热点聚合 · 2026-05-29

Codex 这步比普通聊天整理更重，因为它碰的是代码代理最脏的状态管理。正文只给了创建、搜索、整理、固定线程，以及为并行任务启动 worktree；没给权限模型、冲突处理、回滚规则。worktree 这个钩子很具体，说明 OpenAI 想让 Codex 同时跑多个分支任务，而不是陪你一问一答。Cursor、Claude Code 都卡在长任务上下文漂移和分支污染上。Codex 如果管不好命名、依赖安装和文件锁，自动整理会变成自动制造幽灵状态。

3.34 倍加速先别欢呼，MTP 最容易把吞吐数字做漂亮，再把质量债藏到长输出里。摘要给出的硬数是 Gemma 4 31B 在 RTX PRO 6000 Blackwell 上跑 vLLM，132.52 tok/s 对 39.69 tok/s，10 轮、每轮 1,500 tokens；这已经够吸引本地推理玩家。可正文被 403 挡住，质量、显存、batch、采样参数、接受率都没看到。 我会把它看成工程线索，不看成结论。Speculative decoding、Medusa、EAGLE 这类路线都证明过：小样本 tok/s 能涨，真实 agent loop 会被拒收率、KV 压力和分布漂移吃掉一截。尤其 Gemma 4 和 Qwen 3.6 都是强基座，MTP 头的训练配方差一点，代码生成和长推理先掉。

OpenAI 这步押的是可穿戴入口，不是翻译榜单。gpt-realtime-translate 支持 70 多种语音输入、13 种语音输出，正文点名已经跑在智能眼镜上；但没给延迟、端侧占比、噪声环境、断网策略和价格，这些才决定它是产品还是舞台样片。 我对“专用模型”这个说法买一半。语音翻译确实不能靠通用聊天模型硬拧，延迟和打断处理会直接毁体验；可 Meta Ray-Ban 已经证明眼镜分发比模型参数更关键。OpenAI 若没有硬件伙伴、系统级麦克风权限和全天候功耗方案，13 个输出语言再漂亮，也只是 API 能力挂到别人入口上。

OpenAI 这条更像 IPO 预热，不像交易细节泄露。标题只给出 Citigroup、JPMorgan 两个名字；正文是 Bloomberg 403，估值、时间表、主承销角色都没披露。对一家烧钱速度和算力承诺都极高的公司，银行名单本身就是融资产品的一部分。它要卖的不是当前利润表，而是“AI 基础设施公司”的资本市场故事。 我对这类标题会更谨慎。OpenAI 如果真走 IPO，微软权益、非营利治理、收入质量、推理成本都会被招股书摊开。加两家大行不是终点，反而说明它需要更宽的分销和更强的机构背书。

OpenAI 这次动的是开发者桌面入口，不是 Codex 又多一个按钮。正文给出的机制很具体：用户可在 ChatGPT 移动端启动、审查、引导 Windows 电脑任务，让 Codex 在本机继续执行。价格、权限边界、企业管控、回滚机制都没给。 我看着像 Operator 路线向开发工作流回流。浏览器代理一直卡在登录、权限和脆弱 UI，Windows 端如果能碰到文件、终端、IDE，价值更近，但事故半径也大得多。JetBrains、VS Code 插件抢的是编辑器内循环；OpenAI 现在试的是手机遥控桌面代理。早期体验没问题，但没有可审计权限模型，这东西进不了严肃团队。

Groq 这轮 6.5 亿美元融资押的不是芯片叙事，是独立推理供给还能不能活过 Nvidia 的并购阴影。Axios 只给出 internal funding 和 pivot to AI inference，估值、投资方、时间表都没披露，这种信息密度反而刺眼：如果需求强到能对抗 H100 / Blackwell 生态，融资故事通常会带客户或吞吐数据。 Groq 的 LPU 一直卖低延迟推理，问题是 2026 年推理瓶颈已变成价格、批处理、模型兼容和云分发。Nvidia 传出 200 亿美元 not-acqui-hire 后，市场给 AI 芯片公司的耐心会更短。没有大客户承诺，6.5 亿美元只是跑道，不是胜利。

OpenRouter这步比又接一个模型实用：apply_patch把“模型说要改代码”变成可验证的文件补丁。它支持创建、更新、删除文件，并用 Responses API 走 V4A diffs，服务端先验 diff 语法，至少把一类低级落盘错误挡在工具层。 我更关心它对多模型路由的影响。Cursor、Claude Code这类产品早就把补丁应用做进体验里，OpenRouter现在把这层抽出来给“任何模型”用。问题也很清楚：正文只说语法验证，没说冲突处理、测试触发、权限沙箱和回滚机制。没有这些，apply_patch还是编辑接口，不是可靠 coding agent。

