热点聚合 · 2026-06-25

这份报告最值得看的是收入加速度：2023 年新增 10 亿美元要花 180 天，现在不到两天。这说明企业端花钱的速度在猛踩油门，不是光试不买了。31% 的标普 500 公司在财报电话会上提 AI，但只有 20% 量化了影响，意味着多数人还在讲方向，没亮账本。 Token 降价每 10% 能刺激 12-18% 的用量增长，需求弹性很强，但云厂商的 AI 收入目前只够覆盖基础设施折旧，GPU 的经济账还绑在一个 6 年计算寿命的假设上。电力供应和数据中心成本是下一步扩张的硬瓶颈，报告没给具体缺口数字，这点先别太激动。 整体看，收入盘子不小、增速快，但利润端还很薄。缺的是各行业实际投产后的 ROI 数据，以及电力瓶颈的量化预测。

这条消息最值得注意的不是技术本身，而是政府直接伸手卡住了模型发布节奏。报道说 OpenAI 应特朗普政府要求延迟 GPT-5.6，客户访问变成逐案审批，但正文没披露推迟多长时间、审批标准是什么，也没说 OpenAI 内部是配合还是被迫。这点先别太激动——目前看更像是行政层面的压力，而不是基于安全评估的正式审查。如果是真的，这意味着美国在 AI 模型发布上开始走类似出口管制的路子，但信息缺口太大：没有技术细节、没有时间表、没有双方博弈过程。还缺 OpenAI 的官方声明和政府的书面指令，光靠一篇报道很难判断这是临时动作还是长期政策转向。

OpenAI 把 Codex 搬进 ChatGPT 移动 App，核心逻辑没变：手机负责发起任务、看结果、点批准，实际代码执行仍在笔记本或 Mac mini 上跑。这次更新主要加了通知、目标设定、侧边聊天、文件预览和行内审阅意见，让手机端从“只能看”变成“能管”。一对一设备配对提升了连接安全性，但正文没披露配对的具体技术方案，也没说断连后任务怎么恢复。对开发者来说，这意味着可以在通勤时检查代码输出、批准下一步，不用一直守在电脑前。不过移动端交互受屏幕尺寸限制，复杂审阅体验肯定打折。还缺的信息：移动端支持哪些语言和框架、后台机器的性能要求、以及多设备切换场景下的体验。如果是真的稳定好用，对需要随时盯进度的团队是个省时间的工具，但先别把它当成完整的移动开发环境。

这条消息最值得关注的点不是模型又变强了，而是美国政府直接出手卡住了发布节奏。OpenAI 原计划广泛推的 GPT-5.6，现在只能给一小批合作方用，而且每个客户都要政府点头——这种逐客审批的做法在 AI 行业里很少见。 触发红线的能力是“自动干高水平的网络安全活”。正文把它拆成两面：帮防守方更快找漏洞，也让攻击者加速测试漏洞利用。这个表述本身就说明，模型在漏洞发现和利用测试上已经能跑通端到端的流程，不是只能写脚本片段。但正文没披露具体评测基准、成功率，也没说这个能力是专门训练的，还是通用推理能力溢出到安全领域。 Sam Altman 周四跟员工确认了审批流程，说明内部已经接受这个安排。现在还缺几块关键信息：政府审批标准是什么、审批周期多长、哪些客户能进预览名单。如果审批流程拖太久，等于变相冻结了模型在安全方向上的迭代。另外，这个先例一旦立住，后续其他公司的高能力模型发布也可能被套上同样的流程。

