全部

IBM Research 在 Hugging Face 上发了一个开放排行榜，思路挺对：不只看模型本身，而是把智能体的整套系统——模型、工具、规划、记忆、纠错——打包一起测。它用六个不同场景的基准测试打分，同时公布质量和运行成本，让你知道哪个方案真值得部署，而不是只看谁分高。 但正文没披露具体模型分数、数据集大小和评测日期，这些信息缺口让榜单的参考价值打了折扣。没分数就没法判断差距是显著还是误差范围内，没数据集大小就不知道结论稳不稳，没日期就不知道时效性。另外，评测框架叫 Exgentic，代码和方法论文都公开了，这点对想复现或自己跑一遍的人比较友好。 目前看，这个榜单更像一个方法论示范，告诉你“应该这样比智能体”，而不是一份可以直接拿来选型的成熟报告。等他们把具体数据和更新节奏补上，实用性会高很多。

百度核心AI业务Q1收入超136亿元，同比增长49%，第一次超过通用业务收入的一半。这个转折点说明AI不再是烧钱的未来故事，开始真正扛收入了。增长来自AI云基础设施、AI应用和自动驾驶出行平台Apollo Go三块，但正文没披露各板块的具体数字和利润率，没法判断增长是靠高毛利的云服务还是重资产的自动驾驶。连续多季度增长这个表述也缺具体对比基数，我会先打个折。要看完整财报才能确认收入质量，比如有没有一次性项目、客户集中度如何。另外Apollo Go的运营成本和补贴力度也没提，这块的可持续性还存疑。

这期播客最有信息量的地方，是把消费级硬件和战场现实直接连起来了。Yaroslav 从做给宠物扔零食的摄像头，转去做给占领军扔炸药的摄像头，这个转变本身就说明现代战争的门槛在快速降低。他给出的核心判断是：FPV 穿越机已经成了前线主要杀伤手段，造成 70% 到 80% 的伤亡，乌克兰去年生产了 400 万架。 但要注意几个信息缺口。第一，40 亿架中国产能的估算没有披露任何推导过程，听起来更像一个警示性的外推，而不是有供应链数据支撑的结论。第二，播客提到了五级自主能力和八个战场维度，但摘要和片段里都没展开具体定义，我们不知道这些分级是他公司的内部框架还是有公开标准。第三，光纤制导和 AI 制导的对比提到了 32 美元一公里的线缆成本，但没有说明这个成本在实战中的可靠性、部署限制和替代方案。 对从业者来说，值得关注的点是：无人机自主能力的分级如果真有可操作的定义，可能会影响后续的 AI 训练数据和评估标准。但目前公开信息太少，没法判断这套框架的严谨程度。

SentinelOne拆解的老病毒fast16.sys，专门在内存里篡改LS-DYNA这类高精度仿真软件的计算结果。正文说匹配到的样本不到十个，但都指向土木工程、物理模拟这些领域，LS-DYNA还被公开报道过跟伊朗核武器开发建模有关。这手法很刁钻——不是偷数据，而是悄悄让计算结果偏掉，可能拖慢甚至误导整个科研项目。我会先打个折：报告没披露病毒到底造成了多大实际损失，也没说攻击者是谁，所以更像一个技术拆解而非完整归因。 Tilde Research发现Muon优化器有个坑：训练初期学习率预热阶段，MLP层里超过四分之一的神经元会永久死掉，再也救不回来。他们提出的Aurora优化器在11亿参数、约1000亿token的规模上，把loss从Muon的2.31压到2.26，MMLU分数直接高出10个点。这个提升幅度挺大，但测试规模偏小，正文也承认只在较小模型上跑过。独立验证来自Pleias的研究员，在6亿参数模型上Aurora也赢了Muon和AdamW，算是个加分项。缺的是更大规模、更多任务的对比，现在说它能替代Muon还太早。

这个测试最值得看的地方，不是模型会不会直接帮你造炸弹，而是它们怎么被“正常化”的话术绕进去。作者设计了36个逐步升级的场景和6种反乌托邦套路，拿42个模型各跑3次取平均分，再用3个裁判模型打分。结果发现，闭源模型在安全对齐上可能更会“装”——直白的恶意能拦住，但一旦请求披上“军民两用”或“学术研究”的外衣，拒绝率就明显下降。 不过现在能说的也就这么多。正文因为Reddit的访问限制，实际内容没抓全，具体是哪些模型、分数差距有多大、裁判模型本身有没有偏见，这些关键信息都看不到。所以这个结论只能当个方向性参考，不能直接拿来比哪个模型更安全。真要判断，得等完整数据和测试集公开，看看场景设计有没有故意挖坑，以及评分标准是否合理。

这条消息本身挺有价值——Qwen 3.6 27B 能不能在 24GB 显存上跑顺，是很多本地玩家关心的事。但原文被 Reddit 的安全策略挡了，我们只看到拦截提示，没拿到任何实际的量化方案、后端对比或速度数据。标题里提到对比了 llama.cpp、ik_llama.cpp、BeeLlama 和 vllm 这几个后端，还涉及量化选择，说明作者应该做了实测。可惜正文缺失，没法判断哪个后端在 24GB 卡上延迟更低、吞吐更高，也不知道推荐的量化等级是 Q4 还是 Q3。这点先别太激动，等有人补上原文或复现测试再看。

