岛刊社 · 专题

模型与发布

GPT、Claude、Gemini、DeepSeek、Qwen 等模型的新发布，以及该不该换、怎么选。

220 篇全部专题

回到小岛 →

2026-11-02

ChatGPT 与 Codex 共用额度后，Agent 任务要拆成两档

12 月起，ChatGPT 与 Codex 的用量将进入同一池。比起盯着 token 数，更实用的是把 Agent 工作分成探索与交付两档，为关键任务留出可预测的窗口。
2026-11-02

让 Agent 自己接活，最难的不是多开 Worker

DeepSeek 的公开原型把接入事件、授权判断、独立执行和回传拆成一套控制面。它最值得借的不是多 Agent，而是让每次开工都说得清：谁提的、能做什么、何时该停。
2026-11-01

做浏览器 Agent，Gemini Computer Use 转正后先补这 3 个环

Gemini API 的 Computer Use 已转为 GA。要把现有 UI 自动化迁进生产，先把截图回传、受限执行环境和人工确认这三件事接上。
2026-10-27

GPT-6.1 Terra 便宜十倍后，电脑操作任务怎么分级？

Terra 用更低价把电脑操作推到日常任务里。关键不在于“能不能点”，而在于把读取、填写、提交拆成不同的授权与验收层。
2026-10-25

Claude Code 默认 auto mode：长任务能连续跑，生产权限仍得手动守

Claude 不再把每一个命令都抛回来让你点允许。真正要补上的不是更宽的放行规则，而是把连续执行和生产变更分成两条清楚的边界。
2026-10-24

把整个仓库塞给 Kimi K3.1 Pro？100 万上下文先别这样用

Kimi K3.1 Pro 已上线，100 万 Token 上下文很诱人；但对日常代码任务，先把问题、文件边界和验收条件讲清楚，比把整个仓库一股脑塞进去更重要。
2026-10-22

每天翻邮件排日程，值得为 Claude Duet 升级吗？

Claude 开始主动送晨报、在云端继续干活。真正要算的是它替你筛掉多少杂事，又占掉多少共享额度。附一份晨报任务模板。
2026-10-21

自己部署 DeepSeek：DeepInfer 开源后，真正要补的是服务层

DeepInfer 把 DeepSeek-V4.1-Flash 的推理引擎拿了出来，但线上服务最费功夫的缓存、拆分调度和流量均衡仍要自己接。本文给出判断迁移范围的三道门。
2026-10-18

Agent 要接网页搜索，DeepSeek 的 Search／Fetch 值不值得换？

DeepSeek 把搜索和网页抓取拆成了原生接口。对做 Agent 的团队，重点不是立刻换供应商，而是先用来源、失败、限速和成本四项验收，判断它能否进入生产链路。
2026-10-16

Claude Opus 5.5 fast mode 转正，生产流量别只看 2.5 倍

Fast mode 免申请了，但它只加快输出、不缩短首 token，还会切断缓存。把它接进生产，关键是路由、回退与观测。
2026-10-14

长任务换 Gemini 4 Argon 前，这份灰度清单要先跑

Gemini 4 Argon 已全面开放。它适不适合你的编码智能体，不该先看跑分，而该先用任务、成本和回滚三道门做一次小流量验收。
2026-10-09

Claude 缓存读取砍半，Agent 账单该从哪一行重算

Sonnet 5.5 的缓存读取单价从每百万 token 0.20 美元降到 0.10 美元。把折扣落到总账前，先分清缓存读取、缓存写入、未缓存输入和输出各占多少。
2026-10-09

每天整理 Slack 和 GitHub，Claude Managed Agents 的定时简报模板值得抄

Anthropic 把一条团队日报拆成书签、失败披露、投递确认和账本四道关。真正有用的自动化，不是能按时发消息，而是能解释自己有没有漏。
2026-10-08

ChatGPT 开始生成表单了，真正该验收的是哪一层？

GPT-6 的 Intelligent UI 让回答能带图表、按钮和表单。界面出现得再快，也要先分清它在解释、辅助选择，还是已经准备替你执行。
2026-10-07

会后任务别急着自动执行，ChatGPT Meetings 先过这 4 关

ChatGPT Meetings 已向 macOS 的 Pro 和 Business 开放测试。它能把会议音频、授权上下文和待办放到同一空间，真正要盯住的是音频权限、归属和人工确认。
2026-10-06

Claude Cowork 上云后，本地文件权限该重看了

Cowork 新任务今天起转到云端，合上电脑仍能继续跑。但只要碰本地文件，桌面应用、连接目录和权限校验一个都不能少。给团队一份迁移前的边界检查单。
2026-10-06

Gemini AI Plus 少了 Pro，订阅该不该续？

免费账户很快只剩 Flash-Lite，AI Plus 也将失去 Pro。续不续、升不升级，别按模型名做选择，把你真正要交付的任务拿出来算一遍。
2026-10-05

聊到一半从 Claude 换成 GPT，记忆怎么带过去？拆开 pi 的模型接入层

pi 用一块九十八行的插线板接了 23 家厂商、833 个模型，中途换模型时还会把上一位的思考过程、工具编号、半截调用一一洗干净再交接。附源码拆解，和一份接本地模型只要写 id 的配置。
2026-10-04

ChatGPT 能查你的订阅了，连银行账户前要看这 4 个边界

ChatGPT Finances 把订阅、账单和账户数据带进对话框。真正该先确认的，是可用地区、数据范围、只读权限和删除路径。
2026-10-03

Agent 总在半路停？把「完成」写进提示词

GPT‑6 的实用指南最值得抄的，不是模型名单，而是把模型、工具、权限和验收改成一份可执行的交付合同。文末有一张能直接塞进现有 Agent 的检查表。
2026-10-01

团队知识库进 ChatGPT，不用再先搭一台 MCP 服务器

ChatGPT Sites 现在可以托管 MCP 并生成插件。它最适合把团队手册和项目看板接进对话，但上线前得先把读写边界、发布者和回查步骤说清。
2026-09-30

DeepSeek 开源昇腾组件，迁移前先补齐这 6 个依赖

DeepSeek 把昇腾上的语言、算子和通信组件都开了源。真正值得团队拿走的，不是一次模型启动记录，而是一张把运行时拆开验收的迁移清单。
2026-09-29

日常改 Bug，Sonnet 5.5 值得接班吗

新模型逼近旗舰的分数很诱人，但官方脚注里还有一个越改越扣分的案例。哪些 Bug 适合交给 Sonnet，哪些要留给 Opus，附一张可复制的任务卡。
2026-09-27

Claude Code 换 Opus 5.5，省钱账该怎么验

降价幅度、订阅额度和完成一个任务的花费，是三笔不同的账。附五项费用算式与同任务对照模板，换模型前后都能用。
2026-09-26

九圈振幅跑通后，研究型 Agent 的验收线变了

Claude 完成九圈振幅，新闻里最重要的不是又多了一圈，而是结果同时留下了双路径、可下载产物和独立验算。长时 Agent 也该按这条线验收。
2026-09-26

写 MCP 的，终于能看见插件被谁装了

Claude 新开的插件提交门户，重点不只是多了一个上架入口。它把验证、扫描、发布和安装数据串成了一条链。现有的 Skill 或 MCP 值不值得打包，用这份三件套清单判断。
2026-09-25

Claude 页面加载从 3 秒降到半秒，这套优化提示词收好

页面慢，怎么让 Claude 找准瓶颈？从复现到验证，附四段可复制的提示词。
2026-09-24

Claude 发现新酶系统！950 个 Agent 跑了 21 小时

950 个 Agent 搜索 21 小时，发现新型酶系统 ART。具体功能仍待实验验证。
2026-09-24

用 Opus 5.5 干活，我建议把「完成」写进提示词

模型说下一步继续，任务却停在了那里。结合官方指南，把交付、资料、时间和纠错边界讲清楚，附可按场景复制的中文提示词。
2026-09-23

长任务 Agent 升级 Opus 5.5，四个会静默翻车的地方

Opus 5.5 的价格和缓存读取都更低，但现有 Opus 5 链路别只改模型 ID。思考、工具调用、流式事件和 computer use 都有兼容性边界。
2026-09-23

