KNOWLEDGE INDEX · 主题

商业

Business

66条关联资讯

也可检索融资 · 收购 · industry · industry

CHRONOLOGICAL RECORD

返回主题索引
2026

aibase资讯

布罗克曼承认Kimi K3"相当不错"，但称OpenAI仍握有"巨大优势"

一场关于中美大模型身位的公开对话， 第一 次由OpenAI的核心人物亲自接过了话头。 7 月 23 日，据彭博社报道，OpenAI总裁兼联合创始人格雷格·布罗克曼在采访中，对月之暗面上周发布的Kimi K3 给出了罕见的直白评价：这款模型确实相当不错，毫无疑问。 这句话的分量，在于它出自一家长期被视为美国AI标杆的公司的实权人物之口。过去外界习惯默认美国在基础模型上大幅领先中国，而Kimi K3 的发布正在撬动这一定见——月之暗面称其开放权重模型综合能力已超过除Anthropic Claude Fable5 和OpenAI GPT-5. 6 之外的所有对手，市场震动随之而来。 不过，布罗克曼在肯定的同时留了一道疑问。他表示，目前判断月之暗面是否通过"蒸馏"手段获取OpenAI模型的输出结果来训练Kimi K3，还为时过早，并强调OpenAI一直都在监测此类行为。这番表态，把开放权重模型与原生前沿模型之间的技术边界之争，又一次摆到了台面上。 更耐人寻味的是他对差距的量化判断。布罗克曼援引部分估算称，中国在AI模型开发方面可能只落后美国约 4 个月，其他专家甚至认为差距更小。当低价中国模型迅速普及、能力差距持续收窄，OpenAI与Anthropic这样依赖订阅与API收入的闭源厂商，其商业模式正面临更多不确定性——而这几家恰恰都在筹备上市、努力提高客户收入的关键节点上。 面对逼近的追赶者，布罗克曼的底气来自两点：较早投入的大量计算资源，以及多年累积的AI研究经验。他据此认为OpenAI对竞争对手仍保持巨大优势，并表示公司多年来一直在深入研究如何打造更高效的模型、让模型精准完成预定目标。 他还顺势澄清了一个常见误区：Kimi这类开放权重模型并非免费产品。他提醒，这些模型规模庞大、运行需要大量且不便宜的算力，真正的竞争不在于开源与否，而在于谁能打造出效率 最高 、智能水平 最强 、并在单项任务上提供 最佳 性价比的模型。当对手用更低的价格逼近能力水位，OpenAI要守住的，或许不再只是模型榜单上的身位，而是那个越来越难定义的性价比优势。

2026

新智元资讯

纠偏率98.15%！方向感觉醒，第一视角认路的国产AI开挂了

ASI启示录 2026-07-22 17:59 北京 星源智提出DA-Nav，一套面向城市级长程场景的方向感知视觉语言导航框架。 新智元报道 商业地图可以告诉机器人「前方右转」，却无法直接告诉它眼前应该从哪里转、沿哪一侧通过；即使已经生成路线，控制误差、地面变化和动态障碍，也可能让机器人在行进过程中逐渐偏离。 从系统角度看，这意味着「路径被规划出来」并不等价于「路径可以被执行」。 这正是长程导航从「规划正确路线」走向「真实闭环执行」时面临的核心问题。 针对这一问题， 星源智提出DA-Nav，一套面向城市级长程场景的方向感知视觉语言导航框架。 DA-Nav将商业导航指令、第一视角空间理解和偏航恢复统一到同一条决策链路中，使机器人不仅能够理解「往哪里走」，还能够判断「当前是否走偏」，并在偏差发生后主动回到正确路线。 这一设计的核心变化在于：导航系统开始具备「执行过程中的自我校正能力」。 DA-Nav架构图 突破指令与动作鸿沟 把「前方右转」落到眼前 对于人类来说，「前方右转」是一条足够清楚的指令。人可以结合路口结构、当前朝向和道路形态，自然判断下一步应该从哪里经过。 但这一认知过程，本质上依赖人类对三维空间的完整理解，而不是语言本身。 所以，对机器人而言，这类面向人类认知设计的方向指令仍然过于抽象，不能直接转化为局部轨迹。 DA-Nav没有让视觉语言模型直接预测连续三维坐标，而是将机器人第一视角中的道路空间划分为候选区域，让模型先在画面中判断接下来应该经过哪些位置，再由控制模块将这些空间落点转化为可执行轨迹。 这一机制的关键意义在于：语言指令第一次被稳定映射到「空间决策点」，而不是抽象语义。 DA-Nav空间落点机制简单来说，模型不再凭空「画出一条路」，而是在自己看到的场景中连续指出：下一步走这里，再走这里。 这一变化将视觉语言模型的「理解能力」转化为「空间执行能力」。 DA-Nav空间落点机制 在此基础上，DA-Nav进一步将导航决策组织为： 状态判断—动作选择—轨迹预测。 机器人首先判断当前是否偏离路线，再决定继续前进、转弯或进行方向修正，最后生成局部空间目标。 这一结构使导航从「直接响应指令」，转向「持续状态判断驱动」。 对NavBrain而言，这建立了从长程方向理解到局部行动执行之间更清晰、更稳定的决策链路。 结构化决策 让导航从直接预测走向先判断、再行动 长距离导航中，偏航不是偶发异常，而是持续执行中的常态。 换句话说，偏航不是错误，而是系统运行过程中的必然状态。 地面打滑、控制误差、动态障碍和视觉波动，都可能让机器人逐渐离开原定路线。但传统导航数据通常以专家正确轨迹为主，模型学习的是「理想情况下应该怎么走」，却很少真正经历偏航与恢复过程。 这类模型可以沿正确路线前进，却未必知道自己何时已经走偏，更不知道应该如何重新回到路线。 为此，DA-Nav构建了ReDA恢复感知导航数据集，通过受控扰动主动制造偏航状态，并记录相应的专家恢复行为。 模型由此不仅学习如何走对，也系统学习三个问题： 什么时候已经偏航、应该向哪一侧修正，以及如何重新回到正确路线。这使导航学习从「单一正确轨迹学习」，扩展为「包含错误状态的完整经验学习」。 真实路口基础动作对比 ReDA共包含约28.6万条时序样本，其中约12.8万条为恢复数据。大规模恢复样本让模型在训练阶段接触大量非理想状态，并建立偏航判断与纠正动作之间的稳定关联。 从实验结果看，这一设计补齐了长程导航中「错误经验缺失」的问题。 完整模型的纠正成功率高达98.15%；去除恢复数据后，这一指标骤降至15.46%，导航成功率也由59.00%下降至29.71%。这组差异意味着，纠偏并不是模型在执行过程中自然获得的附加能力。 只学习正确路线，机器人可能能够走一段；只有把错误状态和恢复过程明确纳入训练，机器人才能在偏航后真正找回方向。 DA-Nav因此补齐了长程导航中长期被忽视的一环：不只训练机器人怎样走对，也训练它走错后怎样回来。 98.15%纠正成功率 提升NavBrain长程闭环上限 在覆盖已见和未见城市场景的长程闭环评测中，DA-Nav取得59.00%的导航成功率、77.82%的路线完成率和98.15%的纠正成功率。 这一组结果的关键意义，并不在于整体成功率，而在于「纠偏能力接近稳定可靠」。 DA-Nav跨城泛化与压力测试 其中，98.15%的纠正成功率最能体现这项研究的价值。 如果把长程导航比作沿着一条细线行走，传统方法更擅长在没有干扰时沿线向前；DA-Nav则进一步具备在偏离细线后主动靠回来的能力。 这意味着系统不只是「能走对」，而是「能在走偏后恢复正确路径」。 对长程任务而言，每一次成功纠偏，阻止的都不只是一次局部错误，而是误差在后续过程中的持续累积。机器人不会因为一次偏移彻底离开路线，而能够在行进过程中不断判断、不断修正。 这种能力，也让DA-Nav具备更强的跨场景和跨本体迁移价值。 同一高层导航策略在没有使用真实世界数据进行微调的情况下，被部署到四足机器人和人形机器人，并完成超过1200米的真实环境导航验证。 这说明系统学习到的不是「某条路径」，而是一种可迁移的导航决策能力。 从单点决策到长程闭环 DA-Nav升级NavBrain导航能力 在NavBrain的能力链路中，DA-Nav承担的是长程方向理解、局部目标生成与主动纠偏。 它的作用不是替代规划模块，而是让规划结果能够在执行过程中持续成立。 它接收地图提供的全局方向，结合机器人第一视角判断下一步应该经过的位置，并在执行偏差发生后主动恢复。由此，NavBrain形成一条更加完整的闭环： 理解方向—生成目标

