[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"aihot-daily-2026-07-19":3},{"daily":4,"dates":294},{"bizDate":5,"vertical":6,"leadText":7,"top":8,"sections":87},"2026-07-19","ai","今天最大的主线是月之暗面 Kimi K3 开源:2.8 万亿参数、100 万上下文,评测直逼甚至反超 Gemini 和 Claude,还带崩了相关美股、逼出一场港股 IPO,美国转身就收紧了新模型发布的审批门槛。巧的是同一天,中国在上海世界人工智能大会上宣布成立世界人工智能合作组织,摆明要推一套独立于西方的治理体系——技术追赶和规则制定这次是同步发力,不是靠一个模型跑分说话。今天先看这三条:Kimi K3 开源、世界人工智能合作组织成立、GPT-5.6 网络安全 SOTA。",[9,19,24,33,42,50,58,65,72,80],{"heat":10,"score":11,"src":12,"rank":13,"lab":14,"body":15,"title":16,"analysis":17,"url":18},2,76,"X：洪明 (@hongming731)",1,"X 媒体 \u002F KOL","月之暗面开源Kimi K3模型，2.8万亿参数、100万上下文，在长程Agent任务中接近Claude Fable 5水平。","Kimi K3 开源：2.8万亿参数，100万上下文","Kimi K3开源：2.8万亿参数，100万上下文，成为全球首个3万亿级开源模型。\n· 采用Stable LatentMoE架构，896选16，提升效率。\n· 支持100万token上下文，适合长文本处理。\n· 完整权重将于7月27日前开源，促进社区研究。\n· 该模型在多个基准上表现优异，有望推动开源AI发展。\n看点：Kimi K3的开源标志着中国在超大模型开源领域的领先地位，将加速AI应用创新。","https:\u002F\u002Fx.com\u002Fhongming731\u002Fstatus\u002F2078252153114878250",{"heat":13,"score":11,"src":12,"rank":10,"lab":14,"body":20,"title":21,"analysis":22,"url":23},"月之暗面发布全球首个3万亿级开源模型Kimi K3，采用2.8万亿参数MoE架构，支持100万token上下文，权重将于7月27日前开源。","Kimi K3 开源与 Fable 5 评测亮点","Kimi K3开源与Fable 5评测亮点：月之暗面发布全球首个3万亿级开源模型Kimi K3，Cursor评测显示Claude Fable 5在自建基准上达72.9%新高。\n· Kimi K3采用2.8万亿参数、896选16的Stable LatentMoE架构，支持100万token上下文。\n· 完整权重将于7月27日前开源。\n· Cursor评测中，Fable 5在CursorBench上达72.9%，展现全局规划能力。\n· 登月模拟显示Fable 5超越局部推理，具备更优规划能力。\n看点：Kimi K3的开源将推动大模型生态发展，Fable 5的评测结果证明其在复杂任务中的潜力。","https:\u002F\u002Fx.com\u002Fhongming731\u002Fstatus\u002F2078252196580503929",{"heat":10,"score":25,"src":26,"rank":27,"lab":28,"body":29,"title":30,"analysis":31,"url":32},70,"X：OpenAI (@OpenAI)",3,"X 官方账号","OpenAI的GPT-5.6 Sol在网络安全靶场中创下新SOTA，已用于真实代码漏洞发现与修复。","GPT-5.6 Sol 在网络安全领域创下新 SOTA","GPT-5.6 Sol 在网络安全靶场中刷新了行业最佳成绩，并已转化为实际防御能力，值得关注其从实验室到真实代码修复的落地路径。\n· 在 “The Last Ones” 网络靶场中，GPT-5.6 Sol 取得了网络安全领域新的 SOTA（最先进水平），证明其在攻防模拟中的卓越表现。\n· 该能力已转化为实际防御成果：帮助团队在真实代码中发现、验证并修复漏洞，实现了从理论到实践的跨越。\n· 通过 Codex Security 插件投入使用，用户可直接在开发环境中利用其安全能力，降低漏洞修复成本。\n· 这一进展表明，大模型在网络安全领域的应用正从辅助分析走向自主防御，可能改变传统安全运营模式。\n影响\u002F看点：GPT-5.6 Sol 的突破不仅是一个技术指标，更预示着 AI 在网络安全领域将从“辅助工具”升级为“核心防御者”，推动行业效率和安全水平提升。","https:\u002F\u002Fx.com\u002FOpenAI\u002Fstatus\u002F2078243667081617826",{"heat":27,"score":34,"src":35,"rank":36,"lab":37,"body":38,"title":39,"analysis":40,"url":41},65,"IT之家",4,"综合资讯","英伟达开源Nemotron 3 Embed系列模型，8B版在RTEB基准中排名第一，面向AI智能体和RAG场景。","英伟达开源Nemotron 3 Embed系列AI模型","英伟达开源 Nemotron 3 Embed 系列，专为 AI 智能体和 RAG 场景设计，8B 版本在 RTEB 基准上夺冠，值得关注其在检索精度和效率上的平衡。\n· 该系列包含三个版本：8B 精度优先版、1B 效率优先版，以及面向 Blackwell 架构优化的 1B NVFP4 版，覆盖不同部署需求。\n· 8B 版在 RTEB 基准上以 78.5% 得分排名第一，在 MMTEB 检索中得分 75.5%，检索精度领先。\n· 配备 32K 上下文窗口，可减少 AI 智能体的重复检索，降低 Token 消耗和推理成本。\n· 以开放权重形式发布，支持商业使用，并通过 Hugging Face 和 NVIDIA NIM 免费提供。\n影响\u002F看点：Nemotron 3 Embed 系列为 RAG 和智能体应用提供了高性能、低成本的嵌入方案，有望加速企业级 AI 系统的落地，特别是在需要高精度检索的场景中。","https:\u002F\u002Fwww.ithome.com\u002F0\u002F978\u002F334.htm",{"heat":13,"score":43,"src":44,"rank":45,"lab":37,"body":46,"title":47,"analysis":48,"url":49},71,"The Decoder",5,"习近平在上海世界AI大会上宣布成立世界人工智能合作组织，并为全球南方国家提供5000个AI培训名额，旨在构建独立于西方的AI治理体系。","中国成立世界人工智能合作组织，习近平推动平行AI秩序","中国在上海世界人工智能大会上宣布成立“世界人工智能合作组织”，并计划与东盟、非盟、金砖国家等建立合作中心，这是习近平主席推动平行AI秩序的最明确举措。\n· 习近平宣布为全球南方国家提供5000个AI培训名额，并启动“世界人工智能合作组织”。\n· 计划与东盟、非盟、金砖国家等建立合作中心，系统构建独立于西方影响的AI治理结构。\n· 此举旨在建立一套平行于西方主导的AI规则体系，增强中国在全球AI治理中的话语权。