AX 严选

这次更新主要让 Claude Code 在后台跑任务时更可控。新增的 8 个命令行参数，比如可以设闲置多久自动关掉会话、最多同时跑几个后台任务，对用脚本批量跑代码或长时间挂任务的开发者比较实用，能省点资源、避免后台进程堆满。Fast 模式默认模型从旧版切到 Opus 4.7，意味着快速响应的同时理解和生成能力会更强，但正文没给出具体性能对比数据，实际提升多大得自己测。另外修了 15 个以上的问题，包括 MCP 工具超时和 Windows 网络驱动死锁这类影响稳定性的 bug，对日常使用体验会有改善。整体看是个扎实的维护版本，没有架构级变化，但后台会话控制和模型升级这两点对重度用户来说值得更新。

OpenAI 给 Codex 加了两样东西，让它在实际开发流程里更像个能干活的人，而不是只会聊天的助手。第一个是“钩子”，你可以在任务的关键节点插一段自定义脚本，比如提交前自动跑一遍代码检查、扫描有没有不小心提交的密钥、记录每次对话日志，或者按不同仓库做定制行为。这相当于给 Codex 装了个触发器，让它能嵌入到团队已有的开发规范里，而不是要求团队去适应它。 第二个是面向商业和企业版的“程序化访问令牌”，从 ChatGPT 工作区设置里就能创建，带权限范围、可以设过期时间或随时撤销，方便接入 CI/CD、发布流水线和内部自动化，使用记录也会归到对应工作区。这点对管理比较有用，不用再拿个人账号硬扛自动化任务。 不过正文没披露令牌的权限粒度到底多细，比如能不能精确到某个仓库或某类操作，也没说钩子脚本的执行环境限制和超时策略。这些会直接影响它在生产环境里的可用性，先别急着全量上。

这份报告与其说是预测，不如说是 Anthropic 写给美国政策圈的劝进表。它把全球 AI 领导权简化成一个变量：算力芯片。现在美国靠出口管制卡脖子，中国实验室则靠人才、钻管制漏洞和大规模“蒸馏攻击”（扒美国模型能力来训练自家模型）死咬不放。报告推演了两种 2028 年的局面：一种是美国继续收紧漏洞、打断蒸馏，把技术领先锁在 12 到 24 个月，由民主国家定规矩；另一种是美国不作为，中国靠绕过管制拿到算力反超，由威权政权主导 AI 规则。 这里有几个点要先打折。第一，报告把“模型智能接近”完全归因于中国钻空子和蒸馏，但正文没给出蒸馏攻击让中国模型具体追回了几个月差距的量化证据。第二，12 到 24 个月的领先窗口是怎么算出来的，报告也没披露方法论，更像是一个政策喊话用的数字。第三，整篇分析站在美国及其盟友的算力优势上展开，对中国在应用层、数据效率和工程落地上的追赶路径讨论很少，这让第二种情景的推演显得有点单薄。 还缺什么？缺第三方视角的算力差距实测数据，缺对蒸馏攻击实际效果边界的独立评估，也缺中国在受限条件下自研芯片和替代训练方案的进展对照。这些信息不补上，两种情景都更像立场声明而非推演。

这篇博客是 Anthropic 官方出的 Claude Code 实战指南，专门讲怎么在百万行单体仓库、遗留系统和分布式架构里用。它没吹模型有多聪明，而是老老实实说：大代码库靠的是把项目上下文喂给模型，不是让模型自己记。具体给了五个扩展点：CLAUDE.md 文件写项目规则，hooks 在操作前后自动检查，skills 封装可复用指令，plugins 接外部工具，MCP 服务器做本地代码库的智能搜索。 文章给了从零开始的三步上手路径，这点比较实在。但要注意，全文没有给出任何量化数据——没提在百万行代码库里准确率多少、一次任务平均消耗多少 token、比手动改快多少。所有建议都基于“我们观察到用户这样用效果好”，没有对照实验或用户调研样本量。所以这些最佳实践可以当参考，但别当验证过的结论。 还缺一块：没讲失败案例。在遗留系统里改代码最容易踩的坑——比如改了 A 模块炸了 B 模块——文章完全没提 Claude Code 怎么处理这种跨模块依赖风险。如果你真要在生产环境的老代码上跑，这点得自己补测试。

这份手册把 AI 创业拆成了四个阶段：想点子、做最小可行产品、发布、扩张。每个阶段都给了目标、退出标准和常见翻车点，还附了用 Claude 做验证、客户调研、控制技术债、检查产品市场匹配和自动化工作流的提示词。说白了，这是一套可以直接抄作业的框架，不是那种只讲大道理的文章。 但得打个折。全文没给任何具体案例数据——没有用户增长曲线，没有留存数字，没有成本对比。所有方法论都停留在“应该这样做”的层面，缺少“这样做之后发生了什么”的验证。Anthropic 自己就是卖工具的，这份手册天然带着“多用 Claude 就能成”的倾向，技术债控制、自动化工作流这些环节尤其明显。 还缺两块关键信息：一是不同阶段的模型选型建议，用 Opus 还是 Haiku，成本差好几倍，手册没提；二是团队配置，AI 原生团队到底要几个人、什么背景，也没说。这些空白让手册更像一份骨架，肉得自己填。

OpenEvidence 说它覆盖了 65% 的美国医生，4 月临床用了 2700 万次，平均每人每月 41 次。这些数字全是公司单方面披露的，没有独立审计或第三方核实，所以实际渗透率可能要往下调。但“影子 AI”这个现象本身有说服力：医生拿执业编号在手机上自己注册，医院管理层一开始完全不知道，后来才追着签企业合同。Mount Sinai 的 AI 负责人直接管这叫 shadow AI，说明基层需求跑在了机构决策前面。 产品形态上，它接入了 NEJM、JAMA 等权威医学期刊的内容，本质是一个带外挂资料库的临床问答工具，医生查指南、查药物相互作用时不用翻网页。正文没披露模型架构、幻觉率、误诊风险这些关键指标，也没说 2700 万次使用里有多少是真正影响临床决策的，多少只是随手查一下。 还缺两块信息：一是付费模式，医生免费用还是医院买单没讲清楚；二是和 Epic、Cerner 这类电子病历系统的对接情况，如果只是独立 App，进不了诊疗流程，那“临床场景使用”这个说法也要打折。

Google 给自家开源框架 Genkit 补上了中间件，相当于在智能体应用的关键节点装了三个“可编程开关”：模型生成时、调用外部工具时、以及整个工具调用循环。这让你能直接写代码处理一些工程上的麻烦事，比如模型 API 挂了自动重试或切备用方案、执行敏感操作前弹窗让人点确认、或者给每一步打上日志方便排查。TypeScript、Go、Dart 版已经可用，Python 版还在路上。 这个更新解决的是智能体应用从 demo 到生产环境最头疼的可控性问题。但公告没给出任何性能开销数据——中间件插在调用链上，延迟会增加多少？也没提是否支持异步处理或条件跳过，这些在实际业务里都是刚需。另外，审批流程的例子只说了“让人审批”，没讲清楚审批超时怎么办、拒绝后流程怎么回退。这些细节决定了它到底能不能用在严肃的生产系统里，目前只能先打个折看。

