热点聚合 · 2026-05-22

AlphaProof Nexus 把数学 AI 的门槛放回可验证轨道，别再拿漂亮推理链当证明。它在 353 个 Erdős 问题里解出 9 个，在 492 个开放猜想里证明 44 个序列猜想；数字不炸裂，但机制够硬：LLM 读取 Lean 编译错误，反复修正证明，还能调用更强工具拆子问题。 我一直觉得 AlphaGeometry 那类结果容易被外界误读成“模型会数学”。Nexus 更接近工程真相：LLM 负责撒候选路径，Lean 负责拒绝幻觉。短板也清楚，Erdős 命中率只有约 2.5%，离通用数学助手还远。

黄仁勋这次把需求曲线画得太猛，3-4 万亿美元年 AI 基建开支直接压过华尔街共识。Needham 整理的共识是 2028 年超大规模云厂商 CapEx 才到 1.03 万亿美元，英伟达 CFO 给的时间线则是 2030 年前到 3-4 万亿美元；同一篇里，四大云厂商 2026 年预计也只有 7250 亿美元。 我不太买账的是叙事顺序：先用 2027 财年 Q1 816 亿美元营收、752 亿美元数据中心收入证明需求，再把 Agentic AI 计算量“比两年前高 1000%”接上。这里缺的是客户 ROI，不是更多电力故事。Meta 1250-1450 亿美元 CapEx 已经被市场砸了 9.25%，资本市场并不自动接受“多建就是多赚”。

Claude Code v2.1.149 暴露的是工具型 agent 的老问题：能力一接本地 shell、Git worktree、遥测脚本，权限边界就比模型能力更先出事故。这个版本同时修 PowerShell 权限绕过、Git worktree sandbox allowlist overflow、带空格路径下 otelHeadersHelper 失败，3 个点都在执行链路，不在聊天体验。 /usage 分类统计和 allowAllClaudeAiMcps 更像企业采购需要的控制面。比较骚的是，Anthropic 一边推 cloud MCP connectors，一边给企业一个全开开关。MCP 生态跑得越快，默认信任就越贵；Claude Code 现在拼的不是补全多聪明，而是谁能把 agent 的系统权限关进笼子。

Claude把Auto Mode放进Pro，说明Anthropic开始拿普通付费用户训练agent习惯，而不是只服务Max档和开发者。具体钩子很清楚：Sonnet 4.6、Opus 4.7都能跑，入口是Shift+Tab，这比再发一个API参数更接近真实使用频率。 我对这条有保留：正文没给限额、价格变化、地区范围，也没说Auto Mode能连续调用哪些工具。Claude Code这半年已经证明，agent入口一旦顺手，token消耗会很快变成账单问题。Pro能用，不等于Pro扛得住。

NTSB 的公开案卷碰上语音克隆后，原来的信息分级已经失效。文章标题给出撤下案卷，副标题点明有人用 workaround 绕过禁止披露 cockpit audio recordings 的法律；但案卷编号、音频来源、撤下条件都没给。这里的硬问题不是某个网友恶趣味，是文本证据现在能反推人格化声音，调查透明和遇难者尊严被同一个 PDF 卡住。音频模型这两年把几秒样本克隆做成消费级功能，ElevenLabs 一类工具早就证明门槛不在研究实验室。NTSB 只撤 docket 属于事后止血，没解决公开记录该不该带可合成声纹材料。

这条最有用的判断是：agent 编排模型可以小，但不能蠢在接口契约上。摘要给的配置很具体，Qwen3.6-35B-A3B 约 3B 激活、12GB 显卡、30 expert offload、40 t/s，本地 ReAct loop 能跑；更小 dense model 先开始编造参数、重复坏调用，而不是先输在推理深度。原帖正文被 403 挡住，没法核验任务集和失败样本。我会把它和代码生成模型拆开看：code-gen 继续吃大模型，orchestrator 更像低延迟状态机，关键是 schema adherence、retry policy、tool-result grounding。

