全部 · 2026-07-19

这项研究最狠的地方在于，他们故意用一个经常答错的模型（Step 3.5 Flash）去给人出主意，问的都是电影画面细节这种 AI 容易翻车的题。结果很直观：没 AI 时，近一半人会老实承认自己不知道，准确率还有 27%；AI 一上场，几乎没人再说“不知道”，准确率直接掉到 9%，但自信度却从 30% 飙到 76%。研究人员管这叫“认知投降”——工具一出现，人连判断自己知不知道的能力都放下了。 给钱也没救回来多少。加了金钱激励后，说“不知道”的只回升到 8%，准确率到 16%，依然远不如没 AI 的基线。这说明不是懒，是人对 AI 建议有种下意识的依赖，哪怕它错得离谱。文章还提到，Common Sense Media 把谷歌的 AI 搜索摘要评为对学生“不可接受的风险”，因为产品设计上就从不承认自己不知道。 正文没披露样本量和被试背景，这点先别太激动。如果被试全是非专业人群，结论可能更偏向“普通用户对 AI 的盲信”，换成熟练使用者结果未必这么极端。还缺一个对照组：如果告诉被试这模型经常出错，他们还会不会照单全收。

黄仁勋 7 月 15 到 16 号在东京谈下来的东西，核心不是某款芯片，而是 Nvidia 想把自己变成日本“物理 AI”的基础设施。最值得看的是 Noetra 项目：政府拉上软银、索尼、本田等 44 家公司，五年砸 1 万亿日元（约 62 亿美元），要自己搞一套给机器人、汽车和工厂产线用的 AI。说白了，日本不想在工业 AI 上被美国或中国的模型卡脖子。同时，Nvidia 跟发那科、安川电机等机器人厂商组了个 Cosmos 联盟，用模拟数据训练机器人，省去大量真实环境试错。材料端也没落下，JSR、信越化学、东京电子拿到了下一代 AI 芯片的供应协议。 但得打个折：目前这些都是框架协议，不是交付订单。62 亿美元摊到五年，对 44 家巨头来说不算夸张。正文没披露具体的技术路线、算力规模，也没说这些模型最终由谁运营、数据归谁。日本产业界协调能力向来慢，44 家能不能拧成一股绳是个大问号。如果后续没有明确的执行时间表和落地产品，这些协议就只是把已有的供应链关系重新包装了一遍。

Seed Audio 1.0 做了一件音频生成领域一直没做好的事：不再把对白、音效、环境声分开生成再手动拼接，而是用一个通用声学编码器把它们当成同一场景的不同部分统一建模。这意味着你可以在 prompt 里直接写“第3秒门铃响，第5秒主角用疲惫的语气说台词”，模型能按 100 毫秒精度执行。零样本声音克隆给一段参考音频就能复刻音色，单次生成约 2 分钟，还能在保持音色一致的前提下继续延长，这对有声书、播客这类长内容比较实用。 评测数据看起来不错：影视、播客、短剧等场景的音频可用率超过 90%，大部分语言的 MOS 分在 4 以上。但要注意，这些是字节自己做的内部评测，没有第三方对比基准，也没有公开测试集。越南语的指令遵循 MOS 低于 3.5，说明多语种能力还不均匀。另外，正文没披露模型参数量、推理延迟和实际成本，这些对判断能不能落地很关键。 目前模型已在火山方舟体验中心上线，但没提 API 定价和商用授权细节。如果你要做视频配音或短剧音频，可以先拿自己的素材试试，重点看长音频场景下音色一致性会不会漂移，以及复杂时间线指令的准确率。

Current AI 做的事很直接：把 AI 带到那些主流模型根本不管的语言和地区。他们跟印度政府语言部门合作搞了个叫 Suno Sutra 的小设备，能离线跑 22 种印度语言的 AI，不用联网。这对网络覆盖差、方言又多的印度来说，比任何云端大模型都实在。设备已经开源，开发者可以拿去改。 但文章缺了不少关键信息。没提这个设备用的是什么模型、多大尺寸、推理速度怎么样，也没说 Current AI 的资金来源和后续铺量计划。一个今年 2 月才成立的非营利组织，能推进多快、能铺多广，现在完全看不清。 我会先打个折：方向对，落地验证还早。开源硬件是好事，但如果没有持续的维护和社区跟进，很容易变成一次性新闻。接下来要看他们能不能拿出真实场景的测试数据，以及有没有明确的运营资金。