这条消息对做端侧推理的人挺实用。Arm 的新指令集 SME2 相当于把原本需要外挂加速器的矩阵运算直接集成进了 CPU，不用再在速度和兼容性之间做取舍。Google AI Edge 这边的 LiteRT 和 XNNPACK 能自动识别并调用这套指令，开发者不用自己改模型结构。拿 Stability AI 的 stable-audio-open-small 在 Arm 手机上跑，音频生成速度提升超过 2 倍，内存占用降到原来的四分之一，这两个数字在手机这种资源紧张的环境里确实能省不少事。 不过得打个折。全文只展示了这一个音频模型的测试结果，没提视觉、语言类模型的表现。不同模型的计算图差异很大，SME2 的加速效果能不能泛化到其他任务，正文没给数据。另外，实际功耗和发热也没披露，这对手机端部署比单纯的速度数字更重要。建议等第三方用更多模型跑一遍再看要不要跟进。

Kimi 这个“网页桥接”扩展，说白了就是给 AI 装了一双能在网页上干活的手。以前你让 AI 查资料，它只能读文本；现在装了插件，它能直接打开网页、搜索、滚动、点击、填表，像人一样走完一整串操作。支持的开发工具包括 Kimi Code CLI、Claude Code、Cursor、Codex 和 Hermes，覆盖面挺广，意味着你在写代码或跑任务时，AI 可以自己去网页上执行动作，不用你来回切。 但这条消息来自官方推文，信息量很薄。它没说明白几个关键点：遇到需要登录的网站怎么办？碰到验证码、反爬机制会不会卡住？操作失败时有没有回退或报错？这些在实际使用里都是高频坑。另外，扩展是免费还是限额度，也没提。 我会先打个折：这个功能对开发者确实方便，尤其是需要频繁从网页取数据或填表单的场景。但别指望它像真人一样灵活，复杂交互和异常处理大概率还得人兜底。等有人实测出踩坑报告，再判断它到底省了多少事。

这起诉讼的核心指控很直接：你在 ChatGPT 输入的问题，会被塞进浏览器标题栏，连同你浏览器里存着的 Facebook 用户 ID，一起打包发给 Meta。原告认为问题主题本身就是敏感信息，比如你问医疗、财务或情感问题，等于把自己的隐私标签贴好送出去。OpenAI 的说法是只分享“有限标识符”用来投广告，但正文没给出 OpenAI 的正式回应或技术细节，所以这个“有限”到底限到什么程度还不清楚。 值得留意的是时间点——2026 年 5 月立案，说明这事发生在 ChatGPT 已经大规模普及之后。很多用户当初从搜索引擎转用 ChatGPT，图的就是不被追踪、不被画像，如果指控属实，这个反差确实讽刺。但诉讼刚受理，离判决还远，原告的举证能力和 OpenAI 的辩护策略都未知。 目前缺的关键信息：OpenAI 是否在隐私政策里披露过这段数据共享、Meta 收到数据后怎么用、有没有用户因此受到实际损害。这些会直接影响案子能不能走下去。

这条新闻值得点开看，因为它解决的是 Agent 跑长任务时一个很实际的痛点：上下文窗口被工具返回的大量原始数据撑爆，导致成本飙升、模型犯糊涂。腾讯云这个方案思路挺巧，不是去压缩历史，而是把完整结果卸载到外部文件，上下文里只留一行摘要和索引路径，再配合一张 Mermaid 流程图当“任务地图”，让 Agent 随时知道自己在哪、下一步该干嘛。 61% 这个数字来自多任务连续 Session 实验，不是单题清空上下文那种理想环境，参考价值更高。消融实验也显示，光卸载能省 15% 的 Token，加上画布能到 31%-33%，说明画布对减少上下文噪音有独立贡献。 不过正文没披露实验用的具体模型、任务类型和成功率基线，也没提卸载和检索本身会引入多少额外延迟。目前默认用本地 SQLite 存储，零外部依赖，这对个人开发者友好，但大规模生产环境下的并发和可靠性还没看到验证。另外，长期记忆部分只提了一句“已上线免费使用”，具体怎么和短期记忆协同也没展开。

小米的 MiMo V2.5 Pro 在 DesignArena 设计竞技场总榜拿了季军，Thinking 版本比上一代爬了 8 个名次，前端编码任务的表现号称跟 Claude Sonnet 4.6 打平。这个成绩如果坐实，说明国产模型在需要兼顾视觉审美和代码实现的设计类任务上，已经能摸到第一梯队的边。 但这条消息来自官方账号的庆祝推文，不是第三方评测报告。正文没披露具体评分、测试样本量，也没说这个“追平”是在全部前端任务上还是某个子集里达成的。DesignArena 本身是一个社区驱动的排行榜，评测维度和稳定性跟学术基准不太一样，所以这个第三名的含金量还需要更多独立验证。 还缺的东西挺多：跟 Sonnet 4.6 对比的原始数据、错误类型分布、在不同复杂度任务上的稳定性，以及 Thinking 版本相比普通版到底在哪些环节起了作用。这些信息不出来之前，这个“追平”只能当个参考信号看。

这是个实用向的开源小工具，把微信群聊记录自动整理成摘要，省去爬楼翻记录的痛苦。核心逻辑不复杂：用 wx-cli 把聊天数据读出来，再丢给 Claude Opus 4.6 做总结。作者实测这套组合效果最好，但正文没披露具体好在哪——是摘要更准、幻觉更少，还是对长群聊的上下文处理更稳，这些都没说。 依赖链有个明显的坑：你得先自己配好 wx-cli，作者明确表示这块不提供帮助。wx-cli 本身是个第三方工具，跟微信没有官方关系，稳定性和安全性都要自己评估。如果你日常聊天内容敏感，建议先搞清楚数据是怎么走的再决定用不用。 另外，其他模型的表现正文完全没提，没法判断这套方案是不是只绑定了 Claude。如果你手头用的是别的模型，效果可能打折，这点先别太激动。

