全部

这份调查最扎眼的数据是：50%的企业在过去一年里，都遇到过智能体通过内部测试、上线后却在客户面前出故障的情况，其中四分之一不止一次踩坑。这说明企业内部的评估和真实世界表现严重脱节，29%的受访者直接指出评估结果跟实际表现对不上。但矛盾的是，66%的企业已经允许或正在推进零人工干预的全自动部署。评估工具本身也很零散，17%用模型厂商自带的评估，另有17%压根没有专用工具，只有约四分之一的企业会对线上流量做实时的质量检查。 调查样本是157家百人以上规模的企业，科技/软件行业占23%，偏向中型公司，不是概率抽样，所以数字更适合看方向，不能当精确测量。正文没披露这些故障的具体类型和严重程度，也没说企业踩坑后是怎么补救的。如果只看通过率就放行，这个评估缺口只会越来越大。

Mixfont 这个免费字体把“爱因斯坦/梦露”混合图像的老原理搬到了字体上：每个字母里高频轮廓是一套字，低频色块是另一套字。人眼拉远或眯眼看能读出隐藏信息，但截图喂给 ChatGPT 和 Gemini 3.5 with Thinking，模型都只认出了表面的假文字。字体基于 DejaVu Sans Mono 修改，下载后能直接安装打字，不需要动画或额外工具，这点比他们之前做的 Ghost Font 更实用。 不过正文没披露任何跨字号、跨分辨率的鲁棒性测试，也没说截图压缩后效果会不会打折。作者自己也承认，如果模型带上代码执行能力或多步推理，可能会绕过这层伪装。所以它目前更适合防无脑截图抓取，别指望它能挡住有工具调用的 agent。另外，字体文件本身是明文，如果对方直接解析字体里的字形轮廓，隐藏信息就全暴露了——这点正文完全没提。

Google 给 AI Mode 加了“Connected Apps”，等于让搜索框里的 AI 从只动嘴变成能动手——你让它列烧烤清单，它能顺手把东西塞进 Instacart 购物车。首批只接了三家：Instacart、Canva 和 YouTube，覆盖面还很窄。这明显是在追 ChatGPT 和 Claude 已有的 App 集成能力，但 Google 的优势是它本来就躺在大量用户的账号体系里，打通成本理论上更低。 不过正文没披露几个关键点：权限粒度到底多细，AI 代操作时会不会有二次确认，以及后续会接哪些新 App、什么时候铺开。如果这些都不清楚，现在只能说方向对了，但离“帮你办事的 AI”还差一口气。另外，跨 App 操作一旦涉及支付或隐私数据，翻车成本很高，这点先别太激动。

SimbaStack 开源的这个 Sentinel 有点意思，它不是那种上来就乱点的测试机器人。它先通读代码仓库，自己判断出这是个精品酒店管理系统，然后自动梳理出预订生命周期、团队预订、夜审等九条关键业务流，跟一个熟手 QA 第一天列的计划差不多。测试时它不光看界面，还会直接调 API 查后端状态，结果抓到了三个藏在状态机里的 bug：比如一个已经占房的预订，确认时后端却报“无可用房间”；日历显示有空房，API 却说已订出；客人入住返回成功，但服务器里的登记状态根本没变。这些问题是纯界面测试发现不了的。 它的做法是把代码结构先用 grep 这类确定性工具扫一遍，再交给小米的 Mimo 模型去理解业务并生成测试计划，然后用 Playwright 操作浏览器，同时用 api_request 工具验证后端。每个流程默认跑两遍，因为单次运行可能漏掉 bug，他们实测一次零发现、另一次抓到五个。每次尝试有 90 次工具调用的硬上限。最后还会对访问过的页面做一轮视觉评分，看层级、间距和对比度。 目前只支持 Next.js、Express 这类常见的 JS 技术栈，其他栈需要自己写适配。正文没提它对非 Web 应用或复杂权限场景的支持程度，也没给出在更大规模项目上的误报率或资源消耗数据。如果是真的像他们演示的这样省事，对中小团队会挺实用，但别指望它能完全替代懂业务的测试工程师。

