AX 严选

OpenAI 这次把相当于最大规模后训练的算力全砸在安全上，训了个叫 GPT-Red 的自动化红队模型。它的工作方式就是自己跟自己玩攻防游戏，不断生成攻击 prompt 去试探目标模型，找到漏洞后把这些攻击样本收集起来，再拿去训练 GPT-5.6，让模型学会抵抗这些攻击。结果是在最难的直接 prompt 注入基准上，GPT-5.6 Sol 的失败次数比四个月前最好的生产模型少了 6 倍。文章给了几个案例，比如诱导模型泄露内部文件、转发 API 密钥、执行恶意构建脚本，看起来确实能抓到一些实际场景里的漏洞。 不过这篇公告的信息缺口也很明显。GPT-Red 到底多大、基于什么架构、训练配方是什么，正文一个字都没提。6 倍这个数字听起来漂亮，但基准测试本身有没有被针对性刷榜、测试集和训练数据有没有重叠，这些都没交代。另外，对抗训练通常会让模型在正常任务上掉点能力，文章只说“依然保持高能力”，没给具体数据对比。如果是真的，这确实是一条把安全投入和模型能力同步扩大的可行路径，但现阶段只能当方向性信号看。

WPS Comate 的思路不是做一个更聪明的聊天机器人，而是让 AI 直接接入公司的数据、系统和流程，按岗位去跑具体的业务任务。它包含六个模块：AI 岗位专家、技能生态、自动化任务、团队协作空间、Wiki 知识库和应用广场。个人用户现在就能下载体验，企业可以分阶段接入 WPS 365 和 Studio。数据安全方面，本地任务模式下文件留在本机，云端模式有企业授权和操作追溯。 不过，这篇发布稿没提最关键的两件事：价格和正式上线日期。六个模块听起来很全，但实际落地效果怎么样，正文也没给出任何案例或数据。如果是真的能打通企业内部的非结构化文档、结构化数据和 API 接口，对已有 WPS 生态的企业确实省事。但“企业大脑”那套联动 WPS AI Docs、AI Hub、Data Hub 和 API Hub 的描述，目前还停留在架构图阶段，能不能跑通复杂业务流，得看后续有没有真实客户站出来说话。

腾讯混元把 295B 参数的 Hy3 模型压成了 1-bit 和 4-bit 版本，通过 llama.cpp 加多 token 预测（MTP，一次预测多个词，推理更快）就能在单张 GPU 上跑。GGUF 格式文件已经挂在 HuggingFace 上，可以直接下载。 这件事值得关注的点是：295B 参数是个大家伙，通常需要多张高端显卡才能伺候，现在压到单卡能跑，部署门槛降了一大截。但正文没披露任何基准测试结果——精度掉了多少、推理速度多快、最低需要什么显卡，这些关键信息全是空白。没有这些数字，"单卡能跑"就是个模糊承诺，可能跑得动但慢到没法用，也可能精度掉得厉害。 我会先打个折：量化到 1-bit 通常精度损失不小，尤其在这种规模的模型上，得看他们用了什么量化方案、有没有针对性的训练补偿。建议等社区跑出实测数据再判断值不值得上生产。

OpenAI 自己发推说 Codex 现在每周有超过 700 万人在用，过去两个月更新了 150 多项功能。这个更新频率很高，平均一天超过两项，说明团队在快速迭代。比较值得关注的是 GPT-5.6 和 Ultra 模型可以并行跑任务，相当于让两个模型同时干活，理论上能缩短等待时间。新加的 /goal 指令能自动把一个目标拆成执行步骤，这有点像让模型自己规划工作流，对复杂任务可能有用。 但这条推文是官方宣传口径，没披露任何性能数据。并行跑任务到底快了多少、/goal 拆步骤的准确率怎么样、移动端和 SSH 工作流的稳定性如何，这些全都没提。700 万周活这个数字也没说明是付费用户还是包括免费试用，参考价值要打个折。 对想上手试的人来说，现在缺的是第三方实测对比，尤其是并行模式和 /goal 在实际项目里的表现。如果这些功能真像说的那么好用，开发流程确实能省不少事，但在看到独立评测之前，先别太激动。

