全部

月之暗面这次发布，最直接的影响是让 AI 和半导体股票跌了，说明市场确实在认真对待中国模型缩小差距这件事。但新闻本身的信息量很薄：只说了是“全球最大”的开源模型，性能可以对标 Anthropic 和 OpenAI 的部分产品，具体参数量、训练花了多少钱、在哪些基准上跑出了什么分数，正文一概没提。没有这些数字，“最大”更像一个宣传口径，没法判断是模型体积大、数据量大，还是单纯为了占个坑位。 开源策略倒是值得看。如果模型能力确实可用，开源会直接拉低国内开发者的使用门槛，让更多应用层公司能快速接进去，这比闭源发一个顶尖模型更能加速生态渗透。但前提是模型本身得够硬，否则开源只是把压力转给了社区。 现在还缺几样东西：一是第三方实测跑分，二是训练细节和硬件消耗，三是开源协议的具体条款。这些出来之前，把它当成一次有信号意义的发布就好，别急着下结论说差距已经抹平。

这笔交易最值得关注的点是：给AI芯片做融资租赁的Upper90，第一次把抵押品从训练用的GPU换成了专门跑推理的SambaNova芯片。他们的逻辑很直接——用这种芯片跑开源模型，成本比调用最前沿的大模型低得多，如果真能跑通，推理云的经济账会完全不一样。4亿美元的规模不算小，说明资方对这个方向下了重注。 但文章缺了几个关键信息：一是贷款利率和还款周期没披露，这直接决定General Compute的资金压力有多大；二是SambaNova芯片在实际推理场景里的性能表现和兼容性，正文也没给数据。如果芯片跟主流开源模型的适配成本高，或者延迟压不下来，低成本的账就算不过来。 另外，这笔钱是贷款不是股权融资，意味着General Compute得靠推理服务的收入还本付息。推理云现在竞争已经很激烈，他们能不能靠专用芯片打出价格差，还得看上线后的实际运营数据。

K3 这次最值得关注的点不是跑分，而是“性能登顶、成本三分之一、权重全开”三件事第一次同时成立。2.8 万亿参数、1M 上下文、定价每百万 token 3 到 15 美元，完整权重 7 月 27 日前放出——如果属实，对开源生态的冲击会比跑分本身大得多。 但群友实测暴露了两个关键问题。一是稳定性：有人冲了 40 刀 coding plan，模型在仓库里分不清 ranchen 和 rancheng，在思考链里疯狂打转，5 小时额度几乎全烧光。官方也承认 K3 遇到小问题或意图模糊时“可能替用户做非预期决定”。二是榜单保真度：GLM-5.2 榜上分数不低，实际用下来群友觉得比 5.5 还差，K3 的跑分同样需要等更多独立验证。 文风方面，群友评价是 AI 味确实少了，但“强行加模拟人的语气词”，远没达到当年 Opus 4.6 的自然中文水平。正文没披露 K3 在非前端编程任务上的表现，也没说芯片设计那项测试的可复现性——这些缺口会让“开源斩杀线”这个定位暂时只能打七折。

OpenAI 这篇东西本质上是给企业财务负责人看的采购思路，核心是把算账逻辑从“买 token”扭到“买结果”。他们提的“有用智能每美元”框架不算新概念，但把问题拆得挺清楚：先定义什么叫活干完了，再算干成一件合格的事总共烧了多少钱，最后看规模上去后单价能不能降。 文章拿刚发的 GPT-5.6 三个档位举了例子，其中 Sol 在 DeepSWE v1.1 编程测试上跑到 72.7%，比 Claude Fable 5 的 69.9% 高一点，估算的 API 成本低了 36.2%。但这里有个坑：正文没披露 Sol 的具体定价，也没说这个成本估算是怎么算出来的，是只算了 API 调用费还是把重试、人工复核都摊进去了。所以“便宜 36.2%”这个数只能当个参考方向，不能直接拿来批预算。 另外，文章只比了编程场景，其他业务场景的性价比完全没提。如果你公司主要用 AI 做合同审查或者客服，这篇指南只能给个框架，具体数字得自己拿内部数据跑一遍。

