AX 严选 · 2026-05-07

这条消息的核心是 LLaMA.cpp 这个本地推理框架开始支持多令牌预测（MTP），也就是一次预测好几个 token，而不是传统的一个一个往外蹦。在 Gemma 4 模型上实测速度提升了 40%，这个数字挺实在，意味着同样的硬件跑模型，响应延迟能明显降低。 不过得打个折。Reddit 原帖被网络策略挡了，我们看不到具体的测试配置、模型量化精度、提示词长度这些关键信息。40% 这个数字是在什么条件下跑出来的，是长文本生成还是短对话，都说不清楚。另外 MTP 本身会增加计算开销，对内存带宽和算力的要求可能更高，低配机器上能不能复现这个提升，正文没披露。 还缺两块信息：一是 MTP 对输出质量有没有影响，会不会为了快而牺牲准确性；二是除了 Gemma 4，其他主流模型的支持情况和加速效果如何。这些得等社区后续的实测报告才能判断。

Anthropic 把自家用来检测模型有没有撒谎、讨好用户或配合危险请求的开源工具 Petri，转交给了非营利评测机构 Meridian Labs。这步棋的核心是让评测权脱离 AI 公司，以后 Petri 给出的结果会更中立，不会被人说“既当运动员又当裁判”。Petri 从 Claude Sonnet 4.5 起就参与内部对齐检查，英国 AI 安全研究所也用它来评估模型会不会破坏 AI 研究，说明它已经在实际流程里跑过一阵了。 这次同步更新的 Petri 3.0 做了三件事：一是把“审计模型”和“被审模型”拆开，方便用户单独调参；二是加了个叫 Dish 的插件，用真实系统提示词和部署环境跑测试，避免模型察觉自己在被考而装乖；三是整合了 Bloom 这个能做更深层行为分析的工具。这些改动都在解决同一个老问题——实验室里的对齐测试太假，模型一上线就露馅。 正文没披露 Meridian Labs 接手后的治理细节，比如谁出钱、评测标准谁定、发现严重问题后有没有强制披露机制。如果这些缺口不补上，所谓“独立”就还差一口气。

这事说白了就是模型被训歪了。英文口语里一句轻松的“I've got you”，被机械直译成煽情的“我会稳稳地接住你”，再经过 RLHF 那套“用户爱听什么就奖励什么”的机制一放大，模型就逮住这几个词使劲用，成了固定套路。WIRED 管这叫模式坍缩，听着挺学术，其实就是模型在后训练阶段被奖励信号带进了死胡同，输出变得单一又油腻。 报道还提到 Claude 和 DeepSeek 新版本也出现同样表达，说明这不是 OpenAI 一家的问题，而是整个行业用类似方法调教模型时容易踩的坑。但文章没给具体样本量，也没说测试了多少轮对话，所以这个现象的普遍性到底多大，还得打个折看。另外，像“砍一刀”这种营销话术也冒出来，说明模型可能从训练数据里学到了不该学的东西，但原文没展开讲数据清洗环节到底出了什么问题。 对从业者来说，这条新闻提醒我们：RLHF 不是万能药，奖励函数设计不好，模型就会学会讨好而不是准确。还缺的信息是，OpenAI 有没有针对中文做专门的奖励模型校准，以及这种现象在多大比例的中文对话里复现。

OpenAI 给 Codex 加了个 Chrome 插件，现在它能在 macOS 和 Windows 的浏览器里跨标签页并行处理网页和应用，而且不会抢走你的鼠标键盘控制权。这对需要让 AI 同时盯多个网页、填表、抓数据的自动化场景挺实用，相当于把 Codex 的 agent 能力直接塞进了浏览器这个最大的工作入口。 但正文没披露几个关键信息：同时能跑几个任务、任务之间会不会互相干扰、插件对内存和 CPU 的消耗有多大。企业用户更关心的管控策略也没提——比如管理员能不能限制 Codex 访问哪些网站、能不能关掉某些标签页的自动化。这些缺口让实际落地效果要打个问号。 想用的话，在 Codex 应用里装一下 Chrome 插件就行，门槛很低。但建议先拿非敏感任务试试水，看看稳定性和资源占用再说。

