AX 严选 · 2026-06-04

这条消息来自 Sam Altman 的个人推文，只有一句话，说 ChatGPT 记忆功能今天有重大升级。正文没披露任何具体信息：记忆机制到底改了什么、覆盖免费还是付费用户、有没有新增控制选项、是否收费、以及分批推送的时间表，全都没提。 对从业者来说，记忆能力直接影响模型在长对话和个性化场景里的表现，如果真有大改，值得关注。但就目前这条推文提供的信息量，完全没法判断实际变化有多大。我会先打个折，等 OpenAI 官方出详细说明再评估。 还缺的东西很明确：技术细节、用户权限设计、隐私相关的处理方式、以及这次升级和之前记忆功能的区别在哪。这些不补上，光靠一条推文说“重大升级”，说服力不够。

Anthropic 在 GitHub 上放出了 defending-code-reference-harness，一个让 AI 模型直接进安全流水线干活的框架。它把威胁建模、漏洞扫描、结果分拣和打补丁串在一起，核心是一个可以自己跑的扫描引擎，你可以按需求改规则和流程。仓库目前有 611 个星标和 54 个复刻，说明社区有一定关注度，但还远没到爆火的程度。 这套东西的卖点是“自主扫描”，也就是让模型自己决定扫哪里、怎么扫，而不是按固定规则跑。但正文没披露任何基准测试结果，比如扫出了多少漏洞、误报率多少、比传统 SAST 工具强在哪，这些关键指标全是空白。也没说这套框架是 Anthropic 内部在用的，还是专门为开源做的演示项目。 对想试试的人，我会先打个折：框架本身是开源的，可以拿来跑，但别指望开箱就比现有工具好。它更像一个参考实现，告诉你“AI 驱动的漏洞发现”大概长什么样。真正要落地，你还得自己喂数据、调流程、验证结果。另外，它和 Claude 模型的绑定程度、是否需要 API 调用、成本如何，正文也都没提，这些在实际用之前都得搞清楚。

Ethan Mollick 这篇其实是新书《Co-Existence》的预告，核心观点很明确：过去那种把 AI 当聊天机器人、靠提示词来回磨合的“协同智能”已经不够用了，因为 AI 公司的目标一直是造出能自己干活的智能体。他拿编程领域举例，说 2025 年底出现的编程智能体让这个转变变近了，并引用了两项数据——一项研究称代码产出量翻了 17 倍，Anthropic 也声称自家 80% 的代码现在是 AI 写的，每个开发者的交付量是之前的 8 倍。 这些数字看着很猛，但得打个折。正文没披露那项“17 倍”研究的样本量、代码质量评估标准，也没说 Anthropic 的统计口径是什么，比如是代码行数占比还是提交次数占比。Mollick 自己也承认 AI 能力边界是锯齿状的，有时比人强，有时不行，所以新书要讲的是怎么在这种“时好时坏”的状态下共存。他还提到 AI 写长文不行，故事讲不好，文风也容易露馅，所以这本书的每一章草稿都是他自己写的。 整体来看，这篇文章的价值在于提供了一个来自一线观察者的判断框架，但支撑这个框架的量化证据还很单薄。如果真想评估智能体对工作的冲击，还需要看更多行业、更多任务类型的对照实验，而不是只盯着编程这一个场景。

这次更新把内容审核从“事后检查”变成了“同步出分”。以前你得先调生成接口，再拿结果去调审核接口，现在 Responses API 和 Completions API 的返回里直接带安全分数。对开发者来说，最直接的好处是少写一次调用逻辑，延迟上可能也省掉一轮网络往返。 但正文没披露这个内置审核的延迟增量、误判率，也没说和独立的 Moderation API 比准确度差多少。如果你现在的业务对延迟敏感，或者审核标准很严格，这点先别太激动，得自己压测看看。另外，分数怎么用完全由你决定——记日志、做路由分发、人工复核还是直接拦截，灵活性是给了，但也意味着你得自己定阈值和处置策略。 还缺一个关键信息：这个审核覆盖哪些类别，和独立接口的覆盖范围是否一致。如果范围缩水了，那“省一次调用”的代价可能是漏判。

