AX 严选

网易有道这次把“子曰4”的两个核心模型全量开源，对做教育场景和语音应用的开发者来说，是个可以直接上手试试的东西。多模态模型有270亿参数，主打能看懂带图表的数学题，在纯中文数理难题上准确率81.4%。这个数字看着不错，但正文没说明是在哪个基准测试集上跑的，也没提对比的是哪些同等规模的模型，所以这个“行业顶尖”的说法得先打个折。 比较实在的一个点是，团队用精简过的推理样本做训练，把模型思考过程的输出长度压缩了43.2%。这意味着回答同一个问题，吐出的token更少，推理成本会直接降下来，对实际部署来说比跑分更有意义。语音合成模型支持用3秒中文音频克隆音色，能跨14种语言合成，克隆准确度号称超97%，但相似度是85%以上，这个差距说明在情感和跨语言迁移上，实际听感可能还有提升空间。 整体看，这次开源诚意挺足，模型权重和代码都给了。但缺的是更多第三方评测和实际业务场景里的延迟、并发数据，光看官方给出的几个数字，还判断不了在真实高并发教育场景下到底省不省钱、好不好用。

OpenAI 把 Codex 里的 /goal 模式从实验功能升级成稳定版，核心变化是让 AI 能长时间自主执行任务，不再需要人一直盯着。你设定好里程碑，它就能在应用、IDE 插件或命令行里持续跑，几小时到几天都行，中间可以随时查看进度、调整方向或暂停。这相当于把 agent 的工作周期拉长了，从单次问答变成了持续交付。 但正文完全是功能描述，没给任何量化数据。稳定性到什么程度？任务跑几天会不会中途崩掉？成功率多少？资源消耗多大？这些全都没提。也没看到实际案例，比如跑了个什么复杂任务、花了多长时间、中间改了几次方向。对从业者来说，这种长时间自主运行的 agent 最怕的就是不可控，正文恰恰没回答这个问题。 另外，开启方式提到要升级应用并手动改配置或敲命令行，说明还不是一键开启的体验，门槛还在。想评估这个功能到底能不能用，得等有人跑出真实任务数据再说。

这条新闻最值得看的是决策过程本身：一份已经排上签字仪式的行政令，被三位科技圈大佬在签字前夜到当天上午的几通电话直接打没了。特朗普事后对记者的解释也很直白——“我讨厌监管”，担心这会拖慢美国AI的领先速度。 报道来自Axios，引用了多位知情人士，但Meta和xAI都没回应置评请求。草案里还有一个争议点：财政部被赋予了协调安全漏洞的主导角色，而以往这是网络安全局和标准技术研究院的活儿。正文没解释为什么财政部要插一脚，也没说这个“自愿测试计划”到底覆盖哪些模型。 另外，白宫国家网络主任办公室私下透露还在制定其他AI安全举措，但具体是什么、什么时候出，正文完全没提。所以这份行政令告吹不等于美国AI监管就此停摆，只是“加速派”暂时占了上风。

xAI 把 Grok 接入了 OpenClaw，一个开源、本地优先的个人助理平台。简单说，如果你有 SuperGrok 或 X Premium 订阅，现在就能在自家电脑、树莓派甚至 VPS 上跑一个 Grok 驱动的助手，还能让它接入 WhatsApp、Telegram、Slack 等聊天软件，在你常用的对话框里直接使唤它。 这件事的实用点在于：模型还是 Grok，但运行环境和交互渠道交给了用户自己掌控。OpenClaw 强调本地运行和跨会话记忆，这对在意数据留在本机的人来说是个加分项。不过正文没提这种接入方式下 Grok 的响应延迟、功能阉割情况，也没说和官方 App 比体验打几折。另外，OpenClaw 本身是个社区项目，稳定性、后续维护力度都还是未知数。如果是真的省钱又方便，那对已有订阅的用户算白捡一个本地助手；但别急着把它当生产级工具，先拿台闲置设备跑跑看再说。

这篇文章提出了一个挺有意思的判断：软件界面不会消失，而是会变成“可塑的”——AI 根据你当下的场景，动态生成最适合的交互形式。比如开车时给你念邮件摘要，审文案时弹出网页应用，做预算时直接给个带图表的表格。作者引用了 Airbnb CEO 和 Anthropic 工程师的观点，认为纯文本对话不够用，电商需要更丰富的界面，工程师也开始用 HTML 替代 Markdown 做输出。 但文章本质上是一篇趋势评论，不是产品报告。它没披露 Salesforce 这套“无头”架构到底有多少客户在用、响应延迟多高、错误率如何，也没说动态生成界面在复杂业务场景下会不会失控。这些数字和验证的缺失，让“可塑界面”目前更像一个方向性判断，而不是马上能搬进产品的方案。 还缺什么：一是实际案例的规模数据，二是动态 UI 的可靠性和一致性怎么保证，三是企业怎么管理这些随时生成又可能消失的界面——总不能每个临时表格都变成新的技术债。

v2.1.147 有两个改动值得看。第一个是新增的 Workflow 工具，默认关闭，做的是确定性多智能体编排——说白了就是你可以给多个 AI 助手排好班、定好谁先谁后，而不是让它们自己商量着来。这对需要稳定输出、可复现结果的场景有用，但正文没披露这个编排是 YAML 配置还是代码定义，也没说支持多少个 agent 同时跑、任务之间怎么传上下文。这些细节决定了它到底能用在生产环境还是只能当 demo。 第二个是把 /simplify 命令升级成 /code-review，现在能检查代码正确性，还能直接在 GitHub PR 里生成行级评论。这个改动挺实用，等于把 review 流程嵌进了日常开发工具里。但同样没说明正确性检查覆盖哪些语言、误报率大概多少，也没提生成的评论质量有没有人工审核过的对比数据。 整体看这次更新方向对，但信息缺口不小。Workflow 工具如果配置复杂或者 agent 间通信延迟高，实际体验可能打折；/code-review 如果误报多，反而增加噪音。这些都得等实际用起来才知道。

这条更新来自 ChatGPT 官方推文，说正在测试一项功能：用户可以在 PowerPoint 里直接让 ChatGPT 建、改、理解和优化幻灯片，做出来的页面还能继续手动编辑。对经常做 PPT 的人来说，这确实能省掉不少重复劳动，尤其是搭框架、调格式这类体力活。 但正文没披露几个关键信息。一是收费方式——是 Plus 用户独享，还是 Pro 专属，或者未来会单独计费，完全没说。二是推送范围，目前只提到“测试阶段”，没讲是灰度到哪些地区、哪些版本。三是功能边界，比如能不能处理复杂图表、多语言混排、企业模板适配，这些都没提。没有实测数据，也没第三方验证，只能当早期信号看。 还缺的是：这个功能是直接调用 PowerPoint 的 API，还是通过插件或云端中转？出错率怎么样？如果生成的内容需要大量返工，省事就变成费事了。建议等有实际用户反馈或官方公布详细文档再判断值不值得用。

