全网 AI 情报，每天一站看全

Claude Fable 5 回归，但使用额度减半且价格翻倍，值得关注其性价比变化。

• Fable 5 已在 Claude 的 Pro、Max、Team 和高级版 Enterprise 中可用，每周使用量限额的 50% 可用于 Fable 5，7 月 7 日后改为按积分计费。
• 标准 Enterprise 席位无免费额度，全部按积分计费；API 方面，Claude Platform、Claude.ai、Claude Code、Claude Cowork 先上线，随后 AWS、Google Cloud、微软 Foundry 跟进。
• 价格方面，每百万输入 token 10 美元、输出 50 美元，是 Opus 4.8 的两倍。
• 影响/看点：Fable 5 回归虽带来更强模型，但额度减半和价格翻倍可能让用户权衡成本与收益，尤其对高频使用者影响较大。

葡萄牙发布首个欧洲葡语开源大模型 AMALIA，投资 550 万欧元，由 60 余位研究人员开发。

• AMALIA 模型由葡萄牙多家学术机构历时 18 个月开发，先期投资 550 万欧元，利用 Deucalion、MareNostrum 5 等算力基础设施。
• 第一阶段用约 4 万亿个葡语单词训练出 9B 规模模型，后续升级为多模态，具备理解文本、图像、声音的能力。
• 今年内将新增 22B 版本并获得智能体能力，需追加 150 万欧元投资。
• 影响/看点：AMALIA 的发布填补了欧洲葡语开源大模型的空白，对葡语国家 AI 生态发展有重要意义。

NVIDIA 推出全新商业模式，邀请资本合作伙伴共建 AI 基础设施，通过收入分成和信用支持模式，让初创公司、模型构建者等更快获得大规模算力。

• 核心创新：NVIDIA 推出“AI 工厂”模式，将算力交付从一次性购买转为按 token 使用的收入分成，降低 AI 公司资本门槛。
• 首批实践：Sharon AI 部署多达 4 万块 Grace Blackwell GB300 GPU；Firmus 在印尼巴淡岛建设 360 兆瓦、最多 17 万块 GPU 的 AI 工厂。
• 商业模式优势：AI 云公司可销售基于 NVIDIA DSX 的云服务，NVIDIA 则获得与使用量挂钩的经常性收入，实现双赢。
• 行业影响：模型构建者、推理提供商等无需等待选址、供电、建设等环节，可更快获得全栈加速计算。
• 看点：NVIDIA 正从芯片供应商转型为 AI 基础设施运营商，这一模式可能重塑 AI 算力市场的资本结构和竞争格局。

OpenAI 汇总 6 月面向开发者的一揽子更新,核心信号是 Codex 正从“代码助手”加速扩张为覆盖调试、多端构建、云端环境和移动端的全流程开发平台,同时 DevDay 2026 报名已开启。

• DevDay 2026 申请通道开放,截止 7 月 10 日,仍是 OpenAI 每年集中发布开发者新能力的主场
• Codex 新增 Record and Replay(录制回放调试)、角色上下文、iOS 应用构建(含预览)三款插件,补齐“可复现排错+多端出包”能力
• Codex 内可直接调用 OpenAI API、Agents SDK 及 ChatGPT 应用,并与 DigitalOcean 打通云端开发环境,降低团队自建基础设施的门槛
• 移动端上 Codex 已在 ChatGPT App 全量上线,并扩展至欧洲经济区、英国、瑞士,同时加入浏览器上下文增强与开发者数据看板
• API 新增内容审核评分、图像结果返回,叠加 AWS 工作流集成和新版 docs agent,构成更完整的企业接入链路
• 看点:这轮更新拼出的是 Codex 从写代码工具向“云端+移动端+可审计”综合开发环境演进的路线图,已重度使用 Codex 的团队值得优先试用新插件。

Google 发布 ADK Go 2.0，引入基于图的 workflow 引擎，让构建复杂多 Agent 应用更可靠、更灵活。

• 新增一等公民的图式工作流引擎，支持复杂多 Agent 编排。
• 内置人机协同（HITL）原语，可在关键节点加入人工审批。
• 动态执行能力，允许用纯 Go 代码控制流程，配合指数退避重试等自动容错。
• 统一执行模型，单 Agent 和复杂图都运行在同一运行时上，简化遥测和状态持久化。
• 影响/看点：ADK Go 2.0 降低了多 Agent 系统的开发门槛，尤其适合需要高可靠性和人工介入的企业级场景。

