全部

Muse Spark 1.1 这次升级的核心是把模型往“干活”的方向推了一步。它不只是回答问题，而是能跨多个 App 规划任务、调用工具，甚至直接操作电脑界面。比较有意思的是它的工作方式：不是每一步都傻傻地点鼠标，而是会判断什么时候该写脚本自动化，什么时候该直接点击，还能一次生成一批操作。这在实际任务里能省不少时间。 模型能管理 100 万 token 的上下文窗口，会自己记住关键步骤、压缩信息，这对长流程任务很重要。在编程方面，官方说它在大型代码库里修 bug、加新功能的表现比上一代强很多。 不过，这篇博客全是定性描述和视频 demo，没有给出任何具体的基准测试分数或对比数字。图表标题提到了评估，但正文没披露数据。所以“大幅提升”到底有多大，以及在不同任务上的稳定性如何，目前没法判断。如果是真的，这个能自己规划、自己干活的模型挺省钱；但在看到硬指标之前，先打个折。

Anthropic 给 Claude 加了一个“反思仪表盘”，目前在 Beta 阶段，免费、Pro、Max 用户都能用。它做的事很直接：把你过去 1 到 12 个月的聊天记录做一次统计，告诉你主要聊了哪些话题、什么时间段用得最多、经常处理哪类任务。后续还会上线“使用时长”统计。 这个功能不止是数据看板，它还内置了一套叫 4D AI Fluency 的框架，从“会不会把任务交给 AI”、“能不能把需求说清楚”、“能不能判断 AI 输出靠不靠谱”、“愿不愿意为结果负责”四个维度给你打分，并给出具体例子和建议，比如“你经常自己改完邮件语气才发，下次可以试试直接建一个 Project 省去重复解释背景”。 隐私方面，无痕聊天、健康类对话和连接工具的源文件不会被拉进来分析，敏感话题只会以高度概括的形式出现。Anthropic 说他们和 MIT Media Lab、波士顿儿童医院等机构合作设计了这套敏感内容的处理方式。 这个功能的前提是必须打开 Memory，目前还不支持 Cowork 对话的复盘。它更像一个帮你主动调整使用习惯的工具，而不是冷冰冰的效率报告。不过正文没披露这些分析和建议的准确率有多高，也没说“使用时长”统计具体什么时候上线。

这条消息最值得看的是成本数字。Grok 4.5 被定位成 Opus 级别的模型，但每 token 成本比 Opus 系列便宜 6 倍，比 GPT-5.5 便宜 3 倍。如果基准测试没掺水，这对高频调用代码补全和 agent 任务的团队来说，账单会好看很多。 不过得留个心眼。新闻稿只说“性能大致在 Opus 4.7 和 4.8 之间”，没给具体跑分，也没提推理延迟。便宜通常意味着模型规模更小或者量化更狠，实际在复杂代码重构、长上下文推理上的表现，还得等第三方实测。另外，这是 SpaceXAI 和 Cursor 联合训练的，模型跟编辑器的绑定有多深、API 开放到什么程度，正文也没细说。 我会先把它当成一个“高性价比的代码专用模型”来看，能不能替代通用旗舰，要看它离开 Cursor 生态后的泛化能力。

OpenAI 在 GPT-5.6 发布当天特意强调它是 Microsoft 365 Copilot 的“首选模型”，时机很微妙。前几天彭博刚曝出微软为了省钱，正用自家 MAI 模型替换部分 OpenAI 软件，外界自然猜测两家关系松动。OpenAI 这篇博客更像公关表态，想告诉市场“我们还在深度绑定”。 但“首选模型”到底意味着什么，正文没解释。它没说独占，也没给任何使用比例或性能对比数据。TechCrunch 的报道也点明了：之前没人说 Copilot 会停用 OpenAI，只是微软在增加自研模型的比重。所以这个声明并没有推翻成本优化的逻辑，反而可能是在默认微软“两条腿走路”的前提下，给自己保一个名分。 还缺两个关键信息：一是微软那边对“首选”的官方定义和承诺范围，二是 GPT-5.6 在 Copilot 场景下比微软自家模型具体强多少、贵多少。没这些，这条新闻就先打个折看。