纽森这份行政令把AI替代工作的路径说得很清楚：不是一夜之间整个岗位消失，而是一点点蚕食具体任务。这个判断比很多危言耸听的预测要务实。政策要求各部门研究遣散费、失业保险和员工持股，核心思路是想把AI带来的效率红利，通过股权或薪酬补贴回流到员工手里，而不是全留在企业账上。 计划建一个劳动力数据看板，争取更早看到哪些行业在被冲击，这点方向对，但正文没披露看板具体抓什么指标、更新频率多高，实际预警能力要打个问号。另外，行政令本身承认光靠职业培训可能解决不了岗位被彻底替代后的就业错配，这个坦白值得注意，说明他们知道旧工具不够用。 目前还缺两样东西：一是钱从哪来，行政令没提资金来源和执行预算；二是企业端的配合机制，如果只是研究而不设约束，企业未必愿意把省下的成本分出去。

Datasette Agent 的核心是把对话式查询做进了 Datasette 这个老牌数据库工具里。你问一句“我最近一次看到鹈鹕是什么时候”，它就能自己生成 SQL 去跑，返回结果。演示里跑的是 Gemini 3.1 Flash-Lite，便宜、快，写 SQLite 查询没问题。插件系统是亮点，官方已经出了图表生成、ChatGPT 画图和沙箱代码执行三个插件，而且作者说用 Claude Code 或 OpenAI Codex 写新插件很顺手。这点对想自己扩展的人来说挺实用。 不过要注意，目前公开的只有线上演示和本地跑开源模型的方案，正文没提大规模生产环境下的准确率、延迟或安全限制。演示里那个鹈鹕查询能跑通，不代表你丢个复杂业务库进去不会翻车。另外，本地模型虽然能跑，但工具调用和 SQL 生成的可靠性还得自己测，别指望开箱即用。整体看，这是个把 AI 助手塞进数据库工具的有趣尝试，但离“放心交给它查生产库”还有距离。

这条更新最值得关注的点是“锁屏且屏幕关闭”这个状态。以前这类远程操控通常要求电脑开着、屏幕亮着，现在 Codex 声称可以绕过这个限制，从手机端安全地调用 Mac 上的应用。如果真能做到，意味着你出门带手机就能让家里的 Mac 干活，比如跑个脚本、查个文件，不用一直开着屏幕。 但正文信息缺口很大。帖子只甩了一个文档链接，没解释“安全”具体怎么实现——是端到端加密、临时令牌，还是依赖 iCloud 钥匙串？也没说哪些应用能用、会不会触发 macOS 的安全弹窗。权限边界模糊的话，这功能要么被系统限制得很难用，要么有潜在风险。另外，收费模式和上线时间完全没提，现在只能当技术预告看。 我会先打个折：想法实用，但落地细节全缺。等文档里补上权限模型和加密方案再判断值不值得试。

Runway 这次发布更像是一次产品整合，而不是单纯秀模型肌肉。他们把新模型 Aleph 2.0 直接做成了一个叫 Edit Studio 的剪辑工具，核心卖点是“用自然语言改视频，改之前还能先预览效果”。这解决了一个实际痛点：以前用 AI 生成视频像开盲盒，现在可以先看再决定生不生成，能省不少试错成本。从页面看，他们把视频生成、多镜头合成、场景搭建、画质增强、动作捕捉和物体移除这些功能全打包在一起了，想覆盖从创意到出片的完整流程。 但正文没披露 Aleph 2.0 的具体技术参数、定价和推送范围。模型能力到底提升了多少、生成一段视频要花多少钱、延迟高不高，这些关键信息全是空白。另外，“预览”功能具体怎么实现、预览画质和最终成品差距多大，也没说清楚。如果预览效果很好但实际生成翻车，那这个功能就只是个花架子。整体看，产品思路是对的，但实际效果和成本还得等上手实测。

这条更新解决了一个很实际的问题：企业想用 Claude，但安全团队看不见员工在跟 AI 聊什么，就不敢放行。Anthropic 的做法是推出一个合规 API，把 Claude 里的对话内容和操作记录，直接对接企业已经在用的数据防泄漏（DLP）、安全信息与事件管理（SIEM）系统，比如 Cloudflare 这类。一口气新增 28 个集成，说明他们想快速覆盖主流安全工具，降低企业的接入门槛。 不过正文没披露这个 API 的延迟和性能开销。如果每一条对话都要实时送进监控系统做扫描，响应速度会不会受影响？另外也没说清楚对话内容是全部明文送出，还是可以按敏感度分级过滤。这些细节决定了安全团队是真正能用起来，还是被海量日志淹没。 对正在做 AI 合规评估的团队来说，这条值得关注，但别急着下结论。先搞清楚它在你现有安全架构里的实际落地成本，再判断是不是真的省事。

谷歌发布了Kotlin版和安卓版的Agent开发套件（ADK），版本号0.1.0。这套工具的核心卖点是混合调度：你可以让云端大模型当总指挥，把涉及隐私的具体任务（比如查本地文件里的酒店预订）派给手机上的子Agent，用Gemini Nano这类本地模型处理，数据不出手机。 这个思路对注重隐私的场景确实有用，而且Gemini Nano已经铺到了1.4亿台设备上，硬件基础不算差。但0.1.0这个版本号本身就说明东西还很早期，文档里没提性能基准、延迟数据，也没说本地模型跑复杂任务时准确率会掉多少。另外，跨云和端的任务调度听起来美好，实际工程里状态同步和错误处理都是坑，正文没展开讲他们怎么解决的。 我会先打个折：方向对，但现阶段更像开发者预览，别急着往正式产品里集成。还缺真实场景的延迟和功耗测试，以及跟纯云端方案的对比数据。

Cursor 这篇总结最核心的判断是：云端智能体的开发环境本身就是产品。本地跑模型时，它直接继承你电脑上的全套工具链，但云端得从零重建。缺个依赖、少个配置，模型不会报错，只会输出质量悄悄下降——团队反复排查，最后都指向同一个原因：环境没给够。这个结论对做 agent 的人很有参考价值，说明现在瓶颈不在模型智商，而在它能不能真正执行和验证自己的工作。 文章提到他们把任务调度迁到 Temporal 后，可靠性从 99% 拉到了 99.9% 以上，平台每天处理超过 5000 万次操作。这个数字挺大，但正文没披露具体怎么算出来的，也没说 99% 和 99.9% 分别对应什么故障类型，所以可靠性提升的实际体感要打个折。 还缺一些关键信息：环境重建到底踩了哪些具体的坑、自愈机制怎么设计的、成本增加了多少。这些工程细节如果能公开，对同行判断要不要跟进的帮助会更大。

