AX 严选 · 2026-06-25

这份报告最值得看的是收入加速度：2023 年新增 10 亿美元要花 180 天，现在不到两天。这说明企业端花钱的速度在猛踩油门，不是光试不买了。31% 的标普 500 公司在财报电话会上提 AI，但只有 20% 量化了影响，意味着多数人还在讲方向，没亮账本。 Token 降价每 10% 能刺激 12-18% 的用量增长，需求弹性很强，但云厂商的 AI 收入目前只够覆盖基础设施折旧，GPU 的经济账还绑在一个 6 年计算寿命的假设上。电力供应和数据中心成本是下一步扩张的硬瓶颈，报告没给具体缺口数字，这点先别太激动。 整体看，收入盘子不小、增速快，但利润端还很薄。缺的是各行业实际投产后的 ROI 数据，以及电力瓶颈的量化预测。

这条消息最值得注意的不是技术本身，而是政府直接伸手卡住了模型发布节奏。报道说 OpenAI 应特朗普政府要求延迟 GPT-5.6，客户访问变成逐案审批，但正文没披露推迟多长时间、审批标准是什么，也没说 OpenAI 内部是配合还是被迫。这点先别太激动——目前看更像是行政层面的压力，而不是基于安全评估的正式审查。如果是真的，这意味着美国在 AI 模型发布上开始走类似出口管制的路子，但信息缺口太大：没有技术细节、没有时间表、没有双方博弈过程。还缺 OpenAI 的官方声明和政府的书面指令，光靠一篇报道很难判断这是临时动作还是长期政策转向。

OpenAI 把 Codex 搬进 ChatGPT 移动 App，核心逻辑没变：手机负责发起任务、看结果、点批准，实际代码执行仍在笔记本或 Mac mini 上跑。这次更新主要加了通知、目标设定、侧边聊天、文件预览和行内审阅意见，让手机端从“只能看”变成“能管”。一对一设备配对提升了连接安全性，但正文没披露配对的具体技术方案，也没说断连后任务怎么恢复。对开发者来说，这意味着可以在通勤时检查代码输出、批准下一步，不用一直守在电脑前。不过移动端交互受屏幕尺寸限制，复杂审阅体验肯定打折。还缺的信息：移动端支持哪些语言和框架、后台机器的性能要求、以及多设备切换场景下的体验。如果是真的稳定好用，对需要随时盯进度的团队是个省时间的工具，但先别把它当成完整的移动开发环境。

这条消息最值得关注的点不是模型又变强了，而是美国政府直接出手卡住了发布节奏。OpenAI 原计划广泛推的 GPT-5.6，现在只能给一小批合作方用，而且每个客户都要政府点头——这种逐客审批的做法在 AI 行业里很少见。 触发红线的能力是“自动干高水平的网络安全活”。正文把它拆成两面：帮防守方更快找漏洞，也让攻击者加速测试漏洞利用。这个表述本身就说明，模型在漏洞发现和利用测试上已经能跑通端到端的流程，不是只能写脚本片段。但正文没披露具体评测基准、成功率，也没说这个能力是专门训练的，还是通用推理能力溢出到安全领域。 Sam Altman 周四跟员工确认了审批流程，说明内部已经接受这个安排。现在还缺几块关键信息：政府审批标准是什么、审批周期多长、哪些客户能进预览名单。如果审批流程拖太久，等于变相冻结了模型在安全方向上的迭代。另外，这个先例一旦立住，后续其他公司的高能力模型发布也可能被套上同样的流程。

华盛顿邮报的测试结果挺直白：GPT-5.5 的回答里 80% 只给左派论点，DeepSeek V4 Pro 也有 70%，两者都反对死刑，尽管美国多数民众几十年来一直支持。这基本坐实了主流模型在政治光谱上的一致性偏左。 比较意外的是 Google 的 Gemini 3.1 Pro，93% 的回答能同时呈现左右两方观点，成了唯一一个明显追求平衡的异类。xAI 的 Grok 4.3 虽然右派回答比其他模型多，但纯左派回答依然占多数。文章提到它在跨性别权利问题上给出了完全右翼的立场，和马斯克的公开表态一致，暗示可能有人为干预。 测试方法上，正文没披露具体问了哪些问题、怎么定义“左/右”，也没说明样本量。如果问题本身就有倾向性，或者分类标准粗糙，结论就得打个折。另外，Gab 的 Arya 这类标榜保守的模型也偏左，文章归因于训练数据同源甚至可能蒸馏了其他模型的输出，但没给出直接证据。

