全部 · 2026-08-27

这篇博客最值得看的是 Linum 怎么一步步把数据筛选从省钱方案升级到效果方案。2024 年他们为了省 GPU 成本，全用 CPU 跑传统视觉算法：PySceneDetect 切镜头、EAST 做文字识别、靠 H.264 的运动向量踢掉几乎不动的片段，再用 Haar 级联分类器对“大头讲话”视频做降采样。这套方案的好处是便宜，但问题也很明显——规则太死，容易误杀或漏掉边缘样本。 到 2025 年初，他们换上 GPU 集群，用微调过的 Qwen-2-VL-2B 做分类过滤，把之前手工写的规则全扔掉。这一步让筛选更准，但正文没披露换了之后数据保留率变化了多少，也没说 GPU 成本涨了多少。2025 年底又引入 RLVR，用 Qwen-2.5-VL-3B 给视频打 1-4 分的美学评分，再配合 WAFT 光流法抓漏网的低动态片段。 整体思路清晰，但缺关键数字：v3 模型多大、什么时候发、各阶段过滤掉了百分之多少的数据、最终训练集规模是多少，这些都没提。所以这篇更适合当工程路线参考，别当效果验证看。

LAION 这次放出的 BVD 是个给多模态模型用的公开视频数据集，规模确实大：从 CommonCrawl 抓了 13 亿条视频链接，实际下载了 8000 万个视频，总时长 1000 万小时。处理流程上，他们用场景检测把视频切成片段，再给画面和声音分别生成合成字幕，相当于用机器给视频和音频自动打标签。用这批数据训出来的 ViCLIP 模型，在视频文本基准上比用 InternVid 训的模型最多高出 2.1 个百分点，而且数据量从 1000 万加到 5000 万个片段时，效果还在涨。另外从视频里抽出来的 3 亿帧画面，分布跟普通网页图片不一样，训出来的 CLIP 模型在图文检索上表现也不错。 不过有几处得打个折。第一，所有字幕都是合成生成的，不是人工标注，质量上限取决于生成模型本身，正文没披露具体用哪个模型生成、错误率多少。第二，数据集明确写了只限研究、不能商用，而且 LAION 自己提醒数据里可能有偏见和版权问题，但没给出具体的去偏处理方案或版权清洗细节。第三，音频部分的对比基线是“未整理的数据集”，这个说法比较模糊，实际竞争力不好判断。 整体看，这是个对学术圈有用的资源，填补了大规模公开视频数据的缺口，但离工业级直接可用还有距离。还缺的信息包括：合成字幕的模型和评估指标、数据去重和过滤的具体规则、以及不同语言和地域的分布统计。

Instinct 做的事听起来很直接：一个能帮你订票、买菜、取消订阅的 AI 助手，相当于把一堆杂事外包给模型。但文章里能验证的东西太少。产品还在内测，没有公开的用户规模、日活或付费数据，只有“早期用户在用”这种模糊说法。25 亿美元估值对应 3.5 亿总融资，Benchmark 和 Index 联合领投，说明资本在赌一个“通用生活代理”的入口。 风险也很明显。文章提到隐私条款和权限范围已经引发担忧——一个能接管你日常消费和账号的助手，一旦出错或滥用，后果比聊天机器人严重得多。另外，创始人 Noah Shinn 才 23 岁，公司成立一年，团队规模、技术壁垒、模型是自研还是套壳，正文都没交代。这条新闻的价值在于告诉你钱又流向了一个高风险的 agent 故事，但离验证还差得远。

这条的核心逻辑很直白：AI 模型公司本质是倒卖算力的生意，批发买电，加工成智能服务再零售。Anthropic 在 2024 年每赚 1 美元要花 1.94 美元算力，到 2026 年每兆瓦算力成本 1000 到 1500 万美元，却能产生 5000 万美元收入，毛利率转正。Dylan Patel 在播客里点明了这个飞轮：花 10 美元做推理，赚 50 美元，利润再投回训练，造更强的模型。 但数字要打折看。文章给出的 40-50% 毛利率和 5% 运营利润率之间有个大坑，说明训练跑实验和人力成本吃掉了绝大部分毛利。正文没披露这 5.59 亿运营利润是一次性的还是可持续的，也没说收入结构里推理和 API 调用各占多少。GLM-5.3-Flash 用 180 亿活跃参数做到和 Claude Opus 4.8 同分，成本低 90-97%，这确实说明效率提升能直接推高每兆瓦利润，但前提是模型能力得先追平前沿——而前沿本身每个季度都在跳升。 Nvidia 花 60 亿买 Poolside 再加 10 亿投资，赌的是把模型研发变成工业化流水线，不是手工调参。这个方向逻辑成立，但正文没给出 Poolside 的具体收入或毛利率数据，也没说明 52 天从立项到发布的 Laguna S 2.1 实际能力在什么水平。如果模型工厂的产出质量跟不上前沿跃迁速度，推理毛利反哺训练的飞轮就会断。

这条信息来自社区对 Grok Bot 0.18.0 的逆向工程，不是官方发布，但重建的源码有产物锚点，可信度较高。核心发现是 Cursor 在省钱上做了一道精巧的设计：30 多个工具里，只有 18 个静态工具的完整定义直接给模型，另外 9 个只给一行手写的提示。模型想用，得先调 GetMcpTools 把完整说明拉进对话。 这么做的账本很清楚。API 的 tools 参数放在上下文最前面，它一改，后面整个前缀缓存全部失效。Agent 跑起来，输入 token 是输出的一百倍，大头成本在输入。缓存命中时输入价格打一折，失效就得付全价。把动态工具的定义从 tools 参数挪到对话内容里，位置自己控制，前面的缓存纹丝不动，只有新拉进来的那段按原价算。这是用一道“先查后调”的门槛，换整个前缀缓存的稳定。 文章没解释为什么偏偏是这 9 个工具需要动态加载，其余 18 个不用。也没给出这套机制在实际使用中到底省了多少钱的具体数字。另外，逆向的是 0.18.0 版本，Anysphere 已经撤包，当前线上版本是否沿用同一套逻辑，正文没提。

这条新闻值得看，因为它不是博客声明，而是从泄露的生产代码里扒出来的真实设计。Grok Bot 把 system prompt 里的记忆和身份信息冻住，同一个 epoch 内字节完全不变，目的很直接：保住 KV 缓存前缀的命中率。缓存输入每百万 token 0.30 美元，没缓存要 3.00 美元，前缀一变整个缓存就失效。在 agent 输入输出 token 比约 100:1 的场景下，前缀稳不稳直接决定运行成本。 代码还展示了另外两条纪律：运行时状态通过 mcp_status 块动态注入，不破坏冻结前缀；工具返回超过 12KB 就外置到文件系统，context 里只留路径，并用 hasReadPath 校验模型是否真读过。这些和 Manus 2025 年那篇 Context Engineering 文章里的原则高度吻合，两个团队相隔一年独立收敛到同一套解法，说明这些约束是底层模型特性逼出来的，不是谁的风格偏好。 正文没披露这套冻结机制在 compaction 频率不同的场景下，缓存命中率的具体实测数据。也没说当 memory 在 epoch 内发生关键变化时，模型基于过时信息做出错误决策的概率有多高。这两个缺口让成本收益的量化判断还差一口气。