AX 严选

黄仁勋 7 月 15 到 16 号在东京谈下来的东西，核心不是某款芯片，而是 Nvidia 想把自己变成日本“物理 AI”的基础设施。最值得看的是 Noetra 项目：政府拉上软银、索尼、本田等 44 家公司，五年砸 1 万亿日元（约 62 亿美元），要自己搞一套给机器人、汽车和工厂产线用的 AI。说白了，日本不想在工业 AI 上被美国或中国的模型卡脖子。同时，Nvidia 跟发那科、安川电机等机器人厂商组了个 Cosmos 联盟，用模拟数据训练机器人，省去大量真实环境试错。材料端也没落下，JSR、信越化学、东京电子拿到了下一代 AI 芯片的供应协议。 但得打个折：目前这些都是框架协议，不是交付订单。62 亿美元摊到五年，对 44 家巨头来说不算夸张。正文没披露具体的技术路线、算力规模，也没说这些模型最终由谁运营、数据归谁。日本产业界协调能力向来慢，44 家能不能拧成一股绳是个大问号。如果后续没有明确的执行时间表和落地产品，这些协议就只是把已有的供应链关系重新包装了一遍。

Seed Audio 1.0 做了一件音频生成领域一直没做好的事：不再把对白、音效、环境声分开生成再手动拼接，而是用一个通用声学编码器把它们当成同一场景的不同部分统一建模。这意味着你可以在 prompt 里直接写“第3秒门铃响，第5秒主角用疲惫的语气说台词”，模型能按 100 毫秒精度执行。零样本声音克隆给一段参考音频就能复刻音色，单次生成约 2 分钟，还能在保持音色一致的前提下继续延长，这对有声书、播客这类长内容比较实用。 评测数据看起来不错：影视、播客、短剧等场景的音频可用率超过 90%，大部分语言的 MOS 分在 4 以上。但要注意，这些是字节自己做的内部评测，没有第三方对比基准，也没有公开测试集。越南语的指令遵循 MOS 低于 3.5，说明多语种能力还不均匀。另外，正文没披露模型参数量、推理延迟和实际成本，这些对判断能不能落地很关键。 目前模型已在火山方舟体验中心上线，但没提 API 定价和商用授权细节。如果你要做视频配音或短剧音频，可以先拿自己的素材试试，重点看长音频场景下音色一致性会不会漂移，以及复杂时间线指令的准确率。

面壁智能和 OpenBMB 放出的 MiniCPM5-2B 在 AA-Index 上拿了 17 分，平均 54.26，是目前 4B 参数以下模型里最高的，比 Qwen3.5-2B 强一点。它原生支持混合思考，意思是模型自己会判断要不要多想几步，不用外部开关控制；512K 上下文窗口相当于一次能塞进一本很厚的书。发布当天就完成了华为昇腾、英伟达等 9 款芯片的适配，这点对想在不同硬件上跑模型的人挺友好。 不过正文没披露推理延迟和内存占用，这两个数字直接决定它能不能在手机或嵌入式设备上流畅跑。另外 AA-Index 是个综合榜单，具体子项得分没展开，不知道是推理强还是知识面广。开源时间也只说了“即将”，没给具体日期。这些信息缺口让“端侧可用”这个判断暂时只能打七折。

阿里 Qwen 放出了 Qwen3.8，一个 2.4T 参数的开源模型，权重很快会公开。团队自称这是目前最强模型之一，仅次于 Fable 5，预览版已经在 Token Plan、Qoder 和 QoderWork 上线。但整篇公告没贴任何 benchmark 分数，也没提训练数据规模、推理延迟或部署成本。2.4T 参数听起来唬人，可参数多不等于好用，尤其对想自己部署的团队来说，这么大的模型跑起来烧钱又吃硬件。开源是好事，但“最强”这个结论需要独立验证。我会等第三方跑分出来再看，现在只能当它是一个大号预览。

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。

xAI 之前一直说这类内容是用户自己搞出来的，跟模型没关系。但这次起诉本身就说明，Grok 确实能被诱导生成儿童性虐待图像，公司没法再否认了。文章没提具体是哪个模型版本、用了什么安全措施，也没说有多少用户受影响。整件事看起来更像法律层面的止损操作——先起诉一个用户表明态度，而不是从技术上堵住漏洞。正文没披露 xAI 是否在事后更新了安全过滤机制，也没说这次起诉的用户到底是怎么绕过限制的。如果连这些基础信息都没有，就很难判断这到底是偶发个案，还是模型本身的安全设计有系统性缺陷。