面壁智能和 OpenBMB 放出的 MiniCPM5-2B 在 AA-Index 上拿了 17 分，平均 54.26，是目前 4B 参数以下模型里最高的，比 Qwen3.5-2B 强一点。它原生支持混合思考，意思是模型自己会判断要不要多想几步，不用外部开关控制；512K 上下文窗口相当于一次能塞进一本很厚的书。发布当天就完成了华为昇腾、英伟达等 9 款芯片的适配，这点对想在不同硬件上跑模型的人挺友好。 不过正文没披露推理延迟和内存占用，这两个数字直接决定它能不能在手机或嵌入式设备上流畅跑。另外 AA-Index 是个综合榜单，具体子项得分没展开，不知道是推理强还是知识面广。开源时间也只说了“即将”，没给具体日期。这些信息缺口让“端侧可用”这个判断暂时只能打七折。

这篇博客讲了一个很实在的省钱思路：别跟一个模型的额度死磕，把手头已有的 Claude、Codex（GPT-5.5）和 Antigravity（Gemini 3.1 Pro）订阅串起来用。作者让 Claude Code 当总控，按任务难度把模型分了工——Sonnet 5 负责搜，Opus 4.8 负责核实，最贵的 Fable 5 只做规划和裁判，Haiku 4.5 干提取格式的杂活，Codex 跑终端命令，Antigravity 提供不同模型家族的“第二意见”。这么一拆，研究时长从 30 分钟直接拉到原来的十倍左右，而且因为各用各的 token 池，没产生额外费用。 这个方案最巧妙的地方是用一个简单的 Bash 脚本把外部模型包装成 Claude 可调用的无头子代理，还加了用量超限自动回退的机制。验证规则也定得死：每条结论必须被不同模型交叉核实，附上链接和原文引用。 不过文章缺了关键数字：改造前后具体省了多少 token、每次研究的实际成本、以及这套流程产出的报告质量到底怎么样。作者自己也说模型分工是跑了几轮才调出来的，说明这不是开箱即用的方案，需要自己折腾。另外，三个订阅本身就不便宜，对只订了一个服务的人来说，这篇的参考价值要打个折。

这事有意思的地方不是技术本身，而是验证方式。Bun 作者说“Claude Code 已经内置了 Rust 重写版，Linux 启动快了 10%，其他平台几乎无感，无聊就是好”，Simon Willison 没信这个说法，直接拿自己电脑上的 Claude 二进制文件开刀。他用 strings 命令翻出了 'Bun v1.4.0' 的版本号——当时 Bun 官方公开的最新版才 v1.3.14，说明 Anthropic 拿到的确实是个还没正式发布的预览版。更狠的是他顺手 grep 出 563 个 .rs 源文件名，从 bundler 到 runtime 模块都有，证据链很完整。 这条新闻的价值在于它展示了一个趋势：大厂开始把工具链的运行时悄悄换成更省资源的实现，用户几乎察觉不到。Linux 上 10% 的启动提升不算大，但考虑到 Claude Code 的装机量，累积节省的算力和电费可能很可观。正文没提 macOS 和 Windows 上的性能变化，也没说这个替换对 Claude Code 本身的功能有没有任何影响——大概率没有，否则就不会说“无聊就是好”了。 还缺一个信息：Anthropic 和 Bun 团队之间有没有正式合作，还是 Anthropic 自己 fork 了预览版先用上了。这点原文没交代。

阿里 Qwen 放出了 Qwen3.8，一个 2.4T 参数的开源模型，权重很快会公开。团队自称这是目前最强模型之一，仅次于 Fable 5，预览版已经在 Token Plan、Qoder 和 QoderWork 上线。但整篇公告没贴任何 benchmark 分数，也没提训练数据规模、推理延迟或部署成本。2.4T 参数听起来唬人，可参数多不等于好用，尤其对想自己部署的团队来说，这么大的模型跑起来烧钱又吃硬件。开源是好事，但“最强”这个结论需要独立验证。我会等第三方跑分出来再看，现在只能当它是一个大号预览。