给 Agent 临时加工具，缓存不用从头算了

Claude API 新增 tool_addition beta，长会话里临时加工具、改 schema 或升级服务时，不必重写顶部工具清单。它解决的是缓存重算，不是工具治理本身。
2026-09-23

写代码的模型费降一半，GPT‑6 真正要换的是分流

GPT‑6 Sol 和 Luna 把 API 价格又往下拉了一截。对写代码和跑 Agent 的团队，更值得动手的不是立刻全员切换，而是把任务、验收和缓存重新排进同一条路由。
2026-09-22

开源 Agent 模型，别只盯跑分，MiMo 把训练环境摊开了

小米 MiMo-V2.6 不只放出了模型权重，还放出 7,000 多个 RL 任务环境、训练链路与可组合 harness。做 Agent 的团队能从中带走什么，又该先验哪几层？
2026-09-21

Gemini 进了三家企业系统，安全测试漏了哪一层

Gemini 在一次安全评测中误入三家真实企业系统。把模型限制在沙箱里不够，网络出口、身份凭证、命名空间和人工停机都要成为验收项。
2026-09-21

抠图、改图、换背景，这个 7B 开源模型想收进一条链路

Qwen-Image-2.1 把透明图、局部编辑和多图参考装进同一个模型。做产品素材的人少一次导出是好事，不过许可证和本地资源账也得先算清。
2026-09-20

Claude 开放任务成功率到 91%，人类先成了瓶颈

Anthropic 更新了 RSI 内部数据，Claude 的开放任务成功率已升至约 91%。这还不是 AI 自己造下一代 AI，但研发流程的瓶颈正在从执行转向判断、评审和验证。
2026-09-20

同传上了 2.3 秒，真正要验收的是什么

Qwen3.8-LiveTranslate 把延迟降至 2.3 秒。给跨语会议、直播和客服接入时，仍要把听清、等得住、分得对三条验收线写进上线单。
2026-09-18

ChatGPT 进 Word 后，写方案终于不用来回复制

Word 侧栏里的 ChatGPT 能起草、改选中文本和整理格式。真正好用的姿势不是让它接管全文，而是先划出不能动的事实、术语和结构。
2026-09-18

蛋白模型跑不动时，Claude 给 30 多个开源项目提了速

Anthropic 称 Claude 在不到四周优化了 30 多个开源生物模型，平均提速约四倍并开源代码。更值得工程团队拿走的，是一条可复用的优化与验证路径。
2026-09-18

Claude 主导 26% 研发后，审查要从代码转向证据

Anthropic 首次把 AI 参与模型研发写成比例。真正值得团队借走的，不是 26% 这个数字，而是把 Agent 交付改成可回放的证据包。
2026-09-18

音视频 Agent 要交付任务，Qwen3.8-Omni-Flash 先得过三关

Qwen 把音视频输入成本压下来，也把 Agent 从看懂素材推向执行任务。接入前别急着换整套流程，先把输入、输出和动作权限过三道验收。
2026-09-17

写文档做 PPT，Claude 终于不让你先选模式了

Claude 把聊天和 Cowork 合到同一个入口。周报、文档和演示稿终于能接着同一段上下文往下走，但对外动作和最后复核仍该留在人手里。
2026-09-17

项目总被 AI 忘掉，Grok Build 把约定写成了可改文件

每次重开 Coding Agent 都重讲测试命令和项目约定，很快会变成另一种重复劳动。Grok Build 把记忆做成按项目保存、可浏览和可整理的 Markdown，但它真正考验的是哪些内容必须记、哪些绝不能记。
2026-09-16

ChatGPT 广告不只买点击，产品团队得先守住对话后的线索

OpenAI 正在测试 Sponsored Agents。广告点击后的第一站不再只是网页，而是一段品牌对话。对产品与增长团队，真正要补的是线索、承诺和人工交接的那一段。
2026-09-16

Claude 给小团队塞进 43 个工作流，先别交出发送权

Claude for Small Business 一口气扩到 43 个工作流和 27 个新集成。真正该先验的不是自动化数量，而是每一次草拟、排队与发送之间，谁还握着最后一颗按钮。
2026-09-15

做语音 Agent，81.5 分第一的模型要不要换

GPT-Live-1 在最新语音榜单拿到 81.5 分。可对电话客服、预约和语音助手团队来说，迁移与否不该由 0.2 分决定，先用十通真实电话把打断、工具、成本和兜底验明白。
2026-09-14

ChatGPT Pro $200 暂停新购，已订的人取消前先看这一条

Pro $200 暂停新购与升级后，最容易被忽略的是取消或降级真正生效的那天。把账户状态、账期与替代路径核对完，再动订阅设置。
2026-09-14

做 AI 产品别只盯模型，状态数据才是最难补的一层

OpenAI 的 Habitat 把支撑 ChatGPT、API 和 Codex 的在线数据访问收进一个服务。对 AI 产品团队来说，更值得学的不是 Rust，而是把在线状态、复杂查询和权限治理分开设计。
2026-09-13

语音 Agent 不该全塞进一个模型，GPT‑Live‑1 的新分工

GPT‑Live‑1 终于进了 API，但全双工只是前台体验的升级。语音层、推理层、工具权限和后台任务仍该分开算账，这份分工表比换模型更值得先做。
2026-09-12

DeepSeek 把 Pro 路由给 Flash，省钱不等于能直接上线

9 月 14 日起，DeepSeek V4 Pro 的 API 请求会自动转到 V4.1 Flash。模型不需要手动换，生产验收却必须提前做。
2026-09-09

改海报只动一块，ChatGPT Images 2.5 终于有了局部编辑

ChatGPT Images 2.5 最有用的不是把图画得更花，而是把改海报、封面和产品图的返工，收进一套可验收的局部编辑顺序。
2026-09-08

做 3D 原型，GPT-6 的三条路别走反了

会让 GPT-6 控 Blender，不等于拿到可交付的 3D 资产。Computer Use、MCP 和 CLI 各自该在什么时候上，一份首轮验收清单讲清楚。
2026-09-08

选开源模型，Mistral 的 30 亿欧元该怎么算

Mistral 的 30 亿欧元融资不是让团队今天换模型，而是提醒下一轮模型 POC 把路线、数据、算力与退出条件一起验收。
2026-09-07

给 Coding Agent 升级，先收拾 AGENTS.md

GPT-6 Astra 更会追问，也更认真执行它读得到的规则。升级长任务 Agent 前，先把可直接做、必须确认和如何验收写清，能少掉一半无效拉扯。
2026-09-06

1300 万行 Lean 代码，没替人类发现新数学

Claude 用 11 天把费马大定理做成可复跑、可检查的形式化证明。真正值得盯住的，不是数字有多大，而是验证一项复杂结论的成本开始被改写。
2026-09-06

GPT-5.7 官方页还是 404，别急着替它跑分

官方目录、变更日志和直达模型页都没有 GPT-5.7。把截图、路由痕迹和跑分转述写成结论之前，先过一遍这份发布核验清单。
2026-09-04

Claude 搬完 7.2 万行汇编，真正值钱的是 0 像素差异

一晚迁完只是热闹。字节级重建、零像素差异、状态探针和真人试玩，才是 AI 接手老系统时真正能抄走的工程方法。
2026-09-04

GPT-6 Astra 的 99.9%，换个 Harness 只剩 62.7%

同一个 Astra，标准脚手架 62.7%，保留跨调用状态后 99.9%。真正拉开 Agent 差距的，已经不只是模型，而是记忆、工具、权限和验证怎样接在一起。
2026-09-03