OpenSquilla 的思路很直接：不是所有问题都需要 GPT-4 级别的模型来回答。它做两件事，一是智能路由，根据问题难度自动把请求分给不同成本和能力的模型；二是本地检索，把常用知识存在本地，减少对外部大模型的调用次数。项目宣称能“大幅降低 LLM 使用成本”，甚至提到“近十倍”的降幅，同时兼容多个平台和模型。 但这里信息缺口很明显。正文是空的，我们只能从标题和项目名推断功能，没有看到任何 benchmark 数据、延迟对比、准确率损失，也不知道“近十倍”是在什么任务、什么模型组合下测出来的。路由策略本身也有风险：如果分类器把难题误判为简单题，回答质量会直接掉档。这点在成本数字里有没有被计算进去，目前完全不清楚。 对想试用的团队来说，可以关注它开源代码里的路由逻辑和检索模块设计，但别急着把宣传数字当预期。最好用自己的常见 query 跑一遍，看看实际路由命中率和端到端延迟，再算真实节省的成本。

Daniel Han 放出的这几个 Qwen3.6 MTP GGUF 模型，核心卖点是推理快。27B 模型单张 GPU 跑到每秒 140 个 token，35B-A3B 版本能到 220 token/s，比原版 GGUF 快了 1.4 倍以上，而且说精度没掉。 快的原理是投机解码，让模型一次猜两个草稿 token，在速度和猜对率之间找了个平衡点。这个思路不新，但把 draft tokens 定在 2 并做成 GGUF 格式直接可用，对想在消费级显卡上跑大模型的人来说确实省事。 不过得打几个折。首先这是实验版，正文没提在哪些基准上验证过精度无损，也没说接受率具体是多少。其次，投机解码的实际加速效果很吃任务类型和硬件，换到长文本生成或复杂推理场景，220 token/s 这个数字不一定稳得住。另外，模型本身是 Qwen3.6 的衍生版，如果上游模型在特定任务上有短板，加速也解决不了。想用在生产环境，最好拿自己的数据和任务测一下延迟和输出质量，别只看峰值速度。

杨植麟自己拍视频把Kimi K2的训练账本摊开，总花费460万美元，靠线性注意力等架构设计在编程任务上跑赢了GPT-5.5。这个数字放在大模型圈确实低，说明他们用设计把资源差距抹平了一截。但视频是创始人自述，没有独立评测机构交叉验证，跑分对比用的什么基准、什么测试条件都没展开。编程任务本身也容易刷榜，换个数据集排名可能就变了。另外，460万是纯训练成本还是含试错和废卡，正文没披露。这点先别太激动，等第三方跑分出来再看。

Grok Build 是个直接跑在命令行里的编程助手，目前是早期测试版，只开放给 SuperGrok Heavy 订阅用户。它最大的卖点是干活前会先出一份计划让你审，你可以改步骤、批注，甚至推翻重写，批准后才动手改代码，每次改动都以 diff 形式呈现，这比直接让模型盲改要靠谱得多。另外它能把大任务拆成多个子任务并行跑，还支持无头模式（-p 参数），方便塞进脚本和自动化流水线里。 官方说它兼容你现有的 AGENTS.md、插件、钩子和 MCP 服务器，进到仓库就能用，这点对已经搭好开发环境的团队比较友好。但正文没披露任何性能数据，比如任务完成率、一次通过率、并行子任务的实际加速比，也没提延迟和资源消耗。这些是判断它到底能不能在生产环境用的关键。另外，早期测试意味着功能可能不稳定，反馈渠道倒是给了（在 CLI 里敲 /feedback），但没说明反馈后的迭代周期。 我会先打个折：计划审核和并行子任务这两个设计方向是对的，但没看到实测数据前，别急着把它当成主力开发工具。

这篇文章讲的是怎么把推理服务里 CPU 和 GPU 的“轮流休息”改成“同时干活”。他们拿一个 80 亿参数的模型做测试，生成 8000 个 token 时，GPU 有 24% 的时间是闲着的。原因很简单：同步批处理下，CPU 准备下一批数据时 GPU 只能干等，反过来也一样。文章给出的解法是用 CUDA 流把这两件事拆开，让 CPU 准备第 N+1 批的同时，GPU 已经在算第 N 批。 这个思路不新鲜，但文章把实现细节讲得比较清楚，包括怎么用 CUDA 事件来强制同步、怎么处理竞争条件和 carry-over 这些坑。不过正文没给出优化后的具体吞吐提升数字，也没提不同模型规模下的收益差异。这点先别太激动，24% 的空闲是特定场景下的测量值，换个小模型或者短文本，收益可能没那么大。另外，异步引入的复杂度会不会在工程上带来新的稳定性问题，文章也没展开。

Tomasz Tunguz 这篇博客没画大饼，直接拿主流大模型的 API 价格算了一笔账：让 AI 帮你读、写、整理邮件，每月推理成本在 22 到 130 美元之间，中位数 26 美元。这个数字本身不算吓人，但一旦按 SaaS 的 75% 毛利率打包成产品，年费就要 500 美元左右，是 Google 企业版的两倍。用户会不会掏钱，正文没给结论，只说“工作中很多人可能会”。 文章最有用的部分是降本路径。换小模型能把成本压到十分之一甚至二十分之一；更彻底的做法是直接在用户自己的 GPU 上跑推理，边际成本趋近于零。作者认为接下来一两年 AI 软件的核心就是这种“看人下菜碟”的推理分层：能写死规则的就别调模型，该用小模型就别上大家伙。 不过这篇分析缺几个关键信息：没说明每月处理多少封邮件、多长的上下文，也没区分“读邮件”和“写回复”的 token 消耗差异。另外，本地跑虽然省钱，但用户设备门槛、延迟和隐私权衡都没展开。这些缺口让 26 美元这个中位数只能当个参考锚点，别直接拿去写商业计划书。

这份指南最实用的部分是那两个像素上限。Claude 4.6 API 截图长边不能超过 1568 像素，总像素控制在 115 万以内；Opus 4.7 把上限拉到长边 2576 像素、总像素 375 万。翻译成人话：如果你让 Claude 去操作网页或桌面软件，它靠看截图来理解界面，分辨率低了会点错按钮，高了推理成本直接往上蹿。Opus 4.7 放宽限制意味着它能处理更复杂的界面，但正文没给出具体延迟或成本对比数据，这点先别太激动。 指南还提到了一些让模型干活更稳的技巧，比如把操作步骤拆细、给模型明确的成功标准。但全文是官方博客，不是第三方评测，没有披露失败率或任务完成率这类硬指标。如果你真要在生产环境里让 Claude 去操作浏览器，建议自己先拿真实任务跑一轮，看看在像素上限附近，准确率和成本到底怎么 trade-off。

