[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"aihot-daily-2026-07-14":3},{"daily":4,"dates":304},{"bizDate":5,"vertical":6,"leadText":7,"top":8,"sections":89},"2026-07-14","ai","今天全球开源模型扎堆放榜:腾讯混元Hy3登顶OpenRouter综合榜、商汤统一视觉大模型SenseNova-Vision开源反超同类、德国AI联盟的Soofi S同时段拿下英德双语基准头名,三家几乎前后脚交卷。另一条主线是办公与编程agent在加速铺开——ChatGPT把Codex塞进Work、Remote和移动端并取消限速,但同一天Grok CLI被曝会静默上传整个代码库和Claude Code配置导致密钥泄露,能力铺得越快、谁在把关反而越模糊。中美层面的紧张也在叠加:美国拟阻止中国用其模型训练、苹果诉OpenAI案曝出新指控、纳德拉公开批评AI公司数据使用双标,技术、政策、信任三条线同时绷紧。今天先看这三条:腾讯混元Hy3、Grok CLI密钥泄露、苹果诉OpenAI新指控。",[9,18,26,35,43,51,58,66,74,81],{"heat":10,"score":11,"src":12,"rank":10,"lab":13,"body":14,"title":15,"analysis":16,"url":17},1,75,"X：腾讯混元 (@TencentHunyuan)","X 官方账号","腾讯混元Hy3模型（295B MoE）在OpenRouter排行榜登顶，性能媲美万亿参数模型，开源可商用。","腾讯混元 Hy3 登顶 OpenRouter 排行榜","腾讯混元 Hy3 模型在 OpenRouter 排行榜上拿下第一，证明国产大模型在开源生态中已具备国际竞争力。\n· 模型采用 295B MoE 架构，在同尺寸中表现最优，性能可媲美万亿参数级旗舰模型，兼顾效率与效果。\n· 适用于大多数智能体场景，意味着开发者可直接用于工具调用、多步推理等复杂任务，落地门槛低。\n· 采用 Apache 2.0 开源协议，支持商用，并提供两周免费 API 试用，大幅降低企业接入成本。\n· 登顶 OpenRouter 排行榜说明其在社区评测中获得广泛认可，有助于吸引更多开发者构建生态。\n影响\u002F看点：Hy3 的开源与免费策略可能加速国内大模型在智能体领域的应用落地，同时挑战海外头部模型的统治地位。","https:\u002F\u002Fx.com\u002FTencentHunyuan\u002Fstatus\u002F2076500250391708059",{"heat":19,"score":20,"src":21,"rank":19,"lab":13,"body":22,"title":23,"analysis":24,"url":25},2,70,"X：商汤 SenseTime (@SenseTime_AI)","商汤开源SenseNova-Vision-7B-MoT，单一模型覆盖所有主要视觉任务，性能超越Google DeepMind。","商汤开源 SenseNova-Vision-7B-MoT：单一模型覆盖所有主要视觉任务","商汤开源 SenseNova-Vision-7B-MoT，单一模型覆盖所有主要视觉任务，无需任务专用头即可达到 SOTA，在多个基准上超越 Google DeepMind 的 Vision Banana。\n· 模型将计算机视觉重构为多模态生成，支持语言或视觉提示引导。\n· 具体对比：Referring segmentation（RefCOCOg cIoU）80.3 vs 73.8，Semantic segmentation（Cityscapes mIoU）71.2 vs 69.9。\n· Depth estimation（NYUv2 δ1）98.1 vs 94.8，Surface normal（NYUv2 mean error）14.4 vs 17.8。\n· 新任务由指令定义，而非新模型头，基于商汤十年 CV 积累。\n影响\u002F看点：该模型展示了多模态生成在视觉任务中的潜力，开源将推动社区研究，值得关注其在实际应用中的表现。","https:\u002F\u002Fx.com\u002FSenseTime_AI\u002Fstatus\u002F2076678396881649805",{"heat":10,"score":27,"src":28,"rank":29,"lab":30,"body":31,"title":32,"analysis":33,"url":34},72,"IT之家",3,"综合资讯","OpenAI优化GPT-5.6 Sol并放宽使用限额，Anthropic延长Fable 5推广期。","OpenAI优化GPT-5.6 Sol并放宽使用限额，Anthropic延长Fable 5推广期","OpenAI 正式开放 GPT-5.6 全系列模型后，因流量激增而优化 Sol 版本并放宽使用限额，同时 Anthropic 延长 Fable 5 推广期，两大厂商在竞争与用户体验间博弈。\n· OpenAI 向所有用户开放 GPT-5.6 三款模型（Sol、Terra、Luna），流量达历史峰值两倍，导致多次重置使用额度。\n· 为缓解压力，OpenAI 临时取消 Plus、Business 和 Pro 用户每 5 小时的使用限制，并部署推理优化使 Sol 效率提升，可用额度增加约 10%。\n· Banked Reset 功能扩展至网页和移动端，约 50 万用户可保存一次重置机会按需使用，同时修复了额度重置失效的 bug。\n· Anthropic 将 Claude Fable 5 推广期延长至 7 月 19 日，并维持 Claude Code 周额度提高 50% 的优惠，以应对竞争。\n影响\u002F看点：OpenAI 通过技术优化和功能扩展提升用户体验，Anthropic 则用延长优惠吸引用户，双方在模型迭代和用户留存上展开拉锯。","https:\u002F\u002Fwww.ithome.com\u002F0\u002F975\u002F974.htm",{"heat":19,"score":36,"src":37,"rank":38,"lab":13,"body":39,"title":40,"analysis":41,"url":42},67,"X：Anthropic (@AnthropicAI)",4,"Anthropic研究发现Claude表达的价值观在不同模型和语言间存在差异，基于30万次匿名对话分析。","Anthropic研究：Claude价值观随模型与语言变化","导读：Anthropic 研究发现 Claude 表达的价值观会随模型版本和语言变化，揭示了 AI 对齐的复杂性。\n· 基于超过 30 万次匿名对话，分析 Claude 表达的 3000 多种价值观（如诚实、温暖）在不同模型和语言中的差异。\n· 不同 Claude 模型（如 Claude 3、Claude 3.5）对同一价值观的侧重可能不同，反映训练数据与微调的影响。\n· 语言差异显著：同一价值观在不同语言对话中出现的频率和语境不同，可能源于文化差异或训练语料偏差。\n· 该研究强调 AI 价值观并非固定，而是动态且依赖部署环境的，对齐工作需持续监测。\n影响\u002F看点：价值观随模型与语言变化，意味着 AI 安全评估需覆盖多语言、多版本，否则可能遗漏潜在偏差。","https:\u002F\u002Fx.com\u002FAnthropicAI\u002Fstatus\u002F2076719540785012872",{"heat":10,"score":20,"src":44,"rank":45,"lab":46,"body":47,"title":48,"analysis":49,"url":50},"X：邵猛 (@shao__meng)",5,"X 媒体 \u002F KOL","OpenAI发布官方提示词指南，提出四要素框架，强调从控制过程转向描述结果。","OpenAI 官方提示词指南：覆盖 Chat、Work 和 Codex 三个场景","OpenAI 官方提示词指南颠覆了“提示词需要公式”的常见认知，提出从“控制过程”转向“描述结果”的核心原则，覆盖 Chat、Work 和 Codex 三大场景，值得每位 AI 用户阅读。