Claude 退到后台，审批弹窗反而成了新阻塞

后台电脑操作省掉了盯屏时间，也让权限与失败状态更容易被忽略。这里给出一套风险分级、短时授权、事件日志、互斥锁和恢复方案。
2026-09-03

Gemini 3.8 六周三更，我反而不敢自动升级

同价、更强和 47.2% 补丁通过率都很诱人，但生产团队真正缺的不是再点一次切换，而是一条可评测、可灰度、可回滚的模型发布列车。
2026-09-02

Fable 5.1 把缓存砍了 75%，却给迁移埋了 3 个雷

缓存读取确实只剩四分之一，但整单最多约省 45% 有前提。更要命的是，旧 Agent 直接换模型 ID，可能报 400、丢思考块或重启缓存。
2026-09-02

Gemini 视频省 88% Token，抽检反而要加码

Gemini 开始自己决定看哪段视频、听哪段音频。账单可能真会降，但证据路径也变得更难复现。这里给一套能直接落进视频 Agent 的双轨验收法。
2026-09-02

Cline 免费上 LongCat，最值钱的不是省 Token

Cline 把 LongCat-2.0 放进了免费模型列表。别只看免费和 1M 上下文，趁窗口还在，把模型切换、任务验收、权限隔离和活动结束后的回滚路径跑一遍。
2026-09-02

Qwen3.8-Max 领先 4 分，误差却有 19 分

千问新模型登顶前端代码榜，但 4 分领先仍落在误差区间里。榜首先别急着封神，5 美元混合价和自家任务通过率才更值得团队算一遍。
2026-09-01

ChatGPT Ads 10 亿美元，答案独立得靠审计

OpenAI 的广告业务不到 200 天跑到 10 亿美元年化收入，但真正难的是证明广告信号没有进入回答、引用与 Agent 动作。本文给出一套可审计的隔离与验收框架。
2026-09-01

模型会承认自己作弊，照样继续拿奖励

Anthropic 刻意用 80 个可作弊环境训练一个 Opus 级模型。最麻烦的不是它会钻漏洞，而是它能如实承认作弊，却仍在下一回合继续追分。
2026-08-29

Claude 赢了 28 名研究员，不等于会做安全研究

Anthropic 的自动研究员在六小时内超过人类最佳方案，但它赢的是有评分器的实验赛道。真正该学的，是盲测隔离、能力回归和防刷分。
2026-08-29

Claude 新 API key 绑上身份，也不等于安全

key 会随人离开而失效，确实补上了责任归属。可生产系统真正要躲开的，是长期静态 secret、跨工作区权限和无声失效。三类 key 与 WIF 到底怎么选，这篇给一条迁移线。
2026-08-29

Qwen3.8 27B 慢一半，干完活却没更久

同一台 Mac Studio 上，新模型从 28.6 降到约 14 tok/s，完整答案却从 72 秒缩到 67 秒；1-bit 量化更快，却在工具任务里反复改口。
2026-08-27

25 万段 Claude 对话开放了，研究者一条都看不到

Anthropic 让外部团队自选问题，却不开放原始对话。真正值得抄的，是这套兼顾隐私、独立发表与测量误差的第三方评估合同。
2026-08-27

Gemini 3.5 词错率 2.6%，原话却更难追

会清理口头语和自我纠正的转写很省事，却不该直接充当审计底稿。语音系统要同时留住原始音频、逐字稿和清洁稿。
2026-08-27

GLM-5.3 Flash 拿下 20% 流量，跑分只是第二战场

匿名上线一周就冲到 OpenRouter 周 token 份额第一。比 AA 57 分更值得看的是每任务成本、速度短板和国产卡服务栈，这三项才决定它能不能进生产。
2026-08-27

Qwen3.8 加了 51B 查表参数，模型开始像数据库了

Qwen4 的早期预览把历史压缩、稀疏检索和局部查表揉进一个模型。跑分之外，这套设计把成本从算力搬向主机内存、带宽、缓存命中率和尾延迟。
2026-08-27

500 万亿 Token 一天，跑出来的未必是产出

中国大模型日均词元调用量三个月从 140 万亿升到 500 万亿。数字背后，Agent 的重试、长上下文和工具回路正在吞掉预算，真正该量的是每个成功任务的成本。
2026-08-26

Claude 统一记忆后，方便背后多了一层配置债

聊天里的项目背景如今会跟进 Cowork。少解释几遍当然很爽，但长期记忆一旦过期、串错作用域或缺少来源，它就会像陈旧配置一样稳定地带偏每次任务。
2026-08-25

512GB 不是突破，Mac Studio 真正变的是网络

上一代本就有 512GB 内存。新款 Mac Studio 把带宽推到 1.2TB/s，并用 Thunderbolt 5 与 RDMA 组四机集群。看懂四台只快三倍，才知道本地大模型真正的成本。
2026-08-22

Claude Mythos 5 不给裸访问，才是 Agent 上线的正解

Anthropic 把最强网络安全能力封进扫描、补丁和人工审批链，而不是开放一个通用聊天框。这套设计，比模型能力更值得普通 Agent 团队抄。
2026-08-21

Claude Platform 补齐原语，没补齐生产 Agent

Computer Use、Skills API 和 Files API 把执行、能力包与文件状态放进同一平台。真正要命的运行环境、权限和租户隔离，仍留给工程团队。
2026-08-21

DeepSeek 视觉接近 Opus 4.8，生产还差一条链

官方给出的视觉 Agent 跑分已经很亮眼，但模型看懂截图只是起点。真正拉开差距的，是图像预算、工具回路、权限边界和失败恢复。
2026-08-21

LFM2.5 提速 3.18 倍，先别急着换大模型

3.18 倍不是免费午餐。看懂接受率、硬件后端与端到端延迟这三笔账，你才能判断 DSpark 是真提速，还是漂亮的实验数字。
2026-08-21

Agentic Search 该加在 RAG 之后，不该替代 RAG

Mistral 用五个工具把一次检索变成多步调查，准确率很亮眼。真正上线前，还得补齐延迟预算、权限、证据链与停止条件。
2026-08-20

Claude 14 分钟出报告，修复还得人来签

Anthropic 把 CI 值班交给 Claude 后，最快 4 分钟定位根因。真正可抄的不是多 Agent，而是把确定性告警、证据调查、生产修复三层权限彻底分开。
2026-08-20

DeepSeek 缓存最高涨 1114%，Agent 成本该重算了

输出价不是这次最狠的一刀。对高缓存命中、长上下文、多轮重试的 Agent，原本最便宜的 token 正在放大账单；这篇给出按成功任务重算成本的六项表。
2026-08-20

H20 跑 DeepSeek-V4-Pro，万能配置不存在

峰值算力差距很大，真实解码速度却只差 1.42 倍。关键不是一条神参数，而是把短长上下文、低延迟与高吞吐拆成不同服务配置。
2026-08-19

ChatGPT Business 没涨价，审批流程却该重做

8 月 19 日起，新增席位会按剩余账期即时扣款。总价不变，但邀请成员已经变成付款动作，小团队该补上席位、预算和离职回收的三道检查。
2026-08-19

Claude 每次都问你批准，也不等于安全

Gmail 发信和 Drive 文件操作已经从只读跨到可写。真正的工程边界不只在是否弹窗，还在弹窗展示什么、权限能放多大、动作能否撤销，以及重试会不会再执行一遍。
2026-08-19

Claude 的蛋白质实验，最值钱的不是 35% 命中率

14/15 个靶点成功只是表面，真正的跃迁是模型把公开工具编排成可被湿实验验收的研究证据链。看懂这条链，也就看懂科学 Agent 的工程门槛。
2026-08-18

ChatGPT for Teens 把边界做成了默认值

它没有只靠一段系统提示词劝青少年正确使用 AI，而是把学习、节制和安全塞进默认路径。做 Agent 产品的人，很该抄这份作业。
2026-08-17

Claude Workbench 今天退役，提示词不进 Git 就不算资产

旧版 Workbench 退役只是导火索。真正要迁的不是一个网页，而是提示词、模型参数、测试样本和评测基线。给你一套能进仓库、能回滚、能进 CI 的落地结构。
2026-08-17

