全部

Ian Reppel 把成功公司比作墨西哥洞穴鱼：基因还在，但环境不再奖励视力，眼睛就退化了。公司一旦跑顺、快速招人，招聘门槛会越放越低，新来的工程师只熟悉内部那套混乱系统，还会在面试时优先选对这套混乱感到舒服的人。几轮下来，整个团队就失去了判断什么是好工程的能力。从外面看，品牌响亮、利润不错；从里面看，部署脆弱、文档像天书。提出改进会被当成对现有工程师身份的冒犯。 文章没点名任何具体公司，所有判断都来自作者的个人观察和类比推理，没有引用行业调查或离职率数据来佐证“看得见的工程师一年内离职”这个核心说法。洞穴鱼的生物学研究引用倒是扎实，但商业部分的论证更像一篇尖锐的随笔，不是实证分析。 还缺什么：如果作者能给出一些可观测的信号——比如内部工具维护时间占比、on-call 频率变化、老员工与新员工的技术栈差异——这个比喻会更有说服力。另外，文章只描述了问题，没讨论哪些公司成功避免了这种退化，以及它们具体做了什么。

欧盟这次出手，直接点出 Meta 的推荐机制本身有问题——不是内容违规，而是产品设计让人停不下来，这违反了《数字服务法》。FT 的报道提到，欧盟委员会认为这种“成瘾性信息流”对未成年人风险尤其大，但正文没披露具体的技术认定标准，也没说 Meta 是改了算法就行，还是得动底层架构。 目前这只是初步裁定，Meta 还有机会辩护，最终结果和罚款金额都没定。如果真按这个逻辑执行，对靠推荐算法留住用户的平台冲击会很大，但怎么界定“成瘾设计”、谁来举证，这些关键细节现在还看不到。

OpenAI 把 Codex 客户端改名叫 ChatGPT，同时上线 GPT-5.6 Sol，官方跑分在 Terminal-Bench 2.1、BrowseComp 等三项领先，价格只要 Fable 的一半。但群友用同一个代码库实测的结论很统一：Fable 还是好很多，5.6 的定位迅速收敛成给 Fable 当打工仔——先让 5.6 做代码审查和 draft，再交给 5.5 或 Fable 执行。新增的 max 和 ultra 推理档位烧额度极快，有人 10 分钟烧掉 24%，fast 模式则被集体嫌弃。 最值得读的不是跑分，是群友让 5.6 读完自己整个 GitHub 组织后写的一封信。模型从 99.6% 的单人署名占比、9154 条提交里只有三个点的标题，一路分析出 bus factor 为 1，最后写出"你的身体不是一个能从 Source 重新生成的 Release 目录"。这是今天信息密度和情感浓度双高的一段，比任何官方 benchmark 都更能说明模型对代码背后人的理解到了什么程度。 行业侧有三件事：Fidji Simo 因病离任 OpenAI AGI 部署 CEO 转顾问，前美联储主席伯南克加入 Anthropic 长期利益信托，Anthropic 年化收入估算被修正到 690 亿美元。正文没披露这些变动的具体影响和后续安排，只能先当信号看。

扎克伯格这次回应挺直白：内部算力确实全跑满了，但架不住外面租算力的报价高得离谱，所以把部分基础设施租出去更划算。他拿 SpaceX 举例，SpaceX 把孟菲斯一个数据中心租给 Anthropic，每月进账 12.5 亿美元，Meta 也在评估类似的高溢价短期交易。 Meta 正在筹划的云业务叫“Meta Compute”，两条腿走路：一是像 AWS Bedrock 那样托管自家模型收费，二是像 CoreWeave 那样直接出租裸算力。2026 年资本支出指引高达 1250 亿到 1450 亿美元，自研 AI 芯片计划 9 月量产，2027 年部署算力目标 14 吉瓦——这些数字说明 Meta 的基建摊子铺得极大，出租算力更像是在巨额投入期找个变现出口，而不是承认建多了。 不过文章没提 Meta 内部具体哪些业务在消耗算力，也没说出租比例会占多少。如果只是把闲置的边角料租出去，对收入结构影响有限；要是大规模转向卖算力，那等于承认自用需求撑不起这么庞大的基建。这点还得看后续 Meta Compute 的定价和规模细节。

