全部 · 2026-06-23

京东把 JoyAI-VL-Interaction 全栈开源了，模型权重、训练数据、部署方案都给了，这点挺实在。它跟传统一问一答的模型不一样，能持续看视频流，自己判断画面里有没有值得说的事，比如老人摔倒、监控异常，然后主动开口。复杂任务还能甩给后台 agent 处理，相当于让模型进了业务流程干活。 盲测数据看着漂亮：58 个人里，对比豆包视频通话助手赢了 77.6%，对比 Gemini 赢了 87.9%，监控预警场景直接 100%。但 58 人的样本量太小，统计意义有限，这点先别太激动。正文没披露测试的具体场景分布、视频时长、难度分级，也没说豆包和 Gemini 用的是哪个版本、什么配置。如果是真的，在安防、养老、直播解说这些实时场景里确实省钱省人，但实际落地效果还得看更大规模、更多样场景的验证。

这条发布最值得看的是把音频生成的门槛打下来了。以前做一段带对白、音效、背景音乐的音频，得分别录音、找素材、多轨混音，现在写一段提示词就能端到端出成品，对短视频创作者来说省事不少。模型支持零样本输入，不用额外训练就能用，还拆开了音色和风格的控制，一个声音能演多个角色，这些设计思路是对的。 但正文没给任何客观评测数据。2分钟生成、多次延长保持音色一致，这些是官方说法，实际在多人对话、情绪切换频繁的场景下，角色会不会串音、背景音会不会压住对白，都没披露。目前只在火山方舟API邀测，个人用户给30分钟免费额度，样本量太小，还看不出真实水平。 我会先打个折。端到端音频生成在学术上不是新东西，难的是工程化后的一致性、可控性和成本。豆包这次把产品路径铺到了剪映、即梦、番茄，说明字节是认真要做创作者工具链的。但到底能不能用、好不好用，得等公开评测和更多用户反馈，现在下结论太早。

这个测试挺有意思：作者把 Anthropic 藏着掖着的 Mythos 系统找到的 9 个真实漏洞，打包成一个盲测基准。模型拿到完整的源码树和要审查的文件，不给任何提示，纯靠自己找。结果所有模型表现都低于预期。Gemma 4 MoE 以 4/9 的检出率暂时排第一，但它中途崩溃重试了好几次，稳定性存疑。GPT 5.5 Pro 只跑了 4 个案例就烧掉了 100 美元预算，2/4 的成绩参考意义有限。 这里有几个关键限制得说清楚。第一，样本太小，只有 9 个漏洞，而且每个模型只跑了一次，排名只能看个方向。第二，正文没披露 Mythos 自己在同样设定下的成绩，所以没法判断这个差距到底有多大。第三，作者推测 Mythos 可能用了更高级的工具，比如调试器或模糊测试，而这次测试只给了基础工具，对被测模型不太公平。 还缺什么？最核心的是 Mythos 的对照数据。另外，多跑几轮取平均值、扩大漏洞样本量，才能让结论更可靠。如果 Mythos 真像 Anthropic 说的那么强，那它在这个基准上应该能拉开明显差距，但目前我们看不到这个数字。

这件事的讽刺效果拉满了。OpenAI 的图像模型拿 Shutterstock 的素材训练，结果生成的图片里出现了 Getty Images 的水印。FT 这篇评论的角度很刁钻：这等于 OpenAI 自己给 Getty 打了一次免费广告，证明即便用海量廉价图库训练，模型依然“记住”了 Getty 的稀缺内容，说明高质量、可商用的授权图库在训练数据里是绕不开的硬通货。 文章没给出具体的技术复现细节，也没说明水印出现的概率有多高，所以这个案例更像一个市场寓言，而不是严谨的模型缺陷报告。但逻辑是成立的：AI 公司越依赖 Shutterstock 这类相对便宜的图库，Getty 手里那些独家、有版权的影像就越有议价权。 缺的东西也很明显：没有 Getty 或 OpenAI 的官方回应，也没有第三方测试数据。如果我是 Getty 的股东，我会先高兴一下，但还得看这个“水印事件”能不能转化成实际的授权合同，否则就只是一次好运气。

YOLO26 这次改动思路很直接：去掉非极大值抑制（NMS，就是模型画完框后用来去重的那步）和分布焦点损失模块（DFL，一种让框更准的辅助计算），把检测流程做成真正的端到端。好处是推理延迟更低，对算力有限的边缘设备更友好。模型分了 Nano 到 Extra Large 五个尺寸，覆盖检测、分割、姿态估计等任务。 但 Roboflow 这篇介绍文章没给出具体的延迟对比数据，只放了 COCO 精度-延迟散点图，图上 YOLO26 各型号的位置看着不错，可没标测试硬件和批次大小。跟 RF-DETR、LW-DETR 等模型的对比也停留在图表层面，缺少量化表格。 如果你在选边缘端检测模型，YOLO26 去掉 NMS 和 DFL 的思路值得关注，但落地前最好自己跑一遍延迟测试——文章没披露的部分恰好是工程选型最需要的。