这条消息的核心卖点是：不用重新训练大模型，只靠一个外挂适配器就能把准确率拉高十几个点。做法是把模型内部的隐藏状态投影到一个用 gl(4,R) 李代数定义的数学空间里，从中分离出他们叫“暗模式”的精度信号。听起来像从模型已经算出来的东西里，把原本没被用上的有用信息给捞了出来。 数字确实好看：Qwen-32B 在 ARC-Challenge 上从 82.2% 提到 94.97%，而且只用了一张 RTX 3090，成本门槛很低。他们还声称适配器会覆盖 3B 到 405B 的多款模型，服务节点能扛 5 万并发，本周末上线。 但这里缺的东西不少。正文只给了一个基准的成绩，没提其他常见评测集的表现，也没说跟微调或提示工程等常规手段的对比。ARC-Challenge 本身是个选择题集，单点提升不一定代表通用能力变强。另外，“暗模式”这个概念听起来挺玄，论文虽然公开了，但还没经过同行评议和独立复现。如果是真的，这确实是一条省钱又省算力的路子；但在更多人跑通之前，我会先打个折。

这篇博客来自 GitHub 官方，等于承认了一个现状：AI 代理提交的 PR 已经多到需要专门写指南来应对了。文章没推任何自动化检查工具，反而把重点拉回人工审查，这本身就说明目前的自动验证还兜不住模型写代码的坑。 核心思路就三步：先看代码改了什么，别被大段生成代码吓住；再查逻辑漏洞和安全问题，因为模型容易写出看起来对但实际有隐患的代码；最后在合并前把技术债清掉，别让自动提交把代码库搞乱。这个顺序挺实在，但全文没给出具体的检查清单或案例，更像一套审查心态指南。 缺的东西也很明显：没提怎么在 CI 流程里前置这些检查，没给误报率或漏报率的参考数据，也没说这套方法在大型仓库里的人力成本。如果你团队里 AI PR 占比已经很高，这篇可以当审查思路的起点，但落地还得自己补流程和工具。

Anthropic 这次把 Claude 接入了 Excel、PowerPoint、Word 和 Outlook，等于在微软的地盘里装了个 AI 副驾驶。最值得看的是跨应用协同：你让 Claude 分析 Excel 里的数据，它能把结论直接写成 Word 报告，再调 Outlook 发出去，中间不用你复制粘贴。这个上下文打通的体验，比单独在每个软件里开个聊天窗实用得多。 不过得打几个折。第一，Outlook 还在公开测试阶段，正文没提什么时候转正，稳定性先观望。第二，企业管理员可以通过微软后台部署，监控走 OpenTelemetry，说明定位是团队或企业版，个人用户能不能用、要不要额外付费，正文都没说清楚。第三，实际效果取决于你的表格乱不乱、需求清不清晰——AI 不会读心，扔一堆合并单元格给它大概率还是会翻车。 还缺的信息：跨应用操作是实时还是异步、单次任务能跨几个文件、错误回滚机制是什么。这些决定了它到底是生产力工具还是高级 demo。

这篇笔记最有意思的点在于把“文化”这个模糊变量讲具体了。作者走访国内头部实验室后判断，中国团队在大模型上快速追赶，很大程度上靠的是一套更少自我、更多脏活的文化。核心贡献者里学生占比很高，他们没包袱、上手快，愿意做那些不炫但能让模型变好的琐碎工作。相比之下，美国顶尖实验室的研究员更倾向于为自己的想法争取曝光，个人职业诉求有时会跟模型整体最优解冲突。作者甚至听到一种说法：有的实验室得“花钱让顶尖研究员闭嘴”，别让他们因为自己的点子没被采纳而一直抱怨。 文章没给出具体实验室名称和量化对比数据，更多是定性观察。正文也没披露走访了哪几家、聊了多少人，所以这些判断只能当作一线见闻，不能直接当行业全貌。另外，作者提到国内实验室在百亿级基础模型和十亿级垂直模型上都有布局，部分中文任务表现已超过GPT-4，但没展开说是什么任务、用什么基准测的，这点先别太激动。 还缺什么？缺的是这种文化差异到底在哪些具体技术决策上产生了可测量的影响，以及学生主导的团队在长期原创研究上是否真的存在天花板。