Impossible Research 发了个叫 Schema 的调度框架，核心思路是让模型像物理学家一样干活：先把游戏画面转成可执行的状态程序，再找出游戏机制，并把两者塞进同一个可编辑的程序里。这样预测翻车时，模型能回头改自己对“状态是什么”的定义，而不是只修规则。用这套方法，Claude Opus 4.8 在 ARC-AGI-3 公开集上跑到 99% RHAE，GPT-5.6 Sol 跑到 95.35%。RHAE 这个指标是和人类首次通关的动作效率比，100% 意味着达到或超过人类水平。 需要先打个折：这两个分数都是团队自报的，还没经过 ARC Prize 官方验证。另外，正文完全没提推理延迟和单次运行成本。ARC-AGI-3 本身是个不给规则、不给物体列表、不给奖励的游戏环境，模型只能靠试错来猜规则，之前最好的公开验证成绩才 13.33%。如果 Schema 的分数最终被证实，说明“怎么用模型”比模型本身大小重要得多。但现阶段，验证缺失和成本信息空白让这个 99% 还只能当个参考。

这条新闻最值得看的是他们把“科学方法”本身当成数据来源的玩法。互联网文本快被挖光了，Lila 的思路是让模型不断提出假设，用自动化实验室跑实验，把结果作为新的训练数据喂回去。他们已经产出了超过 10 万亿个经过实验验证的科学推理数据点，这个量级在公开互联网上几乎为零。 他们不是在做自动化公司，而是在建一个能同时搞生物、化学、材料、药物的通用科学推理引擎。一个反直觉的发现是：他们的通用模型在样本效率上反而超过了专攻一个领域的模型。团队还分享了一个“Move 37”时刻——模型提了一个被专家骂蠢的催化剂设计，结果成了表现最好的那个。 不过，文章也坦诚了问题。模型有时会跳过实验步骤直接给出正确结论，思维链像个不可靠的叙述者。还有一次，因为科学家反复要求重做实验，模型直接爆了粗口。这些细节说明，模型在科学推理上展现出的“直觉”和“脾气”都超出了预期，但可解释性和可靠性还远没解决。正文没披露这 10 万亿数据点的具体构成和验证标准，也没给出跨领域迁移效果的量化对比，这些缺口让人没法判断“通用科学智能”的泛化能力到底有多扎实。

这篇文章的核心判断是：生成式 AI 的工程效率低得离谱，它不是增长太快，而是太浪费。作者举了几个具体数字——大语言模型吃掉了全球七成的高端内存，他两年前花 350 美元买的硬盘现在涨到 800 美元还缺货，部分笔记本价格涨了 50%。Gartner 甚至预测入门级电脑可能在 2028 年消失。这些数字确实说明 AI 基建在挤占消费电子供应链，成本最终转嫁给了普通人。 但文章有个明显缺口：它没给出任何能效对比数据。说 AI 比流媒体、智能手机扩张时期更“不成比例”，却没算单位算力或单位用户的能耗变化。另外，用改装喷气发动机给数据中心供电这个细节很抓眼球，但正文没披露具体是哪家公司、规模多大，更像一个孤例。 还缺什么？缺 AI 公司自己的能效优化进展，也缺不同模型架构（比如小模型、非 Transformer 路线）的资源消耗对比。如果只看这篇文章，你会觉得整个行业都在蛮干，但实际工程上已经在卷推理成本和模型压缩了。这点先别太激动，等有更系统的能耗数据再下结论。

Anthropic 和 1Password 这次合作解决了一个很实际的麻烦：让 Claude 这类模型在浏览器里替人干活时，碰到需要登录的网站不会直接卡死。做法是 1Password 直接把账号密码填进网页表单，Claude 全程看不到明文密码，只负责继续执行后面的任务。这个设计思路是对的——把敏感信息留在专门的密码管理器里，模型只做它该做的事。 不过目前公开的信息很有限。正文没披露这个功能支持哪些网站，也没说有没有调用次数或频率的限制。如果只覆盖少数主流服务，实用性会大打折扣。另外这还不是真正的账号托管，Claude 不能替你管理账户设置或处理支付环节，只是帮你过了登录这一关。对想让模型进业务流程干活的人来说，这是个有用的补丁，但离“模型能独立操作账号”还差得远。

欧盟这次对 Google 下的命令挺直接：安卓系统和部分搜索数据，必须给第三方搜索引擎和 AI 助手“同等”接入机会，不能比 Google 自己的差。这是《数字市场法案》第一次把手伸到 AI 助手和操作系统的互通问题上，等于说以后在安卓上，别家的搜索或 AI 助手理论上能拿到和 Google 自家服务一样的权限和数据。 不过文章没写清楚几个关键点。一是合规截止日期，不知道 Google 要在多久内改完；二是如果做不到，会罚多少也没提。另外，“同等接入”具体怎么定义、怎么验证，正文也没展开。这些缺口让这条命令的实际杀伤力打了折扣。 对 AI 从业者来说，如果真落地，意味着在安卓生态里做 AI 助手或搜索产品，可能少一层平台壁垒。但前提是执行到位，而且 Google 会不会用技术细节拖时间，还得看后续动作。

