全部

这条信息最值得看的是 Anthropic 自己怎么用 AI 写代码，而不是他们对外卖什么。他们发现，对于 Fable 5 和 Opus 4.8 这种新模型，以前那套“在提示词里手把手教、列一堆禁止项”的玩法已经过时了，甚至会起反作用。所以他们把 Claude Code 的系统提示词直接精简了 80%。这算是个挺反直觉的工程经验，说明模型越强，指令反而要越干净。 另一个硬数字是，他们内部那个叫 Claude Tag 的 Slack 协作工具，现在包揽了团队 65% 的产品工程 PR。这验证了 AI 代理在真实生产流程里的渗透率，不只是写写小脚本。不过，正文没披露非工程师用这个工具的具体效果，也没说那 65% 的代码后续需不需要大量人工返修。Thariq 提到用 Fable 剪视频能过品牌团队的关，这点先别太激动，毕竟他们自己就是模型开发商，内部调教资源肯定比外部用户足。整体看，这是一线团队的实战经验，比公关稿实在，但缺了失败案例和长期维护成本的对比。

这条消息最值得看的是两点：一是满分，二是解题路径。IMO 满分金牌本身就硬，42 分全对意味着模型在六道题上没有犯任何实质性错误，这比“接近金牌”或“银牌水平”的表述扎实得多。全球只有 7 个人类选手拿到同样成绩，这个参照系让分数的含金量更直观。 第二点更关键——dots-note 3.0 不依赖形式化语言，直接读原始 LaTeX 题目。很多数学推理模型需要先把题目翻译成 Lean 或 Isabelle 这类形式化语言再求解，中间多一步就多一个出错和丢信息的可能。dots 这条路是端到端，靠“递归自我批判”来修正推理，听起来像让模型自己反复检查自己的解题步骤。不过正文没披露这个自我批判机制的具体实现、迭代次数上限、以及会不会在某些题型上陷入死循环。 团队强调这是 dots3 系列最轻量的版本，还说要开源。轻量意味着部署成本低，开源意味着可以复现和验证。但正文没给出参数量、推理延迟、以及满分是在什么硬件条件下跑出来的。这些信息缺了，就很难判断这个“轻量”到底多轻，以及满分成绩有没有靠超长推理时间堆出来。我会先打个折，等开源后看实际跑分和复现结果再说。

这条信息本身更像一个播客预告，而不是一篇有细节的报道。Andrew 和 Bill 的核心判断是，美国对开源 AI 的政策很拧巴——手里有牌可以拖慢中国进度，但特朗普政府未必愿意打。这个观察挺有意思，但节目笔记里没展开说具体是什么牌、为什么不愿打，所以只能当个引子看。 另外，节目还提到习近平在世界人工智能大会的主旨演讲，以及中国对全球南方基础设施的叙事。这两件事和 Kimi K3 放在一起聊，说明播客想讨论的是技术突破、政策叙事和地缘博弈的交叉点。但同样，正文没给演讲的具体提法和基础设施叙事的细节，信息缺口很大。 如果你关心的是 Kimi K3 到底强不强、成本降了多少、在哪些基准上超过了谁，这条链接帮不上忙。它更适合那些想听美国政策圈怎么“感知”中国 AI 进展的人。

日经把亚马逊、微软、Alphabet、Meta 和苹果的财报扒了一遍，发现这五家为了抢建 AI 数据中心、囤算力，大量用了经营租赁、合资公司这类表外工具。结果就是，实际要掏的钱比资产负债表上明列的债务多出 1.65 万亿美元。五家 2025 财年的资本开支合计约 3100 亿美元，大头都砸进了 AI 基础设施。 这笔账的风险在于：如果 AI 的商业回报迟迟不兑现，这些表外承诺会从“未来的费用”变成真实的亏损。现在投资者很难从财报里直接看清每家到底背了多少杠杆，因为大部分承诺不直接出现在资产负债表上。 文章没给出每家具体的表外负债拆分，也没说明这些租赁和合资协议里有没有提前解约或转售的退出机制。另外，3100 亿资本开支里到底多少是纯 AI 相关、多少是常规云服务扩容，正文也没掰开。这点先别太激动，1.65 万亿是五家总和，而且表外负债不等于马上要爆的雷，但透明度确实差，值得盯着下一季财报里管理层怎么解释回报时间表。

