AX 严选 · 2026-06-02

Google DeepMind 在 GitHub 上放出了一个叫 Science Skills 的工具包，专门用来搭科学发现场景里的自主智能体，也就是让模型自己去跑科研流程。官方强调了两点：一是针对科学任务做了基础能力封装，不用从零写；二是 token 效率更高，调用大模型时可能更省 token、更省钱。 但这条消息的信息缺口很大。正文没披露开源协议是什么，也没给出任何 benchmark 数据或 token 节省量的具体数字。省 token 这件事，省 5% 和省 50% 完全是两个概念，没有数字就只能当个方向看。另外，工具包到底覆盖哪些科学领域、对模型有什么要求、跟现有的 agent 框架比有什么差异，这些也都没提。 对想试试的人来说，代码已经可以下载了，但效果得自己跑一遍才知道。如果团队正好在做科研自动化的工作流，值得拉下来看看封装思路；如果只是观望，等社区出实测数据再判断也不迟。

Runway 把 Aleph 2.0 的视频编辑能力开放成 API，意味着你可以把“只改画面里某一块、其他部分不动”的功能直接嵌进自己的产品里。它支持最长 30 秒、1080p 的多镜头视频，这个规格对短视频和广告素材够用，但长视频或更高画质的需求还覆盖不了。 正文只说了功能，没给任何落地关键信息：调用一次多少钱、每分钟能处理多少请求、从上传到出片要等多久、哪些地区能用。这些数据直接决定它能不能上生产环境。另外，局部修改的精度和一致性也没给样本或评测，实际效果得自己测。 如果你在做视频工具或内容管线，这条值得跟进，但现阶段只能当技术预览看。等 Runway 放出定价和 SLA 再评估集成成本会更靠谱。

Anthropic 给 Claude Platform 加了个 CLI，等于把网页上能调的所有接口都做成了命令行版。你可以在终端里直接发消息、启动 Claude 托管的智能体，然后把返回结果用管道传给其他 shell 命令做后续加工——比如自动整理数据、批量跑脚本。官方还特意提了一句，用 Claude Code 这种编码智能体就能看懂这个 CLI，说明他们想让开发者把 AI 直接嵌进自己的工作流里，而不是切来切去。 不过，这条消息来自 RSS 摘要，信息量很薄。正文没披露这个 CLI 会不会增加额外的调用延迟，也没说走 CLI 调 API 是不是和网页端一样计费。如果管道处理大量数据，网络开销和费用可能比想象中高。另外，它到底支持哪些 shell 环境、错误处理做得怎么样，这些都没提。 对天天泡在终端的开发者来说，这工具能省不少事，但别急着把它当主力管线。先拿小任务跑跑看延迟和账单，确认稳定了再往生产环境里接。

DeepMind 这次放出的 Co-Scientist，是把多个 Gemini 智能体拼成一个科研小组：有的负责提假设，有的负责挑刺，再让假设在内部辩论中进化。想法不新，但把“多智能体辩论”直接套在科研流程上，算是一次工程化尝试。 关键信息全缺：正文没说是用 Gemini 2.5 还是其他版本，没给任何基准测试结果，也没提是 API、开源还是内部试用。没有这些，就没法判断它到底比单模型强多少，还是只是把 prompt 拆成几个角色在跑。 我会先打个折：这更像一个方向性 demo，告诉学术界“我们在做这个”，离真正帮科学家省时间还差验证。如果后续能放出论文、对比实验和开放计划，才值得认真看。

Anthropic 的工程主管在自家活动上分享了 Claude Code 团队的内部流程变化，核心是把智能体编程（让模型直接写代码、改代码）设为默认工作方式。具体做法有三点：一是砍掉传统详细需求文档，改成“即时规划”，动手前先让 Claude 收集上下文、理清任务；二是代码审查环节，Claude 先过一遍代码风格和测试覆盖，人把精力集中在法律合规和安全判断上；三是整个流程从“人写机器辅助”变成了“机器写人审核”。 这篇文章是 Anthropic 官方博客，本质上是自家产品的实践案例，不是独立评测。正文没有披露任何量化效果数据，比如开发速度提升多少、代码缺陷率变化、工程师满意度等关键指标都没给。所以这更像一份工作方法分享，而不是可复现的效能报告。 对 AI 从业者来说，这套流程的参考价值在于它展示了“模型写代码”落地后工程团队的实际分工变化，但缺了成本数据（模型调用频率和花费）和失败案例，很难判断这套做法的边界在哪。如果你们团队也想试，建议先在小项目上跑一遍，重点观察模型在上下文收集阶段会不会漏掉关键约束，以及人审核时是否真的能省下精力而不是换个地方费劲。

