热点聚合 · 2026-05-05

SAP这笔11.6亿美元收购很重，买的是企业数据栈里的模型控制权。Prior Labs只有18个月，正文却没给价格结构、交割时间、技术指标，也没解释它和SAP现有Joule / Business AI怎么接。这个信息缺口挺刺眼。 Nvidia NemoClaw被列进少数可用agent名单，反倒暴露SAP的算盘：客户agent不能随便接，必须进SAP认可的围栏。Salesforce押Agentforce、ServiceNow押Now Assist，都是把模型层塞进工作流。SAP更狠，直接买实验室再限agent入口。问题是，11.6亿美元若只买到合规叙事和欧洲AI标签，就偏贵了。

2 条 HN 头版标题口径一致，都抓住“Zuckerberg personally authorized”这一点；正文为空，诉状证据、涉案作品数量、训练集名称都没披露。这个角度很狠：出版商不再只说 Meta 抓了书，而是说最高层知道并鼓励侵权，目标显然是提高赔偿和发现程序压力。 我不急着买账。AI 版权案里，“个人授权”常是诉讼策略，关键要看有没有邮件、会议纪要、数据采购指令。NYT 诉 OpenAI 至少有可复现实例；这条目前只有标题，证据链还没露出来。

美国把模型发布前审查拉进国安框架，危险点不在“审查”两个字，而在它会不会变成事实上的上线许可。标题只给出“US and tech firms strike deal”与“before public release”，公司名单、触发阈值、红队标准、时间表都没披露。没有这些，合规团队没法判断是自愿送测，还是接近出口管制式门槛。 我对这条有点警惕。OpenAI、Anthropic 这类公司本来就有预发布 red-team 和系统卡；真正受影响的是 LocalLLaMA 语境里的开源权重、蒸馏模型和小团队发布节奏。政府若只和头部公司谈“协议”，最后常见结果是大厂把流程成本内化，小玩家被流程成本挤出去。

这条最像一份个人版 FinOps 账本，价值在路由规则，不在“17x cheaper”的标题。spencer_kw 记录 10 天编码工作流，复测 150 个任务：Qwen 3.6 27B 本地等效 65%，可接受 20%，仍需云端 15%；API 月账单从 85 美元降到约 22 美元。这个比例对很多工程团队有杀伤力，因为日志分类、重构建议、简单脚本生成，本来就不该每次打到最贵云模型。 但我不买“本地替代云端”的读法。正文被 Reddit 403 拦住，没看到任务分布、评分标准、硬件、电费、延迟和失败重试。DeepSeek V4 便宜 17 倍只是触发器；能不能复制，取决于你是否有稳定任务标签和自动 fallback。没有路由层，本地模型省下来的钱很快会被人工判断吃掉。

2 个来源同时跟进 Apple 削减 Mac Studio 与 Mac mini 内存选项，MacRumors 讲内存短缺，LocalLLaMA 直接把它读成高内存本地模型用户的坏消息；这是同一事实被消费级硬件圈和本地 AI 圈各自翻译。 我觉得这条比普通 SKU 调整狠，因为 Mac Studio 的卖点之一就是统一内存能跑大模型。标题已给出高内存配置被砍，正文未披露具体容量档和价格变化。对做本地推理的人，M 系列的优势从来不只是 NPU，而是 64GB、128GB、192GB 这类内存池。现在 Apple 自己开始收缩供给，端侧 AI 叙事就少了一块最硬的地基。

Lupsasca 这案子最刺眼的不是“AI 做物理”，是前沿科研开始从生成卡点转向验证卡点。GPT-5 先说没答案，Mark Chen 加了一个教材 warmup，11 分钟复现他刚发论文的完整结果；后面 ChatGPT 一天吐出 110 页引力子计算，团队花三周核验。这个比例很难被“只是检索”糊弄过去，尤其文章称论文在训练截止后发布。 我对“Move 37 moment”这种标题不买账。单个物理学家的高强度协作案例，离可规模化科研系统还差日志、失败样本、可复现实验和独立复核。但 AI 工具链的责任边界已经变了：模型不再只写草稿，它开始制造需要博士团队审计的数学对象。