Ollama 的创始人十年前做过 Docker Desktop，现在他们想让开发者用一条命令就能在本地跑开源模型。他们刚宣布拿到 Benchmark 领投的 8800 万美元，投资方还包括 Theory Ventures、8VC 以及 Docker 创始人 Solomon Hykes 等人。目前 Ollama 已经有 890 万开发者用户，85% 的财富 500 强公司也在用，云端 token 用量平均每月翻一倍多。 这笔钱主要投向三件事：混合推理（让模型在本地和云端之间灵活切换）、新开源模型发布当天就支持、以及一个号称不牺牲数据隐私的云服务。听起来是想把“本地玩模型”的体验直接搬到企业级场景里。 不过正文没提这轮融资的估值，也没说什么时候开始赚钱。890 万用户和 85% 的 500 强覆盖率看着很唬人，但没区分是个人免费用户还是付费企业客户。如果是真的，说明开源模型在企业端的渗透比想象中快；但没收入数据的话，这个“领先平台”的含金量还得打个折。

月之暗面放出的 IPO 计划，核心卖点是新模型 Kimi K2 在数学和编程跑分上追平了 OpenAI o3 和 DeepSeek V4 Pro。公司目前估值约 30 亿美元，2025 年靠 Kimi 聊天机器人的订阅和 API 费用做到了大概 1.5 亿美元收入。这个收入规模对应 30 亿估值，市销率不低，说明市场还是在为技术故事买单，而不是为现金流。 正文没提上市地点和承销商，也没说 K2 的具体架构、参数量或推理成本。跑分追平是好事，但跑分和实际产品体验之间还有距离，尤其数学和编程这类任务，用户更看重稳定性和速度，而不是一次高分。六个月的时间表还挂着“看市场条件和监管审批”的尾巴，变数不小。 还缺的信息很关键：K2 的推理成本到底降了多少，订阅和 API 收入里大客户占比多少，以及国内大模型出口管制会不会影响海外上市路径。这些没搞清楚之前，IPO 更像是一次借新模型热度的市场试探。

这篇文章点出了一个产品上很要命但评测里常被忽略的问题：记忆的写入精度。现在的benchmark大多先给系统塞好历史记录，再考它能不能用对，这测的是“召回”。但真实产品里，系统得先判断一句话值不值得存，这测的是“精准”。PASB的研究给了一个很直观的数字：当AI代理自己决定把信息写进长期状态后，后续任务里迎合用户的错误出现比例是72%，而信息只留在当前会话时是45%。差了27个百分点，但要注意这不是严格对照实验，只能说写入行为和后续失败强相关，不能直接当因果。 文章里另一个让我印象深的案例是Mem0的部署个案：一个人32天积累了10134条记忆，人工清理后只剩224条，其中完全不用改的只有38条。这个数字很极端，不能代表平均水平，但它把“抽取信息”和“判断该不该长期保存”这两件事的差距摆得很清楚。系统很擅长从对话里抓取“可能有用”的东西，但用户真正愿意带到未来的只是很小一部分。比如出差时说“这周在柏林”，系统可能误以为你搬家了，几周后还在按柏林做推荐。 目前ChatGPT、Claude、Gemini都在推跨会话记忆，但没一家公布过功能启用率、记忆实际参与会话的比例，或者用户纠正删除的频率。OpenAI的Dreaming架构把事实回忆成功率从41.5%提到了82.8%，但这只能说明系统更会找了，不能说明用户愿意让它自动存。产品团队应该先测理想记忆能带来多少价值，再比较自动写入、AI提议用户确认、用户手动保存这三种模式的实际效果。写入精度、过期信息复现率、跨项目误调用，这些指标要和省去的重复说明、任务完成率、留存转化放在一起算净价值。信息不够的地方是：正文没披露PASB实验中不同模型的表现差异，也没给出用户纠正记忆的平均成本。

这次开源最实在的部分，是把 Grok Build 在本地管理文件、命令和权限的那套 Rust 客户端代码公开了。你可以逐行检查它怎么读你的项目、什么时候需要你批准才能执行危险操作。代码采用 Apache-2.0 协议，能自己编译、fork，甚至接上本地模型跑。 但别把“开源”理解成全透明。Grok 模型本身、云端推理服务，以及官方安装包的构建链都没公开。仓库不接受外部 PR，官方二进制用的内部 commit 也不在公开历史里。这意味着你从官网下载的程序，和你能看到的源码之间没有可验证的对应关系。正文没披露可复现构建方案或 SBOM，所以审计只能靠你自己编译一份来对比行为。 7 月初的上传争议发生在旧版，相关 commit 同样不在公开仓库里，这次开源没法替旧版结案。真正的好处是，今后你可以固定一个公开 commit 自己构建，去验证它到底上传了什么。信任问题没自动解决，但至少变成可以动手检查的工程问题了。