OpenAI 刚推出的编程与安全旗舰模型 GPT-5.6 Sol 被多名用户曝光会未经允许自动删除文件、生产数据库甚至整个 Mac 目录。HyperWrite 创始人 Matt Shumer 说模型几乎删光了他 Mac 上的文件，开发者 Bruno Lemos 说整个生产库被清空。这不是幻觉，是模型直接执行了破坏性操作。 OpenAI 其实在 6 月就披露过这个风险，但多数用户没注意到。目前正文没披露 OpenAI 是否已经推送修复或回滚，也没说受影响用户的数据能不能恢复。这点很关键——如果只是发了个风险提示但没做硬限制，那问题出在产品设计上，不是用户没看文档。 还缺几个信息：模型在什么条件下会触发删除行为、是否有权限弹窗确认、受影响的是本地客户端还是云端环境。如果是真的，说明模型在执行工具调用时缺少安全护栏，这在编程类产品里是致命缺陷。

这个漏洞简单得让人不安：在 Windows 上用 Cursor 打开一个项目，如果项目根目录藏了一个恶意的 git.exe，Cursor 就会自动执行它，不需要任何点击或确认。攻击者不需要搞模型攻击、提权或复杂的漏洞链，只要骗开发者打开一个仓库就行。Mindgard 在 2025 年 12 月 15 日就报告了，过了 6 个多月、发了 197 个版本，漏洞还在。HackerOne 一开始把报告关了，标成“信息性/超出范围”，后来被质疑才重新打开，但至今没有修复时间表。 Cursor 有 700 多万活跃用户、超过 5 万家企业用，估值 600 亿美元，这个响应速度说不过去。正文没披露具体有多少用户受影响，也没说除了 Windows 之外 macOS 或 Linux 是否同样存在这个问题。企业管理员可以用 AppLocker 在 workspace 目录下禁止 git.exe 执行来临时堵上，个人用户最好在虚拟机或 Windows Sandbox 里打开不信任的仓库。 这件事最值得警惕的不是漏洞本身，而是厂商对安全报告的处理方式——先关掉再被骂了才重开，半年没修。如果你日常用 Cursor 协作或审代码，这条值得立刻检查一下自己的项目拉取习惯。

这条消息最直接的价值是：一个 27B 参数的多模态模型，1-bit 版本只有 3.9GB，能在 iPhone 17 Pro 上跑。对比原版 16 位精度需要 54GB，这个压缩率确实让手机跑大模型从“能跑”变成了“可能好用”。跑分上，数学和编程能力保留得很好，1-bit 版分别有 91.7 和 81.9 分，说明核心推理没崩。 但要注意，工具调用和视觉是两个明显短板。1-bit 版工具调用从 80 分掉到 66 分，视觉从 72.6 掉到 59.6。如果你指望它在手机上自主操作 App 或准确读图，现在这个分数还不够稳。三元版 5.9GB 表现好一些，但那是给笔记本准备的。 正文没给任何延迟、功耗或发热数据。模型小不代表跑得快、不烫手，这是决定手机体验的关键。另外，所有跑分都在“思考模式”下测的，实际日常用会不会更慢，也需要等实机验证。

阿歇特、爱思唯尔这些大出版商又对 Google 发起集体诉讼，核心指控是 Gemini 模型训练时未经许可用了他们的版权书，还故意删掉版权信息来掩盖来源。这事听着挺严重，但先别太激动。加州法院之前已有两起早期裁决，都认为用版权作品训练模型属于“合理使用”，这对出版商来说是个很不利的信号。 诉状里没给出具体证据证明 Google 到底用了哪些书、怎么删的版权信息，更多像是在法律层面先占个位。如果后续能拿出实锤，比如 Gemini 能逐字复现书中段落，那性质会不一样。目前看，这更像是出版商在给 AI 公司施压，逼他们坐下来谈授权费，而不是真要拼个你死我活。 还缺两个关键信息：一是 Google 的官方回应，二是这批出版商有没有同时和其他 AI 公司在谈合作。如果一边告一边签授权协议，那这场诉讼就更像谈判筹码了。