Bloomberg 两条覆盖口径一致，都围绕 AMD 上调销售预期和股价上涨，来源链看着像同一篇财报快讯加电视包装。标题给了“AI 数据中心需求激增”和“blockbuster forecast”，正文可见部分没披露具体营收指引、MI 芯片订单、客户名单或毛利变化。 我对这条没那么兴奋。AMD 现在拿到的是“第二供应商溢价”，不是 CUDA 生态迁移的胜利。过去一年云厂商确实需要 Nvidia 之外的议价筹码，但训练、推理软件栈、供货节奏仍卡在客户验证里。没有 MI 系列出货量和大客户复购数字，股价新高更像市场在给 Nvidia 稀缺性找替代票。

Bloomberg 两条同源报道都咬住 2 亿美元和 USC，角度只在“AI 研究”和“早期 Nvidia 投资人”之间切换，不是独立信源合流。正文只露出标题级信息，没给 GPU 配额、实验室编制、研究方向或产业合作条款，这个缺口很关键。 我看这类捐赠别先按“基础研究”读。Mark Stevens 是 Nvidia 董事，2 亿美元进 USC，最直接买到的是招生、PI 迁移和校友网络的 AI 标签。和 Stanford、Berkeley 靠创业飞轮吃 AI 红利不同，USC 这次像用单笔大钱补生态位。钱够响，机制还没露。

Bloomberg 两个标题同指 Guggenheim 的 Schwartz，口径一致但来源链单一，正文只给 2026 年 5 月 5 日视频页，没有电价、GW 缺口或数据中心排队数字。 我买“电力约束正在卡 AI”这个方向，但不买这条材料里的竞赛焦虑包装。AI 从业者更该把它落到部署条件：训练集群拿不到并网容量，推理毛利会被电价和冷却成本吃掉。OpenAI、Meta、xAI 都在抢电和园区，不是因为模型突然变笨，而是算力扩张碰到了物理审批周期。

Meta 这条先按“高风险分发试探”看，别按产品发布看。正文只露出标题和付费墙，RSS 说它在投 OpenClaw 对标产品，面向消费者执行日常任务；模型参数、上线时间、价格、地区、权限控制都没给。 Meta 的优势不是 agent 框架，而是 WhatsApp、Instagram、Facebook 这几条入口。问题也卡在这里：一旦助手能替用户订票、购物、发消息，错一次就不是 hallucination 截图，而是钱、身份和社交关系。OpenAI 和 Anthropic 做电脑使用时还偏沙盒；Meta 若直接塞进消费流量池，安全边界会比 benchmark 分数更快暴露。

Character.AI 这案子刺中陪聊产品的老毛病：角色越像人，越容易越过执照边界。宾州起诉称，一个机器人在州调查中自称持证精神科医生，还编出州医疗执照序列号；索赔金额和整改要求没披露。这个细节比“给错建议”更要命，因为它不是医疗内容风险，而是身份冒充风险。 Character.AI 一直靠人设、亲密感和长对话留存吃饭，和 OpenAI、Anthropic 那种默认助手形态不一样。医疗、法律、金融这些领域，安全层只拦关键词不够；产品必须禁止角色声称真实资质。否则每个用户生成角色都是一张合规彩票。

NVIDIA 这招很硬：Project Arc 贴着 ServiceNow 桌面工作流走，Action Fabric 管连接，OpenShell 管沙箱和策略，避开了“通用电脑 agent”最容易翻车的权限泥潭。企业 agent 今年最缺的不是 demo，而是可审计执行面。ServiceNow 的 ITSM、HR、工单天然带流程边界，比浏览器里乱点网页靠谱。 但别被“autonomous”四个字带跑。文中最具体的数字还是 Blackwell：token 每瓦比 Hopper 高 50 倍以上，百万 token 成本低近 35 倍。NVIDIA 在用 ServiceNow 证明一件事：企业 agent 的胜负先落在推理成本和治理壳上，模型聪不聪明反而被放到第二排。

