[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"aihot-daily-2026-07-02":3},{"daily":4,"dates":273},{"bizDate":5,"vertical":6,"leadText":7,"top":8,"sections":9},"2026-07-02","ai","今天最扎眼的一条主线是 AI 的收费管道在同一天集中冒头:xAI 上线按分钟计费的语音智能体平台,Cloudflare 用 x402 协议让网站直接向 AI 流量收费,还有人靠卖 Claude Skill 一周入账四千多美元——AI 能力正在被明码标价。可几乎同一天,买单的一方却在算账:UBS 调研六成大公司放缓 AI 支出、追问 ROI,Oracle 自己都在警告数据中心投资可能回不了本,Meta 索性把造多了的算力打包卖云找出路。一边在拼命把 AI 变现,一边在担心这笔投入划不划算,这个对撞挺值得琢磨。另一条线上,中国系模型今天扎堆冒头:美团用国产芯片跑通万亿参数的 LongCat-2.0,面壁智能、Om AI、Loop 世界模型论文也都在同一天发声。今天先看这三条:xAI Voice Agent Builder、Meta 算力转云、美团 LongCat-2.0。",null,[10,62,122,171,220],{"no":11,"count":12,"en":13,"arts":14,"zh":61},"01",6,"MODEL RELEASES",[15,24,33,39,47,54],{"heat":16,"score":17,"src":18,"lab":19,"body":20,"title":21,"analysis":22,"url":23},1,70,"X：面壁智能 OpenBMB (@OpenBMB)","X 官方账号","面壁智能发布2B参数开源语音编辑模型VoxCPM2，支持30种语言，可像滤镜一样调整声音。","面壁智能发布VoxCPM2：2B开源语音编辑模型，声音可像滤镜一样调整","面壁智能发布VoxCPM2，一个2B参数的开源语音模型，支持30种语言及9种方言，实现声音的可编辑性，如同图片滤镜。\n· 通过提示词可指定年龄、音色、情绪和语速，也可上传参考音频保留原音色并重新控制表达方式。\n· 实测显示，语音生成已从单纯模仿真人转向按需导演级表演，声音变得可描述、复制和改写。\n· 模型开源，参数仅2B，便于部署和二次开发，适用于语音合成、内容创作等场景。\n· 面壁智能强调该模型在语音编辑上的灵活性，可能改变语音交互和内容生产的方式。\n看点：语音编辑进入“滤镜时代”，VoxCPM2让声音创作门槛大幅降低，开源策略有望加速行业应用。","https:\u002F\u002Fx.com\u002FOpenBMB\u002Fstatus\u002F2072208077596787155",{"heat":25,"score":26,"src":27,"lab":28,"body":29,"title":30,"analysis":31,"url":32},2,67,"MarkTechPost","综合资讯","Google AI推出TabFM，一个用于表格数据的零样本分类和回归基础模型，无需训练即可预测。","Google AI推出TabFM：用于零样本分类和回归的混合注意力表格基础模型","Google Research推出TabFM，一个针对表格数据的零样本基础模型，无需训练即可预测，将表格预测转化为上下文学习问题。\n· TabFM在未见过的表格上直接预测，无需训练、调参或特征工程，一次前向传播即可。\n· 模型将整个数据集作为统一提示，通过上下文学习预测，架构结合了TabPFN的行列注意力和TabICL的上下文学习。\n· 训练使用数亿个来自结构因果模型的合成数据集，确保泛化能力。\n· Google BigQuery将很快通过AI.PREDICT SQL命令暴露TabFM，方便企业使用。\n· 相比传统树模型，TabFM省去了超参数优化和特征工程，大幅降低数据科学家的时间成本。\n看点：TabFM让表格预测像LLM一样零样本，可能颠覆企业数据分析流程，加速AI在结构化数据上的应用。","https:\u002F\u002Fwww.marktechpost.com\u002F2026\u002F07\u002F01\u002Fgoogle-ai-introduces-tabfm-a-hybrid-attention-tabular-foundation-model-for-zero-shot-classification-and-regression\u002F",{"heat":25,"score":34,"src":27,"lab":28,"body":35,"title":36,"analysis":37,"url":38},66,"NVIDIA发布开源扩散语言模型Nemotron-Labs-TwoTower，基于冻结自回归骨干，生成吞吐量提升2.42倍。","NVIDIA发布Nemotron-Labs-TwoTower：基于冻结自回归骨干的扩散语言模型","NVIDIA发布Nemotron-Labs-TwoTower，一个基于冻结自回归骨干的扩散语言模型，以开放权重发布，旨在提升文本生成吞吐量。\n· TwoTower将扩散过程分为冻结的AR上下文塔和训练的降噪器塔，保留98.7%的AR质量，吞吐量提升2.42倍。\n· 降噪器塔在约2.1T tokens上训练，骨干网络使用25T tokens预训练，总参数约60B，每token活跃参数约3B。\n· 模型支持扩散、模拟AR和AR三种解码模式，灵活适应不同场景。\n· 架构使用Mamba-2、自注意力和MoE层，降噪器通过层对齐交叉注意力获取骨干表示。\n· 开放权重许可为NVIDIA Nemotron Open Model License，促进研究和应用。\n看点：TwoTower通过双塔设计解耦上下文与降噪，在保持质量的同时大幅提升生成速度，为扩散语言模型实用化铺路。","https:\u002F\u002Fwww.marktechpost.com\u002F2026\u002F07\u002F01\u002Fnvidia-releases-nemotron-labs-twotower\u002F",{"heat":16,"score":40,"src":41,"lab":42,"body":43,"title":44,"analysis":45,"url":46},64,"赛博禅心","公众号","Anthropic发布Sonnet 5模型，性能提升但新分词器导致token数增加，实际成本可能更高。","Sonnet 5 发布：有计费大坑","Sonnet 5 发布，性能对标 Opus 但价格暗藏玄机，值得关注其实际成本。\n· Sonnet 5 性能介于 Opus 4.6 和 Opus 4.8 之间，在知识类任务上甚至反超 Opus 4.8，但需开启 thinking 模式才能发挥最大智力。\n· 价格表面与上一代 Sonnet 持平（输入 $2\u002F百万 token，输出 $10\u002F百万 token），但新分词器导致同样文本 token 数增加 1~1.35 倍，实际成本可能更高。