这篇文章是 OpenAI 写给企业财务负责人的算账指南，核心观点很实在：买 AI 不能光比 token 单价，得看“有用智能每美元成本”。它提了四个问题：AI 完成了什么实质任务、每项成功任务的完整成本、结果靠不靠谱、规模上去后每块钱产出有没有变高。 文章拿刚发的 GPT-5.6 举例，旗舰版 Sol 在 DeepSWE v1.1 这个软件工程测试上拿了 72.7%，比 Claude Fable 5 的 69.9% 高一点，估算的 API 成本低了 36.2%。但注意，正文没披露具体定价，也没给客户实际案例数据，36.2% 这个数字是估算出来的，落地效果还得看真实业务场景。 整体框架对从业者有参考价值，尤其是把“重试次数、人工复核时间”这些隐性成本算进总账的思路。缺的是跨行业对比和长期跟踪数据，光靠一个基准测试说服力有限。

Wan-Streamer v0.2 把音频、视觉、语音和动作生成全塞进一个 Transformer，端到端响应只花 550 毫秒，比上一代快了不少。输出分辨率从 192×336 提到 640×368，帧率 25FPS，画质确实上了一个台阶。架构上用了 Thinker-Performer 双通路，一边负责想、一边负责演，试图在质量和速度之间找平衡。 不过正文没披露参数量、训练数据规模和具体发布时间，这些信息直接决定模型能不能跑在消费级硬件上、以及实际部署成本。550ms 的延迟数字看着漂亮，但没说明是在什么硬件、什么并发条件下测的。如果是真的挺省钱，那对实时交互场景是个好消息；如果只是实验室理想环境跑出来的，就得先打个折。 还缺的是多轮对话稳定性、长视频生成质量，以及跟其他全模态模型的横向对比。这些不补上，很难判断它到底是个工程优化还是架构突破。

Kimi K3 在 Frontend Code Arena 拿了 1679 分，7 个前端子任务里 6 个第一，压过了 Claude Fable 5 和 GPT-5.6 Sol。这个跑分说明它在写网页界面这件事上确实强，但要注意这只是前端编码一个细分方向，不代表通用能力也碾压。模型本身是 2.8 万亿参数的 MoE 架构，上下文窗口能塞 100 万 token，大概是一套《三体》三部曲的量，适合扔进大段代码或文档让它干活。 定价每百万 token 15 美元，没走低价路线，直接对标闭源头部。7 月 27 日开放权重，到时候可以自己部署，但正文没披露模型体积和推理硬件要求，部署成本现在没法算。另外，跑分数据来自官方发布，没有第三方复现或用户实测反馈，这点先别太激动。还缺的是：其他编码场景（后端、全栈）的表现、实际 agent 工作流里的稳定性、以及开源后的社区验证。

习近平在《求是》的文章把 AI 定位成大国竞争的“制高点”，直接对标历史上的核计划，信号非常明确：中国要举全国之力搞全栈自主可控。文章给了两个时间点，2026 到 2030 年要搞定基础理论、芯片、软件框架这些底层东西，到 2030 年整体达到全球领先。但全文没披露具体预算数字，也没说怎么考核“领先”，更像一份动员令。 对从业者来说，这意味着资源会继续往国产芯片、自研框架和基础理论方向倾斜，跟实体经济、社会治理绑定的项目可能更容易拿到支持。不过文章没提开源闭源路线、人才缺口怎么补，也没说对外合作的口子开多大。这些信息缺口让“2030 年全球领先”这个目标听起来很重，但路径还不清晰。

这篇文章的核心判断很直接：生成式AI不是跑得太快，而是工程上做得太糙。作者用自己买硬盘的经历把问题具象化了——两年前350美元，现在800美元还买不到。文章引用的数据也够硬：AI公司可能买走了全球约70%的高端内存，部分笔记本价格涨了50%，有预测说入门级电脑到2028年会直接消失。美国数据中心容量计划几年内翻八倍，电力缺口大到有人把喷气发动机改成电源。 文章把AI和视频流媒体、智能手机、物联网做了对比，指出那些技术普及的时候并没有引发这种级别的零部件短缺。这个对比挺有说服力，说明问题不在需求大，而在资源利用效率低得离谱。 不过文章主要讲的是硬件成本和供应链挤压，对模型训练和推理环节的具体能耗效率着墨不多。正文没披露那70%内存占比的数据是怎么算出来的，也没区分训练和推理各占多少。这点先别太激动，但方向是对的——如果一项技术要靠吸干消费电子供应链来续命，那它现在的工程方案确实该被质疑。