中国AI模型登顶全球榜首，同时首个可编辑AI语音发布，标志着中国在AI语音领域取得突破性进展。

• 该模型在权威评测中排名全球第一，具体评测标准和榜单名称未披露，但凸显中国AI技术实力。
• 首个可编辑AI语音技术允许用户对生成的语音进行精细化调整，如修改语调、语速、情感等。
• 该技术有望应用于语音助手、有声读物、影视配音等领域，提升语音交互的灵活性和自然度。
• 中国团队在语音合成与编辑方面的创新，可能推动AI语音从“生成”走向“创作”阶段。
• 影响/看点：中国AI在语音领域的突破，不仅展示了技术实力，也为商业化应用开辟了新路径，值得关注后续产品落地。

支付宝正式公测 AI 助手“蚂蚁阿宝”，无需邀请码即可体验，标志着支付宝从“陈列式”向“对话式”服务升级。

• 用户右滑进入新版，直接通过对话框或语音指令办事，例如说“查公积金”即可自动匹配小程序并直达操作界面。
• 所有涉及资金变动和支付的环节，必须由用户本人确认，确保安全。
• 常用功能如扫码、转账也预留了快捷入口。
• 阿宝负责跑通流程、摆好窗口，最终支付决策权始终在用户手中。
• 影响/看点：这是超级 App 拥抱 AI 对话交互的典型案例，将复杂的多步操作折叠成一句话，用户体验大幅提升，同时坚守安全底线。

Kimi K2.7 Code作为首个开源权重模型登陆GitHub Copilot，为开发者提供更低成本的编码选择。

• 模型由GitHub托管于Microsoft Azure，按提供商列表价格计费，支持Copilot Pro、Pro+、Max计划。
• 可在VS Code、Visual Studio、JetBrains、Xcode等主流IDE中选择使用，逐步扩展至Business和Enterprise。
• 企业管理员需手动启用策略，建议先评估安全与合规性。
• 开源模型加入Copilot模型选择器，丰富了开发者生态，降低了对闭源模型的依赖。
• 看点：开源模型与商业平台的结合，或将重塑AI编码工具的市场格局。

Fish Audio发布S2.1 Pro文本转语音模型，免费API至7月24日，支持83种语言。

• Fish Audio S2.1 Pro支持83种语言、声音克隆及自然语言控制情感与韵律，质量、延迟和吞吐量均优于前代S2 Pro。
• 在Artificial Analysis Speech Arena排行榜上，S2.1 Pro基于1072场竞技获得Elo 1153，排名第13，超过Async Pro v1.0、Speech 2.8 Turbo和Step TTS 2。
• 处理速度达56.3字符/秒，高于GPT-Realtime-2（45.8 chars/s）和Gemini 3.1 Flash TTS（25.3 chars/s）。
• 看点：免费API策略将吸引大量开发者试用，有望快速积累用户反馈，推动模型迭代，同时加剧TTS市场竞争。

苹果在 Safari 技术预览版 247 中引入 MCP 服务器支持，让 AI 智能体直接连接浏览器进行网页开发和调试，值得开发者关注。

• MCP（模型上下文协议）是一种开放标准，允许 AI 智能体连接外部工具、服务和数据源，典型应用包括代码仓库、协作平台、数据库等。
• 配置后，编程智能体可检查网页、访问控制台日志和网络请求、抓取截图并与页面元素交互。
• 苹果列出的用途包括调试网站、识别 Safari 兼容性问题、性能分析、可访问性检查以及验证页面和 UI 状态。
• 这标志着浏览器开发工具与 AI 智能体的深度融合，有望大幅提升开发效率。
• 影响/看点：Safari MCP 服务器将 AI 智能体引入浏览器调试流程，可能改变传统开发调试方式，推动浏览器工具智能化。