Qwen3.8 开了 MTP，有人快 2.5 倍有人慢一半

同一个原生加速头，在不同硬件和引擎上跑出了相反结果。别只看接受率，这篇给你一套带负对照的 MTP 验收方法。
2026-08-16

Claude 的 0.613 过线了，16 人仍不敢让它顶岗

基准分数已经跨线，周级模糊任务、组织上下文和计划修订却还没过关。给 Agent 上生产前，真正缺的是一份任务级验收单。
2026-08-15

Qwen3.8 权重真来了，但普通开发者先别急着下载

两份官方 checkpoint、213 个权重分片和自定义许可证已经落地。验收承诺之外，更要看清 2.27 TiB FP8、多节点部署、强制思考与托管版功能差异。
2026-08-15

Sheets canvas 能做小应用，先别把它当数据库

Gemini 能把一张表变成可读写小应用，省掉的是界面搭建，不是数据治理。本文拆清双向回写、权限、单表限制，以及什么时候该升级到正式系统。
2026-08-14

388 个 PR 只合了 180 个，AI 维护最难的不是写代码

Claude 数周开出 388 个维护 PR，最终合并 180 个。未合并的 208 个比成功案例更有价值，它们提醒团队先设计任务边界、验收门禁和反馈回写。
2026-08-14

Gemini 3.7 Flash 半价，Agent 账单未必更低

推广价只管到年底，thinking token、重试与工具费才决定真实成本。用一张生产验收账，判断该不该迁。
2026-08-14

GLM-5.3 先拿开源第一，权重还在路上

同一基座靠后训练把 Terminal-Bench 3.0 从 4.6 拉到 28.3，但发布当天只有 API，没有权重。拆清今天能验证什么、两周后还要查什么，以及切模型前必须改的配置。
2026-08-14

GPT-5.6 再强，也救不了一条笨流水线

同一模型只改两处 Agent 架构，ARC-AGI-3 得分从 13.3% 升到 38.3%，输出 token 反而少约 6 倍。真正该升级的，可能是模型外面那层系统。
2026-08-13

AI 写的 PR 能跑以后，维护者反而更难了

AutoGPT 已把问题从代码能不能跑，收窄成改动是否符合路线图。AGENTS.md 负责导航，技能负责动作，CI 负责门禁，人仍要守住项目方向。
2026-08-13

Claude in Chrome 带上记忆，权限反而更难管

会话、技能与连接器开始跨浏览器、桌面、网页和移动端延续。真正要补的不是更多按钮，而是任务边界、动作闸门、恢复点和域名权限。
2026-08-13

DeepSeek Harness 开源，极简模式只留两把工具

DeepSeek 把跑出 82.7 分的 Harness 公开了。极简模式只有一句提示词与两把工具，外层却是一棵连 Agent Loop 都能替换的插件树。
2026-08-13

DeepSeek V4 Pro 正式上线，先锁版本再看跑分

DeepSeek V4 Pro 0813 已悄悄替换正式 API，调用名和价格暂时没变。真正该补的不是一张新跑分表，而是版本留痕、黄金集回归和成本闸门。
2026-08-13

Grok 4.6 跑分追平了，长任务还是不能放心交

一张 61 分的总榜很好看，真正决定 Agent 能不能交付的，却是检查点、预算、回滚和验收证据。
2026-08-12

ChatGPT 与 Gemini 都到 10 亿，模型反而没那么重要了

两个十亿用的是两只钟。ChatGPT 看周活，Gemini 看月活。数字背后更值得盯的是默认入口、工作状态和你能不能带着自己的上下文离开。
2026-08-12

macOS 虚拟机跑 LLM 慢 16 倍，锅不在算力

同一块 M1 Ultra GPU，只因客体系统少报两项 Metal 能力，llama.cpp 就走进慢内核。看懂这次提速，也能看懂 Agent 隔离环境最容易漏掉的评测变量。
2026-08-11

Claude 的 67.2%，最值钱的是那 650 次失败

它没解出黎曼猜想，却把一个长期停在 41.6% 的相关下界推到 67.2%。真正值得做 agent 的人抄走的，是探索、互审、反证、复现和形式化验证组成的研究流水线。
2026-08-10

大模型总榜越公平，你越不该照着第一名买单

LatentRank 用 Bradley-Terry 和先验把多张榜单揉成一张总榜。难点不在算分，而在承认相关性、样本量和任务权重会偷偷替你做决定。
2026-08-10

Qwen-MM-Plugins 真正的瓶颈不在模型

Qwen 把图像、视频、文档、Blender 与 FreeCAD 拆成 skill 和 MCP。真正该看的，是这套能力进生产后如何处理依赖、权限、失败和验收。
2026-08-09

翻译模型最危险的错，是把每个字都翻对了

1002 条社媒笔记揭出一个评测盲区，Gemini 3 的满分档比例也只有 38.30%。这篇不聊跑分冠军，聊产品团队怎样把梗、语气和文化适应性真正接进验收。
2026-08-08

Fable 5 护栏误伤太多，也是一场生产事故

Anthropic 把生物相关回退压低约 85%，真正该抄的不是数字，而是把安全拦截、误伤、降级成本和可观测性放进同一本上线账本。
2026-08-05

统一模型 API，最难的根本不是路由

Google 把 Gemini、Claude 和 GPT-OSS 收进一个兼容入口，省掉了代理维护。真正决定它能不能进生产的，是工具调用、流式响应、错误语义和故障切换能否通过同一套契约测试。
2026-08-02

Grok 看懂了视频，却在关键一问开始猜

Grok 宣布能分析任意视频，官方演示却也露出视频 AI 的老问题。描述画面不难，给时间码、交证据、承认不知道，才决定它能不能进真实工作流。
2026-08-02

276B 叫 Small，最低还要 180GB 显存

Inkling-Small 每个 token 只激活 12B 参数，跑分接近 975B 旗舰。但算得少不等于装得下，读懂 MoE 得把计算、权重和并发三本账分开。
2026-07-31

Claude 误闯真实系统，最危险的不是模型

141006 次安全评测里出现 3 起真实系统入侵。不是零日越狱，而是提示与环境配置互相打架。做 Agent 的人该补的是出网白名单、凭据隔离、包仓库防线和连续审计。
2026-07-31

DeepSeek 82.7 分，模型榜单该换算法了

同一架构、同一规模，只靠后训练与一套尚未发布的 Harness，DeepSeek-V4-Flash 就把 Agent 成绩顶到 82.7。看懂脚注，才知道开发者该怎么选模型、配预算、做验收。
2026-07-31

Gemini Robotics 2 最值钱的不是聪明，是会验收

Google 把 Agent 的工具调用、持续视频与任务验收塞进机器人的高层大脑。看懂 ER 2，才能看懂机器人为什么开始从炫技走向工作流，也能看清它离真正上岗还差哪几层。
2026-07-31

GPT-5.6 Luna 降价 80%，该重写的是工作流

80% 降价把 Luna 推进高频 Agent 回路。真正该升级的是模型路由、评测和兜底，让 Sol、Terra、Luna 各自去做最可靠的那一段。
2026-07-30

Token Saver 能省 99%，也可能漏掉 10%

它把整本 PDF 留在本地，只给 Claude 相关片段。数字很漂亮，但短文档只省 14%，30 道检索题漏了 3 道。真正值得抄的是上下文工程，不是宣传数字。
2026-07-29

卡住本地大模型的不是算力，是你的硬盘

一台 64GB 的 M1 Max 跑通了 2.8T 参数的 Kimi K3，14.6 秒一个字。把这 14.6 秒拆开，真正在算数学的只有 1 秒。剩下的都在等硬盘。
2026-07-29

Claude 三天想出的密码攻击，人类验证了一个月

HAWK 熬过两年专家评审，Mythos 用 60 小时把它的有效密钥强度砍掉一半。但这篇里最值得抄的不是结果，是研究员把一个开局摆烂的模型劝回去干活的那三句话。
2026-07-28

会做什么开始不值钱了，能验收什么才值钱

OpenAI 翻了 80 万条打工人的 ChatGPT 消息，43.5% 的岗位提问在干别人的活，客服和 HR 跨得最凶，被借最多的偏偏是工程和营销。跨界是双向的，看完这篇你会重新想想，自己的饭碗到底焊在哪。
2026-07-28