2026

新智元资讯

中国黑马甩出5个模型、17项全球第一！自进化体系杀进具身智能核心圈

ASI启示录 2026-07-22 17:59 北京 新智元报道 过去一年，具身智能赛道正经历着前所未有的「冰火两重天」。 一方面，一级市场热钱持续涌入，单笔融资金额屡创新高。 但另一方面，也有企业陆续启动 IPO 进程、寻求二级市场融资。 而放眼全球，具身智能行业的头部玩家们，早已敏锐捕捉到风向的转变。 特斯拉、Figure这些公司在做什么？他们几乎不约而同地把竞争推向了另一个层面——Physical AI。 特斯拉直接将自动驾驶FSD的底层架构复用至Optimus机器人，试图通过「端到端」神经网络，实现从视觉输入到动作控制的映射，如今已经在工厂执行电池分拣。 Figure AI则通过深度绑定OpenAI，将顶尖VLM注入钢铁躯壳，让Figure 01/02机器人具备自主推理、语义理解能力，进驻宝马的汽车生产线。 他们的Helix VLA模型，走的是快慢脑双系统架构，目标不是卖机器人，是卖劳动力。 这些企业路径不同，但都指向同一个判断：机器人未来的核心，是AI能不能通过这副身体理解现实世界、适应现实世界，并最终改变现实世界。 这种现象的逻辑，其实都藏在资本的周期里。大多数私募基金的投资年限是「3+2」模式（三年投资，两年退出），如今已经到了GPLP们迫切需要变现的节点。 资本的倒逼，让行业面临一个现实的分水岭：过去那个靠电机扭矩有多大、后空翻有多稳来证明「机器能动」的故事，已经讲到头了。 企业必须讲出下一个更宏大也更切实的故事——「机器能干活」。 如果只是在一个无干扰台面上，按部就班地执行机械化工作，根本用不着大模型。 具身智能真正的未来，是走向AGI，是在开放、未知、充满长尾变数的真实世界中执行高度泛化的任务。 而开启这个时代的钥匙——是具备系统提升机器人工作能力的技术体系。 为什么走向AGI 必须是「体系化跃迁」？ 什么是真正的体系？ 近期行业内有一次动作极具代表性。 高德正式宣布其全栈具身技术体系ABot 完成升级，一次性发布了五款新模型（N1、M0.5、ER、AgentOS、C0），并在17项权威基准中拿下SOTA。 它提供了一个极佳的产业切片，向外界展示了全球首个全栈具身技术体系是如何将世界模型、基座模型与具身Agent架构耦合为一个「有机生命体」，并实现落地的。 ABot最早发布于今年4月，彼时高德自研的机器导盲犬高德途途首次登上机器人半马的舞台，并展示了其出色的开放环境全自主导航能力。 途途背后的技术支撑就是高德ABot全栈具身技术体系。相比于单个模型能力研究，高德从一开始就搭建了一个为机器人实现高阶智能的底层平台。 其中的每一款模型都有其对应的功能和角色。这是一个具备完整分工且能「自己长本事」的闭环飞轮。 在开放环境中，任意一个通用任务，都需要机器人同时调配多个能力进行编排和协同，最后落地执行。 以最常见的家庭场景为例，RoboCasa-365等权威基准需要将日常任务拆解为数百个涉及语义理解、长程规划和位移操作的任务，然后进行对应的能力评估。本质是因为，想在家庭场景完成作业，单一的手或者脚足够灵活，还远不足以支撑。 用户需要的是完整的智能，而非只具备手臂或者下肢局部能力的「瘸腿」智能。 而ABot这类架构，正是针对这个痛点而打造。 三层架构，一个飞轮 高德ABot体系的核心，是一个精密咬合、可自进化的三层结构。 最上层是「具身大脑」，由通用具身大脑ER和机器人Agent操作系统AgentOS构成，负责环境感知、任务推理、高层决策调度与记忆沉淀。 中间层是「运动双核」，由N1和M0.5组成，分工管「脚怎么走」和「手怎么干」。 最底层是「训练与仿真环境」，以世界模型ABot-World和3D世界模型ABot-Earth持续提供仿真和训练。 这三层架构决定了ABot的每一次迭代，都不是孤立地点亮某个新技能，而是像生物进化一样，随着任务和部署的增多进行整体演进。 这样的进化能力更类似于人类成长的节奏，在一个人中学阶段学习的是一元二次方程，大学阶段掌握的则是微积分。每一步的成长，都是完整且高度统一的。 而在这套架构之外，高德途途和它自带的ABot-C0则扮演端到端能力验证的外化本体。让ABot每一个能力的提升都能在本体上有完整呈现。 为什么一定要做这么完整的架构？ 因为只有体系跑起来，仿真训练、物理交互与记忆调度才能彼此反哺。 在单点研究的机构里，研究大脑的和死磕灵巧手的彼此割裂。 但在完整的体系内，手和脚的能力，能够被一体调用；它们沉淀的知识和经验，会反向转化为记忆回馈给大脑，大脑再将记忆用于模型的专项训练，从而训练更好的模型和更聪明大脑。 飞轮每转一圈，整体智能水平就抬高一层。 手和脚的能力提升是同步的——脚走得好，手也不会差。整个系统是一个内循环，逐步向AGI靠近。 从高德此次全新发布的五款模型背后，我们能够完整看到这套体系究竟是如何应用于机器人，并实现它们质变升级的。 这五款模型类似于高德为机器人打造的「数字灵魂」，它们完整地映射在机器人的五大仿生单元。 双脚（ABot-N1）：通用导航基座模型，负责空间感知与移动。 双手（ABot-M0.5）：通用操作基座模型，负责精细化物理交互。 大脑（ABot-ER）：具身大脑，负责统一的逻辑推理与环境认知。 中枢（ABot-AgentOS）：执行中枢，负责记忆调度与任务下发。 运动神经（ABot-C0）：运控系统，将ABot体系的决策稳稳传导至机器人的躯体动作上。 体系化带来的三大「表征」 当这五大「数

2026

aibase资讯

​三星计划投资 Mistral AI，力求打破美国科技巨头的垄断

三星电子正在与法国 AI 初创企业 Mistral 洽谈一项数亿欧元投资。这笔资金将有助于 Mistral 在市场上建立竞争力，发展能够与美国科技巨头相抗衡的主流人工智能解决方案。知情人士透露，这轮融资完成后，Mistral 的估值预计将达到约 200 亿欧元。 三星的投资规模预计为 10 亿欧元，此前该公司已经通过其风险投资部门向 Mistral 进行了投资。此次谈判反映了当前行业面临的重大趋势，即对计算能力的需求急剧增加，而相应的计算资源却持续短缺。因此，越来越多的 AI 研发企业寻求与半导体供应商建立合作关系，以满足市场需求。 在此背景下，Mistral 正好利用了机会，吸引了来自各方的资金支持。特别是在美国政府禁止外国实体获得 Anthropic 最新 AI 模型的情况下，欧洲和亚洲的企业及政府更加希望减少对美国 AI 技术的依赖。Mistral 专注于开源 AI 模型，允许客户对模型进行定制，避免了被企业或政府远程关闭的风险。 Mistral 的融资计划还包括瑞典机构 EQT 旗下的 Scaleup Europe Fund，该基金获得了欧盟委员会的支持，并致力于扶持有潜力的欧洲企业。Mistral 与三星的合作将在当前 AI 行业面临芯片紧缺的环境中进行。近期，美国内存制造商美光与 Anthropic 达成了合作，而 Mistral 也在与早期投资者微软扩大合作关系，微软承诺投入 “数十亿美元”，以采购 Mistral 的算力基础设施服务。

2026

aibase资讯

三星拟掷 10 亿欧元押注Mistral：欧洲AI独立的底气，正被资本重新定价

一笔可能改写欧洲AI版图的注资，正在谈判桌上悄然成形。 7 月 22 日，据英国《金融时报》早些时候报道，三星正考虑进一步追加投资法国人工智能初创企业Mistral AI。这不是三星 第一 次向这家公司下注——其风险投资部门此前已经给予Mistral AI资金支持，这一轮若落地，将是双方关系的又一次纵深绑定。 消息人士给出的数字相当具体。Mistral AI仍计划以 200 亿欧元的估值开启D轮融资，而三星可能会在本轮投入 10 亿欧元，按当下汇率约合77. 28 亿元人民币。对一家成立仅数年的欧洲初创公司而言，单笔十亿欧元的意向，本身就是市场对其身价的一次重量级背书。 这笔交易的重量，远不止于账面的金额。在美国政府近期一连串监管措施落地之后，作为代表性的非中美开源人工智能企业，Mistral AI对于欧洲乃至更广泛地区的人工智能独立性，重要性被进一步凸显出来。当全球AI能力日益被少数中美巨头收拢，一家根植欧洲、坚持开放权重路线的公司，成了许多地区守住技术主权的关键支点，资本对它下注，买的其实是一张区域自主的保单。 除了三星，这轮融资的棋局里还坐着另一位玩家。据称，瑞典投资机构EQT旗下的Scaleup Europe基金也在洽谈参与Mistral AI的D轮融资。多方资本的围拢，意味着这家法国公司的独立叙事，正在被越来越多人用真金白银重新定价。