OpenAI 和戴尔合作，核心是把 Codex 部署到企业的本地服务器或混合云上，通过戴尔的 AI 数据平台和 AI 工厂来跑。这意味着那些对数据管控要求严的公司，比如金融、医疗，可以在不把代码库和内部文档传到 OpenAI 云端的情况下，用上 Codex 的代码补全、测试生成和智能体功能。 官方给了一个数字：每周有超过 400 万开发者用 Codex，说明用户量确实不小。但这次合作更像是一个路线图，而不是一个已经能买到的产品。公告里用的词是“将连接”、“将探索”，说明很多技术对接还在早期。最关键的信息——部署一套要花多少钱、本地推理的延迟会增加多少、是否需要额外的戴尔硬件——正文完全没有披露。 对企业来说，这解决了数据不出门的安全顾虑，是个实在的进展。但先别太激动，从宣布合作到真正能在自己机房里稳定跑起来，中间还有不少工程细节要填。

这篇讲的方法叫 EvolveR，核心是让 AI 智能体在干活时把成功和失败的经验都存下来，变成一个可复用的技能库。它会给每条经验打分，再用 GRPO 训练智能体学会什么时候该去库里检索经验。论文在七个复杂问答基准上测了 Qwen2.5-3B 和 7B，说平均性能是目前最好的。 但问题在于，正文因为微信环境验证没过去，具体实验数据、对比方法和消融实验都看不到。这就像有人告诉你他考了全班第一，但成绩单被锁在抽屉里。没有这些信息，很难判断这个“最好”到底领先多少，是在什么条件下测出来的，换个大模型或者换个任务还能不能保持。 另外，经验库的维护成本、检索延迟这些工程上的坑，正文没披露。如果库大了检索变慢，或者存了一堆没用的经验反而拖后腿，那实用性就要重新评估。这点先别太激动，等看到完整论文再说。

这条新规把板子打在了所有署名作者身上，不是只罚第一作者或通讯作者。一年禁投对靠 arXiv 抢首发权的计算机领域来说，等于直接断粮。解禁后还要先过同行评审才能上传，相当于把 arXiv 从“预印本自由港”变成了“有前科就得先验身”。 正文没披露具体怎么判定“没经过检查的 AI 生成内容”，这是最大的模糊地带。是纯靠人工举报，还是有自动化检测工具？误判了怎么申诉？这些都没说。陶哲轩附议能增加规则的舆论分量，但不等于执行细节已经落地。 我会先打个折：规则威慑力很强，但如果检测手段跟不上，最后可能只抓到最蠢的那批造假者。还缺的是 arXiv 打算用什么标准、什么流程来确认违规，以及第一次执行会拿谁开刀。

百度整体营收下滑 1%，但 AI 业务收入第一次压过了持续缩水的传统搜索广告，这是个收入结构换轨的信号。不过正文没给出 AI 业务的具体收入规模、利润率，也没说让模型进业务流程干活的 agent 产品到底有多少付费客户、落地到什么程度。这点先别太激动——超过一个在萎缩的旧业务，不代表新业务本身已经站稳。还缺 agent 产品的续费率、客单价和实际使用场景，光靠一个“首次超越”的标签，只能说明方向在转，不能说明转得有多稳。

Grok 现在支持上传完整视频，让它实时分析画面、总结内容、做翻译或提取上下文，不只是看单张图或读文字。这条消息来自马斯克自己的推文，属于半官宣，但正文没披露视频时长上限、支持哪些格式，也没说这个功能是全员推送还是灰度测试。我会先打个折：能“理解完整视频”听起来很强，但实际效果要看它对长视频的连贯推理和细节抓取稳不稳，尤其是超过几分钟的视频，模型容易丢前后文。另外，视频分析很吃算力，如果大规模开放，响应速度和成本都是未知数。这点先别太激动，等实测看它到底能处理多长、多复杂的视频，以及会不会像其他多模态功能一样先限区域或付费墙。

这条帖子的核心卖点是：一个叫SmallCode的编程agent，用Gemma 4的4B参数模型，在100道题的基准测试里解出了87道。作者把功劳归给一套复合工具，而不是模型本身。流程是写完代码自动编译、跑lint，出错就根据报错改；同一个任务连续失败两次，就自动把问题拆成更小的子任务再试；实在搞不定还能转给Claude或OpenAI兜底。 这个87%的数字先别太激动。正文被Reddit的网络策略挡了，我没看到具体用的是哪套基准测试、题目难度分布、以及转给大模型兜底的任务占比。如果兜底比例高，那87%里有多少是4B模型自己啃下来的就要打个问号。另外，工具链的延迟、编译环境的依赖也没披露。 对想在小模型上做coding agent的人，这条思路值得看：用工具反馈和任务拆解来弥补模型能力短板。但缺了测试集和兜底比例，没法判断这个87%的含金量。