美国政府正与多家AI企业洽谈自愿性行业标准，旨在管控前沿模型发布，这标志着AI监管从“事后追责”转向“事前预防”。

• 美国与谷歌、OpenAI、Anthropic等企业磋商，拟出台自愿性标准，规范新模型发布前的安全测试与性能基准。
• 此前已通过行政令要求联邦机构联合企业进行安全测试，并因国家安全风险暂停Anthropic模型出口、推迟GPT-5.6发布。
• 标准将明确模型访问权限，尤其关注海外主体使用风险，防止技术被军事情报机构滥用。
• 企业参与积极，谷歌已就代码生成模型与政府沟通，OpenAI和Anthropic均在筹备IPO，监管动态影响市场预期。
• 看点：自愿性标准能否平衡创新与安全，将成全球AI治理风向标。

快手正式公告可灵AI分拆融资的关键细节——首批投资者已敲定近138亿元人民币注资,为这家国产视频生成AI独角兽走向港股IPO铺路,是观察大模型公司资本化路径的一个样本。

• 北京可灵(快手间接全资附属公司,重组完成后将承接可灵AI相关资产及业务)与21名独立投资者等“初始投资者”订立增资协议,合共以人民币138.24亿元(约20.28亿美元)现金注资,惟须相关条件达成或获豁免
• 协议留有60天“认购期”扩容空间,后续追加投资总额上限为204.471亿元人民币(约30亿美元),约占北京可灵扩大后注册资本的16.67%;同日已有15名额外投资者签订加入协议,合计追加52.235亿元人民币(约7.6639亿美元)
• 结合7月1日消息,本轮融资投后估值约180亿美元,较快手今年4月首次筹划分拆时200亿美元的估值目标有所下调
• 有接近交易的消息人士透露,快手计划在未来12个月内启动可灵AI赴港上市程序,IPO募资将主要投向扩充算力、建设数据中心及引进留住人才
• 从“分拆”到“融资落地”再到“上市倒计时”,可灵AI的资本化节奏明显加快,估值中途下修也侧面反映出视频生成赛道竞争白热化、投资人对高估值愈发谨慎,后续港股上市进展值得持续关注。

Meta 拟推出云算力业务，直接冲击 AWS 等云巨头，市场反应剧烈。

• Meta 正在筹建名为“Meta Compute”的云基础设施业务，对外出售 AI 算力和模型访问权限，直接与 AWS、微软 Azure、谷歌云竞争。
• 消息公布后，Meta 股价一度跳涨超 10 点，市值暴增近 980 亿美元；而 CoreWeave 暴跌 14%，Nebius 崩了 17%，英伟达等芯片股也全线飘绿。
• Meta 过去两年在 AI 基础设施上投入巨大，2026 年资本支出指引高达 1250 亿至 1450 亿美元，但 AI 业务独立营收不明显，因此将多余算力出租成为变现途径。
• Meta 计划效仿 SpaceX 的算力租赁模式，提供裸算力和模型 API 两种服务，其中闭源模型 Muse Spark 是亮点。
• 影响/看点：Meta 下场卖算力，可能重塑云计算格局，算力资产成为 AI 竞赛下半场的核心优势。

OpenAI 提议向美国政府提供其 8520 亿美元商业价值的 5% 股份，借鉴阿拉斯加石油基金模式，让公众分享 AI 未来收入，以缓解监管压力。

• 提议内容：OpenAI 拟将 5% 股份放入政府关联基金，赋予收益权但不控制权，类似阿拉斯加石油基金。
• 行业反应：Anthropic、Google、Meta 等公司未同意加入该提议。
• 法律障碍：该方案法律路径不明确，可能需要国会批准，且现有股东（OpenAI 基金会 26%、微软 27%、员工及其他投资者 47%）股份将被稀释。
• 潜在方案：最干净的方案是放入非投票权股份，赋予收益但不控制权；投票权方案会导致政府既监管又持股的利益冲突。
• 看点：OpenAI 此举旨在通过利益共享换取监管宽松，但面临法律、股东和竞争对手的多重挑战，能否落地尚存疑问。