Google 把 Computer Use 塞进了 Gemini 3.5 Flash，模型现在能看屏幕、点按钮、滑页面，在浏览器、手机和桌面上跑长时间任务。这次更新给了几个实用的东西：内置了对手机和桌面操作系统的支持，不用自己搭环境；每次函数调用都会带上意图参数，方便你判断模型想干嘛；还加了可定制的人工接管机制，关键时刻能把控制权交回给人。安全方面提到了提示词注入检测和动作级安全策略，但具体怎么实现、误报率多少都没说。 我会先打个折。正文没披露定价和延迟数据，这对实际落地很关键——如果跑一个任务要等十几秒，或者按调用次数算钱很贵，那自动化 QA 测试和业务流程这些场景就不太现实。另外，长时间任务的可靠性也没给任何指标，比如任务中途会不会跑偏、需要人工接管的频率是多少。 如果是真的省钱又稳定，那对需要跨应用操作的工作流是个好消息。但现阶段缺的信息太多，建议等真实用户的可靠性报告出来再判断。

这家公司想用玩家在游戏里的按键、鼠标移动和一连串决策，来教模型理解物理世界。逻辑比纯文本训练多了一层“行动数据”——不是看人怎么说，而是看人怎么做。他们打算把训出来的模型卖给机器人公司和游戏开发商，相当于把游戏当成一个低成本、可复现的物理模拟器。 3.2 亿美元融资额不小，但正文没写估值，也没说钱是谁给的。这轮到底是真看好技术路线，还是赌创始人的背景，目前看不出来。另外，游戏数据能覆盖的物理场景毕竟有限——在《堡垒之夜》里学会的直觉，能不能迁移到真实仓库里搬箱子，正文没给出验证结果。 还缺两个关键信息：一是模型在真实机器人任务上的测试成绩，二是游戏录像的版权和数据使用权怎么解决。如果这两点没公开，这 3.2 亿更像是一张昂贵的入场券，离“通用 AI 智能体”还有距离。

LMSYS 和 NVIDIA 在 SGLang 里塞了两个新机制，专门解决 DeepEP 在做 MoE 推理时 GPU 之间工作量不均的问题。Waterfill 的思路很直接：把共享专家的请求丢给当前最闲的 GPU，在 DeepSeek V3/R1 上吞吐量提升了 1.48% 到 4.66%，在 DeepSeek V4 上从每秒 49253 个 token 提到了 51677 个，涨了 4.92%。LPLB 则用线性规划来给冗余专家副本分配 token，同样场景下吞吐量提升 0.84% 到 7.34%。两个方法都不影响模型准确率。 提升幅度不算大，但考虑到这是纯运行时优化、不改模型权重，白捡的算力还是划算的。不过正文只报了吞吐量，完全没提延迟有没有变差。对于在线服务来说，延迟抖动比吞吐量更敏感，这点信息缺口让人没法判断实际部署效果。另外，测试只跑了两台 Hopper GPU 节点，更大规模集群下的表现还不清楚。

Ornith-1.0 这套模型专门干一件事：让模型自己动手写代码、改代码、跑终端命令，不是只给建议。四个尺寸从 9B 到 397B 全 MIT 开源，SWE-Bench Verified 拿了 82.4 分，Terminal-Bench 2.1 拿了 77.5 分，都是开源里目前最高的。训练方法有点意思，用强化学习同时优化任务脚手架和最终方案，相当于让模型边干活边改进自己的执行框架，不是死板地按预设流程走。 但正文没披露训练成本、推理延迟和硬件要求。397B 的 MoE 模型虽然参数大，实际激活多少参数、本地跑要几张卡，这些关键信息全缺。GGUF 版本说支持 Ollama 本地跑，但 397B 模型在消费级硬件上能不能跑得动，先别太激动。另外 SWE-Bench 分数高不代表真实项目里也好用，基准测试和实际工程场景的差距一直存在。 还缺的是：这套模型在复杂多文件项目里的表现、跟闭源模型比如 Claude 在同样任务上的对比、以及长期自主编程时会不会越改越乱。如果训练成本确实低，那 MIT 协议下直接拿来微调做内部工具挺划算；如果成本高但没公开，就得等社区实测反馈了。