\n· 该组织将促进技术共享和标准制定，可能加速全球AI发展的多极化趋势。\n影响\u002F看点：中国正通过多边合作机制，积极塑造全球AI治理新格局，可能引发西方国家的回应与竞争。","https:\u002F\u002Fthe-decoder.com\u002Fchinas-new-world-artificial-intelligence-cooperation-organization-is-president-xis-clearest-play-yet-for-a-parallel-ai-order\u002F",{"heat":10,"score":51,"src":52,"rank":53,"lab":28,"body":54,"title":55,"analysis":56,"url":57},67,"X：商汤 SenseTime (@SenseTime_AI)",6,"商汤发布原生多模态旗舰模型SenseNova U1 Pro，支持8K分辨率与数十轮推理，预览版开放邀请。","商汤发布原生多模态旗舰模型 SenseNova U1 Pro","商汤发布原生多模态旗舰模型 SenseNova U1 Pro，基于 NEO-Unify 架构，统一理解、生成与行动能力。\n· 支持原生交织视觉-语言推理，可处理数十轮智能体生成循环。\n· 输出分辨率达 8K，文字渲染错误率极低，支持超宽\u002F超高图像生成。\n· 预览版已开放邀请，2026年8月正式发布 API 及定价。\n影响\u002F看点：多模态能力显著提升，为复杂视觉-语言任务提供强大基础。","https:\u002F\u002Fx.com\u002FSenseTime_AI\u002Fstatus\u002F2078510614889238997",{"heat":13,"score":59,"src":35,"rank":60,"lab":37,"body":61,"title":62,"analysis":63,"url":64},69,7,"我国首个全国产十万卡AI超集群曙光8000上线首周即满载运行，日均处理作业超15万个。","我国首个全国产十万卡 AI 超集群曙光 8000 上线首周满载运行","我国首个全国产十万卡AI超集群“曙光8000”上线首周即满载运行，日均处理作业超15万个，标志着国产算力正式迈入十万卡级部署阶段。\n· 曙光8000上线首周即实现满载运行，日均处理作业数突破15万个，单日峰值超50万个，已适配近千项超智融合应用，覆盖大模型训练、高通量推理、科学计算等场景。\n· 满载不拥堵得益于智能调度引擎、数据亲和性算法和多元融合调度策略，能根据任务类型和资源状态智能分流，支撑百万级用户并发请求。\n· 采用全球首创高密度机柜，单计算单元算力密度较其他超节点提升20倍；自研scaleFabric类IB原生RDMA高速互连技术，实现十万卡规模稳定互连。\n· 搭配IO500生产型双料第一的ParaStor分布式存储和浸没式相变液冷，保障海量数据高效流转与系统长期稳定运行。\n影响\u002F看点：曙光8000的快速满载表明科研与产业对超大规模算力的需求正在加速释放，国产AI基础设施从万卡级向十万卡级跨越，为“四个面向”等重大战略任务提供坚实算力底座。","https:\u002F\u002Fwww.ithome.com\u002F0\u002F978\u002F491.htm",{"heat":13,"score":66,"src":35,"rank":67,"lab":37,"body":68,"title":69,"analysis":70,"url":71},59,8,"华为昇腾950超节点荣获2026世界人工智能大会最高荣誉SAIL奖。","华为昇腾950超节点获2026世界人工智能大会SAIL奖","华为昇腾 950 超节点荣获 2026 世界人工智能大会最高荣誉 SAIL 奖，其 1024 卡规模和 1 EFLOPS 算力值得关注。\n· 昇腾 950 基于灵衢互联协议和超节点架构，实现业界最大 1024 卡规模，提供 1 EFLOPS FP8 算力。\n· 拥有 256TB 全局统一内存编址空间，TB 级 NPU 互联带宽和 3μs 超低时延。\n· 在 WAIC 上真机首次公开亮相，展示了华为在 AI 基础设施上的技术实力。\n· SAIL 奖是 WAIC 最高荣誉，被誉为 AI 领域“诺贝尔奖”，表彰其卓越贡献。\n影响\u002F看点：昇腾 950 的获奖标志着国产 AI 算力基础设施达到世界领先水平，为大规模 AI 训练和推理提供了自主可控的硬件支撑，有望加速国内 AI 生态发展。","https:\u002F\u002Fwww.ithome.com\u002F0\u002F978\u002F338.htm",{"heat":27,"score":73,"src":74,"rank":75,"lab":28,"body":76,"title":77,"analysis":78,"url":79},62,"X：Claude Devs (@ClaudeDevs)",9,"Claude Code将各套餐周使用限额提升50%，有效期至8月19日，并调整模型访问权限。","Claude Code 周限额提升 50% 至 8 月 19 日","Claude Code 将 Pro、Max、Team 及 Enterprise 用户的每周使用限额提升 50%，有效期至 8 月 19 日。\n· 同时，Claude Fable 5 将于 7 月 20 日起纳入 Max 和 Team Premium 套餐，限额为 50%。\n· Pro 和 Team Standard 用户可通过使用额度继续访问，并获得一次性 100 美元信用额度。\n影响\u002F看点：提升限额有助于吸引更多用户，增强 Claude Code 的市场竞争力。","https:\u002F\u002Fx.com\u002FClaudeDevs\u002Fstatus\u002F2078511173759324328",{"heat":13,"score":81,"src":35,"rank":82,"lab":37,"body":83,"title":84,"analysis":85,"url":86},61,10,"东方算芯展出全球首颗软件定义近存计算3D AI芯片DF1000，算力520 TFLOPS，获SAIL奖。","东方算芯首次展出全球首颗软件定义近存计算3D AI芯片DF1000","东方算芯在WAIC 2026首次展出全球首颗软件定义近存计算3D AI芯片DF1000，算力达520 TFLOPS，并荣获SAIL奖。\n· DF1000依托全国产供应链，采用3D混合键合技术实现晶圆级堆叠，提升访存带宽。\n· 通过软件定义芯片技术实现软硬件解耦与动态重构，在14nm工艺下达到520 TFLOPS@BF16算力。\n· 破解高端算力芯片三大核心瓶颈，提供稳定国产算力底座。\n· 公司成立于2024年，团队超500人，产品覆盖芯片、软件、服务器及集群方案。