AX 严选

这份文件最值得关注的是计费逻辑的转向：不再按 Token 消耗量算钱，而是推“按交付价值收费”。如果真能落地，对做企业级智能体的公司是个省钱信号，但怎么定义“交付价值”、谁来验收，正文完全没提。另外，Harness Engineering 被单独拎出来，说明官方开始把“管住智能体行为和安全”当成独立的基础设施层，不再是应用层的附属品。TaaS、AaaS、RaaS 三种模式一起推，覆盖工具、软件和硬件，野心不小。不过目前只有方向性表述，没披露补贴金额、试点名单和推进节奏，企业想跟也不知道从哪下手。还缺一份实施细则，否则这些概念容易停在纸面上。

Alphabet 第二季度营收同比增长 24%，Google Cloud 更是涨了 82%，这个增速说明云业务正在吃掉一大块 AI 需求。Gemini 应用月活到了 9.5 亿，模型 API 每分钟处理 220 亿个 token，主要靠 Flash 模型在扛，意味着轻量、低延迟的模型在实际调用量上占了大头。Gemini Enterprise 进了 90% 的财富 100 强，覆盖面很广，但正文没说是深度使用还是试点部署，这点先别太激动。 整条消息只报了营收和用户数，没提利润率、资本开支和折旧这些关键指标。AI 基础设施烧钱很快，Cloud 增速 82% 背后可能是大幅让利或捆绑销售。没有成本端数据，就没法判断这波增长到底赚不赚钱。另外，9.5 亿月活是 Gemini 应用自己的数据还是算上了 Google 全家桶的被动触达，正文也没说清楚。

OpenAI 这次在佐治亚州萨凡纳附近的数据中心项目，核心是跟佐治亚电力签了 3.2 吉瓦的能源协议。3.2 吉瓦什么概念？大概够两百多万户家庭用电，说明这个园区建成后耗电量会非常惊人。项目承诺投资 200 亿美元，2028 年开始逐步通电，全部建完可能要到 2032 年，总成本也许会超过 300 亿美元。 另一个数字是把到 2030 年的算力支出预期从约 6000 亿美元上调到近 7500 亿美元。但正文没披露这个数字的计算口径——包不包括微软、软银等合作伙伴的投入，还是 OpenAI 自己一家扛。如果是合并口径，那实际落到 OpenAI 头上的负担会轻不少。 还缺什么：没看到具体的芯片采购计划或服务器部署规模，也没提这笔钱怎么跟 OpenAI 的收入预期匹配。7500 亿美元是个天文数字，没有收入模型支撑的话，更像是对外喊话而非可执行的预算。

这期播客聊了几个开源模型的新动态，核心判断是：别再用“落后闭源几个月”这种一刀切的说法了。差距在不同任务上波动很大，在智能体编程这类任务上，差两三个月可能就是能用和不能用的区别。Kimi K3 的权重承诺 7 月 27 日放出，但光加载就需要一整台 B300 节点，门槛很高，微调潜力虽大，普通人根本跑不起来。另外，Qwen 宣布下一代主力模型会开放权重，加上 WAIC 演讲直接表态支持开源，中国厂商的动作在加速。关于知识蒸馏的争论，两位主播认为多数观点都没说到点子上。整体来看，信息量够，但 K3 的真实表现还得等权重公开、社区大规模测试后才能下判断，现在下结论太早。

Cursor Router 本质上是个智能调度员，它不看模型品牌，只看你问的是什么、上下文多复杂、属于哪个领域，然后把任务分给最合适的模型。这个分类器用超过 60 万条真实请求训练，并在数百万次线上 A/B 测试里验证过。结果挺直接：Auto Intelligence 模式在用户满意度上追平了 Fable，但团队成本低了约 60%；Auto Balance 模式满意度超过 Opus 4.8，成本还低了约 36%。早期企业客户把请求从全走 Opus 4.8 改成走路由后，费用降了 30-50%，质量没掉。 不过这篇公告有几个信息缺口。第一，路由本身会引入判断延迟，正文完全没提这个开销有多大。第二，虽然说了训练和评估时考虑了缓存未命中的成本，但没给出具体的缓存命中率数据，实际省钱效果得打个折看。第三，所有对比都基于用户满意度评分，没有展示代码最终被接受或保留在代码库里的硬指标。这点先别太激动，等有更扎实的留存数据再说。

