟，页面里的 JavaScript 脚本跑不起来，很多插件会挂；新方案用 Service Worker 走完整的 ASGI 协议，脚本能正常执行，兼容性好得多。 代码是让 Claude Opus 4.8 帮忙写的，他给了两个能跑的演示：一个基础 FastAPI 例子，一个 Datasette 1.0a31 完整版。这说明方案不是针对某个应用的特例，对遵循 ASGI 标准的 Python 应用都适用。 不过正文没提性能开销和首屏加载时间。Pyodide 本身初始化就不快，加上 Service Worker 拦截所有请求，实际延迟和内存占用会是多少，目前没有数据。另外，这种方案只适合处理同源请求，跨域场景和需要真实后端数据库的应用还是得老老实实搭服务器。他说等自己搞明白原理后会升级 Datasette Lite，到时候可以看看实际体验到底怎么样。

这条消息目前还停留在“据报道”阶段，源头是《论坛报》和《金融时报》，软银官方没有确认。750亿欧元这个数字非常夸张——法国政府之前整个“法国2030”计划拨给AI的总预算才25亿欧元左右，一下子多出几十倍的体量，如果属实，会直接改变欧洲算力格局。钱主要投向AI数据中心，也就是给大模型训练和推理提供算力的基础设施。但正文没披露具体建多少座、选址在哪、分几期投入、软银是独资还是拉当地伙伴一起干，这些关键信息全是空白。另外，750亿是承诺投资还是实际到位资金也没说清，这种超大额投资通常分多年、附带条件，落地过程中变数很多。在软银正式公告出来之前，这条消息更适合当信号看，别急着当事实用。

NVIDIA 给 Dynamo 推理服务框架配了个叫 DynoSim 的仿真工具，用 Rust 写成。它的思路是把部署测试从“一个个试”变成“先在虚拟时间线上模拟、再挑最好的上真机”，一次能筛几千种配置。测试里它跑到实时速度的 1500 倍，这个数字说明模拟本身很快，但正文没披露跑在什么硬件上、支持哪些模型、以及最终上真机后的延迟和吞吐到底省了多少。所以 1500 倍更像一个上限参考，实际能省多少部署调参时间还得看具体场景。另外，仿真保真度也没给量化指标——如果模拟和真实表现偏差大，筛出来的“最佳配置”可能还得返工。对做推理部署优化的团队来说，这个工具如果能接入自己的模型和流量模式，价值会更大，但目前公开信息里看不到开放程度和接入方式。

这条新闻的核心是 GitHub Copilot 把收费模式从固定月费改成了按 token 计费，token 就是模型读代码时切出来的最小文本单元，用多少收多少。开发者社区炸锅了，但 TechCrunch 这篇报道其实信息量很薄——没写每千 token 多少钱、什么时候开始执行、现有的免费额度还保留不保留。这些关键数字不公布，讨论就只能是情绪宣泄。 对重度用户来说，如果单价定得高，写代码时每补一行都可能肉疼，成本可能远超现在的月费。但对偶尔用的人，按量付费反而可能比订阅划算。微软这步棋大概率是想把成本压力转嫁给高频用户，同时用低价吸引更多轻度开发者进来。 现在最缺的是官方定价表和过渡方案。另外也没说企业版和个人版是不是同一套费率，以及 token 计算是按输入还是输出算，这些都会直接影响账单。建议等微软正式公告出来再判断到底坑不坑。

The Verge 记者挖出一批 TikTok、Facebook 和 Instagram 上的账号，用 AI 生成的黑人形象假装手工匠人，实际在卖 Shein 上批发的廉价商品。一个叫“Aliyah”的虚构账号，把 9 美元的皮带扣标价 40 美元，靠编造的身份故事赚差价。这本质是数字时代的“黑脸”骗术，利用人们对黑人手工品牌的支持心理来牟利。 文章没披露这类账号的总量、销售额或平台处理进度，也没说明 AI 生成形象的具体工具。目前看到的只是个案调查，规模有多大还不清楚。平台对这类虚假身份的审核机制明显没跟上，这点先别太激动，但值得盯着后续平台会不会出规则。

这条新闻最值得警惕的不是 AI 造假本身，而是造假者把种族身份当成了流量工具。Aliyah 这个角色被设计成浅肤色黑人女性，穿西部牛仔装，对着镜头哭诉“白人女性更愿意停留 13 秒”——这是在刻意调用观众对黑人小生意主的同情心，同时用种族对比制造争议、拉高互动数据。The Verge 挖出不同视频里出现一模一样的皮带扣，说明货根本不是手工做的，大概率是从 Shein 这类平台批发的 dropshipping 商品。 正文没披露这些账号具体跑了多少单、赚了多少钱，也没说 TikTok 是否已经下架相关账号。从报道看，这类操作横跨 TikTok、Facebook、Instagram 三个平台，说明不是个案，而是一套可复制的流水线。 还缺两个关键信息：一是平台对 AI 生成内容的标注规则有没有被绕过，二是消费者被骗后有没有退款渠道。如果平台连“这是真人还是 AI”都不强制标注，那这类骗局只会越来越多。

这条新闻说的不是 AI 不好用，而是用不起了。WSJ 报道，美国企业因为 AI 成本飙升，开始对内部使用进行配给，也就是限制谁可以用、能用多少。这跟过去两年“全员上 AI”的画风完全不同，说明财务部门开始算账了——模型调用、API 费用、算力消耗这些隐性成本，在规模化推广时会被迅速放大。 文章没披露具体的成本涨幅数字，也没说限制的是哪种模型或场景，所以没法判断是通用大模型太贵，还是企业自己没做优化。但信号很明确：AI 在企业里正从“战略投资”变成需要审批的日常开销。如果你所在的公司还没感受到账单压力，可能只是用量还没到临界点。