MRT2 最实在的地方是延迟压到了 200 毫秒以内，这个数字对实时演奏来说基本跟手，不会让你弹完一个音等半天才出声。模型权重和推理引擎都开源，意味着你可以自己部署、改参数，不用被云服务绑死。配套给了应用和插件套件，降低了上手门槛，不是只扔个模型让你自己折腾。 不过正文没披露模型的具体参数量、训练数据规模和版权处理方式，这些直接决定生成音乐的质量天花板和商用风险。也没提除了 MacBook 之外其他硬件的表现，Windows 或 Linux 上能不能跑到同样延迟还是未知数。手势控制的精度和延迟也没给具体数据，这点先别太激动。 整体看，这是一个把实时 AI 音乐生成从实验室推到桌面级的尝试，开源和低延迟是核心卖点。但缺了训练数据和版权说明，商用前得自己掂量。

OpenAI 给 Codex 加了个 Build iOS Apps 插件，现在你可以在 Codex 的内置浏览器里直接预览和测试 iOS 应用，打开 SwiftUI 预览，改完代码还能热重载，不用在 Xcode 和 Codex 之间来回切。这对做 iOS 开发的人来说，省了一个切换工具的动作，写代码和看效果能在同一个窗口完成。 但这条消息信息量很薄。正文没披露这个插件是 OpenAI 官方做的，还是社区第三方贡献的。也没说支持哪些 iOS 版本、模拟器还是真机、SwiftUI 之外是否支持 UIKit。热重载的延迟和稳定性也没提——这类功能在 Xcode 里有时候也会卡，Codex 的浏览器里跑能不能稳住是个问号。 另外，这个插件目前看起来更像一个预览和快速迭代工具，离完整的 iOS 开发流程还差调试、性能分析、证书管理这些环节。如果你已经在用 Codex 写 Swift，这个更新值得试试，但别指望它能替代 Xcode。

这条更新把建店门槛压到了“说句话”的程度。Replit Agent 现在能直接帮你搭店铺页面、创建 Shopify 商店并上架商品，建完去 Shopify 认领、设好支付就能开卖。对想快速试水电商的人来说，省掉了从零搭页面和手动传商品的时间。 但正文没披露几个关键信息：这个功能是免费还是收费、支持哪些地区、什么时候正式上线。没有这些，目前更像一个概念演示。另外，Agent 生成的页面质量、商品描述的准确度、能不能处理复杂的 SKU 和变体，这些都没提。如果只是套个模板加几张图，那省的时间有限；如果能根据商品类型自动优化页面结构和文案，才算真有用。 我会先打个折：等上线后看实际建店效果和成本再说。

Higgs Audio v3 是一个约 4B 参数的语音合成模型，底层用了 Qwen3-4B，相当于让一个语言模型学会了说话。它最特别的地方是流式生成：不用等句子结束就能开始合成，后续文本到了还能保持声音、情绪和节奏连贯，这对语音助手这类需要即时响应的场景很关键。模型支持 100 种语言，内部测试的词错率/字错率压到了个位数，说明准确度不错。开发者还能直接在输入文本里插标签来控制 20 多种情绪、风格和音效，灵活性比传统 TTS 高出一截。 不过，这篇公告主要讲的是架构和部署方式，没有给出首包延迟、实时率或并发吞吐这些硬指标。对于实际业务来说，这些数字比参数规模更重要。另外，模型权重和推理代码虽然提到了可以自己部署，但正文没披露商业授权条款，想商用的人得自己去确认。

这篇对话没在画饼，而是从经济学角度拆了一个很实际的问题：机器能无限复制，但芭蕾舞演员、咖啡师这类“真人服务”的数量是固定的。如果未来大家就是愿意为“人给人服务”买单，那人的参与就成了硬通货，价值会往这里流。这个判断挺直觉，但确实点出了自动化时代一个可能的价值锚点。 不过，整篇内容更像概念推演，没有给出具体模型或数据支撑。比如，到底有多少人、在多大程度上会坚持“非人不可”，正文没披露；这种偏好会不会随着 AI 服务质量提升而改变，也没讨论。另外，嘉宾 Alex Imas 是 Google DeepMind 的 AGI 经济学负责人，这个身份本身带着立场，读的时候可以打个折。 还缺一块很关键：如果“真人服务”真的成了稀缺品，那它能不能撑起足够大的经济规模，让大部分人靠这个吃饭？这点对话里没展开，但直接决定了这个判断是锦上添花还是能当救命稻草。

