[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"aihot-daily-2026-06-26":3},{"daily":4,"dates":257},{"bizDate":5,"vertical":6,"leadText":7,"top":8,"sections":9},"2026-06-26","ai","今天的主线是 AI 代理从开发者工具变成了全公司工具：OpenAI 内部论文揭示，Codex 一年内在法务、财务、招聘等非技术部门用量飙升 137 倍，人均每天跑着 71 小时代理任务，同日手机端上线、接入 DigitalOcean 云开发环境；谷歌开放 Gemini 3.5 Flash Computer Use，AI 直接接管浏览器与桌面——代理已进了每一张办公桌。但这轮扩张在地缘政治那里撞了墙：Anthropic Mythos 因出口管制断供欧洲，欧盟已与白宫展开外交磋商，谁能用顶级 AI 正在成为大国谈判桌上的筹码；同日 OpenAI 联手博通推出自研推理芯片，加速摆脱对英伟达的依赖。今天先看这三条：Codex 内部论文、Mythos 出口管制谈判、OpenAI 博通芯片。",null,[10,47,109,163,213],{"no":11,"count":12,"en":13,"arts":14,"zh":46},"01",4,"MODEL RELEASES",[15,24,32,38],{"heat":16,"score":17,"src":18,"lab":19,"body":20,"title":21,"analysis":22,"url":23},1,70,"X：Google DeepMind (@GoogleDeepMind)","X 官方账号","Gemini 3.5 Flash 上线内置 Computer Use 工具，可跨浏览器、移动端和桌面自主操作。","Google DeepMind：Gemini 3.5 Flash支持原生计算机控制，可跨浏览器移动桌面操作","Google DeepMind 官方宣布 Gemini 3.5 Flash 正式支持原生 Computer Use 能力，让开发者可以构建能「看见」并「操作」真实用户界面的 AI 智能体。\n\n· 内置工具支持三大界面：浏览器、移动端（Android）和桌面操作系统，覆盖主流操作场景。\n· 原生集成意味着不需要借助第三方截图-识别-点击框架，模型直接理解当前屏幕状态并执行操作。\n· 支持长期任务执行（long-horizon tasks），智能体可以跨步骤维持目标而不需要人工介入中间状态。\n· 提供提示词注入防护和 action-level 安全策略，是对「AI 操作真实系统」安全风险的正式响应。\n· HITL（人工接管）接口可自定义，企业可在关键操作节点插入人工确认。\n\n影响\u002F看点：Computer Use 的官方原生支持是「桌面 AI 智能体」从实验走向生产的重要信号。结合 Gemini 3.5 Flash 的低成本定位，开发者可以较低门槛构建 QA 自动化、业务流程机器人等应用。","https:\u002F\u002Fx.com\u002FGoogleDeepMind\u002Fstatus\u002F2070180509523546481",{"heat":16,"score":25,"src":26,"lab":27,"body":28,"title":29,"analysis":30,"url":31},60,"MarkTechPost","综合资讯","百度开源 Unlimited OCR，3B MoE 模型一次前向解析多页文档，R-SWA 使 KV 缓存恒定，OmniDocBench 得分 93.23，MIT 许可。","百度开源 Unlimited OCR：3B MoE 模型长文档解析 KV 缓存恒定，MIT 许可","百度开源了一个专门解决长文档OCR效率瓶颈的3B参数MoE模型，在内存开销和精度上做出了务实的工程权衡。\n\n· Unlimited OCR使用Reference Sliding Window Attention（R-SWA）机制：无论文档有多少页，KV缓存保持恒定，内存占用和推理延迟不随输出增长而增加——这直接解决了传统OCR处理长PDF时内存爆炸的痛点。\n· 精度表现竞争力强：在OmniDocBench v1.5基准上得分93.23，超越DeepSeek OCR基线6.22个百分点，在同类开源模型中处于第一梯队。\n· 全模型MIT协议在Hugging Face开源，3B规模意味着边缘设备或轻量私有化部署均可使用，服务器门槛约为单张中端GPU，与闭源商业OCR方案相比成本优势明显。\n· 模型支持一个forward pass处理几十页文档，而非多次分段推理后拼接，减少了分段边界信息丢失和拼接错误。\n\n影响\u002F看点：对需要在本地或私有化环境中处理长文档的团队（金融报告、合同审查、学术文献解析），这个模型提供了精度与效率兼顾的开箱即用选项；MIT协议意味着商业使用无障碍，可直接集成进现有文档处理流水线。","https:\u002F\u002Fwww.marktechpost.com\u002F2026\u002F06\u002F24\u002Fbaidu-releases-unlimited-ocr-a-3b-model-that-keeps-the-kv-cache-flat-for-long-document-parsing\u002F",{"heat":16,"score":33,"src":26,"lab":27,"body":34,"title":35,"analysis":36,"url":37},57,"DeepReinforce发布Ornith-1.0，9B至397B-MoE四种规格MIT开源，模型通过RL学习自己编写执行框架，旗舰版基准超越Claude Opus 4.7。","Ornith-1.0开源：从9B到397B-MoE的代码智能体模型，能自学RL执行框架","DeepReinforce发布了一套以「让模型学会自己写执行框架」为核心创新的开源代码智能体模型，旗舰版规模达397B，真正的差异化不在规模，而在训练范式。\n\n· Ornith-1.0涵盖四个规模：9B Dense、31B Dense、35B MoE、397B MoE，全部MIT协议在HuggingFace开源，基于Gemma 4和Qwen 3.5后训练，商业使用无障碍。\n· 核心创新：传统代码Agent将模型与人工设计的固定执行框架（harness）配对；Ornith-1.0通过强化学习让模型在训练时自己编写执行框架，框架逻辑和具体解法联合优化，打破了「框架固定、模型学习」的传统范式。\n· 基准表现：397B旗舰版超越Claude Opus 4.7在主要编码基准的成绩，但尚未超越Opus 4.8或GLM-5.2-744B；设有三层防奖励作弊机制确保训练稳定性。\n· 部署门槛友好：9B版约19GB（bf16），单张80GB GPU可服务；所有版本暴露OpenAI兼容端口，主流Agent框架无需修改代码即可接入。\n\n影响\u002F看点：Ornith-1.0为不愿完全依赖云端服务的团队提供了可用的本地代码智能体基线；「让模型学会写自己的框架」这一设计思路，若被更大规模实验验证，可能影响未来Agent训练范式的演进方向，值得持续关注。","https:\u002F\u002Fwww.marktechpost.com\u002F2026\u002F06\u002F25\u002Fdeepreinforce-releases-ornith-1-0-an-open-source-coding-model-family-that-learns-its-own-rl-scaffolds\u002F",{"heat":16,"score":39,"src":40,"lab":41,"body":42,"title":43,"analysis":44,"url":45},56,"X：AK (@_akhaliq)","X 媒体 \u002F KOL","Wan-Streamer v0.1 发布，支持端到端实时交互式生成，实现流式输出与用户即时交互。","Wan-Streamer v0.1发布：端到端实时交互式基础模型","Wan-Streamer v0.1 发布，主打端到端实时交互——不同于批量推理模型，它旨在以基础模型形式支撑实时人机交互场景，是具身 AI 与实时对话领域的重要技术前置组件。