美团内部通知全面限用豆包大模型，并要求业务迁移至自研模型，这标志着大厂在AI技术路线上的“去外部依赖”趋势加速。

• 美团要求所有业务自查豆包使用情况，并规划迁移至LongCat、DeepSeek等模型，无法迁移需单独审批。
• 此前美团已限制使用阿里云Qwen模型，需X3级别审批，显示其逐步收紧外部大模型使用。
• LongCat是美团自研大语言模型，2023年启动，已应用于“小团”助手、商家经营助手等场景。
• 美团近期发布LongCat-2.0，参数达1.6T，基于国产算力集群训练，预训练数据超30T tokens，支持1M超长上下文。
• 影响/看点：美团此举凸显科技巨头正加速构建自主AI能力，减少对第三方模型的依赖，同时推动国产算力生态发展。

国内首个 L2 辅助驾驶强制性国标发布，华为、小米等联合起草，填补安全规范空白。

• 工信部发布《智能网联汽车 组合驾驶辅助系统安全要求》强制性国家标准，拟于 2027 年 1 月 1 日实施。
• 这是国内首个针对 L2 级辅助驾驶的强制性国标，由华为引望、小米、比亚迪、特斯拉、蔚来、小鹏、理想等头部企业联合起草。
• 标准充分考虑了不同产品形态和技术路线，提出了要求清晰、维度全面、适应国情的安全指标体系。
• 目前国内搭载组合驾驶辅助功能的乘用车新车市场渗透率达 70%，其中 NOA 功能渗透率超 30%，该标准将规范行业发展。
• 影响/看点：该标准将提升 L2 辅助驾驶的安全性和可靠性，推动行业规范化，对消费者和车企均有重要影响。

Sam Altman在英国《金融时报》专访中再度放出重话,称未来一两年AI系统的威力将重塑人类物质条件,规模堪比电力发明以来的任何技术,同时首次给出GPT-6的具体时间表,是当前观察OpenAI节奏与AGI预期的关键信号。

• 电力级类比:Altman认为即将到来的AI系统不是渐进式升级,而是像“电”这种通用技术一样从根本上重塑人类生产生活方式
• AGI时间表:关联推文补充,能够取代多数白领岗位的AGI预计在2029年到来,时间线比外界此前预期更紧迫
• GPT-6节奏:OpenAI内部目标是8月发布GPT-6,要求在所有基准测试上全面超越GPT-5
• 迭代不止步:GPT-6之后数月还会迎来“又一次阶跃变化”,暗示OpenAI锁定的是连续快速迭代路线图,而非把GPT-6当终点
• 表态背景:原文提到“通常不会太在意Altman这类表态”,但结合近期一系列信号,作者认为这次值得认真对待
• 看点:如果时间表兑现,今年下半年AI能力曲线可能出现新一轮陡峭跃升,GPT-6能否兑现“全面超越GPT-5”将是检验这番言论含金量的第一块试金石。

微软宣布砸下25亿美元组建一个名为「前沿公司」的新部门，直接把6000名工程师派进企业客户内部去落地AI，这一步棋释放出微软想在AI企业化浪潮里抢占“总集成商”位置的信号。

• 「前沿公司」的核心打法不是卖模型或卖工具，而是把工程师团队直接嵌入客户的核心业务流程，目标是做出可衡量的投资回报，而不是停留在概念验证阶段
• 6000人的规模意味着微软要用真人力去弥补企业客户“有AI预算却买不到落地能力”的缺口，把交付能力当成核心竞争力来投入
• 微软借此把自己定位成“平台中立”的AI集成商，区别于OpenAI、Anthropic这类靠自家部署公司主推自家模型的路线
• 这本质上是一场关于AI价值链下一段利润在哪里的押注：模型层竞争激烈且同质化严重，微软选择往下游的“交付与落地”环节要利润
• 如果这个模式跑通，企业AI落地的门槛会从“买对模型”变成“找对集成商”，微软等于在自己最擅长的企业渠道优势上又加了一道护城河，值得持续关注它和OpenAI、Anthropic在企业市场的竞合走向。