\n看点：DF1000标志着国产AI芯片在架构创新和自主生态上的重要突破，有望降低对先进制程的依赖。","https:\u002F\u002Fwww.ithome.com\u002F0\u002F978\u002F368.htm",[88,111,152,194,241],{"no":89,"count":53,"en":90,"arts":91,"zh":110},"01","MODEL RELEASES",[92,93,94,95,103,109],{"heat":13,"score":11,"src":12,"lab":14,"body":20,"title":21,"analysis":22,"url":23},{"heat":10,"score":11,"src":12,"lab":14,"body":15,"title":16,"analysis":17,"url":18},{"heat":10,"score":25,"src":26,"lab":28,"body":29,"title":30,"analysis":31,"url":32},{"heat":13,"score":96,"src":97,"lab":98,"body":99,"title":100,"analysis":101,"url":102},66,"新智元","公众号","中科闻歌发布科学多模态统一推理模型S1-Omni及平台ScienceOne，在盲测中击败GPT-5.5、Claude等模型。","中国队交卷，盲测打爆Claude！科学多模态统一AI来了","这篇报道介绍了中科闻歌发布的磐石2.0科学多模态统一推理模型S1-Omni，它在盲测中击败了GPT-5.5和Claude Science等顶尖模型，标志着AI for Science领域的一次范式跃迁。\n· S1-Omni是首个面向科学理解、预测与生成的多模态统一推理模型，能够同时处理材料、化学、蛋白质等多种科学数据，并在保留各自特性的基础上实现协同建模。\n· 该模型通过“统一编码”、“与真实世界知识对齐”和“定向解码”三大机制，确保推理过程可解释、可溯源，输出结果符合专业规范。\n· 在60多个科学任务基准评测中，S1-Omni在95.5%的任务上超过GPT-5.5，83.3%的任务上超过Gemini 3.1 Pro，部分任务甚至达到或超越领域专用模型。\n· 基于S1-Omni的ScienceOne平台将模型能力嵌入科研全流程，从文献分析到实验设计，真正实现AI深入科研现场。\n影响\u002F看点：S1-Omni打破了通用大模型“概率统计”与科学“精确可靠”之间的根本错位，为科研人员提供了真正懂科学的AI搭档，有望重塑科研工作流。","https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002F6zOb4_Pi4zIwxoLzcQTZZw",{"heat":13,"score":34,"src":104,"lab":28,"body":105,"title":106,"analysis":107,"url":108},"X：OpenRouter (@OpenRouter)","Inkling模型上线OpenRouter，975B参数MoE，支持1M上下文及文本、图像、音频可控推理。","Inkling 上线 OpenRouter，975B 参数 MoE 模型","Inkling 作为一款 975B 参数的开放权重 MoE 模型，在 OpenRouter 上线，其超大参数量和长上下文支持值得关注。\n· Inkling 总参数量达 975B，但激活参数仅 41B，采用 MoE（混合专家）架构，兼顾性能与效率。\n· 支持 1M 上下文窗口，可处理超长文本、图像和音频输入，实现多模态可控推理。\n· 以开放权重形式发布，开发者可自由部署和微调，降低了高端模型的使用门槛。\n· 在 OpenRouter 平台可直接试用，便于社区评估其实际表现。\n影响\u002F看点：Inkling 的发布标志着开放权重模型在规模和能力上进一步逼近闭源前沿，为多模态长上下文应用提供了新选择，可能推动更多创新应用落地。","https:\u002F\u002Fx.com\u002FOpenRouter\u002Fstatus\u002F2078243886338806056",{"heat":27,"score":34,"src":35,"lab":37,"body":38,"title":39,"analysis":40,"url":41},"模型发布\u002F更新",{"no":112,"count":67,"en":113,"arts":114,"zh":151},"02","PRODUCT LAUNCHES",[115,116,121,126,131,139,145,150],{"heat":10,"score":51,"src":52,"lab":28,"body":54,"title":55,"analysis":56,"url":57},{"heat":13,"score":51,"src":35,"lab":37,"body":117,"title":118,"analysis":119,"url":120},"荣耀发布全球首台机器人手机Robot Phone，搭载Agentic OS，8月上市。","荣耀Robot Phone开启预约：搭载Agentic OS，8月发布","荣耀在WAIC 2026上正式官宣全球首台机器人手机Robot Phone开启预约，搭载行业首个伙伴型多模态智能体操作系统Agentic OS，计划8月发布。这款产品将手机从被动工具升级为主动智能体，是具身智能在消费电子领域的里程碑式落地。\n· Robot Phone机身顶部集成行业最小的四自由度钛合金机械云台，体积较主流方案缩小70%，支持360°物体追踪与智能运镜，实现电影级自主拍摄。\n· 后置2亿像素4D云台主摄\u002F长焦+5000万像素超广角三摄，与ARRI合作引入专业级Log-C编码与LUT调色，可自主完成复杂运镜。\n· 搭载第五代骁龙8至尊版芯片，1.5K四等边直屏，支持120W有线快充，硬件配置达到旗舰水准。\n· Agentic OS从MagicOS升维而来，强调对用户意图的理解和复杂任务的协同处理，而非被动执行指令。\n· 荣耀提出“一主多专、三脑协同”架构，以随身主智能体动态协同海量终端、垂域生态和云端超级大脑，打破设备、服务、数据孤岛。\n看点：Robot Phone标志着手机从“工具”向“伙伴”的进化，Agentic OS和机械云台的设计可能重新定义人机交互与移动影像，但实际体验和生态成熟度仍需市场检验。","https:\u002F\u002Fwww.ithome.com\u002F0\u002F978\u002F462.htm",{"heat":13,"score":34,"src":97,"lab":98,"body":122,"title":123,"analysis":124,"url":125},"OpenAI为ChatGPT上线统一搜索功能，可检索历史聊天、文档、图片等，覆盖全平台。","ChatGPT终于能搜索历史对话了！","ChatGPT终于能搜索历史对话了，这一更新解决了用户长期以来的痛点，让AI资产变得可检索、可复用。\n· 新搜索功能覆盖历史聊天、上传文档、生成图片和项目，支持按类型过滤，Web、iOS、Android三端同步，免费版到企业版全部开放。\n· 此前ChatGPT的搜索框几乎无用，用户翻找旧对话如同大海捞针；这次更新让ChatGPT从“会话工具”进化为“个人知识库”，开始拥有自己的“文件系统”。\n· 搜索升级背后是OpenAI将ChatGPT打造成工作平台的战略：文件上传、Projects、Memory、Work、Sites等动作密集落地，搜索成为闭环的最后一块拼图。\n· 但这也带来隐私隐忧：消费级计划默认用对话训练模型，且此前法院曾强制OpenAI交出用户对话日志；搜索让数据更值钱，也更敏感。\n影响\u002F看点：ChatGPT搜索功能补上了近4年的短板，标志着AI助手从“聊完即忘”转向“知识沉淀”，但数据主权与隐私边界问题也随之浮出水面。","https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FrlR0WcInXc3Dk1WN7E0dLw",{"heat":13,"score":34,"src":35,"lab":37,"body":127,"title":128,"analysis":129,"url":130},"阿里平头哥真武AI芯片累计出货超56万片，并开源T-Head SAIL软件栈。","阿里平头哥真武AI芯片累计出货超56万片，开源T-Head SAIL软件栈","阿里平头哥宣布真武AI芯片累计出货超56万片，并正式开源自研AI软件栈T-Head SAIL，全面兼容主流AI生态。