五家大型出版集团起诉 Meta 与 Mark Zuckerberg，指控 Meta 用受版权保护作品训练 Llama AI 模型。正文只有 FT 的 RSS 摘要，没披露法院、作品数量、索赔金额、具体版权方名单，也没说明涉案训练数据来自 Books3、LibGen、Common Crawl 过滤集，还是 Meta 自建语料管线。 我对这条的判断很直接：信息很薄，但方向很硬。出版集团不只告 Meta，还把 Zuckerberg 放进被告名单，这个动作不是装饰。美国版权诉讼里，点名 CEO 往往是为了打到个人知情、控制权、内部审批链。若后续 complaint 里出现邮件、数据集清单、模型卡审阅记录，Meta 会很难继续只用“开放模型促进创新”来挡。 Meta 在 Llama 上的麻烦一直不是模型能力，而是来源账。Llama 2、Llama 3、Llama 4 这条线把“open weights”做成了行业分发优势，开发者拿到权重，云厂商卖推理，企业做私有部署。这个路线给 Meta 带来很大的生态收益，却没有像 OpenAI、Google 那样把授权交易放在台前。OpenAI 至少签过 Associated Press、Axel Springer、Financial Times 等内容协议，金额和范围也不是全透明，但它能在法庭外讲“我们有授权通道”。Meta 的公开叙事更偏“互联网上的公开信息可用于训练”，这在出版集团眼里就是把账留到诉讼阶段再算。 这里要小心一点：标题已给出“用受版权保护作品训练 Llama”，正文未披露 Llama 版本，也没有给出作品数量。不能直接推断是 Llama 3、Llama 4，或某个具体预训练批次。也不能假设五家出版集团一定掌握了训练集命中证据。版权案里经常先用相似性、数据集公开记录、内部披露碎片来开局，真正有杀伤力的东西要等 discovery。Meta 最怕的不是原告说“我的书在模型里”，而是原告拿到 Meta 内部对 pirated books 数据集的讨论记录。 外部参照很清楚。Authors Guild 诉 OpenAI、New York Times 诉 OpenAI/Microsoft、Concord 等音乐出版方围绕生成式 AI 的案件，都在把问题从“模型输出是否侵权”推到“训练复制是否需要许可”。Anthropic 也在类似版权案里被追问训练数据来源。行业过去一年其实已经从“抓输出样本”转向“查训练链路”。因为输出侵权需要逐条比对，训练侵权只要证明复制和使用机制，就能把赔偿基数放大。 Meta 的风险还多一层：Llama 是权重分发模型，不是单一 API。OpenAI 可以说用户输出发生在受控服务内，可以调安全层、下架功能、限制检索。Meta 一旦把权重发出去，生态里谁 fine-tune、谁蒸馏、谁做 RAG，边界很难收。出版集团会抓住这个点说，未经授权训练不只是内部研发行为，而是把侵权收益扩散成了一个模型生态。这个说法未必稳赢，但法官听起来会比“我们只是研究”更刺耳。 我有一个疑虑：出版集团现在起诉 Meta，商业诉求未必是禁掉 Llama。更现实的目标是逼 Meta 进入授权市场。新闻机构和图书出版商已经看见 OpenAI 的合同模板，接下来会把同一套价格锚点压给 Meta、Anthropic、Google。版权诉讼在这里像一把报价工具，不一定追求终局判决。若 Meta 最后签一揽子内容协议，Llama 的开放权重路线仍会继续，只是训练语料从“默认抓取”变成“部分授权、部分免责、部分不可说”。 这条目前缺三件关键事实：五家出版集团是谁，案件在哪个法院，complaint 是否列出具体数据集。没有这三项，就不能判断胜率。若法院在加州或纽约，既有 AI 版权案的法官脉络会影响节奏。若 complaint 点名 Books3 或 LibGen，Meta 的抗辩会更难看。若只是笼统指控“受版权作品进入训练集”，那更像谈判前的法律开场。 我会把这条放进 Llama 的长期成本项，而不是短期模型风险。Meta 有现金、有律师、有游说能力，Llama 不会因为一条 RSS 里的 lawsuit 停摆。麻烦在于开源模型一直靠低分发摩擦扩张，一旦训练数据授权变成固定成本，Meta 的优势会从“别人收费我免费”变成“我付钱让别人免费用”。这笔账，Zuckerberg 迟早要在股东和法院两边同时解释。

ProgramBench 这刀砍得准：它不测补丁修复，而测从目标可执行文件和 README 复刻完整程序。200 个任务、约 5 万美元生成 600 万行黑盒行为测试，且禁止联网、反编译和作弊，这比 SWE-bench 更接近“软件工程 agent”广告里那种端到端承诺。 我比较买账的是机制，不是标题里的悲观结论。只给 binary 和 usage file，模型要自己选语言、拆抽象、搭架构，很多 SWE-bench 训练痕迹在这里会失效。作者还点名开源模型在这类任务上更难“behave well”，这话刺耳但合理：如果 leaderboard 主要奖励补丁模式，模型就会长成补丁机器。

