全部 · 2026-06-03

Hugging Face 开源团队上线了 paperswithcode.co，用 AI 代理自动扒论文、提取结果，把原来平台超过 9300 个基准测试的 SOTA 排行榜重新跑了起来。原版 Papers with Code 长期停更，这次复活靠的是让模型进业务流程干活，而不是人工维护，思路对路。赶上 CVPR，首页直接整理了会议论文和对应代码，对找论文、比结果的人挺实用。 但正文没披露最关键的数字：AI 代理解析论文的准确率到底多少。9300 个基准测试听着多，如果每篇论文的指标、实验设置、基线对比有一成解析错了，排行榜的可信度就要打折扣。另外代理的具体工作流也没说清楚，是端到端一条龙还是分步骤校验，这直接影响出错的概率和修复成本。 我会先打个折：把它当成一个能快速扫论文、找代码的半自动入口，别直接拿排行榜数字当权威结论。后续如果能公开解析准确率、错误分布和人工抽检机制，这东西的价值会扎实很多。

扣子3.0的核心变化是把智能体协作搬进了项目里，跨iOS、安卓、Mac、Windows和网页端都能用。最实用的点是：你可以把本地跑的Claude Code、Codex CLI这类命令行智能体导进去，在手机上授权后直接让它读你电脑里的PDF。这相当于把原本只能在终端敲命令的AI工具，变成了手机就能遥控的远程助手。 但正文没披露任何性能数据。延迟多少、吃多少内存、多设备切换时会不会断连，这些关键指标一概没提。官方演示的场景看着流畅，实际体验得自己跑一遍才知道稳不稳。另外，导入本地Agent的兼容性边界也没说清楚——是不是所有命令行工具都能接，还是只支持特定几个。 对AI从业者来说，这个功能方向是对的：让Agent从开发者的终端里走出来，进入普通人的手机界面。但现阶段更像一个值得关注的实验品，别急着把它当生产工具。等社区跑出真实反馈，再看要不要上车。

Qwen3.7 这次主打推理和智能体能力，官方说法是“重大突破”，但正文只给了定性描述，没放任何硬指标。模型参数量、基准测试成绩、API 定价、开源还是闭源，这些关键信息全都没披露。Steven Hoi 出来介绍，说明阿里云内部对这个版本定位不低，但光靠“全面升级”四个字没法判断实际提升有多大。 从描述看，升级集中在三个方向：推理、工具调用、长链条 agent 任务。这三点确实是现在模型落地最卡脖子的地方——推理不够稳，工具调用容易出错，长任务跑着跑着就偏了。如果 Qwen3.7 真在这几块有实质改进，对做 agent 应用的团队会是好消息。但没给数字，就只能先当宣传口径看。 建议等开源仓库更新或第三方评测出来再下结论。另外，多模态交互负责人来介绍，但正文没提多模态能力，不知道是没升级还是没展开说。这点也缺信息。

微软在 Build 2026 上发了两个 Aion 1.0 模型，都主打设备本地运行。Plan 版 140 亿参数，3.2 万 token 上下文，定位是推理和调用工具，会直接预装进配置够的 Windows 设备。这意味着你不用额外装东西，系统自带一个能帮你规划步骤、操作应用的模型。Instruct 版则负责总结、改写、理解意图和无障碍功能，会集成进 Edge 浏览器，而且权重会开放下载。 两个模型分工明确，一个干活一个表达，思路是把 agent workflow 拆成两块让本地设备也能跑。但正文没披露具体的硬件门槛、推理延迟和功耗数据，也没说 Plan 版在复杂多步任务上的成功率。140 亿参数在本地跑，对内存和算力的要求不会低，实际体验还得看优化到什么程度。开源 Instruct 版是好事，但 Plan 版没提是否开放权重，这点先别太激动。

这条新闻的价值不在技术，而在人事。WSJ 的报道把 Greg Brockman 和 Dario Amodei 的矛盾直接摆上台面，核心冲突点是 Amodei 在 OpenAI 内部研发一个后来演变成 ChatGPT 的项目时，直接禁止 Brockman 参与。这解释了为什么后来 Anthropic 出走时带走了那么多 OpenAI 的人——裂痕早就有了，不是突然爆发的。 文章还提到 Brockman 现在管着 OpenAI 近 1500 人的产品团队，这个数字说明他在公司内部的实际控制力很强，和当年被踢出项目的处境反差很大。但这里有个硬伤：原文因为微信环境异常被屏蔽了，我们只能靠摘要和标题拼凑信息，WSJ 原文里有没有更多一手采访、双方是否回应了这些说法，目前都看不到。 对从业者来说，这条新闻提醒我们：顶级 AI 公司的路线之争，往往不是技术路线之争，而是谁说了算的权力斗争。Amodei 当年禁止 Brockman 碰那个项目，到底是出于技术判断还是个人恩怨，正文没披露，这点先别急着下结论。