\n\n· 「端到端实时」意味着感知→推理→输出的完整链路在单一模型内完成，不依赖分段拼接架构，延迟更低。\n· 交互式基础模型（Interactive Foundation Model）是 AR\u002FVR、具身机器人、实时语音助手等场景的关键前提。\n· v0.1 版本为早期阶段，约 4 分 40 秒的演示视频展示了其实时交互能力雏形（发布后 53K+ 观看）。\n\n影响\u002F看点：实时交互是 AI 落地的核心瓶颈之一，Wan-Streamer 的出现说明已有研究团队在做基础模型级别的系统性突破；早期版本值得开发者关注，后续迭代节奏将决定其实际价值。","https:\u002F\u002Fx.com\u002F_akhaliq\u002Fstatus\u002F2070185392192585843","模型发布\u002F更新",{"no":48,"count":49,"en":50,"arts":51,"zh":108},"02",8,"PRODUCT LAUNCHES",[52,59,66,74,81,88,95,102],{"heat":16,"score":53,"src":54,"lab":19,"body":55,"title":56,"analysis":57,"url":58},69,"X：OpenAI Developers (@OpenAIDevs)","Codex在ChatGPT移动端正式GA，支持手机与开发机一对一配对，可远程启动任务、审查输出并审批操作。","OpenAI Codex正式登陆ChatGPT移动端，支持手机远程操控开发机","OpenAI正在将Codex从开发者专用工具扩展为移动端可控的异步智能体平台，这意味着开发者可以真正「随时随地」督导AI代理完成任务。\n\n· Codex在ChatGPT移动App正式GA，支持手机与电脑一对一设备配对，配对采用专属链接确保安全性，避免多设备混连导致的权限风险。\n· 移动端新功能包括：任务通知推送、目标设定、侧边聊天、文件预览及内联审阅评论，让开发者能在手机上完整跟踪并审批Codex的每一步操作，不必守在电脑旁。\n· 实际计算仍在笔记本、Mac mini或开发机上运行，手机端作为监控与控制台——这种「手机遥控」模式打破了必须坐在桌前才能推进开发的限制。\n· 从预览版到GA标志着OpenAI认为产品可靠性已达商业发布标准，移动端支持也体现「AI代理随身跑」的长期产品战略。\n\n影响\u002F看点：这是Codex从「开发者工具」向「异步工作智能体」转型的关键节点；手机端审批能力缓解了对AI自主执行的顾虑，可能加速Codex在代码审查、测试监控等非核心开发场景的落地。","https:\u002F\u002Fx.com\u002FOpenAIDevs\u002Fstatus\u002F2070254532911882707",{"heat":12,"score":60,"src":61,"lab":19,"body":62,"title":63,"analysis":64,"url":65},66,"X：Google AI for Developers (@googleaidevs)","Google 正式开放 Gemini 3.5 Flash Computer Use 工具，开发者可构建跨界面 AI 智能体。","Gemini 3.5 Flash Computer Use 工具正式开放","Google AI 官方账号正式宣布 Gemini 3.5 Flash 的 Computer Use 工具现已开放，让 AI 智能体可以直接操控浏览器、移动端和桌面环境完成复杂任务。\n\n· 新功能让智能体能「观察并操作」真实界面，而非只停留在文本对话层面，是从聊天助手到自动化执行者的关键跃升。\n· 所有函数调用均附带 intent arguments，帮助开发者和审计系统理解智能体每一步操作的意图。\n· 可配置的客户端函数支持人工介入（HITL），企业可在敏感操作节点插入人工确认节点。\n· 内置提示词注入检测，防止恶意网页内容劫持智能体行为，是当前 Computer Use 最主要的安全风险点。\n· 适用场景包括：自动化 QA 测试、表单填写、业务流程机器人、跨平台数据采集。\n\n影响\u002F看点：Gemini 3.5 Flash 以相对低廉的成本提供 Computer Use，将大幅降低 RPA（机器人流程自动化）替代方案的门槛。对中小团队来说，用 AI 接管重复性操作任务的时机已经成熟。","https:\u002F\u002Fx.com\u002Fgoogleaidevs\u002Fstatus\u002F2070175289481576777",{"heat":16,"score":67,"src":68,"lab":69,"body":70,"title":71,"analysis":72,"url":73},65,"Claude Code GitHub Releases","官方网站","Claude Code v2.1.193新增Bash命令自动分类路由、权限拒绝原因显示、OTEL助手响应日志及Bash模式实时路径补全。","Claude Code v2.1.193发布：新增Bash命令自动分类与OTEL响应日志","Claude Code v2.1.193带来了多项对企业部署和安全控制有实际价值的改进，折射出Anthropic对「团队规模使用」场景的持续投入。\n\n· 新增autoMode.classifyAllShell设置：可将所有Bash\u002FPowerShell命令（而非只有高风险模式）路由进自动分类器，企业部署时可更精细控制哪些命令需要用户确认，降低误操作风险。\n· 权限拒绝透明化：被拒操作现在在操作记录、弹窗和\u002Fpermissions界面显示具体原因，方便团队诊断权限配置而非盲目试错。\n· OTEL助手响应日志（claude_code.assistant_response）默认脱敏，需显式设置OTEL_LOG_ASSISTANT_RESPONSES=1才启用；已开启prompt日志的团队升级后会自动接收响应内容，需注意并按需设置=0。\n· Bash模式新增实时路径补全、MCP认证401\u002F403自动重连、后台代理幽灵会话修复等，日常使用体验得到明显改善。\n\n影响\u002F看点：本次更新的安全控制和可观测性增强，对团队和企业规模的Claude Code部署更有价值；OTEL响应日志的默认脱敏策略也体现了Anthropic在企业数据隐私上的一贯谨慎态度。","https:\u002F\u002Fgithub.com\u002Fanthropics\u002Fclaude-code\u002Freleases\u002Ftag\u002Fv2.1.193",{"heat":75,"score":76,"src":54,"lab":19,"body":77,"title":78,"analysis":79,"url":80},2,64,"Codex 接入 DigitalOcean 插件，一句提示即可启动持久云开发环境，离开后仍后台运行。","OpenAI官方：Codex支持一键在DigitalOcean启动持久云开发环境","OpenAI 官方宣布 Codex 现已支持通过 DigitalOcean 插件一键启动持久云开发环境，让 AI 智能体可以在云端独立执行开发任务，用户离开后任务照常运行。\n\n· 核心变化：Codex 不再局限于本地环境或临时沙盒，而是可以直接在用户的 DigitalOcean 账户下启动一个真实的持久环境。\n· 用一句自然语言提示即可完成环境启动，无需手动配置服务器、SSH、端口等细节。