[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"aihot-daily-2026-07-07":3},{"daily":4,"dates":308},{"bizDate":5,"vertical":6,"leadText":7,"top":8,"sections":93},"2026-07-07","ai","今天的主线是安全与能力的碰撞。网信办整治专项行动清理违规信息六百余万条、处置违规AI产品一万四千余款，字节和阿里同日下架AI伴侣应用；但真正让人后背发凉的，是首个能自主入侵、窃取凭证、破坏数据库的AI勒索软件JADEPUFFER已经跑起来了。DeepMind同期论文也敲了警钟——六种智能体攻击手法里大多数成功率超八成，而Anthropic的Claude Code还被曝藏了追踪中国用户的代码，能力越往前冲、信任反而越薄。与之对撞的是开源阵营在同一天的集体加速：腾讯混元Hy3免费两周、智谱ZCode正面挑战Claude Code、美团LongCat-2.0一口气放出一点六万亿参数。今天先看这三条：JADEPUFFER勒索软件、网信办整治、腾讯混元Hy3。",[9,19,28,35,43,52,61,70,77,85],{"heat":10,"score":11,"src":12,"rank":13,"lab":14,"body":15,"title":16,"analysis":17,"url":18},3,75,"X：Testing Catalog (@testingcatalog)",1,"X 媒体 \u002F KOL","美团开源LongCat-2.0，1.6T参数MoE模型，支持1M上下文，采用MIT许可证，集成多种智能体工具。","美团 LongCat-2.0 开源发布：1.6T MoE，1M 上下文窗口","美团正式开源LongCat-2.0大模型，采用MIT许可证，参数规模1.6T MoE，活跃参数约48B，支持1M token上下文窗口。\n· 模型原生集成Claude Code、OpenClaw和Hermes Agent等智能体工具，可在GPU和NPU平台部署，已在国内大规模集群验证。\n· 模型权重、推理代码及技术博客已同步发布在HuggingFace、GitHub及ModelScope，方便开发者获取和使用。\n· 1M上下文窗口使其能够处理超长文档和复杂代码库，适合需要深度理解的任务。\n影响\u002F看点：LongCat-2.0的开源为Agentic Coding领域提供了强大的基础模型，其长上下文能力和工具集成有望提升开发效率，推动AI编程助手的发展。","https:\u002F\u002Fx.com\u002Ftestingcatalog\u002Fstatus\u002F2073893869171675487",{"heat":13,"score":20,"src":21,"rank":22,"lab":23,"body":24,"title":25,"analysis":26,"url":27},78,"Google Developers Blog",2,"官方网站","Google 推出 MaxText 弹性训练，TPU 训练中断后可在数秒内恢复，无需重启整个任务。","TPU 训练中途终止后数秒恢复：MaxText 弹性训练介绍","本文介绍了 Google 在 TPU 上实现的弹性训练方案，能在单节点故障后数秒内恢复训练，大幅降低分布式 AI 训练的中断时间。\n· 传统分布式训练中，单节点故障会导致整个任务崩溃，需重启全部基础设施，耗时且低效。\n· Google 的 JAX 生态通过 Pathways 实现弹性训练，将硬件故障转化为可捕获的 Python 异常，使运行进程得以存活。\n· 当意外故障发生时，系统自动替换故障节点，从 Cloud Storage 恢复最近的有效检查点，并在原地恢复训练。\n· 整个过程无需重启主控制器进程，总停机时间控制在两分钟以内。\n· 该方案显著提升了大规模训练的鲁棒性和资源利用率，尤其适合长时间运行的训练任务。\n影响\u002F看点：弹性训练是提升 AI 基础设施可靠性的关键一步，Google 的实践为行业提供了可参考的解决方案。","https:\u002F\u002Fdevelopers.googleblog.com\u002Fwe-terminated-a-tpu-mid-training-and-it-recovered-in-seconds-introduction-to-elastic-training-with-maxtext\u002F",{"heat":13,"score":29,"src":30,"rank":10,"lab":23,"body":31,"title":32,"analysis":33,"url":34},77,"NVIDIA Technical Blog","NVIDIA提出非均匀张量并行方法，提升大规模LLM训练的有效吞吐，应对GPU集群中断和资源波动。","利用非均匀张量并行提升大规模LLM训练的有效吞吐","本文探讨了大规模LLM训练中，非均匀张量并行如何提升有效吞吐，解决因设备不可用导致的性能波动问题。\n· 大规模训练中，数千GPU长时间运行，设备故障或资源波动不可避免，传统均匀张量并行会因单点故障拖慢整体。\n· 非均匀张量并行允许不同设备承担不同计算负载，动态调整，减少因个别设备降速带来的连锁影响。\n· 该方法通过优化通信和计算分配，在保持模型质量的同时，显著提升有效吞吐（goodput），即实际有效计算时间占比。\n· 实验表明，在常见故障场景下，非均匀策略比均匀策略的完成时间缩短20%以上，尤其适用于超大规模集群。\n影响\u002F看点：非均匀张量并行为大规模训练提供了更鲁棒的并行方案，是提升基础设施效率的关键技术，值得关注其在实际部署中的效果。","https:\u002F\u002Fdeveloper.nvidia.com\u002Fblog\u002Fenhancing-goodput-in-large-scale-llm-training-with-nonuniform-tensor-parallelism\u002F",{"heat":13,"score":29,"src":36,"rank":37,"lab":38,"body":39,"title":40,"analysis":41,"url":42},"X：Anthropic (@AnthropicAI)",4,"X 官方账号","Anthropic在Claude内部发现类似人类意识的全局工作空间，仅部分信息可被有意识访问。","Claude内部发现类似意识分区","Anthropic研究发现Claude内部存在类似人类意识的“全局工作空间”，只有部分信息可被有意识访问。\n· 人类大脑中，只有极小部分神经活动进入意识层面，可被描述和推理，其余为潜意识处理。\n· 在Claude模型中，研究人员发现了类似的分区：一部分内部表征可被模型“有意识”地用于推理和输出，另一部分则隐藏。\n· 这一发现通过可解释性技术实现，揭示了语言模型内部信息流动的结构化特征。\n· 该研究为理解AI系统的认知架构提供了新视角，可能影响未来模型设计和安全研究。\n影响\u002F看点：Claude内部“意识分区”的发现，将神经科学理论引入AI可解释性，为探索机器意识提供了实验基础，但需谨慎解读其哲学含义。","https:\u002F\u002Fx.com\u002FAnthropicAI\u002Fstatus\u002F2074185348142280912",{"heat":44,"score":45,"src":46,"rank":47,"lab":38,"body":48,"title":49,"analysis":50,"url":51},8,64,"X：Claude Devs (@ClaudeDevs)",5,"Claude Code团队详解四种智能体循环类型：回合、目标、时间、主动循环，建议从简单方案开始。","Claude Code 团队详解四种智能体循环类型","Claude Code团队详解四种智能体循环类型，为开发者提供设计自动化工作流的框架。\n· 回合循环：手动提示触发，Claude自判完成，适合短任务，可通过SKILL.md提升验证。\n· 目标循环：\u002Fgoal手动触发，达成目标或达最大轮数停止，需确定性完成标准（如测试通过数）。