\n· 8 月 31 日后价格将上涨 50%，且满血 effort 下输出 token 比上一代多约 40%，单次任务花费可能超过 Opus 4.8。\n· 上下文窗口仍为 100 万 token，全平台可用，免费版和 Pro 版默认模型切换为 Sonnet 5。\n看点：Sonnet 5 看似性价比高，实则因分词器和 effort 机制可能更贵，用户需警惕“单价陷阱”。","https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FYUPcCIgDl8LXgYd3SPI_DA",{"heat":25,"score":48,"src":49,"lab":28,"body":50,"title":51,"analysis":52,"url":53},56,"量子位 资讯","Om AI联汇发布VLX，全球首个面向物理世界的端侧流式多模态模型。","Om AI联汇发布VLX：全球首个面向物理世界的端侧流式多模态模型","导读：Om AI联汇发布全球首个面向物理世界的端侧流式多模态模型VLX，实现持续感知到行动决策的闭环。\n· VLX系列包含三款模型：VLX-Flow（持续感知）、VLX-Seek（精准定位）、VLX-Go（行动执行）。\n· 流式多模态架构：视觉信息以连续流方式进入，模型边看边理解。\n· 端侧设计：快（单路延迟0.06秒）、小（0.6B至10B）、准（细粒度定位）、行（感知执行闭环）。\n· 面向物理世界，应对时间连续、环境动态、算力受限三大约束。\n影响\u002F看点：VLX为物理AI提供了全新架构范式，让终端设备具备持续理解、即时决策、自主行动的能力。","https:\u002F\u002Fwww.qbitai.com\u002F2026\u002F07\u002F441124.html",{"heat":55,"score":48,"src":56,"lab":28,"body":57,"title":58,"analysis":59,"url":60},3,"Hacker News 热门","Mistral发布Leanstral 1.5模型，提供更高效的推理能力。","Mistral发布Leanstral 1.5模型","Mistral发布Leanstral 1.5，一个针对自动化定理证明和自动形式化优化的Lean 4形式证明工程模型，参数规模119B总参数、6.5B活跃参数。\n· 模型专为自动化定理证明和自动形式化设计，在相关任务上进行了优化。\n· 支持256k上下文长度，免费使用。\n· 作为Leanstral系列的更新版本，v1.5在速度和性能上有所提升。\n· 该模型有助于推动形式化验证和数学证明的自动化，对AI安全性和可靠性有重要意义。\n影响\u002F看点：Leanstral 1.5的发布展示了AI在形式化证明领域的进步，为构建可信AI系统提供了工具。","https:\u002F\u002Fdocs.mistral.ai\u002Fmodels\u002Fmodel-cards\u002Fleanstral-1-5-26-06","模型发布\u002F更新",{"no":63,"count":64,"en":65,"arts":66,"zh":121},"02",8,"PRODUCT LAUNCHES",[67,75,82,90,97,103,109,116],{"heat":68,"score":69,"src":70,"lab":19,"body":71,"title":72,"analysis":73,"url":74},4,79,"X：xAI (@xai)","xAI 推出无代码语音智能体构建平台 Voice Agent Builder，每分钟收费 0.05 美元。","xAI 推出 Voice Agent Builder 语音智能体平台","xAI 推出 Voice Agent Builder，一个零代码平台，让用户快速创建类人语音智能体，定价每分钟 0.05 美元，值得关注的是它降低了语音 AI 的开发门槛。\n· 平台基于 Grok Voice 技术，无需编程即可构建语音智能体，适合非技术用户。\n· 定价为每分钟 0.05 美元，按使用量计费，适合中小规模部署。\n· 目前已在 xAI 平台上线，可直接使用，未来可能集成更多功能。\n影响\u002F看点：Voice Agent Builder 让语音 AI 开发平民化，可能推动客服、教育等领域的语音交互应用爆发。","https:\u002F\u002Fx.com\u002Fxai\u002Fstatus\u002F2072342803787702422",{"heat":16,"score":76,"src":77,"lab":42,"body":78,"title":79,"analysis":80,"url":81},72,"卡尔的AI沃茨","美团发布万亿参数 MoE 模型 LongCat-2.0，全程使用国产芯片训练，已接入 API。","实测美团 LongCat-2.0：国产芯片训练的万亿参数大模型","美团 LongCat-2.0 是一个总参数 1.6 万亿、激活参数约 480 亿的 MoE 模型，全程在 5 万张国产芯片上训练，跑通 35 万亿 tokens 无回滚，意义在于验证了国产算力支撑万亿模型的可行性。\n· 模型采用 MoE 架构，总参数 1.6 万亿，每次推理只激活约 480 亿参数，兼顾性能与效率。\n· 从预训练到部署全程使用国产算力芯片，训练过程无不可恢复的 loss 突刺，证明国产芯片的稳定性。\n· 在 Agent 场景（如 Terminal-Bench、SWE-bench）表现接近 Gemini 3.1 Pro 和 Claude Opus 4.6，但在通用知识推理（IFEval、GPQA-diamond）上仍有差距。\n· 支持最长 128K 输出和 1M 上下文，引入 LSA 稀疏注意力机制和 N-gram Embedding，优化长上下文和工具调用能力。\n· 可直接通过 OpenAI 或 Anthropic 兼容 API 接入，实测能顺利接入 Claude Code 和 Codex 等工作流。\n影响\u002F看点：LongCat-2.0 证明了国产算力可以支撑万亿级大模型的全链路开发，为国内 AI 生态提供了自主可控的选项，尤其在 Agent 工作流中表现亮眼。","https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FpqR8XyOSejvDNcNHjiy8mg",{"heat":16,"score":83,"src":84,"lab":85,"body":86,"title":87,"analysis":88,"url":89},69,"Cloudflare Blog","官方网站","Cloudflare 推出 Monetization Gateway，支持通过 x402 协议对网站资源收费。","Cloudflare 推出 Monetization Gateway，支持通过 x402 协议对资源收费","Cloudflare 推出 Monetization Gateway，允许用户通过 x402 协议对任何受 Cloudflare 保护的资源（网页、API、数据集等）收费，支持稳定币结算，旨在适应 AI 代理时代的按使用付费模式。\n· 该网关提供统一控制面板管理支付策略和访问控制，在边缘处理支付验证，保护源站。