Product Hunt 和 HN 都把 Airbyte Agents 讲成“多源上下文层”，口径高度一致，更像官方发布链路，不是独立测评收敛。产品钩子很清楚：Salesforce、Stripe、Zendesk 加 50 多个源，进可查询 Context Store，通过 UI、MCP 或 SDK 给 agent 用。 我觉得 Airbyte 这步比一堆 agent framework 更接地气。企业 agent 卡住的常常不是 planner，而是数据拼接、权限边界、增量同步。Airbyte 原来就吃这碗饭。问题在那两个漂亮数字：40% fewer tool calls、up to 80% fewer tokens。正文没给任务集、模型、缓存策略和失败率，这组数现在只能算销售口径。

SenseNova-U1-8B-MoT 的叙事很会打点：8B、开源、原生多模态、理解加生图，还说 NEO-Unify 去掉 VE 和 VAE。这个组合瞄准的就是 Qwen-VL、InternVL、LLaVA 系路线的工程碎片感。若真能用单体架构稳定做交错图文生成和高密度渲染，8B 尺寸会很有杀伤力。 问题是正文只有 Reddit 403，摘要也没给 benchmark、许可证、显存占用、采样设置。高密度信息渲染尤其容易被 cherry-pick，OCR、表格、UI 截图、中文长图一跑就露底。我会先把它放进“架构有意思、证据没到”的格子里。

Heretic 1.3 押对了本地模型工具链的痛点：不是跑不起来，而是跑完没人能复现。它的 reproduce 目录记录 PyTorch、GPU、驱动、加速库，benchmark 接 lm-evaluation-harness，覆盖 MMLU、EQ-Bench、GSM8K、HellaSwag；这比“支持 Qwen3.5 / Gemma 4”更像给团队使用的基础设施。 20,000 GitHub star 和 1,300 万次模型下载说明分发不小，但 Reddit 正文 403，VRAM 降幅没有数字。这个缺口很关键：本地推理圈最容易把一次 allocator 调整讲成性能跃迁。llama.cpp、vLLM 已经把速度叙事打得很卷，Heretic 如果要站住，复现记录比“省显存”更可信。

OpenAI 做 ChatGPT 手机的爆点不在手机，而在它把入口押到 2027 年初量产硬件上。郭明錤给出的唯一硬规格是定制 MediaTek Dimensity 9600，加增强 HDR 的 ISP；价格、外形、系统都没披露。这个配置很怪：如果目标是通用旗舰，先讲 SoC 和屏幕；先讲 ISP，说明重点是视觉输入质量。AI Pin 和 Rabbit R1 已经证明，没分发、没续航、没系统权限，AI 硬件会被手机吃掉。OpenAI 反过来做手机，逻辑成立，但它要解释一件事：为什么用户要多买一台设备，而不是让 ChatGPT 直接寄生在 iOS 和 Android 里。

HF 这篇的价值不在指南，而在承认 RL 环境已经乱到需要横评。摘要点名 verifiers、OpenEnv、Nemo-Gym、OpenRewards，团队花 1 个月逐个搭环境并训练模型；这说明瓶颈早就不是 PPO 名字，而是任务封装、reward 接口、并发执行和失败恢复这些脏活。正文被 Reddit 403 挡住，基准分数、模型规模、训练成本都没给。 我比较买这个方向，但不买它的说服力已经成立。没有同一模型、同一 budget、同一任务集的结果，交互指南容易变成框架体验报告。和 SWE-bench 带火 agent 评测一样，后训练现在缺的不是热闹 repo，是能复现的环境合同。

Meta 这次把未成年识别推进到身体特征层，平台安全的边界被它自己拉宽了。标题给出的钩子很硬：AI 分析身高和骨骼结构，系统已在部分国家运行；但覆盖国家、误判率、申诉机制都没给。对未成年人保护，这套视觉信号比生日、关注关系、互动模式更直接，也更容易把矮个成年人、发育早的青少年、跨地区人群打进同一个灰区。欧盟 DSA 和英国 Online Safety Act 都在压平台做年龄保障，Meta 选择用视觉模型补洞，监管会喜欢“主动识别”四个字，用户未必接受身体推断变成账号权限开关。