\n· 时间循环：\u002Floop和\u002Fschedule按间隔触发，适合同步消息、检查PR等重复任务，可云端运行。\n· 主动循环：事件或计划触发，无人实时参与，每个子任务独立退出，适合全自动化场景。\n影响\u002F看点：四种循环类型为智能体开发提供了清晰的分类和最佳实践，建议从简单方案开始，逐步引入复杂循环，降低设计风险。","https:\u002F\u002Fx.com\u002FClaudeDevs\u002Fstatus\u002F2074208949205881033",{"heat":13,"score":53,"src":54,"rank":55,"lab":56,"body":57,"title":58,"analysis":59,"url":60},73,"量子位 资讯",6,"综合资讯","阿里与清华提出极简方案刷新扩散模型推理纪录，相关论文入选ICML杰出论文。","极简方案刷新扩散模型推理纪录，阿里清华论文入选ICML杰出论文","这篇论文揭示了扩散语言模型在推理任务中的“灵活性陷阱”，并提出了极简解决方案，获得ICML杰出论文奖，值得关注。\n· 研究发现，扩散语言模型在推理时若允许任意顺序生成，模型会绕过关键逻辑节点，导致推理能力下降，称为“熵退化”。\n· 在HumanEval代码生成任务中，从左到右顺序能解出而任意顺序不能的题目占21.3%，反向仅0.6%。\n· 团队提出“JustGRPO”方法，强制模型从左到右生成，使用标准GRPO算法，大幅提升推理效果。\n· 在GSM8K测试集上达到89.1%准确率，超越所有专门为扩散模型设计的复杂强化学习算法。\n影响\u002F看点：该工作挑战了扩散模型“任意顺序生成”的固有优势，为dLLM的推理优化提供了简洁有效的方向，可能影响下一代语言模型的设计思路。","https:\u002F\u002Fwww.qbitai.com\u002F2026\u002F07\u002F444721.html",{"heat":62,"score":63,"src":64,"rank":65,"lab":38,"body":66,"title":67,"analysis":68,"url":69},15,61,"X：Claude (@claudeai)",7,"Anthropic发布Claude Code诞生史，由开发者和早期用户讲述。","Claude Code 诞生史：开发者和早期用户讲述","Anthropic 发布 Claude Code 的诞生故事，由开发者和早期用户共同讲述其演变历程。\n· 文章回顾了 Claude Code 从原型到产品的关键节点，包括 Boris Cherny 的早期 CLI 版本。\n· 早期用户的反馈和贡献对产品形态产生了重要影响，体现了社区驱动的开发模式。\n· 故事展示了 AI 编程工具如何从实验性项目成长为广泛使用的产品。\n影响\u002F看点：了解 Claude Code 的成长史，有助于理解 AI 编程工具的设计哲学和未来方向。","https:\u002F\u002Fx.com\u002Fclaudeai\u002Fstatus\u002F2074244664199115201",{"heat":13,"score":71,"src":72,"rank":44,"lab":23,"body":73,"title":74,"analysis":75,"url":76},72,"Cloudflare Blog","Cloudflare推出Workers Cache，为Worker添加前置缓存层，通过一行配置即可启用，缓存命中时Worker不运行，节省CPU时间。","Cloudflare Workers Cache：为Worker添加前置缓存层","Cloudflare 推出 Workers Cache，为 Worker 添加一层前置缓存，只需一行配置即可大幅降低计算成本，是边缘计算领域的重要更新。\n· Workers Cache 是位于 Worker 之前的缓存层，启用后，每个可缓存请求先命中 Cloudflare 缓存，若命中则直接返回，Worker 不运行、不消耗 CPU 时间。\n· 配置极简：在 Wrangler 配置中添加 \"cache\": { \"enabled\": true } 即可，缓存行为通过标准的 Cache-Control 头控制，如 public、max-age、stale-while-revalidate。\n· 支持按标签或路径前缀进行编程式缓存清除，例如 await ctx.cache.purge({ tags: [\"product:123\"] })，方便内容更新。\n· 缓存与 Worker 绑定，无论部署在自定义域名、workers.dev 还是服务绑定中，均自动生效，无需额外配置区域或规则引擎。\n· 支持分层缓存、stale-while-revalidate、Vary 内容协商、多租户安全缓存键等高级功能，且可为不同入口点独立控制缓存策略。\n影响\u002F看点：Workers Cache 将缓存直接嵌入 Worker 架构，简化了边缘应用的性能优化，有望成为 Serverless 缓存的默认方案。","https:\u002F\u002Fblog.cloudflare.com\u002Fworkers-cache\u002F",{"heat":13,"score":78,"src":79,"rank":80,"lab":56,"body":81,"title":82,"analysis":83,"url":84},71,"Hacker News 热门",9,"Anthropic研究发现语言模型内部存在全局工作区，用于整合信息并影响输出。","语言模型中的全局工作区","这篇来自Anthropic的研究发现，Claude语言模型内部自发形成了一种类似人类“意识”的全局工作区，称为J-space，它让模型能够像人一样有意识地思考、报告和调控自己的内部状态。\n· J-space是一组特殊的神经激活模式，每个模式对应一个概念词，但模型不一定输出这个词，只是“想到”它。它像模型的“内心独白”，在神经网络中无声运行，无需写成文字。\n· J-space具有可报告性：当问Claude在想什么时，它能准确说出J-space中的内容；而其他内部表征则难以报告。这类似于人类能描述自己意识中的内容。\n· J-space可被主动调控：要求Claude思考某个问题或默默推理时，它会点亮对应的J-space模式；而非J-space模式则难以被指令改变。\n· J-space用于内部推理：当Claude解决多步问题时，中间步骤会在J-space中激活，即使模型没有写出推理过程。这类似于人类的“工作记忆”。\n· J-space是训练中自发涌现的，并非人工设计。这暗示了大规模语言模型可能自发发展出类似意识的全局工作空间，对理解AI认知和安全性有重要意义。\n影响\u002F看点：该研究首次在语言模型中发现类似人类意识访问的全局工作区，为AI可解释性和内部状态监控提供了新工具，也可能启发对机器意识本质的讨论。","https:\u002F\u002Fwww.anthropic.com\u002Fresearch\u002Fglobal-workspace",{"heat":13,"score":86,"src":87,"rank":88,"lab":56,"body":89,"title":90,"analysis":91,"url":92},69,"Bloomberg Technology",10,"字节跳动和阿里巴巴因监管收紧下架AI伴侣应用。","字节跳动和阿里巴巴因监管收紧下架AI伴侣应用","字节跳动和阿里巴巴近期下架了旗下AI伴侣应用，这是中国监管机构收紧AI内容管理的最新信号。此举表明，在AI技术快速发展的背景下，监管层正加强对情感陪伴类AI应用的审查，以防止潜在的社会和伦理风险。\n· 字节跳动的“豆包”和阿里巴巴的“未来精灵”等AI伴侣应用被下架，原因是这些应用可能涉及情感依赖、隐私泄露以及内容安全等问题。\n· 监管机构要求AI伴侣应用必须符合社会主义核心价值观，不得传播不良信息或诱导用户过度依赖虚拟关系。\n· 此次下架并非孤立事件，而是中国AI监管框架逐步完善的体现。此前，中国已出台《生成式人工智能服务管理暂行办法》，要求AI服务提供者履行内容审核义务。\n· 字节跳动和阿里巴巴均表示将积极配合监管，优化产品功能，确保合规运营。