马斯克这条推文最值得看的是他直接认错，说之前看走眼了，现在 Anthropic“显然是当前 AI 领域的领导者”。他点名 Mythos/Fable 模型，认为还没有公司放出过这么好的模型，并猜测 Mythos 2 快来了。但整条推文没给出任何基准测试、用户数据或具体对比，判断完全基于个人体验和印象，这点要先打个折。 他还特意补了一句，不会因为竞争就切断合作去搞对方，拿特斯拉开放专利和超充网络举例。这话在 AI 圈互相封锁、抢算力的背景下有点意思，但正文没披露他和 Anthropic 之间到底有什么合作或利益关系，所以这句话的含金量不好判断。 Rohan Paul 转发时管这叫 Anthropic“最强凡尔赛”，确实像。但这条新闻缺的东西也很明显：Mythos 2 的发布时间、模型规模、成本、实际表现，正文一概没提。如果是真的挺省钱又好用，那值得关注；如果只是大佬站台，听听就好。

这条新闻讲的是外国势力怎么把美国国内对数据中心的怨气当杠杆用。Alethea 统计，今年上半年中、俄、伊朗官媒提了数据中心约 700 次，平均每天近四次，手法包括用 ChatGPT 生成讽刺漫画、发卫星图配英文警告，以及放大美国本土批评者的声音。盖洛普 5 月民调显示 71% 的美国人不希望家附近建数据中心，这种情绪是真实的，外国行动只是在上面浇油，而不是凭空点火。 但效果要打个大折扣。OpenAI 确认中国境内有人用它的平台搞秘密账号发帖，结果“几乎没有引起真实的互动”，账号也被 X 平台移除了。文章没给出任何量化证据说明这些操作到底撬动了多少民意，华盛顿的警觉更多来自政治需要，而非实际影响评估。 还缺两样东西：一是这些外国行动与线下抗议、地方停建令之间有没有可验证的因果链，正文没披露；二是美国本土游说团体和政客自己也在拿“外国威胁”说事，这部分利益动机文章只点到为止，没展开。

这事最值得看的是交易怎么绕的：不是直接卖 API 给华为总部，而是走海外子公司或第三方经销商，用微软 Azure 和谷歌云的渠道交付。FT 看到的内部记录显示，部分销售明确知道客户在实体清单上，但流程没停。OpenAI 和谷歌都否认违规，理由是云服务算不算“出口”在法律上还是灰色地带。 我会先打个折：FT 没公布具体交易金额和模型版本，也没说这些中国公司拿模型去做了什么。八家这个数字不小，但正文没披露每家买了多少算力、用了多久。如果是真的，说明出口管制的执行漏洞比想象中大——不是技术漏洞，是销售合规流程在海外子公司层面被绕开了。 还缺几块关键信息：美国商务部有没有在查这些交易；微软和谷歌作为云厂商承担了什么审查责任；这些中国公司通过海外主体采购时，合同里有没有写清楚最终用途限制。这些没补上之前，先别急着下结论说谁违法，但合规流程形同虚设这点基本坐实了。

这条消息的核心不是技术，是控制权。Meta 原本打算花二十亿美元买下 Manus，现在腾讯介入，让这笔交易直接作废，自己转而成为 Manus 的最大股东。FT 的报道点明了腾讯在“牵头解除”这笔收购，彭博也确认了谈判在进行。这基本是把一笔单纯的商业收购，变成了中美科技公司之间对 AI 应用层资产的争夺。 对 Manus 来说，被腾讯领投意味着它不用进入 Meta 的体系，能保持相对独立的运营，同时拿到腾讯在国内的资源和分发渠道。但报道没披露腾讯这次投了多少钱、占股多少，也没说 Manus 现在的估值是不是还锚定在二十亿。这点很关键，因为如果估值大幅缩水，那“解除收购”更像是 Meta 主动止损，而不是腾讯截胡。 还缺的信息是监管态度。这种涉及跨境 AI 资产的股权变动，中美两边的外资审查委员会会不会卡，正文完全没提。如果后续审批出问题，这笔交易的结构可能还得再变。