Anthropic 给付费用户加了个编程专用额度，6 月 15 日开始申领。这笔额度专门用于让模型跑代码 agent 的活儿——包括他们自己的 Agent SDK、命令行工具 claude -p、Claude Code 的 GitHub Actions 集成，还有第三方基于 Agent SDK 做的应用。说白了就是给付费用户一个固定的月度预算，让你不用每次调 API 都盯着账单心跳。 但这条公告缺的信息比给的多。额度具体是多少没写，是 100 次调用还是 100 万 token 完全不知道。用完之后的体验也没交代——是直接停掉、降速限流，还是弹窗让你加钱。不同付费档位之间额度是否一样，正文也没提。这些缺口直接决定了这条更新是真实惠还是营销动作。 另外注意，这个额度只覆盖 agent 场景的用量，不是通用的 API 额度。如果你用 Claude 做普通对话或非 agent 的代码补全，大概率不在这笔预算里。第三方应用能不能稳定吃到这个额度，取决于它们有没有老老实实走 Agent SDK，这点也得等上线后验证。

Runway 这次发布的 Agent，核心是把视频制作流程打包成一个对话式工具。你描述需求，它先出概念和故事节奏，确认方向后直接生成带多镜头、旁白、对白和配乐的成品视频。新用户有 1500 积分可以试做第一条，官方说主要瞄准品牌广告、社交媒体内容和独立短片，想解决传统制作又慢又贵的问题。 但这条新闻的信息缺口很明显。正文完全没提生成质量到底怎么样，多镜头之间的连贯性、人物一致性这些视频生成的老大难问题，一个字都没说。也没给任何对比案例，比如同样一个需求，用 Agent 和传统流程出来的东西差多少。几分钟出片听起来快，但如果要反复改、反复生成，实际耗时和积分消耗就不好说了。 另外，官方说它能理解品牌语境、跨模型工作，但没解释具体怎么实现。是接入了客户自己的素材库，还是全靠提示词控制风格？这些直接影响实际可用性。我会先打个折，等看到真实用户的成品和吐槽再说。

Anthropic 把 Claude 做成了一个能直接插进小企业常用软件里的服务包，覆盖财务、销售、营销等环节。它不是在聊天框里回答问题，而是能跑 15 个预设好的自动化流程，比如根据 QuickBooks 和 PayPal 的数据做 payroll 规划、月底对账，或者在 HubSpot 和 Canva 之间跑营销活动。正文强调了一个关键设计：所有发出去、贴出去或付钱的动作，最后都要人点一下批准，这降低了直接让 AI 操作资金和客户数据的风险。 目前看，这更像一个高度集成的自动化模板包，而不是一个能自由探索的通用 agent。正文没提定价，也没说这些工作流在真实业务里的准确率或失败率。引用的客户证言来自几家小公司，但样本量太小，只能当早期参考。我会先打个折：对小团队来说，把重复性后台工作串起来确实省时间，但实际效果很依赖你原本的数据在 QuickBooks 和 PayPal 里有多干净。还缺第三方压力测试和更透明的错误处理机制说明。

团队开源了一个叫 psql_bm25s 的 PostgreSQL 原生访问方法，直接在数据库里做精确 BM25 检索，不用把数据搬出去再算。他们声称在标准基准上比 pg_search 快大约 23 倍，这对多智能体系统里频繁查资料库的场景确实有用——检索不卡，智能体干活就快，也不用额外搭一套检索服务烧钱。 但正文没披露具体测了什么数据集、跑在什么硬件上、查询类型是短词还是长句，这些都会影响 23 倍这个数字的含金量。另外也没提索引构建时间、内存占用和并发下的表现，这些是生产环境真正关心的。如果后续能补上这些信息，判断会更踏实。

Cursor 这次更新解决了一个实际问题：让云端 agent 不再困在单个代码仓库里干活。现在一个环境能挂多个仓库，agent 可以跨仓库改代码、跑测试，这对用微服务、代码散落在多个库的团队比较有用。Amplitude 的工程经理说他们已经在 Slack 里用 Cursor Automations 处理问题，agent 能自己判断涉及哪些仓库并提 PR。 环境配置改用 Dockerfile 来管，支持构建密钥，这样能安全访问私有包仓库。官方说缓存命中时构建速度能快 70%，这个数字是在缓存命中的前提下，实际收益要看你的项目结构和改动频率。不想手写 Dockerfile 的话，Cursor 可以自动检查仓库生成配置，但这个功能还在内测，稳定性未知。 正文没披露多仓库环境下的资源开销和计费方式，也没说 agent 跨仓库操作时的权限边界怎么控制。环境治理和安全控制的部分只提了审计日志和网络、密钥管控，具体能细到什么粒度没说清楚。这些信息缺口让“完全掌控”这个说法需要打个折。

百度把妙答从编程助手升级成应用和企业版，核心卖点是妙答应用 90% 的代码由妙答自己生成。这个数字如果属实，说明代码生成能力已经能撑起一个完整产品的大部分开发量，对开发者来说意味着写代码的门槛和速度都在变。但正文没披露这 90% 是怎么统计的——是按行数、文件数还是功能模块算的，也没说剩下 10% 的人工代码是不是集中在核心逻辑和安全部分。 另外两个数字也需要打折看：累计服务超 1000 万用户，没说是独立用户还是调用次数；应用总价值 50 亿人民币，完全没给计算口径，可能是按客户投入、市场对标或者内部估算，没法验证。企业版定价和与 GitHub Copilot、Cursor 等竞品的对比也没提，想评估性价比还缺关键信息。 整体看，百度在推一个“AI 自己写自己”的故事，但缺了统计方法、定价和第三方验证，目前只能当产品更新看，别急着当行业里程碑。

Google 发了台叫 Googlebook 的笔记本，核心是把 Gemini 做进系统层，不是装个助手插件就完事。这次说了三个功能：Magic Pointer 把光标变成一个 AI 入口，点哪都能弹出上下文建议和任务，相当于给鼠标右键加了 AI 菜单；Create Your Widget 让你用大白话描述需求，自动生成一个能聚合不同信息的桌面小组件，省去自己拖拽配置的麻烦；还打通了安卓生态，在电脑上直接调用手机 App 和文件。 从产品逻辑看，Google 想用 AI 重新定义人跟电脑的交互方式，把操作门槛降下来。但正文没披露任何实测数据，比如 Magic Pointer 的响应延迟、Widget 生成的准确率、跨设备调用的稳定性，也没提价格和上市时间。这些功能听起来实用，但到底好不好用、会不会吃资源，全得等上手。另外，安卓生态打通这事，Google 说了好几年，这次能不能做到无缝，也得打个问号。

Anthropic 给 Claude Code 加了一个 /goal 指令，让模型接到任务后持续执行直到完成，不再需要人在旁边一步步确认。这对开发者来说，相当于把“助手”往“干活的人”又推了一步，减少了来回交互的摩擦。 但这条帖子信息量很薄。正文没披露 /goal 的触发机制，是自动判断任务终点还是靠用户预设完成条件？也没提任务跑偏或陷入死循环时有没有熔断机制。另外，哪些 Claude Code 版本支持、是否涉及额外 API 调用费用，这些关键点一概没写。 我会先打个折：功能方向是对的，但实际体验取决于它怎么定义“完成”。如果只是简单循环重试而没有进度反馈或中断策略，那离真正的自主干活还有距离。等官方文档出来再看。

