AX 严选 · 2026-06-05

这个项目拿Qwen2.5-3B（30亿参数的开源小模型）跑了一个五人森林经济体模拟，跑了15轮。最扎实的结论是：模型在100%的调用里都能吐出格式正确的JSON，这点对于想用小模型做agent管线的人来说是个好消息。但一到经济决策就露馅了，模型分不清该囤柴还是该卖蜜，推理能力明显跟不上。 作者没去微调模型，而是用工程手段硬补。一是给环境加限制，比如食物会坏、冬天缺燃料，逼着模型做取舍；二是优化提示词，直接写明“别买自己生产的东西”并给示例。效果肉眼可见：蜜价从10跌到3，柴价从4涨到7，财富基尼系数从0.14扩到0.38，至少跑出了市场波动的样子。 正文没披露这15轮里模型犯了多少次蠢、人工干预了几回，也没说换个大模型对比会怎样。所以这个“经济体”更像一个精心调参的沙盘，离真正的自主经济决策还差得远。不过它点出了一个实用方向：小模型做格式化执行靠谱，推理短板可以用规则和提示词兜底，成本低，适合跑一些对决策质量要求不高的模拟任务。

谷歌研究院和谷歌云给 Gemini 企业平台加了一套“跨语料库检索”框架，说白了就是让多个 AI 代理分工干活：一个拆解问题做计划，一个改写查询词，一个把问题路由到最合适的数据库，还有一个反复搜、反复验证。这套流程在事实类数据集上准确率比传统 RAG（给模型外挂资料库直接查）最多高出 34%。 不过文章没细说测试用的数据集到底多大、覆盖哪些领域，也没给出延迟和计算开销的数据。多代理协作通常意味着调用次数翻倍、响应变慢，在企业场景里这些成本很关键。另外，34% 是相对提升还是绝对百分点提升，原文表述有点模糊，如果是低基线（比如从 50% 提到 67%）和从 80% 提到 90% 完全是两回事。 还缺的是这套框架在非英语、非结构化文档上的表现，以及代理之间协调失败时的兜底策略。如果只是把流程拆细了但没解决检索质量本身的问题，那提升可能主要来自多轮验证而非架构创新。

这条发布解决了一个很实际的痛点：以前想在 Colab 用 GPU，得打开浏览器、点来点去、手动上传脚本，现在可以直接在终端里敲 `colab --gpu A100` 租卡，然后用 `colab exec` 把本地 Python 脚本扔上去跑。对习惯命令行的开发者来说，省掉了在网页和本地之间来回切的麻烦。 更值得看的是它给 AI 编程助手（比如 Claude Code、Antigravity）准备了现成的技能文件，让这些助手能自己调 CLI 去租 GPU、跑微调任务、下载结果。文章里给了一个完整例子：让 Antigravity 用 T4 实例对 Gemma 3-1B 做 QLoRA 微调，全程只靠几条命令。这个链条如果能稳定跑通，意味着以后可以让 AI 助手自己搞定从租卡到出模型的整个流程。 不过正文没披露价格和配额限制。Colab 的免费 GPU 一直有使用时长上限，CLI 方式是否更容易触发限制、付费版怎么计费，这些都没提。另外，`colab exec` 跑长时间任务时连接断了怎么办，错误重试机制怎么样，也没说明。实际用之前，这两点得先摸清楚。

这波更新里，Gemma 4 12B 最值得关注。它是个统一多模态模型，不用额外编码器就能处理图像和文本，而且能在笔记本上完全离线运行。这意味着部署门槛低，对数据敏感的团队可以直接本地跑，不用联网。但正文没披露具体推理速度和内存占用，实际体验还得等实测。 Co-Scientist 听起来像给科研人员配了个自动读文献、提假设的助手，但多智能体系统在实际科研流程里能不能稳定产出靠谱假设，正文没给验证数据，这点先别太激动。dreambeans 会基于你的 Google 应用数据生成个性化话题，功能有意思，但隐私边界模糊——它到底读了哪些数据、怎么存、能不能关，正文全没提。 Magenta RealTime 2 开源了实时音乐模型，支持 MIDI 键盘和手势演奏，对音乐技术开发者是好事。整体看，这周更新铺得广，但每项都缺关键细节：性能指标、隐私说明、实际用例验证，这些缺口让判断得打折。