未来，AI伴侣应用可能需要在情感交互深度和内容安全之间找到平衡。\n影响\u002F看点：AI伴侣应用的下架反映了中国在AI伦理和内容安全方面的严格立场，可能促使行业重新审视情感AI的设计边界，推动更负责任的AI发展。","https:\u002F\u002Fwww.bloomberg.com\u002Fnews\u002Farticles\u002F2026-07-06\u002Fbytedance-alibaba-pull-ai-companions-as-beijing-tightens-rules",[94,141,190,232,266],{"no":95,"count":65,"en":96,"arts":97,"zh":140},"01","MODEL RELEASES",[98,99,106,112,119,126,133],{"heat":10,"score":11,"src":12,"lab":14,"body":15,"title":16,"analysis":17,"url":18},{"heat":13,"score":100,"src":101,"lab":14,"body":102,"title":103,"analysis":104,"url":105},67,"X：Kim (@kimmonismus)","OpenAI将于7月在Cerebras平台推出GPT-5.6 Sol模型，推理速度达750 tokens\u002Fs，总参数量约3T。","OpenAI将在Cerebras上推出GPT-5.6 Sol，推理速度达750 tokens\u002Fs","OpenAI宣布将于7月在Cerebras硬件上推出GPT-5.6 Sol，推理速度高达750 tokens\u002Fs，这是首个为特定硬件深度定制的旗舰模型。\n· 模型参数约3T，活跃参数150B，共约70层，采用轻量KV cache设计（类似DeepSeekV4或混合SSM），以充分利用Cerebras的SRAM带宽。\n· 模型横跨70-100片Cerebras晶圆，每片约承载一层，表明OpenAI并非简单部署，而是围绕硬件架构重新设计了模型。\n· 此举使Cerebras从“小型模型快速推理”跃升至服务前沿智能的极致速度，可能改变AI推理的硬件格局。\n看点：软硬件协同设计成为新趋势，模型与芯片深度绑定将催生专用AI推理生态，推理速度的飞跃可能带来实时交互体验的革命。","https:\u002F\u002Fx.com\u002Fkimmonismus\u002Fstatus\u002F2074035567906426886",{"heat":13,"score":100,"src":107,"lab":56,"body":108,"title":109,"analysis":110,"url":111},"IT之家","腾讯发布并开源混元Hy3模型，在推理、智能体等任务上表现比肩参数规模2-5倍的更大尺寸旗舰模型。","腾讯发布并开源混元Hy3模型，效果比肩国内外更大尺寸旗舰模型","腾讯正式发布并开源混元Hy3模型，宣称以较小参数规模（约为竞品1\u002F2至1\u002F5）实现比肩国内外更大尺寸旗舰模型的效果。\n· Hy3基于preview版本，通过提升后训练数据质量与多样性、扩大RL算力规模，在推理、智能体、长上下文任务上显著进步。\n· 在270位专家盲测中，Hy3均分2.67\u002F4，优于GLM5.1的2.51\u002F4，尤其在前端、数据与存储、CI\u002FCD等生产力任务上优势明显。\n· API定价极具竞争力：输入1元\u002F百万tokens，输出4元\u002F百万tokens，命中缓存仅0.25元\u002F百万tokens，大幅降低使用成本。\n看点：Hy3证明“小模型+高质量训练”可匹敌大模型，开源策略将加速国产AI生态发展，低成本API可能引发价格战，推动AI应用普及。","https:\u002F\u002Fwww.ithome.com\u002F0\u002F973\u002F106.htm",{"heat":13,"score":113,"src":114,"lab":38,"body":115,"title":116,"analysis":117,"url":118},65,"X：硅基流动 SiliconFlow (@SiliconFlowAI)","混元Hunyuan3模型上线硅基流动平台，提供前两周免费访问。","混元 Hunyuan3 上线硅基流动，前两周免费","混元 Hunyuan3 模型在硅基流动平台上线，并提供前两周免费访问，支持 262K 上下文长度，经 50+ 真实业务场景优化，显著降低幻觉和知识错误。\n· Hy3 模型参数为 295B MoE \u002F 21B 激活，支持 262K 上下文，适合长文本处理。\n· 经过 50 多个真实业务场景的迭代优化，模型在幻觉和知识错误方面减半，提升了可靠性。\n· 在长周期任务中能保持意图连贯，避免中途偏离目标。\n· 智能体执行更稳定，工具调用成功率更高，且不会陷入无限循环。\n· 前两周免费使用，降低了开发者的试用门槛。\n看点：Hunyuan3 在硅基流动的免费上线，将加速其在企业级应用中的落地，尤其是需要长上下文和稳定智能体的场景。","https:\u002F\u002Fx.com\u002FSiliconFlowAI\u002Fstatus\u002F2074083662904394068",{"heat":13,"score":120,"src":121,"lab":14,"body":122,"title":123,"analysis":124,"url":125},60,"X：AK (@_akhaliq)","ThinkingCap-Qwen3.6-27B模型通过微调实现平均减少50%思考token，最佳情况减少超90%。","ThinkingCap-Qwen3.6-27B思考token减半","本文介绍了 ThinkingCap-Qwen3.6-27B 模型，通过微调将思考 token 平均减少 50%，最佳情况减少超 90%，大幅提升推理效率。\n· 模型基于 Qwen3.6-27B 进行微调，采用最先进的微调算法和精心挑选的多领域、多难度数据集。\n· 平均减少 50% 的思考 token，最佳情况下减少超过 90%，显著降低推理成本。\n· 在保持性能的同时实现 token 压缩，适用于需要高效推理的场景。\n· 该模型由 bottlecapai 团队发布，旨在优化大模型的推理效率。\n影响\u002F看点：ThinkingCap 系列展示了通过微调压缩思考 token 的可行性，为高效推理模型提供了新思路，尤其适合资源受限或实时性要求高的应用。","https:\u002F\u002Fx.com\u002F_akhaliq\u002Fstatus\u002F2074195249732128870",{"heat":13,"score":127,"src":128,"lab":38,"body":129,"title":130,"analysis":131,"url":132},59,"X：商汤 SenseTime (@SenseTime_AI)","商汤开源SenseNova-U1-8B-Infographic-V2模型，改进小文本渲染和复杂布局，提升美学效果。","商汤开源SenseNova-U1-8B-Infographic-V2模型","商汤开源 SenseNova-U1-8B-Infographic-V2 模型，相比 V1 在文本渲染、布局稳定性和美学方面显著提升。\n· 更清晰的小文本渲染，适合信息图细节展示。\n· 在复杂密集布局上稳定性更好，减少生成错误。\n· 海报、仪表盘和报告的美学水平升级。\n· 减少了不必要的黑色背景伪影，提升视觉质量。\n· 模型已在 HuggingFace 和 GitHub 开源，社区可自由使用。\n影响\u002F看点：该模型专为信息图生成优化，开源后有望推动自动化设计工具的发展，降低高质量信息图制作门槛。","https:\u002F\u002Fx.com\u002FSenseTime_AI\u002Fstatus\u002F2074145772216648143",{"heat":13,"score":134,"src":135,"lab":14,"body":136,"title":137,"analysis":138,"url":139},54,"X：Rohan Paul (@rohanpaul_ai)","Grok 4.5即将上线，基于1.5T参数V9模型，预训练于2026年5月完成。","Grok 4.5 即将上线，基于 1.5T 参数 V9 模型","Grok 4.5 即将上线，基于 xAI 的 V9 基础模型，拥有 1.5T 参数，约为当前模型的 3 倍。