这条推文本身没给测试数据，更像经验总结，但逻辑上确实能省。Karpathy 点出的浪费行为很具体：每次请求都塞整个代码库、用最贵的模型干简单活、Agent 重复发相同内容。他建议按任务难度分模型——日常用便宜的，关键任务再上贵的，再建一个 SKILL.md 文件避免每次都重新教模型。这些操作门槛不高，但效果可能比调参更直接。 我会先打个折：正文没披露具体能省多少，也没说这些优化在不同场景下的实际收益。比如提示词缓存对长对话有效，但短任务可能差别不大；多模型路由听起来好，但切换模型可能引入风格不一致的问题。另外，Kimi 2.6 和 Opus 的组合是他举的例子，不一定适合所有人的技术栈。 还缺两样东西：一是量化数据，比如开了缓存后延迟和成本具体降了多少；二是边界条件，什么情况下这些优化会失效。如果只是转发观点而没有实测，这条的价值就停在“提醒”层面。

这条演示最直接的价值是：Codex 不再只是帮你写代码，而是能像人一样操作你的 Mac 应用，点击、输入、在后台持续跑任务，还不会锁住你的鼠标键盘。这对需要跨多个工具串流程的开发者来说，省掉的是反复切换和等待的时间。 但正文只放了一段视频和几句对话，关键信息全缺。发布时间没给，权限设计没说——它要拿多大的系统权限才能跨应用点击输入？安全边界怎么划？这次是给所有开发者用，还是小范围内测？这些不交代，演示再流畅也只能当概念片看。 我会先打个折：后台持续执行听着强，但实际稳定性、应用兼容性、以及出错了怎么回滚，视频里都没展示。等有真实用户跑通完整任务链再判断不迟。

阶跃星辰发了Step Image Edit 2，一个35亿参数的图像模型，主打指令修图。在KRIS-Bench这个评测集上，综合、事实和概念三个类别都排第一，压过了参数大它五六倍的对手。能干的事包括文生图、按指令改图、中英文文字渲染，还有保持主体一致的风格迁移。 官方说生成快、单次编辑成本低，但正文没披露具体延迟数字和价格，也没说明KRIS-Bench的测试集规模和样本分布。35亿参数确实小，推理成本理论上会低，但实际能省多少、响应速度多快，得等上线后自己跑才知道。 模型已经上了阶跃开放平台，可以直接用。我会先打个折：榜单第一是好事，但修图类评测主观性强，KRIS-Bench的评分标准是否贴近真实使用场景，正文也没交代。建议拿自己的图跑几组对比，看看文字渲染和风格迁移在复杂场景下稳不稳。

这是篇典型的“吃自家狗粮”案例。Anthropic 的安全团队用 Claude Code 开发了内部威胁检测平台 CLUE，把安全分析员查日志的时间从几小时压到几分钟，概念验证一天做完，一周交付。速度确实快，说明用 AI 辅助写安全工具这条路跑得通。 但文章是团队技术负责人写的，本质上是产品宣传，不是第三方评测。关键信息全缺：用了哪个版本的 Claude、实际误报率多少、处理多少告警量、有没有漏报。安全产品最怕“狼来了”，如果误报率高，几分钟出结果也没意义。另外，平台跑在 Anthropic 自己的环境里，外部团队复现难度和成本都没提。 值得关注的是思路——让模型直接参与告警分诊和调查，而不是只做日志摘要。但落地前得先问清楚：它在你家数据上的准确率，和在这篇博客里一样好看吗？

Anthropic 把 Claude Opus 4.7 的快速模式挂上了研究预览标签，现在 API 和 Claude Code 都能调。从命名看，这版主打低延迟，可能适合写代码、做工具调用这类需要即时反馈的场景。但正文只发了一条推文，没披露任何硬指标：模型参数量未知，具体定价没提，调用频率限制也没说，更没给正式上线的日期。 我会先打个折。研究预览通常意味着稳定性没保证，接口可能随时改，SLA 大概率不存在。如果团队想切生产环境，至少要等 Anthropic 公布延迟对比数据、成本结构和 rate limit 再说。另外，快速模式是单独训练的小模型还是原版 Opus 4.7 加推理优化，正文也没交代，这直接影响能力边界判断。 现在还缺的东西挺多：和 Opus 4.7 标准模式、Sonnet 的延迟与质量对比，实际使用成本，以及预览期间的配额限制。这些信息不出来，就只能当个尝鲜玩具。

这事核心不是奥特曼有没有直接持股，而是他在 OpenAI 不拿股权、个人能从公司业绩里分到的钱很有限，反而让他有动机通过外部投资和关联交易来变现自己的影响力。六个州司法部长联名致信 SEC，众议院监督委员会主席也让他交出投资文件，说明监管层在认真盯这件事。OpenAI 现在估值 8520 亿美元，但利益冲突审计报告至今没公开，正文也没披露具体是哪些交易被质疑、涉及多少金额。这点先别太激动——联名信只是要求调查，不等于已经查出问题。真正要看的是 SEC 会不会正式立案，以及那份审计报告到底写了什么。如果报告继续压着不放，那才是值得担心的信号。

GitHub 宣布 6 月 1 日起调整 Copilot 个人版套餐，Pro 和 Pro+ 用户会拿到一个弹性配额，用来调用更高级的模型或功能。但正文没写配额具体是多少、超出后怎么收费，也没说哪些模型算“高级”。同时新增的 Max 计划定位比 Pro+ 更高，价格和权益同样没披露。 这次调整的核心是把“用更好的模型”从无限畅饮改成限量供应，对重度用户影响可能不小。但关键数字全藏着，现在没法判断是变相涨价还是真给选择。建议等 6 月细则出来再算账，别急着升级。

这篇是 Google 开发者博客的教程，用 Agent Development Kit（ADK）做了一个“新员工入职协调助手”的 demo。这个助手能跑好几周：发完欢迎邮件就自己暂停，等员工签完文件再继续，中间还能把装电脑的活派给另一个专门的小助手，最后发一份定制的第一天日程。 文章没给具体性能数据，但重点讲了三个让 demo 变生产可用的架构思路：用结构化的持久状态机记录“现在该干什么”，用持久会话存储把上下文存下来，再用事件驱动的 webhook 在外部事件发生时唤醒 agent。多 agent 之间通过委托来分工，主助手把子任务派给子助手，自己继续等。 这套设计解决了一个实际问题：现实里的业务流程经常要等好几天，模型不能一直开着烧钱。暂停-恢复机制让 agent 只在有事干的时候才跑，能省不少计算成本。但文章没提大规模部署时的延迟、并发上限和存储成本，也没说如果子助手挂了怎么恢复。这些是真正上生产前必须搞清楚的事。