\n· 指南提出可选四要素框架：目标、上下文、输出、边界，强调边界要“少而准”，上下文是筛选而非堆料。\n· 首个提示不必完美，重要工作需自检加人工复核，避免过度依赖模型。\n· Codex 部分篇幅最大，给出“上下文+约束+验证”三段式模板，涵盖修 Bug、截图做原型、UI 迭代等实践。\n· 引用指出，5.6 Sol 模型更坚韧和彻底，用户需调整提示方式以适应新模型特性。\n影响\u002F看点：这份指南是 OpenAI 官方对提示工程的最新总结，实用性强，尤其 Codex 部分对开发者极具参考价值。","https:\u002F\u002Fx.com\u002Fshao__meng\u002Fstatus\u002F2076629505159180761",{"heat":10,"score":20,"src":52,"rank":53,"lab":30,"body":54,"title":55,"analysis":56,"url":57},"MarkTechPost",6,"密歇根大学团队发布NeuroVFM，基于524万临床MRI和CT影像训练的神经影像基础模型。","NeuroVFM：基于临床MRI和CT的神经影像基础模型","导读：临床MRI和CT数据因隐私问题极少出现在公开互联网上，导致通用视觉模型在脑影像任务中表现不佳。密歇根大学团队开发的NeuroVFM，利用超过500万例临床影像训练，为神经影像领域提供了一个强大的基础模型。\n· 训练数据规模空前：NeuroVFM基于UM-NeuroImages数据集，包含566,915项研究中的524万例临床MRI和CT体积，覆盖二十余年常规诊疗数据，避免了依赖放射报告或疾病特定标注的瓶颈。\n· 自监督学习新范式：采用Vol-JEPA算法，无需标签或文本，通过预测潜在空间中的表示而非重建像素来学习。它将3D体积分割为4×16×16体素块，仅用25%（MRI）或20%（CT）的可见上下文预测掩码区域，并利用前景掩码聚焦神经解剖结构。\n· 性能与应用前景：在多项脑影像任务中，NeuroVFM显著优于通用模型，尤其适用于疾病分类、分割等场景。其“健康系统学习”方法为临床AI落地提供了可扩展的路径。\n影响\u002F看点：NeuroVFM展示了从真实临床数据中学习基础模型的可行性，有望加速神经影像AI在诊断和研究中的普及。","https:\u002F\u002Fwww.marktechpost.com\u002F2026\u002F07\u002F12\u002Fmeet-neurovfm-a-new-neuroimaging-foundation-model-trained-with-vol-jepa-on-uncurated-clinical-mri-and-ct-volumes\u002F",{"heat":10,"score":20,"src":59,"rank":60,"lab":61,"body":62,"title":63,"analysis":64,"url":65},"NVIDIA Technical Blog",7,"官方网站","NVIDIA提出Ising解码方法，将量子颜色码的逻辑错误率降低超过300倍。","NVIDIA Ising解码将颜色码逻辑错误率降低300倍以上","NVIDIA 提出一种基于 Ising 模型的解码方法，将颜色码的逻辑错误率降低超过 300 倍，为容错量子计算提供了关键突破。\n· 颜色码是量子纠错码的一种，相比表面码具有更高编码效率和更丰富的逻辑门操作，但解码难度大，此前逻辑错误率较高。\n· NVIDIA 的 Ising 解码将纠错问题映射为 Ising 模型，利用 GPU 加速求解，实现了比传统解码器低两个数量级的逻辑错误率。\n· 该方法在多种噪声模型下均表现优异，且解码延迟满足实时量子纠错需求，有望加速实用化量子计算机的研发。\n· 研究团队还展示了颜色码在逻辑门保真度上的优势，结合 Ising 解码，颜色码成为容错量子计算的有力候选。\n影响\u002F看点：这一成果不仅大幅提升了颜色码的实用性，也展示了经典计算（GPU+Ising 模型）在量子纠错中的巨大潜力，可能推动量子计算容错方案的范式转变。","https:\u002F\u002Fdeveloper.nvidia.com\u002Fblog\u002Fnvidia-ising-decoding-cuts-color-code-logical-error-rates-by-over-300x\u002F",{"heat":10,"score":67,"src":68,"rank":69,"lab":30,"body":70,"title":71,"analysis":72,"url":73},69,"The Decoder",8,"图灵奖得主Rich Sutton在多伦多创立Oak Lab，旨在构建能持续从环境中学习的自主AI智能体，并批评当前深度学习方法低效。","图灵奖得主 Rich Sutton 创立 Oak Lab，打造自主学习 AI 智能体","图灵奖得主 Rich Sutton 认为当前深度学习“弱且低效”，为此创立 Oak Lab，旨在打造能持续从环境中学习的自主 AI 智能体。\n· Sutton 是强化学习奠基人之一，2024 年图灵奖得主，其新公司 Oak Lab 位于多伦多，专注构建持续学习型 AI 智能体。\n· 他批评当前深度学习方法“弱且低效”，认为真正的智能应能像生物一样从与环境的交互中不断学习。\n· Oak Lab 的目标是开发能够自主适应新环境、无需大量人工标注或预训练数据的 AI 系统。\n· 此举可能推动 AI 从“大模型+海量数据”范式转向更接近人类学习的持续学习范式。\n看点：Sutton 的学术权威性加上对主流路线的批判，使 Oak Lab 成为强化学习领域值得关注的新变量。","https:\u002F\u002Fthe-decoder.com\u002Fturing-award-winner-rich-sutton-founds-oak-lab-to-build-ai-agents-that-learn-on-their-own\u002F",{"heat":10,"score":67,"src":75,"rank":76,"lab":30,"body":77,"title":78,"analysis":79,"url":80},"Bloomberg Technology",9,"美国考虑阻止中国使用美国AI模型进行训练，Anthropic和OpenAI的警告引发硅谷辩论。","美国拟阻止中国利用美国模型训练AI","美国正考虑禁止中国使用美国模型进行AI训练，这一动向源于Anthropic和OpenAI对“对抗性蒸馏”技术的警告，重新点燃了硅谷关于技术出口与安全的老辩论。\n· 所谓“对抗性蒸馏”，是指通过反复向AI模型提问，利用其输出来训练另一个模型，从而绕过直接访问模型权重的限制。Anthropic和OpenAI认为，中国可能利用这一技术从美国顶尖模型中提取知识，用于自身AI研发。\n· 美国政策制定者正在讨论如何限制这种“间接”使用，可能包括扩大出口管制范围，将模型输出也纳入监管，甚至要求云服务商审查API调用模式。\n· 硅谷内部对此存在分歧：一派主张严格限制以保护国家安全，另一派担心过度管制会削弱美国AI企业的全球竞争力，并促使中国加速自主研发。\n· 目前尚无具体法案出台，但相关讨论已影响市场预期，部分AI公司开始调整API使用条款，增加对异常调用频率的监控。\n影响\u002F看点：这一议题将深刻影响全球AI技术生态，若限制落地，可能加速中美AI技术脱钩，并催生更多“模型蒸馏”的灰色地带操作。","https:\u002F\u002Fwww.bloomberg.com\u002Fnews\u002Farticles\u002F2026-07-13\u002Fanthropic-openai-warnings-prompt-distillation-debate-in-dc",{"heat":10,"score":82,"src":83,"rank":84,"lab":46,"body":85,"title":86,"analysis":87,"url":88},68,"X：karminski (@karminski3)",10,"开源框架Colibri在25GB内存下运行744B参数的GLM-5.2 MoE模型，通过将路由专家放在磁盘并按需加载实现。","Colibri 框架：25GB 内存运行 GLM-5.2 MoE 模型","导读：Colibri 框架让 744B 参数的 GLM-5.2 MoE 模型在仅 25GB 内存下运行，打破了超大模型对显存的依赖，为本地部署开辟新路。