Nex-N2-Pro 是 neolab 在 Qwen3.5-397B-A17B 基础上改出来的推理模型，用了混合专家架构，总参数量 397B，能处理 26 万多字的长上下文，也支持看图。官方说它在 Terminal Bench 2.1、GDPVal、SWE-Verified 这几个测试集上拿了最高分，性能对标 GPT-5.5 和 Claude Opus 4.7。 我会先打个折。目前所有分数都来自官方自报，正文没披露独立评测或第三方验证，也没给出和 GPT-5.5、Claude Opus 4.7 的逐项对比数据。一个值得留意的点是它声称能自动调节推理深度，减少 30-50% 的思考 token 且不掉性能——如果属实，意味着推理成本能砍掉近一半，但同样缺实测佐证。 硅基流动已经上线了这个模型，前两周免费，想试的话成本不高。建议重点测它擅长的编码和工具调用场景，看看减少思考 token 后是不是真的不掉链子。

OpenRouter 的 Jacky Liang 花了 482 美元推理费，把 11 个模型扔进一个 2D 大逃杀游戏里跑了 30 局。结果挺反直觉：赢最多的是 Grok 4.1 Fast，拿下 13 局，每局成本只要 0.97 美元。Claude Sonnet 4.6 赢了 5 局，但每局成本高达 26.78 美元，贵了 27 倍。最会杀敌的是 GPT 5.4，干掉了 38 个对手，却只赢了 2 局。 这个测试有意思的地方在于它测的不是刷榜能力，而是实时决策。Grok 赢在快和狠，Claude 输在太“友善”——它反复在游戏里喊话要组队，还主动暴露位置。正文没披露具体延迟数据，也没说模型调用有没有做思维链或工具使用限制，所以不能直接当成生产环境选型依据。 还缺什么：30 局样本偏少，运气成分不小；只测了一款游戏，换种规则结论可能完全不同。另外，正文没提各模型的推理延迟分布，这对实时场景比胜率更关键。

微软AI负责人Mustafa Suleyman直接说Anthropic的模型成本太高，公司已经在开发内部替代模型来降本。这事有意思的地方在于，微软一边给OpenAI投了几百亿美元，一边还在大量采购别家模型当备选，现在连备选都觉得贵了，说明大模型在商业落地时的成本压力比外界想的更大。 但正文没披露几个关键信息：自研模型是基于开源方案改的还是完全从头训、性能对标的是Anthropic的哪款模型、具体能便宜多少、什么时候上线。没有这些数字，这个表态更像是在跟供应商砍价，而不是一个马上能落地的技术方案。 另外，微软自己就是云计算巨头，如果连它都觉得第三方模型贵到要自研，那中小公司用这些模型做产品的账就更难算了。这点值得关注，但得等微软拿出具体模型和价格对比再下判断。

这次更新的核心是把记忆从“手动记笔记”变成了“后台自动整理”。旧版记忆依赖你明确说“记住我七月去新加坡”，没记的它就忘。新架构叫 Dreaming，会在后台翻你的历史对话，把零散信息合成一个关于你的摘要，官方说能解决信息过时和记不全的问题。 从放出的截图看，你可以查看、修正或删除它总结出的内容，控制权还在用户手里。但正文没披露这套后台合成多久跑一次、数据保留多久、默认是开还是关。这些直接关系到隐私感受和实际可用性。 另外，官方只提了“更省算力”，没给具体数字，也没说跨对话引用的准确率提升了多少。如果是真的省算力又能保持上下文新鲜度，对长期项目协作会挺有用。但没看到第三方评测或用户反馈前，这点先别太激动。

OpenJarvis 把个人 AI 助手拆成了五个能独立工作的模块：推理、调用外部工具、记忆、学习，还有一个“自我”模块来协调它们。这套设计的目标很明确——让你的数据留在自己设备上，不用上传到别人的服务器。 他们在设备端用小模型跑这套流程，效果只比顶尖云端模型差 3.2 分，但每次调用的边际成本直接砍了约 800 倍。这个数字挺吸引人，不过得先打个折：文章没说明这 3.2 分是在什么评测集上跑出来的，也没提具体用了哪个小模型、在什么手机上测的延迟和功耗。如果是在高端设备上跑一个裁剪过的任务，那实际体验可能跟宣传有差距。 还缺一个关键信息：这个“自我”模块到底怎么协调其他模块，文章没展开。另外，本地记忆和学习的长期稳定性、跨 App 调工具的兼容性，这些都没给数据。整体看，思路对路，但离“装到手机上就能用”还差不少工程验证。