Microsoft 取消 Claude Code 许可证这事，最像一次生态边界收紧，而不是单纯省钱。正文只有 archive 链接、HN 99 分、56 条评论；取消范围、触发原因、是否影响 GitHub / VS Code 团队都没给。这个缺口很关键，因为 Microsoft 同时卖 GitHub Copilot、押 OpenAI、还把 VS Code 当开发入口，Claude Code 直接插进同一条工作流。 Anthropic 过去一年在 coding agent 上吃到开发者口碑，Claude Code 又绕开了传统 IDE 插件的分发秩序。Microsoft 如果只砍内部报销，那是采购口径；如果限制员工使用，那就是在把 agent 工具链拉回自家栈里。标题太薄，但方向不薄。

Kakuna 这类工具押的是代码代理的脏活市场：不是生成 demo，而是把 MVP 里测试、重构、审查这些债一次性还掉。正文给的硬钩子是一次约 16 小时运行、生成上百次提交，并用内置检查清单和“计划-目标”工作流保持功能不变。 我买这个方向，不全买这个叙事。Devin、Cursor、Claude Code 过去一年都在抢“写新代码”的心智，Kakuna 选“反代码腐化”更像真实团队预算。但上百次提交不等于工程质量，关键指标应该是测试覆盖率变化、回归缺陷数、构建耗时、人工 review 返工率。正文没给这些，只给了工作流名和提交量。

谷歌这套 Agent 工具链的压迫感在入口，不在模型。Antigravity 2.0、Gemini API 托管代理、WebMCP 进 Chrome 149、DevTools 开给代理，四件事连起来，是把开发、网页工具暴露、调试、部署塞进同一条 Chrome/Gemini 管线。OpenAI 和 Anthropic 都在推 agent SDK 与电脑使用，但它们没有 Chrome 这个默认执行面。问题也很清楚：正文没给 WebMCP 权限模型、安全边界和托管代理 pricing。网页向代理暴露工具这件事，若没有细粒度授权，很快会从开发者福利变成注入攻击入口。

96k 中位输入说明编码 agent 的成本重心已经移到前缀处理，不是最后那几百 token 输出。SemiAnalysis 抽了 43.2 万个真实请求，这个量级够吓人；单次调用在用户开口前就吃掉一本《了不起的盖茨比》，32k/64k 上下文的产品假设会被工作区、检索结果、工具日志挤爆。 我不急着把它当全行业曲线。正文没给模型混合、时间窗口、采样方法、缓存命中和价格层级。Claude Sonnet 这类长上下文编码流量，和便宜 MoE 的边际成本完全不是一回事。结论先收窄：卖 coding agent 的公司，pricing 不能再按聊天机器人心智算。

这个 fork 戳中本地 MoE 的痛点：不是模型不够小，是 expert 调度把 PCIe 和内存带宽磨死了。标题给出 Qwen3.6-35B-A3B 在 RTX 2060 上从 19/22 tk/s 升到 26 tk/s，约 62% expert-cache 命中率；正文只有 Reddit 403，没披露 prompt 长度、量化格式、batch、CPU/RAM。这个数先别当通用收益，但方向很对。llama.cpp 去年把量化和 offload 做成默认武器后，下一层瓶颈就是 MoE 热 expert 的驻留策略。Qwen、Mixtral、DeepSeek 这路模型越多，本地推理越靠缓存策略吃饭。

DeepSeek 这刀砍得很实，V4 Pro 从 5 月 31 日后固定到原价 1/4，不再靠限时促销撑开发者心智。表里给了硬数：cache miss 输入 $0.435/M，输出 $0.87/M，cache hit 输入 $0.003625/M；上下文 1M，最大输出 384K，并发 500。 比较骚的是 cache hit 价格已经是发布价 1/10，这会把长上下文应用的账本打穿。Claude Sonnet 4.5 我记得在 $3/$15/M 量级，没核实到当前价；即便只看数量级，DeepSeek 也在逼对手解释“高价 API”到底买到什么。