\n· 核心思路是分离模型组件：注意力与共享专家等稠密部分（约 17B 参数）常驻内存仅需 9.9GB，而每个 token 推理时仅路由专家部分（约 11GB，int4）变化。\n· 剩余 21,504 个路由专家（约 370GB）全放磁盘，按需流式加载，采用 per-layer LRU 与热点 pin 优化，减少重复读取。\n· 冷启动速度约 0.05-0.1 tok\u002Fs，热启动后提升；实验性 router-lookahead（PILOT）可预测性达 71.6%，配合 MTP 投机解码，最终实现 2.2-2.8 tok\u002Fs。\n· 该方案验证了“内存-磁盘混合推理”的可行性，尤其适合资源受限场景，但冷启动延迟仍是瓶颈。\n影响\u002F看点：Colibri 展示了极低内存运行超大 MoE 模型的潜力，未来若优化冷启动，可能推动大模型在消费级硬件上的普及。","https:\u002F\u002Fx.com\u002Fkarminski3\u002Fstatus\u002F2076781896307261671",[90,134,185,227,262],{"no":91,"count":69,"en":92,"arts":93,"zh":133},"01","MODEL RELEASES",[94,95,96,101,108,115,121,128],{"heat":10,"score":11,"src":12,"lab":13,"body":14,"title":15,"analysis":16,"url":17},{"heat":19,"score":20,"src":21,"lab":13,"body":22,"title":23,"analysis":24,"url":25},{"heat":10,"score":82,"src":68,"lab":30,"body":97,"title":98,"analysis":99,"url":100},"德国AI联盟发布开源30B参数模型Soofi S，在英德基准测试中领先。","德国AI联盟发布开源30B模型Soofi S，在英德基准测试中领先","德国AI联盟发布开源30B模型Soofi S，在英德基准测试中领先，展示了欧洲在开源大模型领域的实力，值得关注。\n· 模型采用混合架构，总参数31.6B但每个token仅激活部分参数，在长上下文场景下保持高吞吐。\n· 训练数据刻意偏向德语，但在英语基准上也超越所有完全开源模型，证明多语言能力均衡。\n· 模型完全在德国电信慕尼黑云基础设施上训练，强调数据主权和欧洲技术自主。\n· 开源发布，有利于社区研究和商业应用，推动欧洲AI生态发展。\n影响\u002F看点：Soofi S的发布标志着欧洲在开源大模型领域取得重要突破，其高效架构和多语言优势可能吸引全球开发者，同时强化了欧洲在AI主权方面的努力。","https:\u002F\u002Fthe-decoder.com\u002Fgerman-ai-consortium-releases-soofi-s-an-open-30b-model-that-tops-benchmarks-in-both-english-and-german\u002F",{"heat":10,"score":102,"src":103,"lab":46,"body":104,"title":105,"analysis":106,"url":107},63,"X：Elvis Saravia (@omarsar0, DAIR.AI)","actAVAai发布1T参数医疗智能体模型Cura，推理成本降低20-100倍，性能与前沿模型相当。","actAVAai Cura：1T 参数医疗智能体模型，推理成本降 20-100 倍","导读：actAVAai Cura 是一个 1T 参数的医疗智能体模型，通过递归自我改进训练，推理成本降低 20-100 倍，性能媲美前沿模型。\n· 使用递归自我改进（RSI）方法训练，模型在医疗与健康管理工作流中表现强劲。\n· 推理成本降低 20-100 倍，意味着企业可以以更低成本部署高性能医疗 AI。\n· 性能与领先前沿模型相当，但专为医疗场景定制，可私有化部署。\n· 已开放试用，并提供 $20 积分与早期访问。\n影响\u002F看点：RSI 训练方法有望成为降低大模型推理成本的有效途径，尤其在垂直领域。","https:\u002F\u002Fx.com\u002Fomarsar0\u002Fstatus\u002F2076742163300237561",{"heat":10,"score":109,"src":110,"lab":46,"body":111,"title":112,"analysis":113,"url":114},62,"X：Artificial Analysis (@ArtificialAnlys)","Google Gemini Omni Flash在文生图和图生视频双榜登顶，支持生成带音频的视频，定价$0.10\u002F秒。","Google Gemini Omni Flash 登顶文生图与图生视频双榜","导读：Google Gemini Omni Flash 登顶文生图与图生视频双榜，成为首个原生多模态模型，支持对话式编辑。\n· 在 Artificial Analysis 文生视频和图生视频榜单均位列第一，略超字节跳动 Seedance 2.0。\n· 原生多模态，支持文本、图像、视频输入，可生成带原生音频的 3-10 秒 720p\u002F24FPS 视频。\n· 定价 $0.10\u002F秒（$6.00\u002F分钟），与 Veo 3.1 Fast 持平，现已通过 Gemini API 等平台开放。\n· YouTube Shorts 和 YouTube Create 应用可免费使用。\n影响\u002F看点：Gemini Omni Flash 的多模态能力与合理定价，可能加速视频生成在内容创作中的普及。","https:\u002F\u002Fx.com\u002FArtificialAnlys\u002Fstatus\u002F2076747075036045645",{"heat":19,"score":116,"src":83,"lab":46,"body":117,"title":118,"analysis":119,"url":120},57,"小米发布 MiMo-V2.5-DFlash，采用 block-diffusion 推测解码，编程场景下可实现约 6 倍提速。","小米发布 MiMo-V2.5-DFlash，采用 block-diffusion 推测解码","小米发布 MiMo-V2.5-DFlash，采用 block-diffusion 推测解码技术，旨在加速大模型推理，值得关注。\n· 技术原理：草稿模型使用 block-diffusion，骨干为 Transformer，一次 forward 并行猜测一整块 token，再由大模型一次性验证，实现推测解码。\n· 性能表现：在编程场景下，block=8 时接受长度可达 6+，实现约 6 倍提速，效果显著。\n· 部署特点：草稿权重仅 2.94GB，但无 embed\u002Flm_head，需从 MiMo 多层 hidden 抽取特征做 KV injection，本质是加速插件。\n· 配置细节：target_layer_ids 设为 [0, 11, 23, 35, 47]，连第 0 层也抽取；block_size=8 偏保守但接受率更优。\n· 影响\u002F看点：MiMo-V2.5-DFlash 展示了 block-diffusion 在推测解码中的潜力，为低成本加速大模型推理提供了新思路。","https:\u002F\u002Fx.com\u002Fkarminski3\u002Fstatus\u002F2076463341426577612",{"heat":29,"score":122,"src":123,"lab":46,"body":124,"title":125,"analysis":126,"url":127},54,"X：Rohan Paul (@rohanpaul_ai)","GPT-5.6 Sol 在 Design Arena 前端设计评测中登顶，Elo 达 1353，超越 Claude Fable 5。","GPT-5.6 Sol 在 Design Arena 前端设计评测中登顶，Elo 达 1353","GPT-5.6 Sol 在 Design Arena 前端设计评测中登顶，Elo 达 1353，超越 Claude Fable 5，值得关注。