Sensor Tower 估算 ChatGPT 在 5 月全球月活跨过 10 亿，三年做到这个量级确实比 Google Maps、TikTok 都快。但正文没披露估算方法，第三方数据机构的模型推演，我会先打个折看。 更值得留意的是 Claude 的势头：2026 年 Q2 月活 5600 万，同比涨了约 640%，而 ChatGPT 同期增速只有 62%。基数差很大，但增速差十倍说明市场远没到一家通吃的阶段。另一个信号是，美国市场装了 Claude 的 ChatGPT 用户，一个月后花在 ChatGPT 上的时间比之前八个月均值少了 5%。这个数字不大，但方向值得关注——用户开始用脚投票了。 文章没提付费用户占比、企业客户留存率，也没说这 10 亿里多少是 API 调用算进去的。光看月活容易高估实际商业价值，后续得看两家 IPO 文件里才会有的真实收入数据。

这条分享的核心是把 AI 智能体的开发流程从“人写代码”扭成“人定方向、智能体执行”，工作台从 IDE 搬到了终端和一份 plan.md 计划文件。整体走 Research → Plan → Work 循环，用 plan.md 来约束智能体行为，相当于给 AI 画了个行动边界。帖子总结了 22 条实战技巧，覆盖规划、并行执行、输入方式、远程控制这些环节，对想把智能体塞进实际业务流程的工程师来说，实操参考价值不低。 但要注意，原文来自 RSS 摘要，正文没披露完整的工具栈列表。22 条技巧的具体内容也只给了方向性描述，没展开细节。这意味着你没法直接照着搭一套出来，还得自己去补工具选型和集成方案。另外，这套方法对团队工程习惯要求不低——如果团队原本就不习惯用终端和 markdown 文件做项目管理，迁移成本会比较高。 整体看，方向判断没问题，但落地细节还缺一大块。建议等完整工具栈和案例放出来再评估要不要跟。

这篇报道戳破了一个越来越常见的叙事：公司一边裁员一边说“我们要把钱投给AI”。但文章用数据把底裤扒了——Meta在元宇宙项目上烧了约800亿美元后大幅收缩，Coinbase正处在加密市场低迷期，Block自己都承认2019到2022年员工数翻了三倍是招多了。今年已有超过150家科技公司裁了至少11.5万人，这个规模很难全用“AI替代”来解释。 Evercore的分析师说得直白：用裁员给AI让路是个好借口，但有些公司就是管理不行、过度招聘或者丢市场份额了。Meta一边裁8000人一边利润接近270亿美元，前员工直接说“AI并没有更省钱，只是个借口”。这点先别太激动，高管们把AI挂在嘴边的时候，最好看看他们同期有没有别的业务窟窿。 文章没给出一个量化结论说多少裁员是真因为AI、多少是甩锅，但把各家财报和CEO原话摆在一起，读者自己就能判断。如果后续有研究能拆开“AI替代”和“业务收缩”各自贡献了多少裁员比例，会更有说服力。

xAI 这次放出的 grok-imagine-video-1.5-preview，核心能力是把一张静态图变成最高 720p 的动态短片。你可以用自然语言描述想要的镜头运动、节奏甚至音效，模型会尽量保留原图的光影和细节，让视频像是原图的延续，而不是重新画了一遍。它还支持把多段生成的视频串起来，拼成更长的场景。 不过，官方这篇公告信息量很薄。没提生成一段视频要多久、成本多少，也没给任何跟 Runway、Pika 或 Sora 等同类模型的对比数据。720p 的分辨率在当下不算高，实际画面稳定性、物理合理性这些关键体验，光靠两个演示视频没法判断。 如果是真的能忠实还原原图风格，对需要快速出分镜预览或短视频素材的人挺实用。但正文没披露模型的技术细节、训练数据来源和内容安全策略，这些缺口让“预览版”三个字显得更实在——先别急着把它当生产工具，等有人大规模实测再说。