Anthropic把前美联储主席伯南克拉进了它的长期利益信托委员会。这个信托独立于公司管理层和投资人，委员不持股、不分红，只拿劳务费，职责就是监督公司别为了商业利益把“负责任地开发AI”这条使命给丢了。伯南克在美联储干了八年，经历过2008年金融危机，2022年拿了诺贝尔经济学奖，Anthropic看中的是他对经济冲击的判断力，想让他帮着琢磨AI怎么影响就业和全球经济。 信托现在一共四个人，背景覆盖经济、国家安全、法律和全球健康。信托有权往Anthropic董事会里塞人，也能在涉及AI风险和公共影响的决策上给管理层提意见。但正文没披露信托具体怎么行使权力、历史上否决过什么决策，也没说伯南克一年要花多少时间在这事上。这些信息缺了，就很难判断这个治理结构到底是个真刹车，还是更像一块招牌。

亚吉的离开，与其说是个人选择，不如说是两国科研投入此消彼长的一个切片。他研究的 MOFs（一种内部表面积巨大的多孔材料，能从沙漠空气里挤出水喝）本身就很有想象力，现在清华让他牵头用 AI 加速这类材料的设计，逻辑上说得通——传统试错法效率太低，AI 确实可能缩短研发周期。 但文章没给出清华这个新研究所的具体预算、团队规模和算力资源，只说了“领导一个新研究所”。没有这些数字，就很难判断清华是真心砸资源做前沿探索，还是借诺奖得主的名头撑场面。另外，亚吉在伯克利的团队和项目是否会整体迁移，正文也没提。 我会先打个折：人才流动是好事，但一个研究所能不能出活，光靠一个诺奖得主不够，还得看后续投入和成果。这点先别太激动。

Meta 这次把宝押在“让模型自己拆任务、派给多个子 agent 并行干”上，还支持跨设备操控图形界面，上下文窗口给到 100 万 token。Agent 类基准确实亮眼，JobBench 从上一代的 17.0 分跳到 54.7 分，翻了 3.2 倍，说明在模拟工作场景的任务拆解和执行上进步很大。但编程能力还是短板，Terminal-Bench 80.0 分，落后 GPT 5.5 的 83.4 分；SWE-Bench Pro 61.5 分，也不如 Opus 4.8 的 69.2 分。 扎克伯格说定价“非常低”，想走“Agent 够强、编程够用且便宜”的路线。但正文没给出具体价格数字，也没说开放给哪些地区或开发者，这两个信息缺口让“便宜”暂时只能当宣传听。如果是真的，对需要批量跑 agent 任务的团队来说挺省钱，但编程重度用户可能还得搭配别的模型用。

微软 2026 年的可持续报告交了一份不太好看的成绩单：2025 年的碳排放比 2020 年基准线高出 25%。公司把锅甩给了数据中心建设和供应链，说白了就是 AI 算力需求太猛，现有的减碳手段根本追不上。他们自己也在报告里承认，2030 年实现负碳的目标现在更难了。 这个 25% 的涨幅是个硬数字，说明过去几年签的绿电协议、买的碳移除额度，在新建数据中心的海量能耗面前还是不够用。但报告最大的问题是只摆了困难，没给解法。正文没披露任何具体的追赶计划，比如接下来几年要怎么把排放曲线压回去、是加大绿电投资还是从源头放缓扩张节奏。 对从业者来说，这条新闻的价值在于它把“AI 增长的物理代价”摆到了台面上。以后做算力规划或评估模型成本时，碳排放可能会变成一个绕不开的硬约束，而不只是公关话术。不过，在微软拿出可量化的追赶方案之前，这个承诺的含金量还得打个折。