OpenAI Codex 把编程和生图能力打包成一个 pip install 就能用的 SDK，对开发者来说确实省事。以前得切到 Codex 界面操作，现在可以直接在代码里调用，相当于把 Codex 当成一个可编程的工具塞进自己的项目里。复用登录态这点也挺实用，不用再折腾一套 API 密钥和鉴权流程，接入成本低了不少。 但这条消息的信息缺口很大。正文完全没提 API 怎么收费，是按 token 计还是按调用次数算，价格跟直接订阅 Codex 比是贵还是便宜，这些都不知道。也没说底层用的是哪个模型版本，能力上限在哪。更关键的是，没提调用频率限制和并发上限，如果生产环境里用着用着就被限流了，那跟 demo 玩玩完全是两回事。 我会先打个折看这件事。SDK 本身是个好信号，说明 OpenAI 想把 Codex 从独立产品往基础设施方向推，但在价格、模型和稳定性这些硬指标出来之前，它更适合做原型验证，别急着往关键业务里塞。

Holo3.1这次最大的动作是让电脑操作模型“本地化”。基于Qwen系列，他们放出了0.8B、4B、9B和35B-A3B四个尺寸，并且首次提供了FP8、Q4 GGUF和NVFP4这些压缩版本。这意味着你可以在自己的电脑甚至手机上直接跑，不用把屏幕画面传到云端，隐私和延迟问题会好很多。 旗舰版35B-A3B在AndroidWorld测试里拿到了79.3%的分数。这个数字看着不错，但文章没说明测试任务的具体分布，也没给出其他模型的对比成绩，所以这个79.3%到底领先多少、在哪些任务上强，目前还判断不了。另外，小尺寸模型在本地设备上的实际推理速度和资源占用，正文也没有给出实测数据，只说“快速”，这点需要等上手验证。 整体看，Holo3.1把模型压缩和本地部署作为卖点，方向是对的，尤其适合对数据敏感的场景。但缺了关键的性能对比和硬件实测，现在只能说它提供了一个可用的本地方案，至于是不是最优选，还得看后续第三方评测。

Anthropic 把 Project Glasswing 的合作方从约 50 家扩到约 150 家，覆盖超过 15 个国家，新增了电力、水务、医疗、通信和硬件这些关键基础设施行业。这些机构的共同点是代码库一旦被攻破，影响可能超过 1 亿人。前期合作方用 Claude Mythos Preview 已经扫出超过 1 万个高危或严重漏洞，这个数字说明模型找漏洞的能力确实强。 但正文没提两个关键信息：一是误报率，扫出一万个漏洞里有多少是真正需要修的，有多少是虚惊一场；二是这些漏洞到底修了多少。Anthropic 自己也承认，现在的瓶颈已经不是找漏洞，而是验证、披露和打补丁。如果只扫不修，那这个项目更像一次大规模压力测试，而不是安全防护落地。 另外，Anthropic 预计 6 到 12 个月内会有其他公司放出同类模型，而且可能不带防滥用限制。这个判断如果成立，意味着低成本、高能力的攻击工具会很快普及。他们现在推这个项目，更像是在抢时间窗口，让防守方先拿到工具。但正文没说明新加入的 150 家机构需要满足什么安全要求才能接入，也没披露美国政府在其中的具体角色，这些信息缺口让项目的实际约束力打了不少折扣。

Step 3.7 Flash 这次最实在的动作是开放权重，你可以直接下载部署，不用走 API 付费那套。定位很明确：给智能体编程场景用，强调工具调用可靠，还能吃多模态输入。同一天 MiniMax 也开源了 M3，两家都在 Kilo 平台上跑起来了，说明国内模型厂开始把开放权重当成标配打法，不再只发技术报告。 但这条消息的信息缺口不小。正文没披露任何 benchmark 跑分，没提参数量，也没说推理需要多大显存。Flash 这个名字暗示它走轻量快速路线，但到底多快、多省资源，全得靠你自己测。工具调用可靠性也没有量化指标，比如在 BFCL 这类评测上准确率多少，正文一个字没提。 我会先打个折：开放权重是好事，但没给硬指标之前，别急着把它当生产环境的首选。如果你正好在搭智能体编程流水线，可以拉下来跑跑看，重点测工具调用的稳定性和多模态输入的实际延迟。等社区出了第三方评测再下判断会更稳。

