AX 严选 · 2026-05-16

这条更新把界面设计和代码生成塞进了同一个窗口。MagicPath 的 CEO 演示了在 Codex 里贴一条命令就能装好，然后像搭积木一样拖拽 UI 组件，Codex 会实时感知项目结构并自动生成、修改代码。以前设计师在 Figma 画完，开发再手动导出导入，现在这步省了。 但正文没披露复杂交互逻辑和状态管理能覆盖到什么程度。演示里只展示了常规 UI 搭建，如果遇到表单校验、多步骤流程、数据绑定这些，这套拖拽加自动生成能不能扛住还不清楚。另外也没提生成代码的质量和可维护性，会不会为了快速出界面而牺牲代码结构。 如果是真的能稳定跑通常规页面，对快速原型和简单工具类产品挺省钱。但生产环境能不能用，还得看后续有没有更复杂的案例放出来。

这篇论文挖出了一个挺具体的 bug：模型调用工具时，认知和行动会脱节。不是模型没看懂该不该调，而是看懂之后，在最后几层处理时把信号方向转偏了，偏到几乎和要执行的动作正交，结果就是不动手。不匹配率在 26% 到 54% 之间，这个范围说明不同场景下严重程度不一样，但整体都不低。 研究用的是探测隐藏状态的方法，定位到问题完全卡在“认知到行动”的过渡阶段。这比泛泛说“提示没写好”或“训练不够”要精确得多，直接指向了模型后期层的几何结构。对做 agent 的人来说，这意味着单纯改 prompt 或加训练数据可能治标不治本，性能上限被这个内部信号旋转卡住了。 不过正文没披露实验用的是哪些具体模型和工具调用场景，也没说这个比例是在什么任务上测出来的。如果是在简单任务上就有 26% 的失败率，那放到复杂业务流程里只会更糟。另外，研究说想预测干预效果，但没给出实际干预后的改善数字，这点先别太激动。

Dwarkesh 这篇文章没给实验数据，纯靠科学史推演，但推得挺狠。RLVR 靠可验证奖励信号驱动，代码有测试用例，数学有证明器，科学理论却没有这种即时反馈。哥白尼 1543 年的日心说刚出来时，预测精度还不如托勒密打磨了上千年的地心说，开普勒定律到 1619 年才补上，牛顿统一到 1686 年，恒星视差更是 1838 年才测到。这不是任何一个现有 RLVR 训练循环能消化的延迟。 我会先打个折：文章讨论的是科学理论发现这个极端场景，跟 RLVR 在代码、数学推理上的表现是两码事。但它的提醒是成立的——RLVR 拿的是短期反馈的工资，科学经常在一个世纪后才结账，中间还得忍受一堆错误预测。海王星 1846 年被算出来是成功案例，水星多余的 43 角秒却让人追着祝融星跑了几十年，直到 1915 年爱因斯坦才收尾。正文没披露任何实验对比或基准数字，所以这更像一篇思想实验，别当结论用。

这个月开源模型扎堆发版，但最值得聊的不是模型本身，而是 CAISI 对 DeepSeek V4 的评估方式。CAISI 用 9 个基准算出 Elo 分，结论是开源跟美国闭源前沿差距在拉大。但仔细看，V4 的 Elo 被三个基准拖了后腿：CTF-Archive-Diamond 安全挑战、CAISI 自己的私密基准 PortBench，以及 ARC-AGI-2。其中 CTF 只跑了部分题目然后用统计方法外推，ARC-AGI-2 的评分方式也跟公开榜单不一样。这几个基准的权重把整体分差放大了。 作为对比，Epoch AI 的 ECI 指数同样用统计方法跨基准比较，显示差距大概在 3 到 7 个月，没有 CAISI 画的那么夸张。文章作者也承认两边都不完整——这些评估都用的是标准化、简化的测试环境，比如编程题只给一个 for 循环和固定 token 预算，而不是模型实际训练时用的 Claude Code 或 OpenCode 这类工具链。这就好比用自动挡考试的成绩去判断一个赛车手的水平。 正文没披露 V4 在各项基准上的原始得分，也没说 PortBench 具体测什么。要判断差距到底多大，还得看用模型原生工具链跑出来的结果。