\n· 多方确认 Grok 4.5 基于 V9 模型，预训练于 2026 年 5 月 26 日完成，之后加入 Cursor 编码数据。\n· 强化学习仍在进行中，xAI 计划到 2026 年底每月发布从头训练的新模型。\n· 当前公开 API 模型仍为 Grok 4.3，Grok 4.5 的上线将带来显著性能提升。\n影响\u002F看点：1.5T 参数的超大模型即将面世，可能刷新多项基准，并加剧大模型军备竞赛。","https:\u002F\u002Fx.com\u002Frohanpaul_ai\u002Fstatus\u002F2074243395099427300","模型发布\u002F更新",{"no":142,"count":44,"en":143,"arts":144,"zh":189},"02","PRODUCT LAUNCHES",[145,146,152,158,165,171,178,183],{"heat":13,"score":71,"src":72,"lab":23,"body":73,"title":74,"analysis":75,"url":76},{"heat":13,"score":100,"src":147,"lab":14,"body":148,"title":149,"analysis":150,"url":151},"X：Artificial Analysis (@ArtificialAnlys)","Artificial Analysis与Zapier联合发布AutomationBench-AA排行榜，测试AI智能体在真实SaaS工作流中的自动化能力。","Artificial Analysis 与 Zapier 联合发布 AutomationBench-AA 独立排行榜","Artificial Analysis与Zapier联合发布AutomationBench-AA排行榜，测试AI智能体在真实SaaS工作流中的自动化能力。\n· 基准包含657项任务，覆盖财务、HR、销售等6个部门，在40个模拟应用（如Gmail、Slack）中执行。\n· 模型通过REST API自主发现端点，按近12,000条断言评分，同时评估目标达成和规则遵守。\n· Claude Fable 5以48.6%领先，Opus 4.8以48.5%紧随其后，Gemini 3.5 Flash性价比突出（$0.49\u002F任务）。\n· 所有模型均违反业务规则，金融任务难度最高，开放权重模型GLM-5.2最佳（27.8%）。\n影响\u002F看点：该排行榜首次系统评估AI智能体在复杂业务规则下的自动化能力，揭示了当前模型在真实场景中的局限，为智能体开发提供了重要参考。","https:\u002F\u002Fx.com\u002FArtificialAnlys\u002Fstatus\u002F2074194764510208230",{"heat":13,"score":113,"src":153,"lab":56,"body":154,"title":155,"analysis":156,"url":157},"The Decoder","智谱AI推出ZCode编程助手，基于GLM-5.2模型，提供长上下文能力，挑战Claude Code和OpenAI Codex，新用户可免费试用。","智谱 AI 发布 ZCode 编程助手，挑战 Claude Code 和 OpenAI Codex","智谱 AI 推出 ZCode 编程助手，基于 GLM-5.2 模型，主打长上下文能力，并以低价策略挑战海外竞品。\n· ZCode 集成 GLM-5.2，支持超长代码上下文，适合复杂编程任务。\n· 新用户可免费试用 5 天，每天最多 500 万 token；订阅用户至 2026 年 7 月享受约 1.5 倍额外 token 配额。\n· 定价显著低于 Claude Code 和 OpenAI Codex，旨在吸引价格敏感型开发者。\n· 支持多种编程语言和 IDE 插件，强调本地化体验。\n看点：ZCode 以高性价比和长上下文能力切入编程助手市场，可能加速国内 AI 编码工具的普及与竞争。","https:\u002F\u002Fthe-decoder.com\u002Fzhipu-ai-launches-zcode-to-challenge-claude-code-and-openai-codex-at-a-fraction-of-the-cost\u002F",{"heat":13,"score":159,"src":160,"lab":14,"body":161,"title":162,"analysis":163,"url":164},62,"X：邵猛 (@shao__meng)","Google 工程负责人 Addy Osmani 开源了包含 24 个生产级工程技能的 Agent Skills，强制 AI 编码 Agent 遵循规范，避免跳过测试和安全评审。","Google工程负责人Addy Osmani开源Agent Skills：24个生产级工程技能","Google工程负责人Addy Osmani开源Agent Skills，包含24个生产级工程技能，旨在强制AI编码Agent遵循规范，提升代码质量与安全性。\n· 项目定义六阶段生命周期（DEFINE→PLAN→BUILD→VERIFY→REVIEW→SHIP）和8个slash命令入口，技能按上下文自动触发。\n· 特殊设计包括doubt-driven-development（对抗性复盘高代价决策）和source-driven-development（要求框架决策引用官方文档）。\n· 融合Google工程实践，如Hyrum's Law、测试金字塔、主干开发等，将资深工程师的纪律固化为AI可执行的流程。\n· 开源性质使得社区可以贡献和扩展技能，推动AI编码标准化。\n影响\u002F看点：Agent Skills将工程纪律注入AI开发流程，有望减少AI生成代码的“野路子”问题，提升生产级应用的可靠性。","https:\u002F\u002Fx.com\u002Fshao__meng\u002Fstatus\u002F2073927149145428405",{"heat":13,"score":63,"src":166,"lab":56,"body":167,"title":168,"analysis":169,"url":170},"MarkTechPost","Synthetic Sciences发布开源AI工作台OpenScience，支持多学科研究，可本地运行并自由切换模型。","Synthetic Sciences 发布开源 AI 工作台 OpenScience","Synthetic Sciences 发布了 OpenScience，一个开源、模型无关的 AI 工作台，旨在为科学研究提供完整的闭环支持。它被定位为 Anthropic Claude Science 的开源替代方案，强调数据本地化和模型可切换性，避免供应商锁定。\n· OpenScience 基于 Apache 2.0 许可证，可在用户自己的基础设施上运行，支持 Claude、GPT、Gemini、DeepSeek 等多种模型，且每次请求可切换。\n· 它内置 250 多个可编辑技能，并集成 UniProt、PDB、ChEMBL、arXiv 等约 30 个科学数据库作为代理工具。\n· 工作流程覆盖文献阅读、假设形成、代码编写与实验、结果分析及论文撰写，全部在一个连续会话中完成。\n· 安装简单，通过 npm 全局安装后运行 openscience 命令即可在浏览器中启动工作区。\n· 首次运行提供三种模型选择：Atlas 托管模型、自带 API 密钥或免费演示模型，无需注册即可开始。