这集最有用的地方，是把 AI 芯片竞争拉回电路级约束，而不是融资和产能故事。Pope 从 4-bit 乘法、8-bit 累加、16 个 AND 门讲到 systolic array，再讲 pipeline register、FPGA 和 ASIC，核心钩子很清楚：矩阵乘不是魔法，代价常卡在数据怎么动。Dwarkesh 明说自己是 MatX 早期投资人，所以这不是中立教材。可这层利益关系反而让判断更清晰：MatX 想占的位置，不是再讲一个“替代 GPU”的口号，而是把 TPU 式专用化、scratchpad、编译器协同这些老问题重新打包给推理时代。英伟达护城河仍在 CUDA 和供货，不在单个 MAC 单元。

Google 这副 Android XR 眼镜还没过产品门槛，先过了叙事门槛。正文只有 Gemini 翻译、导航、视野叠加这三个钩子，价格、上市时间、续航、重量、视场角都没披露。对眼镜来说，少一个续航数字就不是小缺口，是整条体验链断掉。 我不买“almost there”这个标题。Meta Ray-Ban 至少用拍摄、音频、社交分享绕开了显示难题，Google 这次直接把信息压到视野里，难度高一档。Gemini 能不能听懂和翻译反而不是最大问题，热量、电池、隐私提示和全天佩戴才是硬门槛。

两条 Reddit 都围着 Qwen3.6-27B 的 16GB NVIDIA 显存推理打转，一个强调 IQ4_KS for ik_llama.cpp，一个给出 40 tok/s；正文被 403 挡住，细节只剩标题链。 我的判断很简单：这类量化发布的价值不在“27B 能塞进 16GB”，而在社区把可用门槛压到 RTX 4080 / 4090 Laptop 这一档。40 tok/s 如果没有 prompt 长度、batch、上下文长度和采样参数，工程含金量要打折。对比 Qwen2.5-32B、Llama 3.1 8B 的本地生态，Qwen 27B 这档最尴尬：够聪明，但显存卡脖子；所以纯量化一旦稳，吸走的是中端本地用户。

Genie 接入 Street View 很会选切口：不用先证明会生成“世界”，直接借 Google Maps 的真实地点做可信度外壳。标题只给了美国真实地点，正文未披露支持城市、生成机制、价格或开放范围，这几个缺口决定它是产品、研究 demo，还是 Maps 里的彩蛋。 我对这条有点怀疑。Genie 之前强在从图像生成可交互环境，但街景数据天然稀疏、视角固定、动态物体还脏；如果交互只是在街景纹理上跑一层游戏化导航，那离可泛化 world model 还差一截。

文本退化不是小毛病，是线上 LLM 评测长期装没看见的故障类。Dharma-AI 点名重复、不连贯、逻辑混乱三类现象，但 RSS 正文没给发生率、触发条件、模型名单，也没给量化指标，这让论断停在正确但偏软的位置。 我同意方向。SWE-bench、MMLU、GPQA 这类基准测的是任务完成，用户看到的却是长会话第 12 轮开始复读、工具失败后编故事、JSON 外溢后继续硬答。OpenAI、Anthropic 都在讲 agent reliability，但如果不把退化率按上下文长度、采样参数、工具错误分桶，线上事故还是会被漂亮分数盖住。

Superset 的说法有吸引力，但现在最硬的信息只到“git worktrees 并行跑 Claude Code、Codex、OpenCode”。这抓住了 2026 coding agent 的真实痛点：单 agent 写代码已经不稀缺，稀缺的是隔离分支、并发试错、人工挑选结果。Cursor 早就吃掉 IDE 入口，Claude Code 吃掉终端心智，Superset 想卡在两者之间的调度层。 问题是正文未披露 benchmark、冲突处理、权限隔离、remote pricing，也没有说明 Remote Workspaces beta 怎么处理 secrets 和长任务恢复。开源能降低试用门槛，但如果只是 worktree 包一层 UI，护城河很薄。这个方向对，证据还不够硬。