这条消息来自《纽约时报》转述，Bloomberg 做了跟进，但 OpenAI 官方没出来确认，所以先当风向看。核心判断是：OpenAI 不急着上市。它刚融完一轮大钱，账上现金充足，没必要立刻去公开市场接受每季度财报的拷问。推迟到 2027 年，大概率是想先把企业级付费和 API 收入做扎实，把“烧钱换规模”的故事换成“高毛利经常性收入”的故事。 目前正文没披露具体估值目标或上市地点，也没说推迟是因为监管还是内部治理没理顺。这点信息缺口挺关键——如果只是因为市场环境不好而被动等，那和主动选择晚点上是两回事。对从业者来说，这信号偏中性：短期不会有股价波动干扰研发节奏，但长期看，上市越晚，早期员工和投资人的退出压力越大，可能会在 2027 年前逼出一波调整。

Patronus AI 拿了 5000 万美元，估值 5 亿，做的事是把企业里那些能自己干多步活的 AI 智能体，丢进一个模拟数字环境里先跑跑看会不会崩。创始人从 Meta AI 出来，客户名单里有美国国防部、奔驰和 Box，投资人形容需求“几乎填不满”。 这个方向确实踩中了痛点：现在很多公司把模型接进业务流程干活，但上线前缺少一个能模拟真实混乱场景的测试场。不过文章没披露任何具体指标，比如模拟环境跟真实生产环境的偏差有多大、测试一次要多久、能抓到多少比例的故障。这些数字才是判断产品有没有用的关键。 另外，国防部这种客户对安全合规要求极高，正文也没提他们在数据隔离、私有化部署上做到了什么程度。如果只是靠融资和客户 logo 讲故事，那 5 亿估值里有多少是真实验证过的价值，还得等他们拿出测试基准再说。

苹果这步棋很激进：不出 M6 Pro/Max/Ultra，直接跳到 M7 Pro、M7 Max 和 M7 Ultra，预计 2027 年先上 MacBook Pro 和 Mac Studio。逻辑是让大模型在本地设备上跑推理，而不是什么都丢云端，这对延迟和隐私确实是好事。 但文章只说了战略方向，没给任何能验证的硬件数字。M7 的神经网络引擎算力多少、内存带宽比 M6 基础款提升多少、能不能跑动 70B 以上的模型，这些全都没提。Mac Pro 会不会跟着换也没说。 我的判断先打个折：方向对，但 2027 年才落地，中间变数太多。而且如果只是把现有云端模型压缩到本地跑，体验提升可能没想象中大。等实测数据出来再激动不迟。

华盛顿邮报的测试结果挺直白：GPT-5.5 的回答里 80% 只给左派论点，DeepSeek V4 Pro 也有 70%，两者都反对死刑，尽管美国多数民众几十年来一直支持。这基本坐实了主流模型在政治光谱上的一致性偏左。 比较意外的是 Google 的 Gemini 3.1 Pro，93% 的回答能同时呈现左右两方观点，成了唯一一个明显追求平衡的异类。xAI 的 Grok 4.3 虽然右派回答比其他模型多，但纯左派回答依然占多数。文章提到它在跨性别权利问题上给出了完全右翼的立场，和马斯克的公开表态一致，暗示可能有人为干预。 测试方法上，正文没披露具体问了哪些问题、怎么定义“左/右”，也没说明样本量。如果问题本身就有倾向性，或者分类标准粗糙，结论就得打个折。另外，Gab 的 Arya 这类标榜保守的模型也偏左，文章归因于训练数据同源甚至可能蒸馏了其他模型的输出，但没给出直接证据。

Google 把 Computer Use 塞进了 Gemini 3.5 Flash，模型现在能看屏幕、点按钮、滑页面，在浏览器、手机和桌面上跑长时间任务。这次更新给了几个实用的东西：内置了对手机和桌面操作系统的支持，不用自己搭环境；每次函数调用都会带上意图参数，方便你判断模型想干嘛；还加了可定制的人工接管机制，关键时刻能把控制权交回给人。安全方面提到了提示词注入检测和动作级安全策略，但具体怎么实现、误报率多少都没说。 我会先打个折。正文没披露定价和延迟数据，这对实际落地很关键——如果跑一个任务要等十几秒，或者按调用次数算钱很贵，那自动化 QA 测试和业务流程这些场景就不太现实。另外，长时间任务的可靠性也没给任何指标，比如任务中途会不会跑偏、需要人工接管的频率是多少。 如果是真的省钱又稳定，那对需要跨应用操作的工作流是个好消息。但现阶段缺的信息太多，建议等真实用户的可靠性报告出来再判断。