这次旧金山开发者大会没有新模型发布，主要是给现有工具松绑。Claude Code 的速率限制直接翻了一倍，Opus 模型的 API 调用上限也提高了，对高频使用者来说，被限流打断的体验会好一些。托管智能体（hosted agents）加了四个功能：记忆审查让智能体能回顾之前的对话，多智能体委派可以把任务分给其他智能体去干，输出标准用来约束回答格式，webhooks 则让智能体能对外发通知。这些功能让智能体更像一个能协作、能记住上下文、能按规矩交活的角色，而不只是单次问答。 不过，正文没披露具体的数字门槛——翻倍是从多少提到多少、Opus 上限放宽到什么程度，都没说。也没提这些改动对延迟或成本的影响。如果你在重度用 Claude Code 做开发，可以期待少撞几次墙，但别指望性能有质变。

Nathan Lambert 这篇文章把开源模型省钱这件事讲得比较实在。核心判断是：造一个顶尖模型，80%的算力都烧在研发试错上，而不是最后那一次完整训练。这个数字来自 Ai2 和 Epoch AI 的两份研究，虽然误差范围不小，但方向是对的。中国 AI 圈几乎全员开源，各家通过详细技术报告和刻意分享，相当于帮同行排了雷，避免重复踩坑烧钱，形成了一种靠信息共享降低未来研发成本的复合增长。 但文章也点出了开源 AI 和传统开源软件的根本区别：软件开源是用户越多修 bug 越便宜，而开源模型几乎全部成本都压在开发者身上。开放模型降低的是未来的研发成本，不是即插即用的产品价格。如果你只是拿来就用、不做深度定制，闭源的托管方案反而更便宜，因为人家靠规模效应摊薄了成本。 文章没展开讨论的一个缺口是：这种互相排雷的模式能持续多久。目前各家还是会 fork 开源工具做成内部版本，真正开放的 RL 训练方案（比如 MoE 架构的大规模强化学习）其实还没有公开的成熟配方。如果核心环节继续半开半闭，这个生态的省钱效应会打折扣。

这条分享了一个实操玩法：在 Claude Code 的插件市场里直接装 OpenAI 的 Codex 插件，配好就能用。核心思路来自 HeavySkill 论文的“重思考”——让多个模型各自独立推理，再找一个模型当主持人把思路揉到一起，提高最终回答质量。作者搭的 Skill 是 Claude Code 负责推理，Codex 当主持人。 这个做法有意思的地方在于跨模型协作，不是简单换模型，而是让两个模型分工。但正文只给了安装步骤，没披露任何对比数据：揉完之后的回答到底比单用 Claude Code 好多少、延迟增加多少、成本翻了几倍，全都没提。HeavySkill 论文本身的效果验证也没被引用到这里，所以这个 Skill 的实际收益还悬着。 我会先打个折：思路值得跟，但没看到跑分之前别急着把它当生产方案。还缺三样东西：一是具体任务的准确率对比，二是推理延迟和 token 消耗，三是 Codex 当主持人时会不会引入新的偏见或错误。这些补上了才能判断是真提效还是多花钱买热闹。

这是 GitHub 工程师自己做的一个小扩展，核心玩法是把任意代码仓库解析成 Roguelike 风格的地牢——代码结构自动变成房间和走廊。它想展示 Copilot CLI 不止能敲命令，还能快速搭出带交互的终端小玩意。 正文没披露生成一张地图要多久、支持多大的代码库、地图可玩性到底怎么样。这些关键指标全缺，所以目前只能当个创意原型看，离实际能用还有距离。 如果你对程序化生成或终端游戏感兴趣，这个思路挺好玩；但如果你想知道 Copilot CLI 在生产环境能省多少事，这条信息帮不上忙。

Hassabis 这条推文更像表态，不是产品更新。他把 AlphaFold 到 Isomorphic Labs 的线拉出来，强调 AI 的首要应用是改善人类健康，这个判断本身没问题，但正文没给任何新数据或里程碑。21 亿美元融资是实打实的数字，说明资本市场愿意为 AI 制药买单，可钱投进去之后，管线进度、靶点选择、跟传统药企的对比，全都没提。我会先打个折：这笔钱能加速到什么程度，取决于 Isomorphic 能不能把 AlphaFold 的结构预测优势，真正转化成缩短临床试验周期的能力。现在还缺临床前验证结果、合作药企名单和具体疾病领域的时间表，光靠一条推文撑不起“攻克所有疾病”的叙事。

这条分享的价值在于动手验证，不是画饼。作者没停留在“AI 管家需要数据”的口号上，而是把淘宝、京东、饿了么、美团外卖、大众点评五个平台的导出路径挨个走了一遍。结论很具体：淘宝自带导出功能，京东没有官方支持，但用 Codex 写了个 Chrome 插件一键导出订单，代码已开源在 GitHub；饿了么可以申请导出 Excel；美团外卖目前完全没办法；大众点评的收藏列表也能通过定制插件导出来。 我会先打个折：这更像个人工具链分享，不是产品更新。正文没披露这些导出数据的字段完整度、格式是否统一、有没有脱敏风险。把消费记录直接喂给 AI Agent 做个性化分析，听起来挺省钱，但隐私和准确性都没提。另外，Codex 写的插件稳定性、维护成本也没说。 还缺两样东西：一是这些数据实际接入 Agent 后的效果验证，哪怕一个例子也好；二是平台政策风险——非官方导出接口随时可能被封。这点先别太激动。

这个案子给做 AI 写作工具的人敲了警钟。两家公司做了一个能一键生成某社交平台风格“种草笔记”的工具，会员费从月付 40 元到终身 168 元，还直接用了平台的命名和调性做宣传，诱导用户把 AI 编的假体验发上去。法院认为这破坏了平台靠真实分享攒下的内容生态，构成不正当竞争，判赔 10 万元。 判决里最有信息量的是那个“四要素判定法”：一看是不是生成式 AI 服务，二看是不是针对特定平台场景做的，三看有没有诱导用户发假内容，四看是不是商业行为。这四点全中，就没跑了。这个框架比单纯说“AI 不能造假”要具体，以后类似纠纷大概率会参考它。 不过报道没提这 10 万元是怎么算出来的，也没说被告靠这个工具赚了多少钱。如果违法所得远高于赔偿额，那威慑力就得打个折。另外，判决只约束了工具提供者，那些用工具批量发假笔记的用户和 MCN 机构怎么追责，正文也没展开。