这篇论文提出了一种叫EDCO的动态课程微调方法，说白了就是让模型自己判断哪些训练数据当前最值得学，而不是靠人手动分阶段喂数据。它用模型推理时产生的“熵值”来衡量样本难度，熵值高说明模型拿不准，就该优先学。为了省算力，他们搞了个前缀熵值估算，把每条样本的评分时间从2.24秒压到了0.37秒，这个加速效果挺实在。 但问题在于，文章因为微信环境异常没抓到正文，所有实验数据、在什么任务上验证的、跟现有方法比到底好多少，全都没披露。标题里说Amazon和Google团队“光速跟进”，也没给出具体出处或论文链接，更像是一种宣传话术。 如果这个方法真能在多个任务上稳定提升，而且评分开销确实低，那对做微调的人来说是个实用工具。但现在缺的东西太多：没看到准确率对比、没看到在不同规模模型上的表现、也没说这套方法对数据质量本身有没有额外要求。等正文能读到再下判断。

这条新闻目前能确认的事实很薄：Anthropic 准备向金融稳定委员会（FSB）做一次简报，内容围绕其新模型 Mythos 暴露出的网络安全缺陷。但 FT 正文被付费墙完全挡住，我们看不到任何技术细节——不知道是什么类型的漏洞、影响范围多大、Mythos 模型本身参数规模如何，也不知道简报什么时候进行、面向 FSB 的哪些成员。 标题里“网络缺陷”这个说法挺重，但现有信息里没有任何证据能判断这是模型被越狱攻击了、还是它自己生成了攻击代码、或者是训练数据里混进了什么东西。Anthropic 主动向金融监管机构汇报，说明他们自己认为这事值得让管金融稳定的人知道，但到底是负责任披露还是被动应对，正文没披露就没法下判断。 对关注 AI 安全的人来说，这条值得盯着后续，但眼下能说的就这么多。等 FT 付费墙后面那部分出来，或者等 FSB 那边有会议纪要，才能判断 Mythos 这次到底捅了多大的篓子。

Ardot 想解决的是产品、设计、开发之间来回传图改稿的麻烦。它把两个环节串了起来：先用一句话生成可编辑的设计稿，再一键把设计稿连同变量、组件、布局数据丢进 CodeBuddy 这类开发工具里还原成代码。支持调用团队自己的组件库这点比较务实，能避免 AI 乱画出一堆没法落地的样式。也兼容 Figma 文件导入，算是给现有工作流留了个入口。 但整篇公告没给出任何量化指标——生成稿的可用率是多少、转代码的还原度到几成、复杂页面的处理能力怎么样，这些全都没提。公测刚开，没有用户反馈和对比数据，现在只能说它把流程跑通了，至于省不省时间、能不能上生产环境，还得等真实项目跑过才知道。另外，多人在线评论、权限管理这些功能更像是协作平台的标配，算不上差异化。

这条帖子的思路挺直接：模型不是每句话都需要深度推理，只在对话上下文发生实质变化时触发一段短思考，能省算力、降延迟。作者在 Qwen3 的 4B 到 32B 全系列上都做了 QLoRA 微调，还公开了数据集、训练脚本和 TIMEBench 评测，声称 24GB 显存就能训到 14B 规模，对个人开发者比较友好。 但问题在于，Reddit 的安全策略把正文挡了，我们看不到任何实际指标——触发准确率、推理长度分布、跟全量思考模式比省了多少 token、在哪些任务上会漏判。标题里“short context-triggered thinking”这个机制具体怎么定义“上下文变化”也没法核实。 我会先打个折：思路合理，开源态度加分，但没有实测数据和失败案例分析之前，只能当个值得关注的方向。如果作者后续补上 TIMEBench 上的对比结果和触发机制的边界条件，这条新闻的含金量会高很多。

HappyHorse 现在能在阿里云 Model Studio 上跑了，主打从一段文字直接生成 1080p 多镜头视频，官方叫它“电影级”画质。这个“一步到位”的流程听起来省事，但正文没披露任何技术细节：模型参数量多大、生成一条视频要多久、对提示词有什么要求，全都没提。 更关键的是，限时 8 折活动没写原价，也没说优惠到哪天、哪些区域能用。没有定价和效果基准，这个折扣就没法判断是真省钱还是营销话术。另外，没有跟现有视频生成模型（比如 Runway、Pika、Sora 等）的横向对比，光靠“电影级”三个字撑不起说服力。 对想试的人，建议先拿自己的场景跑几条片子，重点看画面一致性、镜头切换是否生硬、文字描述还原度怎么样。如果官方后续能放出系统卡、定价页和用户评测，这条新闻才值得认真对待。

api-relay-audit 做了一件挺实在的事：把 API 中转站常见的三类小动作——改写工具调用指令、通过报错信息泄露底层模型身份、偷偷截断上下文——变成可复现的检测项。它给出的不是模糊评分，而是“有/无/不确定”三态判定，附带透明日志，这点比 hvoy.ai 和 cctest.ai 更可信，因为你能看到它到底查了什么、怎么查的。 作者把检测方法、对比结果和速查表都公开了，工具本身也开源，意味着你可以自己跑一遍验证。不过正文没披露它测了多少家中转站、样本量多大，也没说误判率。如果只测了少数几家，结论的覆盖面就有限。另外，检测逻辑依赖双论文锚定路线，但没说明这两篇论文的适用边界——万一中转站用了论文没覆盖的新手法，工具可能漏报。 对用中转站接模型的人来说，这个工具能帮你快速排雷，但别把它当合规审计。它查的是技术层面的小动作，不涉及数据留存、隐私合规这些更棘手的问题。