Ollama 这轮融资由 Theory Ventures 领投，加上之前 Benchmark 领投的 1500 万 A 轮，总共拿了 8800 万美元。它解决了一个很实在的痛点：让开发者在自己的电脑上几分钟就能把开源模型跑起来，不用折腾复杂的配置。近 900 万用户和 GitHub 上 17.6 万颗星，说明这个需求不是一小撮人的自嗨。 不过，正文没披露收入、付费用户比例和成本结构。一个开源工具拿了这么多钱，投资人赌的是它能从庞大的免费用户群里转化出企业付费客户。但怎么把“装机量”变成可持续的生意，目前还看不清楚。另外，文章也没提它和 Hugging Face、各大云厂商的同类服务相比，护城河到底在哪。这点先别太激动，等看到商业化的具体数字再说。

OpenAI 这次一口气放出 Sol、Terra、Luna 三款模型，最直接的变化是之前美国政府卡脖子的分阶段发布限制被取消了。商务部点头放行，意味着 GPT-5.6 可以大规模铺开，不用再像上个月那样只给少数获批机构用。OpenAI 为了过审，专门派技术团队蹲在华盛顿配合测试，这套流程跟之前 Anthropic 被管制的路子很像。 不过，这篇报道只讲了“批准”这件事本身，对三款模型的能力、定位、成本、适用场景完全没有交代。Sol 明天亮相，Terra 和 Luna 也一起上，但它们是分工不同还是高低搭配，正文没披露。另外，文章提到新的 AI 行政令要建立正式评估框架，但也没说这个框架具体会怎么影响后续发布。如果是真的全面放开，对开发者是好事，但模型本身值不值得用，还得等实测。

OpenAI 发布了 ChatGPT Work，一个能在桌面端跨应用自主干活的智能体。它背后是今天同步推出的新模型 GPT-5.6，还集成了 Codex 技术，可以自己拆任务、读文件、操作网页和桌面软件，甚至在你离开电脑时按计划继续跑流程。官方举了几个早期测试案例：Zapier 用它自动审查销售线索，挖出了七位数的潜在收入；RingCentral 的产品经理靠它把一个人支持 1 个 PM 扩展到了约 50 个；Virgin Atlantic 把几周的分析压缩到几小时；NVIDIA 说它省下了 GTC 大会前约 40% 的筹备时间。这些数字看着很漂亮，但全是企业自己报的，没有独立验证，也没披露任务失败率、需要人工纠正的次数，以及在不同行业里的稳定性。另外，定价和具体开放范围正文只提了“联系销售”，普通用户什么时候能用、要花多少钱还不清楚。如果这些案例数据没注水，ChatGPT Work 确实能把“让模型进业务流程干活”这件事往前推一大步，但在看到可复现的测试和成本结构之前，我会先打个折。

Lilian Weng 梳理了 35 篇论文，核心判断是：AI 的递归自我改进（RSI）目前主要靠 Harness 工程，也就是围绕模型搭建的工具链、反馈循环和任务编排，而不是让模型直接修改自身权重。她把这套思路拆成三种设计模式，并重点提到了 ACE 和 Meta-Harness 等近期工作。 这个判断对从业者来说挺实在。它意味着现阶段与其死磕模型内部能力，不如把精力花在怎么让模型在业务流程里跑起来、怎么收集高质量反馈信号。文章也引了 Greg Brockman 的类似观点，说明业界在往同一个方向靠。 不过，这篇综述本身是观点梳理，不是实验报告。正文没给出这些 Harness 方法在具体任务上的横向对比数据，也没讨论不同设计模式在成本、延迟上的实际开销。如果后续能补上工程落地时的坑和量化收益，参考价值会更大。

Colibrì 这个项目最狠的地方是它用纯 C 写了一个零依赖的推理引擎，把 GLM 5.2 这个 744B 参数的 MoE 模型（混合专家模型，每次只激活一部分参数）塞进了一台只有 25GB 内存的消费级笔记本里。它的做法是把模型权重里的“专家”模块按需从硬盘流式加载，而不是一次性全吞进内存。这思路很聪明，相当于把硬盘当成了廉价的大容量显存，让普通人不用买天价显卡也能碰一碰顶级大模型。 不过，目前公开的信息主要来自 GitHub 仓库的 README 和 Hacker News 上的展示帖，正文没有给出任何关于生成速度、首 token 延迟或输出质量的实测数据。从硬盘读数据天然比从显存或内存读慢几个数量级，所以实际用起来可能一个字要等很久，离“能用”还有距离。另外，项目只展示了能跑起来，没提量化精度损失了多少、支持多长的上下文，也没说在 Windows 或 Mac 上的兼容性。 总的来说，这是一个工程上很有启发性的 demo，证明了“大模型必须配大显存”不是铁律。但真想把它当日常工具用，还得等作者补上性能基准测试和更详细的硬件兼容性说明。