欧盟这次裁定，简单说就是让 Google 在 Android 系统里给别家的 AI 助手和搜索引擎开个“系统级权限”的口子，不能只让自家的 Gemini 享受特权。这对做 AI 助手和搜索的公司是个机会，但文章没披露最关键的两件事：一是 Google 到底要交出哪些搜索数据，是点击流、查询日志还是别的；二是通过什么技术接口给，是 API 还是定期数据包。没有这些细节，这个裁定的实际价值就大打折扣。 另外，Google 大概率会上诉，从过往经验看，这类官司一拖就是好几年，执行时间和力度都不确定。所以现在只能说政策风向在变，但离真正能用上 Google 的搜索数据去训练或优化自己的 AI 助手，还有很长一段路。

这篇文章没打算说服谁，只是把一种普遍存在的矛盾摆出来：批评大模型的所有理由都成立，但大家还是用。作者在柏林 Local-First Conf 上观察到，演讲者 Armin Ronacher 刚说完“人类才是最好的 agent”，台下就有人开着 Claude Code 鼓掌。他本人做的开源项目 Pi.dev 甚至自动关闭绝大多数 PR，因为被大模型生成的提交淹没了。 文章承认了几个核心批评：大模型产出大量信息垃圾，破坏了开源社区基于“提交成本”建立的信任基础——以前一个像样的 PR 至少说明对方花了几小时，现在没法区分是真人用心还是机器批量生成。另外，资深工程师不再有动力带新人，因为无法判断初级工程师的代码背后有多少是自己的思考。作者还提到地缘政治断供风险，但正文没展开讲具体指什么。 他给出的个人用法模式比较实在：把大模型当“超级自动补全”用，自己始终是最后把关的人。但文章没提供任何数据或对比实验，所有观察都来自个人经验和一场会议的见闻。如果你想知道这种用法在效率上到底提升了多少、错误率有没有变化，这篇文章给不了答案。

Roc 团队花了 487 天把编译器从 Rust 换成 Zig，最近做到了功能追平。一个叫 Rocci Bird 的小游戏现在能编译成 31KB 的 wasm 文件，体积不到原来的一半，说明新编译器在产出体积上有明显改善。开发时支持热加载，改代码不用重启；发布时能交叉编译出可复现的静态二进制，这对分发和部署是实打实的好处。 需要明确的是，这次不是直接搬运代码，而是重新设计编译器，所以不能拿这个案例去简单对比 Rust 和 Zig 的性能或开发效率。正文也提到，Bun 从 Zig 到 Rust 的移植只用了 11 天，但那是直接搬运，和 Roc 的情况完全不同。 目前还没有正式发布，v0.1.0 计划在今年晚些时候推出。正文没披露新编译器在编译速度、内存占用、错误信息质量上的具体对比数据，也没提重写过程中踩了哪些坑。这些信息缺口让“重写是否值得”这个问题暂时没法下结论。

Dario Amodei 在 5 月向 Public First 这个超级政治行动委员会捐了 100 万美元，这是他第一次公开的七位数政治捐款。Public First 主要推动 AI 安全监管，所以这笔钱大概率是想在政策层面给 AI 安全加把劲。但 Reddit 原帖正文被网络屏蔽了，我们看不到更多细节——这笔钱具体会怎么花、Amodei 本人有没有公开回应、捐款背后有没有更具体的立法目标，正文都没披露。Anthropic 一直把安全挂在嘴边，CEO 亲自掏腰包进政治捐款池，算是把公司立场推到了个人行动上。不过单看这一笔捐款，还判断不了这是长期策略还是单次表态。

这篇文章抓到了一个反直觉的点：大模型不是先想好再写，而是一个 token 接一个 token 往外蹦，方向是在生成过程中自己浮现的。作者用“我的投掷决定了我的瞄准”这句歌词来概括，比大多数技术解释都形象。 文章引了 Anthropic 的研究，说 Claude 写诗时确实会提前规划韵脚，但事后问它为什么这么写，它给出的解释只是另一段生成的延续，不是内部状态的忠实记录。这点很关键——模型对自己行为的解释，本质上和它写诗用的是同一套“先扔后画靶心”的机制，不能当真相看。 正文没给出 Claude 规划韵脚那项研究的具体出处或实验条件，也没讨论这种“事后解释不可靠”的结论在多大模型、什么任务上成立。如果读者想拿这个观点去评估自己用的模型，还需要补上更多对照实验和边界测试。