今天 AI 圈在拼开源、拼基建，也在拼谁能管住它

美团 LongCat-2.0 完全开源，1.6T 参数压过 GPT-5.5 一点点

美团今天把 LongCat-2.0 整个开源了，MIT 协议，权重和推理代码都能直接用。这是个 1.6 万亿参数的 MoE 模型，每次推理只激活大约 480 亿参数，上下文窗口能塞进 100 万 token。

跑分上，SWE-bench Pro 拿了 59.5，刚好压过 GPT-5.5 的 58.6。

差距只有 0.9 分，别急着开香槟——这种级别的分差，换个测试集可能就反过来了。但 Terminal-Bench 2.1 拿了 **70.

8**，SWE-bench Multilingual 也有成绩，说明多语言和终端任务上确实下了功夫。

技术上有三个省资源的招：LongCat Sparse Attention 专门处理长文本，Zero-Compute Experts 会根据任务动态激活 33B 到 56B 参数，MOPD 按任务类型把请求路由到 Agent、Reasoning 或 Interaction 三组不同的专家。这套设计思路挺务实——不是一味堆参数，而是在怎么省着用上做文章。

美团这一手，更像是把内部已经跑通的东西拿出来，告诉大家"我们也有大模型，而且不藏着"。至于实际落地场景、API 定价、吞吐量这些，目前都没说。开源是好事，但开源之后有没有人用、能不能用起来，还得看社区反应。

扎克伯格画了张千兆瓦的大饼，但没给时间表

扎克伯格自己发帖说，Meta 正在建一个叫 Prometheus 的单一 AI 集群，功率超过 一千兆瓦，资本投入用他的原话是"数千亿美元"。他把自己的角色概括成三件事：把顶尖人才、钱和基础设施集中起来。

这个体量如果属实，比现在已知的任何公开项目都大一个数量级。但问题是，帖子里没有任何时间表、具体用什么芯片、能效比（PUE）这些关键信息。只有一句表态。

有意思的是，就在 5 月，Meta 刚裁了约 8000 人，又把 7000 人转岗到 AI 部门。扎克伯格自己在内部全员会上承认，AI 智能体的开发速度没达到高管预期，这次裁员不够"干净"，新的 AI 架构也还没见到回报。他预计未来 3 到 6 个月能看到 AI 投资的成效。Meta 今年计划在 AI 基础设施上砸最多 1450 亿美元。

一边是千兆瓦集群的豪言，一边是内部承认进度没达标。这两条放在一起看，Prometheus 更像是一张远期支票——方向明确，但兑现时间未知。

NVIDIA Kyber NVL144 跳票到 2028，背靠背方案也砍了

SemiAnalysis 爆料，Jensen 在 GTC 上秀过的 Kyber NVL144 项目延期超过一年，现在要等到 2028 年。同时 NVL72x2 那种把两个机架背靠背拼起来的方案也被取消了，Rubin Ultra 的横向扩展能力会因此受限。

这是爆料线程的第一条，正文还没展开具体原因。我会先打个折——可能是设计问题，也可能是供应链卡壳，也可能是客户需求变了。但不管哪种，NVIDIA 的硬件路线图出现这种级别的延迟，对下游云厂商和 AI 公司的算力规划都会有连锁反应。

等后续细节出来再看。

欧盟理事会绕过议会强推聊天扫描令，技术可行性存疑

欧盟成员国把一份已经失效的 2022 年旧草案重新捡起来，打算在夏季休会前走快速通道强行通过。这个规定要求 WhatsApp、Signal 这类通讯软件扫描所有用户聊天内容，包括端到端加密的消息，用来查找儿童性虐待材料。

欧洲议会事先没接到通知，被打了个措手不及。草案将在夏季休会前以紧急程序提交议会表决，多数议员可能已离会，反对需要绝对多数，几乎无法阻止。

但文章没说明扫描是在用户手机上完成还是在服务器端进行，也没提具体技术方案。端到端加密的数学特性决定了，任何扫描都意味着在某个环节解密——要么在设备端（等于给每台手机装后门），要么在服务器端（等于破解加密协议）。两种方案的技术可行性和隐私代价都极高。