2026

量子位资讯

量子位编辑作者招聘

关注前沿科技 2026-07-22 13:00 北京 3个岗位（含实习），不设边界 编辑部 发自 凹非寺 量子位 | 公众号 QbitAI AI热潮还在汹涌，但如果你还不知道如何参与……那为什么不来 量子位 呢？ 我们是一家以 追踪AI新进展 为核心的内容平台，经过8年积累，目前拥有顶流影响力，广泛且备受认可的产业资源，以及时代风口的最佳观测和学习生态位。 目前，我们有 三大方向 岗位招聘，希望你是 （或者能成为） 这三个方向的内容专家： AI产业方向：关注基建层创新，包含芯片、AI Infra、云计算； AI财经方向：关注AI领域创投和财报，跟踪产业链资本动向； AI产品方向：关注AI在应用和硬件终端方向的进展。 岗位均为全职，工作地点：北京中关村。 岗位面向： 社招：覆盖编辑、主笔、主编各个层级，按能力匹配岗位； 校招：应届毕业生，接受实习且可转正。 加入我们，你可以获得： 站在AI浪潮之巅：第一时间接触和了解AI领域最新技术和产品，构建完整的AI认知体系。 玩转AI新工具：将各种AI新技术、新工具应用于工作，提升工作效率和创造力。 打造个人影响力：通过撰写独家原创内容，建立个人知名度，成为AI领域的意见领袖。 拓展行业人脉：与AI领域大咖零距离接触，参与重要科技活动和发布会，拓展行业视野。 获得专业指导：应届新人会由主编级编辑出任mentor，提供一对一指导，帮你更快进步获得成长。 加入活力团队：与一群志同道合的年轻人一起工作，享受扁平、简单、开放、多劳多得能者上位的团队氛围。 获得丰厚回报：行业TOP薪资待遇，五险一金、餐补、项目绩效、商务绩效、加班补助等福利一应俱全。 以下是岗位详情： 所有岗位不同能力层级职位均在开放，欢迎结合个人履历和经验申请。 主编：具备选题和带队能力及经验； 主笔：具备原创深度稿件能力； 编辑：热爱表达，喜欢挖掘信息，能够用大白话让所有人看懂AI新进展。 AI产业方向 岗位职责： 跟进AI基建层新进展，包括但不限于芯片、AI Infra、云计算领域新进展，核心玩家动态； 做前沿论文、开源社区、技术大会 （Hot Chips、NeurIPS、MLSys） 技术报告大众化解读； 参与核心采访，对话产业专家、技术大牛、撰写AI云落地案例。 任职要求： 对芯片、GPU、NPU、服务器、模型训练架构、云计算等有基本理解； 熟悉AI行业的供应链与生态 （训练–推理、算力–成本、云–芯片关系）； 能把复杂技术内容结构化表达； 有技术背景、理工或CS/EE方向优先。 AI财经商业方向 岗位职责： 聚焦 创投、AI创业公司、上市公司、商业模式、产业链 资本动向； 产出创投融资、招股书财报解析、公司战略分析等稿件； 访谈对话投资人、创业者、产业分析人士。 任职要求： 对数据敏感，对财报、股权结构、战略规划感兴趣； 逻辑结构强，对商业叙事敏感； 热爱对话采访，社交型人格。 AI产品方向 岗位职责： 关注AI在终端的落地：包括软件应用产品、硬件方向落地； 撰写AI应用产品深度评测、跟踪多终端新品发布 （手机、PC、XR、车机等）； 对话访谈AI应用创业者、产品专家、终端技术专家。 任职要求： 对智能硬件、AI终端趋势敏锐，重度AI产品体验人士； 熟悉各大终端厂商业态、体验方法论； 有强逻辑、体验表达和结构化能力。 应聘方式 1、请将个人简历发送至zhaopin@qbitai.com，邮件主题请注明“ 量子位XX方向应聘 - [你的姓名] ”； 2、随简历附上你的科技行业代表作品，或者能展现个人写作水平和风格的作品。 关于量子位： 截至2025年，通过及时追踪AI及前沿科技进展，量子位在微信公众号已经有超260万订阅用户，全网用户超700万，日均阅读量200万+。 在新榜和清博等第三方数据平台，量子位已是AI以及前沿科技行业TOP1新媒体。 一键三连 「点赞」「转发」「小心心」 欢迎在评论区留下你的想法！ — 完 — 🌟 点亮星标 🌟 科技前沿进展每日见 跳转微信打开

2026

量子位资讯

美图拿出1亿元，面向全行业寻找AI影像Builder

关注前沿科技 2026-07-22 13:00 北京 美图产品挑战赛（Meitu Hatch Catch）火热报名中 允中 发自 凹非寺 量子位 | 公众号 QbitAI 模型还在迭代，但AI创业者面对的问题已经变了。 如今，调用成熟模型、完成产品原型的门槛持续下降，几个人甚至一个人，就可以在很短时间内做出可以运行的AI应用。 尤其是在影像领域，AI正不断催生新的产品形态和应用场景，创新越来越多地来自不同团队、不同开发者，而不局限于少数平台公司。 近期， 美图 发起 美图 产品挑战赛（Meitu Hatch Catch），拿出 1亿元，面向全球寻找已经上线并拥有种子用户的 AI原生影像应用，希望与更多Builder共同探索AI影像的下一种可能。 与常见的Hackatho n （黑客松） 不同，美图产品挑战赛 （Meitu Hatch Catch） 所寻找的是： 已经走到用户面前，正在经历产品验证和增长关键阶段的团队。 这场面向全行业的挑战赛，此前已在内部进行过一次尝试。 今年初，美图曾面向内部员工发起产品挑战赛，共有207支团队参与，最终交付136个可以实际运行的AI产品Demo，其中43支是“一人团队”。 更值得注意的是，近七成项目负责人并不是产品经理，而是设计师、运营、工程师、数据分析师等不同岗位的员工。 这组数据说明，AI正在降低产品创新的门槛，也让越来越多人拥有把需求变成产品的能力。 美图产 品挑战赛 （Meitu Hatch Catch） 也提供了一个有意思的观察窗口： 当AI影像竞争从模型能力走向产品能力时，行业正在发生哪些变化？ △ 图片为AI生成 好产品，长在真实需求里 生成式AI兴起之初，行业竞争的焦点集中在模型能力上。 但随着基础模型能力持续提升，大模型正在变得越来越像水和电，它依然重要，却不再是每个团队都必须从头建设的能力。 △ 图片为AI生成 新的竞争由此产生：当不同产品可以使用相近的模型，用户为什么选择这一款？ 答案在 产品对用户需求的理解中。 Cursor的价值并不只是把大模型接入代码编辑器，而是重新设计了程序员使用AI写代码的流程； Lovable降低了普通用户制作应用的门槛，其竞争力同样来自对产品流程和交互方式的重新组织。 用户最终购买的不是模型，而是一个可以被完成的任务、一段被缩短的时间，或者一个过去难以获得的结果。 模型能力决定产品的上限，产品能力则决定用户是否愿意使用。 因此，今天受到关注的AI产品，往往具有一个共同特点： 创始团队不仅理解技术，也长期生活在目标用户的场景里。 比起一个天马行空的创意，越来越多人开始相信：真正优秀的产品，更像是从真实生活里长出来的。 从目前美图产品挑战赛（Meitu Hatch Catch）报名项目中，已经可以看到一些具体样本。 有经历过AI应用增长困境的创业者，开始为其他AI团队打造增长产品； 有长期研究人机协同音乐创作的学者，做出视频原生AI音乐工具； 也有长期使用影像工具的创作者，从自己的修图和内容生产需求出发，开发面向自媒体创作者与影像爱好者的一站式AI影像工具。 这些项目方向不同，起点却十分相似：创造者自己就是场景中的一员，也是产品最早的用户。 他们不是先决定做一款AI产品，再寻找一个可以成立的需求，而是把长期经历、反复观察的问题变成了产品。 这种能力常被称为Founder-Market Fit，即 创业团队与目标市场之间的匹配度。 它所回答的是： 为什么是你来做这件事？ 答案未必是团队拥有最先进的模型，而可能是他们比其他人更了解一个行业的工作方式，知道用户在哪里浪费时间，哪些看似微小的问题每天都在发生，也知道什么样的结果才真正可用。 当模型能力趋于普及，这种来自行业和用户的长期理解，反而更难被复制。 而影像，恰恰是这一变化最早、也最明显发生的行业之一。 从Demo到产品，如何跨越？ 过去，一张图片或一段视频需要经过拍摄、修图、设计、剪辑等多个环节，对应不同的软件和专业技能。 AI出现后，这条生产链路开始被重新改写。 随之改变的，还有影像产品的竞争逻辑。产品竞争由“提供一个工具”，逐渐走向“帮助用户完成一项工作”。 影像行业同样迎来了自己的机会。Adobe在创意行业相关研究中指出，随着社交媒体、电商营销、品牌传播等场景增长，企业和个人对于视觉内容生产的需求持续增加，创作者正在寻找更高效、更智能的内容生产方式。 但从一个令人惊艳的Demo，到一款用户长期使用的产品，中间仍然存在明显距离。 产品上线、获得第一批种子用户之后，才会真正面对一系列选择： 哪些功能值得继续投入，哪些需求只是少数用户的声音，如何提高留存和付费，怎样控制模型成本，以及如何进入更大的市场。 AI降低了产品从0到1的门槛，却没有自动解决产品从1到10、再从10到100的问题。 不少团队缺少的不是做出Demo的能力，而是帮助产品穿过验证期和增长期的资源、经验与反馈。 也正因为如此，行业开始越来越关注另一类人—— B ui lder。 Builder强调的不是身份，而是持续把一个想法打磨成产品的人。 他们可能来自技术、设计、摄影等不同背景，但共同点都是 长期理解一个真实问题，并持续解决它。越来越多AI产品，其实都是这样诞生的。 与很多AI比赛不同，美图产品挑战赛（Meitu Hatch Catch）更像一次寻找产品的计划。它寻找的，不是停留在PPT里的想法，不是几天时间完成的Hackathon Demo。 美图真正希望看到的是那些 已经开始成长的AI原生影像产品，它们可能已经拥有第一批用户，可能已经完成第一轮产品验证，也可能已经开始产生收入，只是还需要更多时间成长。 报名要求也非常明确： 产品已经上线，拥有种子用户，面向全球，属于AI原生应用，同时与影像相关。 无论是影像创作、编辑、生成、分发、管理，还是商业化工具，只要能够真正创造价值，都可以参赛。 更重要的是，美图还提到了一个特别有意思的维度——团队的“第二属性”： 为什么偏偏是你来做这件事？ 你是不是长期生活在这个行业？ 是不是本来就是这个产品的用户？ 是不是比别人更理解这里面的工作流、审美和真实需求？ 事实上，很多时候，一个产品真正的护城河并不是模型，而是创始团队长期积累下来的行业理解。这也恰恰呼应了Founder-Market Fit的逻辑。 美图想找到的，正是那些已经在自己生活里把产品“长出来”的Builder。 帮助Builder们跨过容易跌倒的那几步 找到Builder只是第一步，更重要的是如何帮助Builder跨过容易跌倒的那几步。 很多人最先注意到的，可能是美图产品挑战赛（Meitu Hatch Catch）开放的 1亿元孵化资金，以及 单个项目最高500万元 的投资机会。 但资金之外，更值得关注的是 12周的孵化过程。 入围项目将获得创业实战工作坊、产品共创交流、用户调研与内测、冷启动资源以及技术支持。 美图也将结合自身经验，为项目提供商业化和全球化方向的交流与协助。 这些支持指向的是AI创业中最难标准化的一段过程：产品已经上线，也有了第一批用户，但尚未形成稳定增长。 在这个阶段，团队需要回答的往往不是“还能增加什么功能”，而是“什么才是产品真正成立的理由”。 截至2026年3月，美图全球付费订阅用户已经 超过1790万，AI生产力应用ARR持续增长，多款产品在全球市场获得用户欢迎。 从移动互联网时代的修图工具，到AI时代的影像生产力平台，美图积累了大量产品实践。 如何根据用户反馈迭代产品、如何分配有限资源、如何验证商业模式、如何实现全球化增长，正是美图作为成熟平台能够提供经验的地方。 AI影像产品真正的竞争，或许才刚刚开始。 对于已经迈出第一步的Builder而言，比做出一个Demo更重要的，是把产品真正做下去。 而美图产品挑战赛（Meitu Hatch Catch），希望成为这段旅程中的一个起点。 目前，美图产品挑战赛（Meitu Hatch Catch）仍在火热报名中，截止时间为 8月16日。 欢迎访问↓官网加入这场探索，或点击文末 “阅读原文” 了解更多详情。 报名地址：