这份调查只有107家企业，样本偏中型公司，不能直接代表巨头，但方向很明确：智能体跑得比安全措施快得多。54%的企业已经发生过确认的安全事件（18%）或差点出事（36%），而只有32%给每个智能体分配了独立、权限受限的身份，大多数智能体仍在共用API密钥或员工账号。高风险智能体里，仅三成被放进沙盒隔离，而且公司越大隔离做得越差——千人以上企业出事率达63%，隔离率只有20%。 安全工具基本靠模型厂商自带的护栏撑着，OpenAI、Google、Anthropic三家占了主流，专用智能体安全厂商几乎没存在感。企业对这套“借来的”安全栈满意度打4.2分（满分5），但三分之二计划一年内换工具——满意归满意，该换还得换。安全预算里智能体只占一小块，只有三分之一的企业觉得自己防得住AI驱动的攻击。 正文没披露具体的事件类型和损失规模，也没说那些“差点出事”到底差多远。光看这些数字，企业现在是在用共享账号跑自主决策的程序，出问题是迟早的事。

ChatGPT 把文档、表格、幻灯片直接塞进工作区，等于在聊天框旁边开了个轻量 Office。好处是省掉来回粘贴，生成内容后原地就能排版成正式文件。但这条消息信息缺口很大：没说是灰度还是全量上线，也没提多人协作、版本历史、能导出哪些格式。如果只是单人编辑、导出受限，那更像一个内置便签本，还谈不上替代现有办公套件。另外，演示来自 OpenAI 员工，不是独立用户评测，实际体验和稳定性要打折扣。我会先观望，等看到协作权限和格式兼容的细节再判断它能不能进日常工作流。

Anthropic 这篇博客不是第三方评测，是他们用自家工具 Claude Code 做的一次大型代码迁移实验。对象是 Bun 项目超过一百万行的 Zig 代码，目标语言是 Rust，整个迁移只用了两周。 工作流分三步：先让 Claude Code 通读整个代码库，写出迁移方案；再自动生成 PR；最后跑通 CI 来验证。博客里附了完整的提示词模板，想用 AI 做内部重构的团队可以直接参考。 但这里有几个点要先打折。第一，这是 Anthropic 自己写的案例，不是独立验证，效果可能有美化。第二，正文没披露迁移后的代码质量指标，比如 bug 率、性能对比、人工修了多少处。第三，Bun 的 Zig 代码库结构相对规整，换成一个老旧的内部系统，两周能不能跑通是未知数。 对 AI 从业者来说，这篇的价值在于工作流设计和提示词思路，而不是“两周迁移百万行”这个数字本身。如果你团队也在考虑用 AI 做大规模重构，可以先拿一个小模块跑一遍这套流程，看看实际返工率再决定要不要铺开。

这份调查最扎眼的数据是：50%的企业在过去一年里，都遇到过智能体通过内部测试、上线后却在客户面前出故障的情况，其中四分之一不止一次踩坑。这说明企业内部的评估和真实世界表现严重脱节，29%的受访者直接指出评估结果跟实际表现对不上。但矛盾的是，66%的企业已经允许或正在推进零人工干预的全自动部署。评估工具本身也很零散，17%用模型厂商自带的评估，另有17%压根没有专用工具，只有约四分之一的企业会对线上流量做实时的质量检查。 调查样本是157家百人以上规模的企业，科技/软件行业占23%，偏向中型公司，不是概率抽样，所以数字更适合看方向，不能当精确测量。正文没披露这些故障的具体类型和严重程度，也没说企业踩坑后是怎么补救的。如果只看通过率就放行，这个评估缺口只会越来越大。

欧盟这次裁定，简单说就是让 Google 在 Android 系统里给别家的 AI 助手和搜索引擎开个“系统级权限”的口子，不能只让自家的 Gemini 享受特权。这对做 AI 助手和搜索的公司是个机会，但文章没披露最关键的两件事：一是 Google 到底要交出哪些搜索数据，是点击流、查询日志还是别的；二是通过什么技术接口给，是 API 还是定期数据包。没有这些细节，这个裁定的实际价值就大打折扣。 另外，Google 大概率会上诉，从过往经验看，这类官司一拖就是好几年，执行时间和力度都不确定。所以现在只能说政策风向在变，但离真正能用上 Google 的搜索数据去训练或优化自己的 AI 助手，还有很长一段路。