这条官宣信息量极低，只有“FSD 来了”和“官宣进入大陆”两句，没披露任何落地细节。对从业者来说，关键问题一个都没回答：是全面推送还是小范围内测？支持哪些车型和硬件版本？是一次性买断还是订阅制？价格多少？有没有经过监管部门审批？这些缺口让这条新闻的实际价值大打折扣。 参考一季度谷歌、亚马逊、微软三家资本开支加起来超 1100 亿美元，Meta 全年预算拉到 1450 亿，行业在基础设施上砸钱的速度确实在加快。老黄把行业年度开支预期从 1 万亿直接喊到 3-4 万亿，这个数字本身值得关注，但需要结合后续各家实际落地情况来验证。 目前最缺的是特斯拉中国 FSD 的具体推送范围、功能限制和定价策略，以及是否涉及数据合规和地图资质等监管条件。等这些信息出来，才能判断这次官宣是实质性落地还是市场预热。

Google DeepMind在Antigravity平台推出的Science Skills，本质上是在解决大模型在专业领域“幻觉”的老问题。与其让模型依赖训练数据里的旧知识，不如直接给它接上UniProt、AlphaFold这类权威信源，回答蛋白质结构或基因功能时能实时调取最新数据。这个思路不新鲜，但把30多个生命科学数据库打包成一个即插即用的工具包，对研究者来说确实省去了自己搭建检索流程的麻烦。 不过，正文完全没有披露接入这些外部数据后，模型的响应延迟增加了多少，以及回答的准确率到底提升了几个百分点。一季度谷歌、亚马逊、微软三家资本开支已经超过1100亿美元，Meta全年预算拉到1450亿，在这种烧钱节奏下，一个工具包的实际效率比概念重要得多。 还缺的是第三方测试或用户反馈，光靠官方说法很难判断这个工具箱在复杂研究任务里是真好用，还是只是把多个API打了个包。

马维斯跟普通聊天窗口最大的区别是它直接长在操作系统里，能理解文件结构、调度不同模型干活，甚至操控手机应用。比较实在的一点是它预装了不少本地模型，通过路由机制把轻量任务留在本地处理，拔网线也能用，这对在意隐私和延迟的人是个加分项。 不过正文没披露本地模型的具体规格、参数量，也没说清楚“修电脑”到底能修到什么程度——是自动打补丁还是真能排查蓝屏。另外，腾讯之前推过WorkBuddy，现在又出马维斯，产品线之间的关系和定位差异也没讲明白。 硬件要求、实际资源占用、多端体验一致性，这些都得等上手之后才知道。官方说能调度模型、操控手机应用，但没给出具体场景和成功率，这点先别太激动。

Stitch 这次更新最实在的变化是支持导入代码库和动态 UI 生成，不再是只能从零画图的玩具。它新加了一个叫 Hatter 的智能体，专门处理多步骤设计任务，还能导出 MCP 格式，说明 Google 想让这个工具直接插进开发工作流，而不是只给设计师玩。Product Hunt 上提到可以一键导出到 Figma、Netlify 等平台，对不想在工具间来回倒腾的人来说省了一步。 不过，正文没披露导入代码库后对复杂项目的理解准确率怎么样，也没说动态 UI 生成在交互逻辑上能覆盖多少场景。目前看它更适合快速出原型和简单页面，真要接生产环境的代码库，效果还得打个问号。另外，免费策略能持续多久、会不会和 Google 其他设计工具打架，这些都没提。

ChatGPT 官方账号发了条推，就一句“GPT-5 即将发布”，配了个船的表情。没给发布日期、参数规模、上下文窗口长度、定价，也没提 API 什么时候开放。我会先打个折——这种预告大概率是提前占坑，离真正能用还有段时间。 从信息量看，这条推几乎什么都没说。没有技术细节，没有性能对比，没有开放时间表。船的表情可能暗示“ship”双关，但也就这点可解读的。对从业者来说，现在唯一能确定的是 OpenAI 在释放信号，但信号本身没有可验证的内容。 还缺的东西很多：模型规模多大、推理成本降了多少、多模态能力有没有升级、API 定价策略会不会变、上下文窗口能塞多少东西。这些才是决定能不能用的关键，正文一个都没披露。

Perplexity 把一项叫“查询感知压缩”的技术推上线了，核心逻辑是先理解你问什么，再挑最相关的信息喂给模型，而不是把搜索结果一股脑全丢进去。官方说这样能把上下文 token 最多减少 70%，同时回答质量还提升了。这个方向本身不新鲜，但能直接用在线上产品里，说明工程上跑通了。 省 token 的好处很直接：推理成本更低、响应更快。70% 这个数字如果稳定，对大规模搜索服务来说确实挺省钱。但正文没披露具体在哪些测试集上验证了质量提升，也没说压缩方法本身会不会引入新的延迟或错误过滤。没有这些信息，很难判断“质量提升”是普遍成立，还是只在特定场景下成立。 另外，压缩策略如果过于激进，可能会丢掉一些看似不相关但实际有用的信息，这点在复杂查询上尤其容易翻车。我会等他们放出更详细的技术说明或第三方评测，再判断这到底是一次扎实的优化，还是主要为了宣传。

这条更新解决了一个实际痛点：写代码时灵感来了，手边没电脑，先用手机把问题丢给 Codex，回到桌面端接着看结果。跨设备对话同步本身不新鲜，但 Codex 这种需要看代码、跑输出的工具，能在移动端先起个头，确实方便。 不过帖子信息量很薄。没说明是 ChatGPT 原生 App 还是通过浏览器，也没提是否需要付费账号。更关键的是，移动端 Codex 能做什么、不能做什么完全没讲——能执行代码吗？能读文件吗？还是只能文字问答？这些决定了它到底是真工具还是聊天窗口换皮。 我会先打个折：如果只是把桌面端对话同步到手机上看，那更像是补了个同步功能，算不上移动端支持 Codex。等官方放出具体能力再判断值不值得装。

