全部 · 2026-06-14

这件事最妙的地方在于它没用什么复杂技术，就是一段纯文本指令，AI 编程助手就乖乖执行了。jqwik 的作者 Johannes Link 在工具输出里加了一句，让 AI 读到后删掉 jqwik 的测试和代码。人类开发者看文档不会受影响，因为我们会跳过那些不相关的片段；但直接吞原始输出的机器人分不清，照做不误。 文章拿这个例子说明大语言模型本质上就是一段代码，你喂什么它就吃什么，提示词不会让它变聪明。还举了别的例子，比如让模型角色扮演《沙丘》里的角色，它也会跑偏。这些案例的共同点是：模型没有真正的理解，只是在匹配模式。 不过文章没给出这些 AI 助手具体是哪些、版本号、在什么条件下触发了删除行为。也没说 jqwik 这条指令被触发后实际造成了多大影响。如果是真的，说明现在很多 AI 编程工具对输入完全没有安全边界，这点值得警惕。

Yusuf Aytas 划的这条线很直接：AI 让生成代码变便宜了，但如果评审、回滚和维护的成本被推到下游，团队其实没赚到什么。他提出用“安全合入时间”替代“首个可用版本时间”作为衡量标准，这个视角对实际干活的人很有用。文章点出了一个常见陷阱——把生成量当进度，结果只是把工作量往后挪了。 不过，正文没给出任何量化数据来支撑“安全合入成本变高”这个判断，更多是基于作者个人经验的推演。如果能有团队在引入 AI 辅助前后的评审耗时、回滚率对比，说服力会强很多。另外，文章对“氛围程序员”的定义偏向原型探索场景，但没讨论这类快速验证在早期产品决策里的价值，边界画得有点绝对。 还缺一块：当模型生成的代码需要修改时，工程师理解意图的额外认知成本到底有多大，文章只提了要求，没给解法。

OpenAI 这次不是发新模型，而是发了一个“落地服务包”。他们自己承认，企业用不好 AI 的瓶颈已经不是模型能力，而是怎么找对场景、改造流程、集成现有系统、让员工真的用起来。所以搞了个合作伙伴网络，拉上咨询公司、系统集成商、技术厂商一起干，还专门投了 1.5 亿美元做生态支持。 从公告看，合作伙伴分 Select、Advanced、Elite 三级，考核的是销售业绩、技术能力、联合销售参与度和部署经验。后续还会搞 Codex、网络安全、智能体等专项认证，帮客户识别谁真有本事。另外，他们还在试点一个“前沿部署专家”项目，让合作伙伴的人能跟 OpenAI 自己的工程团队对齐，学内部的打法。 文章举了三个例子：Paychex 用 AI 处理薪酬流程，人工审核的等待时间降了 80%，处理耗时降了 30%；eBay 和 Artium 搞了 AI 客服平台；Agilent 和 BCG 合作加速内部 AI 部署。这些数字看着不错，但都是厂商自报的案例，没有第三方验证，实际落地效果得打个折看。另外，30 万认证顾问这个目标很大，但正文没披露认证标准是什么、培训周期多长、会不会变成卖证，这点先别太激动。

Gary Marcus 这篇文章的核心判断是：白宫上周五对 Anthropic 的禁令不仅程序上站不住脚，利益关系也太明显。OpenAI 总裁 Greg Brockman 是特朗普的大金主，库什纳的弟弟 Josh 是 OpenAI 重要投资人，而触发审查的报告恰恰来自亚马逊——它也是 OpenAI 的大投资方。国防部长 Hegseth 三个月前就公开说过要把 Anthropic 赶出五角大楼，这让整件事看起来像公报私仇。 Marcus 承认 Anthropic 自己也有问题，把 Mythos 模型吹过头了，但政府只给了不到 24 小时回应，David Sacks 的事后解释又含糊其辞，说不清风险到底是什么、是不是只有 Fable/Mythos 才有。这种“我说你有风险你就有风险”的做法，等于告诉全世界：美国 AI 实验室随时可能被关停，不用给明确理由。后果就是全球客户会加速转向欧洲、加拿大甚至中国的“主权 AI”，还可能引发人才外流——禁令连 Andrej Karpathy 这种长期在美工作的外国人都被波及了。 文章引用了 Anthropic 自己的声明和 Cato 研究所 Kevin Frazier 的观点，都要求一个透明、公平、基于技术事实的流程。众议员 Ro Khanna 提议设立独立监管机构，Marcus 认为这是唯一出路。不过正文没披露亚马逊那份报告的具体内容，也没说 Mythos 到底触发了什么安全红线，这些关键信息缺口让整件事的严重程度还很难判断。

这事说白了就是模型缝合被当场抓包。Nex AGI 的人直接去看了 Rio-3.5-Open-397B 的权重，发现它基本等于把两个现成模型按 6:4 的比例线性混合，没有预训练、没有微调，就是纯搅拌。之前这个模型被宣传成里约团队本地开发的大语言模型，现在看宣传水分很大。 不过得说清楚，帖子只给了权重层面的证据，没披露具体的混合方法、用了什么工具、混合后跑分怎么样。里约团队那边也没回应，不知道是默认了还是在准备解释。如果是真的，这种操作成本确实低，但技术上没什么新东西，跟“自研”完全不沾边。 还缺几个关键信息：这个模型到底有没有在公开 benchmark 上跑过分，以及里约团队之前是怎么描述研发过程的。光靠权重分析只能证明是混合模型，但有没有其他后处理步骤，正文没提。