VitaBench 2.0 把评测拉到了接近真实生活的尺度：56个虚拟用户，每人平均1580天的交互记录、2093个事件，任务有819个，偏好还会动态变化超过2000次。这不是让模型答几道题，而是看它能不能在长达数年的时间跨度里，记住一个人的习惯变化、在合适的时候主动问问题、调用66个工具去完成具体的事。 目前最强的 Claude-Opus-4.6 在开卷模式下平均分刚过0.5，说明整体水平还很低。两个值得注意的发现：一是开了思考模式对个性化任务不一定加分，有时候反而帮倒忙；二是所有模型一到需要主动提问的场景，分数就断崖式下跌——模型还是更擅长被动回答，不太会主动搞清楚用户到底要什么。 正文没披露这56个虚拟用户是怎么生成的、偏好变化的规律是否贴近真人分布，也没说819个任务的难度分级和具体类型占比。这些信息缺口会影响我们对基准本身质量的判断。另外，评测只跑了 Claude-Opus-4.6 一个最强模型的数据，其他模型的横向对比没给全，这点先别太激动。

Meta把一半的内容审核交给大语言模型，还打算年底前把部分内容类型的AI审核比例推到90%以上。公司给出的理由是自家模型比人工审核错误少13%，能多揪出10%的违规内容，一年能省几十亿美元。这个数字听起来很漂亮，但得打个折——内部员工的说法是，模型还是会误删或悄悄限流（影子封禁）一些根本没问题的内容，而且铺开速度太快，监管完全跟不上。 另外有个细节值得注意：Meta后台正在把审核模型从Google的Gemini换成自家的Muse Spark，训练数据是过去人类审核员的决定。这等于说，模型学的是“人以前怎么判”，但人以前判得对不对、有没有偏见，正文没披露。如果训练数据本身就有问题，那13%的错误率下降可能只是换了一种错法。 现在还缺几块关键信息：一是误删和限流的真实比例到底是多少，公司没给；二是所谓“省钱”是省了人力成本，还是把风险成本转嫁给了用户和创作者；三是外部监管机构对90%这个目标的合规评估还没看到。如果这些补不上，Meta说的质量提升就先别太当真。

这条指控目前只有Anthropic单方面发声，正文没给出任何技术细节或证据，连“逆向工程”具体指什么操作都没说清楚。阿里那边还没公开回应，所以整件事还停留在“一方说另一方偷了东西”的阶段。 如果指控属实，说明闭源大模型的技术护城河可能比大家想的浅，靠工程手段就能把核心能力抽走。但信息缺口太大，没法判断这是真有实锤，还是商业竞争里的施压动作。 接下来要看两点：Anthropic会不会拿出可验证的证据，比如模型输出对比、内部水印检测结果；阿里会不会正面回应，而不是沉默或发公关声明。这两样缺一个，这事就只能当八卦看。

这条更新解决了一个很实际的痛点：编程助手在推荐模型时，训练数据通常滞后几个月，根本不知道当前哪个模型便宜、哪个跑分高。OpenRouter 这次直接把模型目录、基准测试排名、实时价格和文档打包成一个远程 MCP 服务器，Claude Code、Cursor 等工具加一行命令就能调用。助手可以按价格、上下文长度筛选模型，发测试提示词，还能并排对比不同模型的回复和成本。 安全设计上，首次登录会生成一把专用密钥，7 天有效，默认消费上限 10 美元，防止代码自动调用时账单失控。不过正文没提这个 MCP 服务器本身是否收费，也没说明超出 10 美元上限后是直接停掉还是需要手动提额。另外，所有工具都依赖 OpenRouter 自己的数据和排名，如果你常用的模型在它平台上表现一般，推荐结果可能会有偏差。