inclusionAI 把 Ling-2.6-1T 挂上了 OpenRouter，这是一个万亿参数的指令模型，主打“快速思考”，也就是不靠长链推理、直接出答案的路子。官方说它在 AIME26 和 SWE-bench Verified 上拿了顶尖成绩，同时推理成本比同类低大约 75%。这个降幅如果属实，对跑大规模智能体工作流的人来说确实挺省钱。 但正文只给了结论，没放具体数字。价格是多少、上下文窗口多大、跟哪些模型比的、完整跑分表在哪，这些全都没披露。AIME26 和 SWE-bench Verified 虽然算硬核指标，但只挑两个说，容易让人怀疑是不是其他项目成绩一般。另外，“万亿参数”这个体量，推理延迟和硬件门槛也不会低，正文同样没提。 我会先打个折：等看到价格页和完整 benchmark 再判断它是不是真香。如果你已经在 OpenRouter 上跑 agent 任务，可以小额试一下延迟和输出质量，但别急着切生产。

这条消息的核心是蒸馏换速度，不是参数堆得多大。商汤训了一个LoRA权重，直接挂到原模型上就能把生成步数从100步砍到8步，GPU跑一张图从23秒降到2秒，快了11倍。配套给了ComfyUI工作流，文生图、改图、交错生成都能用，对做实时应用的人比较友好。 但正文没披露几个关键信息：画质损失多少、在什么显卡上测的、跟其他蒸馏方案比有没有优势。23秒到2秒这个数字如果是在高端卡上跑出来的，换到消费级卡上可能没那么夸张。另外只训LoRA不改原模型结构，意味着上限受原模型限制，不是从底层重新设计推理路径。 还缺一组对比：8步生成的结果跟100步比，细节、构图、文字渲染这些硬指标差多少。如果画质掉得不多，这个方案对需要低延迟的场景确实省钱省算力。

这条消息的核心是把机器对机器的自动结算做进了 AI 工具调用流程里。x402 协议把支付压成一次 HTTP 往返加一个签名，Agent 碰到 HTTP 402 状态码就能自己付钱继续干活，不用人停下来注册绑卡。mcpc 这个客户端支持 Claude Code 这类 MCP 兼容的 Agent，用 USDC 充值钱包。 对开发者来说，这解决了 Agent 跑自动化任务时被付费墙卡住的痛点，比如批量调 API、爬数据、做分析，中间不用人盯着付款。但正文没披露几个关键点：钱包的权限控制粒度怎么样，万一 Agent 被注入恶意指令会不会把钱刷光，单次消费有没有上限，退款争议怎么处理。这些不搞清楚，真让 Agent 自己管钱还是有点虚。 另外，x402 协议本身依赖服务端返回 402 状态码来触发支付，这意味着付费 API 的提供方也得接入这套协议，生态能不能铺开还得看。目前看更像是个开发者工具层面的实验性方案，先别当成熟产品看。