这份草案说白了就是教大家怎么给AI系统贴“高风险”标签。判断逻辑不复杂，先看AI本身是不是医疗器械这类受管制产品的安全组件，再看它的用途有没有落在Annex III的高风险场景清单里。关键依据是提供者自己声明的“预期用途”，整条价值链上的责任也会被考虑，所以别想着在说明书里含糊其辞就能躲过去。 草案也给了豁免出口，比如只做纯流程性任务、辅助人类完成已有工作、或者只是高风险评估的前期准备。但正文没披露这些豁免条件的具体案例和边界，实际落地时很可能扯皮。另外，公众咨询截止到2026年6月23日，想提意见的得抓紧。 目前最大的信息缺口是：草案里对“预期用途”的认定标准到底有多硬，以及监管机构会怎么核查提供者的声明。这点先别太激动，等最终版出来再看执行力度。

Kling AI 放出了一个原生 4K 视频生成模型，不是先做低分辨率再放大，而是从生成阶段就按 4K 跑。这个区别挺关键：传统超分放大容易让角色变形、纹理糊掉，原生生成理论上能保住画面一致性。Wonder Studios 的反馈也印证了这一点，说避免了角色变形问题。好莱坞制片人把它称为工作流里第一个原生 4K 基础模型，说明在专业制作端确实有人买单。 但正文没披露任何硬指标。不知道生成一段 4K 视频要多久、花多少钱、有没有用量限制。也没说这个模型是开放公测还是只给合作方用。没有对比数据，比如和自家低分辨率模型或其他竞品在一致性、细节保留上的量化差距。 还缺一个关键信息：原生 4K 的训练数据和推理算力成本到底高到什么程度。如果成本翻了几倍但画质提升只在特定场景下可见，那对大部分创作者来说性价比存疑。建议等官方放出定价和实际可用范围后再判断是不是真能进日常流程。

OpenAI 这招是拿 API 调用额度当投资筹码，不是给现金，创业公司用 GPT 等模型直接扣额度，省了前期算力开销。200 万美元这个数字看着大，但关键信息全缺：占股多少、额度多久过期、有没有月用上限，正文一概没提。这很像当年 Sam Altman 在 YC 时 Yuri Milner 那套批量撒钱打法，只不过这次撒的是自家产品。对早期团队来说，如果额度够用且占股合理，确实能省一笔；但如果占股偏高或额度限时太紧，实际价值就得打折扣。还缺一个信息：这些额度能不能跨模型用，比如 GPT-5 出来后是否还能抵扣。

这条消息的核心矛盾在于：微软一边说 GitHub 被 AI 编程工具冲击得“生存级风险”，一边又用行政命令让内部团队停用 Claude Code、统一切回自家 Copilot CLI。这更像一场借外部竞争压力推动内部工具收口和成本控制的动作，而不是 GitHub 明天就要关门。 报道提到几个关键时间点：2024 年 Cursor 推出能处理复杂任务的集成开发环境，2025 年 Claude Code 把能力延伸到终端、可自主完成多步骤工程任务。这些产品确实改变了开发流程——代码在本地就被 AI 生成和调试好了，上传到 GitHub 不再是必须步骤。但正文没给出任何数据说明 GitHub 的活跃仓库数、推送频率或付费用户是否真的在下降，所以“生存级风险”目前还只是一份内部判断，缺乏可验证的量化证据。 另外，微软要求 2026 年 6 月底前停用 Claude Code，理由之一是压缩 2027 财年运营开支。这说明决策背后有明确的财务动机。同时 GitHub Copilot CLI 仍保留对 Claude 模型的访问权限，说明微软不是要彻底切断对手，而是在客户端层面收口、在模型层面保持弹性。OpenAI 一度考虑自建替代平台这个细节也值得留意，但报道没展开，不知道是技术验证还是战略试探。整体看，这条新闻的价值在于暴露了微软对 GitHub 护城河变浅的焦虑，但焦虑程度和实际业务损伤之间有多大距离，还需要更多数据才能判断。

Tomasz Tunguz 这篇博客把三家 API 定价摊开来看，结论很直白：烧钱换份额的阶段过去了，现在大家都在保利润。Google Gemini 3.1 Pro 输入每百万 token 2 美元、输出 12 美元，虽然还是最便宜，但 Tunguz 指出它每年价格翻三倍，这个趋势比绝对值更值得盯。OpenAI 的 GPT-5.5 短暂补贴后涨到输入 5 美元、输出 30 美元，说明之前的低价是战术性的，不是成本真降了。Anthropic 的 Claude Opus 4.7 反而从“奢侈品定价”往下调，维持在输入 5 美元、输出 25 美元，策略明显不同。 文章把涨价归因于三家都在疯狂砸钱建基础设施，现金流吃紧，所以开始要利润。这个判断逻辑是通的，但正文没给出各家实际的推理成本或毛利率数据，所以“补贴退潮”到底是回归正常利润还是仍在亏本卖，其实看不出来。另外，Tunguz 是 Theory Ventures 的 GP，视角天然偏向商业模式和资本支出，对技术侧的成本结构变化着墨不多。如果你在选模型做预算，这篇能帮你快速对齐价格水位，但别拿它当成本分析报告用。

Anthropic 这次没发模型，而是公开了他们跟超过 15 种宗教、哲学传统的学者聊天的阶段性结果。核心目的不是搞多元文化公关，而是想从这些领域关于“品格怎么养成”的长期思考里找灵感，用来改进 Claude 的宪法和训练方式。一个直接产出是：他们给 Claude 装了个能在任务中途主动调用的工具，用来提醒它自己的伦理承诺。内部对齐评估里，用上这个工具后，模型的违规行为明显减少。 这个结果挺有意思，但正文没披露具体数字，比如违规率从多少降到了多少，也没说测试场景是真实交互还是模拟对抗。团队自己也承认，还没搞清楚效果到底来自提醒内容本身，还是“停下来想一想”这个动作。这点先别太激动，等他们把数据和实验设计放出来再说。 另外，文章只讲了输入端的对话，没提这些传统里的观点如果互相冲突怎么办，也没说最终怎么落地到宪法的具体条款上。目前看，这更像一个早期探索，离真正影响模型行为还有距离。

Gemini Omni 这次更新的核心就一件事：你可以用自己的长相和声音捏一个数字分身，之后让它替你出镜生成视频，不用每次都重新上传照片。听起来很方便，但正文只给了一句功能描述，关键信息全是空白。没写这个功能是免费还是付费，没写哪些地区能用，也没写是已经上线还是预告。我会先打个折看。对做内容的人，这功能如果能落地，确实省了反复拍摄的麻烦；但数字分身的安全和滥用风险，正文一个字都没提。现在还缺定价、可用区域、正式上线时间，以及最基本的防冒充机制说明。

