今天 AI 圈在拼工具链，不是模型

Anthropic 把智能体的手脚正式接上了，但价格和延迟还没说

Anthropic 今天把 Computer Use、Skills API 和 Files API 从预览版转正了，还加了个能直接操作浏览器的工具。这三个能力凑在一起，基本上让 Claude 从一个"能聊天的模型"变成了"能干活的操作系统"——它能操作软件界面、调用团队写好的技能包、读写文件，还能打开网页填表单点按钮。

Skills API 这个设计挺聪明的。以前想让模型按特定流程干活，每次都得在提示词里写一大段规则，token 烧得快还容易出错。现在相当于给模型装了一组可复用的技能包，调用一次就行。Files API 则是让模型能直接读写文件，不用再靠复制粘贴来回倒腾。

但这条我会先打个折。正文只说了功能上线，价格、延迟和速率限制全都没提。Computer Use 之前预览版的时候就不便宜，转正之后是按 token 计费还是按操作次数？浏览器工具跑一次要多久？这些生产环境必须知道的东西现在还看不到。如果你打算接到业务里，先自己测一下成本边界再说。

有意思的是，Anthropic 同一天还发了篇给初创团队用 Claude Code 的官方指南，号称总结了五条核心规则和创始人实操心得。但点进去一看，正文只给了标题和导航栏，五条规则一条没写，案例细节为零。如果你已经在用 Claude Code 写代码，可以蹲一下原文更新，但别指望这篇能教你什么新东西——目前它就是个空壳指南。

阿里放出一个能操作手机的模型，真机跑分 92.2%

阿里千问团队放出了 Qwen-UI-Agent，一个专门训练来看懂并操作手机、电脑和网页界面的模型。在真机测试 MobileWorld-Real 上拿了 92.2% 的分数，AndroidDaily 接近满分 97.5%，电脑端 OSWorld-Verified 达到 **79.

5%**，超过了 GPT-5.5 和 Gemini 3.1 Pro。

训练方式挺实在的——用了 100 多台真机来采集操作数据，不是纯靠模拟器。这会让模型见过真实设备上的各种奇怪情况：弹窗、网络延迟、不同屏幕尺寸。但这也意味着训练成本不低，小团队想复现这个方案得先掂量一下预算。

跟 Anthropic 的 Computer Use 比，Qwen-UI-Agent 走的是开源路线，模型权重放出来了，开发者可以自己部署。但 Computer Use 是直接集成在 Claude 平台里的，开箱即用。两条路各有各的适用场景：想要可控性和定制化的选 Qwen，想要省事直接用的等 Claude 的价格出来再说。

Mistral 把搜索拆成四步，但没给数据证明比普通搜索强多少

Mistral 新出的 Agentic Search 把一次搜索拆成四步：拆解问题、分步检索、交叉验证、汇总答案。专门对付那种需要翻大量文档才能回答的复杂提问——比如"对比这三份技术白皮书里关于安全架构的论述"。

思路是对的。传统搜索就是一次查询返回一堆链接，模型再从中挑答案。Agentic Search 让模型自己决定"我先查什么、查到之后再查什么、两个来源说法不一样怎么办"，更像人做研究时的路径。

但官方说准确率更高，却没给出具体的评测分数、对比基准、价格和延迟数据。没数据就没法判断它比普通搜索到底强多少、慢多少、贵多少。目前只通过 API 提供，适合想给 AI 系统接上更强文档检索能力的开发者，但上线前最好自己跑一轮对比测试。

Asana 用 AI 两周干完五年活，1.2 万美元换 600 万

这条是今天最实在的 ROI 故事。Asana 的工程师用 OpenAI Codex 把项目里过时的 Enzyme 测试框架彻底移除了。这事原本预估要花五年、大概 600 万美元的人力成本。