这条新闻的核心判断来自新加坡香格里拉对话会上的安全专家发言，不是一份有数据支撑的研究报告。专家认为AI对战略稳定的威胁已经超过核武器，主要理由是AI会大幅压缩决策时间——人还没反应过来，系统可能已经给出一个看似确定的判断，逼着决策者在几秒内做选择，容易导致误判和冲突升级。这个逻辑本身说得通，但“超过核武器”这个结论目前还缺量化对比。正文没披露具体是哪些专家、用了什么指标来比较AI和核武器的风险等级，也没说明这个排序是基于发生概率、破坏规模还是可控程度。所以这条新闻的价值在于它反映了一个趋势：在防务圈子里，AI已经被当成头号风险来讨论，而不只是技术圈的话题。至于它是不是真的比核武器更危险，还得看后续有没有更扎实的评估出来。

Google 把两个图像生成模型挂上了 Gemini API，Pro 版走 gemini-3-pro-image，Flash 版走 gemini-3.1-flash-image，现在就能直接调用。推文贴了些社区示例，看起来效果不错，但官方没放任何硬指标——没跑分、没单次生成耗时、没并发上限，也没提价格。对想接生产的人来说，这些比示例图重要得多。Flash 版按命名惯例应该是轻量低价路线，Pro 版可能质量更高但更慢更贵，不过这都是猜的，正文一个字没提。建议先拿自己的场景跑几组对比，别光看社区精选图就下单。

这篇帖子记录了一次硬核折腾：作者想把NVIDIA RTX Pro 6000 Blackwell装进一台老旧的戴尔R730服务器，目标是在本地跑65万token上下文的大模型。过程很真实，先切风扇导流罩，再用双riser卡解决供电，但真正的麻烦是PCIe BAR分配——老平台无法给新显卡分配足够的地址空间，导致系统认不全显存。作者尝试了ACPI/DSDT检查、调整MMIO aperture、测试Linux内核的PCIe启动参数，但正文被Reddit安全策略拦截，后续细节和最终结果都没披露。 这条信息对想用旧服务器搭AI盒子的人有参考价值：它点出了老平台的主要瓶颈不是供电或物理尺寸，而是PCIe资源分配。但关键信息缺失严重——到底跑没跑起来？65万token上下文是实测还是理论值？延迟和稳定性怎么样？这些都没说。如果你手头有类似设备，可以先检查主板的MMIO上限，别急着买卡。

Anthropic 把用户跟 Claude 的对话拆成 11 个可观察的行为指标来打分，比如会不会反复修改追问、有没有把 AI 当同事协作。背后的研究用了 9830 组匿名多轮对话，发现高质量对话里 85.7% 都出现了“反复修改追问”这个动作，说明跟模型来回打磨是出好结果的关键习惯。 但这条新闻的信息缺口很大。正文只给了评分框架的轮廓，没披露具体每项指标怎么量化、权重怎么分配，也没说 7.5 分这个“优秀线”是从哪批样本里划出来的。是内部员工的平均分，还是那 9830 组对话的统计结果？不知道。另外，评分表目前覆盖 Chat、Cowork 和 Claude Code 三种场景，但不同场景下“好对话”的标准应该不一样，文章没解释怎么统一打分。 我会先打个折：这更像一个还在打磨的内部实验，不是马上要推给用户的产品功能。它有意思的地方在于把“人怎么用 AI”这件事量化了，但离一个靠谱的评分系统还差实验设计、样本分布和跨场景一致性这些关键信息。

这条新闻的噱头很足，但信息缺口也很大。Ethan Mollick 让 Claude Opus 4.8 直接生成一个网站，把人类历史上约 1170 亿次出生做成加权随机模拟，跑了 4000 轮蒙特卡洛来估算你投胎到不同地区和时代的概率。这本质上是一次模型长链条代码生成和前端部署能力的展示，说明 Opus 4.8 能独立完成从数据建模到网页上线的完整任务。 但正文被微信环境异常页挡住了，我们看不到任何实际代码、模型提示词或运行日志。4000 轮蒙特卡洛这个数字本身不说明精度，因为没披露权重怎么设的、历史人口数据从哪来、模型有没有在计算中产生幻觉或偏差。我会先打个折：这更像一个教学演示项目，而不是严谨的人口学模拟。 还缺的是：模型生成代码的一次通过率、有没有人工介入修改、以及运行成本。如果 Mollick 后续公开了完整对话记录和代码仓库，这条新闻的价值才能坐实。

MiniMax 已经向监管交了材料，开始筹备国内 IPO，招股书里直接把 DeepSeek 列为本土竞争对手，说明它想讲一个“中国 AI 大模型第一梯队”的资本故事。但这条消息目前只有一个标题和摘要，Bloomberg 正文被反爬机制拦了，所以估值、募资规模、上市板块、时间表这些关键数字全看不到。 我会先打个折：招股书点名对手是常规操作，不代表业务上真能对标。MiniMax 的语音和视频生成产品在 C 端有存在感，但跟 DeepSeek 这种靠开源模型和极低推理成本打出声量的路线不太一样。它到底拿什么数据说服二级市场，现在还缺招股书里的营收结构、客户集中度和研发投入占比。 这点先别太激动，等招股书细节出来再看它是不是真能撑起一个 AI 上市标的。