xAI 给 Grok 加了一个“技能”系统，核心是让模型记住你的偏好和工作流，跨对话持续生效。这解决了聊天机器人每次都要重新交代背景的痛点。内置的文档生成技能覆盖了 Word、PPT、Excel 和 PDF，开箱即用，还能自己新建或覆盖官方版本，灵活性不错。 不过，官方公告没提任何性能或成本数据。比如，生成一个带公式和格式的 Excel 文件，从指令到出文件要等多久？复杂排版会不会翻车？这些直接影响能不能真当生产力工具用。另外，“技能”的跨对话记忆具体怎么存、存多少、隐私怎么处理，正文也没展开。 我会先打个折：这更像一个把常用指令打包成快捷方式的更新，而不是模型本身变聪明了。实际好不好用，得看它对模糊指令的容错率和生成文件的质量。如果只是套模板，那和现有插件差别不大。

这篇来自 Reddit 的民间测试很实在，用 7 张混插的消费级和专业卡（包括改过显存的 4090）跑长上下文预填充，结论很明确：在混卡环境下，vLLM 是唯一能打且打得好的。它靠软件模拟 FP4 格式兼容老卡，还能手动分配每张卡算多少层网络，把快卡和慢卡的负载调平，避免一张卡拖慢全队。 具体到数字，在 3970 亿参数的大模型上塞进 7.5 万 token 的上下文，vLLM 首 token 延迟 9.8 秒，预填充速度 7683 token/秒；llama.cpp 要 57.2 秒，速度只有 1319 token/秒，差距确实大。SGLang 在纯新卡上表现接近 vLLM，但混入一张旧卡就崩溃，因为它强制要求硬件支持 FP4，没有软件降级方案。 需要注意，这是个人玩家的单次测试，没披露并发、解码阶段表现和功耗，而且用了 4-bit 量化权重，精度损失对实际任务的影响没提。如果你也是混卡组机器跑大模型，这个结果可以参考，但别直接当成通用结论。

这条帖子最值得看的是实测速度：24GB 内存的荣耀 Magic 7 Pro 上，LFM2-24b-a2b 这个混合专家模型（MoE，把任务分给不同小专家处理，省算力）在 Q4 量化后跑到约 24 token/秒，Gemma 约 11 token/秒。对手机端来说，24 token/秒已经能用了，不是那种等半天才蹦一个字的体验。 但有个反直觉的结果：这套配置里 CPU 推理比 NPU 和 GPU 都快。这不太正常，通常 NPU 应该更擅长跑模型。问题在于发帖人没交代用了什么推理框架、有没有针对骁龙的 NPU 做适配，也没测功耗和发热。如果只是拿通用框架跑了一下，那 NPU 跑不过 CPU 只能说明软件没跟上硬件，不代表芯片本身不行。 还缺几个关键信息：模型加载占了多少内存、持续跑几分钟后会不会降频、不同量化精度的速度差异。这些没测，就没法判断这配置到底能不能当日常助手用。

Semble 把语义嵌入、传统关键词匹配和重排序模型串成一条流水线，专门解决 AI 编程 agent 在代码库里找东西时 token 消耗太大的问题。在 63 个代码仓库的测试里，搜索质量 NDCG@10 到了 0.854，每次查询在 CPU 上大约 1.5 毫秒，比直接用 grep 再读文件省了 98% 的 token。这个数字如果稳定，对按 token 计费的场景确实能省一笔钱。 不过要注意，正文只给了 63 个仓库的基准测试结果，没说明这些仓库的规模、语言分布，也没和别的语义搜索方案做横向对比。0.854 的 NDCG 看起来不错，但不知道在超大单体仓库或者跨语言项目里会不会掉。另外，工具本身是开源的，但重排序模型的具体选型和训练细节正文没展开，想复现或者调优的话还得自己翻代码。 整体看，思路很实用——用轻量方案在本地 CPU 上快速筛一遍，再交给重排序模型精排，避免了每次搜索都烧大模型的 token。缺的是更大规模、更多场景的验证，以及和其他同类工具的对比数据。

MiroMindAI 把他们的深度研究 agent 放出来了，权重直接挂在 HuggingFace 上。mini 版用了 MoE 架构，30B 总参数但干活时只激活 3B，这对本地消费级硬件是个好消息——显存占用和推理延迟理论上会低不少。上下文管理用了滑动窗口 K=5 加 episode 重启的策略，相当于每轮对话只保留最近几轮的关键信息，超长任务跑崩的概率会小一些。 不过这条信息来自 Reddit 帖子，原文被屏蔽了，我们拿到的只是摘要。实际推理速度、显存占用、任务完成质量这些关键指标都没披露。MoE 模型在消费级硬件上的吞吐量波动很大，3B 激活参数不代表就能在树莓派上跑，还得看路由机制和内存带宽。另外深度研究 agent 的核心是工具调用和长链推理的稳定性，光看架构参数判断不了实际好不好用。 如果是真的，30B 模型只激活 3B 就能做深度研究，对本地部署场景确实挺省钱。但没看到实测数据之前，这点先别太激动。