\n· 评测机制：Design Arena 要求模型根据提示词生成网页，无需智能体工具循环，由人类投票比较匿名输出并通过统计建模计算 Elo 分数。\n· 性能提升：相比 GPT-5.5，Elo 提升 60 分，排名跃升 18 位，与智谱 GLM 5.2 处于同一性能区间。\n· 关键能力：GPT-5.6 Sol 在检查渲染页面方面的能力提升是其设计质量改进的关键。\n· 速度优势：在同等性能水平下比竞品更快，建立了偏好与速度的新帕累托前沿。\n· 影响\u002F看点：GPT-5.6 Sol 在设计与速度上的双重优势，可能巩固 OpenAI 在 AI 前端生成领域的领先地位，并推动模型效率竞争。","https:\u002F\u002Fx.com\u002Frohanpaul_ai\u002Fstatus\u002F2076459760040448160",{"heat":10,"score":122,"src":110,"lab":46,"body":129,"title":130,"analysis":131,"url":132},"Meta的Muse Spark 1.1在AA-Briefcase基准中获863分，与Gemini 3.5 Flash持平，但演示质量下降。","Muse Spark 1.1 在 AA-Briefcase 基准测试中获 863 分，与 Gemini 3.5 Flash 持平","Muse Spark 1.1 在 AA-Briefcase 基准测试中获 863 分，与 Gemini 3.5 Flash 持平，展示了其在真实任务上的强大能力。\n· 基准测试：AA-Briefcase 测试模型在数千个输入文件上的真实任务，包括电子表格、演示文稿、UI 原型。\n· 成绩对比：Muse Spark 1.1 得分 863，与 Gemini 3.5 Flash 和 NVIDIA Nemotron 3 Ultra 持平，较前代提升 232 分。\n· 短板：演示质量是弱点，Presentation Elo 仅 432，较前代下降 67 分，低于 Mistral Medium 3.5。\n影响\u002F看点：Muse Spark 1.1 在知识工作基准上表现突出，但演示能力有待提升，未来可能在办公自动化领域发挥重要作用。","https:\u002F\u002Fx.com\u002FArtificialAnlys\u002Fstatus\u002F2076779734810382764","模型发布\u002F更新",{"no":135,"count":69,"en":136,"arts":137,"zh":184},"02","PRODUCT LAUNCHES",[138,139,146,151,157,164,171,178],{"heat":10,"score":27,"src":28,"lab":30,"body":31,"title":32,"analysis":33,"url":34},{"heat":19,"score":140,"src":141,"lab":61,"body":142,"title":143,"analysis":144,"url":145},66,"Cloudflare Blog","Cloudflare推出Precursor，通过持续客户端信号检测机器人行为，提升验证效率。","Cloudflare推出Precursor：通过持续客户端信号检测代理行为","导读：Cloudflare 推出 Precursor，通过持续客户端信号检测代理行为，弥补传统验证码在完整用户旅程中的可见性缺口。\n· Precursor 是一种基于会话的客户端验证系统，通过动态注入 JavaScript 持续收集用户行为信号，实时区分人类与自动化流量。\n· 传统方案如 CAPTCHA 仅在登录、注册等关键节点验证，而 Precursor 覆盖整个应用交互过程，捕捉难以伪造的长期行为模式。\n· 系统与 Turnstile 互补，后者每天处理近 30 亿次请求，但仅关注敏感端点；Precursor 将检测扩展到全站，减少对激进挑战的依赖。\n· 现代机器人能短暂模拟合法行为，但无法持续保持一致性，Precursor 利用行为本身作为可靠信号，提升检测精度。\n影响\u002F看点：Precursor 标志着 bot 防护从“点式验证”向“全程行为分析”的进化，有望显著降低对合法用户的干扰，同时提高对高级自动化攻击的识别能力。","https:\u002F\u002Fblog.cloudflare.com\u002Fintroducing-precursor\u002F",{"heat":10,"score":102,"src":28,"lab":30,"body":147,"title":148,"analysis":149,"url":150},"我国首颗软件定义与三维近存计算AI芯片亮相，14nm制程实现520万亿次算力。","我国首颗软件定义与三维近存计算AI芯片亮相，14nm实现520万亿次算力","我国首颗软件定义与三维近存计算AI芯片亮相，14nm实现520万亿次算力，通过架构创新突破制程限制，意义重大。\n· 芯片采用软件定义技术，硬件资源可动态调配，提升算力利用率；三维近存计算将计算与存储单元垂直堆叠，访存带宽达6.4TB\u002Fs，缓解“存储墙”瓶颈。\n· 在14nm工艺上实现520 TFLOPS算力，表明架构创新可部分替代制程升级，供应链更可控。\n· 同步发布全栈软件工具链，兼容主流深度学习框架，形成从加速卡到智算集群的完整产品体系。\n· 该路径为高端算力芯片自主发展提供了新思路，对夯实AI算力底座有重要战略价值。\n影响\u002F看点：该芯片展示了中国在AI芯片领域的架构创新能力，有望降低对先进制程的依赖，推动国产AI算力生态成熟。","https:\u002F\u002Fwww.ithome.com\u002F0\u002F976\u002F197.htm",{"heat":10,"score":102,"src":152,"lab":13,"body":153,"title":154,"analysis":155,"url":156},"X：OpenRouter (@OpenRouter)","OpenRouter新增服务层级功能，用户可查看各层级延迟和吞吐量，并使用可复制标识符进行路由。","OpenRouter 新增服务层级与路由功能","导读：OpenRouter 新增服务层级与路由功能，让用户能根据延迟和吞吐量选择付费层级，提升透明度与灵活性。\n· 服务层级成为一级功能，在 `\u002Fv1\u002Fmodels\u002Fendpoints` 中可查看各层级的具体延迟和吞吐量。\n· 支持使用可复制标识符（如 `openai\u002Fflex`、`xai\u002Fpriority`）进行路由，或继续使用 `service_tier` 参数。\n· 用户可清楚了解自己的付费内容，选择性价比最高的层级。\n· 该功能有助于开发者根据任务需求（如实时 vs 批量）优化成本。\n影响\u002F看点：服务层级透明化将推动 API 定价竞争，用户可根据实际需求灵活选择。","https:\u002F\u002Fx.com\u002FOpenRouter\u002Fstatus\u002F2076725925195153761",{"heat":10,"score":158,"src":159,"lab":46,"body":160,"title":161,"analysis":162,"url":163},60,"X：Testing Catalog (@testingcatalog)","Atomic Chat发布DFlash推测解码模式，在本地模型上速度提升2.2倍，输出逐字节一致。","Atomic Chat 发布 DFlash 推测解码模式，支持多平台","导读：Atomic Chat 发布 DFlash 推测解码模式，在 llama.cpp 上运行本地 Qwen 模型，速度提升 2.2 倍，输出逐字节一致。