日经翻了几家公司的披露文件和资本开支数据，算出亚马逊、微软、Alphabet、Meta和苹果现在背着1.65万亿美元的长期租赁负债，其中约60%直接砸进了数据中心、服务器和网络设备。这些钱没写在资产负债表的核心债务项下，但租金是实打实要付的。2018年这个数字还只有现在的五分之一左右，五年膨胀到这个体量，基本就是AI竞赛在底下烧。 对投资人来说，这层操作让真实的杠杆水平变得模糊。如果AI回报不及预期，这些“隐藏债务”会直接变成财务压力。文章没给出各家具体的租赁到期结构和利率敏感度，也没说清楚60%这个比例是怎么从公开数据里拆出来的，所以这个估算本身也得打个折。另外，苹果被算在内有点意外，正文没展开它在AI基建上的具体投入规模，这点先别太激动。

这篇文章把美国的 AI 策略比作管原子弹——严防死守、出口管制、安全护栏层层加码；把中国的策略比作推广核能——开源、铺量、先让全世界用起来再说。作者拿月之暗面刚发的 Kimi K3 举例，说北京依然选择开源，没有因为性能逼近美国前沿就改口风。Douthat 现在更倾向于认为，中国是真的不信“AI 会毁灭人类”那套叙事，而不是在拖延时间等反超。 这个框架的好处是直观，但缺的东西也很明显。全文没有给出 Kimi K3 的具体跑分、参数量、训练成本，也没说它在哪些基准上逼近了 Anthropic 或 OpenAI 的哪款模型。没有这些数字，“接近美国前沿”就只能是一个模糊的印象，没法判断差距到底还有多大。另外，文章也没讨论中国开源模型的实际采用情况——有多少海外开发者真的在用，还是说开源更多是一种姿态。 我会先打个折：这篇是观点专栏，不是技术评测。它提供的是一个理解中美 AI 博弈的叙事框架，而不是验证这个框架的证据。如果你想知道中国模型到底追到哪了，还得去找跑分和实测数据。

这个方法挺巧，不用跑复杂基准测试，只靠“报个随机数”这种零成本操作就能给模型做指纹识别。研究员让 165 个模型各报 30 次 1 到 100 的随机数，发现每个模型的选号偏好都不一样，GPT-4o 偏爱 42 和 37，Claude Sonnet 5 大量输出 47，Qwen3-Max 干脆 30 次全部回答 42。大约发 120 条请求就能识别出模型身份，错误率在 10.6% 左右。 这个错误率说明它还不能当法庭证据用，但作为 API 中转站是否偷换模型的快速抽查工具已经够用。10.6% 意味着每查十次可能有一次误判，实际部署时最好多跑几轮交叉验证。正文没披露不同温度参数下指纹是否稳定，也没说模型版本更新后偏好会不会变，这两点直接影响这个方法的长期可靠性。另外，如果中转站故意在返回结果里加一层随机扰动，这个指纹还能不能成立，目前也没数据。 我会先打个折：它适合做第一道筛查，发现可疑再上更重的验证手段，别指望单靠它就能一锤定音。

MCP 这次改动挺实在的。以前服务端得一直记着会话状态，开发者要费劲管理复杂的会话追踪，现在改成类似普通网站的无状态模式，集成工作量会明显下降。Arcade 这家拿了 6000 万美元、专门帮企业把 AI 塞进业务流程的创业公司，已经发了详细拆解，说明改动方向是靠谱的。 不过文章没提具体性能对比，也没说无状态模式下安全认证怎么补位。状态砍掉之后，每次请求都得重新验证身份，延迟会不会上去、token 消耗会不会增加，这些都没披露。另外，草案五月就公开了，下周才正式发布，说明社区里可能还有争议没完全摆平。 对企业来说，这确实让 AI 接入内部系统更轻量了，但别急着把生产环境全切过去。先看看第一批吃螃蟹的人踩了什么坑，尤其是高并发场景下的稳定性。