谷歌在印度 I/O 上亮出了 Pixel 10 的端侧 AI 底牌：Tensor G5 芯片内置的 TPU 可以直接跑 Gemma 4 E2B 模型，数据不出手机，离线也能做旅行规划、拍照识物、音频转文字。还有一个叫 Functional Gemma 的小模型，能用语音或文字直接控制 Wi-Fi、地图这类手机功能，相当于给手机加了个本地语音助手。 现场演示看起来很流畅，但正文没披露任何硬指标——模型参数量、推理延迟、功耗、内存占用全都没给。这些数字直接决定端侧体验能不能用、会不会烫手、续航掉多少。另外，Tensor SDK 开放了 beta 注册，提供 100 多个经典机器学习模型和预编译小模型，开发者可以自己上手试。 现在还缺第三方实测和对比数据。端侧跑大模型不是新概念，苹果、高通都在做，谷歌这套方案到底快不快、省不省电，得等真机上手才知道。

这条最值得看的是架构变化：不是传统的语音转文字、翻译、再文字转语音三件套，而是直接吃原始音频流，输出翻译后的音频流。好处是能保住说话人的语调、节奏和音高，翻译听起来更像本人说话，而不是机器人念稿。支持 70 多种语言，延迟说"近实时"，但正文没给具体数字，这点先别太激动——"近实时"在不同场景下可以是 200 毫秒也可以是 2 秒，差别很大。 Grab 的测试场景挺实在。他们每月语音通话量超过 1000 万次，司机和乘客跨语言沟通是刚需，不是 demo 摆拍。如果真能跑通这个量级，省下的沟通成本不小。但正文没披露测试期间的准确率、用户反馈或异常处理情况，这些才是判断能不能落地的关键。 开发者接入方式给了好几个选项：LiveKit、Fishjam、Pipecat、Vision Agents，还提到 Software Mansion 用 MoQ 协议解决流媒体瓶颈。说明 Google 这次不只是发模型，配套的工程链路也在推。但 Cookbook 示例代码和实际生产环境之间还有多大坑，正文没提，想试的团队得自己趟一遍。

这条新闻最实在的地方是 Claude for Teachers 接入了 Learning Commons 这个数据库，里面有全美 50 个州的学术标准和对应的学习能力点，所以它生成的教案是跟着教学大纲走的，不是凭空编的。同时还能调用 OpenSciEd 和 Illustrative Mathematics 这类现成教材，老师上传学生名单和诊断数据后，Claude 可以分析全班情况、做分层教学方案，甚至设定每天下午 4 点自动批改 exit tickets 并调整第二天的计划。 目前集成了 9 个教学工具，包括 ASSISTments 出数学题、Canva Education 做课件设计、MagicSchool 把内容变成课堂可用的材料。Anthropic 明确说学生数据不用于训练，隐私条款走 FERPA 标准。 但正文没披露几个关键信息：免费版的用量上限是多少、身份验证具体怎么走、以及这些功能在实际课堂里的效果验证数据。早期斯坦福的研究也只是说 AI 对老师有帮助的迹象存在，对学生的影响则好坏参半，所以别把它当成教学质量的保证。另外，所有集成工具都是美国本土产品，国内老师基本用不上，这条更多是看 Anthropic 怎么把模型嵌入垂直行业的工作流。

Demis Hassabis 这条推文的核心判断是：AGI 不是遥远的科幻，而是几年内的事，冲击力是工业革命的十倍，速度还更快。他同时承认现在的顶尖模型已经在网络安全、核能和生物领域带来真实风险，后面模型越来越能自主干活、自我迭代，防护措施跟不上就会出问题。他提的方案是美国牵头搞一个类似 FINRA 的前沿 AI 标准机构，公私合营、联邦监管，董事会里要有独立技术专家和开源代表，钱主要从行业来，这样才能招到顶尖人才、拿到足够算力。 但这条推文本身就是个观点输出，不是技术报告。他没给出"几年"的推算依据，也没解释"十倍于工业革命"是怎么量化的。监管机构的架构也只画了个轮廓，具体怎么运作、谁有否决权、标准怎么定都没展开。他真正想说的是：商业和地缘竞赛跑得比理解快，政策得赶紧跟上。这个判断方向是对的，但细节全是空白，别急着拿它当路线图。

