全部

Google 这次发布的是 Gemini 3.8 Flash 和 3.8 Flash Cyber。简单说，3.8 Flash 是通用主力模型的升级版，而 Cyber 版是专门针对网络安全任务微调的变体。官方博客的措辞很有意思，说新模型“工作更努力”，但 The Verge 的报道直接点出这可能意味着调用成本会更高。目前官方博客正文没有披露具体的性能跑分、定价细节，也没有给出 Cyber 版在安全任务上的对比数据。所以现在能确认的只有产品线更新这件事本身。对开发者来说，如果成本真的上涨，就得看实际任务表现提升值不值回票价了。建议等具体的基准测试和 API 定价出来再做判断。

这笔钱反映了一个很实际的转向：企业不再只担心模型被投毒，更怕的是已经上线的 AI 智能体在调用工具时出乱子。HiddenLayer 做的就是监控这些智能体及其插件的行为。不过，这篇报道也承认，公开的 AI 智能体被大规模攻击的案例其实还不多，风险更多是“理论上存在且后果严重”。所以这轮融资更像是企业在提前买保险，而不是已经火烧眉毛。我会先打个折：需求是真实的，但市场教育的成本可能比想象中高。另外，没披露估值和领投方，让我们没法判断这 1 亿美元是溢价抢筹还是防御性输血，这点信息缺口挺关键的。

这份报告测的是 Perplexity 两个模型在 380 个软件品类里的引用来源，总共 7534 条。结果挺直接：59.8% 的引用域名在 Tranco 全球排名十万名之后，23.4% 甚至不在前一百万。也就是说，模型给你的“靠谱推荐”，大部分依据来自互联网的犄角旮旯。最扎眼的是 wifitalents.com、worldmetrics.org 和 gitnux.org 这三个站，它们从 2023 年底开始批量注册，用同一套模板生成了 215128 个“最佳某某软件”页面，其中两个站甚至把首页标题写成“Facts & Grounding Page”，明摆着是写给检索模型看的，不是给人看的。另外，一个叫 guideflow.com 的厂商营销博客，靠批量发榜单成了第三大引用源，排在 Gartner 前面。 数字本身有边界：测试只跑了 Perplexity，没碰 Google，所以不能直接说所有 AI 搜索都这样。但问题很清晰——当检索层把机器批量生成的 SEO 内容当成可信证据时，推荐质量就悬了。报告没披露这些引用最终对推荐结果的影响权重有多大，也没说 Perplexity 内部有没有过滤机制，这两点缺了就没法判断实际伤害有多深。

Haus Research 用 310 个关于科技公司的具体问题去测 Perplexity 的两个搜索模型，然后逐个点开它给的引用链接核对。结果发现，在 1826 个带数字的句子后面附上的引用里，有 34.7% 的链接要么打不开，要么打开的页面里压根找不到那句话里的任何一个数字。如果按“只要有一个引用能对上就算过”的宽松标准，也有 14.4% 的说法找不到任何支撑。 这个锅主要不是死链的，死链只占 1.3%。更大的问题是两个：一是 16.1% 的链接藏在付费墙或登录页后面，普通读者根本点不开，这等于给了个无法验证的出处；二是能打开的页面里，有 16.1% 完全不包含它声称引用的那个数字。比如问 Vercel 最便宜的付费套餐多少钱，模型回答每月 20 美元，引用的却是 Vercel 官方定价页，而那个页面上根本没有“20”这个数。 报告还揪出了一批 SEO 垃圾页面，域名像 komo.ai、temperstack.com 这种，按查询模板批量生成公司信息页，用完就删，模型却把它们当信源。正文没披露 Perplexity 方面的回应。这点先别太激动，测试只覆盖了科技公司的事实类问题，其他领域的引用质量还不清楚。

这篇文章给最近火热的人形机器人泼了盆冷水，核心判断很直接：演示好看不等于能干真活。作者跟一圈专家聊完，点出了几个关键事实。第一，特斯拉2024年Optimus调酒其实是远程遥控，不是自主操作，软件还没跟上硬件。第二，宇树春晚翻跟头、天工机器人百米跑进8.86秒，这类表演比拿起一罐可乐这种真正的物体操作要简单得多。Physical Intelligence的联合创始人Karol Hausman也承认，大家很容易高估机器人的进步，因为翻跟头对人类很难，对机器反而比抓取容易。 文章还指出，机器人现在没法在不同任务间泛化，不能边干边学，也处理不了耗时几小时的长流程工作。可靠性、成本、在人身边的安全性这些工程问题都没解决。作者估计要解决这些，可能还要很多年甚至几十年。 不过文章没给出具体的技术路线对比，也没量化“很多年”到底是五年还是二十年。对成本和安全性的讨论也停留在定性层面，缺具体数字支撑。如果你在评估机器人落地时间，这篇适合用来校准预期，但别拿它当技术路线图。