2026

aibase资讯

OpenAI 正式在 ChatGPT 中推出广告服务，Best Buy 等已率先试水

OpenAI 近日在 ChatGPT 中正式上线广告服务，标志着这家 AI 公司正式开启商业化变现的新阶段。广告主现在可以通过专门的广告管理工具，在 ChatGPT 的对话场景中投放广告。 与传统搜索引擎的关键词广告不同，ChatGPT 中的广告定位逻辑基于更丰富的上下文信号。用户在对话中会分享更多背景信息，使广告可以围绕"探索选项、比较选择、做出决策"的完整意图链路进行呈现，而非单纯匹配搜索词。 投放流程分为三步:创建广告系列并设置预算和目标;批量上传或直接在工具中创建广告详情;发布后衡量结果并持续优化。目前 Best Buy、Lowe's、VistaPrint 等品牌已作为早期广告主参与测试。Best Buy 媒体副总裁 Amy Adams 表示，消费者越来越多地转向 ChatGPT 进行研究和决策，"在这些时刻出现至关重要"，对早期结果感到鼓舞。 OpenAI 强调其对广告投放采取了审慎态度，设计了多项信任机制:广告在体验中被明确标识，与 ChatGPT 的回复保持区分，用户可控制其数据在广告中的使用方式。公司表示，重点是构建一种对广告主有用、同时又能维护用户对 ChatGPT 信任的体验。 这一举措意味着 OpenAI 正在将 ChatGPT 从纯对话工具向"对话即商业"的平台演进，AI 原生广告形态——围绕对话、上下文和实时决策构建——可能成为数字广告的新变量。

2026

aibase资讯

目标过于激进？分析师指OpenAI百亿广告收入愿景恐难实现

为了给庞大的运营成本开辟新资金源，OpenAI近期开始在聊天机器人中测试广告，并设定了今年2. 5 亿美元、 2030 年 100 亿美元的广告收入目标。然而 权威 分析机构Emarketer发布的 最新 研究指出，受限于市场实际承载力，这一激进预测恐怕很难如期达成。 研究显示，到 2030 年整个独立聊天机器人广告市场的规模预计仅有 54 亿美元，这意味着OpenAI届时的广告收入可能出现高达90%的巨大落差。尽管行业风向已彻底逆转，CEO萨姆·奥特曼也曾将广告称为“最后手段”，但市场现实依然给AI巨头的商业化前景浇了一盆冷水。 广告市场潜力有限，算力成本高企带来严峻考验 分析认为，更广泛的AI搜索广告市场虽然前景广阔，但绝大部分资金仍会保留在独立对话之外，很难直接转化为聊天机器人的收入。除非广告商彻底摒弃传统搜索引擎并转向机器人体验，且OpenAI能在激烈的市场竞争中全面胜出，否则百亿目标极难落地。 与此同时，OpenAI计划在 2030 年之前进行高达 6000 亿美元的算力支出，巨大的资金缺口使其迫切需要找到可行的“印钞机”模式。尽管孙正义等投资狂热者依然愿意进行巨额押注，但在经济模式真正跑通之前，如何平衡巨额支出与广告实际收益将成为 最大 挑战。

2026

twitter-meng shao资讯

Claude Code 团队将系统提示词削减 80%，删除少量示例和禁令让模型表现更灵活高效

在 AI 工程师活动现场，产品负责人 Cat Wu 与工程师 Thariq Shihipar 分享了提示词新做法：去掉 few-shot 示例反而激发模型创造力，少用“不要做 X”的硬约束，并逐条检验提示词是否有例外场景，这套方法适用于 Opus 4.8 及以上前沿模型，小模型仍需详细指引。

2026

twitter-meng shao资讯

Claude Code 团队将系统提示词削减 80%，删除少量示例和禁令让模型表现更灵活高效

在 AI 工程师活动现场，产品负责人 Cat Wu 与工程师 Thariq Shihipar 分享了提示词新做法：去掉 few-shot 示例反而激发模型创造力，少用“不要做 X”的硬约束，并逐条检验提示词是否有例外场景，这套方法适用于 Opus 4.8 及以上前沿模型，小模型仍需详细指引。

2026

aibase资讯

消息称智元机器人据悉冲刺IPO，目标估值200亿美元

据悉，具身智能企业智元机器人正以约200亿美元估值推进IPO计划，并已引入中信证券担任辅导券商。公司预计2026年全年实现收入40亿元。目前，针对估值及上市计划， 在2026世界人工智能大会（WAIC）期间，智元围绕“三智一体”产品技术架构集中发布五款机器人新品，包括远征A3Ultra、精灵G2Max、灵犀X2EDU版本、临界点OmniHand3Ultra-M以及酷拓世界首个骑行机器人。同时，公司还展示了具身智能基座模型、真实场景部署案例等生态成果。 近年来，随着人工智能、大模型和机器人技术融合加速，具身智能成为AI产业新的竞争方向。企业正从单一硬件研发转向“模型+机器人本体+应用生态”的综合布局，商业化落地能力成为行业关注重点。 智元此次推进资本市场计划，并持续扩充机器人产品矩阵，显示其正在加快规模化商业应用布局。若IPO顺利推进，也将进一步推动国内具身智能企业融资和产业化进程。

