全部

OpenAI 宣布在 ChatGPT 里用 GPT-5.5 Instant 处理健康类问题，免费用户就能用。他们给了一组数据：每周有 2.3 亿人用 ChatGPT 问健康问题；在自家 HealthBench 评测上，GPT-5.5 Instant 的得分已经追平了需要付费的“思考”模型，而且比上一代 GPT-5.3 Instant 提升明显。更抓眼球的是，他们让一组医生不限时上网写回答，再让另一组医生盲评，结果 GPT-5.5 Instant 在准确性、沟通、完整性等维度上得分比真人医生还高。另外，通过隐私保护的方式监测线上流量，健康回答里被标记为可能有事实性问题的比例，两个月内下降了 71%。 这些数字看着挺漂亮，但得打个折来看。首先，评测基准和医生评审都是 OpenAI 自己组织的，虽然拉了全球医生网络，但方法论和利益冲突的细节没公开。其次，文章没给出具体的错误率绝对值，只说“下降了 71%”，基数是多少不知道。最后，健康问答容错率极低，模型在“识别紧急情况”和“解释不确定性”上的表现到底多可靠，光靠内部评测还不够，需要更多独立第三方的验证和真实世界的安全性数据。

DeepSeek 把识图模式做成了和“快速模式”“专家模式”并列的一个独立入口，用户上传图片后模型能直接理解画面内容，不只是简单的文字提取。研究员 Xiaokang Chen 在 6 月 18 日宣布了这个消息，但 IT 之家实测发现 App 端仍然提示“图片理解功能内测中”，网页端没有这个限制，说明全量推送还没完全到位。 今年 4 月 DeepSeek 公开过这套识图背后的技术框架，叫“以视觉原语思考”，相当于让模型先拆解图像的基本元素再推理，而不是直接端到端黑盒输出。这个思路在学术上有交代，但正文没给出任何实际效果对比、支持哪些图片格式、单次识图有没有用量限制，也没提是否免费。 我会先打个折：上线不等于稳定可用，App 端的内测提示说明灰度还在进行。如果你现在就想用，优先试网页端。另外，识图能力到底强在哪、跟其他家的多模态模型比差多少，这篇稿子完全没展开，只能等后续实测。

这条消息最值得看的是参数效率：1B的模型能跟微软8×7B的NatureLM掰手腕，说明这套“统一科学语法”的思路在压缩模型体积上确实有效。它把蛋白质、小分子、材料这些原本需要不同模型处理的对象，全部转成离散的token序列，让一个自回归模型就能搞定生成、预测等多种任务，省掉了传统方法里换任务就要换模型的麻烦。 不过，正文只提了“六大代表性科学任务”和“匹配或超越领域专用方法”，没有给出具体的评测基准名称和分数，也没说明NatureLM是在哪些指标上被超越的。44.87B tokens的预训练语料听起来很大，但不同模态的分布很不均匀——蛋白质占了近29B，小分子只有2.1B，这种数据倾斜会不会导致模型在某些化学任务上表现虚高，文章没展开。 另外，把3D空间接触模式“语法化”成离散token，完全不用3D坐标输入，这个想法很巧妙，但实际能保留多少空间精度、在需要精确几何约束的任务上会不会掉链子，还得看后续的第三方复现和评测。开源了权重和代码是好事，建议先跑一下自己关心的任务再下结论。

库克接受华尔街日报采访时把涨价原因直接指向 AI 抢走了存储芯片产能。自 2024 年以来，内存和存储芯片价格已经翻了四倍，而且预计涨势要持续到 2027 年。这个数字挺吓人，但文章没说明是哪种规格的芯片、对比的基准价是什么，所以“四倍”这个数先打个折看。 真正落到消费者头上的影响，TechInsights 给了一个估算：下一代 iPhone 18 Pro 可能要贵 270 美元，起售价摸到 1299 美元。不过这只是第三方基于利润率的推算，苹果官方没确认。库克只承认成本压力“不可持续”，Mac Mini 已经悄悄涨了价，戴尔、任天堂也跟进了。 现在还缺两个关键信息：一是苹果会不会通过砍掉存储容量来压住起售价，二是这轮涨价是永久性的还是等产能缓解后会回调。如果只是放风而不给具体方案，更像是在给市场打预防针。