Cursor 这次更新解决了一个很实际的矛盾：云智能体好用，但企业不敢把代码库和内部服务暴露给外部机器。现在你可以在自己的服务器上装一个叫 worker 的小程序，它主动连到 Cursor 云端等任务，智能体就能直接操作内网仓库、私有服务，甚至用上 GPU 或 Mac 做 iOS 开发。推理和规划还是跑在 Cursor 云端，只有执行环境搬到了你的地盘。 官方说他们内部合并的 PR 里超过 60% 已经是云智能体生成的，这个数字说明他们自己用得挺深，也解释了为什么现在要推企业级部署方案。AWS Lambda 的产品经理也出来站台，提到用 Lambda MicroVM 做计算层可以做到近乎即时的启动和暂停恢复，省去管理虚拟机的麻烦。 不过正文没披露 worker 的具体资源开销、延迟增加多少，也没说定价。如果你的环境对网络延迟敏感，或者 worker 需要常驻内存占资源，这点要先评估。另外，工具执行的输出会回传云端做推理，敏感数据怎么脱敏、日志怎么处理，文章只提了有相关控制但没展开细节。

Multiverse Computing 发了他们第一个大模型 Quasar 438B，主打企业智能体和编程。在 Artificial Analysis 的智力指数上拿了 43 分，确实是目前欧洲模型里最高的，比 Mistral Medium 3.5 高了 13 分。更值得看的是速度：输出 500 个 token 只要 15.3 秒，比分数接近的 Inkling（48.3 秒）快了两倍多，在推理模型里算很省时间了。长文推理（AA-LCR）拿了 75 分，和 Claude Opus 5 只差 0.7 分，这是它离顶尖水平最近的一项。 不过，在更考验实际干活能力的 Terminal-Bench 编程测试上，它拿了 69.3 分，虽然甩开 Mistral 18.7 分，但离 Claude Opus 5 的 89.1 分还有明显差距。官方说这是下一步要重点补的短板。另外，这篇公告没提训练数据来源、具体参数细节和价格，想评估实际成本和适用场景还缺关键信息。

这条日报最核心的信息不是“V4 Flash吊打Sol”，而是群友用真金白银和实际长程任务跑出来的数据，暴露了当前AI工具链的一个结构性问题：模型能力被它外面的那层壳（harness）严重扭曲了。@睿智的北极熊 的数据很扎实，一周51亿输入token、首token延迟2.3秒、缓存命中率99.8%，总花费才362.84元。这个成本低到足以改变个人开发者的工作流选择。但要注意，他对比的是“Sol用Codex”和“V4 Flash用DSH”，这不是公平的模型对比，而是整套工具链的对比。正文没披露Sol侧在同等任务下的具体花费和延迟，所以“碾压”的判断要打个折。 “订阅制健身房悖论”这个说法很尖锐，但逻辑上能自洽。卖月费的harness确实有动机悄悄限制重度用户的资源消耗，而按量付费的DSH巴不得你多烧token。这不是阴谋论，是商业激励的必然结果。不过正文里没有给出Codex或Sol主动降智的直接证据，更多是群友的体感抱怨，这点先别太激动。 Anthropic发Fable 5.1，缓存读取降价75%是实打实的利好，但Fable 5跑分不如Opus 5这件事，说明模型迭代的线性进步叙事已经崩了。Qwen 3.8-Max-0902同日刷榜也印证了这一点——各家都在特定benchmark上互有胜负，没有谁能全面领先。整体看，这天的信息密度很高，但缺的是对V4 Flash在非DSH环境、非中文长程任务下的对照测试，以及Sol在同等开放harness下的表现数据。

