AX 严选 · 2026-08-04

Simon Willison 这次更新解决了一个很实际的痛点：以前跑推理模型，思考过程和最终答案混在一起，想直接把结果管道给其他工具就很麻烦。现在思考内容默认输出到 stderr，标准输出只留干净答案，用 -R 还能关掉。新默认模型换成 GPT-5.6 Luna，说明他在成本和能力之间选了更经济的方案。 工具调用方面，OpenAI 的代码解释器和网页搜索可以直接用，Anthropic 插件也补上了同类工具，还加了个 MCP 连接器，能在一个请求里完成外部工具调用。Python API 放弃了之前强制的对话抽象，改成直接传消息列表，用 stream_events() 把推理、文本、工具调用分开处理，更贴近模型实际的工作方式。日志也改成类似 Git 的内容寻址存储，避免重复保存长上下文。 正文没提这些功能在复杂任务里的稳定性如何，也没给性能对比数据。MCP 连接器目前只绑在 Anthropic 插件上，其他模型能不能用没说。

Simon Willison 把 MiniMax 两天前发的全模态模型 H3 移植到了苹果芯片上，在 M5 Max MacBook Pro 实测了一把。这个模型能吃文字、图片、音频和视频，吐出来带声音的 15 秒视频。他下载了约 115 GB 的模型文件，用一句“彩虹臭鼬在超市跳过苔藓木头”的提示词，跑了不到 45 分钟生成了一段视频。画面看着不错，但声音是奇怪的类语音噪音——他没按官方的音频提示指南来写指令，所以声音翻车不算意外，但这也说明要出好效果，提示词门槛不低。 45 分钟出一段 15 秒视频，在本地笔记本上跑全模态生成，这个速度不算快，但考虑到没调用云端 API、模型文件全在本地，能跑通本身就值得点一下。不过正文没披露量化后的模型精度损失有多大，也没对比原版模型在服务器上的生成质量和速度。另外，115 GB 的下载量对个人用户来说门槛很高，实际能玩起来的人不多。 这条消息的价值在于证明了全模态生成模型可以在消费级苹果硬件上本地运行，但离“好用”还有距离。声音生成部分需要更系统的测试，推理速度也有待优化。

SpecForge 这次更新解决了一个很实际的工程痛点：以前训草稿模型时，目标模型的推理和草稿模型的训练得挤在同一套资源里，互相拖慢速度。v0.3 把这两件事拆成了独立的资源池——用打了补丁的 SGLang 服务器专门抓目标模型的特征，通过 Mooncake 传输数据，训练节点只管吃特征训练。在 8 张 H20 的测试环境里，3 台服务器加 5 个训练节点的组合，端到端训练吞吐比之前绑在一起的方案高了约 10%。这个提升不算夸张，但考虑到只是架构解耦带来的，没有换硬件，算是实在的收益。 另一个变化是草稿模型的支持范围一下子拉宽了，从之前主要围绕 EAGLE3，扩展到 DFlash、Domino、DSpark 等六种方案。这意味着用户不用为了试不同算法去搭不同的训练管线，一套配置就能切换。他们还放出了一批用完全公开数据训好的草稿模型，这点对想复现或做对比的人比较友好。 不过正文没给出这些草稿模型在真实推理场景下的接受率或加速比数据，只提了训练侧的吞吐改善。实际部署能省多少推理时间，还得看后续的 serving 端评测。另外，解耦方案依赖 Mooncake 做数据传输，这套组件本身的稳定性和额外延迟在更大规模集群上的表现，文章也没展开。

这篇文章讲的是个很实际的工程问题：AI 写代码快，但一次生成整个功能，PR 动辄几千行，人根本审不动。GitHub 的做法是反过来——先让模型把完整改动全吐出来，再用工具按文件依赖和语义切成一层层的堆叠 PR，每层只改 200 到 400 行，审阅的人一次只看一个关注点。 文章给了具体的命令和分支命名规范，思路清晰，但缺了最关键的数据。没写内部有多少团队在用这套流程，也没对比拆分前后的审阅时间、评论密度或合并速度。所以“可审阅”目前还停留在方法描述，没有量化验证。另外，拆分逻辑依赖文件依赖分析，如果 AI 生成的代码本身耦合严重，拆出来的层可能还是互相牵扯，这点文章也没展开。 整体看，这是个值得尝试的工作流，尤其适合用 AI 做原型或批量重构的团队。但在看到实际数据前，我会先打个折——方法好不等于落地效果一定好。

