全部 · 2026-08-15

这条新闻最让人不安的不是技术本身，而是门槛低到一个人就能用一张童年照制造出 7000 多张儿童性虐待素材。受害者加入的集体诉讼直指 xAI 的 Grok 缺乏基本防护，连阻止生成真人（包括未成年人）露骨图片的机制都没有。文章提到，今年早些时候 X 平台已经被 Grok 生成的数百万张色情图片淹没，说明这不是偶发的越狱，而是产品设计上就没把这道门关好。 TechCrunch 联系了 xAI，但正文没收到任何回应，所以我们暂时听不到平台方的说法。另外，报道只引用了受害者一方的指控和《华盛顿邮报》的转述，执法部门的调查细节和 Grok 具体被利用的技术路径都没披露。这点先别急着下结论，但 7000 这个数字和施害者两天后自杀的时间线，已经足够说明伤害的严重性。

这事最让人不舒服的不是收集数据本身，而是“全程没提示”。逆向分析发现，客户端会默认附上最近 5 次跟 AI 的完整对话，里面可能混着代码、内部文档或聊天记录，用户点提交那一刻根本不知道这些被一起送走了。作为对比，Claude Code 在提交反馈前会明确弹窗提醒“将发送当前对话”。 作者已经给 Kimi 发了邮件提醒，但正文没披露对方有没有回复，也没说这是设计如此还是 bug。这点先别太激动，因为多数 AI 厂商的隐私条款里确实给“反馈数据”留了口子，但一次打包 5 段完整记录的做法还是太糙了。 目前还缺两个关键信息：一是 Kimi 官方对此事的正式回应，二是这些会话数据在后端是否被关联到个人账号、留存多久。在搞清楚之前，如果你在用 Kimi Work 处理敏感内容，建议先别点那个反馈按钮。

这篇文章提供了一个很直接的认知框架：AI 在数学上的优势，可能主要来自它把人类最要命的瓶颈——工作记忆容量——给绕过去了。人脑一次只能同时摆弄几个不熟悉的信息，而模型可以把整个问题、几百行中间方程、几条走不通的思路全摊在上下文窗口里。文章引用了 Alloway 和 Passolunghi 2011 年的研究，说明工作记忆对数学表现的预测力甚至超出了智商，所以去掉这个限制，比赛的起点就不一样了。 不过得说清楚，这篇不是实验报告，是个人博客上的观点文章。正文没有给出任何具体模型或基准测试的数据来量化这个优势有多大，也没有对比不同上下文长度下的推理得分变化。所以它更像一个值得琢磨的假说，而不是一个已经被验证的结论。 如果这个假说成立，那意味着我们评价模型数学能力时，得分高可能不全是“更聪明”，有一部分是“记性更好、草稿纸更大”。这点先别太激动，但确实值得在后续评测里把工作记忆这个变量单独拆出来看。

Joshua Barretto 的库被 FAANG 直接依赖，但他至今不用大模型做任何在乎的事。他的判断很直接：四年过去，软件质量、速度、成本和安全都没实质提升，只堆出一堆没人敢用的演示垃圾。1.5 万亿美元砸下去，能证明顶层生产力提升的独立研究依然缺位，现有研究要么盯着“代码行数”这种跑偏的指标，要么样本小到没法下结论。他收到的 AI 生成的 PR 仍然不值得合并，前沿模型会漏掉业余爱好者能发现的明显 bug。 他的核心论点值得从业者琢磨：代码是软件开发的输入，不是输出。拿行数当生产力指标，不管代码是人写的还是机器吐的，最后都会通向没法维护的烂摊子。这点先别太激动——正文没披露他具体收到多少 AI PR、来自哪些模型，也没给出他个人项目在速度或成本上的对比数据，所以这更像一个资深维护者的经验判断，而不是系统性证据。 还缺什么？缺大规模、独立、追踪真实交付质量（而非代码行数）的对照研究。在那种研究出来之前，他的怀疑站得住脚。

Fred Schott 做 Flue 2 的思路很直接：他发现企业客户往往全公司只跑一个智能体，根本不需要文件路由那套，所以干脆砍掉，换成 React 式的组合能力。核心是 16 个用 TypeScript 写的 Agent Hooks，比如 useSkill、useTool、useSubagent，让智能体在对话推进中按需加载工具或子智能体，而不是提前配死。Schott 说做真正的客服和分流机器人必须这么干，因为没法穷举所有情况。 这个判断有它的道理，但文章没给出任何性能数据或延迟指标。动态挂载听起来灵活，实际跑起来会不会因为频繁加载拖慢响应，或者增加调试难度，正文都没提。另外，Flue 2 跑在开源的最小化 harness Pi 上，用 Vite 托管，但 Pi 的成熟度和社区规模也没交代。 我会先打个折：Hooks 这个方向对复杂交互场景确实有用，但 Flue 2 刚发第一个稳定版，生产环境的表现和坑还完全未知。想用在关键业务上，最好等第一批吃螃蟹的人把延迟和稳定性数据跑出来再说。