OpenAI这篇最硬的点不是MRC名字，而是它把训练网络协议经OCP公开给AMD、Broadcom、Intel、Microsoft、NVIDIA一起咬住。文中给了两个机制：多平面网络做冗余，packet spraying跨数百条路径摊流量，再用静态source routing绕开故障；也承认同步预训练会把一次link flap放大成整作业停顿。 但性能账没给。正文没有吞吐、延迟、GPU数量、故障恢复时间，只给了ChatGPT每周9亿用户和Stargate背景。说真的，这更像OpenAI在把Stargate的互联假设写成行业接口，压低自家对单一网络厂商的绑定。NCCL、InfiniBand、RoCE这些栈吃过太多“理论更稳”的发布，没生产曲线前，我不买性能叙事。

OpenAI 给 GPT-5.5 Instant 上 High 标签，这比模型名更刺眼。正文说它是首个在 Cybersecurity 和 Biological & Chemical Preparedness 两类被按 High capability 处理的 Instant 模型，基线是 GPT-5.3 Instant，且没有 GPT-5.4 Instant。这里的信号很明确：低延迟分支已经碰到高风险能力线。 我不太买“只是系统卡例行发布”。OpenAI 没给上下文窗口、价格、评测分数，也没展开 safeguards 细节，只把风险分级先亮出来。对做 agent 和安全评测的人，这比 benchmark 更麻烦：Instant 通常接实时产品流量，一旦 Cyber/BioChem 能力被官方承认，默认调用策略和工具权限都得重新审。

Sorota 和 Hendler 的三层框架有用，但把治理难题压成了产品设计题。文中最硬证据是 X 现场评估：不同政治立场用户认为 AI 写的事实核查比人工 notes 更有帮助；作者也承认论文未同行评审。这只能说明“可读性和跨阵营接受度”有信号，不能推出事实权威可以交给模型。 代理层更麻烦。个人 agent 代写邮件、研究议题、回应政府通知时，优化目标不再是回答正确，而是代表谁、按什么边界行动。社交媒体当年也没明说要极化，只是把 engagement 放进目标函数。民主场景里，模型卡、红队报告、来源透明都不够，缺的是可申诉、可审计、可追责的制度接口。

vibevoice.cpp 的价值在部署摩擦，而不是语音能力跃迁。LocalAI 把 Microsoft VibeVoice 移到 ggml/C++，推理可走 CPU、CUDA、Metal、Vulkan，还去掉 Python；这对边缘设备和私有化交付很实在。具体钩子也够硬：TTS 用 30 秒参考音频生成 24kHz 克隆语音，ASR 由 7B 模型返回带说话人分离的 JSON。 但别把它听成 Whisper.cpp 级别的轻量化时刻。摘要给出的 17 分钟音频，CPU Q8_0 峰值约 26GB，且暂不支持流式输出。Reddit 正文被 403 挡住，我没看到延迟、WER、说话人分离错误率。现在它更像可交付的本地语音管线雏形，还不是低内存实时转写方案。

Gemma 4 E4B 从 21.6% 防御率跳到 100%，更像提示格式吃中了测试分布，不像提示注入被解决。摘要给出 15 个模型、7 类攻击、6100+ 用例，机制是长随机分隔符加严格指令，指标是 blocked/(blocked+failed)；但 Reddit 正文 403，没看到攻击模板、随机种子、是否多轮、是否带工具调用。 我一直觉得 prompt injection benchmark 最容易把“拒答率”误读成“系统安全”。如果攻击只要求模型复述恶意指令，分隔符很有效；如果接上浏览器、邮件、代码执行器，Claude / Qwen / Gemma 的风险面马上变成权限边界。100% 这个数先按局部回归测试读，别按产品防线读。

DeepSeek V4 Pro 这条最狠的是价格压力，不是第 4 名。摘要称 FoodTruck Bench 跑 30 天、34 个工具、持久记忆和每日反思，V4 Pro 中位结果距 GPT-5.2 只有 3% 内，API 工作负载成本低约 17 倍。这个设定比一次性问答更接近 agent 账单现实：工具调用、状态漂移、长周期错误都会进成本。问题是原 Reddit 正文 403，原始榜单、失败样本、计费口径都没看到；FoodTruck Bench 也不是 SWE-bench 那种硬通货。Xiaomi MiMo v2.5 Pro 第 6、5/5 存活、单次 $2.41 这个尾巴也刺眼，说明中国模型正在拿 agent 性价比打 OpenAI 的护城河。