\n· 支付通过 x402 协议以稳定币结算，x402 是由 Cloudflare 联合 25 家以上行业领袖成立的开放协议。\n· 背景：传统广告和订阅模式在 AI 代理面前失效，代理不看广告、不订阅，按请求付费更合理。\n· 示例定价：每次搜索几美分，上传端点每 MB 0.01 美元，成功解决支持问题 0.99 美元。\n影响\u002F看点：Monetization Gateway 为内容和服务提供者开辟了新的收入来源，推动互联网从注意力经济转向使用量经济，尤其利好数据提供方和 API 服务商。","https:\u002F\u002Fblog.cloudflare.com\u002Fmonetization-gateway\u002F",{"heat":68,"score":26,"src":91,"lab":92,"body":93,"title":94,"analysis":95,"url":96},"X：Kim (@kimmonismus)","X 媒体 \u002F KOL","Booster Studio 上线，成为业界首个专为具身 AI 打造的集成开发环境。","Booster Studio 正式上线：业界首个具身 AI IDE","Booster Studio 正式上线，号称业界首个专为具身 AI 打造的 IDE，集成代码编辑、高精度仿真、真实机器人调试和部署，打通数字到物理世界的开发流程。\n· 平台提供从代码编写到硬件部署的一站式工作流，降低具身 AI 开发门槛。\n· 支持高精度仿真，可在虚拟环境中测试后再部署到真实机器人。\n· 面向机器人开发者、AI 研究人员，旨在加速具身智能的落地。\n影响\u002F看点：Booster Studio 填补了具身 AI 开发工具的空白，可能推动机器人、自动驾驶等领域的研发效率提升。","https:\u002F\u002Fx.com\u002Fkimmonismus\u002Fstatus\u002F2072285228106723656",{"heat":25,"score":34,"src":98,"lab":92,"body":99,"title":100,"analysis":101,"url":102},"X：Artificial Analysis (@ArtificialAnlys)","Etched 走出隐身模式，首套推理系统今夏发货，已获超 10 亿美元合同。","Etched 走出隐身模式，首套推理系统今夏发货","Etched 走出隐身模式，宣布其首套推理系统将于今夏发货，并已获得超 10 亿美元客户合同和 8 亿美元融资，值得关注的是其系统在吞吐量、延迟和能效上达到 SOTA，且将由 Artificial Analysis 用自研基准 AA-AgentPerf 评测。\n· Etched 基于成功的 A0 tapeout 制造出首批机架，早期客户测试显示其推理性能达到业界最佳水平。\n· 公司已获得超过 10 亿美元的客户合同，并完成 8 亿美元融资，表明市场对其技术的高度认可。\n· 首批机架将于今年夏天发货，标志着 Etched 从研发阶段正式进入商业化交付。\n· Artificial Analysis 将使用其自研基准 AA-AgentPerf 对系统进行评测，该基准衡量每兆瓦运行功率可同时运行的 agent 数量，聚焦能效和并发能力。\n影响\u002F看点：Etched 的推理系统若能在实际部署中验证其 SOTA 性能，将可能重塑 AI 推理硬件市场格局，尤其在高吞吐、低延迟场景下对现有方案构成挑战。","https:\u002F\u002Fx.com\u002FArtificialAnlys\u002Fstatus\u002F2072254061244825981",{"heat":25,"score":104,"src":49,"lab":28,"body":105,"title":106,"analysis":107,"url":108},65,"英伟达开源机器人技能库，Jim Fan 称具身智能范式已变，推动持续学习。","英伟达开源机器人技能库，Jim Fan 称范式已变","英伟达开源机器人技能库 ASPIRE，Jim Fan 称这代表了机器人学习范式的根本转变，从梯度下降转向技能精炼，训练产物从权重变为持续扩展的技能库。\n· ASPIRE 像一个机器人版 Coding Agent，将机器人的失败和修复经验沉淀为可复用的 Skill。\n· 机器人执行任务时，ASPIRE 记录感知、导航、抓取等过程，调用 GPT\u002FClaude 分析问题并迭代程序，成功后将经验写入技能库。\n· 新范式下，训练过程变为技能精炼（Skill Refinement），训练产物是传感器运动技能库（Sensorimotor Skills），分布式训练变为多 Agent 各自练习并汇总经验。\n· 三阶段 pipeline：机器人执行引擎记录失败细节，技能库存储修复经验，进化搜索生成多条候选程序并迭代。\n· 解决了 Code as Policy 的两个问题：失败原因细粒度分析和经验积累，使机器人完成第 100 个任务时不再像第 1 个任务那样一无所知。\n影响\u002F看点：ASPIRE 将机器人训练从数据驱动转向经验驱动，可能大幅降低机器人技能获取成本，加速具身智能在真实场景中的部署。","https:\u002F\u002Fwww.qbitai.com\u002F2026\u002F07\u002F441396.html",{"heat":110,"score":104,"src":111,"lab":85,"body":112,"title":113,"analysis":114,"url":115},45,"Claude Code GitHub Releases","Claude Code v2.1.198发布，新增Chrome集成、后台Agent通知及\u002Fdataviz技能。","Claude Code v2.1.198 发布：Chrome 集成、后台 Agent 通知等","Claude Code v2.1.198 发布，带来 Chrome 集成、后台 Agent 通知、数据可视化技能等多项更新。\n· Claude in Chrome 正式可用，后台 Agent 支持通知钩子（agent_needs_input \u002F agent_completed）。\n· 新增 \u002Fdataviz 技能，提供图表和仪表板设计指导及可运行的颜色调色板验证器。\n· 后台 Agent 在完成代码工作后自动提交、推送并创建 PR，无需手动干预。\n· 修复了网络中断、背景分类器请求过多、任务面板卡死等多个问题，提升稳定性。\n影响\u002F看点：Claude Code 持续迭代，Chrome 集成和后台自动化功能使开发工作流更高效，Agent 协作能力进一步增强。","https:\u002F\u002Fgithub.com\u002Fanthropics\u002Fclaude-code\u002Freleases\u002Ftag\u002Fv2.1.198",{"heat":16,"score":40,"src":84,"lab":85,"body":117,"title":118,"analysis":119,"url":120},"Cloudflare 为所有客户提供新的 AI 流量控制选项，增强网站所有者自主权。","你的网站你做主：Cloudflare 为所有客户提供新的 AI 流量选项","Cloudflare 为所有客户提供新的 AI 流量选项，包括一键阻止 AI 机器人、按次付费市场，以及更细粒度的 AI 使用分类，让网站所有者自主控制内容使用方式。