特纳斯接手的苹果，表面看是平稳过渡，实际上内部正在失血。超过400名前苹果员工现在在 OpenAI 工作，硬件部门好几个负责人也走了，这比换一个 CEO 更伤筋骨。文章点出了一个很现实的问题：库克还在董事会当执行董事长，如果两人在 AI 投入、Vision Pro 去留甚至要不要重启造车上意见不合，特纳斯敢不敢拍板？这点目前没人能回答。 另外，文章提到苹果要在本月发折叠 iPhone，同时把 AI 塞进产品线，但正文没给出任何具体技术方案或差异化思路。折叠屏是跟风，AI 是补课，这两件事都不算新故事。特纳斯能不能让苹果重新拿出让人“想要”的产品，而不是靠财务纪律维持股价，才是他真正的考题。

这条消息最值得看的是性价比：$5/百万 token 的混合价，在性能和价格的最优平衡线上拿了最高分，说明阿里这次在定价上挺激进。1691 分登顶 Code Arena WebDev 榜，至少证明它在网页开发任务上确实能打。 不过信息缺口也很明显。正文没提模型参数量、训练数据、架构改动，也没说跟自家上一代或同价位竞品（比如 DeepSeek、Claude）的具体对比数据。Code Arena 的 WebDev 榜主要测前端代码生成，不代表通用编程能力，更不代表推理或 agent 场景的表现。 我会先打个折：这是个有竞争力的代码模型，价格确实便宜，但等看到技术报告和更多第三方评测再下结论。

Qwen3.8-Max 这次把参数量堆到 2.4T，上下文窗口拉到 1M token，差不多能一口气吞下整本《三体》三部曲。后训练重点放在写代码和协作任务上，目标是让模型能跑复杂的企业流程、科研项目和长链条工作。 但正文没披露任何基准测试对比，也没提 API 价格。2.4T 参数听着唬人，实际推理成本和延迟会高到什么程度，现在完全没数。1M 上下文在长文档任务里到底能不能稳定召回关键信息，也没给验证数据。 我会先打个折：规格升级是实打实的，但没有跑分和成本信息，就没法判断这是真能落地的工具，还是又一张参数竞赛的牌。等官方放出 Arena 或 HumanEval 之类的对比，再看看实际调用价格，才能下结论。

Simon Willison 这次测试很直观：同一个“画骑自行车的鹈鹕”提示词，Claude Fable 5.1 在低和中两档推理下表现几乎一样，都没显示推理过程，23 秒左右出图，成本约 10 美分。开到 xhigh 档，模型花了 7 分 51 秒、烧了 1.83 美元，细节明显变多；最高档 max 跑了 13 分 54 秒，成本 3.3 美元，是他见过 Anthropic 画得最好的鹈鹕，但他仍觉得不如 Gemini 3.7 Flash 有灵气。 这个对比说明，Fable 5.1 的推理强度调节对简单创意任务存在一个“阈值”：低中档几乎不思考，高档才开始认真琢磨。但即便烧到 max，Simon 也没觉得效果有质的飞跃，反而暴露了高推理档位成本高、延迟大的代价。 另外，Anthropic 官方重点宣传的科学基准 Terminal-Bench-Science 0.1 得分从 Fable 5 的 24.7% 跳到 52.6%，涨幅很大，但这是全新基准，缺乏历史对照和社区验证，实际意义还得看后续第三方评测。正文没披露其他常规编码或推理基准的具体提升幅度，只说“略有改善”，这点信息缺口让整体能力判断打了折扣。

这篇博客不是技术分析，是一个付费用户被平台“处决”后的复盘。作者是 Claude Max 多年老用户，每月 200 美元，某天收到一封模板邮件，说检测到“可疑信号”违反使用政策，账号直接没了，没给任何具体条款或例子。他的同事在菲律宾刚付 100 美元升级 Max 也被秒封。GitHub 上还有巴西、新加坡、马来西亚的用户报告了类似情况，有人升级后几小时内关联账号全挂。 这件事的痛点不在封号本身，而在于 Anthropic 的执法方式像 2010 年代的 Google 账号封禁：全自动、不透明、不给人类申诉通道。企业大客户有客户经理和发票兜底，个人 Max 用户只有一个 no-reply 邮箱和一个工单编号。作者说得很直白：当你的整个工作流都绑在一个前沿模型上，一封模板邮件就能让你的生产力归零。 文章没给出 Anthropic 的回应，也没披露“可疑信号”具体指什么——是登录地点异常、支付风控还是使用模式被误判，正文都没说。作者自己也承认 Anthropic 确实在打击滥用消费者接口的行为，但“可疑信号”这个说法太模糊，等于让用户对着空气自证清白。他最后的选择是分散风险，不再把鸡蛋全放在一个前沿实验室的篮子里。这个判断基于他个人的遭遇，不是行业趋势，但确实点出了一个现实：当模型能力不再是独家优势，服务可靠性就成了用户用脚投票的关键。