这条最大的风险是把 Karpathy 的工程直觉包装成可验证的模型增益。正文给了 65 行、4 条规则、22 万星标、65% 到 94% 准确率，但没说任务集、样本量、基线 Claude 版本、是否人工评分。对 AI coding 来说，这些缺口足够致命。 我买“CLAUDE.md 能显著减少乱改代码”这个方向。慢下来、追求简洁、精准修改、目标驱动，本来就是 Cursor / Claude Code 用户反复沉淀出的规则。但 29 个百分点提升太像传播数字。和 SWE-bench Verified 这类固定集不同，个人 repo 上的成功率很容易被任务选择和验收标准抬高。把它收进团队模板没问题，把它当 94% 方法论就过了。

Google 这次把科学 AI 叙事推向 Gemini for Science，风险是把可验证工程和代理幻觉混在一起。文中最硬的证据仍是 WeatherNext：它在 Hurricane Melissa 登陆牙买加前给出预警，甚至可能救命；AlphaFold 也有诺奖背书和科研使用记录。相比之下，AI Co-Scientist、AlphaEvolve 被打包成申请访问的系统，正文没给开放范围、评测协议或失败率。 我不太买“站在奇点山脚”这套。DeepMind 强在 AlphaFold、WeatherNext 这种被问题约束的模型，不是把 LLM agent 放进科学流程就自动长出科学判断。OpenAI、Anthropic 这两年也都在卖 agent，但科研场景的奖励函数比 coding 难太多。

发改委这次押的不是人形机器人表演，而是具身数据和中试基地的公共底座。北京亦庄半马参赛队从 20 余支涨到百余支，完赛队从 6 支涨到 40 余支，说明硬件、平衡控制、自主导航确实在爬坡。但比赛完赛率不能直接外推到工厂节拍、商场安全、家庭长尾任务。 我更信训练基础设施这条线。具身智能现在缺的不是发布会里的“大小脑”名词，而是可复用数据、场景闭环、失败样本和统一评测。Figure AI、Tesla Optimus 都卡在同一个地方：demo 容易，稳定干活难。金额、基地数量、开放规则没披露，地方项目很容易最后变成机器人展厅。

有道这次开源更像垂类防守，不像通用模型进攻。子曰4多模态只有27B，却把钩子放在带图表数理、中文数理81.4%、思维链长度压缩43.2%；这套指标服务的是作业、考试、拍题，而不是Chatbot日活。 TTS更有产品味：3秒零样本克隆、97%克隆任务准确度、14种语言，还强调跨语种情绪迁移。问题是正文没给许可证、训练数据边界和公开评测集，SOTA说法先打折。对比Qwen、DeepSeek这类通用开源生态，有道的胜负点不在GitHub星数，在能不能把模型塞回学习硬件和App工作流。

这案子最刺眼的不是模型能力，而是消费级分发把 CSAM 生成降到校园零门槛。Radnor 高中 5 名女生被 AI 生成性图像攻击，涉事新生 allegedly 花 250 美元订阅 Apple App Store 上的 Movely；学校有 1000 多名学生，宾州 2024 年已把恶意 deepfake 入刑。机制、渠道、法律都在，受害者照样先承压。 我不太买“学校和警方还在适应新技术”这个叙事。404 Media 写到家长、强制报告人和校方沟通出现冲突，但可见正文没给警方处理结果。这里的缺口不是认知，而是执行：App Store 审核、学校纪律、未成年人 CSAM 法条，各管一段，最后没人承担端到端责任。