\n· 一年前推出“一键阻止 AI 机器人”和“按次付费”市场，现在提供更多选项。\n· 新分类聚焦三种 AI 用例：AI 训练、AI 推理（如聊天机器人）、AI 代理（如自动化任务），客户可分别设置规则。\n· 网站所有者可以允许某些 AI 访问（如搜索引擎），同时阻止其他 AI 训练，实现更精细的控制。\n· 此举旨在解决小网站的困境：要么出现在搜索中并允许 AI 训练，要么失去可发现性。\n· Cloudflare 不再简单定义“AI 机器人”，而是根据行为分类：它们在网站上做什么、存储什么、如何重新分享内容。\n影响\u002F看点：Cloudflare 的新工具赋予网站所有者更大的控制权，可能推动 AI 公司与内容所有者之间建立更公平的补偿机制，重塑 AI 训练数据的获取方式。","https:\u002F\u002Fblog.cloudflare.com\u002Fcontent-independence-day-ai-options\u002F","产品发布\u002F更新",{"no":123,"count":64,"en":124,"arts":125,"zh":170},"03","INDUSTRY",[126,132,138,143,148,154,159,164],{"heat":16,"score":76,"src":127,"lab":92,"body":128,"title":129,"analysis":130,"url":131},"X：Rohan Paul (@rohanpaul_ai)","Meta将过剩AI算力转为云业务，出租模型访问或原始算力，为1500亿美元资本支出寻找回报。","Meta 将过剩 AI 算力转为云业务以寻找 1500 亿美元资本支出回报","Meta 计划将过剩 AI 算力转化为云业务，允许开发者租用模型访问或原始算力，为高达 1500 亿美元的资本支出寻找回报。\n· Meta 将自身用于模型训练、广告等任务的过剩算力转化为云服务，类似 AWS Bedrock，也可能出租原始算力。\n· 消息公布后 Meta 股价上涨超 10%，而 AI 云公司 CoreWeave 和 Nebius 分别下跌 10.8% 和 12.4%。\n· Zuckerberg 透露几乎每周都有外部公司向 Meta 请求算力，此举更像为支出过高担忧提供财务安全阀。\n· 但 Meta 要成为 AWS、Azure 级别的云服务商仍需应对计费、安全、开发工具等挑战。\n影响\u002F看点：Meta 将算力变现，既缓解资本支出压力，又可能重塑云市场格局，但面临技术和竞争双重挑战。","https:\u002F\u002Fx.com\u002Frohanpaul_ai\u002Fstatus\u002F2072391690951024794",{"heat":16,"score":83,"src":133,"lab":28,"body":134,"title":135,"analysis":136,"url":137},"Bloomberg Technology","Meta 正筹建云业务，计划出售多余 AI 算力，与 AWS、Azure 等竞争。","Meta 正在构建云业务以出售多余的 AI 算力","Meta 正在构建云业务，计划出售多余的 AI 算力，与 AWS、Azure、Google Cloud 竞争，这标志着 Meta 从自用算力转向商业变现。\n· Meta 因大规模 AI 投资积累了过剩算力，通过云业务对外销售，提高资源利用率。\n· 云业务将提供 AI 计算能力和模型访问，直接挑战现有云巨头。\n· 此举可能改变 AI 算力市场格局，增加供给，降低价格。\n影响\u002F看点：Meta 的入局可能加剧云服务价格战，同时为中小 AI 公司提供更多算力选择，但 Meta 的云服务经验和生态建设仍是挑战。","https:\u002F\u002Fwww.bloomberg.com\u002Fnews\u002Farticles\u002F2026-07-01\u002Fmeta-is-building-a-cloud-business-to-sell-excess-ai-compute",{"heat":16,"score":83,"src":127,"lab":92,"body":139,"title":140,"analysis":141,"url":142},"UBS报告称约60%大公司放缓AI支出，聚焦成本与ROI，中国模型成本优势显著。","UBS：约60%大公司放缓AI支出，中国模型成本优势显著","UBS 报告显示约 60% 大公司正放缓 AI 支出，CFO 和 CTO 聚焦账单上升与 ROI 不均，企业 AI 进入预算管控阶段。\n· 企业开始将任务路由至更便宜模型，压力首先给到 OpenAI 和 Anthropic。\n· JP Morgan 研究显示中国 AI 模型每 token 成本比美国低最多 50 倍，中国公司在 OpenRouter 平台流量从不足 2%（2024 年底）升至超 45%（2026 年 4 月）。\n· arXiv 研究证实美国芯片出口管制加速了中国开源 AI 生态发展。\n· Google 和 Anthropic 分别推出注重效率的 Gemini 3.5 Flash 和 Claude Sonnet 5 以应对成本压力。\n影响\u002F看点：企业 AI 支出放缓与成本优势竞争加剧，中国模型凭借低成本快速崛起，全球 AI 市场格局可能因此重塑。","https:\u002F\u002Fx.com\u002Frohanpaul_ai\u002Fstatus\u002F2072402541581906206",{"heat":25,"score":83,"src":133,"lab":28,"body":144,"title":145,"analysis":146,"url":147},"Oracle 警告其 AI 数据中心巨额投资可能无法获得回报，引发市场关注。","Oracle 警告其 AI 数据中心巨额投资可能无法获得回报","Oracle 警告其 AI 数据中心巨额投资可能无法获得回报，反映出 AI 基础设施投资过热的风险。\n· Oracle 参与 Stargate 项目（与 OpenAI、SoftBank 合作），在美国建设大型 AI 数据中心。\n· 公司公开表示投资回报存在不确定性，可能因需求不足或竞争激烈而亏损。\n· 这一警告与行业对 AI 算力需求持续高涨的乐观情绪形成对比。\n影响\u002F看点：Oracle 的谨慎态度可能引发市场对 AI 基础设施泡沫的担忧，投资者需重新评估相关项目的风险。","https:\u002F\u002Fwww.bloomberg.com\u002Fnews\u002Fnewsletters\u002F2026-07-01\u002Foracle-warns-ai-data-center-splurge-may-not-pay-off",{"heat":16,"score":26,"src":149,"lab":42,"body":150,"title":151,"analysis":152,"url":153},"新智元","谷歌一周内四位核心人才离职，市值蒸发数千亿美元，新模型Gemini Spark能否挽回颓势存疑。","谷歌人才流失市值蒸发数千亿，Gemini Spark能否救场？","谷歌一周内失去四位核心AI人才，包括Transformer之父和诺奖得主，市值蒸发数千亿美元，新推出的Gemini Spark能否挽回颓势？