Gemini 给 Live 模式加了实时生图和编辑功能，你打开摄像头说句话，它就能当场改画面，比如换墙色、加家具，或者把眼前场景变成梗图。这相当于把图像生成从“打字等出图”变成了“边看边改”的对话式交互，对快速原型和视觉沟通挺有用。 但正文只放了功能描述，没给关键数字。生成一张图要等几秒？支持哪些画风或分辨率？免费用户能用几次？这些全没提。如果延迟超过两三秒，实时感就打折；如果额度很抠，实际可用性也有限。另外也没说编辑是局部重绘还是整图重生成，这对效果影响很大。 还缺的是跟同类产品的对比，比如跟 ChatGPT 的视觉模式或独立生图工具比，它的编辑精度和可控性怎么样。建议等实测数据出来再判断是不是真省事。

Epoch AI 给了一个很直观的宏观标尺：2026 年第一季度，光 AI 相关的数据中心、硬件和网络设备投资就占了美国 GDP 的 0.8%，把整个计算基础设施的 GDP 占比推到了约 1.5%，比之前翻了一倍。这说明 AI 基建已经从科技公司的资本开支，变成了能影响国家账本的支出项。 不过这条推文只给了占比，没拆结构。0.8% 里多少是盖厂房、买 GPU，多少是铺光缆，正文没披露。也没说这个投资增速能不能持续，以及对应的收入端有没有跟上。如果只是供给端在狂砸钱，需求端还没看到同等量级的应用收入，那这个占比越高，反而越值得警惕。 另外，数据来源是 Epoch AI 自己的估算还是引用官方统计，原文也没交代清楚。我会先打个折，等看到分项数据和同比趋势再下判断。

Mira Murati 作为当时短暂接任 CEO 的内部核心，她的说法比外界猜测更有分量。她直接用了“瓦解”这个词，说明当时董事会突然赶走 Sam Altman 对公司运营的冲击比当时公开报道的还要严重，可能已经触及到了投资条款、核心团队出走或者算力合同这些生死线。 不过，这篇报道没给出任何新细节。Murati 没解释董事会当初为什么动手，也没说她自己在任那几天做了什么关键决策稳住了局面。文章只引用了她这一句判断，没有上下文，也没提她是否签署了离职协议限制发言。所以这句话更像是一个事后追认，而不是内幕爆料。 还缺两块关键信息：一是当时到底有多少员工真的准备跟着 Altman 去微软，二是那几天客户和云服务商有没有暂停合作。没有这些，我们只能知道结果很险，但不知道险在哪里。

Hinton这次表态很直接：他认为AI已经有意识了，理由是聊天机器人必须理解问题才能回答，这种觉知就是感知能力。但整篇正文没披露任何实验设计、可复现的判断标准，也没说清楚他说的“意识”到底怎么定义。推文作者自己也补了一刀，说笛卡尔的“我思故我在”和fMRI都定义不了意识，人类对自己的了解其实很有限。 这条信息的价值在于Hinton的身份——他是深度学习领域最有分量的名字之一，他的立场会影响很多人对AI能力的判断。但正因为没给验证路径，这条只能当观点看，不能当事实引用。我会先打个折：一个没有操作定义的“意识”声明，讨论空间很大，说服力有限。 还缺的东西很关键：Hinton到底用什么方法测出“理解”和“觉知”的？是行为测试还是内部表征分析？有没有排除模式匹配的解释？这些信息正文全没给，所以没法判断这个结论有多硬。

苹果这次把新版Siri内部标成Beta，等于提前给用户打了预防针：这东西还不算成品，别抱太高期待。彭博社古尔曼的爆料提到，苹果甚至可能像当初推Apple Intelligence那样设一个等待名单，分批放人进去试。这不像饥饿营销，更像是对服务稳定性和体验没把握时的缓冲手段。 另一个关键信息是，iOS 27的部分Siri请求会转到Google Cloud，调用授权版Gemini模型，并且跑在谷歌的英伟达Blackwell B200集群上。苹果嘴上说坚持本地加私有云、保护隐私，但为了减轻自家服务器压力，还是得把一部分活儿外包给谷歌。这其实挺矛盾的：用户冲着隐私选苹果，结果请求可能跑到谷歌的服务器上转一圈。正文没披露哪些请求会被转发、数据怎么脱敏、谷歌那边能留存什么，这些缺口让隐私承诺打了折扣。 总的来说，新版Siri的发布策略和底层架构都透着一股“边做边改”的味道。Beta标签和等待名单是产品侧的保守，借谷歌算力是工程侧的妥协。现在还缺苹果对Beta阶段持续多久、正式版标准是什么的说明，也没看到对混合云隐私方案的详细技术解释。