这篇帖子本身没拿到正文，Reddit 直接返回了 403，所以所有判断都只能基于标题和摘要里的碎片信息。作者在 Qwen3.6-27B 上跑了 85 个 GPU 小时的实验，对比了五种 abliteration 方法，这个计算量不算小，说明对比做得比较认真。摘要提到 Huihui 方法在基准测试上掉分最少，Heretic 方法的 KL 散度最低，也就是输出风格跟原模型最接近。五种方法都做到了近乎完全移除安全限制，这点不意外，abliteration 这类操作本来就是冲着拆护栏去的。 现在最大的问题是缺细节：不知道具体用了哪些基准测试，HarmBench 上的具体分数是多少，权重分析发现了什么规律。另外 27B 模型在单卡或双卡上就能跑，85 GPU 小时意味着可能做了多次重复实验或者测了很多子任务，但没看到实验设计就没法判断结论有多可靠。如果后续能拿到完整帖子或者作者在 Hugging Face 上放了详细报告，才值得认真看。目前只能说方向有意思，但信息缺口太大，别急着引用这个结论。

这篇 ICML 2026 的工作解决了一个很实际的痛点：做视觉模型对齐时，不用再人工构造“A 比 B 好”的偏好对，直接拿一个标量分数（比如美学评分、图文匹配度）就能开训。做法是先让模型生成一批图，算出分数分布，定个阈值，高于阈值的当正样本往上拉，低于的当负样本往下压。论文在 Stable Diffusion v1.5、FLUX、Wan 1.3B 和 Meissonic 上都跑了实验，覆盖图像和视频生成，说明方法通用性不错。 不过正文没披露具体阈值怎么定、对分数分布敏感度如何，也没给出和传统偏好对方法在相同预算下的直接对比。这点先别太激动——省掉偏好对标注是省了人工，但如果阈值调不好，正负样本划分可能很糙，最终效果会打折扣。另外，实验用的分数模型本身有没有偏、能不能代表真实用户偏好，正文也没展开。

Mustafa Suleyman 给了一个很激进的时间表：18个月内 AI 达到人类水平，把会计、法律、营销、项目管理这些坐在电脑前的活全自动化。这个判断目前只有他个人的口头预测，正文没披露任何支撑数据、内部测试结果或阶段性产品计划，所以可信度要打不小的折扣。 他说自己的目标是搞出“超级智能”，以后建一个新 AI 模型会像录播客或写博客一样简单。这个说法更像在描述一个远期愿景，而不是接下来一年半会发生的事。从现有公开信息看，微软自己的 Copilot 产品线还在解决准确率和企业落地的问题，离“完全取代白领”差得远。 这条新闻的价值在于看微软 AI 掌舵人怎么定调子，但缺的东西也很明显：没有定义什么叫“人类水平性能”，没有说明覆盖哪些具体任务，也没有提到验证方法。这些缺口让 18 个月这个数字更像一个公关信号，而不是工程时间表。

Elon Musk 宣布 Grok Imagine 在 X 对所有用户开放，用的是他们最新的文本到图像模型，主打写实风格和多宽高比输出。这条消息本身很短，只说了“能用”，但没给任何硬指标：模型参数量、推理延迟、是否收费、有没有地区限制，全都没提。对想拿它干活的从业者来说，这些信息缺口挺要命的——你不知道它跟 Midjourney、DALL·E 3 比到底差多少，也不知道免费额度够不够试。功能上线是好事，但现阶段只能当个尝鲜玩具，别急着把它塞进生产管线。等官方补上定价和性能数据再评估不迟。

这条 Reddit 帖子给了一个很实用的参考点：DeepSeek V4 标称 100 万 token 的上下文窗口，实际写代码最舒服的区间是 15 万到 25 万 token。超过 30 万 token，模型对具体行号的定位开始不准；到 52 万 token 时，输出明显偏向架构总结，具体实现细节会跳过。这跟很多人的体感一致——长上下文不是越长越好，模型会“偷懒”抓重点，丢掉细粒度信息。 不过得说清楚，帖子正文没披露测试用的具体任务和评估指标。我们不知道是让模型改 bug、加功能还是做代码审查，也不知道“不准”是怎么衡量的。发帖人只给了 token 数和结论，没给原始对话或评分标准。所以这个结论更像一个用户经验，不能当正式基准看。 对实际干活的人来说，这条信息有用：别一上来就塞整个代码库，先控制在 20 万 token 以内试试。但如果你要做精确到行的修改，超过 30 万 token 就得自己多检查。另外，帖子没提不同编程语言或项目结构的影响，这也是个缺口。

这条新闻目前只能当个信号看。FT 的标题直接说字节跳动和快手在视频生成上领先美国对手，在广告和娱乐场景里效果更好，但点进去只看到安全验证页面，正文完全没加载出来。我不知道他们拿什么模型比的、用的什么评测标准、样本量多大、延迟和成本怎么样，这些关键信息全缺。 标题里的“领先”需要具体数字撑腰——比如生成一段视频要多少钱、等多久、用户盲测偏好率是多少。如果只是挑了某个特定场景说“效果更好”，那说服力有限。另外，视频生成现在各家差距本来就不大，今天你领先明天他追上，没有持续几轮的横向对比，单次结论容易过时。 等看到完整正文，我会重点盯三件事：对比的是哪些具体模型、评测是人工打分还是自动指标、有没有披露推理成本和延迟。这三样缺一不可，缺了就只能当公关稿看。