2026

aibase资讯

美国大模型抄了DeepSeek作业：性能没赢、价格更贵，却精准卡住了美国企业的合规刚需

OpenAI前首席技术官穆拉蒂离开老东家后交出的 第一 份答卷，意外地把中美大模型的角色关系颠倒了过来。 7 月 15 日，她创办的Thinking Machines Lab发布 首款 模型Inkling，混合专家架构主要沿用DeepSeek-V3，后训练冷启动还借了月之暗面Kimi K2. 5 等开放模型生成的合成数据。结果颇显微妙：在多项基准评测里，Inkling落后于Kimi和GLM，调用价格反而更高。一家融资 20 亿美元、估值 120 亿美元的明星公司，首秀多少低于预期，但穆拉蒂可能从一开始就没打算靠它争夺 第一。 单看硬件配置，Inkling确实撑得起明星实验室的排面。它采用混合专家架构，总参数量 9750 亿，每处理一个Token激活 410 亿参数；预训练用了 45 万亿Token，数据涵盖文本、图像、音频与视频，最长支持 100 万Token上下文；能理解文字、图片和音频，以文字形式输出，还支持通过调节思考强度在性能、速度与成本之间取舍。模型同时开放权重，采用相当宽松的Apache 2. 0 许可证，开发者既能下载权重自行部署，也能通过Thinking Machines旗下的Tinker平台微调。公司的定位很明确：与其直接和ChatGPT争夺普通用户，Inkling更适合充当企业开发AI应用的底座。 真正引人注意的，藏在技术报告的后半段。Thinking Machines在介绍架构时直接写道，Inkling的混合专家设计主要沿用了DeepSeek-V3，同样设置了大量专家模块、每个Token只调用其中一小部分，并采用了DeepSeek-V3 的无辅助损失负载均衡设计。中国模型的影响还延伸到了训练阶段：为了启动后训练，公司先用开放权重模型生成的合成数据做了一轮监督微调，其中明确提到了Kimi K2.5。 一条完整的路线浮出水面——一家由OpenAI前CTO创办的美国实验室， 首款 模型沿用DeepSeek架构，又借助Kimi的数据完成后训练起步。借鉴开放模型本身无可厚非，DeepSeek和Kimi公开权重、允许使用，本就是建立在公开成果之上，更尴尬的是Inkling吸收了中国模型的技术之后，性能依旧没压过这些老师。Thinking Machines也坦然承认：Inkling并非目前表现 最强 的模型，无论开放模型还是闭源模型。 把数字摆出来就更清楚了。在人类最后的考试纯文本评测中，Inkling得29.7%，Kimi K2. 6 和GLM 5. 2 分别达到35.9%与40.1%；加上工具后Inkling升至46%，仍低于Kimi K2. 6 的54%和GLM 5. 2 的54.7%；考察真实软件工程能力的SWE-Bench Pro里，Inkling为54.3%，Kimi K2. 6 是58.6%，GLM 5. 2 达到62.1%；差距在Terminal Bench 2. 1 上最刺眼，Inkling仅63.8%，Kimi K2. 6 和GLM 5. 2 分别有71.3%和82.7%。 当然Inkling也有长项，在网页应用设计、音频理解和安全性评测中表现不错，部分数学任务还能超过Kimi和DeepSeek，但综合推理、编程与智能体能力，它暂时挤不进开放模型的 第一 梯队。价格同样没给惊喜：Tinker平台上64K版本每 100 万Prefill Token收费1. 87 美元、每 100 万Sample Token收费4. 68 美元，且这已是限时五折价，256K版本更分别涨到3. 74 和9. 36 美元；对比Kimi K2. 6 官方API输入0.95、输出 4 美元，GLM 5. 2 为1. 4 和4. 4 美元，Inkling的预填充价格接近Kimi K2. 6 的两倍，生成价格也更高，暂时看不出价格优势。于是局面变得有点微妙：架构参考DeepSeek，后训练借力Kimi，综合性能没超过中国头部开放模型，调用价格反而更贵。 之所以耐人寻味，在于Thinking Machines的特殊身世。这家公司几乎是OpenAI校友会—— 2025 年 2 月亮相时团队约 30 人，三分之二来自OpenAI，其余主要来自Meta和Mistral，创始阵容一度包括John Schulman、Barret Zoph、Lilian Weng、Andrew Tulloch和Luke Metz，路透社称穆拉蒂从前东家挖走了至少 20 名研究人员。 穆拉蒂本人 2018 年加入OpenAI，参与过DALL-E、Codex、ChatGPT和Sora， 2022 年升任CTO， 2023 年 11 月董事会罢免Altman后还短暂出任临时CEO，对OpenAI的模型研发与产品化路径有着完整认知。这样一群最懂OpenAI的人离开后，从零搭建技术体系，外界本期待一条带着OpenAI印记的路线，结果最明确的技术来源却指向中国模型，这很容易被解读成一个戏剧性信号：最了解OpenAI的一群人，最终选了中国模型的技术蓝图。 但这个结论需要拆开看。OpenAI近年前沿模型全部闭源，外界拿不到权重，也不了解完整架构与训练方案，穆拉蒂即便熟悉内部技术，也不能把前东家的商业机密搬进新公司；DeepSeek和Kimi则公开了权重或技术报告，架构、训练方法和工具链都可以合法研究复用。 Inkling本身也是开放权重模型，对想建设开放生态的公司来说，从DeepSeek、Kimi等开放模型吸收成熟方案，是顺理成章的工程选择。今天开发一款开放模型却完全避开中国团队已公开的成果，反而要付出更高试错成本。因此借鉴中国模型并不能证明穆拉蒂认为DeepSeek全面领先OpenAI，双方公开程度不同、可借鉴条件也完全不同，但它释放了一个清晰信号：至少在开放权重领域，中国模型已经成了美国AI团队的重要参考系。 真正要回答的，是为什么Thinking Machines吸收了现成架构和训练经验，做出的Inkling却性能更弱、价格更高。穆拉蒂拥有 顶尖 团队、充足资金和英伟达 最新 训练系统，没有理由看不到这些差距，所以贵替很可能是一个经过计算的选择。 按Thinking Machines拿到的待遇，Inkling本不该只是一款够用的模型。 2025 年 7 月公司尚未推出任何产品，就完成 20 亿美元种子轮、估值 120 亿美元，投资方包括a16z、英伟达、AMD和简街；四个月后新一轮谈判目标估值一度高达 500 亿美元，虽未官宣，外界已把它视作OpenAI和Anthropic的潜在对手。当它以性能不如中国模型、价格还更贵的产品亮相，难免低于预期，但从商业角度看，穆拉蒂可能从一开始就没打算用它争基准 第一。 公司强调的是开放权重、多模态与可定制性，希望企业经Tinker微调，把Inkling改造成客服、编程助手、行业智能体等专用模型。穆拉蒂押注的市场，对基准 第一 并不执着，企业更在意模型能否私有部署、能否掌握数据、能否按自己的业务继续训练。此前这类需求很大一部分被中国开放模型接住了：OpenAI和Anthropic长期闭源，Meta的Llama4 不及预期后也逐渐收缩开放路线，而DeepSeek、Kimi、Qwen和GLM持续开放权重，性能越来越接近美国闭源模型、价格却低得多。 美国企业很快用脚投票——OpenRouter向CNBC提供的数据显示， 2026 年 2 月以来，中国模型在美国企业经该平台调用的Token中每周占比都超过30%， 最高 一度达46%，而 2025 年上半年的平均占比还只有4.5%；Cursor开发Composer2 时测试多款基础模型，最终选了评测 最强 的Kimi K2.5，桥水基金则通过Tinker微调阿里的Qwen，以更低成本超过了部分 顶级 闭源模型。中国开放模型由此成了美国企业降成本的捷径，但这条路正在承压。 与此同时，美国对中国AI模型的监管氛围在收紧。相关部门已围绕数据安全、模型来源和供应链风险发出警告，部分使用中国模型的企业受到调查。即便尚未形成统一限制，政策不确定性已足以影响企业选择，尤其是涉及政府业务和敏感数据的公司。 这正是Inkling的市场空间：它是一款美国公司开发、采用Apache 2.0、支持私有部署和定制的开放权重模型，美国企业选它，不必担心使用中国模型引发的政治争议，也更容易通过政府客户和大型公司的合规审查。Inkling真正的价值，来自这种合规确定性——穆拉蒂把DeepSeek和Kimi的公开成果，转化成一款由美国公司提供的模型，它不需要在基准里击败中国模型，只需成为那些不敢继续用中国模型的美国企业可以接受的选择，这也解释了它为何敢定更高的价：政策替它缩小了竞争范围，性能与价格的差距便没那么致命，对一些美国企业来说，一款稍弱、稍贵但风险低的模型，已经足够。 从这个角度看，Inkling反而证明了穆拉蒂懂做生意。但这套生意成立的代价，可能由美国企业承担。美国之外的公司仍可自由选择GLM、Kimi和DeepSeek，在更强更便宜的基础模型上开发产品；美国企业却可能被迫采用性能稍弱、价格更高的本土替代品，基础模型的能力差距会继续传递到微调后的产品，最终形成结构性竞争劣势。华盛顿原本想用限制保护美国AI公司，结果可能先替Inkling这样的贵替创造了市场。对穆拉蒂来说，一般般已经够了，对美国AI产业来说，这份够用意味着成本升高与竞争力下降。

2026

aibase资讯

腾讯联合Chinagoods上线AI导航，覆盖义乌8万家商铺实现智能找店

7月20日，腾讯智慧零售、腾讯地图联合Chinagoods平台推出“Chinagoods AI导航”，将行业首创的多建筑跨连廊室内外一体化导航方案落地义乌，为全球采购商提供AI路线规划、室内外导航和AI识物找店等服务。 义乌国际商贸城总营业面积超过800万平方米，拥有8万余个商位和210万个单品。由于多个建筑通过连廊、通道连接，传统导航难以覆盖复杂空间，采购商长期面临找店困难、路线规划不精准等问题。 依托腾讯地图导航引擎，“小商AI导航”微信小程序可根据商户名称、商位号或商品信息自动规划路线，实现跨区域、跨楼层精准导航。例如，采购商可从一区三楼通过连廊直达四区二楼，无需询问即可找到目标商铺。实测数据显示，找店效率较传统方式提升近70%。 此外，该服务融合Chinagoods平台AI识物找货能力，采购商通过拍照即可匹配商品和货源，并直接导航到对应商铺，同时支持多语言操作，打通线上选品、线下采购的完整链路。 对于商户而言，微信定位卡片功能可帮助其将线上流量转化为线下交易。未来，腾讯与Chinagoods还将继续拓展LBS与AI技术在大型商贸场景中的应用，打造可复制的智慧商业导航解决方案。

2026

aibase资讯

Anthropic Fable 5 训练成本三倍于开源模型，未来面临挑战

在最近的一次分析中，Wojciech Gryc 探讨了 Anthropic 的 Fable 5 与两款中国新模型的市场竞争情况。Moonshot 于 7 月 16 日推出的 Kimi K3 和阿里巴巴于 7 月 19 日发布的 Qwen 3.8 都达到了与 Fable 5 相似的性能，并且这两款模型将开源其权重。 Gryc 指出，训练前沿 AI 模型的主要成本来自研究人员和算力，但在模型训练完成后，推理成本才是真正的开销。每当用户调用 API 时，都会消耗大量的 GPU 资源和电力。他认为，如何支付推理成本将直接影响公司的商业模式。 他将 AI 公司分为三类： 第一 类是租用数据中心并支付电费的公司，如 Anthropic、Moonshot 和智谱（GLM 5.2）；第二类是自建数据中心的公司，如 Meta 和阿里巴巴；第三类是拥有自发电能力和自建数据中心的公司，如 SpaceX。Gryc 强调，拥有基础设施的公司即使在模型性能上不是 最优，依然能通过出租服务器获得盈利。 此外，Gryc 指出 Anthropic 的 Fable 5 在单个任务的推理成本上几乎是 OpenAI 和开源模型的三倍。这样的高成本在竞争激烈的市场中是否能被用户接受，是一个值得关注的问题。他认为，当前市场上的基准测试已趋于饱和，用户对于模型的感知差异远低于成本差异，可能导致 Anthropic 面临被市场抛弃的风险。 与之相比，OpenAI 则凭借其全面的产品线和数据中心的布局展现出更强的市场竞争力。Gryc 预计，当前这一波竞争将持续发展，多家实验室可能会在未来不断超越传统的美国科技巨头。 划重点： 🌟 Fable 5 的推理成本是 OpenAI 和开源模型的三倍，面临市场压力。 🔍 Gryc 将 AI 公司分为三类，指出基础设施的重要性。 📈 竞争持续加剧，多家中国实验室正在快速追赶甚至超越美国公司。

