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。

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。

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。

这条消息的核心是：NVIDIA 给“让模型进业务流程干活”的场景做了个专用调度模型。Nemotron 3 Ultra 总参数 550B，但每次只激活 55B，用混合专家架构来省计算量。它主攻的不是单轮聊天，而是多轮、长流程的智能体任务，比如持续写代码、跨几百份资料核对信息。 从官方给的表格看，它在 PinchBench 智能体生产力测试上拿了 91%，跟 Kimi K2.6 打平；在 100 万 token 长上下文测试里准确率 95%，而对比的 Qwen3.5 是 90%，GLM 5.1 和 Kimi K2.6 甚至没测到这个长度。速度方面，Artificial Analysis 的基准显示它比同级模型推理快 5 倍，完成 SWE-bench 这类编程任务的成本能降 30%。 不过这些数字都来自 NVIDIA 自家博客，没有第三方复现或独立评测。另外，正文没披露这个模型在真实业务系统里跑多轮任务时的延迟分布和失败率，只给了基准分数。快 5 倍、省 30% 听起来不错，但得看实际部署时是不是真能稳住。

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。

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。

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。