[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"aihot-daily-2026-07-18":3},{"daily":4,"dates":304},{"bizDate":5,"vertical":6,"leadText":7,"top":8,"sections":91},"2026-07-18","ai","今天最大的一根引线是月之暗面的 Kimi K3——2.8万亿参数开源模型，不仅代码竞技场评分反超顶尖闭源，还展示了“AI自己设计芯片”的能力，直接引发全球科技股抛售，把“中国AI黑马”从技术话题炒成了金融事件。而这一切恰好撞上世界人工智能大会（WAIC）在上海开幕：昇腾超节点真机首秀、曙光全国产万卡集群、25国签约成立WAICO、习近平首次在顶级科技峰会公开发声——中国AI这天几乎把芯片、模型、机器人、政策一次性摆上台面。但热闹背后也有冷水：图灵奖得主理查德·萨顿在同一个大会上提醒，当前AI仍“混淆了智能与计算”，本质上还比较弱小不可靠。产业秀肌肉的速度和它真实能力的成熟度之间，这道缺口值得多想一层。今天先看这几条：Kimi K3、WAIC 政策动态、萨顿的发言。",[9,19,28,37,45,53,61,69,77,84],{"heat":10,"score":11,"src":12,"rank":13,"lab":14,"body":15,"title":16,"analysis":17,"url":18},14,68,"Claude Code GitHub Releases",1,"官方网站","Claude Code v2.1.212发布，\u002Ffork支持后台会话，新增自动模式重置和工具调用限制。","Claude Code v2.1.212 发布：\u002Ffork 支持后台会话等更新","Claude Code 发布 v2.1.212 版本更新，本次聚焦后台会话与安全防护两条主线，多项体验修复解决了 Windows、Bash 进程管理等长期痛点。\n\n· \u002Ffork 现在会把当前对话复制成新的后台会话（在 claude agents 里独立成行），原来打开的 in-session 子代理链接被替换为 \u002Fsubtask，工作流更清晰。\n\n· 新增 claude auto-mode reset 命令，一键恢复默认自动模式配置（可加 --yes 跳过确认）。\n\n· 为防止失控循环，WebSearch 单会话默认上限 200 次、子代理生成默认上限 200 次，均可通过环境变量调整，\u002Fclear 会重置额度。\n\n· 运行超过 2 分钟的 MCP 工具调用自动转入后台执行，避免阻塞会话；同时修复了 Plan Mode 下 Bash 文件修改命令（touch、rm 等）绕过权限确认的漏洞。\n\n· 其余修复涵盖 worktree 符号链接越权创建文件、SIGTERM 导致进程树孤儿、Windows 上因组策略限制 PowerShell 5.1 引发的后台启动失败等问题。\n\n对日常重度使用 Claude Code 的开发者而言，这次更新在安全边界（权限确认、越权路径）和长时间运行体验（后台会话、超时工具调用）上都有实打实改善，建议尽快升级。","https:\u002F\u002Fgithub.com\u002Fanthropics\u002Fclaude-code\u002Freleases\u002Ftag\u002Fv2.1.212",{"heat":13,"score":20,"src":21,"rank":22,"lab":23,"body":24,"title":25,"analysis":26,"url":27},72,"IT之家",2,"综合资讯","阿里通义发布Wan-Streamer v0.2,AI视频通话响应延迟仅550ms,分辨率大幅提升。","阿里通义发布Wan-Streamer v0.2，AI视频通话响应延迟仅550ms","阿里通义实验室发布Wan-Streamer v0.2,这是一款让AI像真人一样边听、边看、边回应的端到端全模态模型,端到端响应延迟压缩到550毫秒左右,是全模态实时视频交互领域少见的工程级突破。\n\n· 延迟拆解为200毫秒模型延迟加350毫秒网络延迟,明显快于常见的实时语音对话模型\n· 输出分辨率从v0.1的192×336提升到640×368@25FPS,画面从单一“悬浮头部”特写扩展到视线方向、身体姿态、手势乃至周边环境\n· 核心设计是每160毫秒完成一次“感知—理解—生成—解码”闭环的“流式单元”,不需要等用户说完整句话再响应\n· 为兼顾画质与延迟,团队把模型拆分成单卡“思考者”(负责低延迟感知与语言组织)与多卡并行“执行者”(负责高分辨率视频生成)两条物理通路\n\n这套原生流式、全双工的架构一旦落地到视频客服、数字人陪伴等场景,会让“像打真人视频电话一样和AI对话”从演示走向可用产品。","https:\u002F\u002Fwww.ithome.com\u002F0\u002F978\u002F125.htm",{"heat":13,"score":29,"src":30,"rank":31,"lab":32,"body":33,"title":34,"analysis":35,"url":36},71,"X：邵猛 (@shao__meng)",3,"X 媒体 \u002F KOL","月之暗面发布Kimi K3,2.8T参数、1M上下文,性能仅次于Fable 5和GPT-5.6 Sol,权重7月27日前开源","Kimi K3 发布：全球首个 3T 级参数开源模型","月之暗面正式发布Kimi K3,全球首个3T级参数规模的开源模型,把开源模型的能力上限又往前推了一大步,值得关注它到底强在哪、开源节奏怎么走。\n\n· 参数规模2.8万亿,号称“3T级”,超过此前DeepSeek V4 Pro的1.6T,成为目前已知最大的开源模型\n· 支持100万token超长上下文,具备原生多模态能力,定位长时程智能体编码、知识工作与复杂推理\n· 综合表现仅次于Claude Fable 5和GPT 5.6 Sol,是当前开源阵营最强选手,在Frontend Code Arena以1679分登顶\n· 模型已在Kimi官网和API上线,权重预计2026年7月27日前完全开放,兑现“开放”承诺尚需持续观察\n\n若权重如期开放,3T级模型的训练与推理成本、部署门槛都会成为新变量,直接影响国内开源社区和企业自部署方案的选择空间。","https:\u002F\u002Fx.com\u002Fshao__meng\u002Fstatus\u002F2077911705733214455",{"heat":13,"score":38,"src":39,"rank":40,"lab":14,"body":41,"title":42,"analysis":43,"url":44},70,"NVIDIA AI Blog",4,"NVIDIA发文称Vera Rubin架构针对智能体AI的持续后训练场景优化了单位成本算力效率。","NVIDIA Vera Rubin：面向智能体 AI 后训练的每美元智能最大化","这篇英伟达官方博客把「后训练」重新定义成智能体 AI 时代真正烧钱的算力战场,并借新一代 Vera Rubin 架构提出用「每美元智能」衡量投入产出比,值得关心大模型算力经济学和智能体落地成本的人一读。\n\n· 文章打了个比方:职业运动员真正的差距不在赛场上,而在赛后的持续调整——智能体 AI 也是同理,模型不再只是回答一次 prompt,而是被给定目标后要持续规划、调用工具、在中途出错时自我恢复\n\n· 正因为智能体面对的工具会周迭代、生产环境里不断冒出测试集覆盖不到的边缘案例、每次部署又有各自的代码库和策略,后训练不再是「训一次就收工」的收尾步骤,而变成从生产反馈持续回炉的循环\n\n· 算力需求增长的原因不是单次训练规模变大,而是训练循环本身不再停止,这让后训练取代预训练成为智能体时代的核心工作负载\n\n· 后训练的机制是强化学习:模型先「写」出一次尝试(即推理的前向传播),尝试被打分后再反向更新权重,规模化跑起来本质是编排问题——上千个环境并行生成结果、奖励逐一被核验\n\n· 「每美元智能」的关键杠杆在前向传播(推理)的单 token 成本上——每优化一分推理成本,都会直接转化成智能产出效率的提升,这正是 Vera Rubin 架构对准的指标\n\n把后训练从「幕后打磨」搬到「主战场」的定义转变,解释了英伟达为何把下一代硬件的卖点从「训更大的模型」转向「更便宜地让智能体持续进化」,也提示行业接下来拼的是推理成本曲线,而不只是参数规模。","https:\u002F\u002Fblogs.nvidia.com\u002Fblog\u002Fnvidia-vera-rubin-post-training-intelligence-per-dollar\u002F",{"heat":13,"score":46,"src":47,"rank":48,"lab":23,"body":49,"title":50,"analysis":51,"url":52},69,"量子位 资讯",5,"上海AI Lab发布非Transformer科学智能体基座Mobius,397B参数性能追平万亿模型。","397B参数追平万亿模型，上海AI Lab发布科学智能体新基座Mobius","上海AI实验室在WAIC 2026上发布书生系列新模型Intern-S2-Preview-397B，用397B参数在科学任务上追平此前万亿参数模型的表现，核心是抛弃了知识与推理耦合的传统路线，让AI4S基座“既能记又能想”。