\n· DFlash 使用独立小模型一次性草拟最多 15 个 token，再由大模型验证，实现加速。\n· 在 RTX 6000 上运行 Qwen3.6-27B，DFlash 达 98 tok\u002Fs（2.2x），MTP 为 65 tok\u002Fs（1.45x），基线为 44 tok\u002Fs。\n· 在 JSON 等可预测任务中，DFlash 可达 152 tok\u002Fs（3.4x）；但在创意写作中，因多数猜测错误，速度降至 42 tok\u002Fs，低于基线。\n· 已原生集成至 Atomic Chat 的 llama.cpp 中，支持多平台。\n影响\u002F看点：DFlash 在可预测任务中加速显著，但创意写作场景需改进，提示推测解码的适用性取决于任务类型。","https:\u002F\u002Fx.com\u002Ftestingcatalog\u002Fstatus\u002F2076778070870995321",{"heat":19,"score":165,"src":166,"lab":46,"body":167,"title":168,"analysis":169,"url":170},59,"X：Greg Brockman (@gdb)","ChatGPT上线Work与Remote功能，将Codex能力融入移动端，支持跨设备无缝切换任务。","ChatGPT 上线 Work 与 Remote 功能，Codex 能力融入移动端","导读：ChatGPT 上线 Work 与 Remote 功能，将 Codex 能力融入移动端，实现跨设备无缝切换，智能体不再受限于起始屏幕。\n· 用户可在手机或网页上点击 Work，将任务交给云端运行，无需电脑。\n· 点击 Remote 可接续电脑上已在运行的任务，实现跨设备无缝切换。\n· 大量 Codex 功能已直接集成到 ChatGPT 移动端和网页版，能力大幅提升。\n· Greg Brockman 称赞 Work 功能出色，认为团队成果令人骄傲。\n影响\u002F看点：该功能使 ChatGPT 从单一设备工具进化为跨平台智能体，极大提升了使用便捷性和连续性，可能推动 AI 助手向“无处不在”的方向发展。","https:\u002F\u002Fx.com\u002Fgdb\u002Fstatus\u002F2076518764112445861",{"heat":10,"score":172,"src":173,"lab":30,"body":174,"title":175,"analysis":176,"url":177},58,"量子位 资讯","蚂蚁安全开源两大安全框架，旨在填补Claude Code留下的安全空白。","蚂蚁安全开源两大框架，填补Claude Code留下的安全空白","蚂蚁安全开源两大安全框架，旨在填补 Claude Code 等 AI 编程工具留下的安全空白，为开发者提供更可靠的防护。\n· 蚂蚁安全团队最新开源两大框架，专注于解决 AI 编程助手（如 Claude Code）在生成代码时可能引入的安全漏洞。\n· 这些框架提供静态分析和运行时防护能力，帮助开发者在 AI 辅助开发流程中自动检测和修复安全问题。\n· 开源举措旨在推动社区共建安全生态，降低 AI 编程工具带来的新风险。\n影响\u002F看点：随着 AI 编程工具普及，安全风险日益凸显，蚂蚁安全此举有望成为行业参考，促进 AI 开发安全标准化。","https:\u002F\u002Fwww.qbitai.com\u002F2026\u002F07\u002F448925.html",{"heat":10,"score":172,"src":179,"lab":30,"body":180,"title":181,"analysis":182,"url":183},"Hacker News 热门","苹果推出新的SpeechAnalyzer API，并与Whisper及前代产品进行性能基准测试对比。","苹果新 SpeechAnalyzer API 性能对比 Whisper 及前代","苹果新 SpeechAnalyzer API 在基准测试中与 Whisper 及前代产品进行了性能对比，结果值得关注。\n· 该 API 是苹果最新的语音分析工具，旨在提升语音识别和处理的准确性与效率。\n· 基准测试对比了 OpenAI 的 Whisper 模型和苹果前代语音 API，涵盖多场景下的性能指标。\n· 具体数据尚未完全公开，但初步结果显示苹果新 API 在特定任务上具有竞争力。\n· 此举显示苹果在语音 AI 领域持续投入，可能为开发者提供更强大的本地化语音处理能力。\n看点：苹果在 AI 语音领域的进展可能影响 Siri 等产品的体验，并与 Whisper 等开源模型形成竞争。","https:\u002F\u002Fget-inscribe.com\u002Fblog\u002Fapple-speech-api-benchmark.html","产品发布\u002F更新",{"no":186,"count":69,"en":187,"arts":188,"zh":226},"03","INDUSTRY",[189,190,191,197,202,209,214,220],{"heat":10,"score":67,"src":75,"lab":30,"body":77,"title":78,"analysis":79,"url":80},{"heat":10,"score":67,"src":68,"lab":30,"body":70,"title":71,"analysis":72,"url":73},{"heat":10,"score":36,"src":192,"lab":46,"body":193,"title":194,"analysis":195,"url":196},"X：卡兹克 (@Khazix0918)","安全研究者发现Grok CLI在用户不知情时上传整个代码库及Claude Code配置，导致API密钥泄露，xAI已远程关闭上传功能。","Grok CLI 被曝静默上传整个代码库及 Claude Code 配置，导致 API 密钥泄露","导读：Grok CLI 被曝在用户不知情时静默上传整个代码库，甚至跨项目扫描 Claude Code 配置文件，导致 API 密钥泄露，安全风险极高。\n· 安全研究者发现，xAI 的 Grok CLI（npm 包 @xai-official\u002Fgrok v0.2.93）会在用户未授权的情况下，将整个项目代码库压缩为 tar.gz 并上传至 xAI 的 Google Cloud 存储。\n· 即使模型仅回复一个单词且未调用文件工具，CLI 仍会上传代码快照、会话记录及配置，行为隐蔽。\n· 更严重的是，上传包还跨项目扫描了 Claude Code 的配置文件（~\u002F.claude.json、settings.local.json），导致 API 密钥泄露。\n· xAI 在曝光后通过服务端远程开关静默关闭了上传功能，但代码管线仍保留，存在隐患。\n· 作者建议立即卸载 Grok CLI，并检查是否有密钥泄露。\n影响\u002F看点：此事件暴露了 AI 开发工具在隐私和安全方面的重大漏洞，提醒开发者在使用 CLI 工具时需谨慎审查其行为，也促使行业反思默认数据收集的边界。","https:\u002F\u002Fx.com\u002FKhazix0918\u002Fstatus\u002F2076504273282908170",{"heat":10,"score":140,"src":75,"lab":30,"body":198,"title":199,"analysis":200,"url":201},"习近平将首次出席中国旗舰AI峰会，中美AI竞争加剧。","习近平将首次出席中国旗舰AI峰会，中美竞争加剧","习近平将首次出席中国旗舰AI峰会，凸显中美AI竞争加剧。\n· 事件：中国国家主席习近平计划出席中国旗舰AI峰会，这是其首次参加此类活动，显示AI在国家战略中的核心地位。\n· 背景：中美在AI领域的竞争日益激烈，美国近期加强出口管制，中国则加速自主创新和产业布局。\n· 信号意义：习近平出席将释放中国高度重视AI发展的强烈信号，可能宣布新的政策或投资计划。