这份泄露的审计文件把OpenAI的家底摊开了：2025年收入130.7亿美元，但总成本高达340亿，净亏385亿。钱主要烧在研发上，花了191.8亿，其中光付给微软的算力和训练费就超过106亿。收入涨了近四倍，亏损却扩大了近八倍，说明模型越做越大，成本增速远超赚钱速度。 文件还提到，2025年OpenAI从非营利转营利实体，导致账面多出415.5亿的“公允价值变动”损失，这是会计处理带来的数字，不是现金真的流出。剔除这部分和少数股东权益后，归到公司头上的净亏是385亿。年底公司账上还有约500亿资产，近一半是现金，短期不会断粮。 不过，正文没披露用户量、付费转化率和客单价，也没说这340亿花出去换来了多少模型能力提升。光看亏损数字很吓人，但如果没有收入质量和增长天花板的判断，很难说这是烧钱换未来，还是单纯的成本失控。

这条消息本身值得关注，但信息缺口很大。Anthropic和DeepMind的CEO在G7会议上提议建一个美国主导的AI联盟，明确要把中国排除在外。这基本是把AI竞争从商业层面直接拉到地缘政治层面，等于公开要求G7国家在AI基础设施、人才、标准上搞一个“朋友圈”，不带中国玩。 但具体怎么操作，正文没披露。Reddit原帖被网络策略拦截，我们只看到标题和一张图，没有提案原文，也没有会议纪要。所以不知道这个联盟是管芯片出口、模型开源、还是人才流动，也不知道G7其他国家的反应。 如果是真的，这比单家公司禁售影响更大，等于在制度层面划阵营。但先别太激动，CEO提议和实际落地差很远，G7内部利益也不一致。后续得看有没有官方声明或会议记录流出来，才能判断这是真动作还是表态。

谷歌这次用99.99美元的价格把Gemini模型装进了智能音箱，摆明了要和亚马逊Echo抢客厅入口。这个定价不算贵，如果真能把大模型的多轮对话和复杂指令理解跑顺，会比现在只会定闹钟、查天气的智能音箱好用一大截。但问题在于，目前所有报道都只给了标题和价格，正文完全没披露这款音箱到底用了哪个版本的Gemini、是端侧跑还是云端调、延迟多少、支持哪些语言。这些信息直接决定它是个能聊天的真升级，还是又一个套了AI壳的旧硬件。另外，谷歌之前Nest系列的产品线已经够乱了，这次是替代旧款还是另开新线，也没说清楚。如果是真的把大模型塞进百元音箱还能保持低延迟，那挺省钱也挺实用；但如果只是云端调API，那和手机上的语音助手没本质区别，没必要专门买个音箱。先别太激动，等实测出来再看。

OpenAI 把 GPT-5.4 接入了 Molecule.one 的自动化实验室 Maria，让它自己提方案、做实验、分析数据，目标是改进 Chan-Lam 偶联反应里最难搞的一类底物——伯磺酰胺。模型没让人手把手教，自己翻完文献后提议加 TEMPO 这种温和氧化剂，结果在 88% 的硼酸和 83% 的磺酰胺底物上产率都有提升，平均产率从 16.6% 涨到 25.2%，超过 30% 产率的反应比例也从 15.6% 翻到 37.5%。后续人工在常规实验台上复现，14 组里有 11 组产率更高，多数翻了一倍以上。 这个数字绝对值不算高，25.2% 的平均产率在合成化学里依然偏低，但提升幅度和底物覆盖面说明方向是对的。文章也坦承这只是早期结果，而且整个流程里人类还是参与了选题把关、实验计划微调和最终验证，不是全自主。 目前没披露的是：模型提议 TEMPO 的逻辑链路有多深，是碰巧撞上还是真有化学直觉；另外 10,080 次实验的总成本和耗时也没给，没法判断这种“AI 化学家”模式离日常药物研发管线有多远。