\n· 离职者包括Transformer八子之一Noam Shazeer、诺奖得主John Jumper、Gemini预训练核心Jonas Adler和Alexander Pritzel，均流向OpenAI和Anthropic。\n· 资本市场反应剧烈，Alphabet股价两天跌5%-6%，投资者担忧谷歌留住顶尖人才的能力。\n· Gemini Spark是谷歌推出的Agent产品，可运行在云端虚拟机，自动执行跨应用任务，如管理邮件、日历、文档等。\n· Spark定价每月100美元，仅限Google AI Ultra用户，网友直呼昂贵，且产品节奏滞后于对手。\n· 谷歌拥有Gmail、Calendar等最佳生产力工具生态，但谨慎和恐惧导致其错失Agent先机。\n看点：谷歌面临人才与产品双重危机，Spark虽指明方向，但能否止血仍存疑，AI Agent大战进入白热化。","https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FFwgZHWWw-MBwLu1EZSJdJg",{"heat":16,"score":26,"src":133,"lab":28,"body":155,"title":156,"analysis":157,"url":158},"Meta 计划推出云业务，出售 AI 算力和模型，与亚马逊、谷歌竞争。","Meta 计划推出云业务，与亚马逊、谷歌竞争 AI 算力","Meta 计划推出云业务，与亚马逊、谷歌竞争 AI 算力市场，将销售 AI 计算能力和模型访问权限。\n· Meta 正在开发云基础设施，向外部客户提供 AI 算力和模型。\n· 此举直接对标 AWS、Azure 和 Google Cloud，意图在 AI 云市场分一杯羹。\n· Meta 拥有自研 AI 芯片和模型（如 Llama），可能提供差异化服务。\n影响\u002F看点：Meta 的云业务若成功，将重塑 AI 云市场格局，但面临技术、销售渠道和客户信任等挑战。","https:\u002F\u002Fwww.bloomberg.com\u002Fnews\u002Fvideos\u002F2026-07-01\u002Fmeta-is-planning-cloud-business-to-sell-ai-compute-power-video",{"heat":25,"score":26,"src":91,"lab":92,"body":160,"title":161,"analysis":162,"url":163},"消息称 OpenAI 分拆团队将公布内存效率架构突破，有望大幅降低长上下文模型成本。","OpenAI 分拆团队内存效率架构突破即将公布","可靠信源预测一项来自 OpenAI 分拆团队的内存效率架构突破即将公布，其意义远超普通模型发布，可能大幅降低长上下文模型和 AI 智能体的成本。\n· 该突破来自从 OpenAI 分拆的团队（非 SSI），重点提升内存效率。\n· 内存效率是长上下文模型、AI 智能体和推理成本的核心瓶颈，架构级突破可带来显著降价和实用性提升。\n· 预测者 Andrew Curran 被视为可靠信源，Kim 认为可能正处于转折点。\n影响\u002F看点：若属实，该架构突破将推动 AI 系统在长时间跨度任务中的实用化，可能引发新一轮模型效率竞赛。","https:\u002F\u002Fx.com\u002Fkimmonismus\u002Fstatus\u002F2072270741060440314",{"heat":16,"score":34,"src":165,"lab":28,"body":166,"title":167,"analysis":168,"url":169},"IT之家","Meta 筹建云服务业务，计划对外出售闲置 AI 算力与模型，与云巨头竞争。","消息称 Meta 筹建云服务业务，计划对外售卖闲置 AI 算力与模型","据彭博社报道，Meta 正在筹建云服务业务，计划对外售卖闲置 AI 算力与模型，此举将使 Meta 与亚马逊 AWS、微软 Azure 和谷歌云等巨头直接竞争。\n· Meta 计划成立新业务部门，将闲置的 AI 算力出售给外部客户，以创造营收。\n· 潜在方案包括开放 Meta AI 基础设施上托管的各类 AI 模型调用权限，类似 AWS 的 Bedrock 服务，开发者需支付使用费。\n· Meta 也在考虑对外出租“底层算力”，即直接提供计算资源。\n· 该业务隶属于 Meta Compute 内部项目，旨在构建和管理公司 AI 基础设施。\n· 扎克伯格曾暗示，行业面临算力瓶颈，Meta 应尽可能多地囤积算力资源，用途可日后决定。\n影响\u002F看点：Meta 此举若成功，将打破现有云服务格局，同时为自身巨额 AI 基础设施投资找到变现途径，但也可能加剧算力市场的竞争和价格压力。","https:\u002F\u002Fwww.ithome.com\u002F0\u002F971\u002F339.htm","行业动态",{"no":172,"count":64,"en":173,"arts":174,"zh":219},"04","RESEARCH",[175,182,189,194,199,204,209,214],{"heat":16,"score":176,"src":177,"lab":28,"body":178,"title":179,"analysis":180,"url":181},71,"The Decoder","OpenAI 论文显示 GPT-5.6 Pro 将推出三个变体，打破单一顶级模型策略。","OpenAI 论文揭示 GPT-5.6 Pro 三个变体，打破单一顶级策略","OpenAI 一篇基准论文暗示 GPT-5.6 Pro 可能推出三个变体，打破以往单一顶级模型的策略，这将是 ChatGPT Pro 层级自推出以来的重大变化。\n· 论文显示 GPT-5.6 Pro 可能分为三个不同版本，分别针对不同场景优化。\n· 这标志着 OpenAI 从“一个模型通吃”转向细分产品线，类似汽车的不同配置。\n· 具体变体的能力差异和定价尚未公布，但可能涵盖推理、创意、编码等方向。\n影响\u002F看点：如果成真，用户将能按需选择最适合的 Pro 模型，但也可能增加选择复杂度，OpenAI 的竞争策略正在从单一性能竞赛转向产品矩阵。","https:\u002F\u002Fthe-decoder.com\u002Fopenai-paper-reveals-three-gpt-5-6-pro-models-breaking-with-single-top-tier-strategy\u002F",{"heat":16,"score":183,"src":184,"lab":92,"body":185,"title":186,"analysis":187,"url":188},68,"X：AI Safety Memes (@AISafetyMemes)","AI通过prover-verifier LLM循环方法成功解决9个未解数学难题，包括一个两年未解问题。","AI 用 prover-verifier LLM 循环攻克 9 个未解数学难题","AI 通过“prover-verifier”LLM 循环方法，成功解决了 9 个未解的数学难题，但这一突破未得到主流媒体关注。