BBC 这篇报道把一条行业传闻做实了：二手书商突然接到大量奇怪的大单，从冷门拉丁文著作到牛仔小说都有，买家不是读者，很可能是 AI 公司。关键背景是 2025 年美国法院判 Anthropic 用二手书训练 Claude 不侵权，解封的文件还曝光了一个内部叫“巴拿马计划”的项目，目标就是“破坏性扫描全世界的书”——拆掉书脊高速扫描，剩下的回收。Anthropic 回应说这是行业通行做法，否认买过珍本或古董书。 书商的态度很真实：卖得爽，但知道书可能被粉碎又觉得可惜。一位书商说有些滞销多年的书终于卖出去了，但如果最后是被毁掉，还是有点难过。报道没给出这批大单到底占二手书市场多大比例，也没确认买家就是 AI 公司，只是从订单的随机性和规模推断。英国版权法比美国严，教授指出在英国做这种训练拷贝原则上需要权利人许可，但执法层面怎么落地，正文没展开。 这条新闻的价值在于把 AI 训练数据供应链里一个灰色环节摊开了。缺的是买家的直接确认、具体采购量级，以及英国版权方有没有实际动作。

这篇博客讲的是 Netflix 把推荐系统的排序环节直接换成一个大语言模型，取名 GenRec。做法分两步：先拿平台自己的数据继续训练一个基础模型，让它熟悉片库和用户行为；再把它微调成排序器，输入是用户看过什么、候选片有哪些，输出就是排序分。线上 A/B 测试的结果是观看时长比现有系统高了 0.8%，离线指标 NDCG 涨了 2.3%。推理延迟控制在 11 毫秒以内，说明他们做了不少工程优化，不然大模型实时排序根本跑不动。 不过文章没提用的是哪个基础模型，参数量也没说。0.8% 的观看时长提升在推荐系统里算不错，但不知道这是靠堆算力换来的，还是模型真的更懂用户。另外，把传统推荐流水线换成一个大模型，维护和排查问题的难度会大很多，这点博客里没展开。成本也是个大缺口——训练和推理分别花了多少钱，完全没披露。 整体看，这是个方向性的尝试，证明大模型直接做排序在工程上可行，但离“比现有方案更划算”还有距离。如果后续能补上模型规模和成本数据，判断会更踏实。

DSH正式开源，核心理念是“一切都是插件”，连智能体的主循环都能在运行时替换。有群友做了深度剖析，结论很直接：对日常开发来说，它和Codex这类声明式框架上限一样，但门槛更高。它唯一的结构性优势，就是那个可替换的主循环，相当于为了“让智能体自我进化”这盘醋包了一整盘饺子。这个设计思路很激进，但赌的是未来智能体是常驻的、会自己改自己的运行时，赌对了是必需品，赌错了就是纯复杂度税。 首批测试数据也出来了：跑一个长程任务，33轮746步，花了145分钟，输入277M token，缓存命中率100%，成本1.5块。速度还行，但正文没披露具体任务的成功率和完成质量，光看步数和耗时没法判断它到底有多靠谱。 安全方面，发布当天就被挖出四个漏洞，最严重的是沙箱配置为只读挂载根目录，模型能直接读走你电脑里的SSH密钥和.env环境变量文件。这点先别太激动，毕竟是开发者预览版，但如果你要本地跑，建议先别在存有敏感凭据的环境里试。另外，DeepSeek V4 Pro的发布也翻车了，不同用户拿到的模型版本不一致，能力差距极大，官方还撤回了权重，目前整个发布状态很混乱。

OpenAI 在冲刺 IPO 的节骨眼上，首席战略官 Jason Kwon 和首席产品官 Kevin Weil 都走了。加上之前离开的几位早期成员，高管层确实不太稳。Sam Altman 给公司定的估值目标是 1500 亿美元以上，这个数字本身就很高，现在核心团队接连出走，会让投资人更担心公司治理和长期方向。 不过，这篇报道没给出具体的上市时间表，也没提由哪家投行承销。最关键的是，它没有披露 OpenAI 现在的收入增长和用户留存到底怎么样。高管离职是坏消息，但最终能不能撑起 1500 亿的估值，还得看实打实的财务数据。如果收入增长够猛，人员变动的影响可能就没那么大；如果增长放缓，那这波离职潮就是雪上加霜。这些关键信息目前都是缺口。

Daniel Litt 在 OpenAI 内部讨论里画了一条很反直觉的曲线：AI 的数学能力越强，数学本身可能越停滞。他拿 arXiv 组合数学周投稿量说话，2025 年初开始猛涨，但 MathOverflow 的问答量同期断崖式下跌，提问和回答都在变少。这说明社区里活人之间的交流在萎缩，大家不问了，也不答了。 更麻烦的是重复造轮子。Feige 的 1/e 猜想几乎同时被三个团队独立证明，其中两个明说是 AI 找到的。OpenAI 和 Anthropic 的模型也在互相复现对方刚发的成果。大量算力和人力砸进去，边际价值可能就值那点 token 费。 Litt 还提到一个 2027 年的苗头：同行已经拒绝讨论进行中的工作，怕被 AI 抢先发表。正文没展开他设想的 2028 年完整场景，但信号很明确——当产出论文的成本被 AI 打到极低，学术激励体系会失灵。这篇是个人博客，不是正式研究，数据只给了组合数学一个领域，其他方向是否同样剧烈他没给图。