监管的焦虑是真实的，但这份草案更像是政治姿态，离技术落地还有巨大的鸿沟。

英国金融监管机构警告：AI 军备竞赛太快，监管快跟不上了

英国金融行为监管局（FCA）说，金融机构在交易、风控和客服上抢着部署 AI，已经形成一场"军备竞赛"，监管机构必须拼命追赶。FCA 担心，如果 AI 用得又快又广，可能带来系统性风险——比如多个机构用同一套模型，一出错就连锁反应。

缺少具体案例或时间表，所以这点先别太激动。但监管的焦虑方向是对的：金融系统的特点是高度互联，一家机构的模型崩了可能拖累整个市场。2020 年 3 月美股熔断时，量化基金的模型集体踩踏就是一个先例——那时候还没大规模用大模型。

这条和欧盟的聊天扫描令放在一起看，能感觉到监管层面对 AI 的态度正在从"鼓励创新"转向"先看看风险"。

代码脏不脏不影响 AI 编程助手把活干成，但能省 token

SonarSource 的研究人员用 Claude Code 跑了 660 次实验，在 33 个任务里对比了"脏代码"和"干净代码"的仓库。结论挺反直觉：代码干不干净，不影响 agent 最终把任务做对的通过率。

但干净代码能让 agent 少用 7% 到 8% 的 token，重复打开同一个文件的次数也少了 34%。也就是说，代码整洁度不决定成败，但能实实在在省钱。

这个结论对实际开发有指导意义：如果你在用 AI 编程助手，重构代码的优先级可以往后排——先把功能跑通再说。但如果 token 开销是你的主要成本，保持代码整洁还是有回报的。

今日小信号

• Simon Willison 花 149.25 美元让 Claude Fable 揪出一个会静默丢数据的 bug：在发布 sqlite-utils 4.0 稳定版前，他让模型做最终审查，结果发现 delete_where() 方法执行后从不提交事务，导致后续所有写入操作被静默回滚。修复全程用了 37 次提示、34 次提交，改了 30 个文件。这个案例的价值不在技术本身，而在于证明了 AI 能做"最后一道防线"——在人类已经觉得没问题的时候，再扫一遍。

• Fly.io 把 AI 智能体的"大脑"和"手脚"拆开了：主循环跑在普通服务器上，每次要敲 shell 命令就扔进一个叫 Sprite 的一次性沙箱里，用完即毁。哪怕模型抽风执行了 rm -rf /，也只毁掉那个沙箱。思路简单但有效，适合已经在生产环境跑 agent 的团队参考。

• 达特茅斯统计课试点 AI 教材，期末成绩拉高了 0.71 到 1.30 个标准差：一个叫 Phosphor 的平台把 AI 批改的小测验嵌进阅读材料里，学生可以反复刷。结果 90.2% 的学生主动用了，而老师估计平时只有 10% 到 15% 的人会看教材。效果量不小，但得打个折：论文没报告 AI 批改和人工批改的一致性有多高，而且学生抱怨 AI 批改太严。

• 美国富人把孩子送进 AI 私校，学费几万美元，但教学效果没人验证过：Alpha 和 Forge Prep 这类学校每天让学生花两小时用 AI 学习软件，其余时间做项目。文章没给任何标准化考试成绩对比，等于这些孩子成了未经验证技术的付费测试员。

• 一位父亲为不会说话的自闭症儿子做了个沟通 App，意外找到产品-市场匹配：第一次带去言语治疗候诊室，所有妈妈和治疗师都看哭了。他决定即使再忙也要把这个 App 做出来。这条跟 AI 技术本身关系不大，但提醒我们：最好的产品往往来自最具体的痛苦。