热点聚合 · 2026-06-02

Palantir 在 NHS 这单上撞到的不是普通采购阻力，而是公共数据系统的政治否决权。标题给出的硬事实只有一条：英国技术委员会要求政府触发争议 NHS 合同的 break clause，并称 Palantir 不应在英国公共数据系统中承担 significant role；金额、期限、数据访问边界都没给。 我不太买 Palantir 常用的“只是软件供应商”叙事。NHS 不是银行风控项目，医疗数据一旦接进 Foundry/AIP 这种工作流平台，退出成本会从合同条款变成组织依赖。美国国防和情报市场能接受这种深绑定，英国公共卫生系统未必愿意把治理权交给同一家公司。

DeepMind 这条像一次低成本占位：Science Skills 已上 GitHub，目标是科学发现智能体工作流，但许可证、基准结果、token 效率数字都没给。科学工具包和通用 agent 框架不一样，用户要的是可复现实验协议、工具调用边界、失败案例，不是“更高 token 效率”这种空口径。 我对这个叙事有保留。AlphaFold 之后，DeepMind 在科学 AI 上有信用，但 agent 工具链这块已经被 LangGraph、LlamaIndex、smolagents 们教育过一轮：没有 eval harness 和任务集，开源仓库很快变成样例集合。GitHub 链接是起点，不是证据。

Claude Code 这次押的是“可编程编排”，不是又加一个聊天侧栏。动态工作流在运行时执行 JavaScript，并协调多个子代理；每个子代理拿独立上下文窗口，这个机制直接缓解长任务里的上下文污染和角色串线。 我买这个方向，但不买它的完整叙事。研究、安全分析、代码审查都需要动态分派，可运行 JS 也把攻击面抬高一档。正文只给了机制，没看到权限沙箱、文件系统边界、网络访问策略或审计日志。Cursor、Devin 这类工具也在往 agent runner 走，Anthropic 的差别是把 harness 放进 Claude Code 正门。问题是，企业会先问谁能执行什么，再问能自动做多少。

Runway这次把视频生成的卖点压到“可控编辑”，比单纯拼模型效果更接近生产工具。Aleph 2.0 API 支持最长30秒、1080p、多镜头序列，只改选定片段；这个条件已经能覆盖广告改版、素材本地化、短视频二创里的高频需求。问题也很硬：正文没披露 pricing、rate limit、latency、区域可用性。视频API最怕演示好看，批量调用时排队、失败重试、成本全炸。Pika、Luma、Veo 都在卷生成质量，Runway这步更像在抢“后期工作流”的入口。没有稳定SLA前，它还只是可集成能力，不是可托付管线。

Microsoft 这工具先别吹成评测自动化，正文只给了一个动作：用文本描述生成 AI evaluations 和 regression tests。支持哪些模型、评分器怎么定、失败样本怎么复现，RSS 片段都没交代。 ASSER T 这个名字很工程化，命中的是团队最烦的环节：把产品需求翻成可跑回归用例。问题也在这里。LLM-as-judge、promptfoo、OpenAI Evals 都已经证明，生成用例容易，稳定打分难。没有指标、阈值、人工校准和版本锁定，文本生成的评测会变成另一层 prompt debt。Microsoft 开源是好牌，但可信度不在 GitHub repo，在默认 scoring contract。

MAI-Code-1-Flash 最刺眼的是 5B 活跃参数打到 51% SWE-Bench Pro，而不是微软又发了代码模型。代码代理的瓶颈已经从“会不会改”转到“每个补丁烧多少钱”；5B active 如果能稳定复现，Copilot 里批量跑 issue triage、patch draft、test repair 的成本曲线会很不一样。 但这条现在只能先打折。正文未披露评测设置、训练数据、是否用多轮工具调用、pass@ 几、失败样本分布；SWE-Bench 系列也早被各家用检索、测试重跑、prompt scaffold 玩出很多口径。微软把“Flash”放进名字，我看着更像部署型小 MoE，而不是研究炫技。没有 latency、token price、Azure/Copilot 接入条件，51% 只是门口的牌子。

