AX 严选 · 2026-05-08

Runway 这篇安全说明把防护拆成了模型开发、产品部署和持续维护三个阶段，思路很清晰。开发阶段用哈希匹配和专门分类器清洗训练数据，确保模型没学过涉及未成年人的色情内容，上线前还做对抗测试找漏洞。部署后所有用户上传内容都要过已知 CSAM 哈希库和分类器扫描，确认违规就永久封号并上报 NCMEC。2025 年全年他们提交了 516 份报告，这个数字本身不大，但正文没披露总生成量或扫描量，所以没法判断是漏检少还是真没多少人尝试滥用。 值得留意的是他们用了 C2PA 来源标记，让生成内容能追溯到工具本身，这对后续追责有帮助，但正文也承认这不是完整解决方案。整体来看，Runway 的做法跟 Thorn 的生成式 AI 安全设计原则对齐，技术栈说得比较实在，没画大饼。缺的是独立审计或第三方验证的结果，光靠自述很难判断这些分类器在实际对抗中的表现到底怎么样。

Grok 这次更新把连接器功能从最高档套餐解放出来，全平台付费用户都能用了。简单说，就是让 Grok 能直接进你的办公软件干活——读邮件、写文档、执行任务，不再只是个聊天的对话框。它还支持接入自定义 MCP 服务器，等于给懂技术的团队留了个后门，可以自己扩展能力边界。 不过，Product Hunt 的发布页只给了功能描述和截图，没提具体支持哪些第三方应用、连接稳定性怎么样、会不会有权限失控的风险。另外，92 个 upvote 和 13 条评论的样本量太小，用户口碑还看不出深浅。 最关键的缺口是：这个功能到底省了多少时间、有没有实际案例，正文一个字没提。如果只是把 API 调用包装成按钮，那和别家做的事差别不大。建议等第一批用户晒出真实工作流再判断值不值得切过去。

Simon Willison 分享了一个反直觉的用法：让 Claude 直接吐 HTML 而不是 Markdown。他之前一直用 Markdown，因为 GPT-4 时代 8192 token 的上下文限制让 Markdown 更省 token。但 Anthropic 的 Thariq Shihipar 用实际案例说服了他——HTML 输出可以自带 SVG 示意图、可交互组件和页内导航，信息呈现效果比纯文本强太多。 文章里给了个具体例子：用 GPT-5.5 解释一个 Linux 提权漏洞的混淆 Python 代码，要求输出成带样式和交互的 HTML 页面。结果确实生成了一个结构清晰、带安全警告和分步拆解的页面。不过 Willison 也承认，模型把重点放在了 Python 代码本身，对漏洞原理的解释不够深入，这是他提示词没强调到位。 这个思路对做内部工具或快速出报告的场景挺实用，但正文没给出 HTML 输出相比 Markdown 具体多消耗多少 token，也没对比不同模型在复杂 HTML 生成上的稳定性。如果你打算在生产环境用，这点得自己测一下。

这篇演讲把做通用人形机器人的路线拆成了六个模块，核心逻辑很直白：大语言模型怎么从文本预训练走到能干活，机器人就怎么从视频预训练走到能动手。视频世界模型被当成第二预训练范式，相当于让机器人先看海量视频学物理常识；世界行动模型（WAM）负责把看到的转成动作指令；数据飞轮对标特斯拉 FSD 那套影子模式，靠真实场景回传数据持续迭代。EgoScale 和灵巧性缩放定律这两个概念试图量化训练规模跟手部操作能力的关系，但正文没披露具体公式或实验验证，这点先别太激动。物理强化学习被定位成跑通最后一公里的手段，DreamDojo 则是一个端到端的神经物理引擎，想替代传统仿真器。整体框架听起来自洽，但全文没有给出任何基准测试结果、成功率或成本数字，也没说明数据飞轮在真实硬件上的部署规模。演讲者还提了一嘴 2016 年参与 OpenAI 那台 DGX-1 签名的旧事，更多是个人叙事。我会先打个折：方向对，但缺验证，离落地还有距离。

这篇博客的核心判断是：并行推理的下一个方向，是把“怎么拆任务、开几个线程”的控制权从外部规则交还给模型自己。文章介绍了 ThreadWeaver 和 Multiverse 两种方法，它们能让模型在解题时动态判断要不要并行、开多少分支、怎么汇总结果。相比传统的多数投票、树搜索或固定并行结构，这种自适应方式理论上更省算力，也更贴合问题本身。 不过，这篇博客更像一篇领域综述加观点文章，不是严格的技术报告。正文没有披露具体的基准测试分数、延迟降低幅度，也没有给出可复现的实验设置。作者之一 Tony Lian 是 ThreadWeaver 的联合负责人，这点在文中有明确披露，读的时候可以把这个利益相关因素考虑进去。 目前还缺的关键信息是：自适应并行在实际部署中到底能省多少算力，以及模型自己判断“该不该并行”的准确率有多高。如果模型判断失误，反而可能增加不必要的开销。这些都需要后续有更系统的对比实验来验证。

这份国标相当于给 AI 终端发了张统一的“智商”等级卡，从只会简单应答的 L1，到能主动协同干活的 L4。覆盖了手机、电脑、眼镜、电视、车机、音箱、耳机七大类，起草方包括小米、华为、OPPO 等主流厂商，说明行业想先统一口径，避免各家自说自话。 但标准正文还没公开，我们只能看到分级框架。最让人好奇的 L4 协同级，也就是设备能像搭档一样理解意图、跨应用调度任务的那个最高档，具体要求是空白，要等产业成熟了再填。这等于先搭了个台子，戏怎么唱还没定。另外，具体的测试指标和判定方法也没披露，所以现在没法判断一款产品到底靠什么得分。 我会先打个折：这个标准目前更像一份路线图，不是一份能立刻用来对比产品的评分表。后续得看 L4 的细则什么时候落地，以及测试是跑分式的，还是基于真实使用场景的。