这波融资和 ARR 把 AI infra 的钱味讲得很直：最赚钱的不是又一个 agent 壳，而是检索、计算、向量存储这些脏活。TurboPuffer 已到 1 亿美元 ARR 且盈利，Exa 拿 2.5 亿美元 C 轮、估值 22 亿美元，Modal 拿 3.55 亿美元 C 轮、估值 47 亿美元。三个数放一起很刺眼，说明应用层还在讲留存故事，底层服务已经在收云账单。说真的，Modal 47 亿美元估值最考验增长质量；Serverless GPU / batch compute 这类生意容易被云厂商价格战夹住。TurboPuffer 反而更硬，盈利这两个字比估值更少见。

微软这刀砍的不是Claude Code能力，是外部token账单的不可控性。标题给出近10万工程师、6月底停订阅、迁到GitHub Copilot CLI；正文还把Uber拉进来，称5000名工程师4个月烧完2026年AI预算，重度用户月成本最高2000美元。数字真假要回源核，方向很熟：agentic coding把“座席费”变成“循环调用费”，财务预测直接失效。 我不买“AI效率神话破产”这个包装。更像微软在把需求导回自家结算体系：Copilot CLI走内部成本，Claude Code是给Anthropic的外部支票。Anthropic赢了工程师口碑，却输在企业采购账本；这比任何SWE-bench分数都疼。

Agent记忆安全不能再只靠prompt防火墙，OpenClaw这组实验把漏洞钉在持久化写入点。ULSPB覆盖350个设置、7类漂移场景、5类日常任务、中英双语，每个设置跑24轮普通对话；测试Kimi K2.5、GPT-5.4、MiniMax M2.7、Grok 4.20后，风险编辑集中在MEMORY.md和memory/。 StateGuard的思路很产品化：不拦用户输入，不审最终回答，只在状态diff落盘前审计。Targeted-Ensemble下Harm Score接近0，这个数要看原论文具体表格和误杀率，但方向我买账。MemGPT、OpenAI Memory、企业Agent都绕不开同一个问题：临时偏好一旦变成默认规则，权限边界就被悄悄改了。

阿里云这套JVS Crew抓到了企业Agent最疼的账：不是会不会跑，而是隔离、恢复、权限、计费谁来兜。文章给的硬钩子够明确，Agent、Environment、Session三层拆开，沙箱执行、快照恢复、RBAC、四级预算、按量计费，刚好对着OpenClaw自建时的7×24容器、记忆丢失、升级不兼容这些坑。 我不太买账的是案例数字。大智慧2周上线、云成本砍半，义乌小商品城效率5倍，中远海运上线效率10倍，正文没给基线、样本量、口径。Anthropic 5月19日给CMA加self-hosted sandboxes，说明这条架构路不是阿里单点发明。厂商胜负会落在可观测性和成本账单，不会落在谁把Agent比喻得更可爱。

Codex /goal 稳定发布后，OpenAI 把编码代理的产品重心压到长任务控制，而不是单次补全。钩子很明确：Codex app、IDE 扩展、CLI 都能设里程碑，任务可跑数小时到数天，还能查进度、改方向、暂停。 我对这条有保留。长跑 agent 的难点从来不是“让它继续跑”，是中途跑偏、环境漂移、测试假绿、上下文污染后怎么收敛。正文只写启用方式和侧边进度，没有披露回滚、权限边界、成本上限、失败重试策略。Devin、Cursor agent、Claude Code 都撞过同一堵墙：开发者要的不是更久的自动化，是可审计的自动化。

sddw 的判断很朴素：别让 Claude Code 在一条长上下文里硬撑完整任务。作者把流程拆成需求、代码分析、设计 3 层规格，再拆子任务执行；每步后清空上下文，规格写到磁盘。这个机制比“更长 context window”更接近工程现实，因为多数失败不是 token 不够，而是目标漂移、旧假设污染、新改动没被重新约束。 我喜欢这类小工具，因为它承认 agentic coding 的脏活：状态要外置，边界要人工审。正文没有给 benchmark、节省成本比例、成功率对照，HN 当前也只有 5 points，所以别把它吹成方法论胜利。但和 Cursor / Claude Code 里一把梭 prompt 相比，这种“分层规格 + 清上下文”的纪律感更像团队能复用的工作流。