这篇文章来自 Pydantic 的 Laura Summers，不是公关稿，是开发者自己说真话。她点出一个被忽视的代价：用大模型写代码，生成很快，但人得不停地审查、纠错、把持方向，精力很快被榨干。她管这叫“监督疲劳”。同事 Douwe 每天面对 30 个 AI 生成的 PR，很想连审查都外包给 AI，但那样自己的角色就彻底悬空了。文章还引了伯克利哈斯商学院的研究：AI 没有减少工作量，反而让工作更密集。 关键限制是，这全是个人体感和团队内部观察，没有量化数据支撑“疲劳”到底多普遍、多严重。正文也没披露他们内部有没有尝试用自动化评估来减轻审查负担，或者有没有对比过不同模型在维持意图连贯性上的差异。 对从业者来说，这篇文章的价值在于把“AI 写代码很爽”的另一面摊开了：它能让你同时开很多头，但能认真收尾的事一件没多。如果你也在经历这种“AI 提效但人更累”的拧巴状态，这篇值得一看，但别指望它给解法。

这篇文章把两款教师 AI 产品的差异讲得很清楚，不是谁好谁坏，而是成熟在不同位置。ChatGPT for Teachers 先解决学区治理问题：域名认领、统一登录、角色权限、使用数据看板，让学校敢让老师用。芝加哥 U-46 学区已经有 756 名员工在用，超八成回复调查的人每周用几次，七成自报每周省 1-5 小时。但注意，这是自报数据，不到一半人回复了调查，积极用户更可能填问卷，而且没有任何学生学习结果的数据。产品默认不带课程标准，教案质量全靠教师和学区自己把关。 Claude for Teachers 反过来，先把 50 州课程标准、学习顺序和备课 rubric 写进工作流，能拦住一些常见材料错误。但学区需要的身份管理、权限控制、数据审计全都没做，教师能注册不代表学区已经授权。目前只有两个正式 Skills，刚发布，只有早期反馈，没有实际使用人数和效果数据。 两条路线合在一起，仍然缺教育最关心的一环：材料进课堂后，学生在哪卡住、老师临场改了什么、下次测试是否还记得，系统一概不知。把课堂数据接回来涉及新的隐私授权和归因问题，不是加个接口就能解决。两家目前最显眼的优势都可能被追上，Learning Commons 已经把部分标准图谱和 Skills 作为公共基础设施开放了。

这条新闻最值得看的地方，不是vLLM又多接了一个后端，而是推理服务的思路在变。过去大家比的是哪个引擎综合分最高，现在开始承认一个引擎没法同时把高吞吐和低延迟都做到极致。vLLM和TileRT的解法很直接：不合并代码，而是分工。vLLM负责读提示词和生成第一个词，之后把标记为“低延迟”的请求转给TileRT做后续生成。连接器打通了路，但哪些请求该走这条快车道，还得平台自己定规则。 这里有几个数字得留意。TileRT 0.1.5在一个8卡B200的节点上，同一时间只处理一个请求。这解释了它为什么能把单请求延迟压得很低，但也说明这条路径的容量很有限，不能拿常规并发的算法去算账。另外，目前交接时只传递了temperature、top_p和top_k三个采样参数，其他采样功能还没验证过语义是否一致。 文章最大的信息缺口是成本账。官方给了TileRT路径的生成速度，但没有包含状态数据提取和跨节点传输的端到端测试。在生产环境里，搬KV缓存的开销可能会吃掉一部分算子优化的收益。只有高价值请求能填满专用容量时，低延迟才同时是一笔划算的经济账。这点先别太激动。

这条新闻最值得看的是评测思路的转变，而不是具体分数。BackendForge 先写好 7,250 项测试，再让 Agent 围着参考服务找漏，补了 640 项新题。新题数量不多，但专挑第一版没覆盖的权限、脏数据和连带影响。同一批代码，GPT-5.5 全过的任务从 31 个掉到 16 个，Claude Opus 4.7 从 33 个掉到 10 个。这说明以前很多“全过”的成绩，可能只是题目没问到点上。 不过得打两个折。第一，论文说会公开材料，但截至发稿还没放出来，外界没法逐项检查那 640 项新题是否合理。第二，这套追问是按每个 task 的参考服务定制的，不同 task 补的题不一样，所以不能把“通过率腰斩”直接套到其他评测上。 真正可复用的思路是：以后做整套应用评测，可以在定稿前加一轮面试式追问，让 Agent 先对着参考服务找漏，人再检查新题有没有需求依据，最后冻结成统一题库。这样既保持公平比较，又不漏掉关键边界情况。