微软把 MAI-Thinking-1 放进 7 个 MAI 模型列表，却没给参数、上下文窗口、评测、价格和上线节奏。这个发布像是在把 Microsoft AI 从 OpenAI 影子里拎出来，先占一个“自有 reasoning 模型”的坑位。 问题是，开发者不会因为名字迁移。OpenAI、Anthropic、Google 都用 SWE-bench、AIME、GPQA、价格表和 API 可用性抢工作流，微软这页只有模型卡入口和营销图。MAI-Code-1-Flash 也同场出现，说明它想做模型矩阵，但没有 benchmark 的矩阵只是目录。Copilot 分发很强，可模型可信度还得靠可复现实测，不靠 Microsoft 标。

Anthropic 这步很实用，也很有进攻性：让开发者从终端直接跑每个 Claude Platform API 端点，等于把模型调用、托管 agent、shell 管道串成一条本地工作流。具体钩子是 Messages API、Claude-hosted agents、pipe to shell 三件事同时进 CLI。比起再发一个 IDE 插件，这更贴近 Claude Code 的使用面：开发者已经在终端里改代码、跑测试、看日志。正文没给 pricing、权限模型和审计细节，这会决定企业能不能放心把 agent 接进生产脚本。

Anthropic 把 Mythos 扩到 15 个以上国家、约 150 家组织，像是在抢政府和关键基础设施的信任入口，不是在卖一个普通安全 SKU。网络安全模型的采购门槛从来不是 demo，而是审计、责任边界和误报成本；这三项标题和摘要都没给。 我对“高级网络安全模型”这个说法不太买账。过去一年，安全 agent 的演示很多都卡在靶场，真进 SOC 要接工单、SIEM、EDR、权限系统，还要解释每次动作。Anthropic 有 Claude 的企业信誉，但 Mythos 的 pricing、部署形态、可否本地化、是否允许主动处置都没披露。150 家组织听着大，先看它们拿到的是试点名额，还是生产权限。

Microsoft 这步像是在抢 agent 行为层的标准入口，不是在发一个普通安全小功能。证据很薄：RSS 只说开发、合规、安全团队能用可移植 policy files 定义 agent 规则，版本、开源许可、支持框架、上线节奏都没给。 我买这个方向，不买现在的完整度。agent 真进企业后，问题不是模型会不会调用工具，而是谁能审计“它为什么能调用这个工具”。OpenAI Agents SDK、Anthropic tool use 都在往执行层塞控制点；Microsoft 若把规则文件做成 Azure、GitHub、Copilot Studio 都认的格式，价值很大。可没有许可和兼容清单，这更像先占名字。

LiteRT 这次赢在文本路径，别把它读成 Gemma 4 E4B 的整体跃迁。RTX 4060 Ti 16GB 上，LiteRT 文本生成 157.2 tok/s，llama.cpp Q4 GGUF 是 66.3 tok/s，2.4 倍差距对本地 agent 体感很硬；但 111 张全分辨率图片 caption 只从约 80 秒降到 72 秒，只有 1.1 倍。 问题在于正文实际是 Reddit 403，细节只剩摘要：batch、prompt 长度、量化配置、视觉预处理都没展开。llama.cpp 在小模型上常被内存带宽和算子实现卡住，LiteRT 把文本打快不奇怪；视觉链路没起飞，说明瓶颈大概率不在同一层。

Anthropic 这次把 Claude Mythos 推进了高风险场景，安全叙事开始接受真实事故半径检验。TechCrunch 分享摘要写得很硬：Project Glasswing 扩到 15 个国家、150 家组织，覆盖电力、水务、医疗、通信，网络攻击潜在影响 1 亿人。 我对这类发布一向警惕。关键基础设施不是 SWE-bench，也不是企业 copilots；错一次可能是停电、误报、延迟处置。正文没给模型权限边界、人工复核链路、审计日志、红队结果，也没说 Mythos 是只做漏洞发现，还是能进处置流程。Anthropic 的安全品牌在这里反而会被放大审视。

Microsoft 把 Project Solara 建在 Android 上，这个选择比“agent OS”口号更扎眼。Build 2026 只展示 2 款概念机：带人脸识别的桌面屏，带摄像头和指纹的工牌；正文没给 SDK、上架时间、芯片、隐私边界。信息还薄，但方向很清楚：微软想绕开 Windows 的体量和更新包袱，去抢办公场景里的常驻入口。 我不太买“从零构建”的说法。Android 已经把驱动、触控、摄像头、低功耗、OEM 供应链跑通十几年；Solara 更像一层 Microsoft agent runtime 加企业身份系统。问题在信任：带摄像头的工牌进公司，不是 Copilot 演示能解决的，是合规、录制提示、数据留存和 IT 管控的硬仗。

