AX 严选 · 2026-06-23

Claude Tag 的核心是把模型从“一问一答的对话框”升级成“频道里的同事”。你 @Claude 派活，它会记住频道上下文、拆任务、异步执行，还能主动提醒你哪些讨论没下文了。Anthropic 自己用得挺狠：产品团队 65% 的代码由内部版 Claude Tag 生成，用法还扩展到了查指标、处理工单和找 bug。 这个产品思路比单纯提升模型能力更务实——它解决的是协作流程问题，而不是去刷基准测试。管理员可以按频道控制工具和数据权限、设花费上限、审计所有操作，企业部署的顾虑被提前考虑了。不过正文没披露异步任务的平均完成时长、错误率，也没说“主动提醒”的准确率有多高。内部 65% 代码生成这个数字很亮眼，但没说明是初始草稿占比还是最终合并代码占比，这点先别太激动。 目前仅对 Enterprise 和 Team 客户开放 beta，跑在 Opus 4.8 上。如果权限控制和成本上限做得够细，这可能是让非技术团队真正用上 AI agent 的一条低摩擦路径。

CUGA 把规划、执行、反思和工具调用打包成一个可配置的智能体，你给工具清单和提示词就能跑。它在 AppWorld 和 WebArena 两个基准上拿了第一，但正文没说明领先幅度有多大、跟哪些框架比过，这点先别太激动。框架提供快、均衡、准三种推理模式，代码可以在本地、Docker 或 E2B 沙箱里跑，工具层兼容 OpenAPI、MCP 和 LangChain 函数，切换模型供应商靠环境变量就行，部署灵活性不错。随框架发布的二十多个单文件示例覆盖了电影推荐、云架构顾问等场景，每个应用只用一个 FastAPI 文件，对想快速试用的开发者比较友好。还缺的信息是：框架本身的开销有多大、在真实业务场景里的稳定性怎么样，以及那两个基准第一的评测细节。

京东把 JoyAI-VL-Interaction 全栈开源了，模型权重、训练数据、部署方案都给了，这点挺实在。它跟传统一问一答的模型不一样，能持续看视频流，自己判断画面里有没有值得说的事，比如老人摔倒、监控异常，然后主动开口。复杂任务还能甩给后台 agent 处理，相当于让模型进了业务流程干活。 盲测数据看着漂亮：58 个人里，对比豆包视频通话助手赢了 77.6%，对比 Gemini 赢了 87.9%，监控预警场景直接 100%。但 58 人的样本量太小，统计意义有限，这点先别太激动。正文没披露测试的具体场景分布、视频时长、难度分级，也没说豆包和 Gemini 用的是哪个版本、什么配置。如果是真的，在安防、养老、直播解说这些实时场景里确实省钱省人，但实际落地效果还得看更大规模、更多样场景的验证。

这条发布最值得看的是把音频生成的门槛打下来了。以前做一段带对白、音效、背景音乐的音频，得分别录音、找素材、多轨混音，现在写一段提示词就能端到端出成品，对短视频创作者来说省事不少。模型支持零样本输入，不用额外训练就能用，还拆开了音色和风格的控制，一个声音能演多个角色，这些设计思路是对的。 但正文没给任何客观评测数据。2分钟生成、多次延长保持音色一致，这些是官方说法，实际在多人对话、情绪切换频繁的场景下，角色会不会串音、背景音会不会压住对白，都没披露。目前只在火山方舟API邀测，个人用户给30分钟免费额度，样本量太小，还看不出真实水平。 我会先打个折。端到端音频生成在学术上不是新东西，难的是工程化后的一致性、可控性和成本。豆包这次把产品路径铺到了剪映、即梦、番茄，说明字节是认真要做创作者工具链的。但到底能不能用、好不好用，得等公开评测和更多用户反馈，现在下结论太早。

Seed2.1 这次把重心放在了“干活”上，而不是跑分。它强调在真实工作场景里的表现，比如在手机操作评测 MobileWorld 上拿了最高分，跨工具任务的平均步数减少了 16%，说明模型在理解屏幕、切换应用、调用工具这些连续动作上更流畅了。写代码方面，开发者盲测中对比 Claude Opus 4.6 有 59.1% 的胜率，这个数字挺实在，但要注意这是字节自己组织的评测，样本量和任务类型没细说，外部公平性还得看第三方复现。 多模态理解在几个图表和文档评测上拿了 SOTA，对处理 PDF、报告这类非结构化信息有帮助。不过整篇公告没提参数量、推理成本和最大上下文长度，这些对实际落地很关键。另外，模型已经在豆包和 TRAE 上线，API 也同步到火山引擎，想试的话可以直接跑跑看，别光看纸面数据。

这篇论文给AI编程智能体设了个硬核考场：从Nature系列已发表论文里抽了90个跨学科任务，让它们在不联网查资料的前提下，复现甚至超越原论文的最优结果。最强的模型配置只在17.8%的任务上真正胜出，判定标准是提升幅度超过0.1。这个数字说明，现在的AI离“独立搞科研”还差得远。 智能体赢的路径很取巧，主要是把各种科学问题翻译成自己擅长的监督学习套路，而不是靠真正的科学洞察或方法创新。输的原因里，大头是选错了方法或算力不够，倒不是没读懂任务。这暴露了一个关键短板：模型在陌生领域缺乏判断“该用什么方法”的元能力。 不过，这个基准本身也有局限。90个任务样本量不算大，而且禁止联网搜索，相当于捆住AI一只手去和全副武装的原论文比。如果开放联网，结果可能会好看些，但那就测不出模型自身的推理和创新能力了。论文公开了代码和排行榜，后续可以盯着看各家模型在这个硬指标上能刷到多少分。