苹果这篇论文把“推理模型该想多久”这个老大难问题,从经验调参变成了有统计保证的风险控制问题,给自适应推理的停止时机提供了一套可证明的方法论。

• 推理型大模型靠“测试时扩展”提升准确率,多花token通常换来更高正确率,但没人明确知道到底该花多少
• 传统做法是手工设定token预算或置信度阈值,本质是在“算错的风险”和“算力开销”之间凭经验拍脑袋
• 论文把预算设定重新表述为“风险控制”问题:先设定一个可接受的错误率上限,再在满足这个上限的前提下让模型尽量少花算力
• 框架引入一个停止阈值,让模型在出现“继续推理已无益”的统计信号时提前退出,而不是靠运气踩线
• 相当于给推理成本装了一根“保险丝”,部署时把错误率钉在可控范围内,不再是黑箱式的手工调参
• 对于要把推理模型规模化部署、既要控制token账单又要保证正确率下限的团队,这类可证明的风险控制框架,比经验性的“思考预算”调参更值得关注。

苹果最新研究发现，让多个大模型智能体自由协作、不设固定分工的“自组织团队”，不仅没能放大群体智慧，反而会拖累其中专家水平智能体的发挥，是多智能体系统设计中一个反直觉的结论。

• 研究背景：当前多智能体系统越来越多被部署为自主协作者，智能体之间自由互动而非执行预先设定好的固定工作流，协调方式很大程度要靠交互过程中自然“涌现”
• 以往大多数研究靠固定角色、固定流程或聚合规则来强制实现协调，很少真正测试过“协调完全不受约束”时自组织团队到底表现如何
• 团队借鉴组织心理学框架，专门检验自组织的大模型团队能否像优秀的人类团队那样出现协同增效（整体表现优于个体之和）
• 核心发现与标题呼应：团队中原本能力突出的“专家”智能体，被放进自由协作的团队后，个体表现反而被拖累，说明协调开销和群体动力学在AI团队里同样会“拖后腿”
• 对多智能体系统落地是个提醒：堆更多、更强的智能体不等于更强的团队产出，协作机制设计比单体能力更关键
• 看点：如果连专家智能体单独干活都比放进自由协作团队更好，当前不少“智能体扎堆解决问题”的产品思路，可能需要重新审视协调机制的设计，而不只是一味加人加算力。

苹果研究团队系统检验了经强化学习微调的视觉语言模型（VLM）在推理链路上到底有多脆弱，发现哪怕是很简单的文字干扰，也能让模型的判断明显“翻车”，对当下靠RL提升推理能力的路线是个提醒。

• 背景：RL微调已成为提升大模型推理能力的关键技术，并被越来越多地移植到视觉语言模型上，在视觉推理基准上确实带来了性能提升
• 但这类经RL调优的VLM仍存在明显短板：视觉grounding（图文对齐）能力弱、容易产生幻觉，且过度依赖文本线索而非真正“看图”
• 研究团队设计了简单可控的文本扰动实验：给模型看误导性的图片描述，或者在推理过程中塞入错误的思维链（CoT）片段
• 结果显示，这类干扰会让模型的鲁棒性和置信度出现明显下降，说明模型的“推理”很大程度上是在附和文字提示，而非真正基于视觉证据
• 干扰造成的影响程度还与模型自身思维链的一致性相关，一致性越差的模型，受干扰后越容易“判断失灵”
• 看点：视觉推理能力的提升如果建立在“听文字胜过看图”的基础上，一旦输入信息（描述、提示词）被误导或污染，模型可靠性会被显著放大风险，这对多模态智能体在真实场景中的稳健性提出了新的评测要求。

苹果提出名为Ctrl-R的新框架，试图解决大模型强化学习训练中一个被忽视的问题——模型的“推理方式”本身很难被主动引导，研究者想让训练不再只是被动等待某种推理模式“自己冒出来”。

• 背景：大模型在推理任务中会自发表现出一些反复出现的语言模式，比如遇到需要自我验证时说“wait”，这类模式通常被视为一种涌现的推理行为
• 问题在于，复杂、多样的推理轨迹在不加约束的采样中非常稀疏，标准RL训练无法保证模型稳定学到这些多样化的推理行为
• 团队提出“结构化推理”范式：在RL训练过程中对特定的推理模式进行有针对性的探索，而不是被动等待模型自己“撞见”这些模式
• 由此提出Ctrl-R框架，核心是让推理轨迹变得可控、可追踪，系统性地发现并强化多样的推理行为，而非依赖运气
• 这一思路把推理能力的训练，从“看运气的涌现”往“工程可控”的方向推进了一步
• 看点：如果推理模式真的可以被主动设计和强化，而不是被动等待涌现，将有望提升复杂推理任务上的训练效率和可控性，也为后续推理模型的训练方法论提供了新思路。