这篇文章的核心判断很直接：Cursor、Claude Code 这类聊天框界面，从输入端和开发端两头把 AI 绑死了。输入框的尺寸和流式输出暗示用户写短指令、等秒回，后端又为了迎合对话节奏让 Agent 频繁停下来提问，导致 AI 根本没时间在沙盒里自己编译、跑测试、纠错。作者把问题归结为界面在“规训”人的行为，而不是模型能力不够，这个视角挺有意思。 他提出的解法是把交互改成邮件式异步流程：把详细任务、附件和本地路径一次性发给 Agent，然后关掉窗口等结果。文中提到 Manus 的邮件任务入口和创业公司 AgenticMail 作为早期例子，但正文没披露这些产品的实际延迟、任务成功率或用户留存数据，所以“邮件比聊天框更高效”目前还停留在逻辑推演层面，缺实证。 另外，文章把“邮件”当作异步协作的代名词，但邮件本身也有痛点——附件版本管理混乱、任务状态追踪靠人工翻找。作者提出的“邮局+办公桌”架构试图解决这个问题，但落地细节还比较模糊。如果真要推广，得先回答：Agent 读错附件怎么办？任务卡住多久算超时？这些异常处理机制文章没展开。

Cloudflare 这次做的事，是把机器微支付从单点 API 实验推到了全球边缘网络。Monetization Gateway 的核心逻辑不复杂：agent 请求资源时，网关直接返回 402 状态码并附上价格，agent 通过 x402 协议用稳定币付款，验证和结算都在 Cloudflare 边缘完成。这比之前 Pay Per Crawl 只针对爬虫的计费范围更广，也把支付协商从源站挪到了离用户更近的地方，延迟更低。 但这里有几个明显的缺口。x402 只解决报价和付款，不负责判断这个 agent 有没有被授权花钱、预算上限是多少、出了纠纷怎么处理。这些分别落在 Google AP2、万事达卡的可验证意图和 Visa 的 Trusted Agent Protocol 那层。Cloudflare 的优势是把支付层和它已有的 bot 识别放在一起，能先判断来的是谁再决定给不给价格。正文没披露任何资源方通过这套系统实际赚了多少钱，也没说主流 AI SDK 是否默认支持 x402 预算选项。 真正值得关注的是买方生态会不会跟进。如果 Claude Code 这类 agent 工具不在请求里默认带钱包和预算，那网关上的价格标签就只是摆设。另外，通用网页很难靠这个收到钱，因为大模型已经缓存了大量常识，agent 也能找到免费替代品。反而是实时数据、专业数据库和高可信执行工具最可能先跑通。这点先别太激动，等有资源方公开披露真实收入再说。

Alex Zhang 这个 RLM 方案把长文本留在模型窗口外面当数据，让主模型通过写代码去查，思路比无脑拉大窗口聪明。在 depth=1 配置下，带着 GPT-5-mini 把 OOLONG-Pairs 的 F1 从 0.04% 拉到 58.0%，BrowseComp-Plus 准确率从 0% 拉到 91.3%。但这两个数字得打不小的折扣：BrowseComp-Plus 被 Anthropic 发现至少有 20 个数据泄露源，模型可能早就见过答案；OOLONG-Pairs 是作者自己设计的测试集，对比方案也是作者调的参，有自产自销的嫌疑。独立复现用 DeepSeek v3.2 在 OOLONG 上从 0% 推到 42.1%，说明方向成立但幅度没那么夸张。 更要命的是，这个方案目前只在 depth=1 时能跑。一旦把调用深度加到两层，系统逻辑就乱套，延迟暴涨 28 倍，token 消耗翻 100 倍，实际没法用。在数学和科学推理任务上，RLM 的表现反而比不用更差。而且模型动态查数据的次数很不稳定，复杂任务下 Q95 的成本能飙到中位数的 10 倍以上，预算完全控不住。 正文没披露 RLM 在不同模型上的泛化表现，也没说清楚工作模型之间的通信协议怎么设计。如果真要把这套接口约定做成产品，还得解决多层调度下的稳定性、成本上限和跨模型兼容这三个硬骨头。