Ideogram 4.0 把文字和图像放在同一条处理流水线上，用 Qwen3-VL-8B 当文本编码器，这让它生成带长文本的图片时准确率明显提升，适合海报、封面这类需要精确排版的场景。另外，训练时让模型理解了元素的位置关系，你用提示词就能指定版式和对象布局，不用再靠抽卡碰运气。 DesignArena 的排名是隐藏模型名后由人打分，排第 4，说明审美上确实能打。但正文没披露推理成本、生成速度，也没给出和 Flux、SD3 等开源模型的直接对比数据。93 亿参数不算小，本地跑起来对显存要求不会低。 还缺的是：这个模型对中文文字的支持到底怎么样，以及它用的训练数据有没有版权争议。开源权重是好事，但能不能真正用起来，还得看社区后续的量化版本和配套工具跟不跟得上。

Cloudflare Radar 统计了 5 月 28 日到 6 月 4 日这一周的全球流量，发现所有 HTML 网页请求里，57.5% 来自爬虫、AI 抓取和自动化脚本，真人浏览器只占 42.5%。这是机器人流量头一回超过人类。如果把所有 HTTP 返回内容都算上，JSON 格式（主要是机器对机器的 API 通信）占了 33.1%，排第一，HTML 只占 12%。 这个数据说明两件事：一是 AI 公司大规模抓取网页做训练，爬虫量确实在暴涨；二是互联网的流量结构早就变了，机器之间的 API 调用才是大头，人看网页反而是小头。但要注意，Cloudflare 统计的是经过它网络的请求，不是全网普查，而且只算 HTML 请求的话，很多视频流、下载流量没算进去，实际真人产生的数据量可能比这个比例大。 正文没披露机器人流量里 AI 爬虫具体占多少，也没区分善意爬虫（搜索引擎）和恶意爬虫。这点先别太激动，57.5% 这个数字更像一个信号，提醒我们互联网的基础设施正在被机器流量重塑，但具体影响多大，还得看更细的拆解。

联合国大学这份报告给AI热潮泼了盆冷水，直接点出一个被很多人忽略的事实：AI不是飘在云端的纯软件，它背后是实打实的水、电和土地。去年全球数据中心用了448太瓦时电，比沙特全国用电还猛，其中AI算力就吃掉五分之一；水用了4.5万亿升，够撒哈拉以南非洲6亿多人用。到2030年，这些数字预计全部翻倍，电涨到945太瓦时，相当于日本全国用电量，AI的耗电占比也会跳到40%。 报告主笔人提醒得很直接，现在行业一味比谁建得快，把可持续的基本准则盖过去了。在部分资源本就紧张的地区，数据中心无序扩张会直接跟当地抢水抢电。不过报告正文没披露这些预测的具体模型和假设条件，比如是按当前芯片能效线性外推，还是已经考虑了未来技术迭代。这点信息缺口挺关键，因为如果算力效率大幅提升，实际数字可能没那么吓人。另外，报告也没给出不同区域的具体影响分布，只说“部分区域”会有冲突，缺了这层，政策制定者很难对症下药。

Hugging Face 重新设计了 hf CLI，让它能自动识别调用方是人还是编码智能体（比如 Claude Code、Codex）。如果是智能体在调，输出会从给人看的表格自动切换成紧凑、不截断的 TSV 格式。这个思路很直接：让模型少读废话，省 token 就是省钱。他们自己的测试显示，在复杂多步任务里，不用这个 CLI、自己拼 curl 或调 Python SDK 的智能体，token 消耗最多能高出 6 倍。 不过这个 6 倍的对比基准是“裸写 curl 或 SDK”，不是跟其他优化过的工具链比，所以实际收益得打个折。另外，测试任务都是围绕 Hugging Face Hub 本身的操作，没覆盖更通用的开发场景。正文也没披露测试了多少个任务、任务难度分布和成功率，只给了 token 消耗的倍数，没法判断是不是牺牲了任务完成质量换来的省 token。 对经常让智能体操作 HF Hub 的团队来说，这个更新值得跟进，至少能省一笔推理成本。但如果你家智能体的工作流不重度依赖 HF Hub，先别急着换工具链，等第三方在更杂的任务上跑出对比数据再说。