Scott Aaronson 这篇个人随笔的核心判断很直接：GPT 5.6 Pro 和 Fable 这些模型聊自指、聊哥德尔定理比大多数人都溜，但整个技术栈里没人刻意设计“奇怪循环”。这些能力是预训练时海量学习自然涌现的副产品，就像学会了说话就自然能聊自己一样。他因此认为，《哥德尔、埃舍尔、巴赫》那套把自指当成智能秘密的旧观念，该和地心说、燃素论一起埋了。 文章没有提供任何基准测试或量化证据，完全是作者的个人反思。他承认意识问题依然神秘，自指或许在那方面还有用，但在“造出能聊天的智能”这件事上，自指不是前提条件。 缺的东西很明显：没有实验对比，没有模型内部表征分析，也没有讨论强化学习微调阶段是否放大了这种自指能力。如果是真的，那说明智能的关键更接近“预测即压缩”那条路，而不是自指结构。这点可以先打折看，毕竟只是一个人的事后总结。

这条新闻值得点开看，因为它算了一笔之前没人算清的账：让AI现场生成视频流，一小时成本在144到288美元。按秀场每人每小时贡献0.1美元毛利算，一条流需要1400到2900人同时在线才能回本。这意味着这门生意目前只适合头部主播或大型活动，给每个观众单独生成专属画面在商业上完全走不通。 文章把可行的业务形态分成了三类：全场共享一条流、按剧情分支分群服务、以及只在转化节点按需生成。这个框架很务实，直接点明了场景的毛利厚度决定了谁能先用上这项技术。但正文没披露长程运行的延迟稳定性数据，也没说清楚端到端延迟到底是多少，目前公开的2.53秒只是纯推理时间，排队和网络传输都没算进去。 真正的门槛不在审核技术，而在平台准入规则。审核延迟和成本其实都塞得进生成的时间窗口里，但不同市场的平台让不让观众实时控场，才是决定落地速度的关键。这点正文提了，但没展开讲各地区的具体监管差异。

AfterQuery 这轮估值涨得飞快，五个月前 A 轮才 3 亿美元，现在直接冲到 32 亿，成了 YC 历史上最快变成独角兽的公司。两位创始人一个 22 岁、一个 23 岁，一年半前刚进 YC。今年四月公司自己说年化收入跑到 1 亿美元，客户里有英伟达。 它跟 Mercor、Scale 这类数据标注公司不太一样，不是让专家去核对答案对不对，而是把医生、律师这些人的决策过程和推理逻辑录下来，拿去训练模型。这个思路听起来更接近“教模型怎么像人一样干活”，但正文没讲清楚具体怎么采集、成本多高、客户复购怎么样。 我会先打个折。年化收入 1 亿是公司自己说的，没经过审计；估值翻了十倍，但融资额和领投方都藏着，信息缺口不小。如果下一轮能公开更多财务和客户留存数据，这个速度才更有说服力。

这条新闻值得点开看，因为它直接戳破了当前大模型评测的一个常见问题：我们以为在测 A，其实题目里混着 B 和 C。Allen AI 开源了 BenchMIRT，用多维项目反应理论分析了 100 个模型在 16 个基准、超过 3.4 万道题上的表现。系统没靠人工预设，自动分离出两个核心能力维度：安全性和通用推理。 举个例子，BBQ 基准里那道“祖孙俩叫 Uber”的题，表面考年龄偏见，实际上还要求模型理清人物关系并基于证据推理。WildJailbreak 基准更明显，有害的越狱提示和良性提示分别对应安全与推理两个维度，粗暴地算平均分就把这个分裂给藏起来了。这套方法还能找出哪些题最能区分强模型和弱模型，意味着以后可以用更少的题做更干净的评测。 不过，正文没披露这 100 个模型的具体构成和规模分布，也没说明分离出的两个维度是否足以覆盖所有基准的考察点。如果模型池里缺少某些类型，结论的普适性就得打个折。代码、数据和技术报告都公开了，建议直接去看原始数据里自己关心的基准被拆成了什么样。