GLM-5.2这次把力气花在了两个地方：一是把上下文窗口做到实打实的100万token，不是那种一到几十万就拉胯的“纸面1M”；二是让模型能扛住跨天甚至跨周的长任务，比如从零写一个多端应用并完成调试打包。在Artificial Analysis综合榜上拿了51分，和Anthropic、OpenAI并列前三，Code Arena前端开发盲测甚至排到第一。 不过数字得拆开看。在考验超长周期软件工程的SWE-Marathon上，它比Opus 4.8低了13个百分点，差距不小。官方自己也说，长程任务能力介于Opus 4.7和4.8之间。所以整体定位更接近“开源最强、逼近闭源头部”，而不是全面超越。 技术上有两个点值得注意：一是IndexShare方案把长上下文下的计算量压到2.9倍，推理成本控制得比较务实；二是模型发布当天就适配了华为昇腾、平头哥等一堆国产芯片，对国内开发者来说部署门槛低了不少。另外模型用MIT协议开源，商用没什么限制。目前缺的是更多第三方在真实长程任务上的横向对比，以及不同思考档位下的成本数据，这些会直接影响实际选型。

Tim Ferriss 没在写行业预测，他直接晒了自己的账本。他引用了《出版商周刊》的数据：2026 年第一季度成人非虚构类整体下滑 9%，其中自助类最惨，销量同比跌了 26.3%。这个数字说明不是小波动，是断崖。然后他把自己五本书的国内纸质版销量拉出来看趋势，想证明这不是一个季度的偶然，而是持续几年的下滑。 文章的价值在于提供了第一人称的销售数据，而不是第三方估算。但要注意，他只展示了纸质书渠道的数据，没提电子书和有声书的销量变化，也没给出 AI 工具使用量和书籍销量下滑之间的直接因果证据。他承认团队每天都在用 Claude 这类工具，但“我们用 AI”和“读者因此不买书”之间还差着好几层逻辑。 如果我是编辑，我会追问两个点：一是他的读者画像里，有多少人明确表示用 AI 替代了买书；二是自助类里偏“方法步骤”的书和偏“故事启发”的书，跌幅有没有区别。这些信息目前都缺，所以结论更像是一个资深作者基于直觉和数据片段的强烈预警，而不是定论。

这条消息来自 Pragmatic Engineer 的深度报道，讲的是 Meta 内部最近几周发生的一次剧烈转向。过去二十年，Meta 的工程文化一直是“快速行动、打破常规”，后来进化成“快速行动但基础设施要稳”，工程师被鼓励追求影响力、平衡业务和工程质量。但今年四月以来，管理层像是照着“如何高效拆掉一个成功工程团队”的蓝图在操作，直接把软件工程从利润中心划成了成本中心。 最刺眼的一个动作是强制工程师去做数据标注。报道没披露具体有多少人被调岗、标注什么数据、持续多久，但用“强制分配”这个词，说明这不是自愿报名或短期支援，而是硬性摊派。对一家以工程师文化自豪的公司来说，这等于告诉工程师：你们现在和外包标注员没区别。报道还提到内部出现了“史上最尴尬的宕机事故”，以及一系列被作者称为“自残”的管理决策，但正文没展开具体细节，这部分信息是缺失的。 目前只有这一篇第三方报道，Meta 官方没有回应，内部员工的声音也还没大规模流出来。所以整件事的完整图景还不清楚：是短期降本手段，还是永久性的组织定位调整？强制标注是全员还是特定部门？这些关键问题都没答案。如果是真的，这种操作对人才留存和工程质量的打击会比裁员更深，因为裁人还能说是业务调整，让工程师干标注是在否定他们的专业价值。