AX 严选 · 2026-05-11

Luma Labs 这次推出的 Luma Agents，核心是把广告创作流程拆给多个 AI 代理分工干：有的负责理解情绪板上的视觉风格，有的负责生成画面，有的负责拼成完整广告。这个思路不新鲜，就是把 agent workflow 搬进创意工具里，让模型进业务流程干活。 目前能看到的信息只有标题和一句话简介，正文是空的。这意味着我们不知道它生成的广告长什么样、在真实投放里的转化率如何、生成一条广告要多久、成本多少。这些才是判断它是不是真有用的关键。 我会先打个折：概念听起来顺，但没案例没数字，离“优化广告效果”这个说法还差一截。等他们放出实际跑通的广告样本和对比数据再说。

OpenAI 宣布推出 Daybreak，说是把自家最强模型、Codex 和安全合作伙伴的能力打包，帮安全团队更快发现漏洞、加固软件。听起来像是让 AI 直接进安全运维流程干活，但正文只给了概念，没披露任何实测数据——能防住什么级别的攻击、误报率多少、响应延迟多高，全都不清楚。定价和上线时间也没提，所以现在只能算一张路线图，离实际能用还有距离。我会先打个折：方向对，但缺验证。如果后续能放出在真实攻防场景下的检出率和误报率，才值得认真评估。

这是个很“玩”的想法，但背后有实际用处：把自然语言指令直接当脚本跑。最简单的例子是 shebang 写 `#!/usr/bin/env -S llm -f`，下面跟一句“画个骑自行车的鹈鹕 SVG”，就能出图。复杂一点的可以用 `-T` 参数调用外部工具，比如报时；或者直接在 YAML 模板里用 Python 函数定义计算器，让模型自己调 multiply 和 add 算出 2344×5252+134=12,310,822。 这本质是把 LLM 当成一个能理解模糊指令、还能调用工具的脚本解释器。好处是门槛极低，坏处也很明显：每次执行都要调模型，延迟和成本比传统脚本高几个数量级，而且输出不稳定，不适合任何需要确定性的场景。 正文没提这种用法在生产环境的风险控制，也没给延迟或成本数据。如果是真的跑一次几毛钱、等两三秒，那对一次性小任务还行；但别指望它替代正经脚本。

Replit 这次更新的核心是把并行代理做进了开发环境里：最多 10 个代理同时跑，每个拿一份独立的应用副本，在各自机器上互不干扰，最后通过一个代理工作流把结果合并回来。听起来像给开发者配了个小团队，但关键细节全没给。 正文没披露任务是怎么拆分的——是用户手动分配还是系统自动切？合并冲突怎么处理，比如两个代理改了同一个文件怎么办？也没给出任何性能对比数据，比如 10 个代理比单代理快多少、资源开销涨了多少。这些信息缺口让实际效果很难判断。 对 AI 从业者来说，这个方向有意思：把 agent 从单打独斗变成并行协作，确实可能缩短构建时间。但在看到冲突解决机制和实测数据之前，我会先打个折。如果只是简单把任务分出去再粗暴合并，实际体验可能还不如一个靠谱的单代理。

Gemini App 这次更新的核心是把你的个人数据——Gmail 里的酒店订单、Google Photos 的地点记录、搜索和 YouTube 历史——直接串起来生成旅行计划。省事是真的省事，不用自己翻邮件找预订号、从相册回忆上次去了哪。你可以手动选哪些 App 给它读，也能随时关掉个性化，控制权看起来在你手里。 但正文完全没披露隐私处理细节：邮件内容会不会被用于模型训练？行程生成是在本地跑还是上传云端？这些关键信息缺失，让“个人智能”这个说法得打个折。如果是本地处理，隐私风险可控；如果上云，就得看 Google 的隔离策略。另外，目前只展示了旅行这一个场景，实际能覆盖多少日常任务还不清楚。

Karpathy 这条推文的核心判断很直接：大模型默认吐 Markdown 是偷懒，让模型直接生成 HTML 页面，能立刻把排版、图表和可点击的交互都带上，用户体验会跳一大截。他给了一个马上能试的建议——让模型用 HTML 结构化回复，这比等下一代界面务实。 更远的那层“交互式神经视频”，是用扩散模型实时生成可操作的画面，听起来像把电影变成软件。但他自己点出了关键缺口：这种神经生成的画面怎么跟需要精确数值的传统软件（比如 Excel、CAD）配合，现在完全没解。正文没给出任何技术路线或实验数据，所以这部分只能当长期猜想，别急着当真。 输入侧他提到手势指点这类更自然的交互，但同样没展开具体实现。整体看，这条推文的价值在于把“输出格式”这个被忽视的环节拎出来，HTML 这个建议成本低、可验证；视频生成那层还缺约束条件和精度验证，离落地很远。