天工这次放出的导演Agent，核心是让模型自动把剧本拆成分镜，同时规划演员站位和镜头角度，再生成多视角细节图。这直接冲着AI短剧两个老毛病去：角色脸变来变去、位置漂移。思路是对的，但正文没披露任何技术方案——Agent是基于什么模型、分镜准确率多少、角色一致性用什么方法保证，全都没说。 商业数据倒是给了：三部作品在海外短剧平台DramaWave上线，7天营收破百万美元。这个数字挺好看，但同样缺关键信息——成本多少、是纯AI生成还是人工后期修过、用户留存怎么样。如果是真的，说明AI短剧在海外能跑通付费；但没成本结构的话，利润就不好判断。 无限画布、720°全景图、3D导演台这些功能听起来像在补可控性，让制作过程更像传统影视工具。但正文没展示实际界面和操作流程，也没说这些功能对效率提升的具体数字。整体看，产品方向清晰，但技术验证和成本透明度都还差得远。

xAI 这次开源的是 Grok Build 的全部源码，不只是某个组件。代码里能看到智能体怎么拼上下文、解析模型回复、调用工具，还有终端界面和技能、插件、MCP 服务器这套扩展系统。最实在的一点：你可以自己编译，指向本地推理服务，完全离线跑起来。 这对想搞清楚编程智能体内部机制的人来说是个直接参考，不用靠猜或看二手分析。但正文没提开源协议是什么，也没说后续维护节奏——是社区驱动还是 xAI 主导更新，这点会影响长期可用性。另外，代码质量、文档完整度、跟自家模型的绑定程度，都得实际拉下来跑才知道。如果是真的干净可复用，对做本地化开发工具的人挺省钱。

Anthropic 给 Claude Code 的 artifacts 界面组件加上了 MCP 连接器调用能力。简单说，以前你在 Claude Code 里生成的仪表盘或小应用只能展示静态内容，现在它们可以按每个查看者的需求，实时去外部系统抓数据或触发操作。这对做内部监控面板、数据查询工具的人来说是个实打实的效率提升，不用再手动刷新或导出数据。 功能只开放给 Pro、Max、Team 和 Enterprise 付费用户，公开分享的 artifacts 明确不支持，说明 Anthropic 在安全和成本上做了限制。但正文没披露具体支持哪些 MCP 连接器类型，也没提调用延迟大概多少、并发上限在哪。如果是接数据库或 API 网关，延迟和稳定性会直接影响体验，这点先别太激动。 还缺一个关键信息：单个 artifact 能同时挂几个连接器，以及调用失败时的降级策略是什么。这些决定了它到底能用在生产环境还是只适合原型演示。

Alex Turner 7月15号发的这篇长文，把他从谷歌DeepMind离职的原因讲得很直白：谷歌跟五角大楼签了一份AI合同，而且没加任何使用限制。他之前在内部推过一套“红线框架”，想给政府AI合同划出禁区，比如禁止用于自主武器或大规模监控。事情捅到了Jeff Dean和Demis Hassabis那里，他还试图在会议上拉Bengio、Russell这些AI圈大佬公开施压，但都没成。文章里点名了好几位保持沉默的AI领袖，语气挺失望。 这篇东西的价值不在技术分析，而是一份内部视角的记录。Turner把跟Jeff Dean的午餐对话、内部沟通的细节都写了出来，能看出一个研究员在巨头决策机器面前能推动的空间有多小。不过要留意，全文是他单方面叙述，谷歌和文中被点名的人都没回应，我们看不到另一边的说法。另外他没提下一步去哪，也没说这份合同具体涉及什么技术、金额多大——这些信息缺口让判断只能停在“他说的这部分事实”上。如果是真的，这份合同等于把谷歌2018年承诺的AI原则里关于武器的限制绕过去了。

Telegram 这次把无服务器跑到了自己地盘上：你的机器人代码直接在它的 V8 沙箱里执行，物理上紧挨着 Bot API 和内置的 SQLite 数据库。对开发者来说，最直接的好处是省掉一台 VPS 或云函数——以前为了响应一个 /start 还得维护一套常驻服务，现在一条 npx tgcloud push 就上线了。官方给的演示机器人（消息计数器）只有两个文件，schema.js 声明表结构，handlers/message.js 处理逻辑，确实轻量。 不过限制也很明确：目前只支持 JavaScript，正文没提 Python 或其他语言的时间表。数据库是 SQLite，没有外键支持，复杂查询和迁移策略得自己掂量。另外，代码跑在 Telegram 的封闭沙箱里，出站 HTTP 能用，但能做什么、有什么资源上限，文章没展开。这点先别太激动——适合轻量交互和原型，真要跑重业务逻辑，还得看后续的配额和计费细节。