2026

量子位资讯

量子位编辑作者招聘

关注前沿科技 2026-07-21 15:57 北京 3个岗位（含实习），不设边界 编辑部 发自 凹非寺 量子位 | 公众号 QbitAI AI热潮还在汹涌，但如果你还不知道如何参与……那为什么不来 量子位 呢？ 我们是一家以 追踪AI新进展 为核心的内容平台，经过8年积累，目前拥有顶流影响力，广泛且备受认可的产业资源，以及时代风口的最佳观测和学习生态位。 目前，我们有 三大方向 岗位招聘，希望你是 （或者能成为） 这三个方向的内容专家： AI产业方向：关注基建层创新，包含芯片、AI Infra、云计算； AI财经方向：关注AI领域创投和财报，跟踪产业链资本动向； AI产品方向：关注AI在应用和硬件终端方向的进展。 岗位均为全职，工作地点：北京中关村。 岗位面向： 社招：覆盖编辑、主笔、主编各个层级，按能力匹配岗位； 校招：应届毕业生，接受实习且可转正。 加入我们，你可以获得： 站在AI浪潮之巅：第一时间接触和了解AI领域最新技术和产品，构建完整的AI认知体系。 玩转AI新工具：将各种AI新技术、新工具应用于工作，提升工作效率和创造力。 打造个人影响力：通过撰写独家原创内容，建立个人知名度，成为AI领域的意见领袖。 拓展行业人脉：与AI领域大咖零距离接触，参与重要科技活动和发布会，拓展行业视野。 获得专业指导：应届新人会由主编级编辑出任mentor，提供一对一指导，帮你更快进步获得成长。 加入活力团队：与一群志同道合的年轻人一起工作，享受扁平、简单、开放、多劳多得能者上位的团队氛围。 获得丰厚回报：行业TOP薪资待遇，五险一金、餐补、项目绩效、商务绩效、加班补助等福利一应俱全。 以下是岗位详情： 所有岗位不同能力层级职位均在开放，欢迎结合个人履历和经验申请。 主编：具备选题和带队能力及经验； 主笔：具备原创深度稿件能力； 编辑：热爱表达，喜欢挖掘信息，能够用大白话让所有人看懂AI新进展。 AI产业方向 岗位职责： 跟进AI基建层新进展，包括但不限于芯片、AI Infra、云计算领域新进展，核心玩家动态； 做前沿论文、开源社区、技术大会 （Hot Chips、NeurIPS、MLSys） 技术报告大众化解读； 参与核心采访，对话产业专家、技术大牛、撰写AI云落地案例。 任职要求： 对芯片、GPU、NPU、服务器、模型训练架构、云计算等有基本理解； 熟悉AI行业的供应链与生态 （训练–推理、算力–成本、云–芯片关系）； 能把复杂技术内容结构化表达； 有技术背景、理工或CS/EE方向优先。 AI财经商业方向 岗位职责： 聚焦 创投、AI创业公司、上市公司、商业模式、产业链 资本动向； 产出创投融资、招股书财报解析、公司战略分析等稿件； 访谈对话投资人、创业者、产业分析人士。 任职要求： 对数据敏感，对财报、股权结构、战略规划感兴趣； 逻辑结构强，对商业叙事敏感； 热爱对话采访，社交型人格。 AI产品方向 岗位职责： 关注AI在终端的落地：包括软件应用产品、硬件方向落地； 撰写AI应用产品深度评测、跟踪多终端新品发布 （手机、PC、XR、车机等）； 对话访谈AI应用创业者、产品专家、终端技术专家。 任职要求： 对智能硬件、AI终端趋势敏锐，重度AI产品体验人士； 熟悉各大终端厂商业态、体验方法论； 有强逻辑、体验表达和结构化能力。 应聘方式 1、请将个人简历发送至zhaopin@qbitai.com，邮件主题请注明“ 量子位XX方向应聘 - [你的姓名] ”； 2、随简历附上你的科技行业代表作品，或者能展现个人写作水平和风格的作品。 关于量子位： 截至2025年，通过及时追踪AI及前沿科技进展，量子位在微信公众号已经有超260万订阅用户，全网用户超700万，日均阅读量200万+。 在新榜和清博等第三方数据平台，量子位已是AI以及前沿科技行业TOP1新媒体。 一键三连 「点赞」「转发」「小心心」 欢迎在评论区留下你的想法！ — 完 — 🌟 点亮星标 🌟 科技前沿进展每日见 跳转微信打开

2026

aibase资讯

Kimi3引发访问热潮:月之暗面回应资源紧张，优先保障付费用户

月之暗面（Moonshot AI）近日透露，旗下新模型kimi3上线后用户需求远超预期，导致全平台计算资源紧张，公司目前暂未全面开放新用户注册，并优先保障付费老用户的使用体验。 月之暗面B端企业业务负责人黄震昕表示，团队在kimi3发布前已进行了充分准备，但实际用户增长和调用需求仍超过预估，现阶段出现资源供给压力。公司明确不会通过牺牲现有用户体验换取短期用户规模增长，而是优先确保付费用户能够稳定使用服务。 针对当前资源瓶颈，月之暗面正在通过模型效能优化和算力资源补充两方面进行缓解，包括提升模型运行效率、增加计算资源储备等。新用户注册恢复时间将根据整体资源情况进一步评估后公布。 近年来，随着大模型应用快速落地，AI企业面临的竞争已不仅是模型能力比拼，也包括算力供应、基础设施建设和服务稳定性的综合竞争。热门模型上线后出现资源紧张现象，也反映出高性能AI服务背后的算力需求正在持续增长。 业内认为，如何在模型能力提升、用户规模扩张与算力成本控制之间实现平衡，将成为大模型企业商业化阶段的重要挑战。月之暗面对K3资源调度的调整，也体现出AI企业正在从快速获取用户转向更加重视长期服务能力建设。

2026

aibase资讯

阿里发布Qwen-Image-3.0，支持4.5K Token超长输入与复杂图文生成

阿里正式发布新一代图像生成基础模型Qwen-Image-3.0。作为千问图像生成与编辑系列的第三代基础模型，新模型支持 最高 4.5K Token超长文本输入，可一次性生成包含公式符号、几何图形、逻辑推导、多层UI界面等复杂内容，并原生支持12种语言和20余款字体渲染，进一步提升商业级图文内容生成能力。 相比上一代模型，Qwen-Image-3.0将文本输入长度提升至4.5倍，在影视分镜、知识图解、产品说明页等依赖长提示词的场景中，用户无需压缩需求，可像撰写设计文档一样完整描述画面结构、文案内容、视觉风格和版式细节，从而获得更加精准的生成结果，降低反复修改和人工调试成本。 在复杂内容理解方面，Qwen-Image-3.0进一步强化了语义解析和空间布局能力，能够一次生成覆盖多个主题的九宫格知识图解，兼顾文字清晰度与内容准确性。同时，模型支持复杂逻辑嵌套，可根据单条指令生成网页、软件界面、聊天窗口、海报等多层视觉元素组合。例如，在“VSCode编程界面中，通过千问App生成一张发布在聊天界面的手冲咖啡海报”等复杂场景下，模型能够准确理解多层UI关系，并保持各级界面风格一致，甚至对约10像素的小字号文字也能实现清晰呈现。 官方表示，Qwen-Image-3.0在人像摄影、数学试卷、古碑拓片、直播页面等场景均具备较强的细节还原能力，对复杂图文混排和高密度信息承载进行了重点优化。 随着生成式AI逐步进入专业设计和商业内容生产环节，图像模型的竞争正从基础画质转向复杂信息表达、可读性和工程化能力。Qwen-Image-3.0的发布，进一步推动AI图像生成向高精度、多语言和商业可用方向发展。

