全部 · 2026-06-02

Codex Sites 做的事是把用户扔进去的想法、表格或计划直接变成一个带链接的交互式网页，比如仪表盘、项目看板。这比之前只生成代码又往前走了一步，省掉了自己部署和托管这一步。但文章没提生成出来的网站能有多复杂、能不能接外部数据源，也没说托管有没有访问次数或性能限制。目前只开放给 Business 和 Enterprise 用户预览，个人和团队版什么时候能用、怎么收费都没说。财务主管把静态表格转成实时调整的规划器这个例子听起来挺实用，但实际效果要看它对复杂逻辑和多人协作的支持到什么程度，这点先别太激动。

NVIDIA 在 COMPUTEX 上发布的 NemoClaw，是一套让 AI 智能体长时间自主干活的开放蓝图，主要瞄准 CAE 仿真和 EDA 芯片设计这种重流程场景。十几家工业软件厂商已经接入，官方说能把以前要跑好几周的任务压到几小时内。这个提效幅度听起来很猛，但正文完全没披露具体测试基准、客户实测数据或错误率，所以“几周变几小时”目前只能当厂商宣传看。 NemoClaw 的定位是开放蓝图而非闭源产品，这意味着它更像一套参考架构，各家软件厂商可以按自己的需求去搭。好处是灵活，坏处是落地效果高度依赖各家工程能力，不同厂商做出来的“自主 AI 工程师”可能差距很大。另外，正文也没提这套系统在长时间运行时的稳定性、任务失败后的恢复机制，以及安全护栏具体怎么设计。 对从业者来说，这条新闻的价值在于确认了 NVIDIA 在工业 AI 智能体方向上的路线选择——用开放架构拉生态，而不是自己下场做垂直应用。但真要评估能不能用，还得等有第三方跑出可复现的 benchmark 再说。

Google DeepMind 在 GitHub 上放出了一个叫 Science Skills 的工具包，专门用来搭科学发现场景里的自主智能体，也就是让模型自己去跑科研流程。官方强调了两点：一是针对科学任务做了基础能力封装，不用从零写；二是 token 效率更高，调用大模型时可能更省 token、更省钱。 但这条消息的信息缺口很大。正文没披露开源协议是什么，也没给出任何 benchmark 数据或 token 节省量的具体数字。省 token 这件事，省 5% 和省 50% 完全是两个概念，没有数字就只能当个方向看。另外，工具包到底覆盖哪些科学领域、对模型有什么要求、跟现有的 agent 框架比有什么差异，这些也都没提。 对想试试的人来说，代码已经可以下载了，但效果得自己跑一遍才知道。如果团队正好在做科研自动化的工作流，值得拉下来看看封装思路；如果只是观望，等社区出实测数据再判断也不迟。

Anthropic 给 Claude Code 加了个动态工作流：你让它干活时，它可以现场写并执行 JavaScript 文件，按需创建多个子代理（subagent），每个子代理有自己的上下文窗口，互不干扰。官方举的例子是让一个子代理查安全漏洞、另一个审代码逻辑，主代理最后汇总——相当于把原本一个人干的活拆给几个分身同时跑。 这个设计的好处是任务能并行，不用把所有东西塞进一个越来越长的对话里。但正文没披露两个关键信息：一是子代理数量有没有上限，二是每个子代理消耗的 token 怎么计费。如果每个子代理都独立计费且上下文窗口不小，跑一轮的成本可能比预想的高不少。另外，子代理之间的协调逻辑靠主代理用 JS 脚本管，脚本写得好不好直接影响结果质量，这块的稳定性还需要实际用起来才知道。 目前这只是 Claude Code 的产品更新，不是 API 层面的开放能力。如果你日常用 Claude Code 做代码审查或安全分析，可以试试看并行效果，但先别把它当成能无限扩展的 agent 框架。

MAI-Thinking-1 是微软从零预训练的大模型，总参数1万亿，但用混合专家架构把每次实际激活的参数压到350亿，推理成本会比同体量密集模型低不少。30T token的训练量不算小，而且明确说没拿第三方模型做蒸馏，这在现在到处互相蒸馏的环境里确实少见，说明微软在底层训练能力上还是想自己走一条路。 成绩单上，AIME 2025数学题做到97%，LiveCodeBench v6编程题87.7%，这两个数字挺好看。但SWE-Bench Pro只有52.8%，这个测试更接近真实软件工程任务，说明模型在复杂、多步骤的实际开发场景里还有明显短板。微软管自己的优化流程叫“爬山机器”，听着像在反复试错往上拱，但正文没披露具体怎么个爬法、用了多少算力、迭代了多少轮。 还缺几个关键信息：训练成本没提，推理延迟没给，跟同期的GPT-5或Claude 4对比也没做。另外30T token的数据构成是什么、有没有中文能力，这些都没说。所以现在只能把它当成微软在推理模型上的一次实力展示，离“能直接干活”还有距离。