Lyzr 让自家 AI 代理 SivaClaw 主导了 1 亿美元的 B 轮融资，估值约 5 亿美元。代理回答了 130 多位投资人的提问，起草投资备忘录，还追踪了投资人看哪页 PPT 最久。创始人完全没飞出去做传统路演，最终收到 4 亿美元的投资意向。 这件事的看点在于，它是一次把融资过程变成产品演示的巧妙操作。SivaClaw 干的活——回答重复问题、整理材料、分析投资人注意力——确实能省掉不少人力，但正文没披露代理在关键谈判和条款博弈中到底起了多大作用。那些才是融资里最难自动化的部分。 另外，4 亿美元意向最后只拿了 1 亿，这个落差说明什么，报道也没讲。可能是估值没谈拢，也可能是代理筛掉了不合适的投资人，但信息不够，没法判断。现在 AI 赛道热钱多，这个融资成绩有多少是产品实力，有多少是市场情绪，还得看 Lyzr 后续的客户增长和续费率。

马斯克在 X 上公开称赞了 Anthropic 的新模型 Mythos 和 Fable，并承诺不会切断 Anthropic 使用 SpaceX 服务器的权限。这事儿的背景是，有网友担心马斯克会为了打压竞争对手，突然把 Anthropic 从服务器上踢走。马斯克回应说这种手段“不是我的风格”，还承认自己去年说“Anthropic 不可能赢”是看走眼了。 这个承诺值多少钱，得打个问号。文章没提到任何正式的商业合同或服务等级协议（SLA），全靠马斯克在社交媒体上的一句话。而且，Anthropic 去年就已经是企业市场占有率最高的 AI 公司了，马斯克当时的判断本来就滞后。现在突然示好，动机不明。 正文没披露 Mythos 和 Fable 模型的具体性能数据，也没说 Anthropic 在 SpaceX 服务器上的业务规模有多大。光凭一条推文就判断两家公司的关系缓和，证据太薄了。

Bun 的作者 Jarred Sumner 发博客说要把整个 Bun 从 Zig 换成 Rust 重写。直接原因是 v1.3.14 版本修了一长串内存相关的崩溃和泄漏，比如释放后继续使用、重复释放、内存泄漏，问题集中在垃圾回收和手动内存管理混用的地方，太容易出错了。Bun 现在月下载量超过 2200 万，Claude Code 等工具也在用，团队觉得一个个修 bug 不是长久之计。 这次重写用了 Anthropic 还没发布的 Claude Fable 5 帮忙，但博客没透露迁移时间表，也没说重写后性能会变好还是变差。这点先别太激动——用 AI 辅助重写听起来很酷，但实际效果要看代码质量和回归测试覆盖到什么程度。 还缺的信息：重写范围是全部还是核心模块、预计多久完成、会不会影响现有用户升级。另外，从 Zig 换 Rust 是技术判断还是 Anthropic 收购后的统一技术栈要求，正文也没说清楚。

这条新闻最值得看的是他们把标准智能体循环给扔了。常规做法是模型调用工具、等结果、再决定下一步，前沿模型出第一个字就要 2-3 秒，对 5 岁小孩来说等于直接走神。Ello 的解法是让模型在一个回复里流式输出多个动作，解释器边收边执行，孩子不用等完整回复。他们还把家教拆成两个智能体：一个实时陪聊，一个在小孩思考或说话的间隙异步更新教学策略，两者共享一个只追加的事件日志来避免协调延迟。 这个架构思路对做实时交互产品的人有参考价值，但正文没披露端到端延迟到底压到了多少毫秒，也没说用的是哪个模型。标题里“<1000ms”更像目标而非实测数据。另外，他们自己承认这套自定义循环的代价是得自建观测和追踪，而且前沿模型都在往工具调用模式上做后训练，他们等于在逆流游泳。如果未来模型本身快到不需要这套 hack，他们设计上倒是留了退路。这点先别太激动，等看到延迟数据和模型选型再说。