这家公司想用玩家在游戏里的按键、鼠标移动和一连串决策，来教模型理解物理世界。逻辑比纯文本训练多了一层“行动数据”——不是看人怎么说，而是看人怎么做。他们打算把训出来的模型卖给机器人公司和游戏开发商，相当于把游戏当成一个低成本、可复现的物理模拟器。 3.2 亿美元融资额不小，但正文没写估值，也没说钱是谁给的。这轮到底是真看好技术路线，还是赌创始人的背景，目前看不出来。另外，游戏数据能覆盖的物理场景毕竟有限——在《堡垒之夜》里学会的直觉，能不能迁移到真实仓库里搬箱子，正文没给出验证结果。 还缺两个关键信息：一是模型在真实机器人任务上的测试成绩，二是游戏录像的版权和数据使用权怎么解决。如果这两点没公开，这 3.2 亿更像是一张昂贵的入场券，离“通用 AI 智能体”还有距离。

LMSYS 和 NVIDIA 在 SGLang 里塞了两个新机制，专门解决 DeepEP 在做 MoE 推理时 GPU 之间工作量不均的问题。Waterfill 的思路很直接：把共享专家的请求丢给当前最闲的 GPU，在 DeepSeek V3/R1 上吞吐量提升了 1.48% 到 4.66%，在 DeepSeek V4 上从每秒 49253 个 token 提到了 51677 个，涨了 4.92%。LPLB 则用线性规划来给冗余专家副本分配 token，同样场景下吞吐量提升 0.84% 到 7.34%。两个方法都不影响模型准确率。 提升幅度不算大，但考虑到这是纯运行时优化、不改模型权重，白捡的算力还是划算的。不过正文只报了吞吐量，完全没提延迟有没有变差。对于在线服务来说，延迟抖动比吞吐量更敏感，这点信息缺口让人没法判断实际部署效果。另外，测试只跑了两台 Hopper GPU 节点，更大规模集群下的表现还不清楚。

Ornith-1.0 这套模型专门干一件事：让模型自己动手写代码、改代码、跑终端命令，不是只给建议。四个尺寸从 9B 到 397B 全 MIT 开源，SWE-Bench Verified 拿了 82.4 分，Terminal-Bench 2.1 拿了 77.5 分，都是开源里目前最高的。训练方法有点意思，用强化学习同时优化任务脚手架和最终方案，相当于让模型边干活边改进自己的执行框架，不是死板地按预设流程走。 但正文没披露训练成本、推理延迟和硬件要求。397B 的 MoE 模型虽然参数大，实际激活多少参数、本地跑要几张卡，这些关键信息全缺。GGUF 版本说支持 Ollama 本地跑，但 397B 模型在消费级硬件上能不能跑得动，先别太激动。另外 SWE-Bench 分数高不代表真实项目里也好用，基准测试和实际工程场景的差距一直存在。 还缺的是：这套模型在复杂多文件项目里的表现、跟闭源模型比如 Claude 在同样任务上的对比、以及长期自主编程时会不会越改越乱。如果训练成本确实低，那 MIT 协议下直接拿来微调做内部工具挺划算；如果成本高但没公开，就得等社区实测反馈了。