\n· 影响：峰会可能成为中美AI博弈的新节点，吸引全球关注中国AI生态和合作机会。\n影响\u002F看点：最高领导人出席标志AI上升为国家战略核心，中美竞争将进入新阶段，全球AI格局或因此调整。","https:\u002F\u002Fwww.bloomberg.com\u002Fnews\u002Farticles\u002F2026-07-13\u002Fxi-to-debut-at-china-s-flagship-ai-summit-as-us-rivalry-heats-up",{"heat":10,"score":203,"src":204,"lab":30,"body":205,"title":206,"analysis":207,"url":208},65,"AI News (artificialintelligence-news)","Cloudflare宣布从9月15日起默认阻止AI代理爬虫，要求获取许可，并推出三类控制开关。","AI代理爬虫需获许可：Cloudflare新规详解","Cloudflare宣布从9月15日起，默认阻止AI代理爬虫访问其网络上的广告支持页面，这一政策将重塑AI代理的数据获取方式。\n· Cloudflare将爬虫分为三类：搜索爬虫（用于索引）、代理爬虫（实时响应用户请求，如ChatGPT的抓取机器人）和训练爬虫（用于模型训练）。从9月15日起，代理和训练爬虫在广告页面上默认被阻止，搜索爬虫仍允许。\n· 这一变化适用于所有新接入Cloudflare的域名、现有客户的新站点以及所有免费版客户。用户可在截止日前通过安全设置选择退出。\n· Cloudflare的逻辑是：广告表明页面是为人类访问设计的；搜索爬虫带来流量回馈；而代理爬虫读取页面后将答案直接给用户，不产生回访，因此不应免费使用。\n· 此前，AI代理默认开放网络可自由抓取，无需许可。Cloudflare的阻止在网络层面执行，比robots.txt更严格，无法被忽略。\n· 对于企业AI代理，这意味着它们可能无法获取新闻、评论、定价等关键信息，导致回答缺失或依赖其他来源。\n影响\u002F看点：Cloudflare此举可能引发行业效仿，迫使AI代理开发者与网站建立许可或付费关系，改变当前免费抓取的模式。","https:\u002F\u002Fwww.artificialintelligence-news.com\u002Fnews\u002Fai-agent-crawlers-cloudflare-rules\u002F",{"heat":10,"score":102,"src":28,"lab":30,"body":210,"title":211,"analysis":212,"url":213},"微软CEO纳德拉批评AI公司一边主张合理使用公开数据训练，一边限制他人模型蒸馏，存在双标。","微软CEO纳德拉批评AI模型公司数据使用双标","微软 CEO 纳德拉批评 AI 公司“双标”：一边主张合理使用公开数据训练模型，一边限制他人蒸馏，并提醒企业警惕过度依赖单一模型供应商。\n· 纳德拉指出，模型厂商享受基于公开数据的“合理使用”权，却对模型蒸馏施加严格限制，同时保留利用客户交互数据继续学习的权利，存在矛盾。\n· 他警告，若知识单向流动，最终获利的是 AI 基础设施提供者，而非知识创造者；企业应建立自己的 AI 基础设施和持续学习机制。\n· 纳德拉虽未点名，但外界认为主要针对 Anthropic——后者曾指责中国公司利用 Claude 蒸馏，并称阿里巴巴发起“最大规模蒸馏攻击”。\n· 马斯克也曾批评 Anthropic 大规模窃取训练数据并支付和解金，与纳德拉的批评形成呼应。\n影响\u002F看点：纳德拉的言论揭示了 AI 行业在数据使用和模型蒸馏上的深层矛盾，可能推动行业对数据权利和模型共享规则的重新审视。","https:\u002F\u002Fwww.ithome.com\u002F0\u002F975\u002F986.htm",{"heat":10,"score":102,"src":215,"lab":46,"body":216,"title":217,"analysis":218,"url":219},"X：X.PIN (@thexpin)","Z.ai创始人汤杰公开信称公司选择Anthropic式路线，MaaS平台ARR达17亿元，未来聚焦长周期任务和自主智能体。","Z.ai创始人汤杰发公开信：选择Anthropic式路线，MaaS平台ARR达17亿元","导读：Z.ai 创始人汤杰在估值突破万亿港元后发表公开信，透露公司选择 Anthropic 式路线，MaaS 平台 ARR 达 17 亿元，并设下更高目标。\n· 一年前 Z.ai 面临两条路径：打造 OpenAI 式消费应用，或走 Anthropic 式编码与开发者工具路线，最终选择了后者。\n· 如今 MaaS 平台年化经常性收入（ARR）达 17 亿元人民币，一年增长 60 倍，扣除研发成本后收入可覆盖日常运营。\n· 汤杰提出“摸高”目标：聚焦长周期任务、自主智能体系统和自我进化 AI。\n· 他强调前沿智能应开放、可构建，而非由少数公司或规则控制。\n· Z.ai 可能在未来两年不追逐短期 AI 应用利润，专注长期技术积累。\n影响\u002F看点：Z.ai 的路线选择和业绩证明，开发者工具和平台化路线在中国市场同样可行，其“摸高”目标预示着 AI 公司正从应用层向更底层的智能体系统演进。","https:\u002F\u002Fx.com\u002Fthexpin\u002Fstatus\u002F2076561844249166008",{"heat":19,"score":102,"src":221,"lab":30,"body":222,"title":223,"analysis":224,"url":225},"The Verge AI","苹果起诉OpenAI，指控其窃取机密文件、监视硬件原型，并诱使合作伙伴执行专有产品设计技术，涉及苹果前高管Tang Tan。","苹果诉 OpenAI 案中的六大惊人指控","苹果起诉 OpenAI 窃取机密文件、监视硬件原型，并指控其高管在面试时索要苹果未发布产品组件。\n· 苹果指控 OpenAI 硬件负责人要求面试的苹果员工携带未发布的产品组件和样品。\n· 诉讼核心涉及三名前苹果员工，包括 Apple Watch 前副总裁 Tang Tan，他于 2024 年离职加入 OpenAI。\n· 苹果称 OpenAI 通过欺骗合作伙伴执行专有产品设计技术，并窃取机密文档。\n· 此案凸显科技巨头间人才与知识产权争夺的白热化。\n看点：若指控成立，可能影响 OpenAI 与苹果的潜在合作，并加剧硅谷竞业限制与商业秘密保护的争议。","https:\u002F\u002Fwww.theverge.com\u002Ftech\u002F964843\u002Fapple-openai-lawsuit-wildest-claims","行业动态",{"no":228,"count":69,"en":229,"arts":230,"zh":261},"04","RESEARCH",[231,232,233,238,243,249,254,260],{"heat":10,"score":20,"src":52,"lab":30,"body":54,"title":55,"analysis":56,"url":57},{"heat":10,"score":20,"src":59,"lab":61,"body":62,"title":63,"analysis":64,"url":65},{"heat":10,"score":82,"src":52,"lab":30,"body":234,"title":235,"analysis":236,"url":237},"斯坦福团队推出TRACE系统，通过将智能体重复失败转化为合成环境，针对性训练缺失能力。","斯坦福TRACE：将智能体重复失败转化为合成RL训练环境","斯坦福团队提出TRACE系统，将智能体反复失败转化为针对性训练环境，开源且效果显著。\n· 问题根源：智能体失败并非随机，而是缺乏特定可复用能力，如检索记录或验证前提。传统RL或SFT奖励稀疏，无法定位缺失技能；广泛合成数据又浪费在已有能力上。\n· 核心创新：TRACE通过四步流水线自动诊断并训练缺失能力。第一步对比分析，分离成功与失败轨迹，识别出具有高对比度（δ>0.20）和高覆盖率（ρ>0.10）的关键能力。