Google DeepMind 把 Gemini 包成 Co-Scientist，最该警惕的是“科学发现”这个词被 agent demo 稀释。正文只给出生成、辩论、演进假设三件事；Gemini 版本、评测集、人工专家基线、开放时间全没给。这些缺口比系统名重要，因为科研 agent 的难点从来不是多角色对话，而是能否提出可实验验证、能复现、能让领域专家少走弯路的假设。 我不反感这个方向。DeepMind 有 AlphaFold 和 AlphaGeometry 的信用。但 Co-Scientist 现在更像把 Gemini 接到 hypothesis loop，而不是给出一次可审计的科研突破。没有 wet-lab 回合数、命中率、失败样本，这条只能算叙事占位。

GitHub 这次暴露的是代理时代的瓶颈：代码生成不再稀缺，吞吐、信任和基础设施才稀缺。正文给的硬钩子是 2026 年 AI-driven commits 增长 14x，Kyle Daigle 还把压力点落到 Actions、数据库、monorepo、PR review 和开源维护者身上。 我不太买“Copilot 之后 GitHub 成为 agent OS”这种顺滑叙事。GitHub 的优势是 PR、Actions、npm、Dependabot 这些入口都在手里；麻烦也在这里。代理批量开 PR、跑 CI、碰供应链，GitHub 要同时做计算层、身份层和垃圾过滤器。Cursor、Devin 抢的是前端体验，GitHub 被迫吞后端负载。

Anthropic 这篇最有杀伤力的地方，是把 Claude Code 从“写代码工具”推进到工程组织协议。文中给出的机制很具体：JIT 规划、先问 Claude 收集上下文、代码审查交给 Claude 处理风格和测试，人类只接法律与安全判断。 我买这个方向，但不全买 Anthropic 的包装。它没有披露团队规模、缺陷率、review 延迟、回滚率这些硬指标，所以还不是可复制方法论。Cursor、GitHub Copilot 都在抢编辑器入口，Claude Code 这套讲的是谁来切任务、谁来收上下文、谁来挡 PR。软件工程的边界被移到流程层，这对工具链厂商更疼。

白宫这次让步很清楚：AI 网络安全要管，但不能管到模型公司疼。Politico 给出的硬信息只有 3 个：Trump 周二签令、上月推迟过类似措施、版本比原计划少了更高级的政府审查。标题里“downsized”比“security”更关键。 我不买“行业与政府找到平衡”的说法。拜登 2023 年 AI 行政令靠 NIST、安全测试和报告义务立规矩，至少有执行抓手；这篇正文没列条款、机构、时间表，也没说谁来审查“catastrophic cybersecurity threats”。没有这些，模型厂商拿到的是政策降噪，不是清晰合规路径。

OpenAI 把 Codex 往应用内嵌推进了一步，但这条信息还撑不起“顶级编程和生图 Agent”那种说法。已披露的硬钩子只有 `pip install openai-codex` 和复用 Codex 登录态；API 价格、模型版本、限流条件都没给。对开发者来说，登录态复用很骚，因为它绕开了传统 API key 的采购和权限路径，更像把 ChatGPT/Codex 会话塞进本地工具链。Cursor、Claude Code 走的是 IDE/CLI 入口，OpenAI 这次像在测试“应用自己带 Codex”的分发面。没限流和计费之前，别急着把它当生产依赖。

Codex Sites 的锋利点不是“生成网站”，是 OpenAI 让生成结果直接变成团队 URL。正文只给了一个机制：Codex 把工作、想法、计划转成可交互网站或应用，Business 和 Enterprise 先用，价格、权限模型、托管边界都没披露。 我对这条有点警觉。Replit、Bolt、Vercel v0 已经把 prompt-to-app 跑成消费级入口，OpenAI 现在从企业席位切进去，卖点会变成审计、共享、内网数据和权限，而不是页面多漂亮。没有 pricing 和 availability，说明它还在找企业可控部署的说法。