这次攻击不是偷 npm 账号密码，而是利用 GitHub Actions 的三个漏洞组合，绕过了双重验证，直接用 OIDC 信任链把恶意包推到 npm 上。攻击者在一个叫 voicproducoes 的账号下搞了个孤儿提交，里面塞了 2.3MB 的混淆脚本，安装时自动跑起来，从 AWS、GCP、Kubernetes、GitHub 等十几个常用位置搜刮密钥和 SSH 私钥，然后加密上传走人。 受影响的包覆盖 @tanstack、@mistralai、@uipath 等命名空间，总共 373 个恶意版本。像 @tanstack/react-router 周下载量超 1200 万次，传播面确实大。但正文只列了恶意版本号，没说这些版本在 npm 上存活了多久、实际有多少人下载安装了恶意版本，也没给出受影响用户的通知渠道或自查方法。 TanStack 事后复盘把攻击链归因于 pull_request_target 的"Pwn Request"模式、跨 fork 缓存投毒和内存里扒 OIDC 令牌，这三个洞单独看都不新鲜，组合起来确实难防。还缺一个关键信息：攻击者到底有没有用偷来的密钥干别的事，还是只完成了窃取和外传。

Luma Labs 这次推出的 Luma Agents，核心是把广告创作流程拆给多个 AI 代理分工干：有的负责理解情绪板上的视觉风格，有的负责生成画面，有的负责拼成完整广告。这个思路不新鲜，就是把 agent workflow 搬进创意工具里，让模型进业务流程干活。 目前能看到的信息只有标题和一句话简介，正文是空的。这意味着我们不知道它生成的广告长什么样、在真实投放里的转化率如何、生成一条广告要多久、成本多少。这些才是判断它是不是真有用的关键。 我会先打个折：概念听起来顺，但没案例没数字，离“优化广告效果”这个说法还差一截。等他们放出实际跑通的广告样本和对比数据再说。

OpenAI 宣布推出 Daybreak，说是把自家最强模型、Codex 和安全合作伙伴的能力打包，帮安全团队更快发现漏洞、加固软件。听起来像是让 AI 直接进安全运维流程干活，但正文只给了概念，没披露任何实测数据——能防住什么级别的攻击、误报率多少、响应延迟多高，全都不清楚。定价和上线时间也没提，所以现在只能算一张路线图，离实际能用还有距离。我会先打个折：方向对，但缺验证。如果后续能放出在真实攻防场景下的检出率和误报率，才值得认真评估。

这是个很“玩”的想法，但背后有实际用处：把自然语言指令直接当脚本跑。最简单的例子是 shebang 写 `#!/usr/bin/env -S llm -f`，下面跟一句“画个骑自行车的鹈鹕 SVG”，就能出图。复杂一点的可以用 `-T` 参数调用外部工具，比如报时；或者直接在 YAML 模板里用 Python 函数定义计算器，让模型自己调 multiply 和 add 算出 2344×5252+134=12,310,822。 这本质是把 LLM 当成一个能理解模糊指令、还能调用工具的脚本解释器。好处是门槛极低，坏处也很明显：每次执行都要调模型，延迟和成本比传统脚本高几个数量级，而且输出不稳定，不适合任何需要确定性的场景。 正文没提这种用法在生产环境的风险控制，也没给延迟或成本数据。如果是真的跑一次几毛钱、等两三秒，那对一次性小任务还行；但别指望它替代正经脚本。

Replit 这次更新的核心是把并行代理做进了开发环境里：最多 10 个代理同时跑，每个拿一份独立的应用副本，在各自机器上互不干扰，最后通过一个代理工作流把结果合并回来。听起来像给开发者配了个小团队，但关键细节全没给。 正文没披露任务是怎么拆分的——是用户手动分配还是系统自动切？合并冲突怎么处理，比如两个代理改了同一个文件怎么办？也没给出任何性能对比数据，比如 10 个代理比单代理快多少、资源开销涨了多少。这些信息缺口让实际效果很难判断。 对 AI 从业者来说，这个方向有意思：把 agent 从单打独斗变成并行协作，确实可能缩短构建时间。但在看到冲突解决机制和实测数据之前，我会先打个折。如果只是简单把任务分出去再粗暴合并，实际体验可能还不如一个靠谱的单代理。

Gemini App 这次更新的核心是把你的个人数据——Gmail 里的酒店订单、Google Photos 的地点记录、搜索和 YouTube 历史——直接串起来生成旅行计划。省事是真的省事，不用自己翻邮件找预订号、从相册回忆上次去了哪。你可以手动选哪些 App 给它读，也能随时关掉个性化，控制权看起来在你手里。 但正文完全没披露隐私处理细节：邮件内容会不会被用于模型训练？行程生成是在本地跑还是上传云端？这些关键信息缺失，让“个人智能”这个说法得打个折。如果是本地处理，隐私风险可控；如果上云，就得看 Google 的隔离策略。另外，目前只展示了旅行这一个场景，实际能覆盖多少日常任务还不清楚。

Karpathy 这条推文的核心判断很直接：大模型默认吐 Markdown 是偷懒，让模型直接生成 HTML 页面，能立刻把排版、图表和可点击的交互都带上，用户体验会跳一大截。他给了一个马上能试的建议——让模型用 HTML 结构化回复，这比等下一代界面务实。 更远的那层“交互式神经视频”，是用扩散模型实时生成可操作的画面，听起来像把电影变成软件。但他自己点出了关键缺口：这种神经生成的画面怎么跟需要精确数值的传统软件（比如 Excel、CAD）配合，现在完全没解。正文没给出任何技术路线或实验数据，所以这部分只能当长期猜想，别急着当真。 输入侧他提到手势指点这类更自然的交互，但同样没展开具体实现。整体看，这条推文的价值在于把“输出格式”这个被忽视的环节拎出来，HTML 这个建议成本低、可验证；视频生成那层还缺约束条件和精度验证，离落地很远。

Anthropic 在 GitHub 扔了一套金融 AI 模板，不是论文也不是白皮书，是直接能跑的代码。里面塞了 10 个端到端智能体，覆盖投研、投行、风控这些金融圈高频场景，还配了 7 个行业插件和 11 家主流金融数据商的 MCP 连接器——你可以理解成模型跟 Bloomberg、Refinitiv 这类数据源的接口已经焊好了，不用自己从头写管道。部署方式从个人插件到企业 API 都支持，也能塞进 Microsoft 365 和私有云，说明他们想同时吃个人开发者和机构客户两条线。 这件事的看点不在技术有多新，而在 Anthropic 选了一条跟 OpenAI 完全不同的路：OpenAI 在铺消费级应用，Anthropic 直接往垂直行业里扎，用开源模板拉生态。金融是监管最严、对准确性要求最高的行业之一，敢在这里开源模板，姿态上是在说“我的模型能进生产环境”。 但正文没披露几个关键信息：这 10 个智能体在真实业务场景里的准确率是多少？有没有经过合规审查？MCP 连接器是官方合作还是社区贡献？这些直接决定这套模板是 demo 级还是生产级。另外也没提延迟和成本，金融场景对实时性要求高，如果跑一个风控判断要十几秒，那就只能当参考工具用。建议先拿自己的数据跑一遍，别直接往交易链路里接。