苹果这篇论文瞄准扩散语言模型(dLLM)推理里一个容易被忽视的环节——“该按什么顺序把被掩码的token揭开”,尝试用可学习的策略替代人工试出来的经验规则。

• 扩散语言模型不像自回归模型逐字往下写,而是每一步同时决定“揭开哪些被掩码的token”,这个顺序直接决定生成质量和速度
• 目前主流做法是置信度阈值等启发式规则,先揭开模型最有把握的token,确实比随机揭开效果更好
• 但这类启发式规则依赖人工调参,论文还观察到其表现并不稳定,换个任务或模型规模就可能失灵
• 论文提出让“揭谁的掩码”这件事本身变成可学习的策略,由训练获得而不是手工设计
• 如果这个改进成立,相当于给dLLM的推理效率再上一个台阶,巩固其相对自回归模型的速度优势
• 扩散语言模型近来被视为自回归架构的有力挑战者,推理调度策略能否自动化是决定它能否规模化落地的细节战场,值得关注苹果后续是否放出更完整的实验或代码。

这是苹果同批扩散语言模型研究的姊妹篇,发现现有dLLM在“重掩码”机制里被直接丢弃的计算其实还有利用价值,提出残差上下文扩散(RCD)把这部分算力回收利用。

• 分块式扩散语言模型能并行解码多个token,速度快,但每步只保留模型最有信心的token,其余全部丢弃并重新掩码
• 论文指出这些被丢弃的token并非毫无价值,它们携带的上下文信息对后续解码步骤仍然有用
• 直接丢弃等于白白浪费了已经算出来的计算结果,这是当前方案的一个效率漏洞
• 论文提出的残差上下文扩散(RCD)模块把被丢弃token的计算“回收”,喂给后续解码步骤复用
• 本质是在不改变整体扩散框架的前提下,用更细粒度的计算复用换取推理效率提升
• 和前一篇“可学习去掩码策略”合起来看,苹果这两篇论文都在补扩散语言模型工程效率上的短板,如果能落地会直接影响dLLM相对自回归模型的推理成本优势。

Epoch AI发布了一个专门测试AI“临场学习能力”的新基准EBR-bench，结论略显扎心：让AI反复挑战同一款高难度桌游并从失败中学习，目前看不出任何进步迹象。

• 测试方式很直接：让AI反复游玩一款名为Earthborne Rangers的高难度策略桌游，每一局结束后观察AI是否能吸取上一局的教训、调整策略
• 这类测试瞄准的是当前大模型普遍欠缺的一种能力，即不靠重新训练或微调，仅凭交互过程中的经验积累就实现表现提升
• 目前的阶段性结果是：反复试错并没有带来可观测的进步，模型似乎无法把“上一局输在哪”转化为“这一局怎么打”的策略调整
• 这与静态基准（一次性问答或推理）测试的能力不同，更接近人类玩一个新游戏时越打越熟练的学习曲线，目前看AI在这条曲线上几乎是平的
• 看点：如果连一个规则明确、可重复试错的桌游都学不会“吃一堑长一智”，说明当前大模型的记忆、反思与改进闭环距离真正的自主学习还有明显差距，这类基准会是检验智能体持续学习能力的重要试金石。

苹果提出新的视频分词方案VideoFlexTok，试图打破视频生成模型必须把画面拆成固定时空网格、逐像素预测细节的老思路，让模型能按视频内容的复杂程度灵活分配“计算颗粒度”。

• 背景：视觉分词器的作用是把高维原始像素压缩成模型可处理的表示，这个压缩过程不只是为了省算力，也决定了哪些信息被保留、以何种结构组织
• 当前视频分词的事实标准做法，是把视频统一表示成时空三维网格的token，每个token只负责捕捉画面里对应的一小块局部信息
• 这种做法的代价是：下游模型（比如文生视频模型）被迫学习“逐像素”地预测所有低层细节，而不管这段视频内容本身简单还是复杂，造成算力浪费和建模负担
• VideoFlexTok提出由粗到细、长度灵活的分词思路，让简单画面用更少token表示、复杂画面用更多token表示，更贴近视频内容本身的信息密度
• 看点：分词方式的改进直接决定视频生成模型的效率和质量上限，如果能按内容复杂度自适应分配token，有望在同等算力下生成更长、更高质量的视频，是视频生成基础设施层面值得关注的进展。