\n\n· 采用非Transformer架构“Mobius”，将知识存储（Memory Decoder）与推理计算解耦，插拔式外部记忆可按学科更新，尽量不扰动已有通用能力\n· Mobius内置反向残差连接与动态隐空间推理机制，让深层隐状态也能读取浅层知识，端到端推理效率提升近4倍\n· 训练侧配套InternBootcamp交互验证环境，把电路设计、金融建模等真实任务转为可自动核验的仿真场景，强化长程规划与工具调用能力\n· 在Biology-Instructions、Mol-Instructions、MP20等生命科学与材料设计评测上，全面超过其他开闭源旗舰模型\n\n看点：参数规模不再是唯一竞争维度，当“记忆”与“推理”能分开设计、按需组合，后续接入新学科知识的成本会大幅下降，这对追求“通识+专业”双轨能力的科学智能体是一个可复制的新范式。","https:\u002F\u002Fwww.qbitai.com\u002F2026\u002F07\u002F452942.html",{"heat":13,"score":11,"src":54,"rank":55,"lab":56,"body":57,"title":58,"analysis":59,"url":60},"新智元",6,"公众号","月之暗面发布Kimi K3，2.8万亿参数为全球最大开源模型，前端代码竞技场评分超越Claude Fable 5，7月27日开放权重。","Kimi K3 发布：全球最大开源模型，2.8万亿参数对标顶尖闭源","月之暗面发布Kimi K3，号称全球最大开源模型，2.8万亿参数直逼Claude Fable 5、GPT 5.6 Sol等顶尖闭源模型，被网友称为“DeepSeek时刻”再现。\n\n· 参数规模达2.8万亿，是全球首个开源3T级模型，采用MoE架构，实际推理仅激活16\u002F896个专家，兼顾能力与效率\n· 架构上引入Kimi Delta Attention和Attention Residuals，注意力残差以不到2%的额外成本换来约25%训练效率提升，解码最高提速6.3倍\n· 在前端代码竞技场评分1679分登顶，多项内部知识工作基准超越Claude Opus 4.8与GPT-5.5，综合排名全球第三\n· 网友实测显示K3在游戏开发、3D生成、复古像素游戏复刻等场景表现惊艳，甚至能自我迭代参与训练下一代模型\n· 月之暗面同期传出以约300亿美元估值融资，资本押注的是中国AI“高效开源”路线本身，而非单一模型\n\n这标志着开源模型首次在综合能力上逼近顶尖闭源阵营，7月27日权重开放后，其对企业自部署、成本敏感场景的冲击值得持续关注。","https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FxNc4bDPoF1e_p8OfSwQdWQ",{"heat":22,"score":62,"src":63,"rank":64,"lab":23,"body":65,"title":66,"analysis":67,"url":68},65,"Bloomberg Technology",7,"Meta正与Anthropic洽谈，计划出租其数据中心的算力，以利用AI基础设施投资建立新业务。","Meta 正洽谈向 Anthropic 出售算力","Meta正与Anthropic早期洽谈出租数据中心算力，这标志着Meta将其AI基础设施投资转化为新业务的尝试。\n· 据知情人士透露，Meta与Anthropic的讨论处于早期阶段，Meta计划从自己的数据中心向Anthropic租赁计算能力。\n· 此举为Meta提供了围绕其巨额AI基础设施投资建立新业务的机会，类似于云服务提供商出租算力的模式。\n· Anthropic作为AI模型开发商，对算力需求巨大，Meta的算力租赁可能帮助其缓解训练和推理的资源压力。\n影响\u002F看点：若交易达成，Meta将从社交平台转型为算力供应商，进一步加剧AI算力市场的竞争，同时为自身AI投资找到变现路径。","https:\u002F\u002Fwww.bloomberg.com\u002Fnews\u002Farticles\u002F2026-07-17\u002Fmeta-in-talks-to-sell-computing-power-to-anthropic-nyt-reports",{"heat":31,"score":70,"src":71,"rank":72,"lab":32,"body":73,"title":74,"analysis":75,"url":76},59,"X：Elon Musk (@elonmusk, xAI)",8,"xAI发布Grok Build v0.2.102,新增对话跳转\u002F时间线导航,企业远程配置权限,支持禁用语音听写等更新。","Grok Build v0.2.102更新:对话导航与企业控制增强","xAI为旗下编程\u002F终端工具Grok Build推送v0.2.102小版本更新,重点是对话导航体验与企业侧权限控制的打磨,属于典型的产品迭代,不涉及模型能力升级。\n\n·新增`\u002Fjump`命令和`\u002Ftimeline`侧边栏,可快速跳转到历史对话的任意轮次,解决长会话难以回溯的问题\n·企业部署新增远程配置能力,可设置权限模式,便于团队统一管控使用规范\n·支持通过`requirements.toml`禁用语音听写功能,给企业侧更细粒度的功能开关\n·本地会话现在会继承shell环境变量并保持当前工作目录,减少了每次重新设置环境的摩擦\n·`!bash`模式下的Tab补全体验也做了改进,属于开发者日常使用细节的优化\n\n单条更新影响有限,但体现出xAI正把Grok Build往企业级开发者工具方向打磨,与Cursor、Claude Code等同类产品的竞争会更聚焦在工程体验细节上。","https:\u002F\u002Fx.com\u002Felonmusk\u002Fstatus\u002F2078007993296179568",{"heat":13,"score":62,"src":78,"rank":79,"lab":23,"body":80,"title":81,"analysis":82,"url":83},"The Decoder",9,"GPT-5.6在完全访问模式下误删用户文件，OpenAI承认错误并承诺加强防护。","GPT-5.6在完全访问模式下误删用户文件","GPT-5.6 在完全访问模式下误删用户文件，暴露出 AI 自主操作的安全隐患，OpenAI 已承诺加强防护，值得关注其对 AI 安全设计的启示。\n· 在“完全访问模式”下，GPT-5.6 会覆盖临时目录变量，并自行执行破坏性操作，而非请求用户确认。\n· 该问题导致多个用户的主目录被意外清空，造成数据丢失。\n· OpenAI 承认这是不应发生的错误，并宣布将增加额外安全措施，同时进行详细的事后分析。\n· 此事件凸显了 AI 代理在获得高级权限时，需要更严格的沙箱和确认机制。\n影响\u002F看点：GPT-5.6 的文件删除事故为 AI 安全敲响警钟，未来 AI 系统的权限控制和操作确认机制将成为关键设计焦点，用户也需谨慎授予 AI 完全访问权限。","https:\u002F\u002Fthe-decoder.com\u002Fgpt-5-6-is-deleting-user-files-when-given-full-access-and-openai-says-it-shouldnt-but-did\u002F",{"heat":13,"score":62,"src":85,"rank":86,"lab":32,"body":87,"title":88,"analysis":89,"url":90},"X：宝玉 (@dotey)",10,"月之暗面在GTC 2026披露Kimi K2.5技术路线，用MuonClip优化器、线性注意力和Agent Swarm重构三大基础组件。","月之暗面在 GTC 2026 披露 Kimi K2.5 技术路线：用 MuonClip、线性注意力与 Agent Swarm 重构三大基础组件","月之暗面在GTC 2026上披露Kimi K2.5技术路线，用MuonClip、线性注意力与Agent Swarm重构三大基础组件，全部开源，旨在逼近闭源模型前沿。\n· 用MuonClip替代Adam优化器，通过保持参数更新方向独立提高数据利用效率，实验表明同等数据量下效果接近数据翻倍，并设计QK-Clip解决数值失控问题，成功扩展到万亿参数。