OpenAI 开始在最便宜的付费套餐（ChatGPT Go，每月 6.99 英镑）里塞广告了。一位用户在聊手游攻略时，聊天界面直接出现了金融时报、Shein 和亚马逊 Prime Day 的广告，气得立刻取消订阅。评论区有人翻出定价页，发现从今年 1 月起就标了“可能包含广告”，但实际推送似乎是最近才开始的。 这事背后是 OpenAI 在冲 IPO 的财务压力。他们今年去了戛纳广告节，手里攥着 9 亿用户和 5000 万付费用户，广告变现是迟早的事。但把广告打进付费用户的聊天流里，等于让用户一边交钱一边当产品，这个体验滑坡比免费版加广告要严重得多。 目前最大的信息缺口是广告的展示形式——是嵌在对话气泡里，还是侧边栏弹窗？跟用户聊的内容有没有关联？这些细节直接决定这到底是普通的商业变现，还是更让人不安的“对话即广告位”。

Trakkr 关掉联网搜索，用同一批政治、经济、言论类敏感问题反复问 6 个模型，收集了 4400 条回答，然后拿 CHES 2024 和 V-Dem 的专家调查数据当尺子，量出每个模型在政治光谱上的位置。结果 4 款偏左：ChatGPT 最靠左，接近德国绿党；Claude 和 Llama 跟新西兰工党差不多；Gemini 和 DeepSeek 最接近中间，挨着澳大利亚总理阿尔巴尼斯。Grok 是唯一偏右的，靠近马克龙。 有意思的是模型自己报的立场和实测结果经常对不上——Grok 自称偏左，实测偏右 0.36；Claude 自称中立，实测偏左 0.34。这说明模型对自己政治倾向的“自我认知”不太靠谱，看它实际怎么回答比听它怎么说更实在。 不过这个测试有几个信息缺口。正文没写每个模型跑了多少次，也没提温度参数设了多少，这两个变量会直接影响回答的分布宽度和稳定性。另外，问题集的具体构成、是否覆盖了足够多的议题维度，也会影响结论能不能推广。如果这些问题偏向某些议题，测出来的光谱就可能被带偏。

这篇不是技术分析，是公众情绪诊断。克鲁格曼把锅甩回AI公司自己头上：CEO们为了融资，主动炒作AI会消灭大量白领岗位，现在反噬来了。他引用的皮尤2026年调查显示，多数美国人认为AI对社会有害，对个人也没好处。这和1999年互联网刚普及时的乐观情绪形成直接对比——当时多数人欢迎新技术，2015年还有71%的人觉得科技公司影响正面。 文章点出三个原因：一是AI公司自己把“岗位末日”当营销话术，吓到了公众；二是用户觉得AI被强塞进产品，比如谷歌搜索不再让你关掉AI功能；三是数据中心占地耗电，成了肉眼可见的负担。这些判断都挂在公开数据和CEO原话上，不是猜测。 但文章没给解法，也没讨论技术本身有没有价值。它只告诉你“为什么大家讨厌AI”，不回答“讨厌得对不对”或者“接下来怎么办”。如果你想知道公众反感是否合理、AI的实际就业冲击有多大，这篇帮不上忙——它只证明了一件事：AI行业的公关策略把自己坑了。

VitaBench 2.0 把评测拉到了接近真实生活的尺度：56个虚拟用户，每人平均1580天的交互记录、2093个事件，任务有819个，偏好还会动态变化超过2000次。这不是让模型答几道题，而是看它能不能在长达数年的时间跨度里，记住一个人的习惯变化、在合适的时候主动问问题、调用66个工具去完成具体的事。 目前最强的 Claude-Opus-4.6 在开卷模式下平均分刚过0.5，说明整体水平还很低。两个值得注意的发现：一是开了思考模式对个性化任务不一定加分，有时候反而帮倒忙；二是所有模型一到需要主动提问的场景，分数就断崖式下跌——模型还是更擅长被动回答，不太会主动搞清楚用户到底要什么。 正文没披露这56个虚拟用户是怎么生成的、偏好变化的规律是否贴近真人分布，也没说819个任务的难度分级和具体类型占比。这些信息缺口会影响我们对基准本身质量的判断。另外，评测只跑了 Claude-Opus-4.6 一个最强模型的数据，其他模型的横向对比没给全，这点先别太激动。