这篇解读把 MAI-Thinking-1 的技术选择讲得很清楚：它的核心贡献不是让模型开始推理，而是让推理训练能持续跑下去。GRPO 算法本身容易走向两个极端，要么输出僵化，要么梯度爆炸直接崩掉。MAI 的解法很工程化——动态调节自信度上限、加一层绝对截断的安全网、崩了之后用自蒸馏把学到的能力抢救回来。这三个机制合在一起，目标是连续几千步训练不滑坡，而不是单次表现有多亮眼。 文章把 DeepSeek V4 和 GLM-5 拉进来对比也很有用。DeepSeek 在死磕计算效率，用压缩注意力把百万 token 上下文的成本打下来；GLM 在解决跨轮次记忆，让模型不用每次都重想一遍。三家解决的是同一个问题的不同侧面：MAI 保稳定，DeepSeek 提效率，GLM 续耐力。这个对比框架比单独吹一家要实在得多。 不过要注意，这篇解读本身是第三方基于公开技术报告写的，不是微软官方口径。报告里提到的自蒸馏需要上百万条推理记录，这个数据收集成本有多高、对算力要求多大，正文没展开。另外，恒温器机制在 800 步训练里看着稳，能不能扛过一万步，报告自己也没给结论。这些缺口让“可持续思考”这个说法还停留在实验室验证阶段，离生产环境有多远不好说。

微软给新模型 MAI-Code-1-Flash 的发布卡里加了个新指标：平均 token 用量。这个模型在 SWE-Bench Verified 上拿了 71.6 分，但消耗的 token 只有 Claude Haiku 4.5 的三分之一。这意味着衡量模型得同时看两个维度：活儿干得怎么样，以及干这活儿花了多少钱。靠烧 token 刷榜、靠补贴打价格战的路子走不通了。 文章举了几个例子说明大公司也扛不住成本：Uber 四个月就烧光了员工 AI 预算，被迫设了上限；Salesforce 花了 3 亿美元买 Anthropic 的 token，同时冻结了工程师招聘。Artificial Analysis 的数据更直观：GPT 5.5 和 Claude Opus 4.8 在智能指数上只差 1 分，但跑完测试的成本差了 40%。 文章判断，模型公司以后得在性能和成本两条线上竞争，而应用层会更进一步，按“每个结果花多少钱”来定价。正文没披露微软这个新模型的具体定价，也没说平均 token 用量是在什么任务条件下测的，这点先别太激动。

这篇文章把AI编程的进步从“模型变聪明”拉回到“训练基础设施工业化”上，判断很准。MAI从487万个开源PR里，经过可运行、可判分、训练环境稳定三道筛选，最终只得到26.5万道可用的训练题，产出率仅5.5%。这个数字直接说明了构建大规模、高质量训练环境的成本有多高。 文章最有价值的部分，是拆解了“批改”如何决定模型输出的品相。单测全绿只是底线，工具调用效率、前端视觉质量这些以前靠人判断的维度，现在通过AI裁判和浏览器Agent实现了自动化，并被写入了奖励信号。这解释了为什么有的模型代码写得对但丑，有的则交互流畅——不是天赋，是训练时奖励信号维度的差异。 不过，文章主要基于MAI和GLM-5的报告，正文没披露这套工业化流程的算力开销和迭代周期。26.5万道题听起来多，但具体到不同编程语言和任务类型上的分布，以及这套判分体系在复杂、长周期任务上的误判率，都还是信息缺口。

xAI 和 Vapi 合作，把 Grok 设成了 Vapi 平台 12 个核心语音的默认引擎，也就是把文字转语音、语音识别这些能力直接嵌进了 Vapi 的开发者工具里。Vapi 说他们做了一次独立盲测，Grok 拿了第一，但正文没披露跟哪些模型比、评分标准是什么，只有一个 X 上的投票说 4500 多人里一半分不清 Grok 克隆的声音和真人原声。这个投票样本不大，而且是在自家平台发的，参考价值要打个折。 对开发者来说，好处是现在在 Vapi 下拉菜单里就能直接用 Grok 的语音能力，不用额外接 API。但文章没提延迟、成本和多语言支持这些实际落地要看的指标。如果团队已经在 Vapi 上跑业务，可以拿自己的场景测一下，看自然度和情绪表达是不是真比之前用的引擎好。另外，自定义声音克隆这些高级功能要走 Grok 自己的 API，不在 Vapi 默认选项里，这点要注意。