这一动作表明国产AI芯片在规模化落地和生态建设上迈出关键一步。\n· 真武AI芯片已服务20多个行业400多家客户，在阿里云及头部客户生产环境中经过大规模流量和严苛SLA考验。\n· T-Head SAIL软件栈从底层驱动到上层工具共五层，拥有自主知识产权，全面适配PyTorch、TensorFlow、vLLM、SGLang等260余个主流框架。\n· 主流AI推理框架平均适配时间小于7天，开发者获取源码后可直接编译运行，无需额外适配。\n· 平头哥开发者社区同步上线，提供全栈技术文档、SDK、内核驱动及性能分析工具下载。\n看点：真武芯片的出货量和T-Head SAIL的开源，为国产AI芯片的生态破局提供了可复用的软件基座，降低了开发者迁移成本，但能否吸引足够多的第三方模型和框架原生支持仍是关键。","https:\u002F\u002Fwww.ithome.com\u002F0\u002F978\u002F465.htm",{"heat":27,"score":132,"src":133,"lab":134,"body":135,"title":136,"analysis":137,"url":138},64,"Simon Willison 博客","大咖博客","Claude宣布将Fable 5永久纳入Max和Team Premium计划，Pro和Team Standard用户仍可通过使用额度访问。","Claude 宣布 Fable 5 永久纳入 Max 和 Team Premium 计划","Anthropic 宣布 Claude Fable 5 将永久纳入 Max 和 Team Premium 订阅计划，此前该模型曾计划仅通过 API 提供，引发用户不满。这一逆转表明，在 GPT-5.6 Sol 等竞品压力下，订阅用户对顶级模型的需求不可忽视。\n· 自 7 月 20 日起，所有 Max 和 Team Premium 订阅用户将自动获得 Fable 5 访问权限，但使用量限制为原限额的 50%。\n· Pro 和 Team Standard 用户仍可通过使用额度访问 Fable 5，并获赠一次性 100 美元信用额度。\n· 此前 Anthropic 因算力限制计划将 Fable 5 转为仅 API 付费模式，但订阅用户质疑“为何支付高额月费却无法使用最强模型”，迫使公司调整策略。\n· 分析认为，Anthropic 可能需减少训练任务以释放 GPU 资源，满足 Fable 5 的推理需求。\n影响\u002F看点：Anthropic 在竞争压力下妥协，但算力瓶颈可能影响其长期模型迭代节奏。订阅用户权益得到保障，但使用限制暗示资源紧张。","https:\u002F\u002Fsimonwillison.net\u002F2026\u002FJul\u002F18\u002Fclaude-make-fable-5-permanent\u002F#atom-everything",{"heat":13,"score":140,"src":104,"lab":28,"body":141,"title":142,"analysis":143,"url":144},63,"OpenRouter本周上线九款新模型，包括Kimi K3、Muse Spark等。","OpenRouter本周上线九款新模型，含Kimi K3等","OpenRouter本周一口气上线九款新模型，涵盖Kimi K3、Muse Spark、Thinking Machines Inkling等，为开发者提供了更多选择，值得关注。\n· Kimi K3是国产模型，在长文本理解和推理能力上有显著提升，适合复杂文档分析场景。\n· Muse Spark专注于创意生成，可能在文案、设计辅助领域有独特优势。\n· Thinking Machines Inkling主打轻量级推理，适合资源受限的部署环境。\n· 其他六款模型覆盖不同垂直领域，如代码生成、多模态理解等，丰富了OpenRouter的模型生态。\n· 这些模型均通过OpenRouter统一API提供，降低了切换成本，开发者可快速测试对比。\n影响\u002F看点：OpenRouter持续整合优质模型，加速了AI应用的多样化，开发者应关注Kimi K3在中文场景的表现。","https:\u002F\u002Fx.com\u002FOpenRouter\u002Fstatus\u002F2078496699849335157",{"heat":13,"score":140,"src":35,"lab":37,"body":146,"title":147,"analysis":148,"url":149},"阿里云发布灵骏真武M890超节点实例，单台可承载十万亿参数级MoE大模型推理，训练性能提升三倍。","阿里云发布灵骏真武M890超节点实例，支持十万亿参数级MoE大模型推理","阿里云在WAIC 2026上发布灵骏真武M890超节点实例，首次通过公共云提供超节点形态AI算力，单台即可承载十万亿参数级MoE大模型推理，标志着云上超大规模AI算力服务进入新阶段。\n· 灵骏真武M890采用ICN Switch 1.0芯片，将Scale-up互联规模从16卡提升至64卡，卡间互联带宽达800GB\u002Fs，支持FP8\u002FFP4低精度计算，训练性能相比上一代真武810E提升三倍。\n· 该实例专为十万亿参数级MoE大模型推理设计，凭借超大显存与全对称高速互联，单台即可完成推理任务，无需多实例协同。\n· 依托HPN 8.0训推一体网络架构，智算灵骏单集群最高支持13万卡异构算力混布，并支持PD分离部署，可扩展至百万卡级。\n· 实例具备主动故障监控、分钟级故障自恢复与99.7%平均可用性，确保算力高效利用；前端网络采用CIPU 2.0，存储侧基于飞天盘古重构CPFS，单文件系统支持百PiB容量、百TB\u002Fs吞吐与亿级IOPS。\n看点：阿里云将超节点形态引入公共云，大幅降低超大规模模型推理门槛，为万亿参数级AI应用提供高性能、高可靠的云上算力底座。","https:\u002F\u002Fwww.ithome.com\u002F0\u002F978\u002F578.htm",{"heat":27,"score":73,"src":74,"lab":28,"body":76,"title":77,"analysis":78,"url":79},"产品发布\u002F更新",{"no":153,"count":67,"en":154,"arts":155,"zh":193},"03","INDUSTRY",[156,157,158,164,170,176,181,187],{"heat":13,"score":43,"src":44,"lab":37,"body":46,"title":47,"analysis":48,"url":49},{"heat":13,"score":59,"src":35,"lab":37,"body":61,"title":62,"analysis":63,"url":64},{"heat":13,"score":51,"src":159,"lab":14,"body":160,"title":161,"analysis":162,"url":163},"X：Kim (@kimmonismus)","美国启动“金鹰”计划收紧AI模型发布，要求新模型须获政府批准，正值Kimi K3开源后管制升级。","美国收紧 AI 监管，Kimi K3 开源后管制升级","美国 AI 监管收紧，Kimi K3 开源后管制升级，白宫“金鹰”计划要求政府批准模型发布。