Meta把一半的内容审核交给大语言模型，还打算年底前把部分内容类型的AI审核比例推到90%以上。公司给出的理由是自家模型比人工审核错误少13%，能多揪出10%的违规内容，一年能省几十亿美元。这个数字听起来很漂亮，但得打个折——内部员工的说法是，模型还是会误删或悄悄限流（影子封禁）一些根本没问题的内容，而且铺开速度太快，监管完全跟不上。 另外有个细节值得注意：Meta后台正在把审核模型从Google的Gemini换成自家的Muse Spark，训练数据是过去人类审核员的决定。这等于说，模型学的是“人以前怎么判”，但人以前判得对不对、有没有偏见，正文没披露。如果训练数据本身就有问题，那13%的错误率下降可能只是换了一种错法。 现在还缺几块关键信息：一是误删和限流的真实比例到底是多少，公司没给；二是所谓“省钱”是省了人力成本，还是把风险成本转嫁给了用户和创作者；三是外部监管机构对90%这个目标的合规评估还没看到。如果这些补不上，Meta说的质量提升就先别太当真。

FT 这篇专栏直接反驳了“好点子越来越难找”这个流行说法。作者认为，过去十年 AI 和生物技术的突破其实在加速，但用论文或专利数量来衡量“研究产出”会漏掉质的飞跃——比如一个 Transformer 架构带来的改变，远比一百篇灌水论文大。 文章没给出替代的衡量标准，也没提供具体数据支撑“加速”这个判断，更像是对现有悲观论调的一次观念挑战。正文没披露作者是否做了量化分析，还是仅基于观察。 如果是真的，这意味着我们可能一直在用错误的尺子量进步，导致对创新速度的集体误判。但这点先别太激动——没有新尺子之前，这更像一个提问，而不是一个结论。

这个工具解决了一个很实际的痛点：每次跟 Claude、ChatGPT 聊天都得把背景重新说一遍。它相当于在你的 Cloudflare 账号里搭了个私人记忆库，AI 能按意思搜到之前聊过的项目、决定和偏好，不用靠关键词硬匹配。v2 版做了两个挺聪明的改进：一是会自动把相关的记忆串起来，召回时顺着线索找，不是孤立地翻旧账；二是把已经敲定的结论和还在变的草稿分开，避免拿过期的上下文来用。代码开源，MIT 协议，有免费套餐，在 Product Hunt 上拿了当天第四名。 不过，文章里没给出任何性能数据。我不知道记忆库大了之后，每次召回要等多久，也不知道免费套餐的存储上限和同时能处理多少请求。这些数字直接决定它能不能用在日常高频场景里。另外，它依赖 Cloudflare 的生态，如果你不用 Cloudflare，迁移成本得自己掂量。总的来说，想法和实现方向都对，但实际用起来顺不顺手，还得自己跑一遍才知道。

这条指控目前只有Anthropic单方面发声，正文没给出任何技术细节或证据，连“逆向工程”具体指什么操作都没说清楚。阿里那边还没公开回应，所以整件事还停留在“一方说另一方偷了东西”的阶段。 如果指控属实，说明闭源大模型的技术护城河可能比大家想的浅，靠工程手段就能把核心能力抽走。但信息缺口太大，没法判断这是真有实锤，还是商业竞争里的施压动作。 接下来要看两点：Anthropic会不会拿出可验证的证据，比如模型输出对比、内部水印检测结果；阿里会不会正面回应，而不是沉默或发公关声明。这两样缺一个，这事就只能当八卦看。

