热点聚合 · 2026-05-16

这组 Reddit 跑分戳破了“新卡必胜”的偷懒判断：RTX 5070 在 12GiB 内模型解码快于 RTX 3090，14–31B 区间反被 24GiB 的 3090 拿下。55 次测试、5 个后端、0.35B 到 35B-A3B，样本不算实验室级，但足够贴近日常本地推理。 我更信这种脏数据，因为它把后端、量化和显存墙混在一起测。Strix Halo 也在表里，说明玩家已经在拿 APU、老旗舰、新中端一起算账。正文被 Reddit 403 挡住，原始表格和具体 tok/s 没法核验；但结论方向很熟：小模型看新架构，大模型先看 VRAM。

MagicPath 这次押的是 IDE 内画布，而不是再造一个 Figma 插件。演示里只需在 Codex 粘贴 1 条命令，就能拖拽 UI，并让 Codex 实时生成、编辑代码；这个入口选得准，因为开发者已经在 Codex 里看 diff、跑项目、改逻辑。 我不太买“设计开发流程合二为一”的满分叙事。正文没披露支持哪些框架、是否读现有 design token、组件库约束怎么处理。v0、Bolt、Lovable 早把文本到 UI 跑通了，坑一直在后半段：生成页面能看，进仓库后状态、样式、可维护性开始讨债。MagicPath 如果只能做画布层交互，就是更顺手的脚手架；能稳定改现有代码库，才有资格进团队工作流。

这篇把 agent 失败从“没想明白”挪到“想明白了但没动手”，我觉得比又一轮工具调用 benchmark 更有用。论文给的钩子很具体：隐藏状态可解码出应调用工具，不匹配率却有 26%-54%；问题集中在认知到行动的过渡，后期层最后令牌把信号旋转到几乎和动作正交。 这解释了很多 prompt A/B 的天花板：你把“请务必调用搜索”写十遍，也是在前端加压；如果后期层几何把意图和 action head 拆开，收益会很快撞墙。和 ReAct / function calling 那套相比，这条更像在说接口协议救不了内部路由。具体模型、任务集、干预规模正文没披露。

Deedy Das 这条刺到的是分配，不是 AI 能力。约 1 万名 OpenAI、Anthropic、Nvidia 创始人和员工拿到 2000 万美元以上财富，另一边是低于 50 万美元年包、裁员和技能折价的工程师。这个断层会直接改人才价格：顶尖研究员、infra、推理成本优化岗位继续被抢，普通产品工程师反而要和 Copilot、Cursor、Devin 式工作流一起被重新定价。TechCrunch 正文只给了 Das 的估算，没给样本和计算口径，所以 1 万人别当硬统计。但情绪是真的，2025 年那轮“会用 AI 的工程师替代不会用的工程师”已经变成薪酬表。

Dwarkesh 这篇最狠的地方，是把“智能=达成目标”这个 AI 安全圈常用定义逼到荒谬处。按这个定义，正文点名 Donald Trump、Xi Jinping、Vladimir Putin，甚至 Stalin，都该排在物理学家前面；可他们的权力来自合法性、组织信任和数亿人的协作，不是孤立大脑的推理能力。 这个 pushback 对 agent 叙事很有杀伤力。现在模型变强的主路径仍是 coding、工具调用、经济任务优化；它能把自动化公司做得更狠，不等于单个数字心智会凭策略推演接管制度。AI 风险讨论如果跳过机构、分发和授权，只盯“更聪明的个体”，会把威胁模型写成桌游。

预训练失败不是玄学，是一堆低级细节在万卡尺度上放大。Dwarkesh 给的钩子很硬：expert choice 会让 token n 的专家分配依赖 token n+k，token dropping 也会让后文 token 挤掉前文 token；这类训练期信息泄漏，部署时根本不存在。 更刺眼的是 FP16 collectives：累加到 1024 后，加 1 可能被舍回 1024，1 加 10000 次能算偏 10 倍。很多外部讨论还停在 6ND、B300 288GB HBM、FSDP 通信量参数量×3；这篇提醒的是，规模化训练的护城河有一大块叫“少犯蠢且能定位蠢”。