这篇博文讲的是 Claude Code 团队的一个实践转向：把默认输出格式从 Markdown 换成 HTML。他们的核心判断是，HTML 在表达复杂信息时比纯文本强太多，具体体现在四个地方——用表格做对比、用 CSS 精确控制排版、用 SVG 直接画图表、用 JavaScript 加交互操作。这四点确实戳中了 Markdown 的软肋，尤其是当你需要让模型输出一个可排序的表格或者一个动态图表时，Markdown 根本做不到。 但文章有个明显的问题：它完全没给数字。没有说换成 HTML 之后输出 token 消耗涨了多少、生成延迟有没有变高、用户满意度有没有量化提升。全文是纯定性描述，读起来像团队内部的经验总结，而不是一次有数据支撑的产品迭代公告。这点先别太激动，把它当成一个方向性信号就好——Anthropic 在认真考虑让模型输出更丰富的交互内容，而不是永远困在纯文本里。 另外，文章也没提这种 HTML 输出在非代码场景下的表现，比如让模型写一份带图表的分析报告时，HTML 的排版稳定性如何、会不会出现样式错乱。这些缺口让整篇分享的参考价值打了折扣，但作为思路启发还是值得一看。

这条推文就两件事：一个数字，一场对谈预告。15 亿张/周这个量级确实大，说明 ChatGPT 的图像生成已经从尝鲜变成了高频日常工具。但 OpenAI 没拆这 15 亿里多少是正经创作、多少是表情包和梗图，也没说 Images 2.0 上线后留存和付费转化怎么样。研究员和产品负责人聊“新用例和趋势”，正文却一个例子都没列，等于把信息全锁在对谈里。我会先打个折：数字本身有参考价值，但缺拆解就只是流量展示。真正值得看的是他们后续会不会放出用户行为数据，比如重复生成率、编辑链路、多轮对话里的图像使用模式，这些才能判断图像生成是不是真在往生产力方向走。

这篇东西的价值在于它终于不画饼了，直接聊生产环境怎么落地。四个机制里，点击准确率和思考努力级别这两点比较实在——前者直接关系到任务能不能跑通，后者给了工程上调节成本与效果的旋钮。长会话上下文保持和可重放日志，更像是把 agent 当正经软件工程来对待，而不是一次性魔法。 不过正文只给了 RSS 摘要，没看到具体数字。比如点击准确率到底提升了多少、思考级别分几档、长会话能撑多少步、日志回放有没有性能开销，这些关键指标都没披露。另外也没提这套方案对哪些软件界面有效，是只针对浏览器还是桌面应用也能用。 我会先打个折：这更像是一份实践原则清单，不是可复现的基准测试。真要评估可靠性，得等有人拿它跑几百次重复任务，看失败率和恢复能力。

Google 给 AI Edge Gallery 这个手机端模型体验应用加了三个新能力，最值得看的是安卓版开始实验性支持 MCP（模型上下文协议）。简单说，你可以在手机上给 Gemma 4 模型配一个外部工具服务器地址，比如连上 Google Workspace 查日历邮件，或者接 Google Maps 问路。模型在本地决定调哪个工具，请求发出去由服务器执行，推理和决策全在手机上完成。 这点先别太激动。正文明确说这是实验功能，iOS 版还没跟上，而且 MCP 服务器需要你自己部署在家庭电脑或云端，不是开箱即用的服务。另外两个更新是定时通知提醒和聊天记录持久化，能让长时间对话的上下文恢复更快，属于体验补课。 正文没披露端侧推理的实际延迟、功耗，也没说 MCP 工具调用的失败率和安全边界。这些缺口意味着现在更适合开发者尝鲜，离普通用户能稳定用还有距离。

OpenAI 上线了 Guaranteed Capacity，说白了就是让企业提前交钱锁定算力，避免高峰期排队。这对需要稳定跑关键任务的大客户是好事，但公告里关键信息全缺：没写价格、没写合同年限、没写最低配额，也没说锁的是哪种 GPU。我会先打个折——这更像给大客户吃定心丸，小团队暂时不用激动。 从产品逻辑看，这暴露了 OpenAI 算力吃紧的现实。与其让客户在高峰期抢不到资源，不如提前卖期货，既能锁定收入，又能规划负载。但没披露定价模型是个硬伤：是按预留实例打折，还是溢价卖稀缺资源？如果是后者，成本可能不降反升。 还缺两个关键信息：一是如果 OpenAI 自己算力不够，违约怎么赔；二是锁定的算力能不能灵活调配到不同模型。这些不写清楚，合同签了也可能踩坑。

Google 把 Pixel 10 系列里那块 TPU 的推理能力开放给了普通开发者，不再只是自家相机和翻译功能独享。现在你可以把 PyTorch 或 TFLite 模型通过 LiteRT 框架转换、编译，直接调用手机里的 TPU 来跑。官方还准备了一个模型库，里面有超过 100 个现成模型，包括 Gemma 3 1B 这种小语言模型。 对开发者来说，最大的好处是省事：LiteRT 把底层硬件驱动和编译器都封装好了，不用分别对接。它还支持自动降级，TPU 不可用时能切回 CPU 或 GPU。但正文没提 TPU 推理的具体延迟和功耗数据，也没说模型编译后体积会膨胀多少。这些对端侧部署很关键，现在只能自己测。 另外，模型分发走的是 Google Play 的 AI Packs 通道，这意味着你的 App 只能在 Google 生态里用这套方案。如果目标用户不在 Pixel 10 上，这套东西暂时用不上。

Gemini 应用月活破 9 亿，官方把增长归因于“发布节奏快”，但这条推文本身没给出任何支撑数据。我会先打个折：没披露统计口径（是打开过就算，还是活跃使用）、没说明统计周期、也没列出到底哪些功能拉动了增长，只说“后续回顾”。对从业者来说，这个数字的参考价值有限——没有功能清单和用户行为数据，就没法判断是产品真变好用了，还是靠 Google 全家桶导流堆出来的量。想复盘的团队得等后续推文，看他们到底回顾了什么功能、有没有附带实验数据或用户反馈。

Google 在《自然》上发了篇论文，介绍他们的“经验研究助手”ERA，想帮研究人员自动读文献、提假设、设计实验。同时通过 Google Labs 的可信测试者计划开放早期访问。听起来像是个能省掉大量重复劳动的科研外挂，但文章从头到尾没给出任何在真实实验室里跑出来的效果数据。 发 Nature 本身说明同行评议过了关，但博客里只讲了“从论文到工具”的故事线，没提模型在具体学科任务上的准确率、召回率，也没说测试者反馈。这点先别太激动——有顶刊背书不等于产品已经好用。 还缺几块关键信息：ERA 在什么学科上测过、幻觉率多高、能不能处理带图表和实验数据的论文、和人工做文献综述比到底省了多少时间。这些不说清楚，很难判断它是个真能进实验室干活的助手，还是又一个包装成科研工具的通用大模型界面。