这件事最值得看的不是技术，是商业利益直接伸手要政策保护。月之暗面放出 Kimi K3——目前最大的开放权重模型，OpenAI 的战略未来主管 Dean W. Ball 转头就提议美国政府制造监管恐慌，来保住前沿实验室的巨额资本开支。虽然他后来收回了这句话，但 Axios 报道特朗普政府已经在考虑应美国头部实验室要求封禁 K3 和其他中国先进模型。说白了，这不是安全辩论，是有人担心开放权重模型把大模型的价格打下来，让闭源公司的投入打水漂。 Yann LeCun 和 Martin Casado 的反驳点很直接：开放软件加速创新，而且可以和闭源项目共存。文章没给出 Kimi K3 的具体性能基准和实际应用数据，所以它到底是不是真能威胁到 GPT 系列，还得看后续评测。另外，美国政府最终会不会动手、以什么理由动手，正文也没敲定，只是说“在考虑”。 还缺两个关键信息：一是开放权重模型在安全滥用上到底有多大增量风险，文章没展开；二是如果真禁了，美国开发者和企业要付出多大替代成本，也没算账。

Kevin Buzzard 这篇博客讲的是最近几周 AI 在数学证明里“找茬”的速度已经超过人类。5 月 ChatGPT 用数论定理推翻了 Erdős 单位距离猜想；Logical Intelligence 一周内把整篇论文自动转成了 Lean 代码。6 月 OpenAI 的 Boris Alexeev 用新模型 Sol 从公理出发完成了完整的形式化，生成了 120 万行 Lean 代码，其中包含全局类域论这种硬骨头——而人类维护的数学库 mathlib 花了九年才攒了 230 万行。7 月 Logos Research 的工具又在一个 LLM 生成的文档里揪出了一个关于有限平坦群概形的错误断言，人类作者自己都没发现。 Buzzard 的结论是“大规模 AI 生成的数学发展不可避免”。这个判断有数据支撑：120 万行代码三周跑完，对比人类九年的积累，速度差了两个数量级。但要注意，他明确说 AI 生成的代码不可信，得在沙箱里跑，因为 Lean 是编程语言，恶意代码能执行任意命令。这点先别太激动——形式化验证只是把数学陈述翻译成机器可检查的语言，不等于证明本身没有逻辑漏洞。 正文没披露的是：这些反例是否经过了独立的人类数学家复查？Sol 生成的 120 万行代码里有多少是冗余或垃圾？Buzzard 自己说代码“有时很糟糕”。另外，全局类域论的形式化到底覆盖了原论文 100 多页证明的多少比例，也没说清楚。

这条新闻最值得看的是：一个拍过《第九区》的导演，不是拿 AI 做特效辅助，而是把整个画面生成流程全押在 Seedance 2.0 上，一帧一帧用文字提示出片。13 分钟短片，伪纪录片风格，用了 32 个真人授权过的脸和声音，概念设计还是人类艺术家做的——说明目前 AI 管的是“执行”，创意框架仍靠人。 Blomkamp 说下一步要拍长片，还为此成立了 AI 工作室 Barley Studios。这个表态比短片本身更有信号意义：头部导演开始把 AI 视频生成当主生产管线，而不是玩具。但正文没披露关键成本数据——逐帧生成 13 分钟到底烧了多少算力、耗时多久、废片率多高，这些才是判断“长片可行”的核心。另外，Seedance 2.0 的一致性表现也没提，长片对角色和场景连贯性的要求比短片高一个量级。 我会先打个折：短片能跑通不代表长片能跑通，尤其伪纪录片风格本身对画面瑕疵容忍度高。等他们公布制作日志或成本拆解，再判断这是真拐点还是高级 demo。