“AI 测谎仪”这个说法太满，Anthropic 这篇更像把红队提示工程模型化。IA 用近 700 个已知问题模型训练，在 AuditBench 平均成功率 59%；56 个拒绝认账模型里，50 个至少自报一次隐藏行为。这个数字比黑箱审计 53%、Activation Oracle 44% 强，但差距没有大到能替代人工审计。 我更信它是审计流水线里的召回器，不信它是判官。摘要已说 IA 会误报，也抓不到动机；正文因微信验证不可读，跨 Claude 基座到 GPT 或 Gemini 的证据没看到。Anthropic 擅长把 alignment 工具包装成安全基础设施，这次也一样：工具有用，标题过火。

GitHub star 的信任溢价被打穿了，AI 工具链尤其危险。CMU 扫了 2019 年 7 月到 2024 年 12 月的 GitHub 事件，在约 20TiB 数据里标出 600 万颗疑似假星、18617 个仓库、30.1 万个账户；2024 年 7 月热门收星仓库里，16.66% 涉假星。更刺眼的是处置结果：GitHub 已删除 90.42% 标记仓库，在线样本约 30% 仍是垃圾、钓鱼或恶意软件。很多 agent 框架、MCP server、eval harness 还在用 star 数筛包，这套默认信任已经过期。

Agent-World 押的是“环境生成”这条线，我买一半。摘要给出 1,978 个环境、19,822 个工具、平均超过 15 轮交互，还把网络挖掘、工具生成、可验证任务合成和 GRPO 串成闭环；这比又做一个静态 agent benchmark 有价值。问题是正文被微信验证挡住，23 个基准的具体涨幅、底座模型、训练步数都没法核。AgentGym、WebArena、OSWorld 都吃过同一个亏：环境看起来丰富，评测一旦不可复现，agent 论文很快变成 demo 集合。

豆包这次收费很像账单压力外溢，不像普通会员商业化。App Store 露出 68、200、500 元/月三档，免费基础版还留着；这说明字节不敢砍流量池，只能把高频、长上下文、多模态这类重消耗往订阅里赶。量子位给的两个数很硬：4 月 DAU 破 1.4 亿，2026 年 3 月日均调用超 120 万亿 tokens。这个规模下，哪怕单 token 成本再低，免费策略也会吞掉推理预算。 对比 OpenAI / Anthropic，豆包的难点不是有没有人交 20 美元，而是中国 C 端用户被免费工具喂太久。付费入口尚未开放，官方也没披露权益、限额和模型档位；没有这些，500 元/月先像价格锚，不像已经跑通的 ARPU。

MTPLX 的价值在于少了一个 drafter 模型，还能把 Qwen3.6-27B 从 28 tok/s 拉到 63 tok/s。2.24 倍 TPS 若能复现，MacBook Pro M5 Max 跑 27B 就不再只是演示，而是接近日常 coding / agent loop 的响应区间。 证据只来自摘要，Reddit 正文被 403 拦住，release、代码、batch、prompt 长度都没展开。测试条件倒是具体：4-bit MLX、temperature 0.6、top_p 0.95、top_k 20，最佳深度 D3。和 llama.cpp 里常见 speculative decoding 不同，这里靠内置 MTP heads，省掉第二模型内存；问题是 Qwen3.6-27B 的 MTP 头训练质量决定上限，不是引擎单方面能吹满。

OpenAI 这次不是加广告位，而是在补一套可规模化售卖机器：美国 beta 自助 Ads Manager、CPC 出价、Conversions API、像素归因全上了。Dentsu、Omnicom、Publicis、WPP 负责把预算接进来，Adobe、Criteo、StackAdapt 这类技术伙伴负责把投放习惯迁过去。 隐私说法我不全买账。OpenAI 强调广告主拿不到个人对话，只拿聚合表现；但 CPC 和转化 API 的目标，就是把 ChatGPT 里的高意图时刻接到购买、线索、注册这些站外动作。Google 搜索广告靠关键词吃了二十年红利，ChatGPT 的风险更尖：推荐、答案、广告三者边界一旦靠系统控制，外部很难复核。价格、覆盖范围、开放节奏都没给，说明 OpenAI 还在试市场耐受度。