Sundar Pichai 在 I/O 2026 上把 Gemini 的下一步押在“自主代理”上，说它能自动处理邮件、安排日历和生成报告。听起来挺省事，但整篇博客没给出任何硬指标——模型参数、具体上线时间、收费方式都没提。这更像一个产品方向预告，离真正稳定可用还有距离。 我会先打个折。让模型自动操作你的邮箱和日历，权限和可靠性是绕不开的坎，博客里没交代怎么解决误操作或安全问题。另外，演示场景和真实工作流的复杂度差很远，没有第三方测试或用户数据支撑，很难判断实际成功率。 还缺的东西不少：一是技术细节，比如用了什么模型、延迟和准确率怎么样；二是落地节奏，什么时候推、哪些地区先用、免费还是付费；三是安全边界，代理能做什么、不能做什么，出错了谁负责。这些信息没补上之前，先当概念发布看。

这篇公告最大的问题是信息量太少。Google 在 I/O 2026 上把 AI 订阅体系拉到了每月 100 美元的新档位，叫 AI Ultra，面向重度用户。但官方博客只提了名字和价格，没列出 Ultra 到底比现有的 Plus 和 Pro 多了哪些能力。已有的 Plus 和 Pro 订阅也获得了新功能和权益，同样没展开。 我会先打个折：这更像一个预告，而不是产品发布。100 美元一个月的定价在消费级 AI 订阅里算很高了，但值不值，完全取决于它给的是什么——是更高的调用次数上限、更快的响应速度，还是独占的模型能力？正文没披露这些，就没法判断。 还缺的关键信息包括：Ultra 计划的具体权益清单、与 Pro 的差异对比、以及上线时间。如果只是把现有功能打包提价，那这个定价就虚高了。

Google 这次调价动作挺直接：顶配 AI Ultra 套餐从每月 250 美元砍到 200 美元，同时塞进来一个 100 美元的新档位。新档位主打“Pro 套餐 5 倍的 Gemini 应用使用上限”，瞄准编程和创作场景，还打包了 20TB 存储、YouTube Premium 和新功能抢先体验。 但这条消息最大的信息缺口就是“5 倍”到底对应多少调用次数。没这个数字，很难判断 100 美元是划算还是噱头。另外“新功能抢先体验”也没展开，不知道是提前几天用还是能碰还没公开的模型。我会先打个折：降价是实打实的，但新档位的性价比得等官方把限额量化了再说。

这条消息目前只有标题，正文没提供任何细节，所以能说的很有限。从标题看，谷歌在 I/O 大会上推出了 Gemini Omni Flash，同时提到 Pro 版也快来了。Flash 系列一贯的定位是轻量、快、便宜，适合需要低延迟和高并发的场景，比如实时对话、视频流分析这类多模态任务。 但关键信息全缺：模型参数量、支持哪些模态输入输出、延迟和成本对比前代降了多少、基准测试成绩，这些正文都没披露。Pro 版的时间线和规格也是空白。如果你在选模型做产品集成，这条新闻目前只能当个预告看，没法做技术评估。建议等官方技术报告或第三方实测出来再下判断。

皮查伊在I/O大会上甩出的这组数字，主要想证明谷歌AI服务用的人确实变多了。月处理Token量超过3200万亿，同比涨了7倍；Gemini App月活超9亿，翻了一倍多。Nano Banana模型累计生成了500亿张图片，说明多模态生成的需求不小。 不过，这些数字都来自谷歌自己的发布会，没有第三方验证。Token量涨7倍，但没说明有多少来自免费产品、多少来自付费API调用。如果大量Token是搜索或YouTube里的AI摘要产生的，那商业转化率可能没那么好看。Gemini App的9亿月活，也没说跟安卓预装或默认入口的捆绑程度。 还缺几个关键信息：付费客户数、API收入增速、以及这些Token背后的推理成本变化。如果成本没同步降下来，量越大反而越烧钱。

NVIDIA这次放出的LongLive 2.0，是把长视频生成的整套流水线都开源了，从训练到部署全包。核心卖点是FP4量化——你可以理解成把模型压缩到原来四分之一精度，再配合并行加速，在50亿参数的模型上能跑到每秒45.7帧。这个速度什么概念？很多短视频生成方案也就二三十帧，它直接翻倍，而且是在长视频场景下跑的。 框架里塞了不少实用组件：支持用真实视频训练而不是纯合成数据、能做多镜头切换、序列并行让多卡跑长序列不卡脖子、KV缓存优化省显存、异步解码让推理和输出流水线化。这些组合拳打下来，确实在解决长视频生成"慢到没法用"的老毛病。 但正文有几个关键信息没交代：最长能生成多少分钟的视频？显存占用到底多少？45.7帧是在什么分辨率下测的？这些数字不补上，"超长视频"的"超长"就还是个模糊概念。另外FP4量化虽然省资源，画质损失有多大也没提，这对实际落地是硬指标。整体看是个扎实的工程开源，但别急着对标商用产品，先看社区跑出来的实测效果再说。

这条更新一句话：OpenRouter 上的模型现在能自己决定什么时候搜、搜什么、搜几次、要不要抓网页。对开发者来说省了搭 agent 管线的功夫，但对生产环境，等于把花钱的阀门和吃进什么数据的决定权交给了模型行为。 平台新接了 @p0 做搜索供应商，但定价、频率上限、来源排序、页面清洗规则正文都没给。OpenAI 和 Perplexity 把搜索包在自己的产品壳里，OpenRouter 是把检索能力下放到了一个模型市场。真正难的不是模型能不能搜，而是一旦搜出坏循环、毒页面、低质来源冒充新鲜上下文，这账算谁的。这点先别太激动，等跑一阵看实际翻车率。

Membrane 这个方案解决了一个真实痛点：以前想让 AI 代理对接 Stripe 付款、NASA 火星车数据这些外部服务，得一个一个写集成代码，又慢又容易出错。现在他们用一个通用技能，让 Claude Code、ChatGPT、Cursor 等主流代理直接调用超过 10 万个 API，开发门槛确实降了不少。 但正文完全没披露最关键的两件事：一是安全鉴权怎么处理，代理拿着你的 API 密钥去调支付接口，权限控制和审计日志在哪；二是错误处理机制，万一调用的第三方服务挂了或者返回异常数据，代理是重试、降级还是直接崩掉。这些不搞清楚，生产环境没人敢用。 另外他们搞社区挑战鼓励用户提交小众 API 来扩充生态，思路是对的，但生态质量取决于审核和标准化程度，不是堆数量。建议等他们放出技术细节和实际案例再评估。