Claude Code 这次加的动态工作流，说白了就是让模型接到任务后自己写一段 JavaScript，用这段脚本来调度多个子智能体分工协作。你可以指定每个子智能体用哪个模型、工作区隔离到什么程度，适合研究、安全分析、代码审查这类需要多步骤拆解的复杂活。写好的工作流还能共享和复用，团队协作上有点意思。 但正文有几个关键信息没给。第一，动态生成并执行 JS 脚本会多烧多少 token，完全没提。这种现场写代码再跑子智能体的模式，token 消耗肯定比直接对话高，但高多少、值不值，没有数据支撑。第二，这个功能现在是不是所有人都能用，还是灰度测试，正文也没说。如果是限量发布，那实际体验和稳定性都还得观望。 另外，用 JS 脚本协调子智能体，执行环境的安全边界在哪、脚本出错时怎么回滚，这些工程细节也缺。功能方向是对的，但落地成熟度要打个问号。

Runway 把 Aleph 2.0 的视频编辑能力开放成 API，意味着你可以把“只改画面里某一块、其他部分不动”的功能直接嵌进自己的产品里。它支持最长 30 秒、1080p 的多镜头视频，这个规格对短视频和广告素材够用，但长视频或更高画质的需求还覆盖不了。 正文只说了功能，没给任何落地关键信息：调用一次多少钱、每分钟能处理多少请求、从上传到出片要等多久、哪些地区能用。这些数据直接决定它能不能上生产环境。另外，局部修改的精度和一致性也没给样本或评测，实际效果得自己测。 如果你在做视频工具或内容管线，这条值得跟进，但现阶段只能当技术预览看。等 Runway 放出定价和 SLA 再评估集成成本会更靠谱。

微软把 ASSERT 开源了，这个框架让开发者用自然语言描述“我要测什么”，它就能自动生成一套评估 AI 行为的考题和回归测试。对天天手写测试用例的工程师来说，这能省不少事。 但正文信息缺口很大：没披露支持哪些模型，也没说打分指标具体怎么算。如果只支持自家模型，或者指标定义很模糊，那实用性就要打折扣。另外也没提使用限制，比如测试生成有没有数量上限、对中文场景支持如何。 我会先打个折。想法不错，但得等看到实际支持的模型列表和指标定义，才能判断它是不是真能替代手写测试。

微软放出的 MAI-Code-1-Flash 是个代码模型，只激活 50 亿参数就在 SWE-Bench Pro（一个让模型修真实 GitHub 问题的测试集）上跑出 51% 的分数。这个成绩放在小模型里算亮眼，但正文没披露它是在什么评测设定下跑的、用了哪些训练数据、什么时候发布，也没说部署条件。所以这个 51% 我先打个折看——不知道是不是挑过题、有没有用额外的工具辅助，或者测试环境跟别人不一样。 SWE-Bench Pro 本身是个比较硬的代码修复基准，能过一半说明模型在理解 issue、定位代码、生成补丁这条链路上有一定能力。但光一个数字不够，还得看它修的是哪些类型的 bug、修复质量怎么样、有没有反复提交才通过。这些信息目前都缺。 另外，模型只激活 50 亿参数意味着推理成本可能比较低，适合本地跑或者批量处理。但正文完全没提内存占用、推理速度、是否开源、能不能商用，这些才是决定它能不能真用起来的关键。等微软把技术报告或者模型权重放出来再判断不迟。

微软一口气推出七款 MAI 系列模型，这篇公告只挑了 MAI-Thinking-1 来介绍。官方说它擅长复杂推理，在测代码修改能力的 SWE-Bench Pro 上拿了高分，定价放在“中等权重”档位。但公告里没写参数量、具体跑分数字、每百万 token 多少钱，也没说什么时候能用上。这些信息缺口让实际性价比和落地表现没法判断。 我会先打个折：SWE-Bench Pro 高分说明代码能力有亮点，但没对比其他模型、没给延迟数据，单看一个榜单不够。中等定价听着不贵，可没数字就没法跟同类模型比。想认真评估的话，得等微软放出技术报告或开放 API 后再看实测。