\n· 持久性意味着任务不受用户在线状态约束，适合跑测试、构建流水线、长期代码生成等耗时任务。\n· 该能力依托 DigitalOcean 官方插件，费用直接走用户自己的云账户，OpenAI 不额外代管基础设施。\n· 这是 Codex 向「委托式 AI 开发」演进的重要一步：从对话式辅助到异步自主执行。\n\n影响\u002F看点：对独立开发者和小团队而言，这意味着可以把 Codex 当成一个「夜间值班工程师」，交代任务后第二天看结果。云端持久环境集成是 AI 编程工具实用化的关键环节。","https:\u002F\u002Fx.com\u002FOpenAIDevs\u002Fstatus\u002F2070261549391024403",{"heat":16,"score":82,"src":83,"lab":19,"body":84,"title":85,"analysis":86,"url":87},63,"X：Runway (@runwayml)","Runway Agent 2.0发布：从一句提示自动生成完整营销简报和活动素材，支持跨平台、格式和市场扩展。","Runway Agent 2.0发布：从一句提示到完整营销素材全自动生成","Runway将AI视频生成能力向上游延伸，推出面向创意工作者的自动化营销内容生产智能体，正在从「模型工具」转向「创意工作流平台」。\n\n· Runway Agent 2.0定位为创意工作的自主智能体：输入一句话提示，Agent可自动生成完整的营销简报、活动素材和创意脚本，而不仅仅是单张图或短片。\n· 新增「表现数据分析」功能：用户可直接在Runway内分析素材在各平台的表现数据，并基于数据指导下一轮创意优化，形成「生成-分析-迭代」的完整闭环。\n· 支持跨平台、格式和市场的一键扩展：同一套创意可自动适配不同广告平台尺寸、不同语言市场的素材版本，大幅降低大规模分发的人工成本。\n· Runway将Agent定位为「最强大的自主智能体，用于真实世界的工作」，这一措辞标志着公司从模型供应商向全流程工作自动化的战略转型。\n\n影响\u002F看点：Agent 2.0让品牌和创意公司使用AI的门槛进一步降低，从生成单一素材进化到生产完整内容策略；但真正的护城河在于数据分析反馈闭环，这是纯模型提供商难以复制的差异化能力。","https:\u002F\u002Fx.com\u002Frunwayml\u002Fstatus\u002F2070215480401604954",{"heat":16,"score":89,"src":90,"lab":69,"body":91,"title":92,"analysis":93,"url":94},62,"Midjourney Updates","Midjourney草稿模式支持--sref random参数，一次生成24张随机风格图，以一半价格快速探索风格空间。","Midjourney草稿模式支持随机风格参数，24张不同风格图像一键生成","Midjourney正在用草稿模式降低创意探索的成本，让用户能以传统方式一半的价格快速覆盖更大的风格空间。\n\n· 新增--sref random参数：在V8.1草稿模式中使用该参数，Midjourney一次生成24张采用不同随机风格的图像，而非默认的4张固定风格。\n· 草稿模式本身是低成本选项：生成24张低分辨率草稿的价格仅为标准4张高质量图的一半，满意后点「Vary」升级为全分辨率，适合创意初期的快速试错。\n· --sref random相比手动逐一测试风格参数效率大幅提升：探索风格空间的速度约为之前的24倍，适合从零开始寻找视觉调性的项目阶段。\n· 配合同期更新的V8.2 --preview参数，用户可提前体验新版本的美学效果，两者结合为从风格发现到最终出图提供了更流畅的工作流。\n\n影响\u002F看点：对创意从业者，快速风格探索意味着可在更短时间内找到最适合项目调性的方向；Midjourney通过这类功能在「创意效率」维度持续深挖，与其他图像生成平台建立差异化壁垒。","https:\u002F\u002Fupdates.midjourney.com\u002Frandom-styles-in-draft-mode\u002F",{"heat":16,"score":96,"src":97,"lab":69,"body":98,"title":99,"analysis":100,"url":101},61,"NVIDIA Technical Blog","英伟达 ACE 方案落地 PUBG：KRAFTON 用 AI 打造超越固定对话树的动态 NPC 同伴 Ally。","NVIDIA ACE案例：KRAFTON为PUBG打造AI同伴Ally，超越固定对话树","英伟达 ACE 技术栈在 PUBG: BATTLEGROUNDS 中的落地案例正式公开：KRAFTON 用 NVIDIA ACE 构建了 AI 游戏同伴 Ally，摆脱了传统固定对话树和脚本行为树的局限。\n\n· 传统游戏 AI NPC 依赖设计师预先编写行为树和台词树，场景外的话题或行为根本无法应对。\n· PUBG Ally 基于 ACE 的多模态感知和语言生成能力，能够理解玩家的自然语言输入并给出上下文相关的回应。\n· 系统支持实时语音交互，Ally 不仅是信息查询助手，还可在游戏过程中作为策略搭档进行沟通。\n· 英伟达 ACE 提供了从语音识别、自然语言理解到角色音色合成的完整技术栈，KRAFTON 在此基础上做了游戏场景的定制化适配。\n· 这是 ACE 在大规模商业游戏中的首个公开落地案例，信号意义强于单纯的技术展示。\n\n影响\u002F看点：游戏 AI 是 NPC 智能化最直接的消费端落地场景，PUBG 的量级（全球数亿玩家）使这次案例具有行业示范效应。下一步看点是 AI 同伴能否从「有趣的附属功能」升级为「影响购买决策的核心体验」。","https:\u002F\u002Fdeveloper.nvidia.com\u002Fblog\u002Fhow-krafton-built-pubg-ally-a-co-playable-character-powered-by-nvidia-ace\u002F",{"heat":16,"score":25,"src":103,"lab":19,"body":104,"title":105,"analysis":106,"url":107},"X：OpenRouter (@OpenRouter)","OpenRouter MCP 上线，AI 智能体可实时调用最新模型性能数据，按任务动态切换最优模型。","OpenRouter MCP 上线：智能体可实时动态切换最优模型","OpenRouter 正式推出 MCP（Model Context Protocol）集成，让 AI 智能体能够在任务执行过程中实时查询模型能力、价格和性能数据，从而动态选择最适合当前任务的模型。\n\n· 当前 AI 智能体的模型选择依赖训练时的静态知识，往往无法感知模型市场实时动态（新模型发布、价格变化、性能更新）。\n· OpenRouter MCP 提供实时模型情报接口，智能体可在工具调用层动态查询「现在哪个模型最适合这个任务」。\n· 演示视频展示了智能体自动比对模型价格、延迟和能力，并在不同任务阶段切换不同模型的完整流程。\n· 对于混合任务（如先检索再推理再生成图像），每个子任务都可以独立选择成本与质量最优的模型。\n· 与 OpenRouter 现有模型聚合能力深度整合，无需开发者手动维护模型列表和路由逻辑。\n\n影响\u002F看点：AI 智能体的「模型即工具」时代正在形成，动态模型选择能力是智能体走向生产环境的重要一步。