这条消息最值得看的是数字背后的落差。微软前高管韦洛索给了几个具体数据：2023 到 2025 年，跟 OpenAI 合作赚了约 300 亿美元，但搭进去的成本高达 1000 亿美元。更惨的是 Copilot，到处预装、企业客户数号称超 2000 万家，但付费用户里真正在用的不到 3%。另一家独立调研也说，能用 Copilot 的微软 365 用户里只有 3.3% 掏了钱。这说明铺量不等于有人用，装机量跟活跃度是两码事。 不过得打个折。韦洛索刚从微软跳到谷歌又跳到 Meta，现在出来批评前东家，立场上不是中立第三方。他说的“必应 AI 化没抢到份额”“GitHub 可用性跌破 90%”这些点，正文没给出具体数据来源，只能当他个人判断。微软那边回应也很官方，只说“事实本身就是答案”，没正面反驳数字。 还缺几块关键信息：Copilot 这 3% 的使用率是怎么定义的，是月活还是日活？企业版和个人版有没有分开算？另外，1000 亿美元成本里多少是一次性基建投入、多少是日常运营，正文也没拆。这些缺口不补上，很难判断微软这盘棋到底是真亏还是战略性亏损。

现代汽车集团在投资者会上放了个卫星：计划在现代和起亚的工厂里部署超过2.5万台波士顿动力的Atlas人形机器人，目标到2028年实现年产3万台。核心部件执行器（相当于机器人的关节和肌肉）会在美国生产，规划年产能超过30万个。 这个数字看着很大，但正文没披露任何落地时间表、具体部署哪些工厂，也没提采购成本。所以目前更像是一个产能规划，而不是马上要执行的订单。2.5万台是什么概念？如果真能铺下去，这会是目前全球最大规模的人形机器人商业部署，但前提是Atlas得先证明自己能在真实产线上稳定干活，而不是只会在视频里搬冰箱。 还缺几个关键信息：单台成本、投资回报周期、以及工会那边会不会有阻力。毕竟现代汽车工会之前就警告过，未经批准不得在生产车间部署人形机器人。

这条分享的价值在于把“AI 写代码”拉到了一个很具体的日常场景：做项目计划页。作者说他以前在 Notion 里搭同样的模板要花 30 到 40 分钟，现在用 Claude Code 两分钟搞定，效率差近 20 倍。这个数字挺直观，说明 AI 生成前端页面在“一次性交付完整交互页面”这件事上确实能省时间，尤其是单文件 HTML 这种零依赖、拿来就能用的格式，很适合快速出原型或内部工具页。 但这条信息缺的东西也不少。正文没披露提示词全文，只说“把视觉、内容结构和交互细节一次性写进去”。这恰恰是核心门槛——提示词写得好不好，直接决定生成质量。如果提示词本身就要琢磨十几分钟，那“两分钟生成”的账就得重新算。另外也没说生成后需不需要手动调样式或修 bug，只说“拿来就能用”，这个说法我会先打个折。 还有一点：Notion 模板和单文件 HTML 的使用场景不完全一样，前者方便团队协作和持续编辑，后者更适合静态展示或独立交付。效率对比成立，但别直接等同于“HTML 替代 Notion”。整体看，这条分享是个不错的思路启发，但缺提示词细节和实际使用反馈，想复现的人得自己试几轮。

地平线这次把HoloMotion-1完整开源了，代码、模型、技术报告都给了，这点值得肯定。4亿参数放在机器人控制里算很大了，他们用MoE稀疏激活和KV-cache把单步推理开销压下来，端侧能跑到约300FPS，比常见的50Hz控制频率高出不少，意味着动作响应可以更细腻。 训练数据来源比较杂，互联网视频、光学动捕、VR遥操作、惯性动捕都用上了，统一处理后喂给模型。从展示的动作看，跳舞、爬行、搬箱子这些确实覆盖了全身控制的几个难点，而且声称是零样本迁移，没针对每个动作单独调参。 不过正文没披露真机测试的成功率、连续运行时长，也没提摔倒或动作失败时的恢复机制。300FPS是推理速度，不代表动作质量一定好。另外，4亿参数在端侧芯片上到底占多少算力和功耗，也没给具体数字。这些信息缺口让“小脑”这个说法还停留在实验室阶段，离实际部署有多远不好判断。

阿里云这条官宣信息量很薄，核心就两件事：Qwen3.7-Plus-Preview 已经挂上竞技场，以及阿里在视觉榜单上排到第五。帖子没披露具体跑分、参评模型数量、评测维度，也没说 Qwen3.7 系列什么时候正式发布，只用了“迫不及待”这种情绪化表达。排名第五听着不错，但不知道跟谁比、怎么比——是跟开源模型比还是跟闭源模型比，是综合视觉能力还是某个子任务，这些关键信息全缺。竞技场排名本身波动大，单次第五说明不了太多，得看稳定性和后续更新。另外，预览版和正式版之间通常还有差距，现在下判断太早。我会先打个折：这条更像预热，真正值得关注的是正式发布时有没有配套的技术报告、基准测试和开放权重。

奥德赛实验室放出了Agora-1，用《黄金眼》死亡竞赛做了个演示：多个真人和AI agent在同一个场景里跑动、射击、互相影响。现在有可玩的研究预览版，你可以直接上手试。这条消息最值得关注的点是“多agent实时同屏互动”，不是之前那种单人看AI生成视频的模式，而是多人共享一个会动态变化的模拟世界。 但正文没披露任何技术细节。模型架构、参数量、推理延迟、训练数据来源、是否依赖游戏引擎辅助生成，这些全都没说。没有这些数字，就没法判断它到底是端到端的世界模型，还是套了层AI皮的规则引擎。演示场景是《黄金眼》死亡竞赛，场景相对封闭、规则明确，泛化到开放世界或非游戏场景的能力完全未知。 我会先打个折：这更像一个研究原型，离“重塑游戏、模拟、教育”还差着好几步。想验证的话，得看它能不能跑非射击类场景、agent行为是否真的由模型驱动而非脚本、以及多人在线时的延迟和一致性表现。这些信息目前都缺。

这条消息最直接的价值是：用 Claude Design 做设计稿或前端代码时，单次能塞进去的上下文变大了，不用频繁拆项目。Token 翻倍意味着你可以把更完整的 PRD、设计系统规范甚至参考代码一次性丢进去，省掉很多分步解释的功夫。 但信息缺口也很明显。正文只提了“全面升级创作能力”和“Token 限制翻倍”，没披露具体数字——是从 4K 涨到 8K，还是 100K 涨到 200K？不同起点对实际工作流的影响差很多。另外价格是否调整、是所有套餐都翻倍还是仅限高阶套餐，这些都没说。如果涨价幅度也翻倍，那“翻倍”的含金量就要打折。 建议等官方更新定价页和具体限额表再评估。如果你现在正被 Token 限制卡脖子，这条消息值得追一下确认细节。