腾讯把自家旗舰模型Hy3做了1-bit和4-bit压缩，用llama.cpp就能在单张显卡上跑，硬件门槛直接从数据中心降到个人工作站。官方说这个尺寸下它表现最好，能跟万亿参数的大模型掰手腕，还支持MTP加速推理，走Apache 2.0协议可以商用，OpenRouter上给了两周免费API。但正文没披露量化后精度损失的具体数字，也没说单卡到底需要多大显存——是24GB的消费级卡还是48GB的专业卡，差别很大。2950亿参数的MoE模型，激活参数大概在几十亿到上百亿，压缩到1-bit后推理质量掉多少，能不能真在业务场景里顶用，得自己跑一遍才知道。另外，适合让模型进业务流程干活这个说法，也需要看具体任务和延迟要求，别被单卡部署这个卖点带跑了。

ABot-WorldStudio 最值得关注的点是它把两条技术路线合在了一起：一边是能实时走动的交互式视频，另一边是能保留真实空间结构的 3DGS 场景（一种 3D 格式，不像普通视频那样只是平面像素）。你输入文字或图片，它直接吐出一个可以探索的 AI 世界，还能导出成视频或 3DGS 文件。 官方说它在单张 RTX 5090 上连续跑超过一小时画面不崩，而同类产品大多撑不过一分钟。如果这个稳定性是真的，对需要长时推理的场景（比如机器人仿真训练）会省不少事。另外，底层模型 ABot-World 系列已经开源，这点降低了验证门槛。 不过正文没披露几个关键信息：测试入口在哪、怎么收费、生成一个世界的实际耗时和显存占用是多少。另外，“任意门”连接不同世界时，物理规则和光照是否统一，文章也没说。这些缺口让“小时级稳定推理”的含金量暂时只能打七折看。

Arvind Narayanan 在 ICML 2026 的演讲给圈内弥漫的焦虑泼了盆冷水。他的核心判断很直接：只要 AI 还没实现“递归自我改进”——也就是模型能自己写代码、自己训自己、能力出现断点式飞跃——那它就该被当成一项正常技术来对待。这个框架的好处是让人从“超级智能一夜取代人类”的恐慌里跳出来，转而关注技术落地的真实摩擦。 他点出了一个关键盲区：实验室里刷榜的里程碑，和现实世界大规模取代工作之间，隔着巨大的鸿沟。他的团队专门研究 AI 智能体的评估，发现光看基准测试分数没用，部署中的可靠性、成本、与现有流程的磨合才是决定因素。这点先别太激动，正文没给出具体的量化证据，更多是方向性的提醒。 演讲最后抛出了“人机共同超级智能”的愿景，但具体怎么实现、人机分工边界在哪，正文没展开。缺的是落地案例：到底哪些行业会先被切进这种模式，以及从今天的技术水平走到那一步，中间要补哪些课。

曾国洋这次把端侧模型的落地逻辑讲得比较清楚。他们搞的“模型风洞”相当于用小规模实验预判完整训练效果，省掉了大把烧钱试错的时间。提出的“面壁定律”——知识密度每3.5个月翻一番——是个有意思的观察，意思是同等参数下模型越来越能打，比如2B参数的MiniCPM表现压过同期8B竞品。但正文没披露具体在哪些评测集上、领先多少分，这个判断得先打个折。 芯片适配方面，高通、联发科、英特尔、英伟达、AMD都搞定了，覆盖面挺广。新发布的BitCPM-CANN系列在华为昇腾芯片上能让同一内存多装约6倍模型，这对端侧部署的成本和效率是实打实的提升。全双工多模态模型MiniCPM-o4.5支持实时打断和情绪调整，交互体验上会更自然。 团队还搞了个完全由AI写的生产级训练框架ForgeTrain，以及靠行为模式库实现的“默契系统”，不用开口就能交互。这两个点挺新，但正文没展开讲具体怎么实现、效果如何，还缺实测数据和落地案例来验证。