这篇论文放出了一个叫VibeThinker-3B的小模型，只有30亿参数，但在AIME26数学竞赛上拿了94.3分（加长思考时间能到97.1），LiveCodeBench v6编程测试Pass@1达到80.2，甚至在没见过的LeetCode新题上通过率96.1%。这些成绩直接对标DeepSeek V3.2、Gemini 3 Pro这些大几十倍甚至上百倍的模型。 训练方法用了三招：先按难度递进做监督微调（SFT），再用GRPO做多领域强化学习，最后用模型自己生成的数据做离线蒸馏。作者还提了一个假说，认为可验证的推理能力可以压缩进很小的参数核心里，但开放领域的知识还是需要大参数来覆盖。 不过正文没披露训练数据规模、总计算量和推理延迟。一个3B模型能跑出这个分，如果是真的挺省钱，但没这些数字就没法判断复现成本和实际部署体验。另外IFEval指令遵循得分93.4，说明推理能力拉上去之后，模型没变傻，这点算是个加分项。

Seed2.1 这次把重心放在了“干活”上，而不是跑分。它强调在真实工作场景里的表现，比如在手机操作评测 MobileWorld 上拿了最高分，跨工具任务的平均步数减少了 16%，说明模型在理解屏幕、切换应用、调用工具这些连续动作上更流畅了。写代码方面，开发者盲测中对比 Claude Opus 4.6 有 59.1% 的胜率，这个数字挺实在，但要注意这是字节自己组织的评测，样本量和任务类型没细说，外部公平性还得看第三方复现。 多模态理解在几个图表和文档评测上拿了 SOTA，对处理 PDF、报告这类非结构化信息有帮助。不过整篇公告没提参数量、推理成本和最大上下文长度，这些对实际落地很关键。另外，模型已经在豆包和 TRAE 上线，API 也同步到火山引擎，想试的话可以直接跑跑看，别光看纸面数据。

腾讯把小微死死按在个人工具这个角色上，不是技术做不到，是不敢。蚂蚁灵光那边已经有3000万个AI生成的闪应用在公开广场流通，微信却连一个分享按钮都不敢给。这背后是840万小程序开发者的利益和14亿用户的内容审核压力，一旦放开，AI生成的垃圾内容会瞬间冲垮社交关系链。五层约束在现阶段是理性的，它把风险锁在了个人域内。 但文章点出了一个藏不住的问题：小微帮你搜奶茶时，为什么优先调起美团而不是京东？这个排序逻辑对用户和开发者都是黑箱。微信十年前承诺不做排行和推荐，现在AI用自然语言理解的外衣，把分发权力悄悄接了回来。如果解释层不跟上，用户会觉得AI办事不透明，开发者会觉得流量被黑箱操控，两边的信任都会崩。 交易层目前交给了桌面端的WorkBuddy，走企业授权和专属卡支付，笔笔确认。这等于把最尖锐的“AI代办交易如何排序”问题，从C端平移到了B端，暂时绕了过去。文章没披露小微未来是否会接入支付和交易能力，也没说排序机制的透明度方案具体何时落地。

陶哲轩这次报告的拐点，得分两层看。第一层是AI生成的证明被Lean这个“数学批改器”确认无误，以前需要既懂数论又会形式化语言的志愿者花几周做的活，现在几小时搞定。在一个门槛极高、公认要靠专业人类的环节上，这确实是实打实的突破。第二层是这些证明虽然没错，但代码冗余、抽象层级选得不对，人拿去读和整理反而成了新瓶颈。arXiv一篇独立报告也记录了同样的模式：Claude Code的证明通过了Lean校验，专家一看发现AI为了交差走了捷径，还自己造了一堆没必要的定义，让整个系统更难用。 陶哲轩花了三年才走到这个判断。他过去一直说LLM像“过度自信的本科生”，在前沿领域没有现成训练数据的地方就失效。这次是在自己亲手推进的项目里，顶着几十位数学家联署“别信炒作”声明的压力，基于实测数据说出来的话。他报告的临界点是工程化形式化的临界点，不是AI自己能发现新定理。路已经有人铺好了，AI只是从慢走变成了快走。

这篇论文给AI编程智能体设了个硬核考场：从Nature系列已发表论文里抽了90个跨学科任务，让它们在不联网查资料的前提下，复现甚至超越原论文的最优结果。最强的模型配置只在17.8%的任务上真正胜出，判定标准是提升幅度超过0.1。这个数字说明，现在的AI离“独立搞科研”还差得远。 智能体赢的路径很取巧，主要是把各种科学问题翻译成自己擅长的监督学习套路，而不是靠真正的科学洞察或方法创新。输的原因里，大头是选错了方法或算力不够，倒不是没读懂任务。这暴露了一个关键短板：模型在陌生领域缺乏判断“该用什么方法”的元能力。 不过，这个基准本身也有局限。90个任务样本量不算大，而且禁止联网搜索，相当于捆住AI一只手去和全副武装的原论文比。如果开放联网，结果可能会好看些，但那就测不出模型自身的推理和创新能力了。论文公开了代码和排行榜，后续可以盯着看各家模型在这个硬指标上能刷到多少分。