这条分享的价值不在工具本身，而在于思路：让AI读文件系统、做分类判断，再生成一份带安全按钮的交互报告。作者用Codex扫了自己的MacBook，发现B站缓存等一堆可删文件，激进方案能清出超140G，最终实测释放近120G。对比CleanMyMac只扫出15.8G，差距来自AI能识别更多非标准缓存路径，而不是靠固定规则。 不过要冷静看几点。正文没披露Codex具体怎么接入文件扫描，也没说扫描耗时和误删风险。三色分级里黄灯项需要人工判断，这意味着清理效果高度依赖使用者自己的辨别能力，不是全自动方案。另外，开源skill的维护状态和跨平台兼容性都没展开，Windows实测数据也没给。 如果你愿意花时间盯黄灯项，这个思路确实能省下120刀的软件费。但别期待装完就能一键清出100G，实际收益取决于你电脑里到底堆了什么。

阶跃星辰放了个 Step 3.7 Flash，196B 的 MoE 模型，主打推理省钱。它用多矩阵分解注意力把 KV-cache 占用压到 DeepSeek 同类模型的 22% 左右，显存压力小很多，还把注意力和前馈网络解耦，让硬件跑起来更顺。模型走 Apache 2.0，已经在 Fireworks AI 上可用，官方说能搭智能体应用。 但正文没给出任何基准跑分、吞吐量或延迟数据，也没说在什么硬件上测出这个 22%。没有第三方验证，这个数字只能当官方口径看。另外，196B 总参数量不小，实际部署成本除了 KV-cache 还要看激活参数和通信开销，光压缓存不一定等于整体省钱。 还缺的是：跟同尺寸模型的横向对比、具体推理场景的延迟表现、以及智能体应用到底能跑多稳。等第三方实测出来再判断性价比。

这套工作流把 Claude Code 定位成“高效又聪明的老师”，目标不是替你写完代码，而是确保你能把问题、方案和影响讲清楚、辩得动。它沿着问题域、方案域和语境域三条线，拆成 8 个可执行步骤，用增量教学、用户复述、清单加测验的方式，在进入下一步前先确认你真的懂了。这么设计是为了对抗长会话里人慢慢变成“审批按钮”的问题，强制把决策上下文沉淀下来，让理解过程可审计。 原文是开发者个人分享，不是 Anthropic 官方产品更新，也没有给出这 8 步在实际项目里的耗时数据或团队落地案例。我会先打个折：流程听起来很理想，但具体执行成本、对复杂需求的支持程度，正文都没披露。 对 AI 从业者来说，这套思路的价值在于提醒我们，工具链再强，人的理解深度才是最后的安全网。缺的是可复现的对比实验——用了这套流程后，代码返工率、决策失误率到底降了多少，目前还只是概念验证阶段。

Tomasz Tunguz 根据 OpenRouter 的统计给了个很直观的判断：从 2025 年到现在，开源权重模型拿走了平台上 69.1% 的 token 用量，闭源只占 30.9%。每次有一批新模型扎堆发布，用量就会跳上一个新台阶，说明开发者确实在拿真金白银的推理流量做实验。领跑的模型换得很快，DeepSeek 早期领先，随后被 MiniMax、Kimi 接棒，接着 MiMo、Qwen、阿里开源系列、腾讯混元 Hy3 和 DeepSeek 又洗了一次牌，最近美国实验室 Arcee 也冒出来了。 这个数据值得看，但得先打个折。OpenRouter 本身是个模型路由平台，天然吸引对成本敏感、愿意频繁切换模型的开发者，不能直接代表整个 AI 市场的用量分布。正文也没披露这些 token 里有多少是生产流量、多少是测试流量，以及开源模型在绝对推理收入上跟闭源的差距。另外，模型换来换去本身就说明开发者还没把信任完全押在某一家身上，生态还在早期混战阶段。 还缺什么：没有按任务类型拆分的用量数据，不知道开源模型是在简单任务上走量，还是在高难度推理上也能打。也没有延迟、成功率这些实际体验指标，光看 token 数容易高估可用性。