OpenAI 正式上线了广告平台，让品牌在 ChatGPT 里投广告。官方强调广告会明确标为“赞助”，和模型回答分开显示，用户也能控制自己的数据是否用于广告投放。Best Buy、Lowe's 和 VistaPrint 是第一批试水的品牌，Best Buy 的媒体副总裁说早期结果“令人鼓舞”。 但这份公告更像招商页面，关键信息全缺：没写具体价格、竞价机制、在哪些地区开放，也没说广告是按用户提问内容触发还是固定位展示。Best Buy 说的“早期结果”也没有任何数字支撑，转化率、点击成本一概没有。 对从业者来说，这验证了 ChatGPT 的商业化方向，但想评估投放价值还太早。我会先打个折——等看到实际竞价逻辑和效果数据再说，现在只能算个信号。

Poolside 在 OpenCode 上把 Laguna S 2.1 完全开源了，100 万 token 的上下文窗口是个实打实的亮点，意味着你可以把一整个中型项目的代码库或者几百页的技术文档一次性丢进去，不用再费劲切块。这对做代码生成和长文档理解的开发者来说，省了不少工程上的麻烦。 但正文没披露参数量、训练数据来源和任何基准测试成绩。不知道模型到底多大，也不知道它在哪些任务上比前代强、强多少。开源是好事，但如果连基本的跑分都不给，就很难判断它跟同期的开源模型比到底处在什么位置。 我会先打个折：免费和长上下文是诚意，但缺了关键指标，实际效果还得等社区跑完评测再说。如果你打算用在生产环境，建议先拿自己的任务测一轮，别光看宣传就切过去。

Josh Bleecher Snyder 这篇博客的核心判断很直接：把 Claude 当成编译器是分类错误，它比编译器强。编译器只负责把源码变成二进制，而 Claude 能同时处理战略、产品、架构和机器码，不用安排会议。他用自己搭分布式 DNS 服务器的经历举例：多个 agent 循环按同一套设计去实现，却在数据库回滚这种边界情况上做出了完全不同的选择，暴露了编译器永远不会碰的隐性决策。 这个观察的价值在于，它点出了 AI 编程工具真正的优势不是替代某一层，而是打穿层级。传统软件工程里，愿景到二进制要经过高管、产品经理、架构师、工程师、编译器，每一层都在做决策、加细节，但层级之间的沟通成本极高。Claude 这类模型能垂直贯穿这些层，虽然单点能力不如资深人类，但省掉了组织开销。 不过文章没给出量化数据，比如 agent 循环的具体成功率、决策一致性有多差，或者这种跨层工作方式实际省了多少时间。正文只提了“偶尔要等几分钟 DNS 传播”这种模糊描述。另外，他提到的“vibe-engineering”听起来像靠感觉调 prompt，但没展开具体怎么控制 agent 的输出质量。这点先别太激动，等有更多工程数据再说。

Karpathy 这条分享挺实在，他描述的不是什么新技术，而是一个使用习惯的转变。以前我们跟模型对话，总习惯把问题先在自己脑子里整理好，再一句句喂给它，生怕它听不懂。他反过来，把最原始、最乱的思考直接倒给模型，让模型去干提炼和梳理的脏活。这其实点出了一个被低估的能力：现在的大模型在处理长段、低信噪比语音输入时，意图抓取和重构能力已经强到可以当个耐心的倾听者和编辑了。 不过这条帖子的信息缺口也很明显。他没说用的是哪家的模型，是 GPT-5、Gemini 还是别的。不同模型在长语音转文字、上下文窗口和逻辑梳理上的表现差异很大，这个体验不一定能直接复现。另外，10 分钟这个时长是他个人的舒适区，还是模型能力的一个甜点区，也没法判断。如果换成更技术性的讨论，比如代码逻辑或架构设计，这种漫谈式输入还能不能保持高对齐度，也得打个问号。 总的来说，这个工作流值得一试，成本很低，就是改变一下自己的输入习惯。但别把它当成一个普适的结论，先拿你手头的模型试试，看它吃不吃得消你的意识流。

Tunix 解决的是一个很实际的工程痛点：用强化学习训智能体时，模型经常要等外部工具（比如搜索、代码执行）返回结果，这段时间 TPU 就闲着。Tunix 的做法是把“干活”和“学习”拆开，当一个智能体在等工具时，推理引擎立刻切去给另一个活跃的智能体生成回答，不让芯片摸鱼。生成好的回答会边攒边往训练器里送，训练器不会断粮。 这个思路不新，但 Google 把它做成了基于 JAX 的库，还集成了 vLLM-TPU 和 SGLang-Jax，对用 TPU 的团队可能省不少事。另外它自带轻量级监控，能把训练循环的宏观指标和 TPU 时间线对上，方便找瓶颈。 不过正文没给开源仓库链接，也没放吞吐量提升的具体数字或基准测试结果。到底能省多少算力、在什么规模的智能体任务上有效，都得等实际跑起来才知道。