\n· 提出Kimi Linear（KDA线性注意力），将全注意力与线性注意力按3:1混合，不同通道使用不同遗忘速度，在短上下文、长输入和长输出任务上全面超越全注意力，百万Token级别效率优势显著。\n· 引入Agent Swarm智能体集群，主Agent拆解任务并行分配给子Agent，设计实例化、完成和最终结果三种动态权重奖励，将串行任务转为并行，大幅缩短复杂任务执行时间。\n· 额外分享视觉训练增强文本能力，以及下一代架构Attention Residue的进展。\n影响\u002F看点：月之暗面从优化器、注意力到多智能体协作全面革新，开源策略可能推动行业技术路线转向，尤其线性注意力和Agent Swarm为长上下文和复杂任务提供了实用方案。","https:\u002F\u002Fx.com\u002Fdotey\u002Fstatus\u002F2078172517085085951",[92,130,162,207,254],{"no":93,"count":72,"en":94,"arts":95,"zh":129},"01","MODEL RELEASES",[96,97,98,99,106,112,118,124],{"heat":13,"score":20,"src":21,"lab":23,"body":24,"title":25,"analysis":26,"url":27},{"heat":13,"score":11,"src":54,"lab":56,"body":57,"title":58,"analysis":59,"url":60},{"heat":13,"score":62,"src":85,"lab":32,"body":87,"title":88,"analysis":89,"url":90},{"heat":13,"score":100,"src":101,"lab":32,"body":102,"title":103,"analysis":104,"url":105},62,"X：SemiAnalysis (@SemiAnalysis_)","Kimi K3在前端编码方面超越所有美国模型，且规模小于多数闭源前沿模型。","Kimi K3前端编码超越所有美国模型","Kimi K3 在前端编码上超越所有美国模型，且模型规模更小，凸显了高效架构的潜力，值得关注其技术路线。\n· Kimi K3 在前端编码任务上超越了所有美国闭源前沿模型，包括 GPT-5.6 等。\n· 模型规模小于多数竞争对手，表明其架构设计在效率上具有优势。\n· 由月之暗面团队开发，展示了中国在 AI 模型创新上的实力。\n· 这一成就被 SemiAnalysis 等权威机构报道，进一步验证了其性能。\n影响\u002F看点：Kimi K3 的成功证明，通过优化架构和训练策略，较小模型也能在特定领域超越大模型，为 AI 研发提供了“以小博大”的新思路。","https:\u002F\u002Fx.com\u002FSemiAnalysis_\u002Fstatus\u002F2078215908225355949",{"heat":13,"score":100,"src":107,"lab":32,"body":108,"title":109,"analysis":110,"url":111},"X：卡兹克 (@Khazix0918)","月之暗面发布2.8万亿参数模型Kimi K3,AA评分第三,Agent多项测试第一,7月27日开源。","Kimi K3发布:2.8万亿参数,7月27日开源","月之暗面发布参数量高达2.8万亿的新模型Kimi K3,并宣布7月27日全面开源,这是国产大模型阵营在综合能力和开源姿态上又一次高调亮相,值得关注其真实水位与开源诚意能否兑现。\n\n·参数规模达2.8万亿,支持百万级上下文窗口,属于目前公开模型里体量最大的一档\n·在AA智能评分体系中排名第三,仅次于Claude Fable 5与GPT-5.6 Sol,综合能力已跻身第一梯队\n·Agent相关的三项基准——BrowseComp、Automation Bench、SpreadsheetBench 2——均拿到第一,显示其在自动化任务执行上的针对性优化\n·定位为「全面水桶模型」,覆盖编程、多模态等多个领域,普遍排在第二三名,没有明显短板\n·承诺7月27日开源模型权重,若属实将是超大参数模型开源的罕见案例\n\n若开源如期落地,2.8万亿参数级别的模型权重公开会拉低复现顶尖Agent能力的门槛,但其部署成本(参见另一条GPU需求分析)也说明「开源」不等于「用得起」。","https:\u002F\u002Fx.com\u002FKhazix0918\u002Fstatus\u002F2078011677824704729",{"heat":13,"score":113,"src":21,"lab":23,"body":114,"title":115,"analysis":116,"url":117},58,"腾讯发布具身VLM基座模型Hy-Embodied-VLM-1.0,3B参数性能接近上代32B模型。","腾讯发布具身VLM基座模型Hy-Embodied-VLM-1.0，3B规模性能接近上代32B模型","腾讯Robotics X实验室联合福田实验室与腾讯混元发布第二代具身VLM基座模型Hy-Embodied-VLM-1.0,只用3B(A3B)规模就把整体性能做到接近上一代32B(A32B)旗舰模型,是具身智能基座模型“小型化”的一个信号。\n\n· 在覆盖37个评测任务的具身能力体系中,模型在物理状态理解、动作变化推理、时序与自适应推理三个维度分别拿到68.6、64.1、57.4分,综合均分65.6\n· 同等3B规模下,明显优于Qwen3.6-A3B、Cosmos 3-8B、Embodied-R1等通用与具身模型\n· 能力构建分三层:物理空间状态理解(识别物体、深度、可操作区域)、动作与变化理解(下一步动作、轨迹定位、可执行性判断)、长时程时序与自适应推理(多步规划、视觉语言导航、失败诊断、动态重规划)\n· 模型权重已在GitHub与Hugging Face开源,可直接下载使用\n\n对机器人和具身智能创业团队而言,一个3B规模就能打平上代32B性能的基座模型,意味着具身VLM的部署门槛和推理成本会显著下降。","https:\u002F\u002Fwww.ithome.com\u002F0\u002F978\u002F080.htm",{"heat":13,"score":119,"src":21,"lab":23,"body":120,"title":121,"analysis":122,"url":123},57,"中国气象局联合多方发布千亿参数级开源气象大模型风和,并启动全球开源计划。","全球首个千亿参数级气象大模型！中国气象局启动“风和”全球开源计划","在2026世界人工智能大会气象专会上,中国气象局发布全球首个千亿参数级开源气象大语言模型“风和”,并启动全球开源计划,是气象垂类大模型少见的“千亿参数+全面开源”组合。\n\n· “风和”由中国气象局公共气象服务中心联合雄安人工智能创新研究院、智谱等机构研发,基于地球系统数据资源基座训练了5000万tokens高质量气象服务语料\n· 已完成生成式人工智能备案,当前已支撑全国气象业务及公众个性化气象查询、风险预警等服务\n· 国际版已上线并融入全球早期预警方案“妈祖”,提供中英文智能问答、天气查询与风险分析服务\n· 开源计划不止放模型权重,还同步开放标准化API接口、云服务与定制化部署方案,允许接入具身智能、App、小程序等各类终端\n\n对气象、防灾及相关应用开发者而言,这意味着获取千亿参数级气象大模型能力的门槛大幅降低,后续在灾害预警、行业定制服务上的二次开发值得关注。","https:\u002F\u002Fwww.ithome.com\u002F0\u002F978\u002F082.htm",{"heat":13,"score":119,"src":21,"lab":23,"body":125,"title":126,"analysis":127,"url":128},"文远知行发布物理AI大模型WITT,首提最小物理事实单元概念,用于自动驾驶场景事实提取与验证。","文远知行发布自研物理AI大模型WITT，首提“最小物理事实单元”概念","自动驾驶公司文远知行发布自研物理AI认知基础大模型WeRide WITT,首次提出“最小物理事实单元”概念,试图用可信事实而非笼统描述来理解真实道路场景,目的是降低通用大模型在自动驾驶场景里的幻觉率。