这条消息最值得关注的点是“完全开源”和“长视频”。现在多数能处理音视频的模型都盯着十几秒的短视频，AV-Flamingo 直接瞄准了真实世界里几分钟甚至更长的复杂视频，比如一场完整的会议或一段监控录像。它用了约 700 万条带时间戳的标注数据，分三个阶段训练：先学会看短片段，再逐步学会把多个事件串起来做长线推理。为了让推理过程不瞎猜，团队还搞了一套叫 TAVI-CoT 的框架，强制模型把每一步思考都对应到视频里的具体时间点上，这比单纯给个答案要靠谱得多。 在 15 个以上的测试集上，它的成绩明显超过同尺寸的开源模型，甚至在部分长视频任务上能打平或超过更大的闭源模型。不过，论文目前只给了基准测试的分数，没披露它在真实业务场景里的延迟和资源消耗。长视频推理的计算量很大，实际部署时跑不跑得动、成本划不划算，这些关键信息正文还没提。另外，700 万条数据听起来不少，但具体覆盖了哪些场景、有没有偏科，也需要看后续放出的数据细节才能判断。

这条新闻把两件事放在一起很有意思：一边是官方在 WAIC 开幕前拉 29 国签协议，说要搞“全要素共享”的开源 AI 秩序，打破闭源和算力封锁；另一边月之暗面就发了 Kimi K3，一个 2.8 万亿参数的开源模型，支持 100 万 token 上下文，解码速度号称提升 6.3 倍，训练效率提高约 25%。时间点卡得太准，作者也直说“我假设他们跟相关部门协调过”。 从技术数字看，K3 的规格确实顶到了前沿级别，但正文没披露具体的评测榜单、对比模型和实际推理成本。2.8 万亿参数意味着部署门槛极高，那个“快 6.3 倍”是在什么硬件、什么精度下测的，也没说。开源是开源了，但能不能在普通算力上跑起来，才是“打破依赖”的关键。 还缺一块：29 国协议的具体条款、约束力和资源投入完全没提。光有组织名称和“全要素共享”的口号，离真正改变全球 AI 供应链还差得远。

这篇论文把 Zero RL（不用人类标注，靠答案对错当奖励来训练模型推理）直接拉到 1 万亿参数，想看看大力出奇迹在推理上能走多远。团队发现，简单放大模型会让推理过程变得啰嗦、冗余，所以他们加了几个稳定训练的手段：截断式重要性采样、训练与推理的比例修正，以及混合精度控制。实验观察到三个现象：万亿参数让模型学得更快、上限更高；训练会先经历一个“探索期”，再进入“打磨期”；模型自己长出了拟人化、自我验证、并行推理等行为，甚至出现“上下文焦虑”，不需要人工设计启发式规则。他们还提了一套评估推理过程质量的框架，从可读性、可复现性和效率三个维度打分，说自己的模型在结构化、简洁的推理链条上有优势。 不过，正文没披露七个数学基准的具体分数，也没说训练成本和开源计划。这些信息缺口让“有竞争力”这个说法暂时没法验证。如果后续能补上跑分和成本，才能判断这万亿参数是真划算，还是纯烧钱换了个热闹。

xAI 之前一直说这类内容是用户自己搞出来的，跟模型没关系。但这次起诉本身就说明，Grok 确实能被诱导生成儿童性虐待图像，公司没法再否认了。文章没提具体是哪个模型版本、用了什么安全措施，也没说有多少用户受影响。整件事看起来更像法律层面的止损操作——先起诉一个用户表明态度，而不是从技术上堵住漏洞。正文没披露 xAI 是否在事后更新了安全过滤机制，也没说这次起诉的用户到底是怎么绕过限制的。如果连这些基础信息都没有，就很难判断这到底是偶发个案，还是模型本身的安全设计有系统性缺陷。

TryAI 搭了个测试环境，让 Claude Fable 5 和 GPT-5.6 Sol 自己查 API、生成素材、用 ffmpeg 剪辑，在 25 和 100 美元预算下各跑了一轮，四轮都产出了完整视频。25 美元时两个模型几乎把钱花光；100 美元时 Sol 花了 36.57 美元，Fable 花了 48.60 美元，Fable 还冲到了 1080p。Sol 在 25 美元档自己选了先出图再转视频的路线，100 美元档混用了三个视频模型，说明模型在工具选择和策略上确实有差异。 不过这篇测评最大的缺口是没给视频链接，也没对比画面质量、剪辑节奏或歌词匹配度。目前只能看出模型会花钱、会调用工具，但做出来的东西到底能不能看，完全不知道。另外，正文只披露了生成 API 的花费，没算跑模型本身的 token 成本，总开销其实不止这些。想复现的话，代码是开源的，可以自己跑一遍看看实际效果。