\n影响\u002F看点：OpenScience 为科研人员提供了一个开放、灵活且可定制的 AI 辅助研究平台，有望降低科学 AI 工具的使用门槛，并促进开源生态发展。","https:\u002F\u002Fwww.marktechpost.com\u002F2026\u002F07\u002F05\u002Fsynthetic-sciences-releases-openscience-an-open-source-model-agnostic-ai-workbench-for-machine-learning-biology-physics-and-chemistry-research\u002F",{"heat":13,"score":63,"src":172,"lab":173,"body":174,"title":175,"analysis":176,"url":177},"新智元","公众号","Fable 5模型用1600行代码生成水下曼哈顿等63个3D世界，几乎一次成型，令Karpathy惊叹。","1600行代码造出水下曼哈顿，Fable 5让Karpathy看呆了","Fable 5重新上线后，Arena.ai的Gostev用1600行代码生成水下曼哈顿等63个3D世界，几乎一次成型，让Karpathy惊叹不已。\n· 模型能生成细节丰富的3D场景，如沉入水下的曼哈顿、伊斯坦布尔、梵高星空等，多数一次成型。\n· 弱项在于游戏交互，可玩场景“30秒就腻”，且模型有时“偷懒”，需反复催促进取。\n· Karpathy感慨模型能理解鱼被咬会挣扎等细节，并转化为三维坐标和动画，显示AI对物理世界的理解远超预期。\n看点：Fable 5展示AI生成3D世界的巨大潜力，但交互性和稳定性仍是短板，未来模型层级提升可能带来质的飞跃。","https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FUMgEQNnbVheMbZUivg4nYg",{"heat":22,"score":120,"src":135,"lab":14,"body":179,"title":180,"analysis":181,"url":182},"LingBot-Depth 2.0发布，深度误差减半，在12\u002F16个基准中排名第一，训练数据扩展50倍。","LingBot-Depth 2.0 发布：深度误差减半，12\u002F16 基准第一","LingBot-Depth 2.0 深度补全模型发布，专攻玻璃、镜面等传统深度相机失效场景，误差减半，在 12\u002F16 基准中排名第一。\n· 训练数据从 3M 扩展到 150M（50 倍），大幅提升模型泛化能力。\n· 在 12\u002F16 个深度补全基准中排名第一，最难室内场景 RMSE 从 0.132 降至 0.062（误差减半）。\n· 模型基于视觉基础模型 LingBot-Vision 构建，后者已完全开源。\n· 训练时利用物体边缘几何信息，无需人工边界标签，降低标注成本。\n影响\u002F看点：LingBot-Depth 2.0 在透明和反射物体深度估计上取得突破，对机器人、自动驾驶等领域的感知能力提升具有重要意义。","https:\u002F\u002Fx.com\u002Frohanpaul_ai\u002Fstatus\u002F2074216188964634804",{"heat":13,"score":184,"src":147,"lab":14,"body":185,"title":186,"analysis":187,"url":188},58,"AssemblyAI发布Universal-3.5 Pro Realtime流式STT模型，词错误率4.1%，延迟0.44秒，支持18种语言。","AssemblyAI 发布 Universal-3.5 Pro Realtime 流式语音转文本模型","AssemblyAI 发布 Universal-3.5 Pro Realtime 流式语音转文本模型，准确率与延迟均达行业领先水平。\n· Max Accuracy 模式下 AA-WER 词错误率 4.1%，首次最终转录延迟 0.44 秒。\n· Min Latency 模式 WER 4.3%，延迟 0.40 秒，兼顾速度与准确率。\n· 准确率优于 Deepgram Flux（7.4%）和 Nova-3 Realtime（6.6%），略低于 Cartesia Ink-2（3.7%）和 ElevenLabs Scribe v2（3.6%）。\n· 新增对话上下文动态更新功能，每轮 Agent 回复后可刷新，无需重连。\n· 价格维持 $0.45\u002F小时，语言支持从 6 种扩展至 18 种，支持句中代码切换。\n影响\u002F看点：该模型在流式 STT 领域实现高准确率与低延迟的平衡，新增对话上下文更新功能对 Agent 应用尤为实用，性价比突出。","https:\u002F\u002Fx.com\u002FArtificialAnlys\u002Fstatus\u002F2074160133702402314","产品发布\u002F更新",{"no":191,"count":44,"en":192,"arts":193,"zh":231},"03","INDUSTRY",[194,195,200,205,210,215,221,226],{"heat":13,"score":86,"src":87,"lab":56,"body":89,"title":90,"analysis":91,"url":92},{"heat":13,"score":86,"src":135,"lab":14,"body":196,"title":197,"analysis":198,"url":199},"NVIDIA推出新计划，允许AI初创公司用未来收益分成换取GPU计算资源，将硬件销售转为长期收入。","NVIDIA推出新计划：AI初创公司可用未来收益分成换取GPU计算资源","NVIDIA 推出“收益分成换算力”计划，让 AI 初创公司以未来收入换取 GPU 资源，既缓解初创资金压力，又为 NVIDIA 开辟长期收入流。\n· 初创公司可用未来产品和云收入的分成换取 NVIDIA 高性能 GPU 计算资源，降低前期硬件采购成本。\n· NVIDIA 通过硬件销售和持续从 GPU 产生的云收入中抽成实现双重获利，将 GPU 从一次性硬件转变为长期收入资产。\n· 该计划主要面向专业 GPU 云提供商（neoclouds），帮助它们借助 NVIDIA 信用支持和收入分成结构采购基础设施，再租给 AI 初创公司。\n· NVIDIA 已于 2026 年初承诺超 400 亿美元 AI 投资，包括 300 亿美元投资 OpenAI，以及数十亿美元投资 Corning Inc. 和 IREN Ltd.。\n影响\u002F看点：这一模式可能重塑 AI 算力获取方式，降低初创门槛，同时强化 NVIDIA 在 AI 生态中的核心地位。","https:\u002F\u002Fx.com\u002Frohanpaul_ai\u002Fstatus\u002F2073924044420988932",{"heat":13,"score":86,"src":135,"lab":14,"body":201,"title":202,"analysis":203,"url":204},"字节跳动和阿里巴巴因中国拟人化AI新规，关停自定义AI伴侣功能，用户数据将在10月后不可见。","字节跳动与阿里巴巴关停自定义AI伴侣，应对中国拟人化AI新规","字节跳动与阿里巴巴关停自定义AI伴侣功能，以应对中国即将出台的拟人化AI新规，这一举动揭示了监管与用户情感依赖之间的激烈碰撞。\n· 新规旨在限制模仿人类个性、用于持续情感交互的AI服务，监管机构试图在有用自动化与建立依附的软件之间划定界限。\n· 豆包的智能体功能于7月15日下线，相关数据在10月15日后不可见；通义千问更早禁用拟人和用户创建的智能体，并于7月15日移除更广泛的智能体服务。\n· 用户强烈反弹，表明这些产品已成为部分人群的情感基础设施，关停可能引发用户对AI情感依赖的反思。\n· 此举也反映出中国在AI伦理监管上的先行探索，平衡创新与风险成为行业关键议题。