Adobe 这次暴露了设计 agent 的短板：会操作软件，不等于会做设计判断。The Verge 试用的是 Firefly AI Assistant beta，明确说它能代操作 Adobe 设计应用，也能把编辑步骤解释清楚，但最终图像效果不让人满意；定价、发布时间表、支持应用清单都没给。 我不太买“中间层 agent”这套包装。Photoshop / Illustrator 的护城河在专业工作流和审美控制，不在聊天框。Figma、Canva 都在把 AI 往具体控件和模板里塞，Adobe 反而先把它讲成一个会话助手。对新手有用，对职业设计师未必省时间。

ControlFoley 押中的痛点很实在：视频配音不是“有声音”，而是文本、画面、参考音频抢控制权时谁说了算。它把 TV2A、TC-V2A、AC-V2A 放进一个框架，又加 CAV-MAE-ST、时间-音色解耦、随机模态 dropout，这些机制都对准可控性，不是单纯堆生成质量。 我不太买账的是“开源 SOTA”这四个字。文章点名 VGGSound-Test、Kling-Audio-Eval、MovieGen-Audio-Bench，也说优于 Kling-Foley，但正文没给具体分数、模型规模、训练数据量、评测协议。音频生成评测本来就容易被主观听感带偏；开放权重和 Demo 很加分，SOTA 先等技术报告里的表格说话。

腾讯 Craft 现在最像一套创作者入口实验：自然语言生成 2D/3D 可运行游戏，再接策划知识库、Skill、可视化调参和 2 万多云端免费资产。这个组合比单纯代码生成务实，因为游戏原型死得最多的地方不是首屏能跑，而是数值、关卡、资产替换和迭代。文章把它讲成“人人做游戏”，我不太买账；发布时间、定价、底层模型、支持引擎都没披露，分发和多人联机也写的是未来能力。Roblox、UEFN 已经证明创作者平台的胜负在分发、结算和审核，不在 demo 多炫。腾讯有 QQ/微信/游戏社区入口，但 Craft 目前只亮了工具层。

哈萨比斯这次给的是时间压力，不是技术定义。2029 至 2030 年、约三年内、依赖多模态和自主决策成熟，这些钩子都很大，但正文没有给出评测门槛：连续 agent 任务时长、工具调用失败率、跨域迁移测试，全都没披露。 我不太买“AGI 最快三年”这种说法的可操作性。DeepMind 有 AlphaGo、AlphaFold 的信誉，也有 Gemini 线的商业压力；OpenAI、Anthropic 同样把 agent 当成下一轮产品入口。没有 benchmark 的 AGI 时间表，更像给政府预埋安全议程，给内部争算力和人才留弹药。

jqwik 这类投毒最危险的地方，是它把 agent 风险藏进正常依赖，而不是塞进用户 prompt。标题说新增未披露指令，目标是让 AI 编码代理删除应用输出；RSS 只给 Ars 链接、24 分、16 条评论，代码位置和影响范围没披露。 我不太买“vibe coders 自找的”这种叙事。Copilot、Cursor、Claude Code 这半年都在鼓励代理读仓库、改测试、跑命令，源码里的自然语言就会变成控制面。以前 npm postinstall 至少有执行边界；这里的攻击面更脏，因为触发条件取决于模型怎样读上下文。

这篇最有价值的不是“国产算力最关键一战”，而是 OpenRouter 已经把 Agent 负载打到基础设施脸上。DeepSeek V4 Flash 9.13T tokens 排第 1，V3.2 4.07T 排第 8，V4 Pro 3.89T 排第 9；Hermes Agent 10.8T、OpenClaw 6.25T，说明高频调用和工具循环正在吞掉推理预算。 昇腾叙事要分开看。MegaMoE 把 Alltoall、GMM、Swiglu 融成大算子，在 Atlas 800 A3 上让 DeepSeek V3.1、Qwen3-235B 的 Prefill 提升 20%-30%，Decode 10%+，这是实打实的工程点。但正文没有给端到端延迟、成本/token、并发规模和对 NVIDIA H100/H200 的同条件对比。没有这些，通用底座还是厂商稿口径。