本文介绍了 Google 新推出的编码 Agent 质量飞轮工具，帮助开发者自动化评估和优化 AI Agent，解决“修一个 bug 引发一片 regression”的痛点。

• 核心是一个五阶段评估飞轮：准备数据、运行推理、用自适应 AutoRaters 评分、分析失败聚类、执行定向优化。
• 可连续运行在生产流量上，或按需通过合成场景触发，开发者只需用自然语言描述测试目标。
• 独立的评估服务安全地验证并计数实际性能改进，避免盲目调参。
• 该工具将质量保障从手动、零散的方式转变为自动化、系统化的飞轮，显著提升 Agent 的可靠性。
• 影响/看点：这是 Agent 开发从“手工作坊”走向“工程化”的关键一步，尤其适合需要频繁迭代 prompt 的生产环境。

Simon Willison 用 DSPy 给自己维护的 Datasette Agent 系统提示词做了一次自动化诊断，让 Claude Code 异步跑评测任务，揪出了提示词设计里一个容易被忽略的“自相矛盾”坑，值得所有在做 agent 提示词工程的人参考。

• 起因是 AIE 大会上一场关于 DSPy 的主题演讲，让作者想起可以用它来评估和优化 Datasette Agent 执行只读 SQL 查询、回答数据问题时用的系统提示词
• 具体做法是给「Claude Code for Web」（由 Claude Fable 5 驱动）派发一个异步任务，让它自己装好最新的 Datasette alpha、datasette-agent 和 dspy 并跑通评测流程
• Fable 选择用 GPT-4.1 mini 和 nano 作为被测模型，跑出了几个有价值的提示词优化方向
• 最典型的一条：提示词里的 schema 列表只给出表名不给列名，又同时叮嘱模型“如果已经有信息就别再调用 describe_table”，两条规则叠加后，模型在基线测试里频繁瞎猜列名（比如 page_count、o.order_id、first_name），猜错就报错重试，白白浪费轮次
• 解法很直接：要么在 schema 列表里补全列名，要么把“别重复调用”这条建议放软
• 这提醒做 agent 提示词工程的人，一条看似在省工具调用的“效率提示”，如果配套信息给得不够，反而会制造出更贵的报错重试循环——用像 DSPy 这样的评测框架把这类隐藏冲突跑出来，比靠人工审读提示词靠谱得多。

Dwarkesh 博客举办的 AI 大问题征文比赛公布获奖文章，三篇获奖作品分别探讨 OpenAI 基金会使命、非供应链国家策略及 AI 实验室盈利模式。

• 第一名 Jassi Pannu 建议 OpenAI 基金会致力于实现“后疾病世界”，提出具体数十亿美元投入方案。
• 第二名 Ege Erdil 建议非 AI 供应链国家采取强产权、低资本税、开放监管等传统增长政策，在 AI 时代更显重要。
• 第三名 Michael Li 以香港地铁商业模式类比，提出 AI 实验室可通过收购互补资产盈利，即使主业不直接赚钱。
• 比赛收到 600 篇投稿，获奖文章观点独特且务实。
• 影响/看点：这些获奖文章为 AI 领域的重大议题提供了创新视角，值得政策制定者和行业人士参考。

Genkit 框架推出 Agents API，将对话 AI 的复杂管道（消息历史、工具循环、流式传输）封装成单一接口，简化全栈智能体应用开发。

• 支持服务器端或客户端管理状态持久化，可实现历史分支、长时间运行任务、多 Agent 协调等高级工作流。
• 通过统一线协议无缝连接后端与前端，无需手写客户端代码。
• 集成 Genkit Developer UI，可轻松测试、调试和检查 Agent 快照。
• 目前以预览版形式支持 TypeScript 和 Go。
• 影响/看点：Genkit Agents API 让开发者能像搭积木一样构建全栈 AI 应用，大幅减少样板代码，加速从原型到生产的迭代。