OpenRouter 通过 MCP 将自身从模型代理商升级为智能路由层，商业位置更重要。","https:\u002F\u002Fx.com\u002FOpenRouter\u002Fstatus\u002F2070160491360780798","产品发布\u002F更新",{"no":110,"count":49,"en":111,"arts":112,"zh":162},"03","INDUSTRY",[113,119,125,131,138,145,151,157],{"heat":16,"score":60,"src":114,"lab":27,"body":115,"title":116,"analysis":117,"url":118},"Ars Technica AI","OpenAI 联合博通宣布推出专为大规模 LLM 推理优化的定制芯片，加入自研硅战场以应对算力需求压力。","OpenAI 联合博通发布专为大规模 LLM 推理设计的定制芯片","这是外媒 Ars Technica 对 OpenAI 与博通联合发布推理芯片 Jalapeño 的报道，从第三方视角解读这次合作的分量，适合用来对照官方口径、理解事件在行业里的真实位置。\n\n· 事件核心：OpenAI 与老牌硅片供应商博通共同推出名为 Jalapeño 的芯片，专为数据中心里的大语言模型推理设计。\n· 芯片性质：这是一颗从零设计的 ASIC（专用集成电路），基于博通与 OpenAI 研究人员的深入交流、并参照 OpenAI 未来模型与产品路线图打造，设计到投产历时九个月。\n· 卖点定位：相比现有数据中心通用的推理系统，它对当下 LLM 的需求更专、更对口。\n· 性能口径：OpenAI 称早期测试显示每瓦性能将大幅超越业界最高水平，但媒体强调官方尚未测完，详尽技术报告要等未来数月。\n· 长期规划：双方称这只是首代，是一个会逐代打磨的长期项目。\n\n影响\u002F看点：第三方报道的克制态度提醒外界，性能优势目前仍是厂商单方说法、有待独立验证；但「ASIC 专攻推理、九个月成型、多代规划」本身已是重信号，意味着头部 AI 公司正加速摆脱对通用 GPU 的依赖。最终性能以官方技术报告为准。","https:\u002F\u002Farstechnica.com\u002Fgadgets\u002F2026\u002F06\u002Fopenai-and-broadcom-announce-chip-designed-for-llm-inference-at-scale\u002F",{"heat":16,"score":60,"src":120,"lab":19,"body":121,"title":122,"analysis":123,"url":124},"X：OpenAI (@OpenAI)","OpenAI官方公布内部论文：Codex已渗透法务、财务、招聘等所有部门，正以智能体方式全面重构各类办公工作。","OpenAI官方：Codex正在全面改变公司各部门工作方式","OpenAI以内部论文形式公开了一个信号：智能体办公自动化并非未来愿景，而已经在全球顶级AI公司的日常运作中真实发生。\n\n· 官方数据显示，Codex现在已渗透到法务、财务、招聘、客户支持等所有部门，不再只是工程师的工具——AI代理化办公已是OpenAI的现实。\n· 核心数据令人震惊：Codex产生99.8%的内部输出tokens，非开发者个人用量自2025年8月以来增长137倍，组织级使用增长189倍。\n· 重度用户平均每天运行约71小时的代理任务，意味着Codex在用户睡觉时仍在持续工作；28.6%的用户同时管理5个以上并发agent，「监督者」角色正在取代「执行者」角色。\n· OpenAI将此归结为工作性质的根本转变：工作变得更长期、更复杂、更跨职能，人类从任务执行者转型为智能体协调者。\n\n影响\u002F看点：这是目前公开披露的最大规模「AI原生企业」运作数据，对衡量Agent在真实商业环境中的落地程度具有重要参照价值；它也预示着「谁最先在全体部门部署Agent」将成为企业效率竞争的新维度。","https:\u002F\u002Fx.com\u002FOpenAI\u002Fstatus\u002F2070196105745518913",{"heat":16,"score":67,"src":126,"lab":27,"body":127,"title":128,"analysis":129,"url":130},"Bloomberg Technology","欧盟在 Anthropic Mythos 模型遭美国出口管制后，已与白宫展开外交磋商寻求访问解决方案。","欧盟就 Anthropic Mythos 遭出口管制与美国白宫展开谈判","美国于本月初限制外国国民访问 Anthropic 旗下最先进的 Mythos 模型（即 Fable 5），导致欧盟用户无法使用，随即引发外交层面的快速反应——欧盟已与特朗普政府就此问题展开正式谈判。\n\n· 事件起因：美国以安全审查为由，限制外国国民访问 Anthropic Mythos 模型，Anthropic 随即完全关闭了欧盟区域的访问权限。\n· 欧盟迅速介入，委员会级别与白宫展开对话，这是首次因单一 AI 模型访问权被切断而触发的跨大西洋外交谈判。\n· 这一事件将「AI 模型访问权」正式提升到地缘政治议题层面，与半导体出口管制的逻辑高度类似。\n· Anthropic 作为接受政府安全审查的私人公司，其商业决策正逐步被纳入盟国外交博弈的框架。\n· 欧盟是否拥有顶尖 AI 模型的访问权，开始直接影响其 AI 竞争力和数字主权战略。\n\n影响\u002F看点：这是「AI 模型管控等同于战略资产」最具体的外交案例。后续走向将影响欧洲企业和研究机构获取前沿 AI 能力的方式，也可能推动欧盟加速自建或扶持本土 AI 基础模型。","https:\u002F\u002Fwww.bloomberg.com\u002Fnews\u002Farticles\u002F2026-06-25\u002Feu-held-talks-with-white-house-on-anthropic-after-mythos-cutoff",{"heat":16,"score":132,"src":133,"lab":27,"body":134,"title":135,"analysis":136,"url":137},59,"AI News (artificialintelligence-news)","OpenAI 与 Broadcom 联合研发 Jalapeño 推理芯片（ASIC），旨在降低对英伟达高利润硬件的依赖，压缩推理基础设施成本。","OpenAI Jalapeño 芯片的推理经济账：自研 ASIC 如何削减对英伟达的依赖","OpenAI自研AI推理芯片的战略逻辑，本质上是一场成本结构的长期博弈，目标是在不依赖英伟达的前提下完成推理端的规模化。\n\n· OpenAI与Broadcom合作开发的Jalapeño是专为推理（inference）优化的ASIC，区别于训练用芯片；推理是OpenAI商业服务的主要持续运行成本，Jalapeño直接瞄准这一核心支出。\n· 英伟达在AI芯片市场估计约75%利润率，对购买方形成持续的资本压力；自研ASIC的经济学逻辑是将这部分溢价内部化——即便初期成本高，长期规模优势可弥补。\n· ASIC相比GPU的代价是灵活性：专用芯片针对特定模型架构优化，换模型时迁移成本较高；OpenAI押注的是自身模型架构的稳定性以及未来在推理端的垂直整合能力。\n· 从Google TPU、AWS Inferentia到如今OpenAI Jalapeño，各大AI原生公司均在推进「自研推理芯片」，这已成为AI基础设施竞争的新标配。\n\n影响\u002F看点：短期内Jalapeño不会动摇英伟达地位，但它代表的趋势将在未来3-5年实质性重塑AI算力的供应格局；对英伟达而言，最大的长期风险不是单一竞争者，而是大客户集体内化推理算力。","https:\u002F\u002Fwww.artificialintelligence-news.com\u002Fnews\u002Fopenai-jalapeno-chip-inference-economics\u002F",{"heat":16,"score":139,"src":140,"lab":27,"body":141,"title":142,"analysis":143,"url":144},58,"IT之家","IBM 发布首个 0.7 纳米（7 埃节点）晶体管架构技术，突破亚 1 纳米门槛的半导体里程碑。","IBM 推出全球首个亚 1 纳米芯片技术","IBM 正式发布全球首个突破亚 1 纳米门槛的芯片技术，晶体管架构达到 0.7 纳米（即 7 埃节点），是半导体物理极限突破的里程碑时刻，消息发布后 IBM 股价盘前涨近 7%。