\n· 尽管有放松监管的呼声，美国政府反而加强管控，可能延迟前沿模型发布。\n· “金鹰”计划赋予政府对模型发布的更大控制权，要求明确批准哪些公司可访问新模型。\n· 自愿参与可能结束，未来合规成本增加。\n影响\u002F看点：监管趋严将影响开源模型生态和全球 AI 竞争格局。","https:\u002F\u002Fx.com\u002Fkimmonismus\u002Fstatus\u002F2078508342037954769",{"heat":13,"score":34,"src":165,"lab":14,"body":166,"title":167,"analysis":168,"url":169},"X：SemiAnalysis (@SemiAnalysis_)","月之暗面Kimi K3综合评测超越Gemini，成为第三强模型，即将开源。","Kimi K3 开源在即，综合评测超越 Gemini","月之暗面的 Kimi K3 在综合基准测试中超越 Gemini，成为仅次于 OpenAI 和 Anthropic 的第三强模型，且即将开源。\n· SemiAnalysis 分析指出，K3 拥有 2.8T 参数，在多项评测中表现优于 Gemini。\n· 模型将于 10 天后开源，这将对开源社区和行业竞争格局产生重大影响。\n· 播客讨论了 K3 揭示的前沿模型利润空间、模型规模趋势以及竞争格局变化。\n· 一年前“三巨头”还是 OpenAI、Anthropic、Google，如今格局已变。\n影响\u002F看点：K3 开源将推动模型民主化，同时加剧中美 AI 模型竞争。","https:\u002F\u002Fx.com\u002FSemiAnalysis_\u002Fstatus\u002F2078434606932508937",{"heat":13,"score":34,"src":171,"lab":14,"body":172,"title":173,"analysis":174,"url":175},"X：阿易 AI Notes (@AYi_AInotes)","Kimi K3发布后美股下跌，月之暗面随即启动港股IPO筹备。","Kimi K3发布冲击美股，启动港股IPO","Kimi K3 发布后引发美股震荡，同时月之暗面宣布启动港股 IPO，一次发布完成三重战略目标。\n· K3 拥有 2.8T 参数，在 Arena 前端盲测中获第一（1679 Elo），输入 $3、输出 $15，权重将于 7 月 27 日开源。\n· 发布后 24 小时内，纳斯达克跌 1%，标普 500 跌 1%，CNN 和彭博以“中国 AI 模型冲击美股”报道。\n· Kimi 同步通知投资者调整架构，筹备港股 IPO，最快 6 个月内完成。\n· 此举被视为产品更新、市场重定价、IPO 预路演的一体化操盘。\n影响\u002F看点：中国 AI 模型首次对美股产生直接冲击，并借势推进资本运作，标志中国 AI 企业全球化进入新阶段。","https:\u002F\u002Fx.com\u002FAYi_AInotes\u002Fstatus\u002F2078414146941440128",{"heat":13,"score":34,"src":44,"lab":37,"body":177,"title":178,"analysis":179,"url":180},"英国AI安全研究所警告，开源模型在网络安全能力上仅落后前沿模型4-7个月，且安全措施效果不佳，防御者准备时间缩短。","开源模型网络能力仅落后前沿模型四个月，成本大幅降低","英国AI安全研究所警告，开源权重模型（如GLM-5.2和DeepSeek V4-Pro）在网络能力上仅落后闭源前沿模型四到七个月，且安全措施基本无效，给防御者留下更少准备时间。\n· 截至2026年7月，开源模型在网络能力上仅落后前沿模型4-7个月，而2025年初差距为6-10个月。\n· 开源模型成本远低于闭源模型，使得先进能力更容易被获取。\n· 研究发现，开源模型上的安全措施基本无效，增加了被恶意利用的风险。\n· 差距缩小意味着防御者需要更快地更新防护措施，以应对潜在威胁。\n影响\u002F看点：开源AI能力的快速提升对网络安全构成严峻挑战，亟需更有效的安全机制和监管策略。","https:\u002F\u002Fthe-decoder.com\u002Fopen-weight-models-now-match-frontier-cyber-performance-from-just-four-months-ago-at-a-fraction-of-the-cost\u002F",{"heat":13,"score":140,"src":182,"lab":37,"body":183,"title":184,"analysis":185,"url":186},"TechCrunch AI","Databricks估值达1880亿美元，转型为AI公司并研究开源模型在编程中的成本优势。","Databricks 估值达1880亿美元，延续AI第二曲线","Databricks 以 1880 亿美元估值完成新一轮融资，延续其从大数据平台向 AI 提供商的成功转型，值得关注其如何利用数据优势构建 AI 护城河。\n· 本轮融资由 Coatue 领投，估值从五个月前的 1340 亿跃升至 1880 亿美元，增长迅猛。\n· Databricks 已推出多个 AI 产品，如面向 AI 智能体的 Lakebase 数据库、AI 网关 Unity，以及多智能体管理平台 Omnigent。\n· 公司积极采用中国开源模型（如智谱 GLM 5.2）用于编码，以控制成本，成为 2026 年趋势的代表。\n· 其成功转型得益于早期积累的企业数据资产，使其在 AI 安全与治理方面具备天然优势。\n影响\u002F看点：Databricks 的高估值反映了市场对“数据+AI”整合平台的高度认可，其开源模型策略也为企业 AI 成本控制提供了新思路，可能引领更多公司效仿。","https:\u002F\u002Ftechcrunch.com\u002F2026\u002F07\u002F17\u002Fdatabricks-hits-188b-valuation-extending-its-run-as-ais-favorite-second-act\u002F",{"heat":13,"score":140,"src":188,"lab":37,"body":189,"title":190,"analysis":191,"url":192},"Bloomberg Technology","月之暗面Kimi表现颠覆美国AI领先中国的传统认知，引发行业关注。","月之暗面Kimi颠覆美国AI领先中国的传统认知","月之暗面旗下Kimi的表现正在挑战“美国AI领先中国”的传统观点，引发行业重新审视中美AI差距。\n· 今年早些时候的北京AI峰会上，多位中国顶级AI领袖曾警告中国在尖端模型开发上仍落后于美国，甚至差距可能扩大。\n· 然而，月之暗面推出的Kimi模型在多项能力上展现出竞争力，尤其是在长文本处理和复杂推理方面，颠覆了外界对中国AI的固有印象。\n· Kimi的成功表明，中国AI公司并非一味追赶，而是在特定方向上实现了差异化突破，例如更优的上下文窗口和更高效的训练方法。\n· 这一变化促使投资者和观察者重新评估中美AI竞争格局，认为中国在某些应用场景和工程创新上已具备独特优势。