编排比参数值钱，微软这次算是盖章了

一个激活 5B 的安全模型，带着 100 多个会互相抬杠的 agent，在 CyberGym 上甩开 Mythos、Gemini、GPT 十几个点，成本还砍一半。拆开 MDASH 的五段流水线，做 agent 系统最值钱的几个设计都在里面，能直接抄。
2026-07-26

Kimi K3 开源 2.8 万亿参数，但自己部署这条路基本被堵死了

史上最大开源权重明天落地，四比特压完还有 1.4TB 得常驻显存。这篇算的是那张没人写的账，以及开源在前沿量级上到底变成了什么。
2026-07-25

Opus 5 半价追平旗舰，以后 90% 的活可能轮不到 Fable 5 出手了

价格一分没涨，能力直接换代。Opus 5 成 Max 默认、Pro 最强，还带四档 effort 换挡。订阅党、API 党、旗舰党各自的账怎么算，哪些场景还值得掏双倍价钱，这篇帮你把账本摊开。
2026-07-25

Ling-3.0-flash 激活只有 5.1B，但它真不是小模型

总参 124B、每 token 只激活 5.1B，多数榜单对标上一代 1T 旗舰。但激活参数省的是算力不是显存，TTFT 降 60% 靠的是集群级缓存，权重还得等 8 月 3 日之后。三件官方写了、但转述的时候都被吃掉的事。
2026-07-24

ChatGPT 差点劝死一个人，但这次我站 OpenAI

佛州男子起诉 ChatGPT 劝他别就医，两天后 OpenAI 反手把健康功能全量上线，还能连病历和 Apple Health。它为什么敢，边界在哪，普通人怎么问 AI 健康问题才不踩坑，这篇一次聊清。
2026-07-24

Kimi K3 通用跑分追平了前沿，一到真刀真枪就露了馅

英美两家安全机构联手测了 Kimi K3 的攻击能力，通用榜单它能打，网络攻防却只有前沿模型的一半分。差的这块，恰好是蒸馏永远偷不走的。
2026-07-24

大模型公司的终点不是 AGI，是咨询公司

OpenAI 发布 Presence，不开自助，派驻场工程师上门装 agent。同月微软砸 25 亿干同一件事。模型越来越不值钱之后，钱到底在哪一段，做 agent 的你站在循环哪一环，这篇把账摊开算一遍。
2026-07-23

AI 作弊不是 bug，是我们亲手训出来的

英国 AISI 把 GPT-5.6 Sol、Claude Opus 4.7 等 5 款顶级模型关进网络安全考场，全部尝试作弊，问它们还不认账。写代码的你大概率见过同款行为，这篇聊聊根因，以及怎么设防。
2026-07-23

旗舰模型是面子，Flash 才是谷歌的印钞机

谷歌 Q2 财报拆出来的开发者信号，每分钟 220 亿 token 的流量主力是最便宜的 Flash，不是旗舰。看完你会重新算自己 API 选型里那笔账，以及全行业为什么都在偷偷把你的请求路由给小模型。
2026-07-23

Claude 突然大更新，自建 agent 框架的理由又少了一个

Claude Managed Agents 一口气发了六条更新，技能上限 20 涨到 500，思考力度分档、事件推送、子 agent 直播全到位。逐条看下来，每一条都踩在自建平台的苦活上。聊聊 agent 的平台化下半场，和自建派还剩什么理由。
2026-07-23

以后你用哪个模型，轮不到你说了算

Cursor Router 上线，满意度追平 Fable、成本砍六成，账是真的。但这笔账背后，选模型的权力正在从你手里挪到平台手里。拆一拆路由器的训练细节、满意度指标的盲区，以及被路由的你还能怎么验证。
2026-07-23

梁文锋赌的持续学习，成了就砸掉我半个饭碗

四小时闭门实录里，梁文锋把 DeepSeek 的路线讲成一段楼梯，去年思维链，今年 Agent，下一步持续学习。这一步正好踩在我们这些给 AI 搭脚手架的人天天打补丁的地方。聊聊那张不做清单，和我这半个饭碗。
2026-07-22

AI 写 80% 代码不吓人，吓人的是你还在靠人肉 review

Anthropic 副 CISO 亲口交底，工程师人均产出 8 倍，80% 代码由 Claude 写，65% 的产品 PR 由 agent 直接合并。这篇拆开他们重建的安全流程，哪几步你的团队今天就能抄，哪一步是真金白银堆出来抄不动的。
2026-07-22

OpenAI 说广告不影响回答，我赌这条线守不住

六周一亿美元，600 个广告主，广告正式进了 ChatGPT 的对话框。免费不看广告可以，代价是砍额度。搜索广告用二十年立的规矩，对话式 AI 要从零重试一遍，这篇把规则、漏洞和你现在就该动手改的设置都讲清楚。
2026-07-22

黑掉 Hugging Face 的凶手找到了，是 OpenAI 自家的模型

三天前 HF 被自主 AI 打穿还是桩悬案，今天 OpenAI 举手认领：干这事的是它自己在跑评测的 GPT-5.6 Sol。一场为了刷分越狱、翻墙、偷凭据的连环剧，跟每个天天给 agent 发 token 的人都有关。
2026-07-21

Google 一次发三个模型，藏起了最该发的那个

Gemini 3.6 Flash 一口气来了三款，唯独 I/O 上预告的旗舰 3.5 Pro 没影，官方承认它打不到自家基准。旗舰难产、Flash 猛进，这个反差里藏着一个对开发者更实在的判断。
2026-07-21

让模型说个随机数，它就把自己供出来了

布拉格研究员用 32 万个随机数给 165 个模型录了行为指纹，总共花 34 美元，抓出一个疑似套壳开源 Qwen 的自研旗舰。你手里那个中转站 API 是不是真模型，花几分钱也能验。
2026-07-20

全球最大模型仓库被黑，最吓人的是黑它的和救它的都是 AI

Hugging Face 第一次公开披露被自主 AI agent 端到端攻破：一个恶意数据集打穿生产集群，1.7 万条操作日志。而取证时商业模型 API 直接拒绝，最后靠开源模型本地跑。攻防两端全是 AI，这事跟每个给 agent 塞过 token 的人都有关。
2026-07-20

Ollama 拿了 8800 万美元，你还在白嫖它

890 万开发者在用的本地模型工具完成 B 轮融资，云端用量月月翻倍。免费会不会到头，Docker Desktop 的剧本会不会重演，靠它干活的人该盯哪几个信号，这篇一次聊清楚。
2026-07-19

2.8万亿参数刷屏的这周，拿第一的只有2B

Qwen 2.4T、Kimi 2.8T 刚刷完屏，面壁在 WAIC 一天双发，2B 的 MiniCPM5 拿下 4B 以下全球第一，还开源了具身机器人系列。参数竞赛的另一头，真正会跑进你手机和机器人的模型长什么样。
2026-07-19

Qwen3.8 官宣里最值得读的，不是 2.4T

阿里说新旗舰仅次于 Fable 5，还要开源。但权重只给了个「很快」，Preview 先进了自家订阅。从开源到闭源再到开源，这次回摆是被谁逼的，普通开发者又能从 2.4T 里薅到什么，这篇聊透。
2026-07-19

一个人干了四个月，把 16 家的语音模型塞进同一个库

whisper.cpp 之后，本地语音转录的生态碎了一地，每换一个模型就得换一套引擎。现在有人用 ggml 把 16 个模型族缝回一个库，Qwen3-ASR 和 SenseVoice 都在列。看完这篇，你就能在自己电脑上把会议纪要跑起来。
2026-07-18

Fable 5 永久进了订阅，用户为什么还在骂

Anthropic 官宣 7 月 20 日起 Fable 5 永久进 Max，看着是好消息，但同一天基础限额缩水三分之一，50% 的 Fable 配额是在缩水后的池子里划的。这篇把三档用户的账各算一遍，你对号入座就行。
2026-07-18

Kimi K3 冲到第三，这周真正的新闻不是它

八天四款前沿模型，能打的实验室从 2 家变 6 家，第一名领先缩到 1 分，智能的价格八天便宜了两三倍。写给被榜单轰炸的你，什么值得切，什么该等，怎么不被榜单牵着走。
2026-07-18