Anthropic 给 Claude Platform 加了个 CLI，等于把网页上能调的所有接口都做成了命令行版。你可以在终端里直接发消息、启动 Claude 托管的智能体，然后把返回结果用管道传给其他 shell 命令做后续加工——比如自动整理数据、批量跑脚本。官方还特意提了一句，用 Claude Code 这种编码智能体就能看懂这个 CLI，说明他们想让开发者把 AI 直接嵌进自己的工作流里，而不是切来切去。 不过，这条消息来自 RSS 摘要，信息量很薄。正文没披露这个 CLI 会不会增加额外的调用延迟，也没说走 CLI 调 API 是不是和网页端一样计费。如果管道处理大量数据，网络开销和费用可能比想象中高。另外，它到底支持哪些 shell 环境、错误处理做得怎么样，这些都没提。 对天天泡在终端的开发者来说，这工具能省不少事，但别急着把它当主力管线。先拿小任务跑跑看延迟和账单，确认稳定了再往生产环境里接。

这条消息本身挺直接：Anthropic 在给自家安全模型 Mythos 铺渠道，从之前的小范围测试扩大到 15 个以上国家、约 150 家机构。对做企业安全的团队来说，这算一个信号——以后选安全方向的模型可能多一个选项。 但能说的也就这么多。FT 这篇正文完全被付费墙挡住，我们看不到任何技术细节、实际检出率、误报率，也不知道这 150 家机构是付费客户还是合作试点。更关键的是，没披露具体是哪些国家，如果主要覆盖的是五眼联盟，那跟“全球扩张”还是两码事。 所以这条先当个业务动向看，别急着下判断。等有实际部署数据和第三方测评出来，再评估 Mythos 到底靠不靠谱。

微软在 Build 大会上发布了 MAI-Thinking-1，这是它第一款主打高级推理的自研模型。最值得关注的点是训练数据完全自建，明确说了没用知识蒸馏——也就是没拿 OpenAI 或其他家的成熟模型当“老师”来生成训练数据。在微软和 OpenAI 刚重新谈完合作、关系松绑的背景下，这个动作更像是一次技术独立的表态：我能自己搞。 但信息缺口也很明显。官方只说这是个“中等尺寸”模型，在“关键”软件工程基准上能跟一线模型打平，既没公布参数量，也没给出具体的测试集和分数。没有这些数字，就很难判断它到底省了多少算力、推理成本是不是真的低。另外，模型目前只展示了代码和推理能力，多模态、通用对话这些场景能不能用，正文也没提。 所以这条消息值得看，但别急着下结论。微软迈出了自研推理模型的第一步，但这一步踩得实不实，还得等更详细的评测和开放试用后才能判断。

微软发了Scout，一个能一直挂在Office套件里的AI助手，企业可以把它分给员工用，管日历、处理报销、起草邮件都行。副总裁说这是他们第一次给客户真正的个人助手，功能比应用内嵌的Copilot更宽。 但这条新闻最大的信息缺口就是OpenClaw。正文只提了一句“基于OpenClaw”，完全没解释它是什么——是微软自己的新模型？开源框架？还是第三方工具？如果OpenClaw是核心底座，不说清楚就等于只给了一个名字。另外，常驻模式意味着它要一直读你的邮件和文件，隐私和权限怎么控制也没提。 我会先打个折：功能描述听起来实用，但技术细节和边界条件全是空白。等微软把OpenClaw是什么、数据怎么处理说清楚，再判断这东西到底值不值得试。

微软这份“代理行为规范说明书”本质上是一套可移植的策略文件格式，让不同团队把想让AI代理遵守的规则写进同一个地方。好处是合规和安全的人不用再追着开发改代码，规则可以独立维护、跨项目复用。但正文信息缺口很大：没说是开源还是闭源，没提支持哪些开发框架（比如Semantic Kernel、AutoGen还是第三方），也没给版本号和正式上线时间。我会先打个折——这更像一个方向性发布，离实际能用还有距离。对团队来说，如果真能落地，相当于给代理加了一层可审计的行为护栏，但前提是生态跟得上，否则就是个好看的文档模板。