\n\n· 0.7 纳米（7 埃）意味着晶体管尺寸已接近单个硅原子的量级，传统 CMOS 缩放路线的物理极限已触手可及。\n· IBM 此前在 2nm 和 1nm 节点上已有技术演示先例，本次是将「亚 1nm」正式落地为可演示的晶体管架构原型。\n· 这项技术对 AI 芯片的意义在于：更小节点意味着同等芯片面积内可以集成更多计算单元，推理和训练效率将进一步提升。\n· IBM 本次发布的是技术架构，量产时间线和合作晶圆厂尚未公布，距离商业 GPU\u002FNPU 应用仍有距离。\n· 行业竞争背景：台积电正在推进 2nm，英特尔加速 1.8nm，IBM 此举在前沿节点竞争中保持存在感。\n\n影响\u002F看点：亚 1 纳米不是即时改变 AI 算力格局的产品，但它是半导体路线图上的旗帜性节点，预示着下一代 AI 芯片的物理基础已在实验室就绪。","https:\u002F\u002Fwww.ithome.com\u002F0\u002F968\u002F648.htm",{"heat":16,"score":139,"src":146,"lab":27,"body":147,"title":148,"analysis":149,"url":150},"TechCrunch AI","Databricks 前 AI 总监创业，Un-0 用耦合振荡器取代扩散模型，主张从底层重建计算架构。","Databricks前AI总监创业：Un-0用耦合振荡器生成图像，号称降低1000倍能耗","Databricks 前 AI 总监 Naveen Rao 创业成立 Unconventional AI，旗下 Un-0 项目提出用「耦合振荡器」架构完全替代扩散模型生成图像，声称能耗可降低 1000 倍，从底层重建计算架构。\n\n· 核心主张：现有 GPU 执行深度神经网络的范式（训练加推理）能耗极高，而生物大脑用类振荡器机制完成类似任务，能效相差数个量级。\n· Un-0 不是在现有 GPU 上跑优化的扩散模型，而是设计了一种全新的振荡器网络架构，从计算原理层面绕过扩散过程。\n· 图像生成效果的具体指标尚未经过独立同行评审，「1000 倍能耗降低」目前是团队自述数据。\n· Naveen Rao 背书权重较高：在 Databricks 领导 AI 研究期间深度参与过大模型基础设施建设，业内信誉稳固。\n· 这类「计算架构革命」型创业风险极高、周期极长，但若技术路线可行，对边缘推理和低功耗 AI 设备的影响将是颠覆性的。\n\n影响\u002F看点：值得保持关注但不宜过早定论。1000 倍能耗降低若有独立验证，将重新定义 AI 推理硬件市场的竞争格局；若无法复现，则是又一个「革命性架构」昙花一现。","https:\u002F\u002Ftechcrunch.com\u002F2026\u002F06\u002F25\u002Fdatabricks-former-ai-chief-thinks-he-can-cut-ais-power-bill-by-1000x\u002F",{"heat":16,"score":139,"src":152,"lab":41,"body":153,"title":154,"analysis":155,"url":156},"X：Rohan Paul (@rohanpaul_ai)","OpenAI内部论文：Codex一年内从不到10%跃至99.8%内部输出Token，非开发者用量增长137倍，人均日均运行71小时代理任务。","OpenAI内部论文：Codex已占99.8%内部输出Token，非开发者用量增长137倍","OpenAI将自身的智能体使用数据公开，这是迄今最详细的「AI公司如何在内部规模化使用AI代理」的第一手报告，为行业提供了真实的落地基准。\n\n· Codex一年内从产生不到10%的内部输出tokens增长到99.8%——几乎所有文字性输出工作都在由Codex和代理管道完成，人类直接产出已近乎边缘化，这一速度超过大多数人的预期。\n· 非开发者使用量爆炸式增长：自2025年8月以来，个人使用增长137倍，组织级使用增长189倍，法务、财务、招聘、客户支持团队的采用是主要贡献。\n· 重度用户行为数据令人震惊：日均运行约71小时代理任务（超过一个工作日），28.6%的用户同时管理5个以上并发agent，超1\u002F4的人曾提交累计8小时人工等价量的单次任务。\n· OpenAI将这一转变定性为：工作不再是「完成单个任务」，而是「管理持续流动的代理工作流」，员工从执行者转型为监督者，这是工作模式的结构性变化。\n\n影响\u002F看点：这份报告的核心价值不在于数字本身，而在于提供了一个真实的「AI原生企业」运作样本；对于其他企业评估自身AI代理转型进度，这是当前最有参照价值的基准线，也是最具说服力的「Agent真的可用」论据。","https:\u002F\u002Fx.com\u002Frohanpaul_ai\u002Fstatus\u002F2070221621676441642",{"heat":16,"score":139,"src":146,"lab":27,"body":158,"title":159,"analysis":160,"url":161},"数据显示尽管ChatGPT总量领先，付费AI用户选择Claude的比例持续上升，Claude在高付费意愿细分市场逆势扩张。","付费AI用户加速转向Claude，Anthropic在ChatGPT主导市场逆势增长","在AI助手赛道，总用户数和付费用户数正在分叉——ChatGPT仍占免费市场主导，而愿意付费的用户群体正越来越多地选择Claude。\n\n· TechCrunch援引数据显示，在付费AI助手用户中，选择Anthropic Claude的比例持续上升，这一市场此前几乎完全属于ChatGPT。\n· 付费用户迁移通常反映产品质量的真实感知差距：付费用户有更高的使用强度和更清晰的效用判断，选择更难被营销驱动，是更高质量的市场信号。\n· Anthropic长期聚焦对话质量和安全性而非功能数量，这一策略在「重度使用、愿意付费」的专业用户群中产生了明显的品牌溢价，尤其在代码、写作和分析类专业场景。\n· Claude Code等开发者工具的成熟、Sonnet和Opus系列在代码与推理任务上的持续强劲表现，可能是高付费意愿用户转向的具体驱动因素。\n\n影响\u002F看点：付费市场份额通常比总用户数更难逆转，这一趋势若持续，将在商业上对ChatGPT造成实质压力；对OpenAI而言，维持免费端流量优势的同时守住付费端，是接下来的核心挑战。","https:\u002F\u002Ftechcrunch.com\u002F2026\u002F06\u002F25\u002Fanthropics-claude-is-winning-over-paid-consumers-a-market-owned-by-chatgpt\u002F","行业动态",{"no":164,"count":49,"en":165,"arts":166,"zh":212},"04","RESEARCH",[167,174,180,186,191,196,202,207],{"heat":16,"score":168,"src":169,"lab":41,"body":170,"title":171,"analysis":172,"url":173},68,"X：Lilian Weng (@lilianweng)","Lilian Weng发布拖欠3年的缩放定律全面解析，覆盖Kaplan与Chinchilla核心分歧、计算最优分配及数据限制下的外推难点。","Lilian Weng发布缩放定律深度解析：计算最优分配与Chinchilla的核心分歧","OpenAI研究员Lilian Weng将一篇拖延三年多的缩放定律（Scaling Laws）综述公开，这是目前最权威的相关梳理之一，来自亲历者的第一手总结。