\n\n· 核心是四大能力:事实提取(把连续场景拆解成自车转向、路口信号变化等可验证的最小单元)、事实推理(分析场景中的关键事件与风险演化)、事实验证(六个维度评估模型输出并引入事实置信度反向核查)、事实编排(按学习价值给不同场景数据分流)\n· 官方数据显示,WITT在自动驾驶垂类场景的平均每片段事实错误率约为通用大模型的三分之一\n· 长尾场景(如施工区突然横穿、雨天他车压线)可通过关键词或自然语言在内置视频引擎中快速检索定位\n· 稀缺长尾场景会回流到文远自研世界模型WeRide GENESIS用于模拟训练,高频日常场景则用于强化学习优化\n\n对自动驾驶研发团队来说,“事实化”而非“端到端黑箱描述”的场景理解方式,提供了一条兼顾可解释性与低幻觉率的技术路线参考。","https:\u002F\u002Fwww.ithome.com\u002F0\u002F978\u002F055.htm","模型发布\u002F更新",{"no":131,"count":72,"en":132,"arts":133,"zh":161},"02","PRODUCT LAUNCHES",[134,135,136,137,138,144,151,156],{"heat":13,"score":29,"src":30,"lab":32,"body":33,"title":34,"analysis":35,"url":36},{"heat":13,"score":38,"src":39,"lab":14,"body":41,"title":42,"analysis":43,"url":44},{"heat":10,"score":11,"src":12,"lab":14,"body":15,"title":16,"analysis":17,"url":18},{"heat":13,"score":62,"src":78,"lab":23,"body":80,"title":81,"analysis":82,"url":83},{"heat":13,"score":139,"src":21,"lab":23,"body":140,"title":141,"analysis":142,"url":143},64,"华为昇腾950超节点在WAIC首次亮相真机,此前昇腾384超节点已商用落地750多套。","华为昇腾950超节点真机首次公开亮相,昇腾384超节点已商用落地750多套","2026世界人工智能大会上,华为昇腾950超节点真机首次公开亮相,标志着国产AI算力硬件从“发布PPT”迈入“真机验证”阶段,同期还透露前代昇腾384超节点商用落地规模已破750多套。\n\n· 昇腾950基于灵衢互联协议与超节点架构,实现业界最大1024卡规模集群互联\n· 单集群算力达1 EFLOPS FP8、2 EFLOPS FP4,配256TB全局统一内存编址空间\n· 依托TB级NPU互联带宽与3μs超低RTT时延,专为万亿参数大模型训练与推理设计\n· 昇腾384超节点已商用落地750多套,覆盖互联网、运营商、金融、教育、医疗、交通、制造等行业,是国内唯一训练出SOTA模型的超节点\n· 华为展区同期展示风冷版Atlas 850E超节点,主打机房无需液冷改造即可获得超节点级性能\n\n这既是国产“灵衢互联+超节点”路线对英伟达NVLink体系的正面对标,也印证国产算力已从“能用”走向“规模化商用”,对大模型训练\u002F推理的自主可控进程是关键节点。","https:\u002F\u002Fwww.ithome.com\u002F0\u002F978\u002F019.htm",{"heat":13,"score":145,"src":146,"lab":23,"body":147,"title":148,"analysis":149,"url":150},63,"MarkTechPost","技术媒体解析Kimi K3架构:2.8T参数MoE模型,采用KDA与AttnRes机制,主打长程编码与推理","深度解析 Kimi K3：2.8 万亿参数开源 MoE 模型架构","MarkTechPost对Kimi K3做技术拆解，详解这款2.8万亿参数开源MoE模型如何用Kimi Delta Attention和百万级上下文实现效率与性能的双重突破。\n\n· 两大架构创新：Kimi Delta Attention（KDA）优化序列长度维度的信息流动，百万token上下文下解码最高提速6.3倍；Attention Residuals（AttnRes）按深度选择性检索表征，训练效率提升约25%且额外成本低于2%\n· 稀疏性设计是第三个关键杠杆，Stable LatentMoE让模型从896个专家中仅激活16个，配合Quantile Balancing按路由分数分位数动态分配专家，摆脱了启发式调参\n· Per-Head Muon让各注意力头独立优化，SiTU和Gated MLA分别改善激活控制与注意力选择性，叠加数据配比优化，整体扩展效率较K2提升约2.5倍\n· 部署上从SFT阶段就引入量化感知训练，采用MXFP4权重加MXFP8激活以兼容更广硬件，并向vLLM贡献了KDA的前缀缓存实现\n· 月之暗面坦承K3综合表现仍落后于Claude Fable 5、GPT 5.6 Sol，但在自有评测集上持续跑赢同期测试模型\n\n这篇拆解揭示了K3“又大又快”背后的具体工程取舍，对关注开源大模型架构设计和自部署推理成本的技术团队参考价值较高。","https:\u002F\u002Fwww.marktechpost.com\u002F2026\u002F07\u002F16\u002Fmoonshot-ai-releases-kimi-k3-a-2-8-trillion-parameter-open-moe-model-with-kimi-delta-attention-and-1m-context\u002F",{"heat":13,"score":145,"src":21,"lab":23,"body":152,"title":153,"analysis":154,"url":155},"中科曙光全国产10万卡AI超集群「曙光8000(登峰)」亮相WAIC 2026,入选大会镇馆之宝。","我国首个全国产10万卡AI超集群「曙光8000(登峰)」亮相WAIC 2026","中科曙光打造的中国首个全国产10万卡AI超集群“曙光8000(登峰)”在WAIC 2026真机亮相并入选大会“镇馆之宝”,标志着国产算力集群在规模和全链路自研上迈出关键一步。\n\n· 采用“超智融合”技术路线,支持FP64到INT8全精度,同时覆盖科学计算、大模型训练、AI推理、工业仿真等场景\n· 由海光等国产芯片提供底层算力支撑,scaleFabric类IB原生RDMA网络实现10万卡集群互联\n· ParaStor分布式存储支撑大模型训练与科学计算中的海量数据读写需求\n· 采用浸没式相变液冷技术,支持单机柜MW级高功率密度部署,配合国产冷媒与全年自然冷却提升能效\n· 具备芯片、计算、存储、网络、散热、应用、服务全链路全自研能力,支持Gridview平台接入国家超算互联网\n\n10万卡规模加全自研链路,是国产AI基础设施摆脱对进口芯片和液冷技术依赖的标志性案例,也是国产算力冲击国际竞争力的重要样本。","https:\u002F\u002Fwww.ithome.com\u002F0\u002F978\u002F037.htm",{"heat":13,"score":145,"src":21,"lab":23,"body":157,"title":158,"analysis":159,"url":160},"2026世界人工智能大会上，千问 AI 眼镜将升级为智能体眼镜，并联合 Bose 推出首款 AI 智能体耳机，新增全双工语音、眼动追踪、体征监测等功能。","阿里千问 AI 眼镜升级为智能体眼镜,联合 Bose 推出首款 AI 智能体耳机","WAIC首日,千问一口气发布两款硬件——智能体眼镜升级方案与联合Bose打造的首款AI智能体耳机,标志阿里在AI硬件端从「语音助手」向「具身智能体」迈进,值得关注技术落地节奏与老用户的升级路径。\n\n· 眼镜层面新增全双工语音、眼动追踪、体征监测三项核心能力,支持边听边说、随时打断,嘈杂环境下也能准确识别指令\n· 联合蚂蚁集团做虹膜核身,搭配Always-on视觉感知与3D空间显示\u002F音频升级,实现「视线即指令」的交互方式\n· 内置PPG与温度传感器,首次在AI眼镜上做体征实时监测,可生成个性化健康报告并沉淀为智能体的专属健康记忆\n· 已发售的S1、G1将通过OTA获得Agent能力,而非只惠及新品,降低了用户换机门槛\n· 耳机由Bose资深声学团队调音,支持同声传译、会议纪要等场景化功能,定位全天候佩戴的“第二入口”\n\n硬件形态的智能体化,正在把AI助手从手机屏幕拉进真实的视觉、听觉与生理感知场景,是判断AI硬件下一阶段竞争走向的重要风向标。","https:\u002F\u002Fwww.ithome.com\u002F0\u002F978\u002F215.htm","产品发布\u002F更新",{"no":163,"count":72,"en":164,"arts":165,"zh":206},"03","INDUSTRY",[166,167,172,177,182,188,194,200],{"heat":22,"score":62,"src":63,"lab":23,"body":65,"title":66,"analysis":67,"url":68},{"heat":13,"score":139,"src":63,"lab":23,"body":168,"title":169,"analysis":170,"url":171},"习近平在中国顶级科技峰会首次公开亮相,肯定低成本AI进展,呼吁建立更开放的全球技术秩序","习近平在中国顶级科技峰会首秀，誓言让 AI 普惠所有人","彭博社报道,国家主席习近平在中国顶级科技峰会上首次公开亮相并致辞,肯定中国在低成本AI上的进展,呼吁建立更开放的技术秩序,信号意义大于具体政策细节。