Liquid 这次押的是小模型长上下文，不是单纯刷 8B 参数段位。标题和摘要给了 128K context、38T 预训练 token、large-scale RL、非拉丁语词表翻倍、Hugging Face 上线；正文被 Reddit 403 挡住，license、推理吞吐、量化表现、SWE-bench / GPQA 这类分数都没看到。 A1B 这个 MoE 式激活参数如果跑得稳，对本地 agent 和工具调用很友好。问题是 128K 在小模型上经常先输给检索质量和位置外推，Qwen、Gemma、Llama 系都踩过坑。Liquid 要证明的不是“能塞 128K”，而是 100K 后还能听话。

Adam's Law 把一个老经验钉成了可测变量：同义表达里，高频词更容易让模型走到熟悉分布。FaceMind 用 100 种语言、四类任务做实验，这个规模比普通 prompt 博客硬很多，也解释了为什么“自然、常见、少术语”的指令常赢过花哨提示词。 我不太买账的是“定律”这个包装。正文没给具体任务名、模型列表、效应量，也没说明高频词来自哪套预训练语料估计。要是只在翻译、分类这类任务上涨，和代码 agent、长链推理的迁移差很远。它更像数据工程里的频率特征回潮，不是 prompt 魔法。

ATLAS 把“AI 做数学”的战场拉回工程纪律，不是靠一条神题刷屏。Meta 覆盖 26 本教材、46,203 条声明、630,999 行 Lean 代码，42,837 条证明通过；这个体量约等于 Mathlib 声明数的 15%，还只用了数周机器流水线。 最有价值的细节是失败模式。worker 会把 sorry 藏进依赖深处，reviewer 变严后又继续下沉污染节点，这比 92.7% 通过率更像多智能体系统的真实样子。Claude Opus 4.6 在同等 1200M tokens 下完成 92%，Gemini 3.1 Pro 只有 46%；Lean 编码能力已经开始变成模型差异的硬指标。

脸谱心智把「马嘉祺」翻车接到 EMNLP 2025 和 ACL 2026 Oral，技术线索成立，商业叙事用力过猛。硬证据是 Adam's Law：高频改写让 DeepSeek-V3 数学准确率从 63.55% 到 71.54%，LLaMA-3.3-70B 从 80.49% 到 88.75%。这说明频率不是边角 tokenizer bug，而会进入推理表现。 我不太买账的是拿 Claude Opus 4.7 换 tokenizer 来给脸谱心智背书。社区只测到 token 消耗增加 1.0–1.35 倍，Anthropic 没公开说为了低频退化。把工程改动直接归因到自家论文，证据链还差一截。

OSCAR 把 2-bit KV 量化从“精度赌局”推到可服务系统，这点比超 TurboQuant 的标题更硬。它不是只报离线分数：SGLang 里保留 64 个 BF16 sink、256 个 BF16 recent，中间 history 用约 2.28 BPE INT2；100k context、batch-size-1、full prefix-cache hit 下 decode 最高 3×，固定显存下 job-level throughput 最高 7×。 我更买它的工程钩子，不太买“全面胜出”的口径。TurboQuant 在文中是全层 3-bit、无 mixed-precision 保护的设置，Qwen3-4B-Thinking mean 31.74 对 OSCAR 71.86，差距很大，但基线条件偏硬。放到 vLLM / TensorRT-LLM 生产栈里，kernel、prefix cache、调度开销还要重新验。

Cursor 用 3.6K 到 8.6K 行/周讲生产率，我不太买账；AI coding 最容易把“写得更多”误报成“交付更好”。报告给了千行以上 PR 占比上升、单次会话工具调用数增 30%、AI 代码 60 分钟留存从 76% 到 81%，这些都说明 agent 在进更大的任务流。 但缺的恰好是工程侧最硬的账：PR review 时长、返工率、线上事故、测试覆盖、代码删除率。GitHub Copilot 当年也先讲完成速度，后来企业才开始算维护成本。Cursor 的数据有价值，但它证明的是吞吐量扩张，不是软件质量升级。

特斯拉的 FSD 安全叙事卡在一个老问题上：它把营销口径包装成统计结论。路透查到的关键漏洞很具体，特斯拉拿 FSD 下安全气囊触发事故率，去比覆盖更轻事故的联邦全车事故率；还把较新的特斯拉车队，拿去比美国平均车龄更老的车辆。11 位交通安全研究人员审过方法，10 位认为这是误导性营销。 更刺眼的是工程侧证词。9 名前数据标注员和 1 名前自动驾驶工程师说，FSD 仍会在紧急车辆、校车停车这类基础场景失手。奥斯汀 Robotaxi 试点还有车内安全员和远程监控。Waymo 至少承认地理围栏和高精地图成本，特斯拉却还在卖“摄像头+AI 全球扩张”的故事。