\n影响\u002F看点：Kimi的崛起不仅是中国AI实力的证明，更意味着全球AI竞赛从“模型规模”转向“应用实效”，中国公司有望在细分领域引领潮流。","https:\u002F\u002Fwww.bloomberg.com\u002Fnews\u002Farticles\u002F2026-07-18\u002Fmoonshot-s-kimi-upends-conventional-wisdom-on-us-lead-over-china","行业动态",{"no":195,"count":60,"en":196,"arts":197,"zh":240},"04","RESEARCH",[198,204,210,215,221,228,234],{"heat":13,"score":25,"src":199,"lab":37,"body":200,"title":201,"analysis":202,"url":203},"Hacker News 热门","GPT-5.6通过一个提示词解决了凸优化领域30年未解的研究空白。","GPT-5.6 通过一个提示词弥合凸优化领域30年研究空白","GPT-5.6 仅凭一个提示词，就填补了凸优化领域长达 30 年的理论空白，展示了 LLM 在数学研究中的惊人潜力。\n· 凸优化是数学和工程的核心领域，30 年来一直存在一个未解决的难题，GPT-5.6 通过一个精心设计的提示词直接给出了解决方案。\n· 该结果并非简单复现已知结论，而是生成了全新的证明思路，经专家验证具有理论价值。\n· 这标志着大模型从“工具”向“合作研究者”的转变，能够加速数学发现。\n· 事件引发热议：有人惊叹 AI 的创造力，也有人质疑其可重复性和深度。\n影响\u002F看点：AI 辅助数学研究进入新阶段，未来或可系统性地解决更多开放问题。","https:\u002F\u002Fold.reddit.com\u002Fr\u002Fmath\u002Fcomments\u002F1uxj3cy\u002Fafter_openais_cdc_proof_announcement_gpt56_used_a\u002F",{"heat":13,"score":96,"src":205,"lab":14,"body":206,"title":207,"analysis":208,"url":209},"X：Rohan Paul (@rohanpaul_ai)","Kimi K3在SpreadsheetBench 2基准测试中排名第一，超越所有闭源模型，成为首个开源权重模型。","Kimi K3登顶SpreadsheetBench 2，超越Claude Fable 5","Kimi K3 在 SpreadsheetBench 2 上登顶，成为首个超越所有闭源模型的开源权重模型，展示了其在复杂表格任务上的强大能力。\n· SpreadsheetBench 2 包含 321 个专家级任务，平均每个任务涉及 11.8 个工作表和 593.5 次单元格变更，难度极高。\n· Kimi K3 完成了 34.8% 的工作流，在金融建模、工作簿调试和图表创建上表现突出。\n· 该模型在金融、规划和运营场景中尤其出色，可能对相关行业产生深远影响。\n· 作为开源模型，Kimi K3 的突破意味着开源社区在专业领域也能与闭源模型抗衡。\n影响\u002F看点：Kimi K3 的登顶不仅证明了开源模型的潜力，更可能推动金融等行业的自动化进程。","https:\u002F\u002Fx.com\u002Frohanpaul_ai\u002Fstatus\u002F2078352555944689722",{"heat":13,"score":132,"src":97,"lab":98,"body":211,"title":212,"analysis":213,"url":214},"港科大研究发现MoE模型路由脆弱，重复token输入可导致负载不均，拖慢响应速度。","港科大发ICML'26：MoE路由脆弱，重复token输入阻塞负载均衡","港科大研究发现MoE模型的专家路由存在系统级漏洞，重复token输入可导致负载失衡，显著拖慢响应速度。\n· 研究提出RepetitionCurse攻击方法：利用高度重复的输入模式，使连续token的表示高度相似，导致路由将大量token集中到同一批专家，造成GPU负载不均。\n· 在8-GPU Expert Parallelism部署下，攻击可使Mixtral-8x7B的TTFT（首token延迟）增加20%至148%，Qwen3-30B-A3B在32-GPU下增加115%。\n· 攻击无需模型权重或梯度，黑盒即可执行；它不控制输出内容，而是通过破坏prefill阶段的计算效率来拖慢服务。\n· 更严重的是，攻击请求可“搭车”影响同batch的正常请求，并占用prefill能力导致后续请求排队，SLA违约率从1%升至最高13.6%。\n· 研究还发现MoE中存在“脆弱专家”，它们像吸引子一样稳定地吸引重复token，成为攻击的落点。\n影响\u002F看点：该工作揭示了MoE服务在系统层的安全盲区，提醒业界在追求高效推理的同时，需防范针对路由机制的拒绝服务攻击。","https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FbXhN70IJdfluSwvzMgDIKg",{"heat":13,"score":140,"src":216,"lab":37,"body":217,"title":218,"analysis":219,"url":220},"MarkTechPost","Sakana AI提出误差扩散训练法，无需反向传播即可训练符合Dale原则的网络。","Sakana AI提出误差扩散训练法，无需反向传播即可训练符合Dale原则的网络","Sakana AI提出误差扩散训练法（Error Diffusion），无需反向传播即可训练符合Dale原则的神经网络，在MNIST和CIFAR-10上分别达到96.7%和61.7%的准确率。这一方法绕开了反向传播的权重传输问题，更贴近生物神经网络的局部学习机制。\n· 误差扩散是一种局部学习规则，每个权重更新仅依赖突触前活动、突触后激活导数和单个全局误差信号，不传输转置权重或使用随机反馈矩阵。\n· 为满足Dale原则（神经元要么兴奋要么抑制），网络每层拆分为兴奋性和抑制性两个流，所有可学习权重保持非负，交叉流连接通过结构负号实现抑制。\n· 双流架构每层需要四倍参数（约32M vs 8M），但实现了生物合理性。\n· 创新点“模数误差路由”将每个隐藏单元固定映射到一个输出通道，从而将误差扩散从二分类扩展到多分类。\n· 针对多分类引入层特定sigmoid宽度、输出层无偏置等三项改进，提升了性能。\n看点：误差扩散为生物启发式学习提供了新路径，避免了反向传播的生物学不可行假设，但双流架构的参数膨胀和当前仅在小型数据集上的验证，距离大规模实用仍有距离。","https:\u002F\u002Fwww.marktechpost.com\u002F2026\u002F07\u002F17\u002Fsakana-ais-error-diffusion-trains-dale-compliant-dual-stream-networks-reaching-96-7-mnist-and-61-7-cifar-10-without-backpropagation\u002F",{"heat":13,"score":222,"src":223,"lab":14,"body":224,"title":225,"analysis":226,"url":227},60,"X：Elvis Saravia (@omarsar0, DAIR.AI)","DAIR.AI推出开源工具ProofAgent-Harness，通过七项标准评估AI智能体上下文质量与可靠性。","开源工具ProofAgent-Harness评估AI智能体上下文可靠性","DAIR.AI 推出开源评估工具 ProofAgent-Harness，通过七项标准对智能体上下文质量进行多裁判共识评分。