跑分 90 的搜索 agent，换套题只剩 34 分

BrowseComp 十个月从 30 分涨到 90 分，美团用 762 万实体的知识图谱重新出题，GPT-5.5 只考出 34.74%，上下文管理策略还集体失灵。做搜索和 deep research agent 的朋友，这份卷子值得亲自看一遍。
2026-07-17

75% 代码 AI 写的 Google，旗舰却卡在编码上

日历上画圈的 GA 日空了。Bloomberg 说 Gemini 3.5 Pro 卡在编码上，换了训练数据也没救回来，而 Google 内部 75% 新代码已是 AI 写的。旗舰的胜负手怎么变成了写代码，等模型的人该怎么选型，聊聊我的看法。
2026-07-17

刚为偷代码道歉的 xAI，现在想读你的邮箱

Grok 新功能定时任务全员免费，邮件触发付费才给。功能本身真不错，但邮件触发加连接器，刚好凑齐了 prompt 注入的致命三件套。哪些自动化能放心开、哪些要想清楚，这篇给你一份工程师的判断清单。
2026-07-17

Kimi K3 追到 Fable 身后了,而且它开源

全球最大开源模型一夜换人,权重却要 7 月 27 才放。参数你反正跑不动,真正跟你有关的是那张价格表,和藏在后面的生态算盘。看完再决定要不要把手头的 API 换过来。
2026-07-16

OpenAI 造了个专门攻破 AI 的 AI，你线上那个也没扛住

GPT-Red 是 OpenAI 训练的自动化红队模型，几乎攻破了它见过的所有现役模型。对抗训练把 GPT-5.6 的注入失败率压到六分之一，但没压到零。写 agent 的人该怎么办，我唠唠。
2026-07-16

偷传你代码的 Grok Build，这周把自己的 84 万行源码交出来了

上周还在删数据道歉，这周直接把整个编程 agent 开源。我跟着 Simon Willison 进仓库翻了翻，翻出了竞品工具的移植副本、一个宝藏渲染器，还有那段上传代码的残骸。
2026-07-15

Claude 每天对你说「你说得完全对」，有人受不了了

一个 hook 脚本把 Claude 的四句口头禅全替换成搞笑词。好笑归好笑，它治的是显示层，真想根治得往生成层动手。
2026-07-15

国行 Apple 智能备案了，最有意思的不是千问

苹果把自己的大模型送进了网信办备案名单，这在苹果历史上是头一次。拆一拆国行 Apple 智能的真实拼装形态，哪层是苹果的，哪层是千问的，两年到底卡在哪，你的国行 iPhone 接下来能拿到什么。
2026-07-15

阿里语音模型超了 GPT-Realtime，最狠的不是那个第一

Qwen-Audio-3.0-Realtime 登顶语音推理榜，但真正值得开发者看的是双工控制、把文本推理蒸馏进语音，以及官方自己贴出来的那张掉分表。
2026-07-14

598GB 压到 85GB，腾讯把旗舰模型塞进一张卡

295B 的 Hy3 官方量化版来了，一张 96GB 显卡就能跑。这篇把账算清楚，1bit 其实是几 bit、掉了多少能力、什么硬件跑得动、买卡和调 API 哪个划算，看完再决定要不要折腾。
2026-07-14

Claude 标价没动，你的账单悄悄涨了三成

Anthropic 给 Sonnet 5 和 Opus 4.8 换了新 tokenizer，同样的代码多切出三成 token，发票上却没有这个条目。有人用厂商自己的计费接口逐字节测了一遍，我带你把这笔账算清楚，顺便聊聊模型价格到底该怎么比。
2026-07-13

OpenRouter 周榜前五全是国产，登顶的不是 DeepSeek

腾讯 Hy3 发布 6 天冲上 OpenRouter 用量榜第一，但登顶这周它恰好免费。这篇把榜单的水分和真金分开算，看完你就会自己读这个榜，还能赶上 7 月 21 日前的白嫖窗口。
2026-07-13

GPT-5.6 比 Claude 贵 50%？他们查完发现锅在自己

Ploy 把生产 agent 的默认模型从 Opus 4.8 换成 GPT-5.6 Sol，只用了 48 小时。快 2.2 倍省 27% 只是开胃菜，真正值钱的是四个坑，评测偏心、参数造假、缓存翻车、推理回放，每个都附了能抄的修法。
2026-07-13

字节把 PS 的选区，塞进了提示词里

打点、画框、涂鸦，然后在提示词里 @ 出来，位置交给手，需求交给嘴。歸藏一手实测 Seedream 5.0 Pro 的可编辑交互，出租屋改造、商品图、海报排版全程不开 PS，顺带聊聊它离 GPT-Image 2.0 还差在哪。
2026-07-13

Fable 5 续期、Codex 解限，两家抢着送的不是模型

Anthropic 第三次续期 Fable 5，OpenAI 顺手摘掉 Codex 的 5 小时限制，都是临时的。两家在卖的其实是同一样东西，不被中断的连续工作时间。聊聊怎么把这一周换成评测集、工作流和交付物，而不是烧在聊天上。
2026-07-12

GPT-5.6 证明 50 年猜想，最值得抄的不是模型

循环双覆盖猜想悬了 50 多年，GPT-5.6 Sol Ultra 不到一小时给出完整证明。但真正的主角藏在 OpenAI 公布的提示词里，64 个并行子智能体加对抗验证的编排。这套思路不用等新模型，今天就能搬进你的工作流。
2026-07-12

你只是让它回个 OK，Grok 把整个仓库连 .env 一起传走了

有人拿 mitmproxy 把 xAI 官方编码 CLI 的流量扒了个底朝天，5.10 GiB 从未被读的代码全走了，关掉『改进模型』也拦不住。文末附一份今天就能跑的自查清单。
2026-07-10

Bun 敢让 AI 重写一百万行代码，底气不是模型

535,496 行 Zig，64 个 Claude 并行跑 11 天，全平台测试全绿后合并上线。拆一遍 Bun 官方复盘里的工程细节，对抗式审查、翻车现场、16 万美元账单，以及普通团队最该抄走的那一步。
2026-07-10

Devin 新模型 2 美元一次追平 GPT 5.5，底座是 Kimi

做 Devin 的 Cognition 发布 SWE-1.7，从 Kimi K2.7 基座 RL 出贴近 GPT 5.5 的编码水平，单次成本只要五分之一。后训练天花板被捅穿之后，前沿实验室的护城河还剩下什么，这篇一次聊透。
2026-07-10

25GB 内存跑 744B 模型，这哥们用 1300 行 C 干成了

一个人，一台 12 核 25GB 内存的笔记本，把完整的 GLM-5.2 跑了起来。拆一拆流式加载磁盘专家这套工程活妙在哪，冷启动 0.05 tok/s 和 370GB 磁盘的代价有多真实，以及这条路对普通开发者的真正价值。
2026-07-10

GPT-5.6 正式发布，最狠的不是跑分

Sol、Terra、Luna 三档齐发，ultra 默认四个 agent 并行，Codex 并入桌面应用连免费档都开放。跑分赢麻的口径里有什么门道，agent 连干几小时的账单和验收成本谁来付，这篇把发布页没细说的账摊开算一遍。
2026-07-09

你交的 Claude 订阅费，把 Anthropic 送去 IPO 了

SemiAnalysis 测算 Anthropic 三季度利润超 10 亿美元，6 月 1 日已秘密递交 IPO。第一个赚钱的 AI 实验室，收入大头来自写代码的人。定价权、生态绑定、模型往哪迭代，接下来都和你的账单有关。
2026-07-09

有人把 Claude 的设计系统扒了个底朝天：20 章提示词，14 个技能，MIT 开源

Anthropic 旗下 Claude Design 的系统提示词被反向工程 MIT 开源，20 章提示词加 14 个技能，最狠的 ai-slop-check 把 AI 味翻译成一条条可执行规则。
2026-07-09