Anthropic 给 Claude Cowork 加了个“录制技能”功能，你一边操作屏幕一边讲解，Claude 就把这套动作转成可重复跑的自动化流程。这相当于让用户自己当训练师，不用写代码就能教模型干具体活，门槛确实低了不少。 目前 Pro、Max、Team 套餐都能用，入口在桌面端 + 菜单里。但官方帖子没交代两个关键信息：录好的技能下次打开 Claude 还在不在，以及单次录制有没有时长限制。如果是会话级别的临时技能，实用性会大打折扣；如果能持久保存并跨任务调用，那才真算得上个人工作流助手。另外也没提技能能不能分享给团队其他人，这对 Team 套餐用户挺重要。 建议等实测出来再看：技能执行时是严格复现操作还是允许一定灵活性，出错时怎么回退，这些都会影响它到底是玩具还是生产力工具。

这条新闻更像政治表态，离实际落地还有距离。财政部长 Scott Bessent 在电视上点名 Kimi K3，说它正在缩小和美国的差距，然后补了一句“我们支持开源，但不支持偷 IP”。这话听着挺重，但报道里没提任何具体的审查机制——怎么查、查多久、什么算证据，全是空白。对从业者来说，先别太激动。如果后续真出了制裁细则，受影响的不止一家公司，整个国内开源模型出海的路都可能被堵。反过来看，这也说明国产模型确实在性能上追得够紧，让对面开始用非技术手段设门槛。目前信息缺口很大：没看到美方手里有什么实锤，也没看到被点名的公司怎么回应。建议等具体政策文件出来再判断影响，现在这则消息更像一次试探性的施压。

这条信息最值得看的是 Anthropic 自己怎么用 AI 写代码，而不是他们对外卖什么。他们发现，对于 Fable 5 和 Opus 4.8 这种新模型，以前那套“在提示词里手把手教、列一堆禁止项”的玩法已经过时了，甚至会起反作用。所以他们把 Claude Code 的系统提示词直接精简了 80%。这算是个挺反直觉的工程经验，说明模型越强，指令反而要越干净。 另一个硬数字是，他们内部那个叫 Claude Tag 的 Slack 协作工具，现在包揽了团队 65% 的产品工程 PR。这验证了 AI 代理在真实生产流程里的渗透率，不只是写写小脚本。不过，正文没披露非工程师用这个工具的具体效果，也没说那 65% 的代码后续需不需要大量人工返修。Thariq 提到用 Fable 剪视频能过品牌团队的关，这点先别太激动，毕竟他们自己就是模型开发商，内部调教资源肯定比外部用户足。整体看，这是一线团队的实战经验，比公关稿实在，但缺了失败案例和长期维护成本的对比。

这条消息最值得看的是两点：一是满分，二是解题路径。IMO 满分金牌本身就硬，42 分全对意味着模型在六道题上没有犯任何实质性错误，这比“接近金牌”或“银牌水平”的表述扎实得多。全球只有 7 个人类选手拿到同样成绩，这个参照系让分数的含金量更直观。 第二点更关键——dots-note 3.0 不依赖形式化语言，直接读原始 LaTeX 题目。很多数学推理模型需要先把题目翻译成 Lean 或 Isabelle 这类形式化语言再求解，中间多一步就多一个出错和丢信息的可能。dots 这条路是端到端，靠“递归自我批判”来修正推理，听起来像让模型自己反复检查自己的解题步骤。不过正文没披露这个自我批判机制的具体实现、迭代次数上限、以及会不会在某些题型上陷入死循环。 团队强调这是 dots3 系列最轻量的版本，还说要开源。轻量意味着部署成本低，开源意味着可以复现和验证。但正文没给出参数量、推理延迟、以及满分是在什么硬件条件下跑出来的。这些信息缺了，就很难判断这个“轻量”到底多轻，以及满分成绩有没有靠超长推理时间堆出来。我会先打个折，等开源后看实际跑分和复现结果再说。