\n· 七项标准包括角色清晰度、护栏覆盖、指令一致性、工具架构质量、基础充分性、注入防护和 token 效率。\n· 研究验证上下文工程质量是智能体可靠性的独立领先指标。\n· 基础充分性可预测幻觉抵抗，护栏覆盖预测操纵抵抗，工具架构质量预测工具使用准确性。\n影响\u002F看点：为智能体可靠性评估提供了标准化工具，有助于提升 AI 系统的安全性和可信度。","https:\u002F\u002Fx.com\u002Fomarsar0\u002Fstatus\u002F2078585861315432645",{"heat":13,"score":229,"src":205,"lab":14,"body":230,"title":231,"analysis":232,"url":233},56,"开源模型在网络能力上差距缩至4-7个月，GLM-5.2匹配约7个月前发布的Claude Opus 4.5。","开源模型网络能力差距缩至4-7个月","领先开源模型在长周期网络能力上已追近闭源前沿，差距从 6-10 个月缩至 4-7 个月。\n· GLM-5.2 在长周期网络靶场中匹配了约 7 个月前发布的 Claude Opus 4.5。\n· OpenAI 的 GPT-5.6 Sol 在 32 步“The Last Ones”靶场中 10 次尝试完成 7 次，性能随推理 token 增加而提升。\n· 开源模型的追赶速度加快，闭源模型的领先优势正在缩小。\n看点：开源模型在关键能力上的快速进步，可能改变 AI 产业的竞争格局，降低对闭源模型的依赖。","https:\u002F\u002Fx.com\u002Frohanpaul_ai\u002Fstatus\u002F2078260807310479695",{"heat":13,"score":229,"src":235,"lab":37,"body":236,"title":237,"analysis":238,"url":239},"量子位 资讯","优理奇提出UniTac方法，赋予机器人触觉想象力，使视觉-语言-动作模型（VLA）更好地理解物理接触，相关论文入选ECCV 2026。","优理奇UniTac让机器人拥有触觉想象力，VLA更懂接触","优理奇（UniTac）提出一种让机器人具备“触觉想象力”的方法，使视觉-语言-动作模型（VLA）更好地理解物理接触，该研究入选ECCV 2026。\n· UniTac通过模拟触觉感知，让机器人在没有实际接触的情况下预测触觉反馈。\n· 该方法增强了VLA模型对物体物理属性的理解，如硬度、摩擦力和形状。\n· 在抓取和操作任务中，UniTac显著提高了机器人的成功率和适应性。\n· 该技术有望推动机器人从视觉主导转向多模态感知，提升在复杂环境中的表现。\n影响\u002F看点：UniTac为机器人触觉感知提供了新范式，使VLA模型更懂接触，对智能制造和服务机器人领域具有重要价值。","https:\u002F\u002Fwww.qbitai.com\u002F2026\u002F07\u002F453897.html","论文研究",{"no":242,"count":67,"en":243,"arts":244,"zh":293},"05","TIPS & OPINIONS",[245,250,255,261,268,273,280,286],{"heat":13,"score":73,"src":97,"lab":98,"body":246,"title":247,"analysis":248,"url":249},"Claude Code之父Boris Cherny用数千个AI智能体自动编程，通过循环任务实现每天提交数十个PR。","Claude Code之父的夜班AI军团，Fable 5两个命令搭好","本文揭示了Claude Code之父Boris Cherny如何利用AI智能体实现“不写一行代码”却每天提交上百个PR的高效工作流，并介绍了Fable 5模型通过\u002Fgoal和\u002Floop两个命令让普通人也能复现这套打法。\n· Boris Cherny通过“循环（Loop）”机制，让AI智能体自动执行定时任务，如修复CI、抓取用户反馈等，一个人管理数千个智能体同时工作。\n· 核心在于“目标驱动”机制：用\u002Fgoal命令设定完成标准，并由独立的小模型作为“监工”验证结果，确保产出质量，避免AI无限产出垃圾代码。\n· Fable 5模型专为长期自主干活设计，能自我校验、读懂密集图表，配合\u002Fgoal和\u002Floop命令，用户可将模型从聊天机器人升级为自主干活的员工。\n· Boris预测，未来工程师的角色将从操作执行者转变为自动化系统的设计者，重心从写代码转向搭系统、做验收。\n影响\u002F看点：这套“夜班AI军团”工作流展示了AI智能体从辅助工具向自主生产力的进化，普通人通过两个命令即可获得一个能持续交付成果的AI员工，极大提升开发效率。","https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FrWNBnX3W1_euakyNxWMueA",{"heat":13,"score":81,"src":216,"lab":37,"body":251,"title":252,"analysis":253,"url":254},"Google Cloud推出常驻记忆体代理，用连续LLM整合替代RAG与嵌入，无需向量数据库。","Google Cloud 常驻记忆体代理：用连续 LLM 整合替代 RAG 与嵌入","Google Cloud推出Always-On Memory Agent，通过持续运行的LLM进程管理记忆，无需向量数据库或嵌入，以低延迟低成本实现长期上下文保持。\n· 该代理作为轻量级后台进程24\u002F7运行，基于Google ADK和Gemini 3.1 Flash-Lite，不使用向量数据库或嵌入，而是由LLM读取、思考并将结构化记忆写入SQLite。\n· 架构上，编排器将请求路由至三个子代理：IngestAgent提取摘要、实体、主题和重要性评分；ConsolidateAgent每30分钟运行一次，发现记忆间联系并生成综合摘要；QueryAgent基于所有记忆和综合洞察回答问题，并引用记忆ID。\n· 模型选择针对低延迟和低成本，适合持续后台工作。\n影响\u002F看点：该方案挑战了RAG+嵌入的主流记忆管理范式，通过连续LLM整合实现更智能、更经济的记忆机制，为AI代理的长期上下文保持提供了新思路。","https:\u002F\u002Fwww.marktechpost.com\u002F2026\u002F07\u002F18\u002Fgoogle-clouds-always-on-memory-agent-replaces-rag-and-embeddings-with-continuous-llm-consolidation-on-gemini-3-1-flash-lite\u002F",{"heat":13,"score":66,"src":256,"lab":14,"body":257,"title":258,"analysis":259,"url":260},"X：Vista (@vista8)","开发者实测Kimi K3，一轮对话完成6个完整项目，能力直逼Claude Fable 5。","Kimi K3实测：国产模型直逼顶级水平，完成6个完整项目","开发者实测 Kimi K3，一轮对话完成 MVP，2-5 轮打磨上线 6 个完整项目，能力直逼顶级模型。