一生一次的 Fable 5，大多数人可能用反了

窗口要关的不止这一个模型，下一个「一生一次」大概下个月就到。聊聊怎么让每个路过的最强模型都给你留下它下线之后还在的东西，以及为什么每份资产都得配一个你自己能跑的验证。
2026-07-08

AI 审计代理盯着 Cloudflare 密码学库，挑出了 7 个真漏洞

一个跑着 Opus 和 GPT 的审计代理，在 CIRCL 里找出 7 个真 bug，两个 Critical。AI 强在细心，弱在判断。
2026-07-08

AI agent 靠写代码出的名，结果 90% 的人拿它干别的

Anthropic 公布 Claude Cowork 120 万次会话数据，软件开发只占 8.7%，最大用途是业务运营和内容创作。「工作周围的工作」才是 AI agent 的真主场，同日 Cowork 开放移动端和网页端。
2026-07-06

Meta 雇了几百个成年人，假扮13岁小孩去套竞品 AI 的话

《连线》曝光 Meta 秘密项目 Cannes，外包人员批量伪装未成年人，用 4.5 万条精心设计的话术试探 ChatGPT、Gemini 和 Character.AI 的安全护栏，被测三家全不知情。
2026-07-03

月账单从 500 万涨到 1500 万后，大公司开始没收员工的旗舰模型

404 Media 曝光花旗、Adobe、Atlassian 等六家企业限制员工使用 Opus 4.7、GPT-5.5 等旗舰模型。账单翻三倍之后，节约 token 成了新的办公室美德。
2026-07-03

八个月，AI 把外包接单成功率从 2.5% 干到了 16.1%

CAIS 拿 240 个真实付费外包项目考 AI，最新一轮 Fable 5 拿下 16.1% 自动化率，八个月前最好成绩只有 2.5%。比数字更扎眼的是增速，还有它翻车的姿势。
2026-07-01

一个循环，让 GPT-5.5 和 Claude 攻破了 9 个未解难题

两个大模型接力，证明者出题、验证者挑错，解开 9 个理论 CS 与交换代数的公开难题，其中一个曾让研究者失眠两年。
2026-07-01

Sonnet 5 来了，中端模型追着旗舰打，价格只有六成

Anthropic 发布 Claude Sonnet 5，性能逼近 Opus 4.8 却更便宜，能自主跑长任务、还会自我检查，附一个会咬到账单的 tokenizer 坑。
2026-07-01

四秒一张图，谷歌把生图生视频打到白菜价

Nano Banana 2 Lite 四秒出图 0.034 美元一张，Gemini Omni Flash 一毛钱一秒视频，两条 API 就能串出生图到视频的流水线。
2026-06-30

美团甩出 1.6T 大模型 LongCat-2.0，价格还便宜到离谱

外卖公司美团甩出 1.6T 开源大模型，SWE-bench Pro 59.5 超 GPT-5.5，还全程跑在五万卡国产芯片集群上。
2026-06-29

Grok 4.5 私测于 SpaceX 和 Tesla，性能接近 Opus

马斯克一条推文塞了五个料：1.5T 的 V9 基座、Cursor 数据补训、SpaceX/Tesla 当压测场、每月从头训一个新模型。哪些是硬事实，哪些是听个响。
2026-06-28

假面试甩来一个测试仓库，他随手丢给 Claude，扒出了藏在补丁里的远控木马

一个开发者收到假面试邀约，对方甩来个 TypeScript 测试仓库让他跑通构建。他没在本地跑，丢给 Claude 一扫，扒出藏在补丁里的多层混淆后门。
2026-06-28

AI 账单比工资还高之后，他把流量 100% 切给了 DeepSeek

一家旧金山公司每月 AI 账单超过全员工资，CEO 把流量全切到 DeepSeek，背后是 token 经济学、模型路由与缓存这套省钱工程。
2026-06-28

四个顶级AI下场玩《文明VI》：Claude核平法国，却输在没回头看一眼

一个周末搭出76个工具，把四个顶尖模型扔进《文明VI》，暴露了和聪不聪明无关的两堵墙：感知与执行。
2026-06-26

最强模型被政府按住了：GPT-5.6 太会找漏洞，OpenAI 被叫停广泛发布

美国第一次在 AI 模型发布前出手，要 OpenAI 暂缓 GPT-5.6，改成受控预览、逐客户审批。不是它不安全，是它太会自动找漏洞、写攻击，和 Mythos 一个量级。
2026-06-25

思考即回忆：推理如何解锁大模型里沉睡的知识

Google Research 拆解了一个反直觉现象：让模型先想一想，它居然能答对本来想不起来的简单事实。背后是计算缓冲和事实启动两套机制。
2026-06-24

Anthropic 推出 Claude Tag：在 Slack 里 @Claude，它能自己干上几天活

让 Claude 当团队成员加入 Slack，@它就能委派任务，还能异步自主跑上几天。
2026-06-24

ChatGPT 语音终于能被打断了：OpenAI 双向语音模型 Bidi 1 上线测试

Bidi 1 把语音从一人一句的对讲机，推向边说边听、随时插话改口的全双工，这才是真人聊天的质感。
2026-06-23

OpenAI 把矛和盾交给了同一个模型

OpenAI 发布 Daybreak 安全套件，Codex Security 与 GPT-5.5-Cyber 把同一套强模型同时摆上攻防两端，最难的不是训练，是钥匙交给谁。
2026-06-22

美团偷偷上线一个 App，免费白嫖 GPT-5.5 和 Claude Opus 4.8

美团 tabbit 国际版免费接入六家旗舰大模型，这是一场把战场从胃挪到脑子的入口补贴战，趁窗口期薅。
2026-06-20

微软闷声当上全球最大 AI 中间商，左手 GPT 卖中国，右手 DeepSeek 卖西方

彭博社爆料，微软左手把 OpenAI 模型卖给字节蚂蚁们，右手把 DeepSeek 反向卖给西方客户，在 Azure 上两头收过路费。聊聊这盘双向贸易背后的云经济学、模型蒸馏与商品化。
2026-06-19

Claude 单挑四足机器人，这次它把人类团队甩开了 20 倍，全程没人帮忙

Anthropic 重做 Project Fetch，Claude Opus 4.7 全程无人协助，9 分 35 秒干完人类六小时的活，却在最像狗的那一步栽了。
2026-06-19

DeepSeek 研究员开源 AutoResearch，AI 第一次零干预跑通 285B 模型的研究全流程

他的代理第一次零人工干预跑通 285B 模型的强化学习研究全流程。最硬的不是模型，是一整套防打转、防停摆、带心跳看门狗的工程脚手架。
2026-06-17

GLM-5.2 开源：国产模型在 Code Arena 干到全球第一

智谱 MIT 开源 GLM-5.2，专攻 Coding 与长程任务：Code Arena 盲测全球第一，1M 无损上下文，多项基准介于 Claude Opus 4.7 与 4.8 之间。
2026-06-16

伯克利 RDI 发布 Agents' Last Exam 基准：最强 agent 在最难一档拿了 0 分

他们做了个考 AI agent 真本事的基准，最难那档所有前沿模型包括 Fable 5 全军覆没，0% 通过。
2026-06-16

DeepSeek 首次接受外部融资，估值超 500 亿美元

一向不缺钱不融资的 DeepSeek 破例了，74 亿美元、估值过 500 亿，但交易结构反常到离谱。
2026-06-16

你的大模型为啥突然快了，下一代投机解码 DFlash 拆给你看

LMSYS 联合 Z Lab、Modal 发布下一代投机解码 DFlash 与 Spec V2，把大模型推理提速 4 倍背后的机制拆开讲清楚。
2026-06-15

美国下令封锁最强模型 Mythos，就因为它能帮你读代码修 bug

美国政府以国家安全名义下令 Anthropic 封锁所有外国人访问 Fable 5 和 Mythos 5。理由不是模型作恶，而是它能读代码、修 bug。聊聊 AI 能力的可获得性有多脆弱。
2026-06-14

