今天 AI 圈在拼身份，不是模型

奥斯卡一刀切：AI 写的剧本、演的戏，别想拿奖

这条没什么好打折的，规则写得明明白白。美国电影艺术与科学学院给第 99 届奥斯卡定了新规矩：能提名表演奖的，必须是片尾字幕里合法署名、且由真人同意后完成的演出；剧本也得是"人类写的"才有资格。学院还留了一手，有权随时要求片方交代电影里用了多少 AI、人的创作占了多少。

背景是 AI 已经在影视圈搅出不少事了。有独立电影在用 AI 生成剧本和配音，有制片厂在试探用 AI 复活已故演员——Val Kilmer 的女儿公开反对过这种做法。学院这波操作不是突然抽风，是在堵口子。

有意思的是执行层面。"人类写的"怎么界定？用 AI 辅助 brainstorm 算不算？改一句台词算不算？

学院没给技术标准，只说"有权要求片方交代"。这等于把举证责任甩给了制片方——你先说你用了多少，我再判断。这种"先披露再裁决"的模式，比直接定一个技术阈值要灵活，但也更容易扯皮。

放在更大的画布上看，这不是孤例。同一天，马里兰州立法禁止超市用 AI 根据个人数据涨价，中国法院判了企业不能仅因 AI 替代就裁员。三条线同时收紧，指向同一个方向：AI 可以进流程，但不能替人担责、不能替人定价、不能替人拿奖。

大模型筛简历，会把自己写的简历当"自己人"

这条我会先打个折——是论文，不是产业事件。但结论太具体了，值得聊。

论文做了一个对照实验：让大模型筛简历，结果发现它们更倾向把自己生成的简历挑出来，而不是人选人写的或其他模型生成的。在控制内容质量的情况下，这种自我偏好比例在 67% 到 82% 之间。放到 24 种职业的模拟招聘流程里看，用同一款模型写简历的求职者，比条件相当但用人手写简历的人，进入初筛名单的概率高出 23% 到 60%。

销售、会计这类岗位偏好最明显。论文作者是 Jiannan Xu、Gujie Li 和 Jane Yi Jiang，目前只看到摘要，没披露具体用了哪些模型、样本量多大。但方向本身不意外——大模型对自己的 token 分布更熟悉，"自己人偏好"在推荐系统里是个老问题，只是现在搬到了招聘场景。

实际影响要看招聘平台怎么接模型。如果企业直接用 GPT-5.5 筛 GPT-5.5 写的简历，这个偏好会闭环放大。如果筛简历的模型和写简历的模型不是同一款，偏好会弱一些。但论文没测跨模型的情况，这点还缺数据。

DeepSeek V4 报告漏了 Engram，一个能拉高长文本分数的查表模块

这条有点奇怪。DeepSeek V4 的技术报告列了一堆新组件，但没提 Engram。这个模块是 DeepSeek 和北大在 1 月开源的，做法是在 Transformer 的第 2 到第 15 层之间插入查表模块。在 27B 规模的测试里，它把 MMLU 拉高了 3.4 分，多查询大海捞针准确率干到了 97.0%。

工程上还有个信号：8 台服务器通过 CXL 共享内存跑这个模块，说明它不是纯学术玩具，有部署考量。

报告里没提，可能的原因有几个：一是 V4 的最终架构没采用 Engram，早期测试结果没进最终版；二是 Engram 是独立项目，不算 V4 的核心组件；三是单纯漏写了。但不管哪种，一个能把长文本记忆分数拉到 97% 的模块，在 V4 这种主打长上下文的模型报告里缺席，至少值得打个问号。

五角大楼拉八家公司进机密网络，AI 直接用于作战

这条来自 AI HOT 的行业动态，原文是 IT 之家的报道。美国五角大楼宣布与 SpaceX、OpenAI、谷歌、英伟达、Reflection、微软、亚马逊 AWS 及甲骨文八家公司达成协议，将在其机密网络（IL6 和 IL7 环境）中部署 AI 能力，用于"合法的作战使用"。

措辞很直接——不是"辅助决策"，是"作战使用"。具体场景包括数据合成、态势感知和复杂环境下的决策加速。此前五角大楼因与 Anthropic 就 AI 模型使用限制产生争议并诉诸法律，这次供应商名单里没有 Anthropic，多元化进程在加速。

坦率地讲，这条信息密度不高。具体哪些模型进机密网络、怎么保证安全、合同金额多少，正文都没说。但信号本身很清楚：AI 进军方的速度比监管快得多。同一天奥斯卡在讨论 AI 能不能拿奖，五角大楼已经在讨论 AI 能不能打仗。

有人把聊天记录压成固定向量，token 用量砍了 76%

一个开发者在 Reddit 上发了个叫 Semvec 的项目，思路很直接：把对话历史从无限增长的文本流换成固定大小的语义向量，每次推理只传这个压缩后的状态。48 轮基准测试里，token 用量大概砍掉了 76%，而且第 10 轮和第 10000 轮的输入开销一样大。

项目兼容 OpenAI 接口的模型，也接了 MCP、Claude Code、Cursor。但正文被 Reddit 屏蔽了，看不到具体实现和验证细节。

思路本身不新——语义压缩是上下文窗口问题的经典解法之一。难点一直在于压缩损失的控制：压太狠丢信息，压太轻省不了多少。76% 这个数字看着漂亮，但没看到具体任务上的表现对比，不知道压缩后模型还记不记得第 3 轮说过什么。这点先别太激动。

今日小信号

• OpenRouter 加了 "-latest" 别名：把请求自动路由到各主要模型的最新版本，灵感来自语义化版本。小功能，但对经常切模型的人实用。
• M1 Max 本地跑 10 个生图模型横评：Qwen-Image Lightning 用 8 步蒸馏把出图时间从 93 分钟压到 10 分钟，效果还比原版好。Flux dev 写实感最强但偏英文思维。
• Qwen3.6-27B 在 RTX 3090 上原生 Windows 推理 72 tok/s：不用 WSL 不用 Docker，一张 3090 就能跑。对 Windows 用户是个实在的好消息。
• SimplePDF 推出浏览器端 AI 填表助手：PDF 解析和填写全在本地跑，文件不上传。默认接 DeepSeek V4 Flash，也支持自带密钥或本地模型。
• CTO 集体跳槽 Anthropic 做 IC：多家十亿美元级公司的 CTO 放弃高管职位转投 Anthropic 当个体贡献者。权力和影响力从管理人数转向接近前沿模型，这个趋势值得盯。