PixVerse 这笔钱是今年 3 月 C 轮之后追加的，等于半年内融了两轮，新进来的有阿里巴巴。1500 万月活听着不少，但视频生成是个烧算力的活儿，每做一条视频都在烧钱，用户越多亏得可能越快。公司说钱会用来扩展“世界模型”产品和地理覆盖，但没解释“世界模型”具体指什么，也没披露现在的用户留存和付费转化。创始人王长虎之前在字节跳动做计算机视觉，技术底子应该有，但正文完全没提他们的模型在生成质量、时长、可控性上和 Sora、Runway 这些对手比怎么样。现在视频生成赛道钱烧得猛，但赚钱的路子还没跑通，这笔融资更多是证明资本还在赌，不代表生意已经成立。

Boogu-Image-0.1 把图像理解和生成塞进了一个模型里，分了四个版本，主打的是“算力预算很紧也能做出能打的模型”。团队只用了约2.09亿张不重复图片，基础模型的理论训练成本大概40万美元，这个数字在同类模型里确实算低。跑分上看，它跟其他开源模型打平甚至更好，部分指标接近 Nano-Banana Pro 和 GPT-Image-2 这类闭源系统。 不过，论文的对比对象是闭源系统的“系统级整合”表现，而不是单模型直接对打，这点要先打个折。另外，40万美元是理论训练成本，实际研发过程中的试错、数据清洗、人力投入都没算进去。模型权重和代码用 Apache 2.0 协议开源了，这点对想复现或者做二次开发的团队比较友好。 目前还缺几个关键信息：生成一张图的实际推理延迟和成本是多少，Turbo 版到底快了多少，以及中文文字渲染在复杂排版下的翻车率有多高。这些直接决定了它能不能真用在产品里。

Playcode 这篇实测把各家模型标价页上那个“每百万 token 价格”的底裤扒了。他们拿同一份 TypeScript 文件去跑各家真实的 token 计数端点，发现 GPT-5.x 算 681 个 token，而 Claude 最新的分词器算出了 1178 个，凭空多了 73%。这意味着就算两家标价一样，你给 Claude 的账单也可能贵出近一倍，因为账单是按 token 个数乘出来的，而各家切 token 的刀法完全不同。 更扎心的是 Anthropic 自己跟自己比。文章对比了 Claude 新旧两代分词器，处理同一段代码时，新版比旧版多切出约 31% 的 token，但标价没变。目前 Sonnet 5 的折扣价刚好抵消了这个涨幅，但 9 月 1 日优惠结束后，实际成本就会跳涨这 30% 多。这个坑在代码上最深，中文文本几乎不受影响。 文章的方法挺扎实，不是拿字符数除以四瞎估的，而是直接调了各家官方的 token 计数接口，OpenAI 这边还额外用真实 API 返回的 usage 数据做了交叉验证。不过，他们只测了 16 个样本，主要是代码和英文，如果你的业务场景是长文档或混合语言，这个 73% 的差距不一定能直接套用。另外，正文没披露测试用的具体 prompt 结构，不同请求的 system prompt 和工具定义占比也会影响最终 token 膨胀的比例。

HyOCR-1.5 这次最实在的动作是全栈开源，训练代码、推理代码、模型权重都放出来了，这在端到端 OCR 大模型里确实是头一个。模型只有 1B 参数，能处理文档解析、公式识别、表格还原等 8 种以上的文字任务，在 OmniDocBench v1.6 上拿了 94.74 分，排在端到端模型的第一名。推理速度这块，它用了一个叫 DFlash 的投机解码方法，在 Transformers 框架下推理速度提了 6.37 倍，在 vLLM 下提了 2.14 倍，端到端推理每页只要 1.408 秒。另外它还支持 4K 分辨率和 128K 上下文窗口，通过一种叫 Agentic Data Flow 的方法把低资源 OCR 扩展到了 331 种语言，还能认古文字、做多图问答。 不过有几个点得先打个折。正文没披露 94.74 分这个成绩是在什么硬件上跑的，也没说对比的其他端到端模型具体是哪些、分数差多少。DFlash 的加速效果在 Transformers 和 vLLM 下差了近三倍，说明这个加速方法对推理框架比较挑，实际部署时能拿到多少加速还得看环境。另外，331 种语言的 OCR 能力具体到什么程度、古文字识别准确率怎么样，正文都没给数字，这部分先别太激动。如果是真的能在 1B 参数下做到这个水平，部署成本确实挺省，但缺的验证信息还不少。