SeedRealtime 做对了一件事：不再走“先听写、再看图、最后念稿”的老路，而是让模型在连续的音视频流里自己决定什么时候该接话、该盯着谁。官方给出的端到端人工评测数据是，对话节奏问题比级联方案减少一半，这个数字挺实在，但没披露测试样本量和场景覆盖度，所以“一半”这个幅度先别太激动。 几个演示场景选得聪明：聚餐认人、博物馆主动提醒展品、冲咖啡纠错，都是真实生活里级联系统容易翻车的地方。模型能记住“看到错金银铜虎噬鹿屏座就提醒我”这种长线任务，说明它把视觉感知和对话状态绑在了一起，不是简单的看图说话。不过正文没提模型规模、推理延迟和端侧部署方案，这些对实际体验影响很大。 目前产品已在豆包全量上线，算是业界第一个把音视频全双工大规模推出去的。但还缺第三方横向对比，也没说在极端噪声、多人抢话场景下的翻车率。后续如果能补上这些，判断会更踏实。

Cloudflare 这次发布的 Agents 平台，核心是把智能体（能自主调用工具、执行多步任务的 AI 程序）的追踪功能直接做进了基础设施里。以前开发者想让智能体干活时留下清晰的调用链日志，得自己拼 OpenTelemetry 之类的方案，现在 Cloudflare 说在它的 Workers 环境里开箱就能看到每一步调了什么工具、花了多长时间。这对调试和审计确实有用，尤其是智能体开始跑业务流程的时候，出问题不能只看最终输出，得知道中间哪一步走歪了。 不过文章主要讲的是平台能力和开发流程，没给出追踪功能本身的性能开销。智能体每步调用都记录，必然增加延迟和计算成本，这部分数据缺失会让实际评估打折扣。另外，平台目前看起来强绑定 Cloudflare 自己的 Workers 生态，如果你用的是其他云或者自建服务，这套追踪就用不上。

工信部把2024年的推荐标准升级成了强制国标GB44721—2026，专门管L3（有条件自动驾驶）和L4（高度自动驾驶）系统的安全要求，2027年7月1日实施。这意味着以后车企想在国内卖带L3/L4功能的车，必须先过这道安全审查，不再是各说各话。 起草单位名单很长，从比亚迪、蔚来到奔驰、宝马，主流玩家基本都在，说明标准制定时已经拉上了产业界一起定规矩。华为那边的消息是，引望已经首批完成了L3车型准入试点验证，算是提前卡位。 不过正文没披露具体的安全测试条目和通过标准细节，比如系统失效后接管时间要求、传感器冗余下限这些硬指标都没展开。所以现在只能确认“有统一考试了”，但考卷长什么样、及格线在哪，还得等后续细则。

Tomasz Tunguz 这篇博客的核心判断是：AI 算力需求还没到顶，但维持“越便宜用得越多”这个逻辑，得靠模型分层定价。他引用了 2026 年 Q2 三大云厂商的财报电话会，都说算力不够用，同时 HBM3e 内存涨了 20%，HBM4 预计翻倍。但奇怪的是，B200 的现货租赁价格没动，说明涨价压力还没完全传导到终端。 真正在涨的是模型调用费。Anthropic 的 Fable 5 把高端价格拉到每百万输出 token 50 美元，OpenAI 反手把 GPT-5.6 Luna 的价格砍了 80%。作者把这解读为市场分层：高端、中端、性价比三档。中端模型用 40% 的成本做到了高端 96% 的智力，性价比模型用 1-5% 的成本做到 84%。只要被高价劝退的工作量能流到中低端，总算力消耗还是会涨。 文章没提的是，这种分层能持续多久。如果硬件成本继续涨，中低端模型的利润空间会被压缩，到时候要么涨价，要么牺牲推理质量。另外，路由层被作者看作关键，但正文没披露任何路由技术的实际延迟或错配率数据，这点先别太激动。