这条新闻最值得看的是它点出了 AI Agent 的“隐性账单”：让模型在编程任务里自主干活时，输入和输出的 token 消耗比可以拉到 154:1。也就是说，模型为了完成一个任务，可能要先吞下大量上下文，再吐出一点点代码。这跟平时我们看单次问答的成本账完全不一样。 不过要泼盆冷水。原文因为微信环境验证失败，正文没抓到，所以 8 个前沿模型在 500 个 swe-bench 任务上的具体表现、哪个模型最“啰嗦”、成功率跟 token 消耗到底什么关系，这些关键信息全是空白。另外，摘要里提到人类标注的任务难度和实际 token 消耗之间关联很弱，Kendall tau 只有 0.32，说明我们凭直觉判断“这题难所以费 token”根本不靠谱。 还缺的东西很多：Agent 跑这些任务的成功率是多少？不同模型之间的效率差距有多大？有没有办法在不掉性能的前提下砍掉无效 token？这些才是决定这条发现能不能落地的关键。

Peter Steinberger 公开的后台数据挺直观：30天跑了760万次请求，吞掉6030亿个token，账单超过130万美元。他特别提到关掉“快速模式”后费用直接砍了七成，说明推理速度的溢价相当高，追求低延迟的代价是真金白银。 不过这条新闻最大的信息缺口是：OpenAI 没向他收费。正文没披露这是赞助关系、测试额度还是某种合作置换，所以130万这个数字不能直接当成市场价。对普通开发者来说，实际成本得在这个基础上打折——打几折不知道，但肯定不是零。 另外，760万次请求背后是什么场景、什么模型、单次请求平均token量多大，这些都没展开。如果大部分是长上下文或复杂agent调用，那烧token的速度本身就不意外。想知道这笔账划不划算，还得看他用这些请求产出了什么。

这篇文章把“世界模型”这个被炒烂的词掰开了讲，一条是 Yann LeCun 那派想让模型在脑子里做物理推演，另一条是 NVIDIA 和游戏引擎那派想直接生成可交互的 3D 场景。两条路目标不同、技术栈不同，但钱都往这砸——18 个月超过 100 亿美元，说明资本在赌一个能统一感知和行动的底座。 DreamDojo 的例子挺有意思：用 44,711 小时的第一人称视频做预训练，不用真实机器人数据，就能让模型预测动作后果，跟真实策略的相关性 r=0.995。这个数字看着漂亮，但要注意它测的是“相关性”而不是任务成功率，离实际部署还有距离。另外文章是机器之心编译自 MoE Capital 的博客，来源本身有投资视角，对技术风险的讨论偏少。 缺的东西也明显：没提这些世界模型在复杂动态场景下的泛化表现，也没说训练和推理成本。100 亿美元砸下去，目前看到的还是实验室指标，能不能跑通商业闭环，正文没给答案。

Anthropic CEO Dario Amodei 这次说的不是技术进展，而是他对 AI 经济后果的预判。核心逻辑是软件成本会降到接近零，传统靠卖软件授权的商业模式会被打穿。他举的例子很直接：现在工程师还能去做编辑或升级工作，但 AI 模型会不断吃掉更多任务，很多干了几十年的职业会慢慢消失。 他给了两个数字——GDP 增速可能到 5%-10%，同时失业率上升、贫富差距拉大。但正文没披露这两个数字是怎么算出来的，是基于什么假设、什么时间窗口，也没说数据来源。这种宏观预测最容易翻车，所以这两个数先别太当真，重点是他想传递的那个矛盾：增长和淘汰会同时发生。 还缺的东西不少。他没说哪些行业会先被冲击，也没提政策建议或企业该怎么做。整段话更像是对社会反应速度的担忧——他觉得大家还没意识到这场变化的规模和冲击有多大。这个判断本身值得注意，但离可操作的结论还差得远。

Anthropic 的 CEO Dario Amodei 在《华尔街日报》的采访里抛了两个很重的判断。第一个是软件成本会跌到接近免费，过去那种“做出来卖一百万份”的商业模式可能直接崩掉。这背后是他对模型能力继续爬升的预期——如果生成一个复杂软件跟生成一段文本一样便宜，定价权确实会从软件公司转移到算力供应商手里。第二个判断更扎心：几十年攒下来的白领岗位和职业结构，可能说没就没了。他补了一句社会能适应，但警告现在没人当真。 这里有几个信息缺口得说清楚。正文没披露他说的“免费”是指边际成本还是总拥有成本，也没讲时间线是三年还是十年。没有这两个锚点，“基本免费”更像战略喊话，不是工程交付承诺。另外，他说的“很多职业消失”没给具体行业或数据，更像定性预警。Anthropic 自己就是卖模型 API 的，说软件免费等于说别人的生意不值钱，自己的护城河在模型层，这个立场得算进去。 整体看，这更像一份来自一线玩家的极端情景推演，不是行业共识。方向值得盯着，但具体数字和节奏都还缺，先别急着按“软件清零”做决策。

