AX 严选 · 2026-07-21

OpenAI 正式上线了广告平台，让品牌在 ChatGPT 里投广告。官方强调广告会明确标为“赞助”，和模型回答分开显示，用户也能控制自己的数据是否用于广告投放。Best Buy、Lowe's 和 VistaPrint 是第一批试水的品牌，Best Buy 的媒体副总裁说早期结果“令人鼓舞”。 但这份公告更像招商页面，关键信息全缺：没写具体价格、竞价机制、在哪些地区开放，也没说广告是按用户提问内容触发还是固定位展示。Best Buy 说的“早期结果”也没有任何数字支撑，转化率、点击成本一概没有。 对从业者来说，这验证了 ChatGPT 的商业化方向，但想评估投放价值还太早。我会先打个折——等看到实际竞价逻辑和效果数据再说，现在只能算个信号。

Poolside 在 OpenCode 上把 Laguna S 2.1 完全开源了，100 万 token 的上下文窗口是个实打实的亮点，意味着你可以把一整个中型项目的代码库或者几百页的技术文档一次性丢进去，不用再费劲切块。这对做代码生成和长文档理解的开发者来说，省了不少工程上的麻烦。 但正文没披露参数量、训练数据来源和任何基准测试成绩。不知道模型到底多大，也不知道它在哪些任务上比前代强、强多少。开源是好事，但如果连基本的跑分都不给，就很难判断它跟同期的开源模型比到底处在什么位置。 我会先打个折：免费和长上下文是诚意，但缺了关键指标，实际效果还得等社区跑完评测再说。如果你打算用在生产环境，建议先拿自己的任务测一轮，别光看宣传就切过去。

Josh Bleecher Snyder 这篇博客的核心判断很直接：把 Claude 当成编译器是分类错误，它比编译器强。编译器只负责把源码变成二进制，而 Claude 能同时处理战略、产品、架构和机器码，不用安排会议。他用自己搭分布式 DNS 服务器的经历举例：多个 agent 循环按同一套设计去实现，却在数据库回滚这种边界情况上做出了完全不同的选择，暴露了编译器永远不会碰的隐性决策。 这个观察的价值在于，它点出了 AI 编程工具真正的优势不是替代某一层，而是打穿层级。传统软件工程里，愿景到二进制要经过高管、产品经理、架构师、工程师、编译器，每一层都在做决策、加细节，但层级之间的沟通成本极高。Claude 这类模型能垂直贯穿这些层，虽然单点能力不如资深人类，但省掉了组织开销。 不过文章没给出量化数据，比如 agent 循环的具体成功率、决策一致性有多差，或者这种跨层工作方式实际省了多少时间。正文只提了“偶尔要等几分钟 DNS 传播”这种模糊描述。另外，他提到的“vibe-engineering”听起来像靠感觉调 prompt，但没展开具体怎么控制 agent 的输出质量。这点先别太激动，等有更多工程数据再说。

Karpathy 这条分享挺实在，他描述的不是什么新技术，而是一个使用习惯的转变。以前我们跟模型对话，总习惯把问题先在自己脑子里整理好，再一句句喂给它，生怕它听不懂。他反过来，把最原始、最乱的思考直接倒给模型，让模型去干提炼和梳理的脏活。这其实点出了一个被低估的能力：现在的大模型在处理长段、低信噪比语音输入时，意图抓取和重构能力已经强到可以当个耐心的倾听者和编辑了。 不过这条帖子的信息缺口也很明显。他没说用的是哪家的模型，是 GPT-5、Gemini 还是别的。不同模型在长语音转文字、上下文窗口和逻辑梳理上的表现差异很大，这个体验不一定能直接复现。另外，10 分钟这个时长是他个人的舒适区，还是模型能力的一个甜点区，也没法判断。如果换成更技术性的讨论，比如代码逻辑或架构设计，这种漫谈式输入还能不能保持高对齐度，也得打个问号。 总的来说，这个工作流值得一试，成本很低，就是改变一下自己的输入习惯。但别把它当成一个普适的结论，先拿你手头的模型试试，看它吃不吃得消你的意识流。

Tunix 解决的是一个很实际的工程痛点：用强化学习训智能体时，模型经常要等外部工具（比如搜索、代码执行）返回结果，这段时间 TPU 就闲着。Tunix 的做法是把“干活”和“学习”拆开，当一个智能体在等工具时，推理引擎立刻切去给另一个活跃的智能体生成回答，不让芯片摸鱼。生成好的回答会边攒边往训练器里送，训练器不会断粮。 这个思路不新，但 Google 把它做成了基于 JAX 的库，还集成了 vLLM-TPU 和 SGLang-Jax，对用 TPU 的团队可能省不少事。另外它自带轻量级监控，能把训练循环的宏观指标和 TPU 时间线对上，方便找瓶颈。 不过正文没给开源仓库链接，也没放吞吐量提升的具体数字或基准测试结果。到底能省多少算力、在什么规模的智能体任务上有效，都得等实际跑起来才知道。

Anthropic 给 Claude Cowork 加了个“录制技能”功能，你一边操作屏幕一边讲解，Claude 就把这套动作转成可重复跑的自动化流程。这相当于让用户自己当训练师，不用写代码就能教模型干具体活，门槛确实低了不少。 目前 Pro、Max、Team 套餐都能用，入口在桌面端 + 菜单里。但官方帖子没交代两个关键信息：录好的技能下次打开 Claude 还在不在，以及单次录制有没有时长限制。如果是会话级别的临时技能，实用性会大打折扣；如果能持久保存并跨任务调用，那才真算得上个人工作流助手。另外也没提技能能不能分享给团队其他人，这对 Team 套餐用户挺重要。 建议等实测出来再看：技能执行时是严格复现操作还是允许一定灵活性，出错时怎么回退，这些都会影响它到底是玩具还是生产力工具。