作者用自己的一次试用经历，点出了一个挺直观的事实：DeepSeek V4 调用一次只要 0.09 美元，而 Anthropic 要 5 美元，价差将近 50 倍。他的核心判断是，OpenAI 和 Anthropic 被高昂的运营成本架住了，很难把价格砍掉一两个数量级去跟 DeepSeek 或小米的 Mimo 打价格战。 文章猜测这两家可能会走“奢侈品路线”，靠制造稀缺感和品牌溢价来维持高价，甚至可能游说政府以安全为由限制开源模型的竞争。这个推测听起来合理，但正文没提供任何证据，比如内部成本结构、定价策略文件或相关游说动态，所以目前只能当一种观察视角。 另外，文章把 Allen AI 的 OLMo 拎出来，说它连训练数据都公开，才是真正的开源路线。但 OLMo 的数据截止在 2024 年 12 月，时效性已经落后。整篇读下来，唯一的硬数字就是那个 50 倍价差，缺了模型能力、吞吐量、延迟这些关键指标，没法判断便宜是不是因为牺牲了质量。如果是真的性能接近，那这个价差确实吓人；如果只是跑简单任务，那参考价值就打折了。

这篇 HN 帖子是一个程序员的个人见闻，不是调研报告。他描述的场景确实极端：15 人团队里，代码不再是唯一可信的源头，大家让 Claude 写代码再让 Claude 解释代码，代码审查不靠人，有的开发者同时开着 5 个以上 Claude 会话，根本不看代码。作者自己也是 Claude 重度用户，但看到这种“全自动”工作流还是被惊到了。 评论区有人直接泼冷水：LLM 的输出至今还经常错得离谱，把公司押在这种东西上风险很大。另一些人则认为手写代码的时代已经过去了，监督 AI 干活就是新常态。但两边都没给出数据支撑，全是个人判断。 这篇东西最大的价值是抛出一个问题：如果连理解问题都外包给模型，程序员这个职业还剩什么？但它最大的缺陷也在这里——只有一个人的观察和 HN 评论区，没有披露这个团队的交付质量、线上事故率、人员流动情况。如果想知道这是不是普遍现象，得看更多团队的真实数据，而不是一篇帖子。

这篇论文最有意思的不是外部数据，而是 OpenAI 内部怎么用 Codex。到今年 6 月，公司内部每周输出的 token 里 99.8% 都来自 Codex，ChatGPT 基本退居二线。法务、财务、招聘这些非技术部门在今年 4 月前后也把主力 AI 工具切到了 Codex，说明能独立干活的 agent 确实在吃掉传统对话式 AI 的份额。外部个人用户里，80.6% 至少跑过一次估计要花人 30 分钟以上的任务，25.6% 跑过超 8 小时的任务，长任务渗透速度比短任务快。非开发者用户增长最猛，个人端涨了 137 倍，组织端涨了 189 倍。 但正文没披露 Codex 的定价和外部企业付费转化率，也没说这些长任务的实际完成质量怎么样。OpenAI 内部重度用户一天能跑出 60 小时以上的 agent 工作时长，这个数字看着吓人，但它是靠并行跑多个 agent 堆出来的，不能直接理解成一个人干了 60 小时的活。另外，任务时长是按人类完成时间估算的，这个估算方法本身有没有水分，论文里没展开。

这篇文章点出了一个很实际的坑：模型默认生成的代码风格，往往来自训练数据里占大头的旧 Node.js 模式，而不是现代运行时已经内置的 Web API。作者 Jim Montgomery 用具体数字算了这笔账——手动解析查询参数约 140 个 token，用 URLSearchParams 只要 12 个；一个 3 字段的 React 表单手写状态管理约 200 个 token，用 FormData 只要 14 个。因为 API 计费中输出 token 比输入贵 3 到 5 倍，这种默认风格等于在烧钱，还容易引入 bug。 解决办法简单到让人想翻白眼：在 prompt 里告诉模型你的运行环境支持哪些 API。文章没做大规模统计，数字是作者自己估算的，但比例方向是对的。缺的是不同模型、不同任务下的对比数据，以及这种优化对代码质量的实际影响有多大。如果是真的，这可能是最省钱的 prompt 技巧之一。