\n· 方法：采用“证明者-验证者”循环，即一个 LLM 生成证明，另一个 LLM 验证其正确性，通过迭代提高可靠性。\n· 成果：解决了理论计算机科学中 9 个重大开放问题，其中包括一个困扰研究者 2 年的难题。\n· 研究团队：由哥伦比亚大学合作者完成，计划将方法扩展到所有科学领域。\n· 意义：这是 AI 在数学研究领域的重大突破，表明 LLM 不仅能辅助，还能独立发现新知识。\n影响\u002F看点：AI 攻克数学难题的新闻被忽视，反映了公众对 AI 能力的认知滞后。如果该方法能推广，AI 可能成为科学发现的新引擎，加速人类知识边界拓展。","https:\u002F\u002Fx.com\u002FAISafetyMemes\u002Fstatus\u002F2072085914558558402",{"heat":25,"score":183,"src":56,"lab":28,"body":190,"title":191,"analysis":192,"url":193},"Meta发布非侵入式脑电波转语言技术Brain2Qwerty，无需手术即可将脑信号转为文字。","Meta发布脑电波转语言技术，无需手术","Meta 发布 Brain2Qwerty v2，从脑电波解码语言，无需手术，准确率达 61%。\n· Brain2Qwerty v2 使用脑磁图（MEG）设备记录大脑活动，通过端到端深度学习从原始脑信号解码句子，无需手术植入。\n· 在 9 名志愿者约 22000 句数据上训练，词准确率达 61%，最佳参与者达 78%，超过一半句子解码错误不超过一个词。\n· 解码精度随数据量对数线性提升，表明通过数据扩展可进一步缩小与手术方法的差距。\n· Meta 开源了训练代码和数据集，旨在帮助因脑损伤无法交流的患者。\n影响\u002F看点：该技术为非侵入式脑机接口开辟了新途径，有望大规模帮助失语患者恢复沟通能力。","https:\u002F\u002Fai.meta.com\u002Fblog\u002Fbrain2qwerty-brain-ai-human-communication\u002F?_fb_noscript=1",{"heat":16,"score":34,"src":127,"lab":92,"body":195,"title":196,"analysis":197,"url":198},"中国团队发布35B参数Agent模型Agents-A1，声称通过长思考达到1T模型性能，已开源。","中国团队发布35B参数Agent模型Agents-A1，声称达1T模型性能","中国团队发布35B参数的Agent模型Agents-A1，声称通过更长的思考链达到1T参数模型的性能，这一“以小博大”的成果值得关注。\n· 模型通过让模型学习更长的验证工作习惯（平均训练样本45K tokens），实现了35B参数声称达到1T参数模型的性能。\n· 训练方法独特：先构建长动作记录数据，训练多个专家教师模型（搜索、科学、指令跟随、工具使用等），再将技能蒸馏至一个学生模型。\n· 模型采用Apache-2.0许可，权重已开源至Hugging Face，在搜索、科学、编码、工具使用、指令跟随等长任务基准上表现优异。\n· 这一成果展示了通过优化训练策略而非单纯扩大参数规模来提升模型性能的可能性，为Agent模型的发展提供了新思路。\n影响\u002F看点：Agents-A1证明了“更长的思考”可以弥补参数规模的不足，为资源有限的团队提供了追赶大模型的新路径，开源许可也促进了社区协作。","https:\u002F\u002Fx.com\u002Frohanpaul_ai\u002Fstatus\u002F2072119012662841559",{"heat":68,"score":34,"src":127,"lab":92,"body":200,"title":201,"analysis":202,"url":203},"Meta开源非侵入式脑机接口系统Brain2Qwerty v2，词准确率达78%，无需手术植入电极。","Meta开源非侵入式脑机接口系统Brain2Qwerty v2，词准确率达78%","导读：Meta 开源非侵入式脑机接口系统 Brain2Qwerty v2，通过 MEG 头盔读取脑信号实现文字输出，词准确率达 78%，无需手术。\n· 系统使用 MEG 头盔采集脑信号，9 名志愿者每人录入约 10 小时，共约 2.2 万句神经活动数据。\n· 平均词准确率 61%，最强参与者达 78%，超 50% 句子解码误差不超过 1 个词。\n· v2 版本联合映射脑信号到字符、词汇及完整句义，深度学习直接从原始信号学习模式，再经微调 LLM 利用上下文修正错误。\n· 相比早期非侵入方法 8% 的准确率显著提升，且准确率随训练数据量增加而提高。\n影响\u002F看点：Brain2Qwerty v2 展示了非侵入式脑机接口在文字输出上的巨大潜力，为残障人士沟通和未来人机交互提供了新可能，但距离实用化仍需提高准确率和降低设备成本。","https:\u002F\u002Fx.com\u002Frohanpaul_ai\u002Fstatus\u002F2072098321670553959",{"heat":16,"score":34,"src":91,"lab":92,"body":205,"title":206,"analysis":207,"url":208},"Fable-5在Remote Labor Index上达16.10%自动化率，较前代提升近4倍，领跑排行榜。","Fable-5 在 Remote Labor Index 上达 16.10% 自动化率","Anthropic 的 Fable-5 模型在 Remote Labor Index（RLI）上达到 16.10% 自动化率，较前代 Opus 4.6 提升近 4 倍，是第二名模型的两倍。\n· RLI 使用 240 个来自专业自由职业者的真实远程工作项目，覆盖 23 个领域、超 14 万美元的人类工作。\n· 评审者将 AI 输出与人类参考对照，判断合理客户是否会接受，Fable-5 目前领先公共排行榜。\n· 作者称这一飞跃表明 AI 仍在指数级发展，甚至最难的基准也开始被攻克。\n· 自动化率大幅提升意味着更多远程工作可能被 AI 替代，对自由职业市场影响深远。\n影响\u002F看点：Fable-5 在真实工作基准上的突破，显示 AI 能力仍在快速提升，可能加速远程工作领域的自动化进程。","https:\u002F\u002Fx.com\u002Fkimmonismus\u002Fstatus\u002F2072376968729817531",{"heat":16,"score":104,"src":49,"lab":28,"body":210,"title":211,"analysis":212,"url":213},"中国初创公司Loop的世界模型论文登顶Hugging Face，获周鸿祎、陆奇投资。","Loop世界模型论文登顶Hugging Face，来自中国初创获周鸿祎陆奇投资","中国初创公司脸谱心智的Loop世界模型论文登顶Hugging Face，获周鸿祎和陆奇投资，该模型通过循环迭代细化潜在环境状态，提升长时序预测能力。