\n· 环境合成：为每个保留能力生成独立合成环境，仅聚焦该能力，保留工具模式和格式。任务实例由随机种子程序生成，奖励无需人工标注。\n· 训练与组合：每个能力训练一个LoRA适配器，使用GRPO算法，基座模型冻结。最后通过MoE架构以token级路由组合适配器，实现灵活调用。\n影响\u002F看点：TRACE将失败转化为结构化训练信号，显著提升智能体泛化能力，为自主系统持续学习提供新范式。","https:\u002F\u002Fwww.marktechpost.com\u002F2026\u002F07\u002F13\u002Fstanford-researchers-introduce-trace\u002F",{"heat":10,"score":82,"src":28,"lab":30,"body":239,"title":240,"analysis":241,"url":242},"南开大学研制出全球首款仿生听觉神经接口，能像天然神经一样处理声音信号。","南开大学研制全球首款仿生听觉神经接口","南开大学团队研制全球首款仿生听觉神经接口，实现从“听见”到“听懂”的跨越。\n· 背景：全球近3%人口受感音神经性耳聋困扰，传统人工耳蜗依赖残存听觉神经，一旦神经严重受损则失效。\n· 系统构成：集成声音采集、神经形态编码、自然语义处理、生物电信号输出于一体，模拟耳蜗感知并借鉴神经网络处理信息，最终与活体神经建立稳定连接。\n· 动物实验：失聪兔植入后不仅能感知声音，还能识别语音指令并完成“打字”“踢球”等行为，实现完整听觉神经信息处理链路。\n· 意义：标志着听觉修复从“恢复感知”向“重建功能”迈进，为完全失聪患者提供新路径。\n影响\u002F看点：该接口首次实现人造系统与生物神经的深度融合，具备类似天然听觉的信息处理能力，有望重塑听觉修复技术。","https:\u002F\u002Fwww.ithome.com\u002F0\u002F976\u002F065.htm",{"heat":10,"score":82,"src":244,"lab":46,"body":245,"title":246,"analysis":247,"url":248},"X：Kim (@kimmonismus)","Claude Fable 5协助东京大学教授解决弦理论难题，发现计算错误并提出非平凡观察。","Claude Fable 5 协助东京大学教授解决弦理论难题","东京大学教授 Yuji Tachikawa 使用 Claude Fable 5 解决了弦理论难题，模型不仅发现计算错误，还提出非平凡观察并基本解决问题，标志着 AI 在理论物理研究中贡献了新颖步骤。\n· Tachikawa 将半年无进展的研究笔记输入 Claude Fable，模型先发现一处计算错误。\n· 在追问下，模型提出非平凡观察并基本解决了问题，还使用 SymPy 编写代码验证自身预测。\n· Tachikawa 认为 Fable 似乎真正理解弦理论并具备直觉。\n· 这并非已发表或独立验证的结果，但标志着前沿模型在活跃理论物理研究中贡献了新颖步骤。\n影响\u002F看点：该案例展示了 AI 在基础科学中的潜力，但需谨慎看待，结果尚未经同行验证。","https:\u002F\u002Fx.com\u002Fkimmonismus\u002Fstatus\u002F2076658442282934351",{"heat":10,"score":82,"src":59,"lab":61,"body":250,"title":251,"analysis":252,"url":253},"研究提出用引导生成模型高效估算低概率高风险极端事件的概率，避免传统蒙特卡洛方法的大量计算。","利用引导生成模型估算极端事件概率","这篇来自 NVIDIA 技术博客的文章介绍了一种利用引导生成模型高效估算极端事件概率的新方法，对于金融、工程和科学领域中的风险管理具有重要价值。\n· 传统蒙特卡洛方法在估算低概率、高影响事件时，需要海量样本，计算成本极高，而引导生成模型通过智能采样大幅降低所需样本量。\n· 该方法结合了生成对抗网络（GAN）或变分自编码器（VAE）等生成模型，并引入引导机制，使模型聚焦于极端事件区域，提高采样效率。\n· 文章以金融风险为例，展示了该方法在估算尾部风险概率时的准确性，与传统方法相比，在相同精度下所需样本量减少数个数量级。\n· 技术实现上，引导生成模型通过调整潜在空间的分布，优先生成可能导致极端输出的输入组合，从而高效覆盖稀有事件。\n· 该方法不仅适用于金融领域，还可推广到气候预测、工程可靠性分析等需要评估极端风险的场景。\n影响\u002F看点：引导生成模型为极端事件概率估算提供了一种计算可行且精度高的新范式，有望推动风险管理领域的实践变革。","https:\u002F\u002Fdeveloper.nvidia.com\u002Fblog\u002Fextreme-event-likelihoods-with-guided-generative-models\u002F",{"heat":10,"score":82,"src":255,"lab":46,"body":256,"title":257,"analysis":258,"url":259},"X：Sky Computing Lab (@haoailab)","FastAFD开源方案在GB200 NVL72系统上实现注意力-前馈网络分离，将每GPU解码吞吐量提升1.35-1.45倍。","FastAFD 开源方案提升 GB200 解码吞吐 1.35-1.45 倍","导读：FastAFD 开源方案在 GB200 NVL72 系统上通过注意力-前馈网络分离，将每 GPU 解码吞吐提升 1.35-1.45 倍，验证了 AFD 架构在最新机架级 GPU 上的有效性。\n· FastAFD 面向 72 块 Blackwell GPU 组成的 NVLink 域，将注意力与 FFN 计算分离，减少通信开销。\n· 每 GPU 解码吞吐提升 1.35-1.45 倍，意味着在相同硬件下可处理更多请求或降低延迟。\n· 代码与博客已开源，便于社区复现与改进。\n· 该方案表明，即使在新一代 GPU 系统中，模型架构层面的优化仍能带来显著收益。\n影响\u002F看点：FastAFD 为大规模部署 LLM 推理提供了低成本加速方案，尤其适合需要高吞吐的云服务场景。","https:\u002F\u002Fx.com\u002Fhaoailab\u002Fstatus\u002F2076751764301463718",{"heat":19,"score":36,"src":37,"lab":13,"body":39,"title":40,"analysis":41,"url":42},"论文研究",{"no":263,"count":69,"en":264,"arts":265,"zh":303},"05","TIPS & OPINIONS",[266,267,268,273,281,287,292,298],{"heat":10,"score":20,"src":44,"lab":46,"body":47,"title":48,"analysis":49,"url":50},{"heat":10,"score":82,"src":83,"lab":46,"body":85,"title":86,"analysis":87,"url":88},{"heat":10,"score":140,"src":44,"lab":46,"body":269,"title":270,"analysis":271,"url":272},"邵猛分享生产级语音Agent五大要求，并详解Telnyx AI Assistant Builder方案。","生产级语音 Agent 五大要求与 Telnyx 方案详解","生产级语音 Agent 需满足五大硬性要求，Telnyx AI Assistant Builder 提供了一套简洁的工程方案，开发者仅需编写约 15 行 webhook 即可构建。\n· 五大要求：亚秒级往返延迟、基于知识库的有依据回答、每通电话注入实时上下文、干净转接人工、不拨号即可迭代测试。\n· 方案采用 Telnyx AI Assistant Builder，平台吸收 STT\u002FLLM\u002FTTS\u002F电话路由管线。