Simon Willison 转述 Geoffrey Litt 在 AI Engineer 大会上的分享，提出「理解才能参与」的框架，直指当下与编程智能体协作时最容易被忽视的风险——认知负债，值得每个重度使用编程 Agent 的人一读。

• Geoffrey Litt 的核心论点是：随着编程智能体构建的改动越来越大、越来越复杂，人若不主动跟上，理解就会与代码的实际运作方式脱节，这种脱节积累起来就是「认知负债」。
• 他强调理解代码的目的不是审查或挑错，而是要达到「能继续参与创作」的深度——只有具备足够丰富的概念储备，才能流畅地和模型一起推进想法。
• 若理解跟不上，人在协作中的角色会从主动参与者退化为被动确认者，参与项目推进的能力也会因此被实质性限制。
• 这场演讲出自一场大型 AI 工程师大会，300 多场演讲将在未来三周内陆续放出录像，Geoffrey 这场被作者点名推荐。
• Geoffrey 本人也在社交平台上发布了演讲内容的文字版线程，方便不看视频的人快速获取论点。
• 对于把编程智能体当日常工具的开发者而言，这提供了一个可操作的自检标准——不是要不要读代码，而是读到能不能接得住模型的下一步。

导读：AI基础模型竞赛从“谁有最大模型”转向“哪种架构能超越Transformer”，架构创新成为新焦点。

• 核心分界线：继续扩展Transformer还是转向后Transformer架构。
• 两大维度：范围（通用vs领域模型）和架构（Transformer vs后Transformer）。
• Transformer仍主导，但注意力机制随上下文增长成本激增。
• 实际产品需要长记忆、低延迟、持续交互。
• 前沿实验室追问智能是否需要不同的运行节奏。
• 影响/看点：这场架构之争将在未来2年定义行业格局，后Transformer架构可能带来突破。

Emil Kowalski 发布设计工程师 Skills，将多年 UI/动画原则沉淀为三个 Skill，使 AI 编码工具具备资深设计工程师的审美判断。

• 核心规则：动画必须有理由；每天 100+ 次的高频操作禁用动画；UI 动画控制在 300ms 内；只动画 transform 和 opacity；入口从 scale(0.95)+opacity:0 开始；尊重 prefers-reduced-motion。
• review-animations：以严格标准审查动画代码，输出 Before/After/Why 表格。
• animation-vocabulary：将模糊描述（如“弹一下的效果”）转为专业动效术语。
• 适用工具：Codex、Claude Code、Cursor 等 Coding Agents 均可使用。
• 看点：该 Skill 将设计专家的隐性知识显性化，让 AI 编码工具生成更符合专业审美的 UI 动画，提升用户体验。

Simon Willison 又发布了一个实验性小项目——llm-coding-agent,这次他把自己维护多年的开源 LLM 库,借助其已进化出的智能体能力,包装成了一个类 Claude Code 风格的编码智能体,更值得关注的是他几乎全程用 Fable 5 来写 spec、写测试、写实现,开发过程完全公开可查。

• 定位:LLM 库原本是命令行调用大模型的通用工具,新增的 llm-coding-agent 在其上补齐了读写文件、执行命令等工具集,成为可独立运行的编码智能体。
• 开发方式:他只给两条提示词——先让 AI 写出 spec.md,再让 AI 按红绿 TDD 循环、以一串可读 commit 实现功能,每个 commit 都带测试和文档,期间偶尔手动用 OpenAI 的 API key 测试。
• 使用方式:已发布到 PyPI 的 alpha 版,一行 uvx 命令即可试跑,提供 --yolo 全自动模式和 --allow 白名单式命令授权两种用法。
• 意外收获:AI 还额外实现了一个 CodingAgent(...).run(...) 风格的 Python API,Willison 说自己并未要求这个接口,却很意外看到它被做了出来。
• 这更像是给「AI 自己写编码智能体」这条元实践留下的一份可复现公开样本——prompt 和 commit 记录全部可查,对想复用「先写 spec 再 TDD」工作法的开发者,是个能直接照搬的模板。