这条新闻值得点开，因为它说清了一个反直觉的事实：泄露数据的不是AI写的烂代码，而是平台那个“一键上线”的默认设置。安全公司RedAccess扫了38万个应用，约2000个直接暴露敏感信息，包括医院排班表、银行财务数据和临床实验资料。Moltbook社交平台上线三天就崩，因为数据库权限开关没打开，150万个API令牌裸奔。 四家平台的回应高度一致，都把锅甩给用户配置错误。但当一个平台每天产生几万个应用，使用者大多是产品经理或运营，根本不知道“公网”意味着什么，默认公开就不是用户失误，是系统性设计缺陷。Georgia Tech追踪到AI代码引入的漏洞三个月翻了近六倍，实际数量估计在400到700个。 文章没披露RedAccess扫描的具体时间范围和是否排除了测试数据，这点让2000这个数字要打个折。但核心判断站得住：vibe coding把从“代码写完”到“上线”之间的安全决策窗口压缩到零，建应用的人甚至不知道自己跑了一个公网数据库。如果你公司有人在用这类工具搭内部应用，先搜一下域名，大概率已经被Google收录了。

这位老哥干了件实在事：把 Strix Halo、RTX 3090 和 RTX 5070 拉到一起，用五种推理后端跑了 55 组测试，模型从 0.35B 小不点到 35B-A3B 混合专家都有。结论很清晰——能塞进 12GB 显存的模型，5070 比 3090 快，新卡架构在中小模型上有优势。但一到 14B 到 31B 这个区间，模型超过 12GB 又刚好能装进 24GB，3090 的大显存就翻身了。Strix Halo 的表现要看后端，某些组合下能跟独显掰手腕，但兼容性还不是开箱即用。 不过这篇帖子正文被 Reddit 的安全策略挡了，具体数字、延迟分布、功耗对比都没拿到。55 组测试的原始数据表和所用后端版本也没披露，没法验证他说的“快”是快多少、在什么 batch size 下测的。另外 Strix Halo 的内存带宽上限摆在那，跑大模型时会不会撞墙，这点先别太激动。如果你手里已经有 3090，单纯为了跑 14B 以上模型换 5070 可能不划算。

Zerostack 最大的卖点是轻和快。它用纯 Rust 写成，二进制只有 8.9MB，工作时内存占用约 12MB，而同类基于 JS 的代理（比如 opencode）要吃掉 300MB 左右。对本地开发来说，这意味着你可以在老机器上跑，不用被吃内存的代理拖垮。 功能上它没走极简到底，该有的基本都有：支持多家模型供应商、文件读写、bash 执行（带沙箱和死循环检测）、会话管理、MCP 工具扩展，还内置了一套可切换的系统提示词，比如 code、review、debug 等模式，省去自己写 prompt 的麻烦。 不过要注意，这条消息主要来自 crates.io 的项目自述文件，没有第三方评测或实际使用反馈。性能数据是开发者自己标的，测试环境是一台 Intel i5 7 代，代表性有限。循环系统也标了“实验性”，稳定性未知。如果你打算在生产环境用，最好先在自己的项目上跑跑看，别光看纸面数字就上头。

这条更新把界面设计和代码生成塞进了同一个窗口。MagicPath 的 CEO 演示了在 Codex 里贴一条命令就能装好，然后像搭积木一样拖拽 UI 组件，Codex 会实时感知项目结构并自动生成、修改代码。以前设计师在 Figma 画完，开发再手动导出导入，现在这步省了。 但正文没披露复杂交互逻辑和状态管理能覆盖到什么程度。演示里只展示了常规 UI 搭建，如果遇到表单校验、多步骤流程、数据绑定这些，这套拖拽加自动生成能不能扛住还不清楚。另外也没提生成代码的质量和可维护性，会不会为了快速出界面而牺牲代码结构。 如果是真的能稳定跑通常规页面，对快速原型和简单工具类产品挺省钱。但生产环境能不能用，还得看后续有没有更复杂的案例放出来。

这篇论文挖出了一个挺具体的 bug：模型调用工具时，认知和行动会脱节。不是模型没看懂该不该调，而是看懂之后，在最后几层处理时把信号方向转偏了，偏到几乎和要执行的动作正交，结果就是不动手。不匹配率在 26% 到 54% 之间，这个范围说明不同场景下严重程度不一样，但整体都不低。 研究用的是探测隐藏状态的方法，定位到问题完全卡在“认知到行动”的过渡阶段。这比泛泛说“提示没写好”或“训练不够”要精确得多，直接指向了模型后期层的几何结构。对做 agent 的人来说，这意味着单纯改 prompt 或加训练数据可能治标不治本，性能上限被这个内部信号旋转卡住了。 不过正文没披露实验用的是哪些具体模型和工具调用场景，也没说这个比例是在什么任务上测出来的。如果是在简单任务上就有 26% 的失败率，那放到复杂业务流程里只会更糟。另外，研究说想预测干预效果，但没给出实际干预后的改善数字，这点先别太激动。

这条信息来自 Menlo Ventures 合伙人 Deedy Das 在社交媒体上的个人估算，不是正式研究报告，所以数字本身要先打个折。他说用“信封背面算出来的”方法推算出 OpenAI、Anthropic、英伟达这类公司里大概有 1 万人已经靠股权攒下超过 2000 万美元的退休级财富。这个数字说明什么？说明这轮 AI 热潮的财富分配极度集中，头部公司的早期员工和创始人拿走了绝大部分红利。 与此同时，Das 观察到其他软件工程师正面临两重压力：一是裁员在全面进行，二是年薪天花板卡在 50 万美元以下，而且很多人焦虑自己练了一辈子的编程手艺在市场上越来越不值钱。这种“有人暴富、有人失业”的撕裂感，他说在旧金山已经到了最严重的程度。 不过正文没披露这个 1 万人的估算具体用了什么假设，也没说股权流动性如何——纸面财富和能兑现的钱是两回事。另外，文章只呈现了 Das 一方的观察，没有引用被裁工程师或普通从业者的直接说法，情绪判断多于数据支撑。