Atlas 浏览器从去年十月上线到宣布关停，连一年都没撑到。OpenAI 的说法是用户更喜欢在现有浏览器里用扩展程序，或者直接用 ChatGPT 桌面应用，而不是单独开一个 AI 浏览器。这个理由说得通——让人换浏览器门槛太高，装个插件或者用现成的 App 阻力小得多。 但 The Verge 的报道也点出一个关键信息缺口：OpenAI 没公布 Atlas 到底有多少用户，也没说桌面应用和扩展程序的活跃数据。没有这些数字，我们没法判断这次调整是因为 Atlas 真的没人用，还是 OpenAI 觉得集成路线更划算。TechCrunch 的标题说“AI 浏览器野心还在增长”，但正文同样没给出具体增长指标，这点先别太激动。 对从业者来说，这件事的信号是：OpenAI 在浏览器战场上选了“寄生”而不是“独立”。与其烧钱推一个独立浏览器，不如借 Chrome 和 Edge 的壳把自己的 AI 能力塞进去。省了获客成本，但也意味着入口始终捏在别人手里。后续要看桌面应用和扩展程序能不能拿到足够权限，比如读取页面内容、跨标签操作，这些才是真正决定体验上限的东西。

Anthropic 用自己造的 J-lens 工具，在 Claude Opus 4.6 的中间层发现了一个叫 J-space 的区域。这个区域会在模型正式输出前，先蹦出一些跟后续回答相关的词，有点像模型在脑子里打草稿。团队认为盯着这些词能帮他们理解模型到底在想什么，甚至控制它。论文发了，还跟 Neuronpedia 合作放了个公开 demo，Goodfire 的首席科学家也给了正面评价。 不过这篇报道没提 J-lens 的误报率，也没说这种窥探对模型实际表现有没有影响。能看见“草稿”确实挺酷，但如果不知道它猜错的概率有多高，现在就把它当控制面板用还太早。另外，研究只针对 Claude 自家模型，换到其他大模型上这套方法能不能用、效果打几折，正文也没交代。

Meta 发布了专门写代码的模型 Muse Spark 1.1，直接对标市面上的编程助手。目前只通过 API 向美国开发者开放公测，Meta 自己说它已经能跟主流模型竞争，但没给出具体的跑分对比或价格。 从报道看，这次发布更像是一次市场占位。正文没披露模型参数量、训练数据细节，也没提在 HumanEval 这类编程基准上的具体得分。唯一确定的是，它现在只能通过 API 调用，不是开源模型，这跟 Meta 之前 Llama 系列的开放打法不太一样。 我会先打个折：没有第三方实测和成本数据之前，很难判断它是不是真能打。还缺的信息包括推理延迟、支持哪些编程语言、以及跟 Claude 或 GPT 在真实项目里的对比。

这事说白了就是信任破产。纽约时报和每日新闻直接申请制裁，等于告诉法官“对方在证据开示阶段不老实”。OpenAI 之前一直拿“技术上做不到”和“涉及用户隐私”当挡箭牌，拒绝检索训练数据和聊天记录里有没有照搬付费文章。现在出版商跳出来说有内部工具和现成数据集正好能干这个，如果属实，那 OpenAI 之前的说法就不是技术限制，而是策略性隐瞒。 目前法院还没裁决，文章里也没有 OpenAI 对这次指控的回应，所以先别急着下结论。但有一点很清楚：如果法官采信出版商的动议，OpenAI 在版权官司里的处境会非常被动，之前建立的技术可行性辩护基本就塌了一角。反过来，如果出版商拿出的证据不够硬，那这就是一次施压操作。 还缺两个关键信息：一是出版商说的“内部工具”到底指什么，是通用的数据搜索能力还是专门为版权审查做的；二是 OpenAI 之前声称的“成本太高”有没有具体数字支撑。这两点会直接影响法官判断 OpenAI 是“不能做”还是“不想做”。