这事最让人不舒服的点在于“先斩后奏”。Meta 通过应用更新，把 NameTag 人脸识别的三个 AI 模型（检测、裁剪、生成人脸特征模板）静默分发到了超 5000 万次下载的设备上，但功能并未开启。公司回应称这只是“探索”，还没决定是否推出。但代码已经能跑通完整流程：眼镜拍到人脸，转成生物特征模板跟手机本地库比对，识别成功就弹通知，没认出来的脸会被存进“待处理”文件夹。 技术上看，这套系统跑在手机本地，Meta 也承诺不建中央人脸数据库。但别忘了，这家公司 2021 年才因为人脸识别删了 10 亿用户数据，前后赔了超过 20 亿美元和解官司。现在把核心组件提前塞进用户手机，哪怕没联网，也等于把监控能力预装到位了。 目前信息主要来自安全研究员对 App 的解包分析，Meta 没有披露这个功能的触发条件、数据库来源，也没说“待处理”的人脸数据后续怎么处理。这些缺口才是判断它到底算“探索”还是“试探”的关键。

腾讯混元跟人大高瓴人工智能学院放出了一个叫 PlanningBench 的评测框架，代码和论文都公开了。这东西不是让模型写小作文，而是塞了 30 多个真实场景的规划任务，看模型能不能把一件事拆成可执行的步骤，比如订机票、安排会议这种需要多步推理的活。框架自带自动验证，跑完直接告诉你模型规划靠不靠谱，还能拿这些任务去训练模型，相当于一边考一边教。 不过正文只说了有 30 多个任务，具体是什么类型、难度怎么分档、验证通过率大概多少，一概没提。资源挂在 arXiv、GitHub 和 HuggingFace 上，想用的得自己去扒论文和代码。这点先别太激动，没跑分数据就相当于只给了考场没给成绩单，框架好不好用还得看社区实测。另外，自动验证的规则怎么设计的、会不会有漏判或误判，正文也没交代，这是规划类评测最容易翻车的地方。

汤道生在腾讯云AI大会上抛出一个很猛的判断：今年腾讯大部分代码由AI生成，工程师转向架构设计和指导修正。这个说法本身不意外，大厂内部推AI辅助编程已经两三年了，但“大部分”到底覆盖到什么程度，原文完全没有拆解。是按代码行数算，还是按提交次数、涉及项目占比，这些口径差异会让结论差很多，所以先别把这个数字当实锤。 另外两个数字更实在：去年腾讯在AI新产品上投了180亿元，刘炽平说今年至少翻倍；Q1财报提到他们重构了AI基础设施，搭了Hy3 preview模型。这说明腾讯在AI上的投入确实在猛踩油门，代码生成只是其中一个落地场景。 缺的东西也很明显：没有披露AI生成代码的采纳率、返修率，也没有说这些代码主要用在哪些业务线。如果只是生成大量模板代码或内部工具，和核心产品逻辑由AI主导，完全是两回事。

Tomasz Tunguz 把自己日常的 AI 任务拆成两条车道：简单活（邮件分类、日程安排）由 Mac 本地模型处理，复杂活才扔给云端大模型。过去一周，本地模型最高一天扛下了 88% 的任务量。这套分流设计让平均任务耗时从 47 秒降到 19 秒，排队时间从 73 秒暴跌到 4 秒，整体吞吐量提升了约 25%。 这个数据挺实在，核心逻辑就是别让小事在大事后面排队。他用的是之前蒸馏出来的技能模型，相当于把大模型的能力压缩成一个小模型跑在本地，只把真正需要“大算力”的活交给云端。类比 Nucor 的微型钢厂挺贴切：轻资产、贴近需求、只做自己最擅长的那部分。 不过得打个折。这是单人工作流的实验数据，任务类型、并发量、模型精度要求都没披露。78% 这个比例高度依赖他个人的任务结构，换一个人或换一个业务场景，这个数字可能完全不一样。另外，本地模型处理复杂任务时的错误率和回退机制也没提，如果分错类把重要邮件漏了，省下的时间可能不够补窟窿。