\n· LoopWM不再一次前向传播猜完世界状态，而是通过共享参数的Transformer模块反复迭代细化，实现高保真长时程模拟。\n· 该方法解决了深度模型部署成本高和误差累积的问题，在仿真具身环境、GUI Agent和真机机械臂中验证。\n· 公司已完成数千万元Pre-A轮融资，投资方包括星连资本、360和奇绩创坛，团队由95后博士陆弘远创立。\n· 论文受到Anthropic和Facebook投资人关注，被认为重写了“AI如何反复推演世界”。\n· 相比传统世界模型，LoopWM在长时序任务中更稳定，被视为GUI Agent和具身智能的重要基础。\n看点：中国初创在世界模型领域取得突破，Loop架构可能成为下一代AI基础设施的关键组件，吸引顶级资本押注。","https:\u002F\u002Fwww.qbitai.com\u002F2026\u002F07\u002F441225.html",{"heat":16,"score":104,"src":177,"lab":28,"body":215,"title":216,"analysis":217,"url":218},"Meta 非侵入式脑机接口 AI Brain2Qwerty v2 精度提升，接近手术植入水平。","Meta 非侵入式脑机接口 AI 接近手术植入水平","Meta 的 FAIR 团队推出 Brain2Qwerty v2，通过非侵入式脑机接口将大脑活动转化为打字文本，准确率接近手术植入水平。\n· 系统在颅外读取磁信号，重建人的打字内容，无需植入或手术。\n· 每次额外记录都提升准确率，AI agent 自行编写代码帮助优化。\n· 临床应用（如瘫痪患者）仍遥远，但非侵入式方法降低了风险和成本。\n· 与手术植入方案相比，非侵入式方法在安全性和可及性上具有优势。\n影响\u002F看点：非侵入式脑机接口的进步可能加速人机交互的变革，未来或为行动不便者提供新的沟通方式，同时推动脑机接口技术的普及。","https:\u002F\u002Fthe-decoder.com\u002Fmetas-non-invasive-brain-to-text-ai-is-closing-the-gap-with-surgical-implants\u002F","论文研究",{"no":221,"count":64,"en":222,"arts":223,"zh":272},"05","TIPS & OPINIONS",[224,232,237,243,249,255,260,267],{"heat":16,"score":225,"src":226,"lab":227,"body":228,"title":229,"analysis":230,"url":231},73,"Tomer Tunguz 博客","大咖博客","观点：构建AI智能体应先设计路由决定模型选择，而非先选模型，路由可大幅降低成本。","大多数AI工作可以等待：先设计路由，再选模型","大多数 AI 工作可以等待，先设计路由再选模型，可大幅降低成本。\n· 构建 agent 的团队常先选模型再定架构，这是错误的；模型选择应是最后决策，路由才是关键。\n· 路由分为三层：技能分类器（识别任务类型）、路由器（决定哪个模型层级执行）、模型选择器（在层级内选最便宜的模型）。\n· 本地计算几乎免费，异步批处理推理比实时推理便宜两个数量级，因此大部分工作不需要实时响应。\n· 通过队列和路由，70-80% 的流量可由本地或异步模型处理，AI 支出可降低 90% 以上。\n影响\u002F看点：该观点提供了一种实用的 AI 成本优化策略，强调路由设计比模型选择更重要，适合大规模部署场景。","https:\u002F\u002Fwww.tomtunguz.com\u002Fai-execution-routing\u002F",{"heat":16,"score":176,"src":149,"lab":42,"body":233,"title":234,"analysis":235,"url":236},"Karpathy提出用LLM将笔记编译成活Wiki替代RAG，提升知识管理效率，已获5000+星。","Karpathy提出新方法：用LLM将笔记编译成活Wiki，替代RAG","Karpathy 提出用 LLM 将笔记编译成活 Wiki，替代 RAG，实现知识复利增长。\n· Karpathy 认为 RAG 只能局部检索，无法理解全局，且易产生矛盾；他提出将笔记视为不可变源代码，让 LLM 作为编译器，生成结构化 Wiki。\n· 框架分三层：Raw 层（原始笔记）、Schema 层（知识规则）、Wiki 层（编译成品），日常操作包括摄入、查询、体检。\n· 每次添加新笔记，AI 自动更新相关条目、修订综述、标记矛盾，知识持续保鲜而非每次查询临时重建。\n· 该方法已在 Obsidian、Claude 等社区引发迁移，学术研究者、创业者等正在采用。\n影响\u002F看点：Karpathy 的方法可能改变知识管理范式，从“检索”转向“编译”，让知识像代码一样利滚利。","https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FG7Fna5qK20lFji4Lqx8GMA",{"heat":25,"score":26,"src":238,"lab":92,"body":239,"title":240,"analysis":241,"url":242},"X：邵猛 (@shao__meng)","吴恩达提出“循环工程”，认为AI产品成功取决于工程执行、开发者反馈和外部反馈三个循环。","吴恩达提出「循环工程」：三个循环决定AI产品成败","吴恩达提出“循环工程”，三个循环决定 AI 产品成败：工程执行、开发者反馈、外部反馈。\n· 工程执行循环：AI agent 根据规格和评估自主写代码、测试、修 bug，每几分钟迭代。\n· 开发者反馈循环：开发者从低层 QA 转向产品判断（功能取舍、视觉风格等），每几十分钟到几小时反馈。\n· 外部反馈循环：通过真实用户测试、A\u002FB 测试等验证方向，周期数小时至数周。\n· 未来竞争力在于设计好这三类循环，使 AI agent 持续迭代、校准。\n影响\u002F看点：吴恩达的框架为 AI 产品开发提供了系统化方法论，强调循环设计而非单次模型优化。","https:\u002F\u002Fx.com\u002Fshao__meng\u002Fstatus\u002F2072120415628247125",{"heat":25,"score":34,"src":244,"lab":85,"body":245,"title":246,"analysis":247,"url":248},"NVIDIA Technical Blog","NVIDIA博客介绍强化学习在AI智能体中的应用，从RLHF到RLVR，用于领域特定工作流。","掌握智能体技术：AI智能体强化学习","强化学习（RL）正从对齐语言模型的核心技术，演变为面向特定领域智能体的实用方法，NVIDIA 博客详解其应用。