6GB RTX 4050 上的小模型基准，比云端榜单更能筛掉幻觉式叙事。摘要给出的硬钩子够清楚：LM Studio 的 OpenAI-compatible API，20 个小 LLM，N=5，测 1k、8k、32k context；unsloth/lfm2.5-vl-1.6b 在 1k context 跑到 207 tok/s，占 3.0GB VRAM。 我更在意 8k 和 32k 下掉速曲线，但正文只有 Reddit 403，表格细节没法复核。端侧部署从来不是“模型小”就完事，6GB 显存卡住 KV cache、量化格式、prefill 延迟。Liquid AI 这类 1-2B 模型如果在长上下文还能稳，才有资格进本地 agent 栈。

OpenAI 这次把 Codex 包成岗位模板，而不是单纯加代码能力。6 个插件覆盖数据分析、创意制作、销售、产品设计、股票投资和投行，每个都预装 integrations、instructions、context；这个路径很像把 prompt playbook 产品化，先吃标准工作流。问题也很硬：正文没给 pricing、权限模型、数据连接范围和 rollout limits。没有这些，投行和股票投资两个场景听起来最猛，也最容易停在 demo。和 Claude Code、Cursor 的开发者战场不同，Codex 进白领工位后，胜负不在补全质量，而在谁能安全接 CRM、表格、仓库、邮件和审批链。

3 条覆盖都来自同一来源链或转载链，标题一致压在 Windows、AI、RTX Spark、量子芯片，正文没有价格、规格、发布时间。这个信号很微软：把开发者大会做成平台捆绑展示，让 Copilot/AI 助手贴住 Windows，而不是单独拿模型能力硬打。 我对这类发布会叙事一直有点警惕。OpenAI、Anthropic 卖的是模型边界，微软卖的是入口和分发；如果 Build 2026 没给出本地推理条件、API 价格、企业部署路径，那 AI 助手再响也只是 Windows 更新的包装纸。

Holo3.1 的牌不是“更聪明”，是把 agent 部署门槛压到本地机器。它给了 0.8B、4B、9B、35B-A3B 四档，还直接放 FP8、Q4 GGUF、NVFP4 检查点；这比只发一个云端 API 更像在抢开发者默认栈。 35B-A3B 在 AndroidWorld 拿 79.3%，这个数够进 radar，但我不急着买账。computer-use agent 的坑从来不止 benchmark：截图解析、点击坐标、应用版本漂移、权限弹窗都会吃掉分数。OpenAI Operator 和 Claude Computer Use 都撞过同一面墙。Holo3.1 真能站住，要看 Q4 本地跑出来的端到端耗时和连续任务崩溃率，正文没给这些。

Anthropic这次押的不是Claude Mythos Preview多会挖洞，而是先把关键基础设施客户圈进受控试验场。新名单约150家、15个以上国家，覆盖电力、水务、医疗、通信和硬件；早期约50个伙伴已报告1万多个高危或严重漏洞。这个数字很硬，也很危险：安全团队最缺的从来不是告警，而是验证、披露、修补和上线窗口。 它还直说6到12个月内会有多家AI公司达到Mythos级网络能力，这句比产品发布更重。Anthropic在卖“我先管起来”的叙事，但正文没给误报率、平均修复时间、补丁合入率。没有这些，1万个漏洞既可能是防御红利，也可能是基础设施维护者的新债务。

Step 3.7 Flash 这次像是在抢 agentic coding 的入口，不是在秀单点能力。正文只给了三个钩子：开放权重、工具调用、多模态理解，并且已在 Kilo 上线；但没有披露参数量、上下文窗口、SWE-bench、价格或许可证细节。对开发者来说，上线 Kilo 比发模型卡更硬，因为它直接进入改代码、跑命令、调工具的循环。 MiniMax M3 同期也上 Kilo，这让 StepFun 的叙事压力变大。开放权重编程模型已经不缺“能调用工具”的口号，缺的是在真实 repo 里少犯错、少烧 token、少卡在环境配置。没有这些数字，Step 3.7 Flash 先是一个工作流分发动作。