\n\n· 缩放定律的核心问题是：在训练大模型时，计算预算应如何在数据量与模型参数量之间分配，才能以有限算力获得最优性能。\n· Kaplan et al.（2020）与Chinchilla（DeepMind，2022）给出了不同答案：前者倾向大模型少数据，后者证明数据量被严重低估，模型与数据应等比扩展——这一分歧直接影响了行业随后数年的训练策略。\n· 文章指出外推的深层难点：数据重复、token质量差异、拟合方法选择，都会让估算偏差变大，不能简单地从小规模实验线性外推到超大规模。\n· 这篇文章来自Lilian Weng的亲历总结而非二手综述，其在OpenAI的一线研究背景赋予了文章独特的实证深度。\n\n影响\u002F看点：对任何关注大模型训练、预算分配或要做跨规模实验的团队，这篇文章是必读参考；数据量的重要性长期被低估这一洞见，仍是当前开源社区训练实践中反复验证的真实规律。","https:\u002F\u002Fx.com\u002Flilianweng\u002Fstatus\u002F2070237256070389897",{"heat":16,"score":89,"src":175,"lab":69,"body":176,"title":177,"analysis":178,"url":179},"Hugging Face Blog","HuggingFace 研究揭示混合架构模型相较纯 Transformer 更擅长预测的 Token 类型与机制原因。","混合模型究竟更擅长预测哪些 Token？","HuggingFace 团队围绕混合架构模型（Hybrid，即在 Transformer 基础上融合其他序列建模组件）发布了一篇深度研究，专门分析这类模型在哪些 Token 上预测能力强于纯 Transformer，在哪些 Token 上更弱。\n\n· 研究聚焦 OLMo Hybrid 系列，试图回答「Hybrid 在基准上能匹配 Transformer，但这背后的机制是什么？」这一核心问题。\n· 实验发现混合模型在处理长程依赖、结构化序列（如代码、数学）等场景下预测更准确，与其内部非注意力模块的设计初衷吻合。\n· 另一方面，在需要精确局部上下文检索的 Token 上（如名字、罕见词），Hybrid 的表现有时不如纯注意力机制。\n· 研究引入了逐 Token 的「可预测性差异」分析方法，为后续架构设计提供了可量化的比较工具。\n· 该研究对「选用哪种架构」的工程决策有直接参考价值：不同任务侧重，架构选择的收益不同。\n\n影响\u002F看点：混合架构是近两年最受关注的模型结构方向之一，此研究从预测机制层面提供了罕见的透明度，对模型研究者和希望了解 Hybrid 能力边界的开发者均有参考价值。","https:\u002F\u002Fhuggingface.co\u002Fblog\u002Fallenai\u002Fhybrid-token-prediction",{"heat":16,"score":96,"src":181,"lab":27,"body":182,"title":183,"analysis":184,"url":185},"HuggingFace Daily Papers","通义提出 Qwen-Image-Agent，以搜索+记忆+推理弥合文生图「上下文鸿沟」，处理模糊\u002F隐式\u002F需实时知识的真实请求。","Qwen-Image-Agent：通义 Agent 框架弥合文生图的上下文鸿沟，集成搜索、推理与记忆","通义团队提出 Qwen-Image-Agent，试图解决文生图的一个根本性难题：用户的真实请求往往模糊、隐式，或依赖实时知识，标准文生图模型无法处理。\n\n· 核心概念「上下文鸿沟」：用户输入只是部分上下文，模型需要主动补全才能生成符合意图的图片。\n· 框架包含两个关键模块：上下文感知规划（识别缺失上下文并制定获取策略）和上下文接地（通过推理、搜索、记忆、反馈补全信息）。\n· 发布配套基准 IA-Bench，覆盖规划、推理、搜索、记忆四项核心能力，在 IA-Bench、Mindbench、WISE-Verified 上均达到 SOTA。\n· 本质上是把文生图变成了一个 Agent 任务：先理解意图，再去搜集信息，最后生成。\n\n影响\u002F看点：这是通义在「文生图 + Agent」方向的系统性尝试，对想做智能内容生成应用的团队有较高参考价值，IA-Bench 也可能成为后续研究的标准评测之一。","https:\u002F\u002Farxiv.org\u002Fabs\u002F2606.26907",{"heat":16,"score":96,"src":181,"lab":27,"body":187,"title":188,"analysis":189,"url":190},"研究表明世界模型幻觉集中在低覆盖区域，可通过轻量数据信号预测并缓解，并发布 427 小时 MMBench2 基准。","世界模型幻觉可预测也可预防：MMBench2 基准与三类数据驱动缓解信号","这篇论文提出了一个重要洞察：生成式世界模型的幻觉本质上是数据覆盖问题，而非模型架构问题——因此既可预测，也可预防。\n\n· 研究发布 MMBench2 基准：427 小时视频、210 项任务，附带真实动作、奖励和在线模拟器，用于严格评测视觉世界模型。\n· 识别出三种幻觉模式：感知幻觉、动作边缘化幻觉、场景发散幻觉，分别对应管线的不同阶段。\n· 三类数据信号可准确预测模型在哪里失败，并被复用为「好奇心奖励」引导针对性数据采集。\n· 惊人的数据效率：预训练模型用仅 50 条真实轨迹微调，即可适应全新环境。\n\n影响\u002F看点：对于机器人、自动驾驶等依赖世界模型的方向，这套「检测信号即缓解工具」的思路极具工程价值，大幅降低了部署新环境的数据成本。","https:\u002F\u002Farxiv.org\u002Fabs\u002F2606.27326",{"heat":16,"score":96,"src":181,"lab":27,"body":192,"title":193,"analysis":194,"url":195},"ICWM 把系统识别视为上下文适应问题，让机器人无需微调即可泛化到新视角和不同形态。","ICWM：以上下文世界建模实现机器人跨视角与形态的零样本泛化","当前主流 VLA 机器人模型的一大痛点是换个摄像头角度或换台机器人就需要重新微调。ICWM 提出了一种上下文自适应方案来绕开这个代价。\n\n· 核心思路：把「识别当前系统」视为上下文学习问题，而非参数更新问题——用简短的自生成交互序列让模型推断当前的运动学和动力学。\n· 区别于传统 In-Context Learning：传统方式用示例指定「做什么任务」，ICWM 用上下文窗口理解「当前系统怎么运作」。\n· 模型在任务执行前先进行与任务无关的探索性交互，隐式捕获当前系统的世界动力学。\n· 在仿真和真实机器人平台上，ICWM 在新视角泛化任务上显著优于标准 VLA 基线。\n\n影响\u002F看点：零样本跨形态泛化是通用机器人的核心挑战之一，ICWM 给出了一条工程上可行的路径，对机器人落地部署有直接参考价值。","https:\u002F\u002Farxiv.org\u002Fabs\u002F2606.26025",{"heat":16,"score":96,"src":197,"lab":19,"body":198,"title":199,"analysis":200,"url":201},"X：Microsoft Research (@MSFTResearch)","微软研究院提出生成式因果测试，将黑箱 AI 转化为脑科学可验证假设，揭示语言专属脑区机制。","微软研究院：生成式因果测试将黑箱AI转化为脑科学假设，揭示语言专属脑区","微软研究院提出了「生成式因果测试」（Generative Causal Testing）方法，将黑箱 AI 模型转化为可被神经科学实验验证的假设，并在脑扫描实验中揭示了语言处理专属脑区的新证据。