日经把亚马逊、微软、Alphabet、Meta 和苹果的财报扒了一遍，发现这五家为了抢建 AI 数据中心、囤算力，大量用了经营租赁、合资公司这类表外工具。结果就是，实际要掏的钱比资产负债表上明列的债务多出 1.65 万亿美元。五家 2025 财年的资本开支合计约 3100 亿美元，大头都砸进了 AI 基础设施。 这笔账的风险在于：如果 AI 的商业回报迟迟不兑现，这些表外承诺会从“未来的费用”变成真实的亏损。现在投资者很难从财报里直接看清每家到底背了多少杠杆，因为大部分承诺不直接出现在资产负债表上。 文章没给出每家具体的表外负债拆分，也没说明这些租赁和合资协议里有没有提前解约或转售的退出机制。另外，3100 亿资本开支里到底多少是纯 AI 相关、多少是常规云服务扩容，正文也没掰开。这点先别太激动，1.65 万亿是五家总和，而且表外负债不等于马上要爆的雷，但透明度确实差，值得盯着下一季财报里管理层怎么解释回报时间表。

这个方法挺巧，不用跑复杂基准测试，只靠“报个随机数”这种零成本操作就能给模型做指纹识别。研究员让 165 个模型各报 30 次 1 到 100 的随机数，发现每个模型的选号偏好都不一样，GPT-4o 偏爱 42 和 37，Claude Sonnet 5 大量输出 47，Qwen3-Max 干脆 30 次全部回答 42。大约发 120 条请求就能识别出模型身份，错误率在 10.6% 左右。 这个错误率说明它还不能当法庭证据用，但作为 API 中转站是否偷换模型的快速抽查工具已经够用。10.6% 意味着每查十次可能有一次误判，实际部署时最好多跑几轮交叉验证。正文没披露不同温度参数下指纹是否稳定，也没说模型版本更新后偏好会不会变，这两点直接影响这个方法的长期可靠性。另外，如果中转站故意在返回结果里加一层随机扰动，这个指纹还能不能成立，目前也没数据。 我会先打个折：它适合做第一道筛查，发现可疑再上更重的验证手段，别指望单靠它就能一锤定音。

这条新闻最值得看的是：一个拍过《第九区》的导演，不是拿 AI 做特效辅助，而是把整个画面生成流程全押在 Seedance 2.0 上，一帧一帧用文字提示出片。13 分钟短片，伪纪录片风格，用了 32 个真人授权过的脸和声音，概念设计还是人类艺术家做的——说明目前 AI 管的是“执行”，创意框架仍靠人。 Blomkamp 说下一步要拍长片，还为此成立了 AI 工作室 Barley Studios。这个表态比短片本身更有信号意义：头部导演开始把 AI 视频生成当主生产管线，而不是玩具。但正文没披露关键成本数据——逐帧生成 13 分钟到底烧了多少算力、耗时多久、废片率多高，这些才是判断“长片可行”的核心。另外，Seedance 2.0 的一致性表现也没提，长片对角色和场景连贯性的要求比短片高一个量级。 我会先打个折：短片能跑通不代表长片能跑通，尤其伪纪录片风格本身对画面瑕疵容忍度高。等他们公布制作日志或成本拆解，再判断这是真拐点还是高级 demo。

这个插件解决了一个很实际的痛点：多数人记不住 Excel 函数，但能说清楚自己要什么结果。你框一片数据，问“总收款为什么涨了”，Grok 会给出解释，并标明引用了哪些单元格，生成的图表也能直接插进表格里。公式部分更实用——描述需求后，公式会正常出现在编辑栏，你还能手动改，不是那种锁死的黑盒输出。 插件本身免费，从微软应用商店就能装，Word 和 PowerPoint 版本也同步上架了。它还能通过 Grok 的连接器去翻 SharePoint 或 Google Drive 里的邮件和文件，把外部信息拉进来当参考。 不过正文没提几个关键点：数据会不会被上传到 xAI 的服务器做推理，企业用户能不能在本地跑；也没说支持多大的数据量，处理几万行会不会卡。这些直接决定了它能不能进正式工作流，目前只能先当个辅助工具看。