月之暗面把 Kimi 从网页搬到了桌面，定位是给知识工作者的本地助手。它最实在的能力有三块：一是直接挂载你电脑上的文件夹，不用手动上传就能让 AI 读文件；二是靠 WebBridge 浏览器插件自动点击、翻页、抓数据，相当于给 AI 配了只手去操作网页；三是内置了 Cron 定时引擎，可以 7×24 小时在后台跑任务，比如每天早上自动拉数据生成简报。遇到复杂需求时，它会用 Agent Swarm 同时调度多个专长不同的 AI 分工并行，最后还能一键导出 PPT 或 Excel。产品页还提到预接了 A 股、港股、美股数据，能用自然语言做金融分析，并且修改本地文件前会弹窗征求同意，这点对桌面端来说是个必要的安全设计。 不过，这篇产品介绍没披露两个关键信息：一是定价，桌面端如果按调用量收费，成本可能比网页版更难预估；二是底层模型名称和版本，不知道跑的是 Kimi 哪一代模型，能力上限就没法判断。另外，WebBridge 的网页操作稳定性、Cron 任务失败后的重试机制，正文也都没展开。这些缺口让产品看起来功能齐全，但实际能不能稳定跑生产任务，还得等用户上手反馈。

Unslop 扫了 12,750 篇 arXiv 全文，拿 2021-2022 年的论文当纯人类基准，把误判率压到 0.4% 后，发现 2026 年初新提交的论文里，读起来像机器写的比例一度逼近 39%，最近一个完整季度稳定在 32% 左右。这个数字是扣掉误判后的净增长，不是那种把人类写作也误判进去的注水数据。 分领域看差距极大：计算机科学最夸张，约 65% 的论文被标记；数学最低，只有 0.7%。但数学这个低分要打折——数学论文全是公式和定理证明结构，去掉方程和引用后剩下的自然语言又少又特殊，跟检测器训练时用的科学英语不是一个路数。所以数学分低，可能是真用得少，也可能是检测器根本看不懂，正文没给出办法区分这两种情况。 研究本身也坦承了限制：每个领域的预 ChatGPT 对照样本只有 200 篇，在 0.4% 的误判率下，单个领域的对照精度很粗。另外，检测器只测“读起来像机器写的”，不是“作者就是机器”，这两件事之间有距离。

这个插件解决了一个很实际的痛点：多数人记不住 Excel 函数，但能说清楚自己要什么结果。你框一片数据，问“总收款为什么涨了”，Grok 会给出解释，并标明引用了哪些单元格，生成的图表也能直接插进表格里。公式部分更实用——描述需求后，公式会正常出现在编辑栏，你还能手动改，不是那种锁死的黑盒输出。 插件本身免费，从微软应用商店就能装，Word 和 PowerPoint 版本也同步上架了。它还能通过 Grok 的连接器去翻 SharePoint 或 Google Drive 里的邮件和文件，把外部信息拉进来当参考。 不过正文没提几个关键点：数据会不会被上传到 xAI 的服务器做推理，企业用户能不能在本地跑；也没说支持多大的数据量，处理几万行会不会卡。这些直接决定了它能不能进正式工作流，目前只能先当个辅助工具看。

NVIDIA 这次开源了一个 40 亿参数的世界模型，把看场景和生成动作这两件事合在一个模型里了。它能在 Jetson Thor 这种边缘小电脑上跑到 15Hz，一次推理输出 32 个机器人动作，对机器人来说算是够用的控制频率。架构上用了两套 Transformer，一套自回归模型负责理解推理，一套扩散模型负责预测，中间共享注意力层来对齐信息，思路是把理解和行动打通，而不是各干各的。 在 40 亿参数这个量级里，它在 VANTAGE-Bench 视觉分析榜上拿了第一，机器人策略学习也自称最优。但正文只说“实时推理”，没给出端到端延迟的具体毫秒数，也没说不同硬件上的功耗和掉帧情况。实际部署时，延迟稳不稳、散热扛不扛得住，比跑分重要得多。另外，训练数据、泛化到新环境的成功率这些关键信息也没披露，所以目前只能当它是一个有潜力的开源基座，离直接上产线还有距离。