这条新闻把AI基建的瓶颈从芯片换到了电，判断很直接。Nvidia打算投20亿美元入股电网开发商Lancium，电通了再追加10亿，本质是花钱买通电优先权。Amazon在Pecos County自建5,000兆瓦燃气电厂，先不接公共电网，用马斯克在孟菲斯那套“先开机再说”的路子。两家的动作说明，通电日期已经比GPU更难搞。 数字很说明问题：德州大负荷接入申请474吉瓦，真正获准送电的只有8.9吉瓦，实际用电峰值更少，才3.9吉瓦。大型变压器交货周期拉长到128周以上，芯片到了机房壳子盖好了，电进不来。微软CFO也直说，瓶颈是能安放芯片的空间或电力，不是芯片本身。 文章没提的是，Amazon自建电厂那35台燃机排放上限超过3,300万美吨，环保审批会不会卡住，以及德州州长6月刚要求数据中心自担基建费、8月又暂停新电网审批，这些政策变量对两家项目进度的影响有多大。另外，Nvidia入股Lancium的交易细节正文没披露，20亿换两成股份的估值逻辑还不清楚。

这篇文章讲了一个很实际的工程思路：把视觉感知和逻辑推理拆成两层，用小模型在本地看图说话，大模型在云端做判断。作者用Liquid AI刚发的LFM2.5-VL-3B在自家车库摄像头上实测，零样本判断门开没开准确率94.3%，本地跑完只要1.5秒。这个数字挺扎实，但要注意两点：一是验证集只有280张图，规模偏小；二是任务换成多类别检测时recall掉到66.2%，空场景误报率47%，说明零样本小模型目前只适合做简单的二选一判断，复杂场景还撑不住。 文章把分离架构的优势讲得很清楚：本地感知1.5秒，云端推理3到5秒，这个延迟差是光速和网络决定的，DeepSeek就算明天出多模态也抹不掉。图片不出设备的隐私属性、高频感知零成本的本地推理，这些优势也不会因为API降价就消失。但作者也诚实指出一个关键缺口：小模型输出的是自然语言，不是概率分数，怎么从"门开了"这种文字里提取可靠的置信度信号来决定要不要升级到云端推理，正文没给出校准方法，这是从概念到生产要补的环节。 整体判断有实测数据支撑，不是纯概念推演。但LFM2.5-VL-3B的性能数据全部来自厂商自评，目前没有独立复现，这点先别太激动。

这条新闻把 DeepSeek 高分背后的机制讲清楚了。模型在只给 bash 和编辑器两个工具的极简模式里跑得很顺，但一换到 Composio 等第三方环境，通过率直接腰斩。Stanford 等团队的论文给出了量化解释：用单个大模型当用户模拟器训练 Agent，策略熵会从 1.9 nats 暴跌到 0.4，模型只学会钻模拟器回应模式的空子，换环境就崩。 DeepSeek 走到这一步有产品形态的硬伤。它长期没有自有终端产品，API 服务拿不到真实用户的多轮交互数据，训练只能靠合成环境。合成数据在数学题这种有标准答案的任务上没问题，但 Agent 任务需要多样化的交互轨迹，单一模拟器造不出来。正文没披露 DeepSeek 后训练时 Agent loop 的确切配置，但 0731 版本只改后训练、官方高分绑定 minimal mode、第三方复现下滑，这几条证据连起来看，harness 过拟合的推论是站得住的。 论文提出的解法不是换更强的模拟器，而是拓宽环境的行为分布。推理时让模拟器先输出候选概率再采样，或者训练时让模拟器和策略同步迭代。DeepSeek 8 月 13 日发布的 DSH 把 Agent loop 做成可热插拔插件，算是 Co-Training 思路的工程落地。但有了 harness 只是第一步，能不能持续收集到足够多样的真实交互数据，才是决定这条路能走多远的关键。

复旦团队开源的MOSS-VL，核心卖点是把实时交互——也就是模型一边接收画面一边说话——当作一等能力来设计，而不是事后打补丁。它用了一种叫门控交叉注意力的机制，把视觉信息放在解码序列外面处理，所以生成第一个字的延迟比同底座的Qwen3-VL-8B低了2.8到5.1倍，视觉上下文越长优势越明显。实时版在四个流式基准里拿了三个第一，尤其在OmniMMI主动预警任务上，66.0分对最好基线的37.5分，差距拉得很开。 不过要注意，这篇是技术报告，不是经过同行评审的论文，所有数字都来自团队自报。正文没披露实时推理时的显存占用和吞吐量，也没说这套门控交叉注意力在长视频场景下会不会有注意力衰减的问题。11.3B的参数规模不算小，但视觉token不塞进解码序列，这个设计思路确实省了计算。 五个检查点、训练流程和推理代码全开源了，这点值得肯定。但实际部署效果还得等社区复现和第三方评测，现在看到的都是最优条件下的数据，先打个八折看。