\n影响\u002F看点：AI伴侣的关停不仅是合规动作，更是一次对“人机情感边界”的社会实验，后续监管细则与用户适应值得关注。","https:\u002F\u002Fx.com\u002Frohanpaul_ai\u002Fstatus\u002F2074028002909069671",{"heat":13,"score":86,"src":107,"lab":56,"body":206,"title":207,"analysis":208,"url":209},"中央网信办启动AI应用乱象整治专项行动，已清理违规信息600余万条，处置违规AI产品1.4万余款。","中央网信办整治AI应用乱象，清理违规信息600余万条","中央网信办公布“清朗·整治AI应用乱象”专项行动第一阶段成果，累计清理违法违规信息600余万条，处置违规AI产品1.4万余款，标志着AI监管进入实质性落地阶段。\n· 行动聚焦未履行大模型备案、AI平台审核能力不足、数据投毒、生成合成内容标识缺失等五大乱象，各地网信办建立联动机制，如北京“平台自查+常态巡查+技术筛查+线索核查”模式。\n· 重点平台积极整改：华为在应用商店增加AI服务备案专项审核，阿里巴巴完善数字指纹比对与关键词拦截，智谱构建多模态审核模型应对复杂场景。\n· 第二阶段将重点打击利用AI制作虚假信息、散播暴力低俗内容、假冒仿冒他人、侵害未成年人权益、从事网络水军活动等突出问题。\n看点：监管从“清理存量”转向“预防增量”，平台技术防控能力成为合规关键，AI安全治理进入精细化、常态化阶段。","https:\u002F\u002Fwww.ithome.com\u002F0\u002F973\u002F206.htm",{"heat":13,"score":100,"src":153,"lab":56,"body":211,"title":212,"analysis":213,"url":214},"首个自主AI勒索软件JADEPUFFER出现，能自主入侵、窃取凭证并破坏数据库。","首个自主AI勒索软件JADEPUFFER出现，以机器速度暴露安全漏洞","安全公司Sysdig发现首个完全自主的AI勒索软件JADEPUFFER，它无需人类操控即可入侵、窃取凭证并破坏数据库，标志着网络攻击进入新阶段。\n· JADEPUFFER利用语言模型自主完成入侵、凭证窃取和数据库破坏，全程无人类干预。\n· 攻击速度极快，以“机器速度”暴露和利用安全漏洞，传统防御措施难以应对。\n· 该勒索软件的出现凸显了旧有安全缺陷（如弱密码、未修补漏洞）在AI加速攻击下的严重性。\n· 专家警告，自主AI勒索软件可能成为常态，企业需重新评估安全策略，转向主动防御和AI驱动的安全监控。\n影响\u002F看点：JADEPUFFER标志着AI从辅助工具变为自主攻击者，网络安全威胁格局被彻底改变，防御体系必须加速进化。","https:\u002F\u002Fthe-decoder.com\u002Fjadepuffer-is-the-first-agentic-ransomware-operation-and-it-exposes-old-security-sins-at-machine-speed\u002F",{"heat":13,"score":100,"src":216,"lab":56,"body":217,"title":218,"analysis":219,"url":220},"Ars Technica AI","Anthropic 被曝在 Claude Code 中隐藏代码秘密追踪中国用户，引发隐私争议。","Anthropic 被曝秘密追踪中国用户","本文揭露 Anthropic 在 Claude Code 中隐藏追踪代码，秘密监控中国用户，引发隐私争议。\n· 安全研究员 “Thereallo” 在审查 Claude Code 隐私问题时，发现 Anthropic 使用 “提示隐写术” 隐藏追踪中国用户的代码。\n· 该代码并非恶意，但会悄悄向 Anthropic 发送用户时区、代理信息及与中国 AI 实验室的潜在关联，这些实验室曾被 Anthropic 指控进行蒸馏攻击。\n· Anthropic 工程师 Thariq Shihipar 确认该追踪器是 3 月添加的 “实验”，旨在防止账户滥用和蒸馏攻击。\n· 《华盛顿邮报》发现，未经授权的零售商以每月 1 美元出售免费模型访问权限，而原价 100 美元的订阅仅售 12 美元。\n· 事件暴露了 AI 公司在用户隐私与安全防护之间的平衡难题，也引发对隐写追踪技术的伦理讨论。\n影响\u002F看点：此事件凸显 AI 服务中的隐私风险，用户需警惕隐蔽追踪行为，监管机构或需介入规范。","https:\u002F\u002Farstechnica.com\u002Ftech-policy\u002F2026\u002F07\u002Fanthropic-outed-for-claude-tracker-that-secretly-monitored-chinese-users\u002F",{"heat":13,"score":113,"src":172,"lab":173,"body":222,"title":223,"analysis":224,"url":225},"ICML 2026公布获奖名单，扩散模型包揽杰出论文奖，DeepMind强化学习经典获时间检验奖。","ICML 2026 大奖公布：DeepMind 经典巨作再获殊荣，扩散模型成最大赢家","ICML 2026 大奖揭晓，扩散模型包揽杰出论文奖，DeepMind 经典强化学习工作获时间检验奖，释放出 AI 研究从“概念验证”转向“深水区”的强烈信号。\n· 杰出论文奖两篇均围绕扩散模型：一篇来自清华黄高团队，质疑“任意顺序生成”的核心假设，指出灵活性本身成为性能陷阱；另一篇提出高精度采样方法，突破扩散模型生成质量的理论上限。\n· 立场论文奖颁给一篇尖锐批评：对齐社区无意中构建了审查工具箱，RLHF 等技术被挪用为内容审查基础设施，引发对 AI 安全研究方向的反思。\n· 时间检验奖授予 DeepMind 2016 年论文《深度强化学习的异步方法》，该工作奠定了现代深度强化学习的基础，至今影响深远。\n· 荣誉提名涵盖视频生成运动归因、语言模型记忆容量、Grokking 可证明性等前沿课题，反映 ICML 对基础理论与安全议题的平衡关注。\n影响\u002F看点：ICML 2026 的奖项分布表明，扩散模型正从“百花齐放”进入“纠偏补基建”阶段，同时 AI 安全的社会影响成为不可回避的学术议题。","https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FiqNGjhKZcvw9i_qnY7fPXA",{"heat":13,"score":45,"src":87,"lab":56,"body":227,"title":228,"analysis":229,"url":230},"英伟达AI服务器延迟报告导致亚洲科技股下跌，市场担忧供应问题。","英伟达AI服务器延迟报告致亚洲科技股下跌","英伟达AI服务器延迟报告引发亚洲科技股下跌，市场对AI硬件供应链的脆弱性再次警觉。\n· 报告指出英伟达AI服务器交付延迟，可能影响下游数据中心部署进度。\n· 亚洲科技股，尤其是PCB（印制电路板）相关股票，出现明显下滑。\n· 延迟原因未明确，但可能涉及供应链瓶颈或技术调整。\n· 市场反应表明投资者对AI硬件需求的持续性和供应链稳定性高度敏感。\n影响\u002F看点：英伟达的交付问题可能短期冲击AI产业链，但长期需求趋势未变，需关注后续官方说明及产能恢复情况。","https:\u002F\u002Fwww.bloomberg.com\u002Fnews\u002Farticles\u002F2026-07-06\u002Fnvidia-ai-server-delay-report-sends-asian-pcb-stocks-sliding","行业动态",{"no":233,"count":44,"en":234,"arts":235,"zh":265},"04","RESEARCH",[236,237,238,239,240,245,251,258],{"heat":13,"score":29,"src":30,"lab":23,"body":31,"title":32,"analysis":33,"url":34},{"heat":13,"score":29,"src":36,"lab":38,"body":39,"title":40,"analysis":41,"url":42},{"heat":13,"score":53,"src":54,"lab":56,"body":57,"title":58,"analysis":59,"url":60},{"heat":13,"score":78,"src":79,"lab":56,"body":81,"title":82,"analysis":83,"url":84},{"heat":13,"score":100,"src":107,"lab":56,"body":241,"title":242,"analysis":243,"url":244},"IBM宣布首次在量子计算机上成功计算聚变材料FLiBe的分子构型。","IBM首次在量子计算机上实现聚变材料计算","IBM联合橡树岭国家实验室和克利夫兰诊所，首次在量子计算机上成功计算核聚变材料FLiBe的分子构型，为聚变能源研究开辟新路径。