RLVR 用在科学发现上会被奖励时延卡死，不是因为科学不可验证，而是验证经常太晚、太脏。Dwarkesh 的钩子很硬：日心说 1543 提出，恒星视差到 1838 才测到；水星进动每世纪多 43 角秒，按海王星故事会去找 Vulcan，最后却是 1915 年广义相对论收掉。 这对现在的 reasoning 叙事是个冷水。代码和数学能靠单测、proof checker、SWE-bench 给密集反馈，科学理论的奖励函数混着审美、统一性、仪器条件和代际判断。把 RLVR 直接外推成“AI 会特别擅长科研”，我不买；它更像会先吃掉可模拟、可自动实验、可短环验证的科研边角。

RLVR 做科学发现的短板不是算力，是奖励信号太晚、太脏、太依赖人类品味。Dwarkesh 给的硬例子够狠：哥白尼 1543 年模型在精度和简洁性上都未必赢托勒密，开普勒 1619 年、牛顿 1686 年才补上理论收益，恒星视差到 1838 年才观测成功。这个时间尺度没法塞进今天的 RL 训练循环。 我觉得这篇是在给“科学可验证，所以适合 RL”降温。代码有单测，数学有证明检查器，AlphaGeometry 这类任务有明确判分；理论物理里，海王星 1846 年是成功模板，水星 43 角秒/世纪异常却把人带去 Vulcan，最后由 1915 年广义相对论收掉。RLVR 能吃短反馈红利，但科学里最贵的部分常常不是验证，而是知道该押哪种坏预测。

Eric Jang 这条最刺的是成本曲线，不是 AlphaGo 情怀。2016 年 DeepMind 靠工程、TPU 级算力和顶尖研究团队打穿围棋；2026 年，一个人花数月、租几千美元算力，就能从零实现强围棋 AI，并放出教程和代码。这个落差对今天的 agent / reasoning 公司很不友好：能力一旦被清楚定义，搜索、训练 recipe、开源实现会把门槛压得很快。别把它类比成通用智能复刻，围棋是封闭规则和可自博弈环境，条件太干净。但它说明一件事：昂贵的是第一次找到路径，后面贵的是分发、数据和产品粘性。

3 家同时跟进美国 AI 暴露岗位失业，标题口径高度一致；但可见正文没有行业、样本、时间窗和失业人数，像是围绕 Bloomberg 标题形成的单一来源链。 我的判断偏谨慎但不轻描淡写：入门岗位先掉，符合 GitHub Copilot、Cursor、客服自动化这两年的替代路径。企业不必裁掉全部员工，只要把 junior hiring 冻住，半年后履历入口就塌了。可没有 BLS 分项、工资分位和岗位定义，这条还不能拿来证明“AI 已造成大规模净失业”。

CAISI 这次把开源落后美国前沿讲得太满，证据链反而露出评估权力的问题。正文点名 9 个 benchmark，但 DeepSeek V4 的巨大 Elo 差异主要来自 CTF-Archive-Diamond 子集外推、CAISI 私有 PortBench、ARC-AGI-2 非公开榜计分法。一个私有项和两个特殊处理项，足够改写总分。 我更买 Interconnects 的怀疑：标准 bash、for-loop、固定 token budget，不等于 Claude Code / OpenCode 里的真实编码能力。Bun 从 Zig 到 Rust 的 100 万 LOC 迁移，已经把 ProgramBench 那类“不可行”结论打得很尴尬。开源闭源差距存在，但用 Elo 把它讲成单线扩大，我不太买账。

3 条来源都来自 Reddit LocalLLaMA，标题都围绕 Qwen 27B/122B 的 MTP 配置，正文只有 403，性能数字、llama.cpp 参数和显存占用都没给出。这个覆盖不是媒体共识，更像同一社区在围着一组可跑配置接力试错。 我的判断很简单：这条对工程师有用，但对模型能力没什么证明力。单张 RTX 3090 的 24GB 显存能否稳跑 Qwen 27B MTP，关键在量化档位、上下文长度、batch、KV cache；标题只给了“Single 3090”。LocalLLaMA 这类帖子常比官方 blog 更早暴露可用路径，但也最容易把一次成功启动包装成可复现性能。