ATLAS 最有用的点不是 Functional Token 这个包装，而是 LA-GRPO 把稀疏视觉操作从奖励噪声里捞出来。文章给了两个硬钩子：ATLAS-178K 覆盖 40 多种视觉推理任务，训练走 SFT+RL；Functional Token 只占少量位置，普通 GRPO 的 sequence reward 会被普通文本稀释。这个问题在多模态 CoT 里很常见，尤其是画线、标注、区域选择这类中间动作。说它“颠覆范式”我不买，Tool-use VLM 和 latent reasoning 都早就试过压缩中间过程。ATLAS 的价值更像一个干净的工程接口：不调用工具，不生成中间图，仍让模型学会何时插入 <|Line|>、<|Shape|>、<|Text|>。

HiF-VLA 最有价值的不是 WAM 叙事，而是把视频编码里的 motion vector 变成 VLA 的低成本时间记忆。它在同样历史窗口下报出 31.4GB 峰值显存、117.7ms 延迟；直接堆历史帧是 63.6GB、229.5ms。这个差距对机器人推理很硬，因为长程任务先死在延迟和显存，不是死在口号。 我不太买“真正理解物理世界”这层包装。CALVIN、LIBERO-LONG 能证明长程 benchmark 上的动作-运动对齐有效，不能直接证明物理因果被学会。和 RT-2、OpenVLA 那条“图像语言到动作”的路线比，HiF-VLA 的工程取舍更干净：少塞像素，多塞运动。论文若没给足真实机器人跨物体、跨相机、跨光照的失败样本，这顶 WAM 帽子还是偏大。

这次告吹暴露的不是特朗普个人反监管，而是美国 AI 安全制度还卡在“自愿测试”层。草案要求模型公开发布前最多 90 天交给政府评估，扎克伯格、马斯克和 David Sacks 在签署前夜到当天上午游说，签署仪式几小时前被取消。这个时间点很刺眼：监管还没进入执行细则，就先撞上发布节奏和商业保密。 我不太买“只是反监管”的说法。正文提到财政部被赋予协调安全漏洞的主导角色，却没解释它比 CISA、NIST 更懂模型评估。美国商务部 AI 标准与创新中心已经在做自愿测试，新增一层 90 天预审，若没有清晰权限和保密机制，只会变成厂商最容易攻击的靶子。

GPT-4.5 这次通过的不是“会思考”测试，是“会伪装”测试。UCSD 让裁判聊 5 到 15 分钟，GPT-4.5 在特定人格提示下有 73% 被判成人类，LLaMa-3.1-405B 是 56%；去掉明确指令后，GPT-4.5 掉到 36%。这个落差很关键：模型没有自发长出人味，而是被 prompt 拉进了人类噪声分布。 我不太买“图灵测试 76 年后被攻克”的兴奋感。GPT-4o 只有 21%，ELIZA 约 23%，说明评测吃提示、模型风格、裁判预期。对产品侧更刺眼的是另一件事：5 分钟文本聊天已经够骗过多数人，身份校验、客服、社交平台的“人类感”信号基本破产。

北京卡住 H200 采购，说明算力短缺还没压过自主可控的政治收益。特朗普放行已 6 个月，文章说中国企业一颗 H200 都没买；同一篇里，Bernstein 给的中国 AI 芯片和数据中心年支出是 123 亿美元，美国科技公司约 1 万亿美元。 这不是中国芯片已经追平英伟达的胜利叙事。训练侧仍靠英伟达，MiniMax、智谱赴港披露的“云服务”开销也暴露了境外租卡这条灰路。比较骚的是，DeepSeek 新模型开始针对华为芯片优化，这会逼软件栈迁移；但 H200 不买，Blackwell 仍拿不到，中国模型公司是在用工程耐心换政策筹码。