这条最像本地 agent 的分水岭样本：规划已经够用，执行接口还不够稳。作者只给标题和摘要，正文被 Reddit 403 挡住；可用钩子很具体：单张 RTX 3090、47 个编码流程、约 95% plan schema 合规、约 12% 工具调用格式错误、12k tokens 后长上下文变差。 我不买“替代 Claude”这个口径。Claude 在多步 coding agent 里贵，但它的价值常在低摩擦工具调用和长上下文抗退化。Qwen3.6-27B 能把计划写对，说明小模型本地编排成本线被打穿；12% 格式错说明你还得加 parser、retry、validator，把省下的 API 钱还给工程复杂度。

Anthropic 把可解释性最容易糊弄人的环节挑出来了：激活相似不等于因果相同。文中两个 CLT “green” 特征都有相近 top unembeds 和激活样例，但抑制 Feature B 会把 grass 答案从 Green 改成 Red，抑制 Feature A 不改答案；TWERA 下游连接显示 A 更像 hex color，B 连到“say green”。 我喜欢这个方向，但不买它的强结论。正文没给模型名称、实验规模、候选集准确率，只说“modestly improves” LLM 预测 steering effect。Anthropic 过去一年一直把 circuits 研究往 Claude 安全叙事里接，这篇还停在单例解释和工具直觉层。机制很干净，证据还薄。

3 条覆盖全来自 OpenAI 口径或转载，标题都押“every role / everyone”，这更像一次官方定位切换。Codex 周活超过 500 万，桌面端 2 月上线后增长 6 倍；知识工作者占 20%，增速是开发者 3 倍以上。 我不太买“每个人的生产力工具”这句。正文列的报告、表格、PPT、合同，本质是让非工程岗位用 Codex 生成可交付物和小工具，绕开工程排期。这个方向比单纯刷 SWE-bench 更商业，但风险也更脏：权限、数据源、审批链都进来了，错一次不是代码 review，而是业务流程事故。

Sutton 把生成认知压到 4 个支柱上：经验、感知行动一体、自主性、具身性。这刀切得准，因为它直接戳到 2025 年以来 world model / VLA 叙事的空心处：很多系统能预测帧、写计划、调用工具，但没有用自身动作持续改写输入分布。 论文的硬钩子是 arXiv:2605.24238v1，外加 Brooks 那句“世界本身就是它最好的模型”。我买这个方向，但不买机器之心式 AGI 氛围铺垫。RL 更接近生成认知，不等于 RL 已解决自主性；奖励函数仍多由人写，机器人数据也贵得要命。Sutton 这次像是在给下一轮具身智能融资提前设考题。

DataMaster 的狠点在边界收得窄：固定模型、固定训练算法，只让 agent 搜索、清洗、组合数据，MLE-Bench Lite 奖牌率从 35.91% 到 68.18%。这不是模型能力跃迁，而是把数据工程从人工手艺变成可搜索空间。 我更在意 GPQA：基础模型 18.75% 到 31.02%，还高过专家指令模型参考 30.35%。论文做了 7479 条样本泄漏检查，3 到 5 元词组重叠率 0.08% 到 1.06%。这组防守够具体，但真实世界的合规、版权、溯源没被同等解决。DataComp、DCLM 早就证明数据筛选能榨模型，DataMaster 的新意是让 agent 闭环跑这件事。

这类本地 agent skill 最有杀伤力的地方，是它先把决策权还给用户，再谈自动执行。作者用 Codex 做只读存储分析，扫出 B 站缓存等垃圾；HTML 报告按绿、黄、红三档标注，最后才给安全执行按钮。实测释放近 120G，CleanMyMac 只扫出 15.8G，这个差距不是 UI 胜利，是可解释扫描策略胜利。 我不太买“AI 清理软件”这个包装。更准确地说，它是一个可审计的本地运维脚本生成器。风险也在这里：跨 Mac/Windows 做删除建议，误删代价很高，规则库和 dry-run 比模型聪明更重要。

NVIDIA这次打的是PC控制面，不是普通芯片上新。RTX Spark给出1 petaflop AI算力、128GB统一内存、20核Arm Grace CPU，还说能本地跑100万上下文、120B参数模型；这个规格直接绕开Intel/AMD的NPU叙事，也压到高通Windows Arm的地盘。说真的，我不太买“40年来首次重塑PC”这种黄氏口号，消费者不会为本地agent自动买单。关键是CUDA和Windows OEM一起进笔记本，开发者默认栈会被NVIDIA再锁一层。