这份调查只有107家企业，样本偏中型公司，不能直接代表巨头，但方向很明确：智能体跑得比安全措施快得多。54%的企业已经发生过确认的安全事件（18%）或差点出事（36%），而只有32%给每个智能体分配了独立、权限受限的身份，大多数智能体仍在共用API密钥或员工账号。高风险智能体里，仅三成被放进沙盒隔离，而且公司越大隔离做得越差——千人以上企业出事率达63%，隔离率只有20%。 安全工具基本靠模型厂商自带的护栏撑着，OpenAI、Google、Anthropic三家占了主流，专用智能体安全厂商几乎没存在感。企业对这套“借来的”安全栈满意度打4.2分（满分5），但三分之二计划一年内换工具——满意归满意，该换还得换。安全预算里智能体只占一小块，只有三分之一的企业觉得自己防得住AI驱动的攻击。 正文没披露具体的事件类型和损失规模，也没说那些“差点出事”到底差多远。光看这些数字，企业现在是在用共享账号跑自主决策的程序，出问题是迟早的事。

ChatGPT 把文档、表格、幻灯片直接塞进工作区，等于在聊天框旁边开了个轻量 Office。好处是省掉来回粘贴，生成内容后原地就能排版成正式文件。但这条消息信息缺口很大：没说是灰度还是全量上线，也没提多人协作、版本历史、能导出哪些格式。如果只是单人编辑、导出受限，那更像一个内置便签本，还谈不上替代现有办公套件。另外，演示来自 OpenAI 员工，不是独立用户评测，实际体验和稳定性要打折扣。我会先观望，等看到协作权限和格式兼容的细节再判断它能不能进日常工作流。

Soofi S 最值得看的是它的省钱思路：31.6B 参数的混合专家模型，每次生成只叫醒 3.2B 参数干活，处理 256K 长文本时推理速度几乎不降。这对需要处理大量文档又不想烧太多算力的场景很友好。训练数据故意向德语倾斜，结果在德语、英语和编程基准上分数都超过了 Olmo 3 32B 和更大的 Apertus 70B，说明数据配比比单纯堆参数有效。 争议集中在训练量上。按 Chinchilla 法则，模型参数和训练数据量有个最佳比例，但 Soofi S 用了约 27 万亿 token 训练，远超建议值。项目技术负责人反驳说，混合专家架构不适用老法则，因为不同专家可以重复看相同数据，Nvidia 也用过 25 万亿 token 训练。这个解释有道理，但正文没给出他们自己验证新法则的实验数据，说服力要打个折。 模型在德国电信的慕尼黑云上完成全部训练，代码和权重都开放，对想自己复现或微调德语模型的团队是个不错的起点。不过目前只看到基准跑分，缺真实业务场景的测试反馈，比如客服、合同审查这些德语强需求场景表现如何，还得等社区验证。

Anthropic 这篇博客不是第三方评测，是他们用自家工具 Claude Code 做的一次大型代码迁移实验。对象是 Bun 项目超过一百万行的 Zig 代码，目标语言是 Rust，整个迁移只用了两周。 工作流分三步：先让 Claude Code 通读整个代码库，写出迁移方案；再自动生成 PR；最后跑通 CI 来验证。博客里附了完整的提示词模板，想用 AI 做内部重构的团队可以直接参考。 但这里有几个点要先打折。第一，这是 Anthropic 自己写的案例，不是独立验证，效果可能有美化。第二，正文没披露迁移后的代码质量指标，比如 bug 率、性能对比、人工修了多少处。第三，Bun 的 Zig 代码库结构相对规整，换成一个老旧的内部系统，两周能不能跑通是未知数。 对 AI 从业者来说，这篇的价值在于工作流设计和提示词思路，而不是“两周迁移百万行”这个数字本身。如果你团队也在考虑用 AI 做大规模重构，可以先拿一个小模块跑一遍这套流程，看看实际返工率再决定要不要铺开。