\n\n· 核心思路：让 AI 语言模型生成能够最大化激活特定脑区的文本刺激，以此反推该脑区对语言的具体偏好。\n· 将过去依赖研究者直觉设计刺激材料的实验范式，转变为由模型驱动、系统性探索的自动化流程。\n· 初步结果揭示了若干语言专属脑区：这些区域对特定句法结构或语义关系有显著响应，与功能 MRI 数据吻合。\n· 方法的可泛化性是亮点之一：理论上可以迁移至视觉、音频等其他感知模态，不限于语言神经科学。\n· 「AI 作为科学假设生成器」是近年新兴研究范式，此工作是将其落地于脑科学实验的系统性尝试。\n\n影响\u002F看点：这项研究打通了 AI 能力和神经科学工具链，让原本「知其然不知其所以然」的 AI 语言模型成为研究人脑语言机制的主动工具，属于跨学科方法论创新。","https:\u002F\u002Fx.com\u002FMSFTResearch\u002Fstatus\u002F2070183439983128963",{"heat":16,"score":25,"src":140,"lab":27,"body":203,"title":204,"analysis":205,"url":206},"富士通发布 PHOTON 架构，在多查询场景下 1.2B 模型性能可达 Transformer 的 475 倍。","富士通 PHOTON 框架：1.2B 模型多查询性能达 Transformer 的 475 倍","富士通正式介绍其自研 PHOTON 架构，在多查询（生成多个候选答案再择优）场景下，基于该架构的 1.2B 参数模型性能声称可达主流 Transformer 的 475 倍，引发行业关注。\n\n· 核心原理：PHOTON 全称「自上而下网络并行分层计算」，通过重新设计计算图，高效处理多 I\u002FO 并发流程，避免 Transformer 在长上下文下的大量随机访存操作。\n· Transformer 在长上下文或多线程场景下需保留大量历史状态（KV 缓存），访存开销是性能瓶颈，PHOTON 针对性解决了这一问题。\n· 「多查询」场景在智能体系统中极为常见：规划、搜索、校验等步骤均需同时生成并评估多条候选路径。\n· 若性能数据经过独立复现，PHOTON 在推理成本层面对智能体 inference 基础设施将产生重大影响，GPU 算力需求可能大幅下降。\n· 富士通目前尚未公布大规模商业化路线图，数据需等待第三方评测验证。\n\n影响\u002F看点：此类「非 Transformer 架构在特定场景的极端性能优势」若能复现，将重塑推理基础设施的选型逻辑。475 倍是极端数字，值得关注后续社区复现情况。","https:\u002F\u002Fwww.ithome.com\u002F0\u002F968\u002F633.htm",{"heat":16,"score":25,"src":181,"lab":27,"body":208,"title":209,"analysis":210,"url":211},"JetSpec 通过并行树草稿机制打破推测解码的扩展瓶颈，显著提升 LLM 推理速度。","JetSpec：并行树草稿突破推测解码扩展上限，大幅提升 LLM 推理速度","JetSpec 瞄准推测解码的一个经典瓶颈：增大草稿预算本应提速，但实际效果往往到达天花板后就不再增长。这篇论文提出了突破方式。\n\n· 根因分析：自回归草稿器生成质量好但开销随树深增长；双向块扩散器一次过生成所有位置但分支间不一致，浪费预算。\n· JetSpec 的解法：在冻结目标模型的隐藏状态上训练因果并行草稿头，实现「一次前向 + 分支级因果条件」的组合优势。\n· 结果：在 H100 上 MATH-500 任务达 9.64 倍加速，开放对话任务达 4.58 倍，并验证了与 vLLM 的集成效果。\n· 跨 Qwen3 Dense 和 MoE 模型均稳定优于双向头和树形推测解码基线。\n\n影响\u002F看点：推测解码是当前 LLM 推理加速的主流路线，JetSpec 在不改变目标模型的前提下带来将近 10 倍的加速，对推理成本敏感的生产环境极具价值。代码已开源。","https:\u002F\u002Farxiv.org\u002Fabs\u002F2606.18394","论文研究",{"no":214,"count":215,"en":216,"arts":217,"zh":256},"05",6,"TIPS & OPINIONS",[218,223,230,236,242,249],{"heat":16,"score":17,"src":97,"lab":69,"body":219,"title":220,"analysis":221,"url":222},"英伟达技术博客介绍 TensorRT 跨多 GPU 流水线并行方案，支持大模型推理在单节点内扩展。","NVIDIA技术博客：使用TensorRT跨多GPU扩展AI推理，支持流水线并行与内存优化","英伟达官方技术博客介绍了一套将 AI 推理工作负载从单 GPU 扩展到多 GPU 的实践方案，核心工具是 TensorRT，适合构建媒体生成流水线的开发者。\n\n· 单 GPU 内存和算力正在跟不上生成式 AI 的增长需求，尤其是图像、视频等大模型推理场景。\n· TensorRT 支持流水线并行（Pipeline Parallelism），允许将大模型拆分部署在多张 GPU 上，各层并行执行，降低显存压力。\n· 文章还涉及内存优化策略，包括 KV 缓存复用和算子融合，减少跨 GPU 数据传输开销。\n· 实现路径对开发者相对友好：主要依赖 TensorRT 现有 API，不需要大幅重写推理代码。\n· 目标场景是需要实时或近实时推理的生产级媒体生成管道，延迟敏感型应用受益最大。\n\n影响\u002F看点：多 GPU 推理工程是大模型商业落地的关键门槛之一。英伟达官方发布这份指南，说明多 GPU 部署需求已从少数头部客户走向主流开发者，实践价值较高。","https:\u002F\u002Fdeveloper.nvidia.com\u002Fblog\u002Fscaling-ai-inference-across-multiple-gpus-using-nvidia-tensorrt-with-multi-device-inference-support\u002F",{"heat":16,"score":25,"src":224,"lab":225,"body":226,"title":227,"analysis":228,"url":229},"Tomer Tunguz 博客","大咖博客","作者提出「异步推理」范式：将 AI 任务从实时响应切换为后台批处理，大幅提升吞吐量并降低延迟成本。","深度解读：异步推理全速前进","当前 AI 推理基础设施几乎全为「实时等待」模式而优化——延迟决定成本，整个服务栈围绕冷启动而非吞吐量设计。这篇文章提出一个被低估的范式转变：把 AI 任务从「人在等模型回应」切到「后台队列异步处理」。\n\n· 作者在 Theory 内部构建 AI 系统时发现：将 10 个 Agent 并行排队跑同一任务，可以运行数小时，生产力提升极为显著——这被称为「token-maxxing」。\n· 核心逻辑：与其让 GPU 为单个用户空转等待，不如持续把 token 推满，换来大幅吞吐提升，成本结构随之改变。\n· 异步推理适合不需要即时回应的任务——代码审查、大批文档处理、定时报告生成等，对 B 端 AI 工程师尤其有参考价值。\n· 关键基础设施变化：需要任务队列、状态追踪和回调机制，而非传统 HTTP 流式响应。