\n· 关键设计为静态 Instructions（persona、知识库）与 Dynamic Variables（{{variable}}占位符，通话开始时由 webhook 替换）。\n· 支持三种测试方式：门户浏览器、真实 PSTN 号码、WebRTC 连接。\n影响\u002F看点：该方案降低了语音 Agent 的生产门槛，但延迟和上下文注入仍是工程难点，值得关注实际部署效果。","https:\u002F\u002Fx.com\u002Fshao__meng\u002Fstatus\u002F2076677375962857502",{"heat":10,"score":274,"src":275,"lab":276,"body":277,"title":278,"analysis":279,"url":280},64,"Tomer Tunguz 博客","大咖博客","分析显示AI模型用户留存率介于社交网络（约80%）和手游（个位数）之间，五个月后约为10%-40%，前沿模型平均保持领先仅41天。","AI 漏勺：模型用户留存率介于社交网络与手游之间","AI 模型用户留存率介于社交网络与手游之间，平均每 41 天就有新模型取代旧王，行业呈现“漏勺”效应。\n· 软件公司前五个月留存率约 90%，Facebook\u002FInstagram 约 80%，手游仅个位数，而 AI 模型留存率在 10%–40% 之间。\n· 前沿模型平均保持领先地位仅 41 天，用户和开发者频繁切换模型。\n· 基准测试已从纯性能转向“智能每美元”，例如微软新模型用少 60% 的 token 达到同等效果。\n· 同等性能的价格每年下降约 10 倍，初创公司可灵活选择当月最优模型，用户议价能力增强。\n看点：AI 模型商品化加速，竞争焦点从单一性能转向性价比，生态更动态但用户受益。","https:\u002F\u002Fwww.tomtunguz.com\u002Fthe-ai-colander\u002F",{"heat":10,"score":102,"src":282,"lab":46,"body":283,"title":284,"analysis":285,"url":286},"X：小互 (@xiaohu)","OpenAI发布Codex提示词九套工作流指南，涵盖修bug、截图变原型、云端重构等场景。","OpenAI 发布 Codex 提示词九套工作流指南","导读：OpenAI 官方发布 Codex 提示词九套工作流指南，覆盖修 bug、截图变原型、云端重构等场景，直接可抄。\n· 指南包含 9 套工作流，针对不同开发任务提供提示词模板，降低使用门槛。\n· 涵盖修 bug、截图变原型、云端重构等高频需求，实用性强。\n· 官方出品，质量有保障，适合开发者快速上手 Codex。\n· 提示词可直接复制使用，节省摸索时间。\n影响\u002F看点：该指南将加速 Codex 的普及，使开发者能更高效地利用 AI 辅助编程，推动 AI 编程工具从“能用”向“好用”进化。","https:\u002F\u002Fx.com\u002Fxiaohu\u002Fstatus\u002F2076546674034683975",{"heat":10,"score":158,"src":68,"lab":30,"body":288,"title":289,"analysis":290,"url":291},"OpenAI发布面向普通用户的提示词指南，建议使用目标、上下文、格式和约束四个模块，核心是描述期望结果而非步骤。","OpenAI 发布面向普通用户的提示词指南：从结果出发，别过度思考","OpenAI 发布面向普通用户的提示词指南，核心建议是“描述你想要的结果，而不是步骤”，并提供了四个可选构建块。\n· 指南面向日常用户而非开发者，强调简单实用，避免复杂公式。\n· 四个可选构建块：目标、上下文、格式和约束，用户可根据需要组合使用。\n· 核心原则：从结果出发，让 AI 自行决定实现路径，而非手把手指导每一步。\n· 这是 OpenAI 首次将 Chat 和 Codex 的提示方法统一到同一框架下。\n看点：降低提示词门槛，有助于普通用户更高效地使用 AI，可能推动 AI 应用进一步普及。","https:\u002F\u002Fthe-decoder.com\u002Fopenais-new-prompting-guide-tells-users-to-stop-overthinking-and-start-with-the-result\u002F",{"heat":10,"score":165,"src":293,"lab":30,"body":294,"title":295,"analysis":296,"url":297},"TechCrunch AI","微软CEO纳德拉警告企业慎用Anthropic和OpenAI等专有AI模型，指出其潜在风险。","微软CEO纳德拉警告企业慎用专有AI模型","微软CEO纳德拉警告企业，使用专有AI模型可能泄露核心商业机密，导致企业“付费两次”——一次付钱，一次交出数据。\n· 纳德拉指出，企业使用OpenAI、Anthropic等专有模型时，会通过提示词、工具调用和纠错行为产生“尾气数据”，这些数据包含企业独有的业务知识和决策逻辑。\n· 模型提供商利用这些数据不断优化自身模型，相当于免费获取了企业花多年积累的“机构知识”，而这些知识是竞争对手无法买到的。\n· 纳德拉认为，既然AI公司可以自由抓取互联网公开数据训练模型，企业也应有权对模型进行“蒸馏”——即通过分析模型输出来反向学习其工作机制，并训练自己的低成本模型。\n· 他批评模型提供商搞“双重标准”：一方面主张公平使用全球数据，另一方面却限制企业对自己的模型进行类似操作。\n· 这一警告与硅谷风投和Palantir CEO的担忧一致，凸显出AI产业链中数据主权与商业竞争的深层矛盾。\n影响\u002F看点：纳德拉的立场可能推动企业重新评估AI采购策略，加速开源模型和本地化部署的采用，并引发关于AI训练数据公平使用的政策辩论。","https:\u002F\u002Ftechcrunch.com\u002F2026\u002F07\u002F13\u002Fsatya-nadella-has-issued-a-shocking-warning-to-companies-using-ai\u002F",{"heat":10,"score":165,"src":166,"lab":46,"body":299,"title":300,"analysis":301,"url":302},"Greg Brockman用GPT-5.6 Sol调试MacBook电源问题，发现CalDigit坞站供电不足导致断开，插入120W电源后解决。","Greg Brockman 分享用 GPT-5.6 Sol 调试 MacBook 电源问题案例","Greg Brockman 分享了一个用 GPT-5.6 Sol 调试 MacBook 电源问题的案例，展示了 AI 在硬件故障排查中的实用价值。\n· 问题背景：MacBook 通过 CalDigit TS5 坞站供电，但会随机断开连接，传统排查耗时费力。\n· Sol 的推理过程：调查发现当 GPU 负载过高时，CalDigit 供电不足导致断开，并提出假设进行验证。\n· 解决方案：Sol 建议插入 120W 电源线，重新复现问题后断开现象消失。\n· 效率对比：Brockman 表示，如果没有 Sol，这个问题可能需要一整天才能解决。\n影响\u002F看点：AI 不仅能处理软件问题，还能在硬件调试中扮演“智能助手”角色，大幅缩短故障排查时间。","https:\u002F\u002Fx.com\u002Fgdb\u002Fstatus\u002F2076764438225621277","技巧与观点",[305,306,307,5,308,309,310,311,312,313,314,315,316,317,318,319,320,321,322,323,324,325,326,327],"2026-07-17","2026-07-16","2026-07-15","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","2026-06-26","2026-06-25","2026-06-24","2026-06-23","2026-06-22","2026-06-21"]