2026

aibase资讯

机器人其实比汽车好造：逐际动力张巍称人形机器人大脑已到GPT-3，行业正处指数拐点

人形机器人什么时候才能真正走出展厅、变成解决现实问题的工具，这是2026世界人工智能大会现场最被反复追问的问题。7月19日，逐际动力创始人、南方科技大学长聘教授张巍站上演讲台，给出了一组相当反共识的判断:当前以人形机器人为代表的具身智能，正处在一条指数增长曲线上，而整个机器人大脑系统，已经走到了GPT-3左右的阶段。 逐际动力成立于2022年，张巍给公司的定位很干脆:一家产品型、有大脑能力的主机厂。过去几年，这家公司的融资节奏清晰勾勒出资本对其路线的认可。2023年10月，它完成近2亿元天使轮与Pre-A轮融资，投资方包括峰瑞资本、绿洲资本、联想创投、明势创投等;2024年7月，阿里巴巴战略领投其A轮融资，这也是阿里 首次 下注具身智能领域; 2025年，逐际动力半年内累计完成5亿元A轮系列融资，拿到阿里、蔚来资本等头部机构支持，后续又获京东战略领投，双方计划围绕零售、物流与服务场景展开协同;2026年1月，公司完成2亿美元B轮融资，引入阿联酋磊石资本、东方富海、基石资本等，老股东继续跟投;就在今年7月，逐际动力又完成近2亿美元Pre-IPO融资，投资方包括磊石资本、意大利财团、上市公司蓝思科技、IDG资本、合肥滨湖产发集团等。张巍表示，公司已经形成覆盖战略产业方与国内外财务投资机构的综合股东背景，产业化、国际化与市场化能力进一步增强。 在张巍看来，很多人看到机器人现在还笨笨的、干不了什么，就习惯用线性方式去预判它的未来，但行业正在经历的是指数变革，不能等看到结果再响应，那样就晚了。他用一个例子说明线性推演的失灵:比尔·盖茨曾花几十年、投入巨资想解决语言交互问题却始终未竟，若在大模型出现前问他何时能解决，他可能会说还要十年二十年，而技术范式一变，半年时间一大堆问题就被解决了。 一个可能让很多人意外的看法是，张巍认为机器人比较好造，人形机器人也比较好造，它比光刻机、飞机都好造，甚至比汽车还好造，零部件数量大约只有汽车的十分之一。那么为什么飞机天天在天上飞、汽车满街跑，人形机器人却大多还停在展厅里?他给出的答案是:缺的不是会制造本体的人，而是今天大会主题指向的核心能力——AI，尤其是来自物理世界数据的物理AI。物理AI的特点是数据不来自互联网，而来自真实物理生活，这让它成为AI最具挑战的一类应用，其 终极 形态人形物理AI，本质就是在模仿人的大脑。张巍补充，人的大脑从概念上看没那么难，它的任务只是接收指令、理解意图、观察环境、计算自己该怎么动，本质上是一个映射;真正卡住行业的问题是缺数据。他认为技术范式已经相对收敛到纯数据驱动，剩下更多是工程和细节问题，而所有探索的本质，都是在降低完成一个任务所需的数据成本。 围绕大脑系统，张巍划出了三层结构，与Figure的架构有相似处但细节差异很大。最上层类似人的前额叶，是一个以大语言模型、视觉语言模型乃至未来世界模型为引擎的思考引擎，属于agentic system，负责记忆管理、收集指令、信息理解、任务规划与决策，只负责想，他称之为System2;中间层是视觉运动皮层，接收上层决策、观察环境并做运动规划;最下层是小脑和运动控制系统，只负责把动作真正完成，只动不想。张巍强调，行业真正的挑战不是把某一层单独抠到 极致，而是把这三层在毫秒级实时系统里协同起来，并与硬件联合优化，逐际动力把这一方向叫做大小脑融合技术，也是公司最重要的投入方向之一。 如果一定要用GPT时刻来类比，张巍判断整个机器人大脑系统已经到了GPT-3左右的初级阶段，这与很多人认为还非常早的判断截然不同。但他提醒，机器人大脑不是一个单一模型，而是由大语言模型、视觉语言模型、世界模型、记忆管理、任务规划、运动控制共同构成的agentic system，逐际动力这套系统叫COSA。模型代表能力，大脑则是多模型加上记忆管理、情感管理、任务规划等构成的一整套系统。他打了个比方:如果System2由LLM驱动，就像一个躺在病床上不能动但能思考的残疾人;由VLM驱动，就是一个有眼睛、能看见世界的残疾人;若再加上世界模型，则相当于学了物理的霍金，能理解和预测物理世界。具身智能要做的，就是让这个聪明的System2指引行动，像让残疾人做康复训练一样，通过数据和练习长出下面的技能。张巍也提醒，GPT-3到GPT-3.5之间经历了两年多时间，而机器人大脑是系统、不由单一模型决定，这是他和许多人的不同思考。 在技能学习上，张巍同样抛出了反共识观点:技能不需要非常通用，才叫有脑。一个人不会拧螺丝、不会开车，依然是个正常有脑的人，技能的泛化性并不代表智能水平，技能构建取决于想先学什么、后学什么，以及对应的数据成本。不同技能难度差异很大，像跳舞这种不需要实时和环境交互的技能相对简单，而上楼梯这类需要实时交互的就难得多，逐际动力的机器人Ollie上楼梯，就是一个实时大小脑融合技术的例子，因为楼梯可以在很大程度上于仿真环境里完成;收拾桌子则必须依赖真机数据。张巍介绍，公司从去年研究、今年发布的COSA系统能够接收人的指令，通过System2做任务规划，再调度导航定位、执行具体任务，比如让机器人送快递，它会先做任务规划、先把水拿给客户再去送件，动作实时生成;最近COSA完成了一项重要升级——全自主、实时推理的长程任务，没有遥操作、没有遥控器，在家庭环境里靠一个模型、一个技能直接推理完成全身移动与操作，且整个模型纯数据驱动、不需要专家规则。他表示，除了Figure以外，能完成这种长程移动操作通用任务的公司非常少，而把全身移动和操作联合起来的系统尤为稀缺。 谈到商业化，张巍把人形机器人的底层逻辑概括为通用本体加APP。单一技能比如跳舞可能价值有限，但不改变机器人构型、持续叠加不同技能与应用，最终会出现一个吸星大法拐点，足够多的应用都会开始向通用本体聚集。他认为在产业链里，主机厂最关键，因为它承上启下，逐际动力定位为产品型、有大脑能力的主机厂，技术上全面对标Figure，产业化上更激进，口号是serve people， not process，即两条腿的人形机器人应服务于人而非生产流程，所以并不优先在工业场景尝试，而是更适合在人类环境里做接待、公共服务。他总结商业化的关键是:构建一个技能的数据成本，要小于这个技能所创造的价值，只有这样技能才值得做。 张巍特别提醒，具身智能不应复刻大模型行业先做通用模型、再寻找落地场景的方式。由于物理世界数据天然稀缺且昂贵，不同技能之间数据差异也很大，比如开车和包鸡蛋放在一起训练，相互可借鉴的地方不多，没必要等机器人会开车了再去学别的。更合理的路径是具备一定通用能力后尽早进入具体场景，通过专业数据反哺模型，形成场景与模型的数据飞轮。他也判断行业未来不会一枝独秀，而是百花齐放，因此需要推动开源生态与产业生态两大建设，逐际动力已提供开源训练架构，开发者可以用自然语言训练一个VLA模型，也能使用其机器人和开源设备。张巍最后判断，2026年会是具身智能PoC验证的元年，到明年希望看到一些规模化发展，人形机器人正在进入从会动到能用的关键节点。

2026

aibase资讯

节省 40 亿元还是触发监管？微软拟为Copilot引入国产AI模型陷两难

为了降低高昂的AI运营成本，微软目前正在评估将中国人工智能公司月之暗面研发的Kimi K3 模型引入其Copilot服务。此前该服务主要依赖OpenAI与Anthropic的技术，而新模型的加入有望重塑其底层架构。 性能出众兼具降本优势，每年 最高 可省 6 亿美金 作为全球参数规模 最大 的开源模型，Kimi K3 在编程等多项 权威 评测中展现出了媲美 顶级 模型的卓越性能。微软内部测算显示，切换至该模型后单个Token的推理成本 最高 可降低60%，每年将为公司节省约6. 02 亿美元的开支。 巨额收益碰撞政治风险，政策红线成 最大 隐忧 然而，这项极具商业诱惑力的决策正面临着严峻的外部政治考量与政策风险。当前美国政府正计划进一步限制本土企业使用中国AI模型，甚至可能出台针对性的禁用禁令。 如果在旗舰产品中深度整合中国开源技术，微软极有可能招致白宫方面的强烈不满与审查。面对巨大的经济利益与复杂的政治局势，微软目前依然处于谨慎权衡与抉择的阶段。

2026

aibase资讯

人形机器人迎来飞跃！逐际动力张巍：智能水平已达 GPT-3 阶段

在2026年世界人工智能大会上，逐际动力的创始人张巍发表了重要演讲，提出人形机器人正处于飞速发展的指数增长阶段，并表示其 “机器人大脑” 已经达到了类似于 GPT-3的智能水平。他指出，当前的技术进步不仅仅是线性的，而是一个突破性的飞跃。 张巍在演讲中提到，逐际动力成立于2022年，定位为一家以技术为核心的产品型公司。他强调，机器人本体的制造相对容易，而真正的挑战在于如何将人工智能与物理世界的数据结合起来，以实现更高效的智能应用。根据他的判断，物理 AI 是驱动这一行业发展的核心能力。 他进一步解释，当前的具身智能技术发展类似于 “机器人大脑” 已经进入了 GPT-3的初级阶段。这个 “大脑” 并不是单一的模型，而是由多个部分组成，包括语言模型、视觉模型、任务规划等，形成一个协同工作的系统。张巍认为，未来的关键在于如何将这些技术在毫秒级别实时协同，并与硬件进行优化。 在商业化方面，张巍提出了 “通用本体 + APP” 的思路。他指出，单一技能的机器人应用价值有限，但通过保持通用构型并逐步叠加技能，最终将形成一个多功能的智能体。他警示行业不应盲目复制大模型的发展路径，而是应在具备基础能力后，尽快进入具体场景，以实际应用反哺模型的优化。 随着逐际动力在多轮融资中获得了阿里巴巴等头部机构的支持，公司的产业化、国际化能力正逐步增强。张巍的演讲不仅展示了具身智能技术的巨大潜力，也为行业的发展方向提供了新的思考。

2026

aibase资讯

索尼音乐再诉AI巨头Udio：指控其违规复制逾三万段录音

因涉嫌侵犯音乐版权，索尼音乐已于近日再次向美国纽约南区联邦地区法院对AI音乐公司Udio提起诉讼。索尼音乐指控对方未经授权复制了超过 3 万段录音用于训练AI模型，并指出这仅是已识别违规样本中的一小部分。 此前，Udio曾因类似的版权纠纷被三大唱片公司联合起诉，随后与环球音乐及华纳音乐达成了和解。而索尼音乐在早前的诉讼被法院驳回扩大范围申请后，选择重新发起本次维权诉讼。 合理使用争议再起，版权保护陷入产业博弈 针对此前Udio主张的“合理使用”辩护，索尼音乐在 最新 诉状中作出了正面回应。索尼音乐表示，通过付费获取授权存在明确的商业市场，未经许可的复制行为对版权市场构成了实质性损害。 同时，索尼音乐强调Udio事后寻求授权的做法反而印证了其前期侵权行为的非法性。面对AI生成音乐领域的激烈竞争，索尼音乐直言Udio的做法损害了音乐从业者的合法权益。

2026

aibase资讯

苹果 41 页诉状点名三人却放过伊夫：古尔曼拆解这份"留白"背后的三重算计

一份41页的诉状，把苹果与OpenAI的暗战摆上了法庭，但最耐人寻味的，是它点了谁的名、又故意略过了谁。据多家媒体援引彭博社马克·古尔曼的分析，苹果自7月12日起诉OpenAI及其硬件子公司io Products盗用商业秘密，诉状中明确点名了Tang Tan、Chang Liu、Yu-Ting Alyssa Peng三人，却对前苹果设计师乔纳森·伊夫只字未提。 古尔曼认为，这份留白并非疏忽，而是经过权衡的结果，背后至少叠着三层考量。 第一 层是关联性的强弱——在苹果的判断里，伊夫与这起商业秘密争议的实质牵连有限，不足以把他推上被告席。 第二层则牵出人际与资本的网络:伊夫与乔布斯遗孀Laurene Powell Jobs私交甚好，而后者在相关投资与支持上产生的影响，让直接点名伊夫的代价和连带效应都变得复杂。第三层是舆论层面的避险——若把这位苹果设计灵魂人物卷进诉讼，势必将引发外界对苹果设计话语权是否易主的无尽争论，苹果显然不愿在打官司的同时，再给自己添一场关于设计地位变动的公共危机。 当诉状用41页的篇幅细数OpenAI与io Products的"偷师"指控，却在对伊夫的处理上按下静音键，这份刻意留出的空白，本身就成了观察苹果诉讼策略的一扇窗。