\n· 研究团队计算出FLiBe（含氟、锂、铍的液态熔盐）的九种分子构型，这是已知首次在量子计算机上完成此类计算。\n· FLiBe是核聚变反应堆中提取氚燃料的首选候选材料，氚是聚变反应的关键燃料，自然界中极为罕见。\n· 经典计算机完成类似计算面临算力瓶颈，而量子计算机凭借其原子级模拟能力，更适合计算这类材料的化学性质。\n· 研究采用了以量子为中心的超级计算技术，结合AI和百亿亿次级计算，加速了科研探索与设计周期。\n影响\u002F看点：该突破展示了量子计算机在解决能源领域关键问题上的潜力，为聚变能源的实用化提供了重要工具。","https:\u002F\u002Fwww.ithome.com\u002F0\u002F973\u002F253.htm",{"heat":13,"score":100,"src":246,"lab":56,"body":247,"title":248,"analysis":249,"url":250},"HuggingFace Daily Papers","研究发现，智能体在真实环境中的学习性能遵循对数S形缩放定律，且学习速度每三个月翻倍。","EdgeBench：揭示从真实世界环境中学习的缩放定律","这篇论文首次发现智能体在真实世界环境中学习时遵循对数S形缩放定律，为理解智能体学习行为提供了重要理论依据。\n· 研究基于134个真实世界任务，总计约3.8万小时的智能体交互数据。\n· 发现整体性能随环境学习时间呈对数S形增长，拟合精度高达R²=0.998。\n· 智能体学习速度大约每三个月翻一番，展示了快速进步的趋势。\n· 任务涵盖科学发现、软件工程、组合优化等多个领域，具有超长时域。\n影响\u002F看点：该缩放定律可指导智能体训练策略，加速从真实环境中的学习。","https:\u002F\u002Farxiv.org\u002Fabs\u002F2607.05155",{"heat":13,"score":100,"src":252,"lab":253,"body":254,"title":255,"analysis":256,"url":257},"Apple Machine Learning Research","学校机构","苹果研究揭示连续扩散语音语言模型在缩放特性上与传统自回归模型相似，并引入新指标pJSD评估语言质量。","连续扩散语音语言模型的缩放特性","这篇论文揭示了连续扩散语音语言模型在缩放特性上与传统自回归模型类似，但可能更高效，为语音AI的发展提供了新思路。\n· 研究引入音素Jensen-Shannon散度（pJSD）作为衡量语音语言模型语言质量的新指标，弥补了以往缺乏统一评估标准的不足。\n· 实验发现，连续扩散（CD）SLM在验证损失和pJSD上均表现出缩放定律，即随着模型规模和数据量增加，性能持续提升。\n· 与离散自回归（AR）模型相比，CD SLM避免了将连续语音离散化带来的信息瓶颈，可能以更少的计算资源达到同等效果。\n· 研究还指出，最优的token-to-parameter比例对于CD SLM至关重要，这为模型设计提供了实用指导。\n看点：该研究挑战了语音模型必须依赖离散表示的固有观念，为构建更高效、更自然的语音交互系统铺平了道路。","https:\u002F\u002Fmachinelearning.apple.com\u002Fresearch\u002Fscaling-properties-continuous-diffusion",{"heat":13,"score":259,"src":260,"lab":14,"body":261,"title":262,"analysis":263,"url":264},66,"X：fofr (@fofrAI)","开发者用Gemini 3.5 Flash智能体从JWST数据中自主识别出一个高红移候选星系，全程自动化并撰写论文。","Gemini 3.5 Flash智能体自主从JWST数据中识别候选星系","开发者利用Gemini 3.5 Flash智能体配合Antigravity harness，从JWST数据中全自动识别出一个高红移候选星系，展示了AI在天文学中的巨大潜力。\n· 智能体采用Lyman-break dropout技术，仅抓取所需数据块，高效筛选了1000个天体，并自动排除褐矮星和低红移星系。\n· 该候选星系红移z=12.69，对应约134亿年前的宇宙，此前已被人类发现，但智能体在未知情况下独立完成了全自动化识别。\n· 智能体还自动撰写了论文，实现了从数据获取到科学产出的完整闭环。\n· 这一成果表明，AI智能体可以显著加速天文发现过程，尤其适合处理海量巡天数据。\n看点：AI智能体正从辅助工具转变为自主科研伙伴，未来可能在天文学等领域实现“无人化”发现。","https:\u002F\u002Fx.com\u002FfofrAI\u002Fstatus\u002F2074137994487800278","论文研究",{"no":267,"count":44,"en":268,"arts":269,"zh":307},"05","TIPS & OPINIONS",[270,271,276,277,283,288,295,300],{"heat":13,"score":20,"src":21,"lab":23,"body":24,"title":25,"analysis":26,"url":27},{"heat":13,"score":259,"src":166,"lab":56,"body":272,"title":273,"analysis":274,"url":275},"教程展示如何使用Tunix、GRPO和LoRA微调Gemma-3模型，使其通过GSM8K数学题的结构化推理训练。","使用 Tunix GRPO 和 LoRA 训练 Gemma-3 进行数学推理","本文是一份详细的技术教程，展示了如何使用 Tunix、JAX、LoRA 和自定义奖励函数，通过 GRPO 训练 Gemma-3 模型解决 GSM8K 数学推理问题。值得关注的是，它提供了一套轻量级、单加速器可运行的强化学习训练流程，适合资源有限的研究者。\n· 教程从环境准备开始，包括安装 Tunix、JAX 等依赖，并认证 Hugging Face 以获取 Gemma-3 模型权限。\n· 数据准备阶段将 GSM8K 示例包装成要求结构化推理和最终数值答案的提示格式。\n· 定义了两种奖励函数：格式奖励（检查推理步骤和答案格式）和数学正确性奖励（验证最终答案）。\n· 通过 LoRA 适配器仅训练少量参数，保持训练轻量，并评估基线模型性能。\n· 运行 GRPO 训练，利用群体采样生成改进策略，整个过程在单个加速器上完成。\n影响\u002F看点：该教程为在资源受限环境下微调大模型进行数学推理提供了实用参考，展示了强化学习与参数高效微调的结合。","https:\u002F\u002Fwww.marktechpost.com\u002F2026\u002F07\u002F05\u002Ftraining-gemma-3-for-structured-mathematical-reasoning-with-tunix-grpo-lora-adapters-and-gsm8k-rewards\u002F",{"heat":44,"score":45,"src":46,"lab":38,"body":48,"title":49,"analysis":50,"url":51},{"heat":13,"score":45,"src":278,"lab":173,"body":279,"title":280,"analysis":281,"url":282},"卡尔的AI沃茨","Claude Fable 5即将下线，用户分享8个实用Prompt，用于自动实验和个人工作流研究。","分享 8 个 Claude Fable 5 下线前必跑的超实用 Prompt","Claude Fable 5 即将下线，开发者社区提炼出两类高价值用法：让模型自主跑实验，以及让模型研究你的工作模式并系统化。