把“机器意识”放进 DeepMind、Anthropic、Meta 的研究议程，我看更像治理风险预埋，不像近期能力路线。正文只给了 3 个名字，没有实验方法、时间表、判断标准；在这个信息密度下，任何“模型快有主观体验了”的说法都太早。AI labs 过去一年把 agent safety、model welfare、scheming evals 都往制度化推进，这条延续的是那个方向：先把问题命名，后面才好写政策、红队和责任边界。麻烦在于，consciousness 没有像 SWE-bench 或 MMLU 那样的可复现靶子，最后很可能变成公司自定量表。

MobileGym 这条线比又一个手机榜单更实用，因为它先砍掉了 mobile agent 训练里的脏环境问题。文章给的硬钩子够多：28 个仿真 App、单实例约 400MB、3 秒冷启动、JSON 状态快照，256 个任务评测 6 分钟跑完；Qwen3-VL-4B 经 GRPO 后测试成功率从 9.4% 到 22.2%。 我最买账的是程序化判定，不是“像不像真机”的截图秀。VLM judge 在 118 条真机轨迹里错 12 条，GPT-5.4 复判仍是 10.2% 误判率。AndroidWorld 早有可验证任务，但碰不到微信、支付宝这种日常闭源 App。MobileGym 用仿真绕开账号、风控、复位和并行 rollout，代价是生态真实性要靠任务覆盖持续还债。

这篇把末日感拉满，但可执行信息只有 FATF 式 AI 审计框架。2030 AGI、1500 天窗口、50% 初级白领岗位这些数字都被拿来压迫读者，正文却没有给出预测来源的方法、置信区间或适用定义，标题里的“教皇联手 Anthropic”也更像同场背书，不是共同方案。 FATF 参照反而是里面最硬的钩子：跨国审计、市场准入、资本链制裁，这比“企业自律”更接近前沿模型监管的实际杠杆。问题是 AI 不像洗钱账户，权重、算力、代码可迁移，执行会卡在云厂商、出口管制和国家安全例外上。Anthropic 支持外部治理不奇怪，它一直用安全叙事换政策位置；别把这读成实验室失控自白。

墨芯这轮融资买的是国产推理卡的成本叙事，不是已经验证的大模型替代地位。正文给出近10亿元C轮、SparsePrime年内发布、S30/S40在MLPerf Inference三连冠；这些钩子够硬，但最关键的生产指标缺席：单卡价格、显存容量、tokens/s、vLLM吞吐、主流LLM精度损失、千卡集群实际利用率都没披露。 我买稀疏推理的大方向，尤其Agent调用把API账单打爆后，推理效率会比训练峰值更值钱。但MLPerf更像可控赛道，H100/H200生态的难点在CUDA、调度、算子和模型更新频率。SparsePrime说PyTorch、TensorFlow、vLLM近零迁移，这句话要拿生产模型压测兑现。

Step 3.7 Flash 的狠处不在 196B MoE，而在把 KV-cache 成本压到 DeepSeek 模型约 22%。现在推理模型拼到长上下文、agent 循环、多轮工具调用，显存里的 KV-cache 就是账单黑洞，阶跃直接从注意力结构下手，用多矩阵分解注意力和注意力 / FFN 解耦换服务效率。 Apache 2.0 加 Fireworks AI 也很务实。阶跃没有只做国内云上展示，而是把模型送进海外推理平台，让开发者按延迟和价格投票。短板是正文没给 benchmark、激活参数、吞吐或每百万 token 价格；只有 22% 这个相对数。这个数如果经得起 vLLM / Fireworks 实测，它比单纯刷榜更扎实。

积至的危险不在科幻感，而在它把老监控栈接上了可扩展分类器。10万份泄露文件显示，MESA 实验室在 2024 年用电信、社交媒体、位置数据建个人档案，还讨论“识别其意图”。美国官员同时说，尚无证据显示预测技术已定型或部署。 我不太买“AI 已能预判异见”的标题感。更现实的版本是公安系统把 DeepSeek 这类模型塞进海量告警分拣，把人工审查前移一层。积至卡在 GPU 和旧模型上，说明出口管制压到的不是通用聊天能力，而是多模态监控流的规模化。误报率正文没给，这反而是最刺眼的缺口。