这条新闻更像政治表态，离实际落地还有距离。财政部长 Scott Bessent 在电视上点名 Kimi K3，说它正在缩小和美国的差距，然后补了一句“我们支持开源，但不支持偷 IP”。这话听着挺重，但报道里没提任何具体的审查机制——怎么查、查多久、什么算证据，全是空白。对从业者来说，先别太激动。如果后续真出了制裁细则，受影响的不止一家公司，整个国内开源模型出海的路都可能被堵。反过来看，这也说明国产模型确实在性能上追得够紧，让对面开始用非技术手段设门槛。目前信息缺口很大：没看到美方手里有什么实锤，也没看到被点名的公司怎么回应。建议等具体政策文件出来再判断影响，现在这则消息更像一次试探性的施压。

这条信息最值得看的是 Anthropic 自己怎么用 AI 写代码，而不是他们对外卖什么。他们发现，对于 Fable 5 和 Opus 4.8 这种新模型，以前那套“在提示词里手把手教、列一堆禁止项”的玩法已经过时了，甚至会起反作用。所以他们把 Claude Code 的系统提示词直接精简了 80%。这算是个挺反直觉的工程经验，说明模型越强，指令反而要越干净。 另一个硬数字是，他们内部那个叫 Claude Tag 的 Slack 协作工具，现在包揽了团队 65% 的产品工程 PR。这验证了 AI 代理在真实生产流程里的渗透率，不只是写写小脚本。不过，正文没披露非工程师用这个工具的具体效果，也没说那 65% 的代码后续需不需要大量人工返修。Thariq 提到用 Fable 剪视频能过品牌团队的关，这点先别太激动，毕竟他们自己就是模型开发商，内部调教资源肯定比外部用户足。整体看，这是一线团队的实战经验，比公关稿实在，但缺了失败案例和长期维护成本的对比。

这条消息最值得看的是两点：一是满分，二是解题路径。IMO 满分金牌本身就硬，42 分全对意味着模型在六道题上没有犯任何实质性错误，这比“接近金牌”或“银牌水平”的表述扎实得多。全球只有 7 个人类选手拿到同样成绩，这个参照系让分数的含金量更直观。 第二点更关键——dots-note 3.0 不依赖形式化语言，直接读原始 LaTeX 题目。很多数学推理模型需要先把题目翻译成 Lean 或 Isabelle 这类形式化语言再求解，中间多一步就多一个出错和丢信息的可能。dots 这条路是端到端，靠“递归自我批判”来修正推理，听起来像让模型自己反复检查自己的解题步骤。不过正文没披露这个自我批判机制的具体实现、迭代次数上限、以及会不会在某些题型上陷入死循环。 团队强调这是 dots3 系列最轻量的版本，还说要开源。轻量意味着部署成本低，开源意味着可以复现和验证。但正文没给出参数量、推理延迟、以及满分是在什么硬件条件下跑出来的。这些信息缺了，就很难判断这个“轻量”到底多轻，以及满分成绩有没有靠超长推理时间堆出来。我会先打个折，等开源后看实际跑分和复现结果再说。

日经把亚马逊、微软、Alphabet、Meta 和苹果的财报扒了一遍，发现这五家为了抢建 AI 数据中心、囤算力，大量用了经营租赁、合资公司这类表外工具。结果就是，实际要掏的钱比资产负债表上明列的债务多出 1.65 万亿美元。五家 2025 财年的资本开支合计约 3100 亿美元，大头都砸进了 AI 基础设施。 这笔账的风险在于：如果 AI 的商业回报迟迟不兑现，这些表外承诺会从“未来的费用”变成真实的亏损。现在投资者很难从财报里直接看清每家到底背了多少杠杆，因为大部分承诺不直接出现在资产负债表上。 文章没给出每家具体的表外负债拆分，也没说明这些租赁和合资协议里有没有提前解约或转售的退出机制。另外，3100 亿资本开支里到底多少是纯 AI 相关、多少是常规云服务扩容，正文也没掰开。这点先别太激动，1.65 万亿是五家总和，而且表外负债不等于马上要爆的雷，但透明度确实差，值得盯着下一季财报里管理层怎么解释回报时间表。

这个方法挺巧，不用跑复杂基准测试，只靠“报个随机数”这种零成本操作就能给模型做指纹识别。研究员让 165 个模型各报 30 次 1 到 100 的随机数，发现每个模型的选号偏好都不一样，GPT-4o 偏爱 42 和 37，Claude Sonnet 5 大量输出 47，Qwen3-Max 干脆 30 次全部回答 42。大约发 120 条请求就能识别出模型身份，错误率在 10.6% 左右。 这个错误率说明它还不能当法庭证据用，但作为 API 中转站是否偷换模型的快速抽查工具已经够用。10.6% 意味着每查十次可能有一次误判，实际部署时最好多跑几轮交叉验证。正文没披露不同温度参数下指纹是否稳定，也没说模型版本更新后偏好会不会变，这两点直接影响这个方法的长期可靠性。另外，如果中转站故意在返回结果里加一层随机扰动，这个指纹还能不能成立，目前也没数据。 我会先打个折：它适合做第一道筛查，发现可疑再上更重的验证手段，别指望单靠它就能一锤定音。