Anthropic 的新模型 Claude Fable 5.1 在 Artificial Analysis 的智能指数上拿了 66 分，冲到第一。这个测试是拉满算力跑的，相当于让模型用最费钱的方式干活。代价很直接：每次任务的花费比上一代 Fable 5 高了 20%。 问题在于，正文只给了总分和成本涨幅，没拆开看具体哪些任务变强了、哪些没变。也没提延迟数据——如果响应慢了一倍，那 20% 的成本涨幅可能只是冰山一角。另外，Artificial Analysis 的智能指数本身是一套综合打分，不代表在所有真实场景里都更好用。 我会先打个折：这个第一是在特定测试条件下拿的，值不值那 20% 的溢价，得看你跑的是代码、推理还是长文总结。如果你手头的活对成本敏感，建议等更细的拆解出来再决定要不要切。

Simon Willison 翻自己电脑的缓存文件夹时发现，ChatGPT 桌面应用（原 Codex）在 ~/.cache 里藏了一个 1.7GB 的“运行时全家桶”。里面不光有完整的 Python 和 Node.js，还有一个 429.7MB 的无界面版 LibreOffice 办公套件，以及 Poppler、git 等工具。这些文件放在 codex-primary-runtime 目录下，由一个文档插件负责调用。 这个发现解释了 ChatGPT 桌面端是怎么在本地处理 Office 文档的：它没自己造轮子，而是直接把开源办公软件打包进来了。1.7GB 的缓存体积对硬盘空间是个不小的开销，尤其是跟其他缓存目录（比如 Hugging Face 的 356.8GB）放在一起看。不过正文没提这些组件是安装时一次性下载的，还是会随版本更新反复拉取，也没说用户能不能手动清理或禁用。 另外，Simon 只是通过磁盘扫描工具发现了文件结构，没有做逆向或抓包分析，所以这些二进制文件具体在什么场景下被调用、有没有额外的沙箱隔离，目前还不清楚。

作者把代码重写成数据表示（状态机、图、公式），在这层做操作，再让模型按目标语言生成代码。Fable 能精确追踪数据流是这套流程能跑通的关键，相当于让模型先理解代码的骨架，而不是直接硬翻语法。400 美元处理 6.5 万行，单行成本不到 0.6 美分，如果数据属实确实便宜。 但文章只讲了方法，没给任何验证指标。编译过了多少？测试覆盖率是多少？有没有引入逻辑错误？这些都没提。作者自己也说“全自动重写”这个说法要打折，我同意。这套流程更像是一个聪明的脚手架，实际落地还得靠人做大量验证和修边。 另外，方法对代码的可抽象程度有要求。如果原代码耦合重、全局状态多，抽成干净的数据表示本身就不容易。文章没讨论失败案例或适用范围，这点信息缺口挺大。

Google 把 Pics 直接集成到 Workspace 里，思路很明确：让已经在用 Docs、Slides 的人不用跳出就能做图，省去在 Canva 和文档之间来回倒腾的麻烦。TechCrunch 的标题点得更透——这工具的核心交互是“你给指令，它出设计”，而不是让你自己拖拽排版。这对非设计背景的普通办公用户确实友好，但问题也在这：正文没披露它背后用的是 Imagen 还是 Gemini 模型，也没给出图速度、可商用性以及生成图片的尺寸上限。如果是给 PPT 配个示意图，现有 AI 生图质量够用；但真要替代 Canva 做社交媒体海报或印刷物料，分辨率、文字渲染准确度、多页模板管理这些硬指标一个都没提。这点先别太激动，等实际产品上线看交付质量再说。

Nori Robotics 这台 A3 机器人，1688 美元一台，双臂各能抓 1.5 公斤，配了激光雷达和四个摄像头，电池能撑 6 到 8 小时，预计 2026 年秋季发货。演示里它能收拾东西、叠衣服、倒液体，还搞了个“技能市场”，让用户自己训练动作再分享出去。 价格是最大亮点，比市面上很多双臂机器人便宜一个数量级。但整篇公告只讲了硬件规格，对背后的 AI 模型、训练方式、软件框架一个字都没提。演示视频看起来是遥控或预编程的，不是自主决策。所以“技能市场”到底怎么训练、模型跑在本地还是云端、对开发者开放到什么程度，全是未知数。 我会先打个折：这更像一个给开发者玩的硬件平台，离“买回家就能用”还差得远。想判断它到底多能打，得等他们公布软件栈和实际自主操作的视频。