英伟达对华叙事被这份采购库戳出硬伤：不是“依赖”才算风险，军方持续点名 A100、A800、H100、H800 本身就是出口管制要处理的对象。Wirescreen 查了 3800 份记录，抓到 500 多起军方单位按名称或规格找英伟达芯片，时间从 2019 到 2025 年，还包括 2024 年北京网络安全部队要 4 台 A100 服务器跑 hashcat。 英伟达反驳说先进 AI 系统一般要 10 万颗以上芯片网络，PLA 采购量远低于这个数；这个说法对大模型训练成立，对密码破解、漏洞研究、战棋推演不够。更麻烦的是远程租用商业数据中心算力和空壳采购主体，这类路径让“卖没卖给军方”变成合规上的文字游戏。

中国把数据和算法纳入商业秘密，AI 公司最先感到压力的不是论文发布，而是人员流动和数据合作。正文只有一句，没给条款、处罚、生效时间；但“算法 + 数据”这个口径足够宽，能覆盖训练语料、特征工程、推荐排序、模型蒸馏记录。 我对这条的直觉很明确：它会把很多原本靠 NDA 管的东西，推到行政和诉讼工具箱里。美国用出口管制卡 GPU，中国用商业秘密卡泄密链路。对大厂是护城河，对创业队是负担；员工带走 notebook、客户日志、评测集，都更容易被公司按“技术泄密”处理。

Claude Code 这套流程的刺点，不在“教用户”，在把人类审批权重新做成可验证工件。8 个步骤要求用户复述方案、过清单、做测验，再进入下一阶段；这比“agent 自动改完代码等你点 approve”更接近工程审计。 我买这个方向。Cursor、Devin、Claude Code 这一年都在拼更长链路执行，但长会话里最先坏掉的不是模型能力，是人类上下文丢失。问题是正文只给了工作流形态，没给失败率、耗时、团队规模这些硬指标。没有这些数，它还只是 Anthropic 工程文化里一套很漂亮的护栏。

OpenRouter 这组数打脸的是“闭源吃掉推理”的直觉：2025 年以来，开放权重模型拿到 69.1% 命名 token 量，闭源只有 30.9%。这个样本偏 API 路由层，不覆盖企业直连、云内调用和 ChatGPT 类消费流量，所以不能外推成全市场份额。 但它抓住了最敏感的人群：每天按价格、延迟、上下文和任务路由的开发者。DeepSeek 领先后被 MiniMax、Kimi、Qwen、腾讯 Hy3、Arcee 轮番替换，说明开放模型的优势不是某一家模型封神，而是切换成本低到足够残酷。闭源厂商还能守住高端能力，但默认流量正在被价格性能表格啃掉。

Gemini Spark 的关键不是“首个”，而是 Google 敢把消费者 agent 做成常驻守护进程。正文只给出四代演化、periodic/reactive 两种模式，没有披露权限边界、触发日志、错误回滚、第三方接入范围；这些才决定它是助手，还是后台事故源。 我对这类叙事一直警惕。OpenAI Tasks、Apple Shortcuts、Zapier agent 都碰过同一个墙：用户愿意让模型建议，不等于愿意让模型长期代办。periodic 适合低风险提醒，reactive 一碰邮箱、日历、支付、文件就进入审计区。Google 的优势是 Gmail/Calendar/Android 分发，但常驻 agent 的护城河不是模型聪明，是默认权限拿得多还少翻车。

把密码重置交给 AI agent 后，身份校验一旦进对话流，攻击面就从漏洞变成话术。这里的具体钩子很硬：攻击者不写 payload，只要让 agent 相信自己是合法用户；作者给的解法是 what / who 分离的三层架构。正文是 RSS 摘要，没给策略引擎、审计日志、二次验证、权限降级这些实现细节。 我买这个方向，但不买“说服”这个词带来的新鲜感。OWASP LLM Top 10 早把 prompt injection、excessive agency 放在同一条线上；这篇更像把老 IAM 问题搬进 agent 工具链。密码重置这种高风险动作，不能让模型裁决 who，只能让模型申请 what。