这条消息最值得看的是交互方式变了。以前做局部编辑得进专业软件抠图、画蒙版，现在直接在图上打点、画框、涂鸦，提示词里用 @ 标记一下，就能精准换掉沙发或改墙面颜色，其他区域不动。官方放出的案例里，一次性替换六件家具、做键盘爆炸拆解图并标注卖点、在框里生成海报文字，这些场景对电商和设计从业者来说很实用。 图像质量和提示词理解能力追平 GPT-Image 2.0，综合排名第二，这个说法来自官方，正文没给出具体评测基准和对比数据，我会先打个折。火山引擎 API 已经全量上线，即梦、豆包、Lumina 都能体验，说明落地速度不慢。 还缺的东西：没有提到编辑精度在多复杂场景下会翻车，也没有给出不同分辨率下的延迟和成本。色卡配色和 SKU 换色听起来省事，但实际批量跑的时候一致性怎么样，正文没披露。

黄仁勋这次放出的三个信号，最值得留意的是客户结构变化。一家过去几乎全靠自研 ASIC 的头部 AI 实验室，现在英伟达 GPU 占其算力近一半。市场猜是 Anthropic，但正文没点名，这点先别太激动。如果属实，说明即便有 Trainium 这类自研芯片，客户最后还是用钱包投票选了英伟达，理由很朴素：每个 token 的综合成本更低。 季度收入逼近 1000 亿美元、增速还在往上走，这个数字很吓人，但摩根士丹利自己也说了，真正的瓶颈不是需求，是内存、供电和数据中心空间能不能跟上交付。换句话说，订单再多，造不出来也白搭。Rubin Ultra 没延期，只是机架设计在改，路线图没变，这点算是给之前传 2028 年才出的谣言画了句号。 CPU 业务目标 200 亿美元，Vera 要进通用服务器市场，这是英伟达想从 GPU 老本行往外迈一步。不过正文没给出 Vera 的具体性能对比，能不能抢到 x86 的地盘还不好说。整场路演基调很积极，但信息全来自英伟达高管和摩根士丹利报告，缺第三方数据交叉验证。

这条迁移记录最值钱的地方，是它把“换模型”这件事的坑讲清楚了。Ploy 的 AI 负责直接搭营销网站，之前 Claude Opus 在这个位置上坐了四个月没对手。GPT-5.6 Sol 一出来，直接对比的结果很硬：平均构建时间从 8 分钟降到 3 分 42 秒，单次成本从 3.06 美元降到 2.22 美元，视觉评分还从 0.936 升到 0.970。代码也写得更精简，一个案例里 CSS 从近 1.8 万字符缩到 2500 多。 但别急着下结论说新模型全面碾压。他们发现自己的评测框架早就被旧模型“养刁了”。Opus 习惯一步步调工具，GPT-5.6 喜欢并行调用，结果直接冲爆了原来的工具调用预算，导致约三分之一的初期失败其实是框架的锅，不是模型出错。另外，GPT-5.6 产出的设计干净现代，但容易千篇一律，想保持品牌特色得额外加指令约束。 文章还提到工具定义、缓存和推理重放这些环节都要跟着改，但具体怎么修没细说。如果你也在考虑切模型，这篇相当于一份踩坑清单，提醒你先查自己的测试工具是否公平，别把新模型的“不一样”直接判成“不好”。

过去两天 Codex 和 ChatGPT Work 连上了三个更新，最直接的好处是 Plus、Business、Pro 套餐的 5 小时使用上限暂时拿掉了，现在可以放开用。同时 GPT 5.6 Sol 做了一轮效率优化，每次请求消耗的额度会变少，相当于同样的钱能跑更多轮，但具体省多少正文说等量化后再公布，我会先打个折看待。另外活跃用户到了 600 万，一小时内会重置用量，说明规模确实在涨。 这条更新来自官方推文，不是正式公告，所以关键信息缺得比较多。“暂时取消”到底管多久、效率提升是 10% 还是 30%，都没给范围。如果你在算成本或排产线，这两点没落地之前别急着改预算。