这条推文放出了 Cognition AI 总部内部画面，但真正值得关注的是 Devin 的商业成绩：上线 18 个月年化营收 4.45 亿美元，客户包括高盛、美国陆军和奔驰，公司估值约 250 亿美元。创始人 Scott Wu 本人是三次信息学奥赛金牌得主，2023 年 11 月母亲去世当天创立公司，赌的是 AI 能变成全天干活的智能体。 不过正文没披露这 4.45 亿是合同额还是实际回款，也没说客户续费率。Devin 刚上线时表现一般，现在到底解决了哪些场景、哪些还是 demo，从这条推文里看不出来。估值 250 亿这个数字我会先打个折，毕竟没看到独立验证。 还缺的信息：Devin 在客户实际生产环境里的通过率、平均修复时间、跟人类工程师的对比数据。光有营收和估值，只能说明卖得动，不能说明好用。

OpenRouter 这个 Pareto Code 排名有点意思，它不跑传统基准测试，而是直接看开发者在实际调用中怎么选模型，找出那条“花最少钱办最多事”的帕累托前沿线。目前 DeepSeek V4 Pro 排第一，GPT 5.4 Mini 和 Gemini 3.1 Pro 紧随其后，说明在真实市场需求里，这三家在性价比上咬得很紧。 但这条新闻的信息缺口也很明显：正文完全没披露具体怎么算分、样本量多大、数据窗口多长。没有这些，这个排名更像一个产品功能展示，而不是可复现的评测。如果样本集中在某类任务或某段时间，排名可能波动很大。另外，“市场需求”本身也会被价格战和供应稳定性影响，不一定完全反映模型能力。 想认真参考这个排名的人，最好等 OpenRouter 把方法论和原始数据放出来，或者自己拉一段时间内的调用日志交叉验证一下。

Ring-2.6-1T 最实在的卖点是可调“思考强度”，相当于给模型装了个脑力旋钮：简单任务少转几圈省 token 和延迟，复杂任务多转几圈求质量。这对跑高频工作流的智能体场景确实有用，不用每次都烧满算力。模型还专门做了多步执行和工具调用优化，说明 AntLingAGI 想让它直接进业务流程干活，而不是只聊天。 但这条消息的信息缺口很大。万亿参数听着唬人，正文却没披露任何基准测试分数、对比对象或实际任务表现。免费开放到 5 月 15 日更像是一次公测引流，不是正式发布。模型到底在数学逻辑和科研任务上强在哪，跟同体量的竞品比是更快还是更准，全都没说。 我会先打个折：参数规模大不等于好用，思考强度可调也不等于调了就有用。等有人跑出实测数据，再看这个旋钮是不是真能拧出性价比。

腾讯混元放出了Hy3预览版，官方定位是“混元系列最强”，但这次不拼榜单分数，而是强调在真实智能体任务里能把事办成。模型用了256K上下文窗口，一次能塞进很长的材料，架构是混合专家加快慢思考——碰到复杂问题会自动切深度推理模式，简单问题就走快通道。底层把预训练和强化学习管线重做了一遍，目标是在大规模部署时把成本压下来。 不过目前公开信息很有限。正文只给了定性描述，没披露任何具体评测数据、延迟指标或成本对比。256K窗口实际召回率怎么样、快慢切换的触发逻辑是什么、MoE的专家数量和激活参数都没说。这些恰恰是判断“真实场景有效性”的关键。 我会先打个折：方向对，但缺数据验证。等他们放出技术报告或第三方实测再判断不迟。

Tomasz Tunguz 用五周时间拿自己的日常工作做了个实验，跑了约1400个请求，结论很直接：像 Qwen 3.6 35B 这种本地模型，能处理掉一半的任务，包括邮件草拟、日程安排、摘要和行政杂活。他拿 MacBook Pro M5 本地跑 4-bit 量化版，跟云端 Claude Opus 4.5 比速度，平均响应 2.8 秒对 5.8 秒，快了 2.1 倍。这个速度优势是他认为本地模型最核心的价值，比隐私、成本折旧都实在。 不过得看清楚限制。Opus 4.5 在推理基准上大约强 20%，输出结构更清晰、代码更干净，本地模型赢在简短，输出长度经常只有一半。市场调研和工程类任务里，简单查数据、修脚本本地能跑，但多源分析和架构决策还是得靠云端。作者也承认本地模型比前沿模型落后三四个月，复杂任务上这个差距不能忽略。 这篇文章没给具体任务的成功率定义，也没说“搞定”是按什么标准判的，全靠作者自己主观判断。另外测试只在一台 MacBook Pro 上跑，不同硬件结果会差很多。如果你日常工作以结构化输出为主，这个结论可以参考；如果重度依赖复杂推理，本地模型暂时还只能当辅助。

这条消息最值得看的是闭环：用户只给了一个模糊目标“去赚5美元”，Codex自己找项目、读需求、写代码、跟维护者沟通、过验证流程，最后代码被合并，拿到16.88美元。22小时赚这个数，时薪不到1美元，效率还很低，但意义不在金额——这是AI首次在没有人类逐步指挥的情况下，完成从接单到收钱的全流程。 要打折的地方不少。正文没披露Codex具体做了什么级别的安全审计，也没说修复的漏洞有多严重。开源项目的安全审计赏金门槛参差不齐，有些只是修个文档链接也算。另外，GitHub验证流程怎么过的、维护者是否知道对面是AI，这些都没提。如果维护者不知情，这个闭环的“自主”就要打折扣。 还缺关键信息：Codex有没有犯错或提交无效PR？22小时里有多少是在等待响应？如果换成更复杂的项目，这套流程还能不能跑通？这些没答案之前，先别急着说AI能养家了。

这项研究拿一年前的o1模型在真实急诊数据上跑，诊断正确或接近正确的比例达到67%，比参与对比的医生高出12-17个百分点。差距在早期分诊阶段最明显——那时候能拿到的信息最少，模型反而更稳。研究还提到o1在处理结构化病例时临床推理几乎不出错，这点挺有意思，说明模型在信息规整后表现更可靠。 但正文没披露样本量有多大、参与医生是什么年资、来自哪家医院。急诊室环境千差万别，如果对比的医生样本偏弱，67%这个数字就要打折。另外研究只测了急诊初诊环节，没碰长期住院数据和影像诊断，这两块恰恰是临床最吃经验的地方。 还缺一个关键验证：诊断对了不代表病人预后变好。下一步得看AI系统真的嵌入急诊流程后，能不能缩短分诊时间、减少误诊导致的延误，而不是只在论文里赢过人类。