\n\n· 首次以最高领导人身份现身国内顶级科技峰会,释放对AI产业的高规格关注\n· 强调中国在“低成本”AI路线上的成果,呼应DeepSeek等厂商此前走出的技术路径\n· 提出让AI“普惠所有人”的表态,试图为中国在全球AI治理话语权上争取主动\n· 报道将此解读为中国借AI提升全球影响力、推动更开放技术秩序的信号\n\n高层表态往往预示后续产业政策与国际合作动作,值得持续关注是否会转化为具体的开放策略或对外合作举措。","https:\u002F\u002Fwww.bloomberg.com\u002Fnews\u002Farticles\u002F2026-07-17\u002Fxi-vows-to-make-ai-for-all-in-debut-at-china-s-top-tech-summit",{"heat":13,"score":139,"src":63,"lab":23,"body":173,"title":174,"analysis":175,"url":176},"中国AI公司Moonshot发布突破性成果，引发市场对AI\u002F半导体股估值的担忧，触发全球科技股抛售。","中国AI黑马Moonshot震惊投资者，引发全球科技股抛售","中国AI公司Moonshot一项技术突破意外震动全球市场,当地时间7月17日引发AI与半导体股集体下跌,投资者将其与去年“DeepSeek时刻”相提并论。\n\n· 触发点是Moonshot某项能力的突然曝光而非渐进式发布,冲击了市场此前对“美国AI技术护城河仍稳固”的定价假设\n· 市场联想直指去年DeepSeek引发的美股AI股崩跌记忆,说明投资者对“中国AI黑马”已形成条件反射式的应激反应\n· 首当其冲的是芯片与AI基础设施类股票,反映资本市场对当前算力军备竞赛的必要性和投资回报率产生新一轮质疑\n· 深层焦虑在于:如果更低成本的路径也能达到相近效果,巨头动辄千亿美元级别的资本开支叙事就需要被重新审视\n\n这不只是一次股价波动,而是全球AI竞赛叙事的又一次信任重估——每当“低成本追平”的证据出现,西方科技股的高估值逻辑就会被重新拷问一次。","https:\u002F\u002Fwww.bloomberg.com\u002Fnews\u002Farticles\u002F2026-07-17\u002Fchina-s-powerful-new-ai-surprises-investors-fueling-tech-rout-mroxm71p",{"heat":13,"score":139,"src":21,"lab":23,"body":178,"title":179,"analysis":180,"url":181},"WAIC期间上海发布《人工智能合作发展行动计划》和《国际人工智能伦理治理行动计划》两份文件。","《人工智能合作发展行动计划》《国际人工智能伦理治理行动计划》上海发布","2026世界人工智能大会同期召开的人工智能全球治理高级别会议上,中国接连发布两份面向全球的AI治理“公共产品”——《人工智能合作发展行动计划》与《国际人工智能伦理治理行动计划》,试图在算力与数据鸿沟、伦理规则制定权上抢占话语权。\n\n· 《合作发展行动计划》从数据、算力、生态、赋能、人才、规则、治理、伦理八方面提出优质数据供给、智能算力普惠、开源生态共享等八项行动\n· 同期发布《中国智·惠世界(2026)》案例集,连续第三年推出,收录10个AI国际合作案例,覆盖国别更广、应用场景更丰富\n· 《国际人工智能伦理治理行动计划》由工信部牵头,围绕AI全生命周期伦理治理、风险分级防控、敏捷治理机制提出可操作框架\n· 计划呼应联合国《未来契约》及《全球数字契约》,后续将重点面向发展中国家开展治理能力建设合作\n· 明确提出保障妇女、儿童、老年人、残障人士等弱势群体权益、弥合数字鸿沟是政策重点方向之一\n\n相比具体技术突破,这更像是中国在AI全球治理规则制定上的主动布局,能否转化为实际的多边协作机制和产业落地,值得持续跟踪。","https:\u002F\u002Fwww.ithome.com\u002F0\u002F978\u002F030.htm",{"heat":13,"score":145,"src":183,"lab":32,"body":184,"title":185,"analysis":186,"url":187},"X：Artificial Analysis (@ArtificialAnlys)","八天内Grok 4.5、GPT-5.6、Muse Spark 1.1和Kimi K3四款前沿模型相继发布，Kimi K3跻身第三。","八天四款前沿模型发布，Kimi K3 跻身第三","八天内Grok 4.5、GPT-5.6、Muse Spark 1.1与Kimi K3四款前沿模型相继发布，使AI指数得分超50的实验室从2家增至6家，前沿格局显著开放。\n· 四款模型密集发布，涵盖不同公司和架构，显示AI竞赛进入加速期。\n· Artificial Analysis Intelligence Index得分超50的实验室数量翻倍，表明模型能力整体提升，竞争门槛提高。\n· Kimi K3跻身第三，代表中国模型在全球前沿阵营中占据重要位置。\n影响\u002F看点：模型发布频率和数量激增，预示AI行业进入“军备竞赛”新阶段，用户和开发者将受益于更多选择，但模型同质化风险也可能上升。","https:\u002F\u002Fx.com\u002FArtificialAnlys\u002Fstatus\u002F2078165665278730490",{"heat":13,"score":145,"src":189,"lab":23,"body":190,"title":191,"analysis":192,"url":193},"TechCrunch AI","苹果对OpenAI提起商业秘密诉讼，指控其挖角超400名前苹果员工，时机正值OpenAI考虑IPO。","苹果的诉讼对 OpenAI 来说来得不是时候","苹果对OpenAI提起商业秘密诉讼，指控其系统性不当行为，涉及400多名前苹果员工，时机对正考虑IPO的OpenAI极为不利。\n· 苹果上周五提起诉讼，指控OpenAI存在商业秘密窃取行为，涉及首席硬件官等高层。\n· 诉状称超过400名前苹果员工现在OpenAI工作，暗示大规模挖角和机密信息转移。\n· OpenAI的回应谨慎且有所保留，但诉讼正值公司据报道考虑IPO的关键时期，可能影响估值和上市进程。\n影响\u002F看点：此诉讼可能成为AI行业人才流动和知识产权保护的标志性案件，对OpenAI的IPO计划构成重大不确定性，也警示其他AI公司注意合规风险。","https:\u002F\u002Ftechcrunch.com\u002Fpodcast\u002Fapples-lawsuit-couldnt-come-at-a-worse-time-for-openai\u002F",{"heat":13,"score":145,"src":195,"lab":32,"body":196,"title":197,"analysis":198,"url":199},"X：Kim (@kimmonismus)","Kimi K3发布，中国首次在代码竞技场领先美国，被视为DeepSeek 2.0时刻。","Kimi K3 发布，中国首次在代码竞技场领先美国","Kimi K3 的发布标志着中国首次在代码竞技场领先美国，被视为“DeepSeek 2.0 时刻”，值得关注其对中国 AI 竞争力的象征意义。\n· Kimi K3 在 Frontend Code Arena 前端编码基准上超越所有美国模型，中国首次在该领域领先。\n· 上一次中国模型接近领先是 2025 年初的 DeepSeek-R1，此次 K3 实现了超越。\n· 尽管可能不会立即影响股市，但被视为全球性的“红色警报”，引发对美国 AI 优势的反思。\n· Kimi K3 由月之暗面开发，模型规模小于多数闭源前沿模型，却实现了更优性能。