AntLingAGI 把 Ring-2.6-1T 开源了，这是个万亿参数的大模型，专门冲着让模型进业务流程干活去的：规划步骤、调用工具、维持长上下文、跑完复杂任务。5 月底前在 OpenRouter 上调用打二五折，想试的话成本很低。 但正文对训练方法 Async RL 和 IcePop 一笔带过，没展开说具体怎么做的、跟现有方法比好在哪。万亿参数跑 agent 工作流，推理延迟和资源消耗会是个实际问题，正文也没给任何性能数据或对比基准。 我会先打个折：开源和折扣是实打实的，但模型到底能不能稳定跑通复杂任务、工具调用准确率多少、长上下文下会不会崩，这些关键信息全缺。等有人跑出实测结果再说。

Anthropic这份内部手册的结论很直接：像Claude Code这类AI工具，不是创业的万能药，反而可能让更多人更快地撞墙。核心问题在于，AI几分钟就能跑出一个能用的原型，创始人很容易把“能跑通”当成“市场需要”，再用AI搜一堆资料来强化自己的错误判断。手册把创业拆成想法、原型、发布、扩张四个阶段，逐个拆解AI怎么放大风险——比如原型不等于验证、用AI堆出来的代码会埋下“智能体技术债”、创始人自己变成所有决策的瓶颈。 最终结论是，AI把执行成本打到极低，判断力反而成了最稀缺的东西。手册认为真正的护城河，是把行业知识结构化沉淀成专属的“技能包”。不过这份材料是Anthropic的内部手册，正文没披露具体的数据支撑或案例研究，更像是一份经验总结和警示。它没给出量化指标，比如失败率具体会推高多少，也没讨论不同行业、不同团队规模下的差异。这点先别太激动，可以把它当成一份来自AI工具开发方的反向思考，而不是一份严谨的行业报告。

Codex 这次更新把多设备管理塞进了 ChatGPT 的对话窗口，你换个项目就能拿到对应机器的上下文和文件，不用来回切客户端。推文还提到能通过远程 SSH 去配置其他虚拟机，这对需要同时维护开发机、测试服、生产环境的人来说，确实省了跳转的麻烦。 但正文只给了功能描述，没披露任何性能数据。多设备远程控制的延迟是多少？权限怎么隔离？万一一个会话能摸到所有机器，安全风险就大了。这些关键信息缺失，让这条更新看起来更像功能预告而非可投产的能力。 另外，推文来源是个人账号，不是 OpenAI 官方公告，可靠性要打个折。建议等官方文档或实际用户反馈出来再判断，别急着把它当主力远程管理工具。

Notion 这次发布的开发者平台，核心是把原本封闭的工作区变成可编程的底座。它提供了命令行工具（CLI）、后台任务（Workers）、数据库同步、Webhook 触发，以及让 AI 智能体（Agent）直接操作 Notion 的接口，包括 MCP 和外部 Agent API。简单说，以前你只能在 Notion 里手动整理信息，现在可以让外部程序或 AI 自动往你的文档和数据库里读写数据、响应事件。 这对 AI 从业者有个直接好处：Notion 可以作为 AI 工作流里的“记忆层”或“任务面板”。比如让 Agent 把执行结果写进数据库，或者用 Webhook 触发一个自动化流程。但正文没披露这些接口的调用限制、延迟和成本，也没说 Workers 的执行环境有多强。如果只是简单的 HTTP 触发，那跟 Zapier 那类工具有重叠；如果能跑复杂逻辑，才算真正把业务流程搬了进去。 目前信息来自 Product Hunt 的发布页，属于官方宣传口径，缺少实际开发者反馈和性能数据。建议等有人踩过坑、测过稳定性再判断是否值得把核心流程押上去。