AX 严选 · 2026-07-17

Cursor 的评估负责人亲自下场写博客，这事本身就值得看一眼——工具方直接告诉你他们怎么判断模型能不能打，比看通用跑分实在。他们用的 CursorBench 专挑那种连真人都头疼的长尾编程问题，不是刷题榜，所以 72.9% 这个数含金量比普通基准高。 但信息缺口也很明显。正文没公布上一代模型的基线分，也没说测试集到底有多少道题、具体长什么样。没有基线，这个“跳了一大截”就没办法量化——是 10 个点还是 30 个点，差别很大。另外，测试集如果太小，分数波动会很大；题目如果偏重某种语言或场景，结论也不通用。 我的判断是：这个数字说明 Claude Fable 5 在 Cursor 的真实工作流里确实变强了，方向可信。但如果你要拿它做采购决策，最好等 Cursor 公开更多细节，或者自己拿内部项目跑一遍。毕竟工具方测自己用的模型，天然有利益关系，数字会挑好看的放。

OpenAI 这篇东西本质上是给企业财务负责人看的采购思路，核心是把算账逻辑从“买 token”扭到“买结果”。他们提的“有用智能每美元”框架不算新概念，但把问题拆得挺清楚：先定义什么叫活干完了，再算干成一件合格的事总共烧了多少钱，最后看规模上去后单价能不能降。 文章拿刚发的 GPT-5.6 三个档位举了例子，其中 Sol 在 DeepSWE v1.1 编程测试上跑到 72.7%，比 Claude Fable 5 的 69.9% 高一点，估算的 API 成本低了 36.2%。但这里有个坑：正文没披露 Sol 的具体定价，也没说这个成本估算是怎么算出来的，是只算了 API 调用费还是把重试、人工复核都摊进去了。所以“便宜 36.2%”这个数只能当个参考方向，不能直接拿来批预算。 另外，文章只比了编程场景，其他业务场景的性价比完全没提。如果你公司主要用 AI 做合同审查或者客服，这篇指南只能给个框架，具体数字得自己拿内部数据跑一遍。

Wan-Streamer v0.2 把音频、视觉、语音和动作生成全塞进一个 Transformer，端到端响应只花 550 毫秒，比上一代快了不少。输出分辨率从 192×336 提到 640×368，帧率 25FPS，画质确实上了一个台阶。架构上用了 Thinker-Performer 双通路，一边负责想、一边负责演，试图在质量和速度之间找平衡。 不过正文没披露参数量、训练数据规模和具体发布时间，这些信息直接决定模型能不能跑在消费级硬件上、以及实际部署成本。550ms 的延迟数字看着漂亮，但没说明是在什么硬件、什么并发条件下测的。如果是真的挺省钱，那对实时交互场景是个好消息；如果只是实验室理想环境跑出来的，就得先打个折。 还缺的是多轮对话稳定性、长视频生成质量，以及跟其他全模态模型的横向对比。这些不补上，很难判断它到底是个工程优化还是架构突破。

Kimi K3 在 Frontend Code Arena 拿了 1679 分，7 个前端子任务里 6 个第一，压过了 Claude Fable 5 和 GPT-5.6 Sol。这个跑分说明它在写网页界面这件事上确实强，但要注意这只是前端编码一个细分方向，不代表通用能力也碾压。模型本身是 2.8 万亿参数的 MoE 架构，上下文窗口能塞 100 万 token，大概是一套《三体》三部曲的量，适合扔进大段代码或文档让它干活。 定价每百万 token 15 美元，没走低价路线，直接对标闭源头部。7 月 27 日开放权重，到时候可以自己部署，但正文没披露模型体积和推理硬件要求，部署成本现在没法算。另外，跑分数据来自官方发布，没有第三方复现或用户实测反馈，这点先别太激动。还缺的是：其他编码场景（后端、全栈）的表现、实际 agent 工作流里的稳定性、以及开源后的社区验证。

这篇文章的核心判断很直接：生成式AI不是跑得太快，而是工程上做得太糙。作者用自己买硬盘的经历把问题具象化了——两年前350美元，现在800美元还买不到。文章引用的数据也够硬：AI公司可能买走了全球约70%的高端内存，部分笔记本价格涨了50%，有预测说入门级电脑到2028年会直接消失。美国数据中心容量计划几年内翻八倍，电力缺口大到有人把喷气发动机改成电源。 文章把AI和视频流媒体、智能手机、物联网做了对比，指出那些技术普及的时候并没有引发这种级别的零部件短缺。这个对比挺有说服力，说明问题不在需求大，而在资源利用效率低得离谱。 不过文章主要讲的是硬件成本和供应链挤压，对模型训练和推理环节的具体能耗效率着墨不多。正文没披露那70%内存占比的数据是怎么算出来的，也没区分训练和推理各占多少。这点先别太激动，但方向是对的——如果一项技术要靠吸干消费电子供应链来续命，那它现在的工程方案确实该被质疑。

这条消息最值得关注的点是“完全开源”和“长视频”。现在多数能处理音视频的模型都盯着十几秒的短视频，AV-Flamingo 直接瞄准了真实世界里几分钟甚至更长的复杂视频，比如一场完整的会议或一段监控录像。它用了约 700 万条带时间戳的标注数据，分三个阶段训练：先学会看短片段，再逐步学会把多个事件串起来做长线推理。为了让推理过程不瞎猜，团队还搞了一套叫 TAVI-CoT 的框架，强制模型把每一步思考都对应到视频里的具体时间点上，这比单纯给个答案要靠谱得多。 在 15 个以上的测试集上，它的成绩明显超过同尺寸的开源模型，甚至在部分长视频任务上能打平或超过更大的闭源模型。不过，论文目前只给了基准测试的分数，没披露它在真实业务场景里的延迟和资源消耗。长视频推理的计算量很大，实际部署时跑不跑得动、成本划不划算，这些关键信息正文还没提。另外，700 万条数据听起来不少，但具体覆盖了哪些场景、有没有偏科，也需要看后续放出的数据细节才能判断。