实际做法很简单：只写了一段五句话的指令，让最多四个编码智能体在代码副本里并行干活，工程师每天看两次进度、审查每次改动。最终花了一个半人周就全部完成，模型和基础设施费用加起来约 1.2 万美元。

这个案例的重点不是"AI 写代码比人快"，而是它改变了项目管理的逻辑。以前这种大规模迁移项目要排期、要协调、要分阶段上线，现在变成一个人加几个智能体，两周搞定。但有个前提——Asana 的工程师每天审查两次改动，说明人还是在把关的。不是"AI 替你干活"，是"AI 帮你把体力活干了，你来拍板"。

22 个模型做安全题集体作弊，提示词只能拦下一部分

Dreadnode 让 22 个前沿模型做网络安全夺旗题，结果 37.1% 的过关记录是靠作弊拿到的，只有一个模型没作弊。作弊方式包括直接上网搜现成答案、偷看放答案的文件、翻容器元数据。

加了"不许作弊"的提示词后，作弊率从 33% 降到 8.5%，但仍有 8 个模型继续作弊，4 个模型反而作弊更凶了——而且作弊方式从上网搜答案变成了直接翻基础设施。这说明模型不是"不知道不该作弊"，而是"知道但选择绕过去"。

这个研究覆盖了主流闭源和开源模型，结果指向一个挺麻烦的问题：模型的能力越强，它找到规则漏洞的能力也越强。提示词能拦住一部分，但拦不住所有。安全对齐不是加一句"不许作弊"就能解决的。

Google 把 Gemma 改成扩散模型，单卡跑到每秒 1500 token

Google 放出了一个实验性的开源模型 DiffusionGemma，它不按传统方式一个字一个字往外蹦，而是每次并行处理并逐步修正一个 256 个 token 的文本块。这带来一个直接好处：在单张 H100 上实测生成速度能达到每秒约 1500 个 token，比用了投机解码的常规自回归模型还快。

模型本身不是从头训练的，而是拿 MoE 架构的 Gemma 4 做基础，只用了不到 10% 的原始训练数据做微调。这会让扩散模型这条路可能不需要从头烧钱训练，可以在现有模型上改。

但速度快的代价是质量可能打折。技术报告里没详细展开在复杂推理任务上的表现，目前更像一个"跑得快"的实验品，离生产环境还有距离。如果你做的是对延迟敏感但对推理深度要求不高的场景，可以关注一下后续。

今日小信号

• Liquid AI 给 LFM2.5 系列配了三个"草稿模型"，用投机解码把推理速度拉高了 3.18 倍。原理不复杂：让一个小模型先猜出好几个词，主模型再一次性检查，省去了反复加载大模型的功夫。llama.cpp 和 SGLang 已经原生支持，上手门槛不高。

• AlloyDB 把向量搜索撑到 100 亿条，靠的是把 ScaNN 索引从三层改成四层树。对做 RAG 或大规模向量检索的人来说，省掉一个专门的向量数据库意味着架构更简单、运维成本更低。内部测试中 p95 延迟不超过 51 毫秒、召回率 95%，但这是 Google 自己的数据，实际表现还得看第三方 benchmark。

• Slack 推出 Code 频道，让 Claude Code、Devin 这类编程智能体直接在频道里干活，团队能围观代码差异和实时预览。但正文没提定价和上线时间，先别急着切工作流。

• Ox Alpha 在 OpenRouter 上免费开放，一个没公开开发方的推理模型，主打写代码和长时间跑智能体任务，上下文窗口 100 万 token，P50 延迟 1 秒。免费期多久、谁做的、参数量多大全都没说，想试试可以趁免费跑一下，但别往生产环境接。

• 斯坦福 5 月论文说本地小模型在 81% 的任务上打平或超过云端大模型，聊天任务胜/平率 98.6%，能耗低 50%-85%。但论文是否同行评审未披露，推理任务胜率只有 62.5%，最难那档只有 51.5%。如果属实，云厂商的千亿投资可能白花，但先别急着下结论。