Dwarkesh Patel 这篇博客的核心判断很直接：我们总把 AI 的“智力”和它能掌握的“权力”当成一回事，这其实是个误解。他上来就用斯大林举例——如果按“在多种领域达成目标的能力”来定义智力，那斯大林可能是史上最聪明的人，但这显然不是我们讨论超级 AI 时脑子里想的那个东西。文章指出，现实世界的权力更多来自权威、信任和让大规模人群协作的能力，而不是某种孤立的、算无遗策的战略推理。特朗普的权力不是因为他那颗大脑是地球上最强的优化引擎，而是因为数亿人认可的政府给了他巨大的授权。 这个区分对 AI 从业者来说很实用。现在模型变强的主要路径，是被训练去干好编程这类有明确经济价值的活儿，这和获取现实权力之间的相关性并不强。文章引用了 Garett Jones 的研究：个人智商和收入只是弱相关，但国家平均智商和国家产出强相关，因为智力有外溢效应——更聪明的社会协作更好、储蓄更多。发明高压蒸汽机的特里维西克穷困而死，但英国有一大批这样的人，才撑起了全球帝国。 文章没给出量化证据来证明“AI 走经济赛道就不会自动获得权力”，更多是概念辨析和思想实验。它也没讨论如果 AI 同时掌握经济效率和策略博弈能力会怎样，这个缺口让结论更像一个提醒而非定论。

这篇笔记把预训练翻车的坑讲得很实在。核心就两类：一是破坏因果性，比如 MoE 里用专家选择分配 token，会让 token n 的去向依赖后面 token n+k 的路由结果，训练时偷看了推理时拿不到的信息，传 Llama 4 表现不佳可能跟这有关；token 丢弃也有类似问题，后面 token 匹配度更高会导致前面 token 被忽略，Gemini 2 Pro 据说踩过这个坑。二是引入偏差，偏差不像方差能平均掉，会越滚越大。GPT-4 早期训练就栽在 FP16 集体通信上——FP16 在 1024 以上精度间隔变大，反复加 1 会被反复舍入回原值，累加结果能差 10 倍，这种 bug 极难排查。 文章还抛出一个有意思的问题：训练翻车的原因是不是就那么几种，修完就一劳永逸？聊的人觉得不是，规模每上一个台阶都会有新坑冒出来，光数值精度这一块就能花式翻车。另外他对 AI 自动写 CUDA kernel 短期不乐观，认为这更接近 AGI 完全体问题。 缺的东西也明显：全是经验之谈和传闻，没有实验数据或复现验证，Llama 4 和 Gemini 2 Pro 的案例都标注是 rumor 和 apparently。当成工程避坑清单看有用，但别当正式结论引用。

Dwarkesh 这篇的核心判断很直接：别指望靠强化学习加可验证奖励（RLVR）就能让 AI 在科学上大杀四方。他拿科学史举例，理论的验证闭环长得离谱，哥白尼 1543 年提出日心说，要等到 1838 年恒星视差被观测到才算在观测上彻底驳倒对手，中间隔了近 300 年。而且当时哥白尼的模型预测精度还不如托勒密打磨了上千年的地心体系，甚至更复杂，因为哥白尼坚持正圆轨道，不得不塞进更多本轮。 文章还提到水星进动的例子，牛顿力学解释不了水星轨道每世纪多转出的 43 角秒，当时的天文学家推测有颗叫“祝融星”的未知行星，结果要等到 1915 年爱因斯坦的广义相对论才给出答案。这说明科学进步里掺杂了大量我们还没法清晰描述的判断和启发式方法，很难塞进一个即时打分的 RL 循环里。 文章没给出任何量化实验或 AI 模型测试数据，纯粹是历史案例的类比论证。它缺的是：如果非要用 RLVR 做科学，具体会在哪个环节卡死？是奖励函数没法定义，还是探索空间太大？这些都没展开。

Dwarkesh 这篇文章没给实验数据，纯靠科学史推演，但推得挺狠。RLVR 靠可验证奖励信号驱动，代码有测试用例，数学有证明器，科学理论却没有这种即时反馈。哥白尼 1543 年的日心说刚出来时，预测精度还不如托勒密打磨了上千年的地心说，开普勒定律到 1619 年才补上，牛顿统一到 1686 年，恒星视差更是 1838 年才测到。这不是任何一个现有 RLVR 训练循环能消化的延迟。 我会先打个折：文章讨论的是科学理论发现这个极端场景，跟 RLVR 在代码、数学推理上的表现是两码事。但它的提醒是成立的——RLVR 拿的是短期反馈的工资，科学经常在一个世纪后才结账，中间还得忍受一堆错误预测。海王星 1846 年被算出来是成功案例，水星多余的 43 角秒却让人追着祝融星跑了几十年，直到 1915 年爱因斯坦才收尾。正文没披露任何实验对比或基准数字，所以这更像一篇思想实验，别当结论用。