\n· 实测涵盖前端、后端、AI 模型调用，K3 能解密 Grok Build 82 万行 Rust 代码中的 XOR 混淆 System Prompt。\n· K3 还修复了 iOS App 中的 5 个高危漏洞，展现了强大的代码理解和安全能力。\n· 作者认为 K3 能力直逼 Claude Fable 5，是国产模型的巨大飞跃。\n· 实测表明 K3 在复杂编程任务上表现出色，尤其适合全栈开发。\n影响\u002F看点：Kimi K3 的实测结果令人振奋，国产模型在编程领域已接近世界顶级水平。","https:\u002F\u002Fx.com\u002Fvista8\u002Fstatus\u002F2078334003007082916",{"heat":13,"score":262,"src":263,"lab":14,"body":264,"title":265,"analysis":266,"url":267},58,"X：小互 (@xiaohu)","Google发布Gemma-Trainer，允许用户在自己的电脑上微调专属的Gemma模型。","Google发布Gemma-Trainer技能，本地微调专属Gemma模型","Google 发布 Gemma-Trainer 技能，允许用户在本地电脑上微调专属的 Gemma 模型。\n· Gemma-Trainer 让 AI 辅助用户完成微调过程，降低了模型定制门槛。\n· 用户可以在自己的电脑上运行，无需云端资源，保护数据隐私。\n· 该技能适合需要个性化模型的企业或个人开发者。\n· 微调后的模型可针对特定任务优化，提升性能。\n影响\u002F看点：Gemma-Trainer 的发布使模型微调变得人人可用，可能推动 AI 应用的个性化浪潮。","https:\u002F\u002Fx.com\u002Fxiaohu\u002Fstatus\u002F2078330212807569711",{"heat":13,"score":262,"src":256,"lab":14,"body":269,"title":270,"analysis":271,"url":272},"乔帮主评测Kimi K3，基于6个真实场景，指出其强大但有限制，与Kimi Code匹配最佳。","乔帮主评测Kimi K3：强大但有限制，基于6个真实场景","乔帮主基于 6 个真实场景评测 Kimi K3，认为其强大但有限制，尤其在架构和后端场景仍有差距。\n· K3 因训练方式与 Kimi Code 匹配最佳，接入 Claude Code 效果可能折损。\n· 模型优化了长程高难任务，但面对简单模糊需求易过度发挥。\n· 在交互、界面、视觉等场景 K3 可作首选，但在架构、后端场景落后于 Claude Fable 5 和 GPT-5.6。\n· 评测基于真实项目，每个项目均可在线体验。\n影响\u002F看点：Kimi K3 在特定场景已具竞争力，但全面对标顶级模型仍需改进。","https:\u002F\u002Fx.com\u002Fvista8\u002Fstatus\u002F2078337668942094436",{"heat":13,"score":274,"src":275,"lab":14,"body":276,"title":277,"analysis":278,"url":279},57,"X：宝玉 (@dotey)","开发者用Claude Design生成高保真原型替代产品文档，AI实现代码还原度超九成。","Claude Design高保真原型可替代产品文档，AI实现代码还原度超九成","开发者用 Claude Design 生成高保真可交互原型，替代传统产品文档，AI 实现代码还原度超九成。\n· 原型包含模拟数据且修改便捷，比文档更直观。\n· 以视频水印功能为例，先让 Opus 4.8 出原型稿，打磨后由 AI 实现代码。\n· 最终代码还原度可达 9 成以上，大幅提升开发效率。\n· 这种方法可减少沟通成本，加速产品迭代。\n影响\u002F看点：高保真原型替代文档，结合 AI 代码生成，可能重塑产品开发流程。","https:\u002F\u002Fx.com\u002Fdotey\u002Fstatus\u002F2078388657979838830",{"heat":13,"score":281,"src":133,"lab":134,"body":282,"title":283,"analysis":284,"url":285},55,"Simon Willison构建交互式SQLite查询解释器，帮助理解查询计划。","SQLite查询解释器：交互式工具助你理解查询计划","SQLite查询解释器是一个交互式工具，帮助开发者理解SQLite的查询计划，由Simon Willison基于Julia Evans的启发构建。\n· 该工具在浏览器中通过Pyodide运行SQLite，支持EXPLAIN和EXPLAIN QUERY PLAN，并添加解释层。\n· 灵感来自Julia Evans“也许有一天我会学会读查询计划”的感慨，旨在降低SQLite查询优化的学习门槛。\n· 工具由Fable（AI）辅助构建，但作者提醒谨慎使用，因其自身对查询计划的理解有限。\n· 适合SQLite开发者快速验证和优化查询，尤其适合初学者。\n影响\u002F看点：这个工具将复杂的查询计划可视化、通俗化，有望成为SQLite学习和调试的实用助手，推动数据库知识普及。","https:\u002F\u002Fsimonwillison.net\u002F2026\u002FJul\u002F18\u002Fsqlite-query-explainer\u002F#atom-everything",{"heat":13,"score":287,"src":288,"lab":98,"body":289,"title":290,"analysis":291,"url":292},54,"AI寒武纪","月之暗面CEO杨植麟在GTC演讲中透露Kimi K3模型的技术突破，源于优化器、长上下文和智能体蜂群三大扩展。","Kimi K3 的成功藏在 4 个月前杨植麟的这场演讲当中","Kimi K3的成功可追溯至4个月前杨植麟在GTC大会的演讲，其中揭示了月之暗面在LLM扩展上的三大核心技术野心。\n· 团队开发了可替换Adam的开源优化器Muon Clip，提升token效率两倍，并首次将其扩展到万亿参数训练。\n· 推出线性注意力架构Kimi Linear，包括Kimi Delta Attention变体，旨在高效处理超长上下文。\n· 提出“智能体蜂群”训练范式，通过多智能体并行协作提升复杂任务处理能力。\n· 这三个维度（token效率、长上下文、智能体数量）共同支撑了K3模型的突破，使其在多项任务上表现优异。\n影响\u002F看点：杨植麟的技术路线图清晰展示了月之暗面在AI基础架构上的创新，K3的成功验证了其扩展方法论，或为下一代AI模型奠定基础。","https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002Fw0EtBT4WIdBT9uEGlkBB5Q","技巧与观点",[295,5,296,297,298,299,300,301,302,303,304,305,306,307,308,309,310,311,312,313,314,315,316,317,318,319,320],"2026-07-20","2026-07-18","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"]