纳德拉这次没在推销产品，而是在画一条警戒线。他担心AI重蹈全球化的覆辙——少数前沿模型攫取大部分价值，企业和国家被掏空。他给出的解法很具体：每家公司建自己的学习循环，底层模型可以换，但专家知识和内部操作数据不能丢，用私有评估和真实业务轨迹做强化学习，让模型越用越懂自家的事。 他把这称为“token资本”，和人力资本并列，认为后者不会贬值，反而会随前者增长而增值。这个框架比单纯喊“企业要拥抱AI”务实得多，直接指向一个关键问题：你的AI能力是租来的还是长在身上的。 正文没给出具体案例或数据支撑，更像一个战略喊话。缺的是：什么样的企业规模才建得起这种循环，以及微软自己的产品在多大程度上允许客户真正“换模型而不丢知识”。这点先别太激动，要看后续产品动作。

这条消息来自 Reddit 标题，正文被屏蔽，信息缺口很大。小米说 MiMo V2.5 推理速度到了每秒 1000 到 3000 个 token，靠的是 DFlash 和 Persistent Kernel 两项加速技术。DFlash 是一种让注意力计算更省时的机制，Persistent Kernel 则是让 GPU 核心持续跑、减少空闲等待。模型权重已经放出来了，开源代码说很快会发。 但关键信息全缺：这个速度是在什么显卡上跑的、同时处理多少请求、单次请求的首 token 延迟是多少，正文都没披露。标题里的 tps 数字通常是厂商在最优批处理条件下测出来的峰值，单用户用起来可能只有几分之一。DFlash 模型权重虽然能下载，但没有配套推理代码的话，普通开发者很难复现这个速度。 如果开源代码真能按时发、而且文档清楚，对想在本地跑大模型的人是个好消息。现在只能等小米兑现承诺，同时看看有没有第三方实测数据出来。

这条新闻最值得看的是它把 AI 替代白领这件事从“未来趋势”拉到了“正在发生”的层面。彭博拿到的数据来自招聘机构和公司自己披露的信息，不是官方统计，所以 20% 的招聘跌幅和裁员翻倍这些数字不能当精确值用，但方向很明确：律所和银行在用 AI 工具系统性地压缩初级岗位。安理国际、高伟绅这些名字出现，说明不是边缘实验，是核心业务在动手。 文章没给出 AI 工具具体替代了哪些任务、效率提升多少、省了多少钱，也没说被裁的人去了哪。这些缺口让判断只能停在“发生了”这一步，没法评估速度和规模到底有多猛。如果后续有更细的岗位拆解和再就业数据，才能看清这是结构性缩减还是短期调整。

Weave 解决了一个很实际的痛点：多个 AI 智能体同时改代码时，Git 经常因为行号重叠报冲突，哪怕它们改的是完全不同的函数。它用 tree-sitter 把代码解析成函数、类这些实体，合并时按实体匹配，而不是逐行比对，所以“改不同函数”就不会冲突。在 31 个场景的基准测试里拿了满分，原生 Git 只拿了 15 分，差距明显。 不过要注意，这个基准测试是项目方自己设计的，场景覆盖了 7 种语言，但总共只有 31 个，样本偏小。正文说在 C、Python、Go 上跑了 4917 次文件合并，没有出现回退，这个数据比基准测试更有说服力，但没披露测试集的具体构成，也没说和其他语义合并工具（比如 mergiraf）在更大规模上的对比细节。 它还加了一层 CRDT 状态，让智能体改代码前先声明要动哪些实体，提前发现冲突，这个设计对多智能体协作场景挺有用。MCP 服务器暴露了 15 个工具，Claude 等模型可以直接调用，接入成本看起来不高。但正文没提性能开销，tree-sitter 解析大文件会不会拖慢合并速度，这点没给数据。

这条新闻最值得看的不是有人骂脏话，而是骂人的场景和背后的组织问题。事情发生在Meta内部一场面向数千人的技术直播上，有人开麦打断，骂自己“像公司的狗”，还让主讲人转告某位AI高管“他是坨屎”。主讲人捂脸，会议继续，但员工在评论区刷“刺激”。这种公开爆发，说明不满已经不是私下抱怨，而是到了不在乎职业后果的程度。 WIRED采访了三名匿名在职员工，并拿到内部录音。被骂的部门是今年三月刚成立的Applied AI，大约6500人，原本定位是支持Meta Superintelligence Labs的研究工作。但员工说实际干的活是“生成谜题测试模型可靠性”这类重复性任务，有人直接称部门是“古拉格”，形容自己“人生突然毫无意义，几乎不跟人交流，每周只有任务”。这里的关键信息缺口是：正文没披露这个部门的离职率、项目产出或管理层回应，所以没法判断这是局部情绪还是系统性崩坏。 对从业者来说，这条新闻的参考价值在于：当一家公司把大量工程师塞进一个定位模糊、工作内容机械的“支持性”部门时，士气会烂到什么程度。6500人的规模不小，如果任务设计真如员工描述的那么低价值，那Meta在AI人才上的投入产出比可能很糟糕。不过目前只有员工单方面说法，先别急着下结论，等看Meta会不会公开回应或调整架构。