Claude Code 把快速模式默认模型换成了 Opus 4.7，输入 /fast 就能切过去。这等于给日常编码场景配了个更强的推理模型，对写复杂逻辑或长上下文任务可能有帮助。但正文只说了调用方式，关键信息全缺：价格没提（Opus 系列通常比 Sonnet 贵不少）、上下文窗口多大、速率限制有没有变化、灰度范围是什么。这些直接影响实际使用成本和体验，如果是全面开放且不加价，那算良心升级；如果只是小范围灰度或偷偷提价，就得打折看。建议等官方补全定价和限制说明再评估是否值得切。

Anthropic 给 Claude 控制台加了个很实用的缓存诊断功能。以前提示缓存没命中，开发者只能猜是哪段内容变了；现在请求失败时会直接标出变动段落，并告诉你这次多消耗了多少 token。这对频繁调用、依赖缓存省钱的场景帮助很大，调试效率会明显提升。 不过正文只提了功能上线，没给具体界面截图或操作流程。也没说这个诊断是实时展示还是事后日志里查看，对 token 消耗的统计粒度也不清楚——是按段落算还是精确到字符级。另外，这个功能目前只在控制台可用，API 侧是否同步支持、会不会有对应的响应字段，正文都没披露。如果团队重度依赖 API 调用，这点要先确认。

GitHub 给 Copilot 加了个挺实用的能力：你在 VS Code 或命令行里让 Copilot 开始修 bug、重构代码，中途可以关掉电脑，用手机或网页接着看进度、继续对话，甚至让它接着干。这相当于把本地开发环境里的 AI 助手会话搬到了云端，随时能接上，不用守在电脑前等结果。 正文只说了功能怎么用，没提要不要额外付费，也没说手机端操作体验怎么样——比如代码 diff 在手机上看得清吗，复杂任务中途断了怎么恢复。这些直接影响实际好不好用。另外，远程会话跑任务时，算力是在本地还是云端完成的，也没交代。如果是云端跑，那离线场景就废了；如果是本地跑，那关电脑后任务其实也停了，只是会话记录同步上去而已。这点先别太激动，等有人实测再说。

这篇博客本质上是一份操作手册，告诉你如何用 LoRA 和 DoRA 这两种省参数的微调方法，去训练 Cosmos Predict 2.5 模型，让它能根据文字指令生成机器人第一视角的视频，比如机械臂抓取物体的连续画面。LoRA 和 DoRA 的好处是只动模型的一小部分参数，训练起来比全量微调省钱省卡，适合团队拿自己的机器人数据做快速实验。 但文章的信息缺口很明显：没提用了多少条视频做训练，没给任何定量评测指标（比如生成视频的 FVD 分数或人工评分），也没披露训练用了多少 GPU 小时、大概花多少钱。所以这更像一个技术可行性演示，而不是一个经过验证的解决方案。如果你打算在自己的机器人场景里复现，得做好自己标数据、自己跑消融实验的准备，别指望拿来就能用。

InsForge 做的事很直接：把开发一个全栈应用需要的后端零件——数据库、用户登录、文件存储、边缘计算和模型调用——全部打包，然后通过 MCP 协议和命令行工具暴露给 AI 编程智能体。你可以理解成它给 AI 配了一个现成的后端工具箱，不用每次都从零搭架子。 目前 GitHub 上有 10.3k star，说明不少开发者对这个思路感兴趣。部署方式也灵活，支持 Docker 自托管，也能一键推到 Railway 或 Zeabur 上跑。但正文主要展示的是功能列表和部署方式，没有给出任何关于并发处理能力、延迟表现、安全审计或实际项目中的故障率数据。这点先别太激动——一个后端平台能不能用在生产环境，关键看它扛不扛得住真实流量，而这篇 README 没回答这个问题。 另外，它把模型网关也集成进去了，意味着智能体可以通过同一个入口调不同模型。这省事，但也把模型调用的成本和稳定性绑在了这个平台上。如果你已经在用别的网关方案，迁移成本需要自己评估。总的来说，概念验证阶段用起来应该顺手，但上生产前得自己压测一轮。

IBM Research 在 Hugging Face 上发了一个开放排行榜，思路挺对：不只看模型本身，而是把智能体的整套系统——模型、工具、规划、记忆、纠错——打包一起测。它用六个不同场景的基准测试打分，同时公布质量和运行成本，让你知道哪个方案真值得部署，而不是只看谁分高。 但正文没披露具体模型分数、数据集大小和评测日期，这些信息缺口让榜单的参考价值打了折扣。没分数就没法判断差距是显著还是误差范围内，没数据集大小就不知道结论稳不稳，没日期就不知道时效性。另外，评测框架叫 Exgentic，代码和方法论文都公开了，这点对想复现或自己跑一遍的人比较友好。 目前看，这个榜单更像一个方法论示范，告诉你“应该这样比智能体”，而不是一份可以直接拿来选型的成熟报告。等他们把具体数据和更新节奏补上，实用性会高很多。

百度核心AI业务Q1收入超136亿元，同比增长49%，第一次超过通用业务收入的一半。这个转折点说明AI不再是烧钱的未来故事，开始真正扛收入了。增长来自AI云基础设施、AI应用和自动驾驶出行平台Apollo Go三块，但正文没披露各板块的具体数字和利润率，没法判断增长是靠高毛利的云服务还是重资产的自动驾驶。连续多季度增长这个表述也缺具体对比基数，我会先打个折。要看完整财报才能确认收入质量，比如有没有一次性项目、客户集中度如何。另外Apollo Go的运营成本和补贴力度也没提，这块的可持续性还存疑。

Grok 现在支持上传完整视频，让它实时分析画面、总结内容、做翻译或提取上下文，不只是看单张图或读文字。这条消息来自马斯克自己的推文，属于半官宣，但正文没披露视频时长上限、支持哪些格式，也没说这个功能是全员推送还是灰度测试。我会先打个折：能“理解完整视频”听起来很强，但实际效果要看它对长视频的连贯推理和细节抓取稳不稳，尤其是超过几分钟的视频，模型容易丢前后文。另外，视频分析很吃算力，如果大规模开放，响应速度和成本都是未知数。这点先别太激动，等实测看它到底能处理多长、多复杂的视频，以及会不会像其他多模态功能一样先限区域或付费墙。