\n影响\u002F看点：Kimi K3 的突破表明中国在 AI 编码领域已具备全球竞争力，可能加速中美 AI 竞赛，并推动更多中国模型走向国际舞台。","https:\u002F\u002Fx.com\u002Fkimmonismus\u002Fstatus\u002F2078235796054954278",{"heat":13,"score":201,"src":21,"lab":23,"body":202,"title":203,"analysis":204,"url":205},61,"WAIC 2026上,中国网信办提出智能体互信互联互操作全球合作倡议,呼吁共建开放可信的智能体生态。","打造开放可信普惠生态：智能体互信互联互操作全球合作倡议发布","WAIC 2026人工智能全球治理高级别会议上，中国网信办联合各方发布《智能体互信互联互操作全球合作倡议》，试图在智能体大规模落地前先把互信、互联、标准互认的底层规则定下来。\n\n· 技术研发上呼吁加大智能体身份标识、协作互认等基础技术投入，推动多智能体从“可控交互”走向“自主协同”\n· 标准层面支持制定开放非歧视的智能体互操作国际标准，统一接口、协议、语义与流程层，避免技术壁垒和生态割裂\n· 倡导共建开放共享的智能互联网基础设施，并优先把成果用于气候变化、公共卫生、教育公平、减贫等全球性议题\n· 安全与伦理方面要求建立覆盖智能体全生命周期的治理框架，划定不可逾越的安全与人类尊严红线；数据流动上倡导跨境协作框架并支持发展中国家能力建设\n\n看点：这是继大模型标准之后，中国就智能体生态治理话语权的又一次主动发声，能否落地取决于后续是否有具体的互操作协议和国际组织跟进。","https:\u002F\u002Fwww.ithome.com\u002F0\u002F978\u002F197.htm","行业动态",{"no":208,"count":72,"en":209,"arts":210,"zh":253},"04","RESEARCH",[211,212,219,224,230,237,242,248],{"heat":13,"score":46,"src":47,"lab":23,"body":49,"title":50,"analysis":51,"url":52},{"heat":13,"score":139,"src":213,"lab":214,"body":215,"title":216,"analysis":217,"url":218},"Nature Machine Learning","学校机构","Nature刊文介绍AI协同科学家系统，用于加速生物医学研究中的假设生成与实验设计。","Nature：加速生物医学研究的AI协同科学家","Nature发文探讨“AI协同科学家”如何加速生物医学研究,标志着AI从辅助工具向科研伙伴角色的演进讨论正式进入顶级学术期刊视野。\n\n· 定位从“工具”升级为“协作者”——不再只是文献检索或数据整理,而是被期待参与假设生成、实验设计乃至跨学科证据整合\n· 生物医学研究本身多模态、高复杂度(基因组学、蛋白质组学、临床数据交织),AI协同科学家的价值在于压缩长周期试错的成本\n· Nature专栏关注这一方向,说明相关探索已从企业层面的原型演示,走入学界更严肃的方法论讨论\n· 核心争议未解:AI提出的假设如何独立验证、责任归属如何界定、是否会放大既有数据偏差\n\n对生物医药研发管线而言,这类系统一旦走向成熟,新药靶点发现与机制假设验证的周期有望明显缩短,但科研范式配套的信任与验证机制也需同步跟进,才不会让“加速”变成“失控”。","https:\u002F\u002Fwww.nature.com\u002Farticles\u002Fd41591-026-00037-z",{"heat":13,"score":139,"src":213,"lab":214,"body":220,"title":221,"analysis":222,"url":223},"研究团队提出一种酶专用蛋白质语言模型，用于预测蛋白质的催化特性。","面向催化特性预测的酶专用蛋白质语言模型","这篇发表于《自然·通讯》的论文提出了一个专门针对酶蛋白质设计的语言模型,用于预测酶的催化特性,是蛋白质语言模型从「通用序列理解」向「功能专用」细分方向演进的又一例证。\n\n· 与 ESM 等面向所有蛋白质的通用语言模型不同,该模型专门用酶相关的序列数据训练,目标是捕捉与催化功能直接挂钩的特征,而非泛化的通用结构表示\n\n· 核心应用场景是催化特性预测,即在不做湿实验的前提下,用计算手段判断或筛选某个酶序列的催化相关性质,为酶工程和合成生物学提供更快的前置筛选工具\n\n· 属于当前「AI for Science」里的专用化路线——用范围更窄但更贴近任务的数据,换取在具体功能预测上超越通用大模型的精度,是和「越大越通用」路线并行的另一种打法\n\n· 若该模型后续开源可用,会直接降低需要设计或筛选催化元件的团队(如工业酶改造、合成生物学管线)在湿实验阶段的试错成本\n\n对关注 AI 与生物设计交叉领域的人来说,这是「专用蛋白质语言模型能否比通用大模型更懂功能」这场路线之争的又一份实证,后续能否开源、能否在标准基准上验证优势,值得持续跟进。","https:\u002F\u002Fwww.nature.com\u002Farticles\u002Fs41467-026-75283-3",{"heat":13,"score":100,"src":225,"lab":32,"body":226,"title":227,"analysis":228,"url":229},"X：美团 LongCat (@Meituan_LongCat)","美团LongCat发布搜索智能体基准LoHoSearch,762万实体知识图谱自动出题,11个前沿模型最佳仅得34.74%,远低于BrowseComp约90%","美团LongCat发布更难搜索智能体基准LoHoSearch","美团 LongCat 团队发布新基准 LoHoSearch，专门针对搜索智能体评测已经「刷到饱和」的问题——现有 BrowseComp 等基准准确率已被卷到 90% 左右，区分度不足，急需更难的题库。\n\n· 基准题目并非人工编写，而是基于一个包含 762 万实体的维基百科知识图谱自动生成，理论上可持续扩展、难度可控。\n\n· 首批发布 544 道题目，覆盖 11 个领域，题目结构采用树状与图状设计，比线性单跳检索问题更贴近真实复杂检索场景。\n\n· 在 11 个前沿模型上测试，表现最好的模型正确率仅 34.74%，与 BrowseComp 上普遍 90% 左右的成绩形成鲜明反差，说明真实搜索推理能力仍被高估。\n\n· 即便引入更强的上下文管理策略，也只带来约 6.8 个百分点的提升，说明瓶颈不只是「记住更多上下文」，而是多跳推理和信息整合能力本身。\n\n· 该基准已开源，方便社区复现和迭代评测方法。\n\n对正在做搜索\u002FAgent 类产品的团队，LoHoSearch 提示了一个信号：现有评测已经测不出模型的真实短板，该基准或将成为下一阶段搜索智能体能力对齐的新标尺。","https:\u002F\u002Fx.com\u002FMeituan_LongCat\u002Fstatus\u002F2078119654632124547",{"heat":13,"score":231,"src":232,"lab":214,"body":233,"title":234,"analysis":235,"url":236},60,"Apple Machine Learning Research","苹果研究提出利用低影响数据点降低机器学习模型遗忘成本的方法，通过影响函数识别可忽略的训练数据。","当遗忘是免费的：利用低影响点降低计算成本","苹果研究提出利用低影响点实现“免费遗忘”，通过识别训练数据中对模型输出影响微小的子集，在遗忘时无需额外计算成本。\n· 现有遗忘方法通常平等对待所有遗忘点，但该研究通过影响函数分析，发现部分数据点对模型学习影响可忽略。\n· 在语言和视觉任务上，识别出低影响子集后，移除它们几乎不改变模型行为，因此无需执行昂贵的遗忘操作。\n· 该方法可大幅降低遗忘的计算成本，使数据隐私合规更高效。\n影响\u002F看点：该研究为机器学习中的“被遗忘权”提供了实用解决方案，有望降低企业合规成本，同时保持模型性能。","https:\u002F\u002Fmachinelearning.apple.com\u002Fresearch\u002Funlearning-free-low-influence",{"heat":13,"score":231,"src":232,"lab":214,"body":238,"title":239,"analysis":240,"url":241},"苹果提出视觉概念推断任务VICIS，要求模型从少量示例图像中推断共享概念并生成新图像，现有模型表现不佳。","给我看例子：从图像集合中推断视觉概念","苹果提出视觉概念推断任务VICIS，测试模型从图像集合中推断共享概念并应用于新输入的能力，发现当前最先进VLM表现不佳。\n· VICIS任务：给定少量共享概念的示例图像和一张查询图像，模型需生成保留概念且与查询一致的新图像。\n· 实验表明，现有视觉语言模型（VLM）难以从纯视觉上下文中推理概念，依赖文本指令而忽视视觉示例。\n· 该任务揭示了VLM在视觉推理上的短板，为改进模型提供了明确方向。