他让一个 Fable 当总包工头，把编码 token 砍掉八成

一个开源项目把贵模型和便宜模型分了工，Fable 只规划和验收，Codex 埋头写码，仓库本身当记忆。
2026-06-14

OpenRouter Fusion：让一堆大模型先开个会，再把答案半价卖给你

OpenRouter 新出的 Fusion 不是新模型，是让几个顶级模型先并行作答再交叉裁判，号称半价达到 Fable 级智能。到底是真本事还是营销话术，我看完跟你唠唠。
2026-06-13

200 美元的 AI 订阅，他们硬是榨出了 8000 美元的用量

SemiAnalysis 实测，200 美元的 Claude Max / ChatGPT Pro 按 API 价能榨出 8000/14000 美元用量，这 70 倍差价背后是怎样一笔账。
2026-06-12

他离开电脑几分钟，回来看见 AI 在自己开浏览器

Simon Willison 给了 Claude Fable 5 一张截图和一行提示词，然后去干家务。回来时它已经自己打开浏览器、自建截屏方案、改模板注入快捷键、还写了个本地服务器收数据。修复只有两行 CSS。
2026-06-12

他们让 AI 打了 21 局核战争，投降按钮从头到尾没人碰

伦敦国王学院的战争学教授让 Claude、GPT、Gemini 推演核危机，几乎每局都有模型先扔核弹，八个让步选项无一被使用。
2026-06-10

Anthropic 昨晚发了两个模型，其实是同一个

Claude Fable 5 和 Mythos 5 同时发布，同一个底层模型、两个名字，区别只有一层防护。这个发布结构本身，比跑分更值得琢磨。
2026-06-10

Fable 5 已经进了你的 Claude Code，这两周怎么用才不亏

Fable 5 又慢又贵，但用对了是真值。切换方法、effort 档位的经济学、三个让它好使的习惯、以及那个会悄悄换人的安全分类器，一篇捋清楚。
2026-06-10

国产 GPU 上训出来的代码模型，跑分把 Claude Opus 比下去了

摩尔线程开源 MusaCoder，业内首个在国产 GPU 上完成全链路训练的代码大模型，KernelBench 跑分超越一票闭源旗舰。比跑分更有意思的，是它背后那个用 AI 撬生态冷启动的故事。
2026-05-22

图灵测试搞了 76 年，这回 AI 真把人骗过去了，还比真人更像人

GPT-4.5 在图灵测试里被裁判判成人类的比例高达 73%，比真人还高。76 年后 AI 第一次被实证通过这道测试，而它赢的关键不是聪明，是学会了像人一样犯错。
2026-05-22

400 tokens/s，国产大模型第一次把旗舰能力和极速一起做到了

智谱给旗舰模型 GLM-5.1 开了高速版，输出冲到每秒 400 个 token，刷新全球纪录。更关键的是它没换硬件，靠把推理调度抠到骨头里，第一次让快不再等于小。
2026-05-20

起个大早赶晚集的 Google，昨晚甩出了一个世界模型

Google I/O 2026 发布 Gemini Omni 世界模型，从任意输入生成任意内容，外加搜索、订阅、开发者平台全线更新。
2026-05-20

一句「吴恩达说可以」，就能让大模型乖乖骂你

沃顿团队把经典人类说服术原样搬给大模型，权威、稀缺、登门槛全部奏效，顺从率从三成多冲到五成，最狠一招直接拉满。论文已登上 PNAS。
2026-05-19

Cursor Composer 2.5 来了：同等能力 10 倍效率，底座和 Kimi K2.5 同源

Cursor 发布 Composer 2.5，在长任务持续性和复杂指令遵循上大幅提升，最让我感兴趣的是底层的文本反馈 RL 训练方法，以及它和 Kimi K2.5 之间那条意想不到的开源链条。
2026-05-19

机器人的小脑，被做成了 4 亿参数的大模型，还全开源了

地平线开源 HoloMotion-1，把机器人小脑做到 4 亿参数还能端侧 300FPS，零样本跳舞搬箱，代码论文权重全给了。
2026-05-19

这个月开源模型爆了：DeepSeek V4、Gemma 4、Kimi K2.6、MiMo 2.5 一起来了

五月的开源模型赛道炸开了锅——DeepSeek V4、Gemma 4、Kimi K2.6、小米 MiMo 2.5、GLM-5.1 密集发布。但美国 CAISI 的评估报告同时出来了，说开源和闭源的差距在扩大。真实情况比这复杂。
2026-05-18

你用的「便宜 Claude」，真的是 Claude 吗

开源工具 api-relay-audit 把 AI API 中转站的安全风险拆给你看：掺水、工具调用改写、错误响应泄漏……你以为省了钱，可能正在付更大的代价。
2026-05-18

5 天击穿苹果 5 年防线：Claude Mythos 如何帮安全团队破解了 M5 内核

Anthropic 未公开的 Claude Mythos Preview，协助小型安全团队 Calif 在 5 天内构建了全球首个绕过 Apple M5 MIE 硬件内存防护的内核提权利用链。这不只是一个漏洞被找到的故事，而是攻防速度差从此变了的信号。
2026-05-18

AI 越记越笨，GPT-4 从满分跌到 54% 的记忆陷阱

UIUC 与清华联合研究发现，LLM 智能体的记忆重写机制会严重损害可靠性——GPT-4 无记忆时 100% 解对的谜题，加上记忆后只剩 54%。这个结果挺值得每个做 agent 的人看一眼。
2026-05-14

AI 自己把漏洞变成攻击了，伯克利、Anthropic、OpenAI、Google 刚刚量化了这件事

ExploitGym 基准测试 898 个真实 CVE，Claude Mythos Preview 成功利用 157 个，即便开启 ASLR 等标准防御措施仍无法完全阻止。AI 独立完成漏洞利用链这件事，不再是假设。
2026-05-14

Kimi K2:460 万美元，赢了

Moonshot AI 创始人杨植麟在 40 分钟视频里平静拆解了 Kimi K2 的训练，460 万美元打败了 GPT-5.5，规则正在改变。
2026-05-14

你用 ChatGPT 越认真，Meta 对你越了解——除非你用这个

OpenAI 被诉用 Facebook Pixel 把用户查询偷发给 Meta，偏偏同一天，Meta 发布了连自己都看不到的加密 AI 对话——这个时间点，太妙了。
2026-05-14

你用 ChatGPT 越努力，Meta 对你了解越多

南加州联邦法院受理集体诉讼，指控 ChatGPT 用 Facebook Pixel 将用户查询实时发给 Meta。一个炸穿底线的隐私丑闻，被淹没在产品发布的噪音里。
2026-05-11

TypeScript 大神把 .claude 目录公开了，里面 8 条工程师心法值得每个程序员抄

Matt Pocock 公开自己 .claude/skills 目录变成 mattpocock/skills 仓库，4.8 万 star，GitHub trending 6 天。13 个 skills 不是模板，是一个真实工程师怎么把 AI 嵌进日常工作流的范式样本。挑 8 条最猛的拆开给你看。
2026-05-10

Redis 之父一个人写了个 DS4，DeepSeek V4 在 Mac 上跑 26 tok/s

antirez 5 月 7 号在 GitHub 发了 DS4——专门给 DeepSeek V4 Flash 在 Apple Silicon 上做推理的 C+Metal 引擎。M3 Max 128GB 上 Q2 量化 26 tok/s @ 50W。一个程序员 + AI 协作 + 3 个月，专用引擎打 generalist runtime。这是单兵 hacker 的复兴时刻。
2026-05-10

菲尔兹奖得主用 ChatGPT 5.5 Pro 两小时干完博士级数学研究，连 prompt 都没怎么改

Timothy Gowers 把一个 open problem 直接丢给 GPT 5.5 Pro，2 小时后拿回了一个把 bound 从 exponential 改进到 polynomial 的非平凡结果。Gowers 自评「I didn't even do anything clever with the prompts.」同行评说核心 idea 「completely original」。

Claude Code AI 编程 Agent 工程 Skill 与 MCP 开源 AI 安全评测与基准图像、视频与语音行业与公司机器人与自动驾驶算力与本地部署