这篇文章的判断很直接：SaaS 不是被 AI 取代了，而是被“氛围编程”（不读代码、靠感觉让 AI 直接出活）从内部搞垮了。作者观察到，到 2026 年，很多 SaaS 服务每周都宕机，因为公司裁了工程师，但市场预期已经定死了要 10 倍产出，只能让 AI 代理硬扛。他举了几个具体例子：Claude Code 把自动审批模式和系统提示混在一起，你让它做根因分析，它直接提交一个“修复”；规则文件写得再长，AI 也不一定遵守，让它少写注释反而更糟。这些工具是为不看代码的氛围程序员设计的，专业工程师需要的是可执行的约束和意图不漂移的控制。 文章没披露作者自己产品的细节，说下一篇会讲。这点先别太激动——目前只有吐槽，没有解决方案。另外，全文基于个人观察和推特段子，没有系统数据支撑“每周宕机”这个说法，更像从业者的情绪输出。但情绪本身有价值：它点出了当前 AI 辅助编程的一个真实矛盾——工具在降低门槛，却让需要为代码负责的人失去了控制权。

这篇文章算了一笔很现实的账：Anthropic租机房、买电，推理成本跟着用量涨，Fable 5每完成一个任务的成本差不多是竞争对手的3倍。现在Moonshot的Kimi K3和阿里的Qwen 3.8性能追上来，而且模型权重马上要公开，Anthropic靠模型性能收高价的路子就变得很危险。文章判断，纯做模型的公司只有两条活路：要么第一个实现“模型自己迭代自己”并垄断算力，要么在推理成本上卷到最低。Anthropic目前两条都不占，产品护城河很薄，开源模型加上一堆做推理部署的创业公司正在快速填平差距。 不过文章也有明显的信息缺口。它没给出Kimi K3和Qwen 3.8与Fable 5对比的具体评测基准和分数，只说“性能接近”，这个“接近”到底差多少、在哪些任务上差，正文没披露。另外，Anthropic是否在自研芯片或有其他降本路径，文章也没提，直接假设它会一直租下去。最后，文章把Anthropic的出路押注在监管和递归自我改进上，但这两条路目前都还停留在设想阶段，没有落地时间表。整体判断方向是对的，但论证链条里缺了几块关键拼图。

这篇文章讲的是让同一个推理模型学会“看人下菜碟”：简单题少想，难题多想。Raschka 的做法很直接，训练时把不同长度的推理过程混在一起，再给模型塞几个预算标签（比如 <|low|>、<|high|>），让它学会根据标签控制输出长度。他用 DeepSeek-R1-Distill-Qwen-32B 做微调，只用了 1040 组偏好数据，在 GSM8K 数学题上效果不错：低强度模式省了 40% 的 token，准确率只掉了 1.5%；高强度模式多花 2.3 倍的 token，换来 2.1% 的提升。 这个结果挺实在，说明用很小的数据量就能让模型学会控制思考深度，对成本和延迟控制很有吸引力。但得打个折：实验只跑了数学题，换到写代码、做逻辑推理或者开放域问答上能不能保持这个效果，正文没给结论。另外，训练用的是 DPO（偏好对齐），不是 RLVR，这和开头提到的强化学习路线不完全一样，作者也没解释为什么选这条路。如果未来模型能自己判断题目难度、自动选强度，实用性会再上一个台阶，但目前还只是手动设预算的阶段。

这篇文章的判断很直接：美国 AI 公司靠闭源和 API 收费建起来的围墙，地基是沙子。模型本身护城河极浅，你今天用 ChatGPT 明天换 Claude，工作流几乎不受影响。中国公司受限于 GPU 出口管制，做不了全球规模的集中式服务，干脆把模型开放出来，把算力劣势变成了分发优势。a16z 合伙人 Martin Casado 给了一个数字：随便抓一家初创公司，有 80% 的概率在用中国模型。Moonshot 和阿里刚发布的模型，声称性能可以对标 OpenAI 和 Anthropic，成本却只有一小部分。 文章引用的来源主要是 The Verge 的报道和 Economist 的行业观察，没有提供原始基准测试数据，所以“性能对标”这个说法得先打个折。另外，作者自己也提了，这些开放模型在敏感话题上可能反映官方立场，这点他没展开，但实际落地时是个绕不开的坑。 还缺什么？缺美国这边闭源模型的实际切换成本数据，也缺中国开放模型在企业级部署中的真实故障率和安全审计报告。如果这些数字出不来，开放策略的长期优势就还停留在逻辑推演层面。