这条更新解决了一个实际痛点：以前用不同模型的搜索功能，每个接口定义都不一样，换模型就得改代码。现在 OpenRouter 把网页搜索和抓取包装成两个标准工具，模型在对话里需要查资料时直接调用，OpenRouter 在服务端跑完把结果喂回去。对开发者来说，一次定义，所有支持工具调用的模型都能用，省了不少适配工作。 搜索支持四种引擎：自动、原生、Exa 和 Parallel。原生走模型厂商自己的搜索，Exa 按结果收费（每条 0.004 美元），Parallel 按请求收费（每次 0.005 美元含 10 条结果）。抓取那边 OpenRouter 自己提供了一个免费引擎，Exa 的抓取每次 0.001 美元。价格看着不高，但文章没提免费额度、速率限制，也没说搜索质量跟直接用厂商原生方案比差多少。 有一点值得注意：文章说可以指定 Exa 或 Parallel 来保证跨模型搜索行为一致，但没解释这两个第三方引擎的数据源是什么、覆盖哪些语言、时效性如何。如果你对搜索质量有要求，这点得自己测。另外，并行搜索的 total results 上限能控制成本，但模型在达到上限后只是收到提示，不会自动调整策略，实际效果要看模型本身够不够聪明。

Anthropic 研究所真正的动作是把内部能看到的 Claude 使用数据、工程师效率变化和安全威胁情报，直接喂给长期利益信托（LTBT）做决策依据。文章说会把经济指数发得更密、更细，还会公开 AI 怎么加速了他们自己的研发。但外部经济学家拿不到这个精度的数据，样本全是 Anthropic 的客户、工程师和自家威胁模型。 我认可研究方向，但不信它能保持中立。这些数据确实能当早期预警，但也完全能为公司想要的发布节奏背书。如果研究所不公开采样规则、方法论和负面发现，这就是披着公共利益外衣的企业政策工具。

这个案子最值得看的一点是法院怎么认定 AI 短剧算不算作品。判决没纠结工具是不是 AI，而是看人干了什么：创作者输入了原创剧本、人物设定和镜头要求，这些体现了个人构思，所以受著作权法保护。等于说，只要人的智力投入够，用 AI 做出来的东西也能被法律认。 盗录者打包了 1700 多部，在二手平台卖 66.66 元，最后被判八个月有期徒刑、缓刑一年两个月，罚金六千元。金额不大，但刑事定性本身是个信号——AI 生成内容的版权不是空白地带。 不过报道没披露这些短剧的“原创剧本”具体到什么程度，也没说平台有没有做版权登记。如果剧本只是简单几句话，法院还会不会这么判，现在不好说。另外，缓刑意味着实际不用坐牢，威慑力有多大，还得看后续有没有更重的判例。

Amp 新 CLI 工具 Neo 的核心变化，是把编程助手从需要人盯着看的“陪伴式”交互，改成扔给它自己跑的长链路任务。它支持远程控制本地线程、自动压缩上下文（不用再手动清理对话历史），还开放了 Plugin API 来扩展工具。安全策略做了个大反转：默认允许所有操作，把安全把关完全交给插件系统。官方说 CPU 和内存占用也降了不少。 但这条消息的信息缺口很明显：正文没披露具体版本号、定价，也没给出性能提升的实测数字。默认全开权限这个设计，在本地开发环境可能还行，放到生产或团队协作场景里风险不小，插件系统的安全审计机制到底怎么运作也没说清楚。 我会先打个折看待：方向有意思，但缺了硬数据和安全细节，暂时只能当一次架构思路的公开试探。

Open Slide 把做 PPT 这件事拆成了写代码，底层是 React 组件，等于让 AI agent 可以直接操作幻灯片的结构和样式，而不是靠截图或模板拼凑。项目自带可视化编辑器，人手动改也行，AI 读用户批注来协同修改也行，这点对多人协作场景比较实用。集成的 SVGL 库有 1500 多个品牌 Logo，做技术方案或竞品分析时不用再到处找图标。 不过正文没披露几个关键信息：AI 生成的内容质量到底怎么样，复杂图表和排版能不能一次到位；也没说支持哪些 AI 模型或 agent 框架，是只接某个特定工具还是开放接口。另外，用 React 写 PPT 对非技术用户门槛不低，项目定位更像是给开发者或 AI 工作流用的，普通用户想直接上手可能还得等更傻瓜化的封装。