NVIDIA 这次开源了一个 40 亿参数的世界模型，把看场景和生成动作这两件事合在一个模型里了。它能在 Jetson Thor 这种边缘小电脑上跑到 15Hz，一次推理输出 32 个机器人动作，对机器人来说算是够用的控制频率。架构上用了两套 Transformer，一套自回归模型负责理解推理，一套扩散模型负责预测，中间共享注意力层来对齐信息，思路是把理解和行动打通，而不是各干各的。 在 40 亿参数这个量级里，它在 VANTAGE-Bench 视觉分析榜上拿了第一，机器人策略学习也自称最优。但正文只说“实时推理”，没给出端到端延迟的具体毫秒数，也没说不同硬件上的功耗和掉帧情况。实际部署时，延迟稳不稳、散热扛不扛得住，比跑分重要得多。另外，训练数据、泛化到新环境的成功率这些关键信息也没披露，所以目前只能当它是一个有潜力的开源基座，离直接上产线还有距离。

通义实验室这次放出的Qwen-Audio-3.0-TTS分两档：Flash版主打快，首包延迟约300毫秒，平均词错率/字错率3.87，适合需要即时反馈的场景，比如语音助手或实时翻译。Plus版走质量路线，在Artificial Analysis榜单拿了第一，说话人相似度做到82.75，支持16种语言和20种中文方言，覆盖面挺广。 不过正文没披露模型参数量、跑在什么硬件上，也没说API怎么收费。这些信息直接决定实际部署成本和延迟是否稳定，现在只能看个热闹。另外，榜单第一是综合评分还是单项指标、对比了哪些模型，原文也没展开，这点先别太激动。 还缺的是：不同语言和方言下的延迟与错误率有没有明显波动，以及长文本合成时会不会掉质量。这些才是工程落地要盯的。

这条值得点开看，因为它解决的是 MoE 模型落地时最肉疼的问题：专家负载不均导致 GPU 空转，花钱买来的算力在发呆。UltraEP 的做法很直接，在每个 microbatch 和每一层实时复制热门专家，用精确路由信息调度，而不是事后统计。在 Qwen3-235B 上训练吞吐达到理想性能的 94.6%，比 Megatron-LM 高 42%；推理 prefill 吞吐是 SGLang 的 1.56 倍。这两个数字说明它确实把 GPU 利用率顶上去了。 不过正文没披露开源协议和部署条件，这点先别太激动。动态复制专家意味着显存和通信开销会增加，但文章没给出这部分成本数据。另外，94.6% 是理想性能的占比，理想性能本身怎么算的也没说清楚。如果理想基线设得低，这个数字就要打折。 还缺的是：这套方案在更多模型规模和 GPU 拓扑下的表现，以及跟 DeepSpeed、FasterMoE 等其他负载均衡方案的横向对比。小红书自己的生产环境规模有多大、用了多少张卡，正文也没提。

上智院放出的“神珍”模型，核心卖点是用一套110亿参数的架构，同时处理DNA、蛋白质、小分子、气象和医学影像六种完全不同的科学数据。它没有把所有数据粗暴地压成一种格式，而是各自保留了序列、分子结构或空间场的原始特征。从结果看，这个设计思路是有效的：在20项生物序列任务里，它赢了同量级的对手16项，甚至跟万亿参数的Intern-S1-Pro打成10比10平。气象预报上，它能滚动生成10天全球预报，第10天的指标号称达到或优于业务级数值预报的水平。 不过，正文没披露气象评测的具体误差数值和对比基准的细节，只说“达到或优于”，这个表述比较模糊。医学影像分割的91.20平均Dice得分看着不错，但也没说明这个分数在不同影像类型上的波动有多大。另外，模型虽然开源了权重和推理代码，但训练数据和具体训练成本都没提，外部团队想复现或微调会有点抓瞎。整体看，这是一个在科学多模态统一建模上很有想法的尝试，但实际落地效果还需要更多第三方验证。

Ollama 让开发者在本地用一行命令跑开源模型，现在有 890 万用户，财富 500 强里 85% 都在用，云服务的 token 用量每月翻倍不止。这轮 Benchmark 和 Theory Ventures 领投的 8800 万美元，会用来做混合推理、新模型当天上线支持，以及一个号称不牺牲隐私的团队云。 但公告里没写估值，也没提公司现在每月烧多少钱。用户量大、大客户多，不代表商业模式已经跑通。他们说的“混合推理”具体怎么落地、延迟和成本能优化到什么程度，也还没看到技术细节。 如果 Ollama 真能把本地跑模型的体验做到和调 API 一样简单，同时把云服务做成“数据不离开你”的卖点，对不想被闭源模型绑住的团队确实有吸引力。但前提是，他们得证明这套东西在规模化之后还能保持便宜和快。