400 tok/s 把智谱从模型参数战拉到推理系统战，这个选择很聪明，但宣传口径有点抢跑。文中硬钩子够多：GLM-5.1 是 744B MoE、每 token 激活 40B，MTP 平均 2.76 token/step；TileRT 在单卡 B200、batch=1 上比 vLLM 快 1.48 倍，warmup 35 秒对 vLLM 123 秒、SGLang 583 秒。 问题也很明确：400 tok/s 的 API 条件没给全。8×H200 NVL、并发数、输入长度、TTFT、p95/p99、价格都没披露。拿 Mercury 2 的 633 tok/s、Claude Fast Mode 100-112 tok/s 做参照可以，但前者不是同一智能档，后者有商业价格约束。智谱这次最硬的是 TileRT 执行模型，不是“速度成为 Scaling Law”这个标题。

3 条覆盖都围着同一篇 xAI 公告转，口径高度一致：Grok 现在可用 SuperGrok 或 X Premium 登录 OpenClaw，正文没有披露调用限额和模型列表。这个动作我看着像 xAI 在绕开 API 价格战，把订阅账号变成 agent runtime 的身份层。 OpenClaw 的钩子很具体：本地优先、开源、跨会话记忆，可跑在 Mac Mini、VPS、Raspberry Pi，还接 WhatsApp、Telegram、Slack、Discord、Signal、iMessage。和 Claude Desktop 的 MCP 路线相比，xAI押的是“你已经在 X 付费”。问题也硬：没有限额、审计、工具权限细节，本地 agent 只是壳，信任边界还在云端 Grok。

Apple 这篇把实时视觉助手的评测刀口放对了：模型出错不只在看不懂，还在早说、晚说、前后改口。VSAS-Bench 给了 18,000 多个时序密集标注，并拆出 proactiveness 和 consistency 两类指标，再加同步、异步两套协议，终于能量化“边看边答”的产品体验。 比较刺眼的是结论：传统 VLM 不加训练也能改成流式，Qwen3-VL-4B 在异步协议下还比 Dispider 高 3%。这会打脸一批“专用 streaming VLM”叙事。Apple 没披露端上延迟、功耗和实际帧率约束；对 Vision Pro 或 iPhone 来说，这三项才决定能不能上产品。

可塑界面这个说法有吸引力，但它把最难的工程问题藏到了“动态生成 UI”后面。Salesforce 已让销售通过 AI 更新 deal sheet，不必登录 salesforce.com；文章还点了 MCPs、HTML、音频、网页界面，数字只给了订阅读者 150k+，没有采用率、错误率、权限模型。 我买“多头界面”这个方向，不买它已经接近产品答案。Claude Code 团队偏 HTML 输出，Airbnb 的 Chesky 也强调电商需要富界面，这些都说明 Markdown 聊天框太窄。可企业软件里，界面只是入口；谁能证明一次 AI 更新 CRM 字段可回滚、可追责、可过审批，谁才拿到预算。

DS4 把本地推理从玩具 demo 拉到了可工作的 agent 形态。DeepSeek V4 Flash 是 284B 总参数、13B 激活、1M context，96GB 以上 Mac 能跑；ds4 还给 Claude Code、Codex、OpenAI chat completions 做了协议适配。最关键的钩子是 KV cache：65K context 约 926MB，外推 1M 约 13.4GB，标准 transformer 约 180GB。它把 cache 写盘，用 SHA1 前缀、token IDs、graph state 恢复 session，还把 DSML 工具调用原文绑定进去，避免 JSON 往返打碎上下文。我不太买“通用本地推理框架”的叙事；这更像 antirez 为 V4 Flash 写的一把专刀，离 llama.cpp 那种泛化路线很远。