这件事最值得从业者留意的地方，不是 OpenAI 又出 bug，而是我们日常检查磁盘的那套习惯完全失效了。du、df、Finder 看的是文件系统逻辑大小，Codex 的 SQLite 日志库一边狂写一边回收空间，文件体积纹丝不动，只有 SMART 计数器能读出物理写入量。报告者 Rui Fan 实测 21 天写入 37 TB，年化 640 TB，而一块 1TB 消费级 SSD 的额定写入寿命通常就 600 TBW。4 月 10 日就有人贴出了 strace 里 pwrite64 刷屏的证据，但每个看到 issue 的人都用 du 扫一眼，觉得文件不大、磁盘没满，就没当回事，直到 6 月 22 日登上 Hacker News 前排才引爆。 根因是日志级别默认设成了 TRACE，连打开系统文件和 WebSocket 原始帧都原封不动记下来，而且 Codex 自己的默认值会绕过用户设的 RUST_LOG 环境变量。0.142.0 合并了修复，报告者反馈能砍掉约 85% 的写入，年化降到 32 TB 左右，回到正常水平。但 Windows 桌面包在修复合并后仍然复现，第三项关键修复还在 0.143.0 里没发布。 正文没披露 OpenAI 内部为什么把默认级别设成 TRACE，也没解释为什么 4 月的报告没被及时升级。600 TBW 是保修值不是硬边界，很多盘超了还能用，截至发稿也没有公开的因这个 bug 实际烧坏硬盘的案例。但这件事提醒我们：本地 agent 常驻后台之后，磁盘写入会变成一个需要主动监控的指标，不能只靠文件大小和剩余空间来判断。

这条信息值得所有跑多轮 agent 的团队点开看。Spheron 测出 prefill 占 agent 推理成本的 85% 到 95%，输入输出 token 比高达 267:1，模型每生成一个字就要重读 267 个字。这个数字解释了为什么 prompt caching 的折扣能打到一折——供应商在缓存复用时几乎没有额外 GPU 开销。 文章把提升命中率的工程栈拆成三层：压缩层让 KV 矩阵变小，CompressKV 只保留 3% 的缓存就能守住 97% 的 LongBench 性能，但 FlashAttention 内核不暴露 attention score，算法好不等于能落地；路由层解决多副本下请求被随机分发导致缓存全部 miss 的问题，llm-d 的方案把 TTFT p90 从 92.5 秒压到 0.54 秒；API 层是大多数开发者唯一能直接碰的，但 Anthropic 今年 3 月静默把缓存 TTL 从 1 小时砍到 5 分钟，用户账单瞬间暴涨 100 倍。 文章没给出不同压缩方案在真实生产环境下的横向对比数据，也没说明路由方案在并发波动时的缓存颠簸阈值。如果你用的是 API 而不是自建集群，三层里只有 API 层能动手，另外两层看看就好。

这条更新解决了一个很实际的痛点：编程助手在推荐模型时，训练数据通常滞后几个月，根本不知道当前哪个模型便宜、哪个跑分高。OpenRouter 这次直接把模型目录、基准测试排名、实时价格和文档打包成一个远程 MCP 服务器，Claude Code、Cursor 等工具加一行命令就能调用。助手可以按价格、上下文长度筛选模型，发测试提示词，还能并排对比不同模型的回复和成本。 安全设计上，首次登录会生成一把专用密钥，7 天有效，默认消费上限 10 美元，防止代码自动调用时账单失控。不过正文没提这个 MCP 服务器本身是否收费，也没说明超出 10 美元上限后是直接停掉还是需要手动提额。另外，所有工具都依赖 OpenRouter 自己的数据和排名，如果你常用的模型在它平台上表现一般，推荐结果可能会有偏差。