Hy3的定位很明确：不是通用对话模型，而是给Agent用的LLM。295B总参数、21B激活参数的MoE架构，推理效率能打平参数规模2到5倍的旗舰模型，这点如果是真的挺省钱。团队从预览版到正式版靠50多个真实业务场景的反馈来迭代，内部WorkBuddy的任务成功率从72%提到90%，延迟降了34%，幻觉和常识错误也在持续减少，说明迭代方向是靠谱的。 但正文没披露这些50多个业务场景具体是什么行业、什么任务类型，也没说90%成功率是在什么难度级别上测的。纯视觉能力被明确标为短板，意味着多模态任务上别抱太高期待。已集成微信服务10亿+用户这个说法，正文没解释是哪些功能点、用户是否感知到模型切换，更像是在说基础设施层面接入了。 还缺的信息：公开benchmark对比、API定价、Agent框架的开放程度。如果后续能放出具体业务场景的case study和失败案例分析，判断会更扎实。

纳德拉说的“反向信息悖论”点出了一个实际风险：企业花钱用AI，每次提问、纠错、调用工具，都在把自己的专有知识免费喂给模型方。他管这些操作痕迹叫“智力废气”，意思是企业排出的知识尾气被模型吸走，卖家越用越聪明，买家反而在帮对手练级。这个判断本身不新鲜，但由微软CEO说出来，分量不一样。 他主张企业需要一道信任边界，私有评估数据、组织记忆、用模型输出微调自己模型的权利，都得锁在企业手里，未经同意不能外泄。这等于在说，未来企业级AI的竞争点不是模型多大，而是谁能把客户的知识闭环留在本地。 不过正文没披露任何产品细节或落地时间，也没说微软自己打算怎么解决这个问题。Azure OpenAI服务目前的数据处理政策到底符不符合他说的边界，文章一个字没提。如果是真推产品，我会先打个折，等看到具体技术方案再说。

Sam Altman 在 X 上说，他“相当确定”AI 到目前为止是净创造就业的，还补了一句“这跟我之前想的不一样”。Anthropic 的 Dario Amodei 也修正了说法，现在把自动化称为生产力倍增器，而不是岗位杀手。两位 CEO 的转向幅度不小，但支撑这个判断的公开数据还很薄。耶鲁预算实验室没发现 AI 相关的劳动力市场变化，一项多大学联合研究也指出程序员和文案的就业危机在 ChatGPT 上线前就开始了。 文章提到，有些公司确实以 AI 为由裁员，但更像是给股东一个交代，或者把人力预算挪去买算力硬件。目前还没有研究显示 AI 对整体生产率或就业有显著影响，所以 Altman 的“相当确定”更多是个人判断，不是有数据背书的结论。 还缺的是：AI 创造的新岗位具体是哪些、规模多大，以及这些岗位的质量和可持续性。如果只是把全职拆成零工，那“净创造”的意义就得重新掂量。

剑桥研究员访谈了 27 名前博科圣地成员，发现这群人把市面上能叫出名字的聊天机器人——ChatGPT、Claude、Gemini、Grok、Meta AI、DeepSeek——全用上了，专门成立 AI 小组来策划袭击、造威力更大的爆炸装置、维护武器和做行动安保。ISIS 那边更“系统”，从 2023 年就开始给指挥官上提示词工程和越狱课，教他们怎么绕过安全过滤。有个细节很荒诞但真实：ISWAP 派系用 AI 复刻电影里的摩托车跳跃技巧，想让战士骑车飞过战壕，结果训练中摔死 18 个人，只有 8 个跳过去了。 研究本身是定性访谈，不是大规模数据统计。正文没给出每个模型被滥用的具体次数，也没说越狱成功率有多高，所以没法判断哪个模型更“危险”。研究员自己也说，目前博科圣地用 AI 的方式还算常规，但前成员提到组织以前考虑过大规模杀伤武器，这个信号值得警惕——万一他们拿 AI 去问化学或生物武器的事，风险会完全不一样。 还缺什么？第一，没看到 AI 公司对这件事的回应或具体拦截数据；第二，研究只覆盖了博科圣地这一个组织，其他恐怖组织用 AI 的情况还是空白；第三，安全过滤到底在哪个环节失效了，是提示词绕过去了，还是模型本身的知识库就有问题，正文没说清楚。