Anthropic 在 GitHub 扔了一套金融 AI 模板，不是论文也不是白皮书，是直接能跑的代码。里面塞了 10 个端到端智能体，覆盖投研、投行、风控这些金融圈高频场景，还配了 7 个行业插件和 11 家主流金融数据商的 MCP 连接器——你可以理解成模型跟 Bloomberg、Refinitiv 这类数据源的接口已经焊好了，不用自己从头写管道。部署方式从个人插件到企业 API 都支持，也能塞进 Microsoft 365 和私有云，说明他们想同时吃个人开发者和机构客户两条线。 这件事的看点不在技术有多新，而在 Anthropic 选了一条跟 OpenAI 完全不同的路：OpenAI 在铺消费级应用，Anthropic 直接往垂直行业里扎，用开源模板拉生态。金融是监管最严、对准确性要求最高的行业之一，敢在这里开源模板，姿态上是在说“我的模型能进生产环境”。 但正文没披露几个关键信息：这 10 个智能体在真实业务场景里的准确率是多少？有没有经过合规审查？MCP 连接器是官方合作还是社区贡献？这些直接决定这套模板是 demo 级还是生产级。另外也没提延迟和成本，金融场景对实时性要求高，如果跑一个风控判断要十几秒，那就只能当参考工具用。建议先拿自己的数据跑一遍，别直接往交易链路里接。

这条推文放出了 Cognition AI 总部内部画面，但真正值得关注的是 Devin 的商业成绩：上线 18 个月年化营收 4.45 亿美元，客户包括高盛、美国陆军和奔驰，公司估值约 250 亿美元。创始人 Scott Wu 本人是三次信息学奥赛金牌得主，2023 年 11 月母亲去世当天创立公司，赌的是 AI 能变成全天干活的智能体。 不过正文没披露这 4.45 亿是合同额还是实际回款，也没说客户续费率。Devin 刚上线时表现一般，现在到底解决了哪些场景、哪些还是 demo，从这条推文里看不出来。估值 250 亿这个数字我会先打个折，毕竟没看到独立验证。 还缺的信息：Devin 在客户实际生产环境里的通过率、平均修复时间、跟人类工程师的对比数据。光有营收和估值，只能说明卖得动，不能说明好用。

OpenRouter 这个 Pareto Code 排名有点意思，它不跑传统基准测试，而是直接看开发者在实际调用中怎么选模型，找出那条“花最少钱办最多事”的帕累托前沿线。目前 DeepSeek V4 Pro 排第一，GPT 5.4 Mini 和 Gemini 3.1 Pro 紧随其后，说明在真实市场需求里，这三家在性价比上咬得很紧。 但这条新闻的信息缺口也很明显：正文完全没披露具体怎么算分、样本量多大、数据窗口多长。没有这些，这个排名更像一个产品功能展示，而不是可复现的评测。如果样本集中在某类任务或某段时间，排名可能波动很大。另外，“市场需求”本身也会被价格战和供应稳定性影响，不一定完全反映模型能力。 想认真参考这个排名的人，最好等 OpenRouter 把方法论和原始数据放出来，或者自己拉一段时间内的调用日志交叉验证一下。

Ring-2.6-1T 最实在的卖点是可调“思考强度”，相当于给模型装了个脑力旋钮：简单任务少转几圈省 token 和延迟，复杂任务多转几圈求质量。这对跑高频工作流的智能体场景确实有用，不用每次都烧满算力。模型还专门做了多步执行和工具调用优化，说明 AntLingAGI 想让它直接进业务流程干活，而不是只聊天。 但这条消息的信息缺口很大。万亿参数听着唬人，正文却没披露任何基准测试分数、对比对象或实际任务表现。免费开放到 5 月 15 日更像是一次公测引流，不是正式发布。模型到底在数学逻辑和科研任务上强在哪，跟同体量的竞品比是更快还是更准，全都没说。 我会先打个折：参数规模大不等于好用，思考强度可调也不等于调了就有用。等有人跑出实测数据，再看这个旋钮是不是真能拧出性价比。

腾讯混元放出了Hy3预览版，官方定位是“混元系列最强”，但这次不拼榜单分数，而是强调在真实智能体任务里能把事办成。模型用了256K上下文窗口，一次能塞进很长的材料，架构是混合专家加快慢思考——碰到复杂问题会自动切深度推理模式，简单问题就走快通道。底层把预训练和强化学习管线重做了一遍，目标是在大规模部署时把成本压下来。 不过目前公开信息很有限。正文只给了定性描述，没披露任何具体评测数据、延迟指标或成本对比。256K窗口实际召回率怎么样、快慢切换的触发逻辑是什么、MoE的专家数量和激活参数都没说。这些恰恰是判断“真实场景有效性”的关键。 我会先打个折：方向对，但缺数据验证。等他们放出技术报告或第三方实测再判断不迟。

Tomasz Tunguz 用五周时间拿自己的日常工作做了个实验，跑了约1400个请求，结论很直接：像 Qwen 3.6 35B 这种本地模型，能处理掉一半的任务，包括邮件草拟、日程安排、摘要和行政杂活。他拿 MacBook Pro M5 本地跑 4-bit 量化版，跟云端 Claude Opus 4.5 比速度，平均响应 2.8 秒对 5.8 秒，快了 2.1 倍。这个速度优势是他认为本地模型最核心的价值，比隐私、成本折旧都实在。 不过得看清楚限制。Opus 4.5 在推理基准上大约强 20%，输出结构更清晰、代码更干净，本地模型赢在简短，输出长度经常只有一半。市场调研和工程类任务里，简单查数据、修脚本本地能跑，但多源分析和架构决策还是得靠云端。作者也承认本地模型比前沿模型落后三四个月，复杂任务上这个差距不能忽略。 这篇文章没给具体任务的成功率定义，也没说“搞定”是按什么标准判的，全靠作者自己主观判断。另外测试只在一台 MacBook Pro 上跑，不同硬件结果会差很多。如果你日常工作以结构化输出为主，这个结论可以参考；如果重度依赖复杂推理，本地模型暂时还只能当辅助。