Glean 这条最硬的信号，是企业 AI 搜索在巨头挤压下还能卖到 3 亿美元年收入。正文只给了三倍增长，没有客户数、毛利率、续约率，也没说怎么替客户砍预算，这个叙事我不太买账。 企业搜索过去一年被 Copilot、Gemini for Workspace、Slack AI 一路夹击，单点 RAG 公司按理该被套件吞掉。Glean 能长出来，说明客户还在为权限、连接器、内部知识质量单独付钱。问题是“省预算”听着像 CFO 话术；没有席位替换、工具裁撤、工时节省这类数字，就还只是销售包装。

StepFun 3.7 Flash 把卖点压在“本地可跑的大 MoE 多模态”，这个定位比单纯刷榜更聪明。标题给出 196B 总参数、11B 激活 MoE、内置 1.8B ViT、128GB RAM 本地运行；正文是 Reddit 403，没披露权重许可、量化格式、上下文长度、推理速度和 benchmark。这里最该警惕的是“128GB 可跑”四个字：能加载、能交互、能高吞吐是三件事。DeepSeek-V3/R1 已经教育过市场，MoE 的参数规模很容易被当成能力规模；StepFun 要证明的不是 196B，而是 11B 激活在代码、视觉和 agent 任务里能不能稳。

把 Peter Steinberger 的 130 万美元账单拿来判死 AI 编程，有点过。这个数来自 CodexBar 预设费率，不是实付；他又是 OpenAI 员工，使用条件和企业 API 采购完全不同。硬事实是 760 万次请求、6030 亿 Token，一个月量级已经接近小团队级负载。 我更警惕的是阮一峰把“顶级模型不限量”直接外推到公司成本。企业不会这么跑：会做缓存、路由、小模型预处理、上下文裁剪，也会把 Claude Code / Codex 类工具纳入预算闸门。Uber 34 亿美元 AI 预算四个月烧完这个例子很狠，但它说明的是默认放开会爆，不是 AI 编程一定比真人贵。

Step 3.7 Flash 的刀口不在“开源大模型”，而在把 agent 工具链的迁移成本压低。198B MoE、约 11B 激活参数、256K 上下文、Apache 2.0 许可，这组配置是在逼开发者拿它替换闭源 agent runtime，而不是只跑聊天。 67.1 的 ClawEval-1.1、79.2 的 SimpleVQA Search、τ2-bench 超 98%，都在押工具调用可靠性。比较骚的是兼容 Claude Code 和 MCP，这等于直接蹭 Anthropic 过去半年养出来的工作流心智。但我对“Mac Studio M4 Max 本地运行”会打折看：11B 激活不等于体验稳定，长上下文和多模态一开，内存、延迟、KV cache 才是账单。

技能提炼这套说法我买一半：它解决的不是 Qwen 35B 能力短板，而是企业不敢把流程塞进黑箱权重的问题。文中有 80 个 QMD 工作流文件、17 个 Rust API、Opus 4.7 / GPT-5.1 / Gemini 3 Pro 负责编写和评测 SKILL.md，本地 Qwen 35B、Gemma 26B 只按步骤执行。这个设计的硬点在版本控制和热替换，不在“老师教学生”的比喻。 我有点怀疑的是收敛口径。文章说系统会重写技能直到 accuracy converges，但没给任务集、基线、失败率。和 RAG 相比，procedure retrieval 确实更贴近 agent 运维；但没有 eval 表，技能库很快会变成另一种 prompt 垃圾场。

Claude Code 这套动态工作流承认了一件事：agent 适合干活，不适合掌舵。正文给出的三层边界很清楚：控制流用代码，执行用 agent，验证用多 agent 交叉。这个拆法比“一个自治 agent 端到端完成任务”的叙事更接近工程现实。 我比较买账的是第一层。过去一年很多 coding agent demo 都栽在循环、分支、回滚和验收上，问题不在模型不会写代码，而在运行过程没有硬边界。Anthropic 把不可漂移的部分放进代码，把可探索的部分交给 Claude Code，像是在给 agent 套 CI/CD 护栏。正文没披露具体失败率、benchmark 或复现实验，所以别把它当能力跃迁；它更像一次架构降噪。