\n\n影响\u002F看点：随着 AI 工程进入「成本下行、任务量上行」阶段，异步推理会成为主流基础设施模式之一；对自建 AI 后台的团队有直接借鉴意义。","https:\u002F\u002Fwww.tomtunguz.com\u002Fsail-inference-queue\u002F",{"heat":16,"score":139,"src":231,"lab":41,"body":232,"title":233,"analysis":234,"url":235},"X：Elvis Saravia (@omarsar0, DAIR.AI)","分析指出 Claude Tag 在 Slack 中会导致企业运营记忆锁定在 Anthropic，建议自持上下文架构。","分析：Claude Tag在Slack中会造成上下文锁定，建议企业自持上下文层","分析文章指出，Anthropic 推出的 Claude Tag（让 Claude 在 Slack 中作为团队 AI 协作者）存在一个结构性陷阱：企业的运营记忆被锁定在 Anthropic 的 Agent 层，形成「上下文锁定」，难以迁移到其他模型供应商。\n\n· 「上下文锁定」的本质：公司日常积累的异常处理方式、客户承诺、失败经验等运营记忆，都沉淀在 Claude Tag 的上下文层，而这一层由 Anthropic 托管和管理。\n· 一旦想切换到其他模型（如 GPT-5.6 或开源模型），上下文几乎无法迁移，历史记忆实际上归 Anthropic 持有。\n· 基于 token 的无限计价模式，使劳动力相关支出被单一 AI 供应商捕获，定价权被动转移。\n· 文章提出的正确架构原则：「租用智能，自持上下文」——模型可以随时换，但企业必须拥有自己可检查、有权限、可移植的上下文层。\n· 实践建议：将长期记忆和流程知识存储在企业自有数据库，通过 RAG 或 MCP 注入任意模型，而不是依赖 AI 产品内置的记忆功能。\n\n影响\u002F看点：这是 AI 产品采购中最值得警惕的「隐性成本」之一。企业在选择 AI 协作工具时，应重点评估数据主权和上下文可迁移性，而不仅仅是功能体验。","https:\u002F\u002Fx.com\u002Fomarsar0\u002Fstatus\u002F2070261155403125052",{"heat":16,"score":39,"src":237,"lab":41,"body":238,"title":239,"analysis":240,"url":241},"X：邵猛 (@shao__meng)","文章揭示 AI 循环工程的两层困境：内层 agent loop 自判「完成」不可靠，外层 harness 才能真正收尾；深层隐忧是人类对代码的理解将被 AI 系统本身所绑定。","《The Coming Loop》：AI 循环工程的内外层困境与人类判断力的让渡","这篇文章系统性地剖析了AI代码循环（agent loop）带来的两类工程困境，并触及一个更深的哲学问题：当AI持续产出代码，人类还能保持对代码的实质性理解吗？\n\n· 作者将循环分为内层（agent自判「任务完成」即停）和外层（外部系统判断是否真正完成，可续接会话）；内层简单但易出错，外层灵活但引入更多复杂性，两种循环有不同的适用场景和风险模式。\n· 循环放大了LLM代码的结构性缺陷：过度防御、回避不变量、局部补丁叠加，每轮迭代让系统整体更难理解，技术债随循环次数累积。\n· 循环真正有效的场景有共性：代码移植、性能探索等「产出即消亡」类任务；这类任务不要求代码长期存活或后续人工维护，是放手给循环的理想场景。\n· 最深层的隐忧是认知依赖：若代码由循环产出并由循环审查，人失去对代码逻辑的第一手掌握，一旦失去同类AI系统访问权，将面临无法维护自身产品的困境。\n\n影响\u002F看点：这篇文章对「无脑拥抱AI写代码」的文化提出了务实警示，尤其对重视长期可维护性的工程团队有参考价值；核心建议不是拒绝循环，而是把循环限制在适合的场景，同时保留人类对关键代码路径的实质性理解。","https:\u002F\u002Fx.com\u002Fshao__meng\u002Fstatus\u002F2069945596421771650",{"heat":16,"score":243,"src":244,"lab":225,"body":245,"title":246,"analysis":247,"url":248},54,"Gary Marcus","Gary Marcus 撰文警示生成式 AI 热潮降温，认为当前市场估值与实际能力之间存在结构性偏差。","Gary Marcus：生成式 AI 热潮正在冷却","认知科学家 Gary Marcus 发文主张：生成式 AI 的炒作热潮正在可见地冷却，市场和媒体的叙事需要一次集体校准。\n\n· Marcus 并非预测 AI 消亡，而是指出「热潮」与「实质进展」之间的背离正在累积，市场情绪可能先于技术进展回落。\n· 他援引股市波动与多家公司增长预期下调，认为这是理性修正信号，而非过度悲观。\n· 核心观点：LLM 在可靠性、推理和常识方面的局限并未随参数增长消失，实际落地效果与宣传存在系统性落差。\n· Marcus 长期唱衰深度学习，此文延续其一贯立场，需结合其历史预测准确率来评估。\n\n影响\u002F看点：不论立场如何，「热潮退去后什么真正留下」是每个 AI 从业者都应持续追问的问题。","https:\u002F\u002Fgarymarcus.substack.com\u002Fp\u002Fthe-generative-ai-fizzle",{"heat":16,"score":250,"src":251,"lab":41,"body":252,"title":253,"analysis":254,"url":255},53,"X：阿易 AI Notes (@AYi_AInotes)","推文指出 Agent 生产崩溃 80% 源于上下文溢出与工具调错，Harness 架构与 Loop 设计才是核心。","Agent 生产崩溃 80% 与模型无关，Harness 与 Loop 才是 2026 分水岭","一篇广泛转发的技术观点指出：80% 的 Agent 生产崩溃根源不在模型能力，而在 Harness（系统框架）和 Loop（执行循环）设计的缺失。\n\n· 三大真实失败源头：上下文溢出（长任务链超出窗口导致幻觉累积）、工具调用错乱（工具选择和参数错误）、子代理失控（无监督的多代理级联失败）。\n· Harness 的类比是「办公室制度+安保系统」：包含独立验证节点、分层记忆管理、延迟绑定工具——让 Agent 即使中间出错也能被截断而不级联崩溃。\n· Loop 的类比是「自动驾驶」：自我发现→任务分派→验证结果→状态记录，形成可观测的闭环，而不是一条射出去就不管的命令链。\n· 核心结论：好模型配差循环=昂贵垃圾，普通模型配好循环+验证=稳定出货。模型是可替换引擎，Harness 是底盘安全系统。\n\n影响\u002F看点：对正在落地 Agent 的团队来说，这是一份可直接对照检查的「工程债清单」，优先级应高于模型升级。","https:\u002F\u002Fx.com\u002FAYi_AInotes\u002Fstatus\u002F2070097636829307284","技巧与观点",[258,259,260,261,262,263,264,265,266,267,268,269,270,271,272,273,274,275,5,276,277,278,279,280],"2026-07-17","2026-07-16","2026-07-15","2026-07-14","2026-07-13","2026-07-12","2026-07-11","2026-07-10","2026-07-09","2026-07-08","2026-07-07","2026-07-06","2026-07-05","2026-07-04","2026-07-03","2026-07-02","2026-06-28","2026-06-27","2026-06-25","2026-06-24","2026-06-23","2026-06-22","2026-06-21"]