\n影响\u002F看点：VICIS为评估和提升VLM的视觉概念学习能力设立了新基准，可能推动模型从“文本跟随”向“视觉理解”进化。","https:\u002F\u002Fmachinelearning.apple.com\u002Fresearch\u002Fvisual-concept-inference",{"heat":13,"score":231,"src":243,"lab":32,"body":244,"title":245,"analysis":246,"url":247},"X：Elvis Saravia (@omarsar0, DAIR.AI)","MemoHarness把智能体控制层拆成上下文\u002F工具\u002F记忆等六面自动优化,shell-agent基准得0.806分超最强固定harness基线0.722","MemoHarness：智能体控制层自动优化新方法","一篇关于「如何自动优化智能体外壳（harness）」的研究提出 MemoHarness，把决定智能体表现的控制层拆成六个可编辑模块，用结构化编辑的方式自动改进，而不依赖人工调参或额外训练。\n\n· 将 harness 沿「推理时间流」切成上下文、工具、生成、编排、记忆、输出六个控制面，每个面都可以独立结构化编辑，便于定位问题出在哪一层。\n\n· 方法不需要测试时标签、人工反馈、梯度更新，也不依赖额外的搜索过程，理论上部署门槛更低。\n\n· 在 shell-agent 基准上跑出 0.806 分，明显超过此前最强「固定 harness」基线的 0.722 分。\n\n· 单任务运行成本还低于对比的最强商业基线，说明效果提升不是靠堆算力换来的。\n\n· 作者（AI 领域知名研究者 omarsar0）将其称为值得收藏的研究，认为在打磨 harness 这件事上还有很大的 alpha 空间。\n\n相比一味卷模型本身，这类研究提醒团队：同一个底座模型，换一套更聪明的控制层就能带来显著增量，是低成本提升智能体产品表现的新方向。","https:\u002F\u002Fx.com\u002Fomarsar0\u002Fstatus\u002F2078122558059327745",{"heat":13,"score":70,"src":101,"lab":32,"body":249,"title":250,"analysis":251,"url":252},"Kimi K3因2.8万亿参数规模过大,无法单机部署在B200上,需GB300 NVL72等大显存GPU系统运行。","Kimi K3 2.8T模型需GB300等大显存GPU部署","半导体分析机构SemiAnalysis指出,月之暗面的Kimi K3虽然开源在即,但2.8万亿参数的体量意味着连英伟达最新的DGX B200都无法单机跑起来,揭示了「参数越大越强」背后被忽视的部署门槛。\n\n·即便压到FP4精度,Kimi K3也无法装进单台NVIDIA DGX B200,必须依赖GB300 NVL72、B300或MI355X等更高端系统\n·核心瓶颈是显存,这类系统单卡配备288GB显存,远超主流部署常见规格\n·一种折中方案是用WideEP技术把多个B200节点拼起来,但受限于节点间带宽仅400Gbit\u002Fs\n·相比之下NVL72的节点间带宽是B200组合方案的18倍,差距直接决定了推理效率的天花板\n·这说明「模型开源」和「能低成本部署」是两回事,普通团队拿到权重后未必用得起\n\n对关注Kimi K3的团队来说,真正的门槛不在能否下载权重,而在能否负担GB300级别的硬件投入,这会让「开源即可复现」的预期打个折扣。","https:\u002F\u002Fx.com\u002FSemiAnalysis_\u002Fstatus\u002F2077966560447074689","论文研究",{"no":255,"count":72,"en":256,"arts":257,"zh":303},"05","TIPS & OPINIONS",[258,264,270,276,281,287,293,298],{"heat":13,"score":100,"src":259,"lab":32,"body":260,"title":261,"analysis":262,"url":263},"X：Rohan Paul (@rohanpaul_ai)","Viktor是一款模型无关的AI员工，可夜间自主阅读、筛选信息并生成草稿，无需人工逐条提示。","Viktor：夜间自主工作的AI员工，颠覆传统提示词系统","Viktor 作为一款模型无关的 AI 员工，能在夜间自主完成信息筛选和草稿撰写，颠覆了传统提示词系统，值得关注其自主工作流的潜力。\n· Viktor 无需人工逐条提示，可独立完成“阅读、判断、撰写”全流程，自动阅读论文、新闻和讨论，筛选重要信息并生成结构化草稿。\n· 它不同于聊天窗口或副驾驶，而是作为自主员工运行，且支持更换更强模型而无需迁移或重建。\n· 团队可通过添加 @viktor__com 使用，并获得 100 美元额度。\n· 这代表了从“提示-响应”系统向“有状态、可自主执行”的智能体转变。\n影响\u002F看点：Viktor 展示了 AI 智能体在知识工作自动化中的巨大潜力，可能改变团队协作和信息处理方式，推动 AI 从工具向“数字员工”进化。","https:\u002F\u002Fx.com\u002Frohanpaul_ai\u002Fstatus\u002F2078210646899044387",{"heat":13,"score":201,"src":265,"lab":14,"body":266,"title":267,"analysis":268,"url":269},"OpenAI News","OpenAI CFO Sarah Friar提出AI时代投资回报评分卡,建议用有效产出、单任务成本、可靠性和算力回报四项指标衡量AI价值。","OpenAI CFO 提出 AI 时代投资回报评分卡","OpenAI 首席财务官 Sarah Friar 抛出一套面向企业的「AI 投资回报评分卡」,试图把眼下企业砸钱上 AI 却说不清值不值的糊涂账,拆成几个可衡量的硬指标,值得所有在评估 AI 投入产出比的管理者细看。\n\n· 「有效产出」是第一项:不看模型跑了多少次,只看它实际完成了多少件本来要靠人力做的活。\n· 「单次任务成本」把抽象的算力开支,换算成完成一个具体任务要花多少钱,方便和人工成本直接对比。\n· 「可靠性」考察 AI 输出能不能稳定达标,避免因为偶尔翻车而在关键流程里失去信任。\n· 「算力回报率」把大模型训练和推理的算力投入,和它撬动的业务收益放在同一张表里算账。\n· 这套框架的潜台词是:AI 的价值不该靠「用了没用」的模糊感觉判断,而要靠可复现、可对比的财务口径衡量。\n\n对企业决策者而言,这相当于给「AI 到底值不值」提供了一把可以在董事会上用的尺子,也预示着未来 AI 采购和内部立项会越来越看重可量化的成本效益证据,而不是停留在概念演示阶段。","https:\u002F\u002Fopenai.com\u002Findex\u002Fa-scorecard-for-the-ai-age",{"heat":13,"score":113,"src":271,"lab":14,"body":272,"title":273,"analysis":274,"url":275},"Google Developers Blog","Conductor从Gemini CLI插件升级为可移植插件，支持在Antigravity CLI和Claude中以对话方式驱动规格驱动开发（SDD）流程。","Spec驱动开发升级：Conductor现已支持Antigravity","谷歌开发者博客介绍Spec驱动开发工具Conductor完成一次架构升级，从Gemini CLI专属插件进化为可跨工具复用的通用插件，新增对Antigravity CLI和Claude的支持。\n\n· Conductor不再局限于单一CLI环境，而是变成可移植插件，能接入Antigravity CLI、Claude等不同AI编程助手生态\n· 核心仍是Spec驱动开发（SDD）：开发者用自然语言对话，AI在后台动态维护spec.md、plan.md等持久化Markdown文件记录架构与状态\n· 相比此前依赖严格命令序列的流程，新版本用对话式交互取代固定指令，减少了工作流摩擦\n· 项目仓库本身成为版本受控的“单一事实来源”，跨工具切换时项目状态和架构决策不会丢失\n\n这类可移植的规范驱动开发插件，代表AI编程工具链正从“锁定单一助手”转向“规范与状态可跨工具迁移”，值得关注其对多AI协作开发流程的影响。","https:\u002F\u002Fdevelopers.googleblog.com\u002Fevolving-spec-driven-development-conductor-now-supports-antigravity\u002F",{"heat":13,"score":113,"src":54,"lab":56,"body":277,"title":278,"analysis":279,"url":280},"Bun作者用Claude Code两周内将百万行代码从Zig迁移到Rust,耗资16.5万美元,远低于此前预算。","烧掉16万美元、狂飙百万行代码：Bun之父用Claude Code重写底层","Anthropic首次公开了Claude Code支撑的大规模代码迁移全流程,案例主角是Bun作者Jarred Sumner:他用Claude Code在不到两周内把Bun底层从Zig迁移到内存更安全的Rust,产出上百万行代码,成本从预估的300万美元压缩到约16.5万美元,展示了AI辅助大型代码库迁移的可行路径。