Google在广告中心加了一个“这条广告怎么做的”入口，会直接告诉用户广告内容有没有用AI生成或修改过。之前只有选举广告才强制披露，现在推到了所有广告。这个动作本身是好事，至少用户不用靠猜。但有个关键限制：自动标注只对用Google自家生成式AI工具做的广告生效。如果广告主用Midjourney、Stable Diffusion这类外部工具生成素材，Google不自动检测，只要求广告主自己勾选申报。等于把很大一部分判断责任甩给了想省事的投放方。正文没披露Google会怎么审核申报的真实性，也没说发现瞒报会怎么罚。所以这个标签能覆盖多少AI广告、准确率怎么样，现在都还不好说。

Gradium 做的是超低延迟语音模型，想让 AI 对话没有那种“嗯…请稍等”的尴尬停顿。它去年底刚带着 7000 万美元亮相，现在又把种子轮重新打开，拉上英伟达等新投资方，总额推到 1 亿美元。一家巴黎公司拿种子轮的钱去湾区开办公室、直接蹲在 Anthropic 和 OpenAI 门口抢人，这个动作本身就说明欧洲本土的顶尖 AI 人才密度还是不够。 技术细节正文没怎么披露，只提了“超低延迟”和已有雷诺这个客户。但语音赛道现在挤得很，ElevenLabs 估值已经 110 亿美元，谷歌 Gemini 也自带语音能力。Gradium 能不能靠延迟优势站住脚，还得看它实际产品的响应速度到底快多少、在嘈杂环境下的稳定性怎么样，这些关键指标目前都看不到。

Vineyard Finance 用自家公司一季度的真实账目测了 GLM 5.2，让模型通过命令行操作会计软件，处理 59 笔交易花了 68 分钟，原始 token 成本 2.73 美元。最终 VAT 申报表里最关键的 Box 5 净额只比人工做出来的差了 7 便士，这个精度确实能打。对比英国小企业每季度外包记账通常要花 750 到 2100 英镑，成本优势明显。 但别急着下结论。354 个检查点里挂了 20 个，其中 19 个虽然不影响财务结果，却是熟练会计不会犯的错。唯一一个严重错误是把创始人股份错记成“资本账”而非“未发行股份”，这在法律上有风险。正文没披露模型的具体量化精度，只推测是 FP16 或 FP8。另外测试只涉及 59 笔交易，样本量小，且所有发票都是文字 PDF，避开了视觉识别这个实际记账中的大坑。模型还知道自己正在被测试，推理时出现过“这道题在考我 VAT 对不对”的念头，这点先别太激动。

OpenAI 发布了新模型 Sol，能力对标 Anthropic 的 Fable——后者之前因为安全顾虑被白宫短暂禁过。现在两个模型都公开了，但政府到底依据什么标准、走了什么流程判定它们安全，外界完全不知道。乔治城大学 CSET 的高级研究员 Mina Narayanan 说，她自己也没有渠道了解政府的审查过程。Anthropic 提过他们做了越狱分类器和纵深防御，但公司和政府之间具体怎么沟通、交换了哪些测试数据、最终怎么拍板放行，正文没披露任何细节。 这件事的核心问题不是模型本身有没有风险，而是决策过程不透明。没有公开的评估框架、没有第三方审计报告、没有可复现的测试基准，所谓“安全放行”就只是一句话。对从业者来说，这意味着你没法判断这个许可到底有多可靠，也没法拿同样的标准去评估其他模型。正文也没说清楚这个审查是强制性的还是公司自愿配合的，如果是后者，那约束力就更弱了。