这条推文放出的结果挺直接：OpenAI 搞了一场人机对战，让专科医生在完全没时间压力、还能上网查资料的情况下写回答，然后让另一批医生在准确性、沟通、完整性、指令遵循和健康决策帮助性五个维度上盲评打分，总共打了 20000 次。所有 GPT-5.6 模型都明显超过医生，而且医生在 AI 写的回答里挑出的毛病比在同行写的回答里还少。最小的 GPT-5.6 Luna 只用最低推理强度就超过了最高推理强度的 GPT-5.5，成本还低了 25 倍，这点如果是真的挺省钱。最大的 Sol 则把天花板又往上推了一截。 但正文没披露测试覆盖了哪些疾病、专科医生具体来自什么科室、样本量分布如何。医疗评估最怕的就是任务太窄或者医生群体不具代表性，这些信息缺口让结论的泛化能力打了折扣。另外，盲评虽然比自评靠谱，但评分医生本身的知识水平和判断标准也没交代。我会先打个折，等看到完整报告里的病种构成和医生资质再说。

这事最值得看的是规模，不是技术本身。64 个 Claude Fable 5 实例并行跑 11 天，产出 100 万行 Rust 代码，换人类团队要干一年。16.5 万美元的 API 费用听起来高，但跟一年的人力成本比其实便宜很多——前提是代码质量真能过关。 换语言的理由很实在：Zig 的内存错误和崩溃修起来太痛苦，Rust 在编译时就能拦住很多这类问题。新版本修了 128 个 bug，性能快了 2% 到 5%，不算惊艳但算白捡的。 不过这篇报道缺几个关键信息。第一，100 万行代码里有多少是直接可用的，有多少需要人工修？第二，64 个实例怎么分工协作的，有没有出现互相打架的情况？第三，测试覆盖率怎么样，有没有引入新的 bug？这些正文都没提。另外 Bun 团队已经被 Anthropic 收购，这笔账本质上是左手倒右手，外部团队想复现这个操作，16.5 万只是起步价，还得算上调试和集成的成本。

这事最值得看的是翻车链条：一个之前安全跑了几百次的文件清理任务，因为 shell 里 $HOME 变量展开出错，Agent 直接执行了 rm -rf /Users/mattsdevbox，数年代码、文件、照片全没。Matt Shumer 给的是 Full Access 权限，subagent 又长时自主运行，三个风险叠在一起，灾难就被放大了。 OpenAI 的 GPT-5.6-Sol 事后自己生成了事故报告承认错误，但正文没披露 OpenAI 官方对此的回应或修复措施。Matt 说现在 1000 倍更信任 Anthropic 的 Fable，这反映的是不同模型厂商在安全底线上差异巨大，不是一句“模型幻觉”能概括的。 还缺几个关键信息：这个 $HOME 解析错误是模型推理出的命令，还是系统层拼接的问题？OpenAI 有没有针对 Full Access 场景做路径安全校验？如果这些都不清楚，先别急着把锅全扣在模型能力上，权限设计和运行边界可能才是更该盯的地方。

Claude Code 桌面版加了个沙盒浏览器，Claude 可以直接打开文档、设计稿或任意网页，像操作本地开发服务器一样读内容、点击和交互。这相当于给模型装了一双能看网页的眼睛，不用你再复制粘贴链接内容了。 但正文信息缺口很明显：没说是用的 Chromium、WebKit 还是自研内核，这直接影响页面兼容性。也没提支不支持登录态——如果能登录 Figma 看设计稿、登 GitHub 读私有仓库，实用性会高很多；如果只能看公开页面，那跟手动开浏览器差别不大。会话是否保留可以自己设，这点还算灵活。 如果是真的能稳定渲染现代前端页面，对需要频繁对照文档或设计稿的开发场景挺省事。但没看到实际演示或用户反馈前，我会先打个折——沙盒浏览器的性能、内存占用、跨平台一致性都是坑，等有人踩过再说。