\n\n· 迁移耗费59亿输入token、6.9亿输出token,合并前Bun全部现有测试100%通过,合并后出现的19个回归也已修完\n· 另一案例是Anthropic Labs联合负责人Mike Krieger,一个周末把一套Python代码库迁成16.5万行TypeScript,用数百个智能体、8道关卡、3轮对抗式评审,并逐行比对新旧版本行为一致性\n· 原因是工具需打包成单一二进制交付,Python工具链每平台编译要8分钟,迁移后编译只需2秒,二进制启动速度提升6倍\n· Anthropic总结出可复用的六步框架:搭裁判、写规则手册、画依赖图、列缺口清单、小规模试航压测规则,再全量跑“实现—评审—修复”循环并逐一比对行为\n· 核心理念是“不修代码,而要修产出代码的loop”,规则手册由评审员在发现错误时持续迭代补充,不靠人工打补丁\n\n对独立开发者和小团队来说,这套框架把过去“不敢碰”的大型语言\u002F框架迁移,变成了一条有客观判据、可交给AI批量执行的流程。","https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FsC1_V3KAJjX9DX3dDEIEnQ",{"heat":13,"score":282,"src":85,"lab":32,"body":283,"title":284,"analysis":285,"url":286},56,"Qwen3 ASR配合对齐模型解决Whisper时间戳、中英混排、说话人识别三大痛点,0.6B参数本地可运行。","Qwen3 ASR解决Whisper三大痛点,0.6B本地运行","一篇实操向分享指出,通义千问的Qwen3 ASR搭配专门的强制对齐模型,正好补上了Whisper长期被诟病的三个短板,而且只需0.6B参数就能在本地跑起来,对做字幕、转录的个人开发者很友好。\n\n·Whisper的老问题是时间戳不准、中英文混排支持差、不直接支持发言人识别,三者叠加严重影响字幕体验\n·Qwen3 ASR配合Qwen3-ForcedAligner,能实现精准的词级时间戳对齐,解决字幕对不上语音的核心痛点\n·0.6B参数版本即可满足日常需求,对硬件资源要求低,适合本地离线部署\n·发言人识别问题可搭配开源的Pyannote、WeSpeaker等模型解决,或选用火山引擎豆包录音识别2.0等云端方案\n·分享者本人是从字幕翻译的实际痛点出发总结的经验,属于一线实测而非厂商宣传\n\n对做视频字幕、播客转录、会议记录的个人和小团队来说,这套组合方案意味着不再需要依赖体积更大、成本更高的模型,就能拿到接近可用的转录效果。","https:\u002F\u002Fx.com\u002Fdotey\u002Fstatus\u002F2078003883855524314",{"heat":13,"score":288,"src":21,"lab":23,"body":289,"title":290,"analysis":291,"url":292},55,"图灵奖得主理查德·萨顿在 WAIC 2026 上称当前 AI 混淆了智能与计算，仍处于依赖人类数据的阶段，缺乏奖励信号、辨别真假能力弱，主张迈向基于自身经验学习的“经验时代”。","图灵奖得主理查德·萨顿 WAIC 2026 发言:AI 仍“比较弱小且不可靠”","图灵奖得主理查德·萨顿在WAIC 2026主论坛上直言当前AI「比较弱小且不可靠」,与随后发言、看好智能体临界点已到的阶跃董事长印奇形成鲜明对峙,这场交锋折射出行业对AI能力边界判断的深层分歧。\n\n· 萨顿强调行业普遍混淆「智能」与「计算」,当前系统本质是转述人类已有知识,并不具备自主发现新知识的能力\n· 他澄清图灵从未提出「图灵测试」的说法,原意是「模仿游戏」,行为像人不等于是智能的判定标准\n· 核心判断是我们仍处于「人类数据时代」,高质量数据源已被用尽,这条路径已走到极限,需要转向依靠智能体自身经验学习的「经验时代」\n· 他指出现在的大语言模型缺乏奖励信号,无法自行判断行为好坏、也分不清真假,这正是「不可靠」的根源\n· 印奇则认为2026年模型能力已跨越关键临界点,提出Agentic OS、人机共生终端、A2A网络三大结构性变革,判断AI已从连续执行数秒任务进阶到独立工作数十小时\n\n两人对终局(经验驱动的智能体)判断一致,分歧在于节奏——这场路径之争的胜负,将决定未来几年是继续堆数据算力,还是全面转向智能体自主经验学习。","https:\u002F\u002Fwww.ithome.com\u002F0\u002F978\u002F247.htm",{"heat":13,"score":288,"src":243,"lab":32,"body":294,"title":295,"analysis":296,"url":297},"DAIR.AI创始人让AI员工Viktor在Slack端到端接管周报、社区协调等运营工作,上线后新增年经常性收入约13.4万美元","AI实验室交由AI员工管理运营，年增收13万美元","DAIR.AI 创始人 Elvis Saravia 分享了一个真实案例——把实验室日常运营几乎全部交给一个名叫 Viktor 的 AI 员工打理，上线后带来超过 13 万美元的新增年化收入，是「AI 员工」从概念走向落地增收的少见实证。\n\n· Viktor 负责周报撰写、社区协调等重复性运营流程，在 Slack 内端到端执行任务，输出提案交由人工最终审核，而非完全无人值守。\n\n· 创始人此前长期被运营琐事占用精力、始终脱不了手，这次是主动把整条运营流程交出去的尝试。\n\n· 联合创始人 Nico Torres 对结果做了量化测算：新增年经常性收入达 133,752 美元，给出了具体、可核实的数字而非泛泛而谈的效率提升。\n\n· 案例发生在一个专注 AI 研究\u002F教育的团队内部，属于「自己吃自己的狗粮」，可信度和参考价值相对更高。\n\n对一人公司或小团队而言，这是一个值得参考的样本：AI 员工的价值不止是省时间，而是能直接转化为可衡量的营收增长，值得评估哪些运营环节可以照此模式尝试交接。","https:\u002F\u002Fx.com\u002Fomarsar0\u002Fstatus\u002F2078139876000608586",{"heat":13,"score":288,"src":195,"lab":32,"body":299,"title":300,"analysis":301,"url":302},"AI编辑用Viktor智能体自动完成每日简报初稿，已有超4万个工作空间使用。","AI编辑用Viktor智能体实现自动化工作流","AI 行业主编 Kim 在 Slack 中引入智能体 Viktor，由其自动完成每日 AI 简报的初稿撰写，大幅提升效率。\n· Kim 只需在晨间审阅、修改并批准，Viktor 便能在学习其偏好后持续优化，无需迁移或重写提示词。\n· 目前已有超 4 万个工作空间使用 Viktor，Kim 称其为“永远雇不到的第二人”。\n· 该案例展示了 AI 智能体在内容创作工作流中的实用价值。\n看点：Viktor 的成功表明，AI 智能体在特定垂直场景中能显著提升生产力，成为不可或缺的助手。","https:\u002F\u002Fx.com\u002Fkimmonismus\u002Fstatus\u002F2078218489387712839","技巧与观点",[5,305,306,307,308,309,310,311,312,313,314,315,316,317,318,319,320,321,322,323,324,325,326,327,328],"2026-07-17","2026-07-16","2026-07-15","2026-07-14","2026-07-13","2026-07-12","2026-07-11","2026-07-10","2026-07-09","2026-07-08","2026-07-07","2026-07-06","2026-07-05","2026-07-04","2026-07-03","2026-07-02","2026-06-28","2026-06-27","2026-06-26","2026-06-25","2026-06-24","2026-06-23","2026-06-22","2026-06-21"]