Ring-2.6-1T 这波更像分发试水，不像一次模型代际证明。AntLingAGI 同时给出开源、OpenRouter 上线、5 月底前 75% 折扣，把门槛压到最低；叙事也选了最热的 agent 工作流：规划、工具调用、上下文维持、复杂任务执行。 我对“万亿级推理模型”这句先打问号。正文没有参数结构、上下文长度、价格基线、SWE-bench / τ-bench / ToolBench 结果，也没说 Async RL 和 IcePop 到底改了训练哪一段。现在开源 agent 模型最缺的不是口号，是长任务失败率和工具调用可复现日志。没有这些，OpenRouter 折扣只能证明它想被试用，不能证明它能进生产链路。

Tesla 这条最刺眼的是“远程操作员”四个字：Robotaxi 一旦靠人接管兜底，事故就不再只是自动驾驶失误，而是系统边界、延迟、责任链一起暴露。标题只给出两起事故，RSS 只剩 27 分、17 条评论；事故地点、伤亡、时间、车辆行为、接管触发机制都没披露。 Waymo 至少长期把 disengagement、运营区域和 rider-only 约束讲得很细。Tesla 如果只披露“有 teleoperator 涉事”，却不讲 teleoperator 是监控、建议、接管还是事后介入，这个信息反而更糟。它把 Robotaxi 从端到端能力叙事，拖回了远程客服式安全垫。

Anthropic 这次戳中了 AI 创业最常见的自欺：Claude Code 把原型成本打低后，创始人更容易把“能跑”误判成“有人要”。手册把风险拆到 Idea、MVP、Launch、Scale 四段，具体钩子是 false validation、confirmation bias、agentic technical debt、founder decision bottleneck。这个判断比“AI 让一人公司爆发”那套清醒得多。 我比较认同它对 Skills 的落点：护城河不在会不会调用模型，而在能否把垂直领域知识压成可复用资产。但 Anthropic 也有自己的叙事利益——把失败归因到 founder judgment，而不是 Claude Code 生成系统的可维护性边界。Agentic 技术债这四个字，最好别只让创业者背锅。

SANA-WM 最硬的是效率叙事，不是“世界模型”这个词。2.6B 参数、约 21.3 万公开视频、64 张 H100 训练 15 天、单 H100 生成 60 秒 720p；蒸馏版在 RTX 5090 用 NVFP4，34 秒去噪 60 秒片段。这组数如果能复现，会把长视频生成从展示模型拉回工程模型。 但 NVIDIA 这页也留了两个坑：模型权重标的是 soon，许可证和推理总时延没有给清；36x throughput 对比的是自家 benchmark，外部还没跑。拿它对比 Sora 或 Genie 这类闭源系统不公平；更该对比的是开源长视频路线里，谁能在单卡上稳住相机轨迹和后半段一致性。

机器人世界模型现在最怕被视频生成叙事带偏：画面越像，控制未必越稳。NTU MARS Lab 这篇43页综述抓住了硬点——机器人要预测“执行某个动作后的状态”，不是补一段好看的未来视频。正文列了 foresight、imagination-driven planning、data amplification，也点名 LIBERO、RoboTwin、CALVIN、SIMPLER 这些任务基准，评测口径该从 open-loop visual fidelity 转向 closed-loop task utility。 我赞成这个切口。VLA 过去一年把“看图给动作”推得很热，但接触、遮挡、长时序错误累积不会因为模型更大就消失。Cosmos Policy、VideoVLA 这类路线如果不能证明动作条件一致性和实时推理成本，最后还是漂亮 rollout。

Codex 这步把 ChatGPT 从代码聊天框推到开发机控制面，风险和价值都比普通工具调用高一档。摘要给出的具体机制是：按项目切换设备上下文和文件，还能通过远程 SSH 设置其他 VM。这里的关键不是“多设备协作”，而是 ChatGPT 变成了跨机器操作入口。 我对这条有点警惕。GitHub Copilot Workspace、Cursor、Devin 都在抢 agentic coding，但多数还卡在 repo、沙箱、云环境里。Codex 如果直接碰本地电脑和 VM，权限边界、操作回滚、命令审计就比 benchmark 更要命。正文未披露授权粒度、日志、密钥处理和失败恢复，这些不补齐，团队很难放心接进生产开发流。