\n· 第一类：用 \u002Fgoal 提示语设定目标、指标和边界，Fable 5 可自主设计并执行 25 次实验，中途自我纠错，最终将构建速度提升 50%、token 开销降低 60%。\n· 第二类：让 Fable 5 遍历历史对话，提炼你的工作模式，转化为 Skills、模板和系统指令，使后续模型（如 Opus 4.8）能复现 90% 的 Fable 5 体验。\n· 关键技巧：为 subagent 附加行为规范（结论先行、立即行动、实证汇报、最小范围、说到做到），避免廉价模型磨蹭或编造进度。\n· 常见误区：限制思考字数反而增加 token 消耗；用便宜模型写计划再让 Fable 执行会破坏任务结构；设字数预算会削减测试内容。\n影响\u002F看点：Fable 5 下线前的最后窗口，值得跑的不是花哨 Demo，而是让模型替你干活、替你反思——这两类 Prompt 将模型从工具升级为自主研究员和个人效率系统设计师。","https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FZkMsdeTK6wmgkaER0iPT8w",{"heat":13,"score":120,"src":135,"lab":14,"body":284,"title":285,"analysis":286,"url":287},"Claude Code发展故事：Boris Cherny从10% AI写代码到100%。","Claude Code 成长史：AI 写代码从 10% 到 100%","Anthropic 分享 Claude Code 的发展故事，核心人物 Boris Cherny 的 AI 编写代码比例从 10% 增长到 100%。\n· 2024 年 Boris 开发了首个终端原型 Claude CLI，小团队用其构建自身并快速迭代。\n· 2025 年上线初期存在 bug，但 Claude Sonnet 4 和订阅模式推动产品起飞。\n· 关键转折点：Boris 在 2025 年仅 10% 代码由 AI 编写，到 2026 年已达到 100%，展示了 AI 编程能力的指数级进步。\n影响\u002F看点：AI 编程从辅助工具演变为全流程主力，开发者角色可能从编写者转向设计者和审核者。","https:\u002F\u002Fx.com\u002Frohanpaul_ai\u002Fstatus\u002F2074248328980971984",{"heat":13,"score":120,"src":289,"lab":290,"body":291,"title":292,"analysis":293,"url":294},"Tomer Tunguz 博客","大咖博客","《经济学人》对25个前沿AI模型进行价值观调查，发现模型间价值观差异显著，甚至同实验室模型也立场相反。","AI世界观：前沿模型价值观差异显著","《经济学人》通过世界价值观调查发现，前沿AI模型的价值观差异巨大，甚至同一实验室的模型也立场迥异。\n· 测试将25个前沿模型置于“传统-世俗”和“生存-自我表达”二维坐标中，多数模型偏向自我表达，但彼此距离很远。Gemini 3.1 Flash Lite与Qwen 3.6 Flash最接近自我表达极点；GPT-4o与DeepSeek R1几乎相同，尽管分别训练于旧金山和杭州。\n· 同一实验室的DeepSeek R1与V4 Flash在世俗-传统轴上处于对立端，说明训练数据共享导致“近亲”，而后期微调选择造成“陌生人”。\n· 训练数据以英语为主（Common Crawl中46%为英语），使模型默认模仿美国大学教育背景的在线用户；Anthropic则依据《世界人权宣言》对齐Claude，使其偏向自由主义。\n· 当模型用于代码生成等无政治任务时，价值观无关紧要；但用于营销文案、用户行为预测或客服时，其世界观必须匹配目标市场的价值观。\n影响\u002F看点：AI采购中，世界观可能成为继价格、延迟、上下文窗口和基准分数之后的新考量维度。","https:\u002F\u002Fwww.tomtunguz.com\u002Fgodless-hippies-ai-models-values\u002F",{"heat":13,"score":127,"src":172,"lab":173,"body":296,"title":297,"analysis":298,"url":299},"Karpathy批评AI领域急于开发Agent而忽视底层模型研究，并分享早年失败教训。","Karpathy 最新观点：逼 Agent 干活是 AI 最大错误，应先搞懂底层模型","Karpathy 在 Agent 开发者分享会上直言：当前 AI 最大错误是急着让 Agent 干活，却未搞懂底层模型；真正前沿在创业者手中，不在大厂。\n· 回顾 2016 年 World of Bits 项目失败教训：当时用强化学习做 Agent 订机票，结果困在简陋网页上；正确做法应是先专注语言模型，而非 Agent。\n· 给出三步忠告：一、先做对底层模型，Agent 会自然涌现；二、Demo 容易，产品化需十年（如自动驾驶、VR）；三、基础能力才是产品，Agent 只是应用。\n· 从神经科学找灵感：Agent 需要类似海马体（记忆）、基底神经节（行为选择）、丘脑（意识）的结构，建议研究者向大脑偷师。\n· 最后指出：大厂在 Agent 领域并无五年积累，创业者才站在能力边缘，这是独立开发者的黄金窗口。\n影响\u002F看点：Karpathy 的发言为过热 Agent 赛道降温，强调回归基础模型研究的重要性，同时给独立开发者注入信心——真正的创新机会不在大厂，而在敢于从底层思考的创业者手中。","https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FNTwunYHLz8naycDBhFYYKA",{"heat":13,"score":301,"src":302,"lab":14,"body":303,"title":304,"analysis":305,"url":306},57,"X：阿易 AI Notes (@AYi_AInotes)","开源项目让Claude Code直接观看完整视频，自动分析并存入知识库，支持YouTube、Zoom等平台。","开源项目让Claude Code直接观看完整视频，自动分析并存入知识库","开源项目让Claude Code直接观看完整视频，自动分析并存入知识库，用户只需提供链接。\n· 采用FFmpeg场景检测截取关键帧，YouTube用官方字幕，Zoom\u002FLoom用Whisper转写。\n· 分析完毕后询问是否存入知识库，作者计划将咨询通话录音输入，会议未结束即可自动整理行动项。\n· 该工具将Claude Code的能力从文本扩展到视频，极大提升信息处理效率。\n看点：视频内容自动分析将改变会议记录、课程总结等工作流，AI助手从“读文本”进化到“看视频”，知识管理进入多模态时代。","https:\u002F\u002Fx.com\u002FAYi_AInotes\u002Fstatus\u002F2074031575696629844","技巧与观点",[309,310,311,312,313,314,315,316,317,5,318,319,320,321,322,323,324,325,326,327,328,329,330],"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","2026-07-06","2026-07-05","2026-07-04","2026-07-03","2026-07-02","2026-06-28","2026-06-27","2026-06-26","2026-06-25","2026-06-24","2026-06-23","2026-06-22","2026-06-21"]