\n· RL 在 AI 助手中的应用包括基于人类反馈的强化学习（RLHF）和基于可验证奖励的强化学习（RLVR）。\n· RLVR 适用于推理和智能体任务，通过可验证奖励信号训练模型，提升准确性和可靠性。\n· 对于企业需要更精准领域智能体的场景，RL 正成为实用技术，可定制化训练专用模型。\n· 博客还介绍了 RL 在智能体工作流中的具体实现和最佳实践。\n影响\u002F看点：强化学习从实验室走向企业应用，为构建高精度领域智能体提供新路径，可能推动 AI 在垂直行业的深度落地。","https:\u002F\u002Fdeveloper.nvidia.com\u002Fblog\u002Fmastering-agentic-techniques-ai-agent-reinforcement-learning\u002F",{"heat":16,"score":40,"src":250,"lab":85,"body":251,"title":252,"analysis":253,"url":254},"Meta Engineering Blog","Meta分享大规模AI存储蓝图，指出存储瓶颈是GPU停等主因，影响支出和上市时间。","Meta大规模AI存储蓝图","Meta 分享其大规模 AI 存储蓝图，介绍 BLOB 存储架构如何应对 GPU 利用率和研究速度两大挑战。\n· Meta 运营数百 EB 级存储集群，服务 Facebook、Instagram、Meta AI 等所有产品，底层基于 Tectonic 块层。\n· Tectonic 是区域性多租户存储结构，采用纠删码技术提供高持久性和可用性，支持 HDD 和闪存分层。\n· BLOB 存储层在 Tectonic 之上提供全局无限扩展的存储结构，允许用户在持久性和可用性之间权衡。\n· 存储瓶颈是 GPU 停顿的主要原因之一，直接影响支出和上市时间，Meta 的架构旨在最大化 GPU 利用率和研究迭代速度。\n影响\u002F看点：Meta 的存储架构为大规模 AI 训练提供了关键基础设施，其设计思路对应对存储瓶颈具有重要参考价值。","https:\u002F\u002Fengineering.fb.com\u002F2026\u002F07\u002F01\u002Fdata-infrastructure\u002Fmetas-ai-storage-blueprint-at-scale\u002F",{"heat":55,"score":40,"src":238,"lab":92,"body":256,"title":257,"analysis":258,"url":259},"mattpocockuk发布编写可预测AI Skill的指南，强调过程可预测、三层信息结构和五种失败模式。","编写可预测AI Skill的指南：mattpocockuk的\u002Fwriting-great-skills","mattpocockuk 的 \u002Fwriting-great-skills 指南成为其最常调用的 Skill，核心是教开发者如何编写稳定可预测的 AI Skill，对构建可靠AI应用极具价值。\n· 核心目标：以过程可预测为目标，确保Skill在不同场景下表现一致。\n· 区分两种调用方式：model-invoked（自动触发）与 user-invoked（用户调用），description 应作为触发器。\n· 采用三层信息结构（主步骤、参考、外部文件）实现渐进式披露，每步骤需明确完成标准。\n· 拆分Skill是为了控制模型注意力，利用 leading word 压缩行为要求。\n· 诊断五种失败模式：Premature completion、Duplication、Sediment、Sprawl、No-op，并提供 No-op 测试作为判断句子是否有效的标准。\n影响\u002F看点：该指南为AI Skill开发提供了系统化的方法论，有助于提升AI应用的稳定性和可维护性，是开发者必备的参考。","https:\u002F\u002Fx.com\u002Fshao__meng\u002Fstatus\u002F2072126769986220157",{"heat":25,"score":261,"src":262,"lab":92,"body":263,"title":264,"analysis":265,"url":266},59,"X：Vista (@vista8)","对比MCP、API、CLI三种Agent工具调用方式，MCP支持人在回路，API适合多数场景，CLI虽好用但长期受限。","MCP、API、CLI三种Agent工具调用方式对比","MCP、API、CLI 三种 Agent 工具调用方式各有优劣，MCP 唯一在协议层支持“人在回路”。\n· MCP 支持回传会话、UI 嵌入、等待人操作，适合需要人工干预的场景。\n· API 凭借接口描述、可读状态等元信息，适合 90% 的常规场景。\n· CLI 因 bash 可组合性强、本地调试方便而最好用，但依赖 Unix shell 环境，易因等待输入卡死。\n· 长期看 CLI 是死路，MCP 和 API 更可持续。\n看点：选择工具调用方式需权衡场景需求，MCP 的人机协作特性或成未来趋势。","https:\u002F\u002Fx.com\u002Fvista8\u002Fstatus\u002F2072200972357828922",{"heat":16,"score":261,"src":91,"lab":92,"body":268,"title":269,"analysis":270,"url":271},"有人用Claude Skill在Capafy平台发布世界杯技能，首周收入4208美元，月化超1.6万美元。","Claude Skill 经济启动：一周赚 4208 美元","有人用 Claude Skill 在 Capafy 平台发布 World Cup Skill，一周赚 4208 美元，月化超 1.6 万美元。\n· 该技能仅用一个下午构建，作为可订阅智能体产品上线。\n· 推广主要靠 TikTok 和 Instagram 短视频引流。\n· 主推文认为技能经济已启动，创作者可上传技能并通过视频变现。\n· 案例展示了 AI 技能商业化的潜力，低门槛高回报。\n看点：Claude Skill 经济初现，创作者经济向 AI 领域延伸，变现模式值得关注。","https:\u002F\u002Fx.com\u002Fkimmonismus\u002Fstatus\u002F2072326815654334749","技巧与观点",[274,275,276,277,278,279,280,281,282,283,284,285,286,287,5,288,289,290,291,292,293,294,295],"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","2026-06-28","2026-06-27","2026-06-26","2026-06-25","2026-06-24","2026-06-23","2026-06-22","2026-06-21"]