3 条覆盖都来自 Bloomberg/Odd Lots 同一访谈链，标题口径一致，说明这是 Stripe CEO John Collison 主动推“agentic commerce”叙事，不是多家独立验证。 我不太买“重塑互联网”这个标题强度。正文只有标题和播客页壳，没披露 API、费率、风控责任、退款链路。对 AI 从业者来说，代理购物的难点从来不是让模型点按钮，而是授权、反欺诈、争议处理和商户集成。Stripe 确实卡在支付与商户侧，比 OpenAI Operator 或浏览器 agent 更接近交易闭环；但没有机制细节前，这更像提前占位。

Qwen3.6-35B-A3B 这次把开源 agent 的脸打亮了，但别急着把功劳全给模型。little-coder × Qwen3.6-35B-A3B 在 Terminal-Bench 2.0 拿到 24.6%±3.2，高过 Gemini 2.5 Pro on Gemini CLI 的 19.6%，也压过 Qwen3-Coder-480B on Terminus 2 的 23.9%。这组数最刺眼的不是 24.6%，而是 35B-A3B 配 scaffold 能越过 480B 组合。Terminal-Bench 这种终端任务吃规划、工具调用和恢复能力，单模型分数会误导判断。9B 只有 9.2%，也提醒别把“本地小模型可用”吹过头；可测量不等于可托付。

World-R1 更像一次奖励工程胜利，不是视频模型突然长出物理常识。它在 Wan 2.1 上不改架构、不加 3D 数据，用约 3000 条 Gemini 文本、Flow-GRPO 和四维奖励训练；1.3B 版 PSNR 比基线涨 10.23 dB，LPIPS 从 0.467 降到 0.201，这个幅度很硬。 我不太买“模型早就懂3D，只是没人叫醒它”这句。奖励里用了 Depth Anything 3、3D Gaussian Splatting、Qwen3-VL、HPSv3，裁判本身已经塞进了大量视觉先验。比较骚的是相机轨迹进初始噪声，不加控制网，还能压过 ReCamMaster / DAS 的画质分。短板也清楚：这套奖励会不会过拟合重建指标，正文没给跨模型复现。

氢离子这套打法比通用医疗问答靠谱，因为它先买证据源，再限制模型发挥。BMJ集团70本期刊十年内容、PICO语义匹配、GRADE证据分级、300多位临床专家评审，这些钩子都对着医生最怕的幻觉和误用。尤其是把1到2小时读文献压到3到5分钟，场景够硬。 我不太买“国内唯一站内阅读BMJ”就形成护城河。医学AI的麻烦在院内系统、处方责任、指南冲突处理和真实病例审计，正文没给价格、接入HIS/EMR方式、错误追责机制。UpToDate、DynaMed早就证明医生愿为可信证据付费；氢离子要证明的是中国医生会在日常决策里反复用它，而不是把它当更顺手的文献摘要器。

Codex+HeyGen 这条别按“剪辑软件完蛋”读，短口播自动化才是硬点。文中可复现的链路很窄：生成数字人女孩，约 1 分钟出口播，再按“10 秒后裁掉”“删第 8 秒闭眼”“字幕改单行”做局部修改。这个颗粒度对营销视频、销售培训、课程切片很够，对多机位、节奏、声音设计还远。Remotion+Claude Code 1 月也走过“视频即代码”，但卡在 React 和调试门槛；Codex 的优势是把 HTML/CSS/JS、素材检查、故障修复藏到对话后面。骚的是 workflow，不是画质。

Articraft的野心不在3D建模，而在把机器人仿真资产从手工活变成可迭代代码产物。它让智能体写代码、执行，再用物理反馈修正，产出超1万个物体、250个类别，关键钩子是“带关节”和“仿真就绪”。这比纯文本到3D网格更贴近训练需求。 我会压低一点预期：正文没给生成成功率、关节正确率、物理稳定性指标，也没说能否进Isaac Sim或MuJoCo流水线。Genesis、RoboCasa这类方向已经证明，机器人缺的不是漂亮资产，是可控、多样、可验证的交互分布。Articraft-10K如果评测不硬，最后还是研究数据集，不是生产级资产工厂。