2026

aibase资讯

三星电子成立RX机器人事业部，加速机器人业务商业化

7月21日，三星电子正式成立机器人事业部RX（Robotics eXperience，机器人体验），该部门将直接向公司首席执行官汇报，并被纳入三星未来增长战略的重要布局。 据了解，RX事业部将负责统筹三星机器人领域的中长期发展规划，推动核心机器人技术研发与产品业务落地，同时加强韩国及海外研发体系建设，以提升机器人技术商业化能力。 此次组织调整意味着三星正进一步加大对机器人领域的投入，推动相关业务从技术研发阶段向规模化应用阶段转型。作为全球领先的消费电子和智能硬件企业，三星希望通过机器人技术拓展新的增长空间，并强化其在人工智能、智能家居和未来服务机器人领域的竞争力。 近年来，随着人工智能、大模型和智能制造技术快速发展，机器人产业正成为科技企业竞争的新方向。包括三星、英伟达、谷歌、特斯拉等企业均在加快机器人技术布局，推动AI能力与实体设备深度融合。 三星此次成立独立机器人事业部，显示其正在通过组织架构调整整合研发资源，加快机器人产品商业化进程。未来，RX事业部能否推出具备市场竞争力的机器人产品，将成为观察三星AI与智能硬件战略落地的重要指标。

2026

aibase资讯

智谱AI落地1GW国产AI算力中心，并收购中科加禾强化AI Infra能力

据外媒报道，智谱AI（Z.ai）已完成1GW级国产AI算力数据中心建设，整体采用国产AI芯片。同时，公司于近日完成对国产AI异构算力软件企业中科加禾(XCore Sigma)的收购，进一步完善从算力资源到基础软件的AI基础设施布局。 据了解，中科加禾源自中国科学院计算技术研究所编译实验室，长期专注于异构算力软件栈、编译优化、运行时系统以及AI推理基础设施建设，被业内视为国内领先的AI Infra技术团队之一。此次收购将增强智谱在国产芯片适配、算力调度和模型部署优化方面的能力。 业内认为，智谱此次两项布局分别对应AI产业链中的“算力供给”和“算力释放”环节。其中，1GW级国产算力中心能够为大规模模型训练提供稳定计算资源;中科加禾的软件技术则有助于提升不同类型AI芯片的计算效率，通过编译器、Runtime和推理引擎优化，提高硬件利用率，降低模型推理成本。 随着大模型竞争进入基础设施和工程能力比拼阶段，AI企业正在从单纯追求模型规模，转向构建覆盖芯片、算力、软件栈和应用部署的完整技术体系。近期，市场对智谱下一代基础模型持续关注。有观点认为，在大规模国产算力资源、成熟AI Infra体系以及长期积累的后训练（Post-training）能力支持下，智谱未来模型有望继续向更大参数规模、更高智能水平方向发展，同时提升推理效率和实际部署能力。 此次算力中心建设与基础软件能力整合，标志着国产大模型企业正加速构建自主可控的AI基础设施生态，也反映出AI产业竞争正在从模型能力扩展至全栈技术体系的竞争。

2026

aibase资讯

苹果 41 页诉状怒撕OpenAI，为何唯独放过了传奇设计师伊夫？

苹果公司近日正式向法院提起诉讼，指控OpenAI及其硬件子公司通过挖角员工和获取内部文件等手段盗用商业机密。在长达 41 页的诉状中，多名前高管及核心工程师被点名控告，但令人意外的是，前首席设计师乔纳森·伊夫却并未出现在名单中。 三重考量避开核心人物 知名科技记者马克·古尔曼对此进行了深度剖析，指出苹果未点名伊夫的首要原因是其关联性有限。伊夫虽然通过旗下设计公司参与了相关硬件项目，但他并不负责实际的招聘与日常运营工作。 此外，深层的资金与人脉关系也是苹果选择回避的关键因素。伊夫与乔布斯遗孀关系密切，后者不仅投资了涉事硬件公司，其家族姓氏在苹果内部依然拥有举足轻重的特殊影响力。 顾及形象避免舆论反噬 除了人际考量，法庭上的舆论风险同样是苹果必须衡量的因素。在后乔布斯时代，苹果的战略重心逐渐向运营效率与成本控制倾斜，设计的核心地位已大不如前。 如果将伊夫卷入这场诉讼，辩方律师极可能在法庭质询环节借机发难，迫使伊夫公开谈论苹果设计理念的转变与退化。这种潜在的舆论风暴不仅无法帮助苹果赢得官司，反而可能对公司的品牌形象造成二次伤害。

2026

aibase资讯

Anthropic获批15亿美元版权和解协议，将向50万部作品支付赔偿

据路透社报道，美国联邦法院周一正式批准Anthropic公司与作家、出版商达成的15亿美元集体诉讼和解协议。该协议用于解决Anthropic因训练AI模型过程中涉嫌侵犯版权引发的诉讼，公司随后将开始向相关版权方支付赔偿。 美国加州北区地方法院法官Araceli Martinez-Olguin签署了最终批准文件。此前，已退休法官威廉·阿尔苏普曾初步批准该和解方案，并裁定Anthropic曾非法下载并存储数百万本受版权保护的书籍。 根据赔偿方案，每部涉案作品预计可获得3000美元赔偿，涉及作品数量约50万部，赔偿金额将由拥有版权的作者和出版商共同分配。这一金额被认为是美国版权法领域规模 最大 的和解之一。 不过，该协议并未完全解决围绕AI训练数据的法律争议。阿尔苏普法官此前在案件核心问题上支持Anthropic，认为利用受版权保护文本训练AI模型可能属于“合理使用”范畴，被业内视为AI版权判例的重要进展。但与此同时，他指出Anthropic获取部分训练数据的方式存在违法问题。 Anthropic此前主要通过两种方式获取训练数据:一部分来自合法购买并扫描的书籍，另一部分则来自Library Genesis、Pirate Library Mirror等盗版网站下载的内容。法院认为，后者涉及非法获取版权材料。为避免进一步审判以及可能面临的高额赔偿，Anthropic最终选择达成和解。 业内人士指出，虽然此次和解结束了该案件，但并未形成针对整个AI行业的统一法律标准。由于Anthropic选择和解，案件未进入上诉程序，阿尔苏普此前关于AI训练“合理使用”的判断也不会成为具有约束力的司法先例。 目前，围绕AI模型训练数据版权问题的诉讼仍在持续，包括针对谷歌、Meta、Midjourney和OpenAI等公司的相关案件。近期，Hachette、Cengage、Elsevier、作家Scott Turow以及SCRIBE等出版机构和作者还联合起诉谷歌，指控其未经授权使用版权作品训练Gemini人工智能平台。 随着生成式AI快速发展，如何平衡模型训练需求与版权保护，正成为全球AI产业面临的重要法律与商业挑战。Anthropic和解案虽然提供了一种解决路径，但行业关于AI数据合规的长期规则仍待进一步明确。

2026

量子位资讯

量子位编辑作者招聘

关注前沿科技 2026-07-20 19:41 上海 3个岗位（含实习），不设边界 编辑部 发自 凹非寺 量子位 | 公众号 QbitAI AI热潮还在汹涌，但如果你还不知道如何参与……那为什么不来 量子位 呢？ 我们是一家以 追踪AI新进展 为核心的内容平台，经过8年积累，目前拥有顶流影响力，广泛且备受认可的产业资源，以及时代风口的最佳观测和学习生态位。 目前，我们有 三大方向 岗位招聘，希望你是 （或者能成为） 这三个方向的内容专家： AI产业方向：关注基建层创新，包含芯片、AI Infra、云计算； AI财经方向：关注AI领域创投和财报，跟踪产业链资本动向； AI产品方向：关注AI在应用和硬件终端方向的进展。 岗位均为全职，工作地点：北京中关村。 岗位面向： 社招：覆盖编辑、主笔、主编各个层级，按能力匹配岗位； 校招：应届毕业生，接受实习且可转正。 加入我们，你可以获得： 站在AI浪潮之巅：第一时间接触和了解AI领域最新技术和产品，构建完整的AI认知体系。 玩转AI新工具：将各种AI新技术、新工具应用于工作，提升工作效率和创造力。 打造个人影响力：通过撰写独家原创内容，建立个人知名度，成为AI领域的意见领袖。 拓展行业人脉：与AI领域大咖零距离接触，参与重要科技活动和发布会，拓展行业视野。 获得专业指导：应届新人会由主编级编辑出任mentor，提供一对一指导，帮你更快进步获得成长。 加入活力团队：与一群志同道合的年轻人一起工作，享受扁平、简单、开放、多劳多得能者上位的团队氛围。 获得丰厚回报：行业TOP薪资待遇，五险一金、餐补、项目绩效、商务绩效、加班补助等福利一应俱全。 以下是岗位详情： 所有岗位不同能力层级职位均在开放，欢迎结合个人履历和经验申请。 主编：具备选题和带队能力及经验； 主笔：具备原创深度稿件能力； 编辑：热爱表达，喜欢挖掘信息，能够用大白话让所有人看懂AI新进展。 AI产业方向 岗位职责： 跟进AI基建层新进展，包括但不限于芯片、AI Infra、云计算领域新进展，核心玩家动态； 做前沿论文、开源社区、技术大会 （Hot Chips、NeurIPS、MLSys） 技术报告大众化解读； 参与核心采访，对话产业专家、技术大牛、撰写AI云落地案例。 任职要求： 对芯片、GPU、NPU、服务器、模型训练架构、云计算等有基本理解； 熟悉AI行业的供应链与生态 （训练–推理、算力–成本、云–芯片关系）； 能把复杂技术内容结构化表达； 有技术背景、理工或CS/EE方向优先。 AI财经商业方向 岗位职责： 聚焦 创投、AI创业公司、上市公司、商业模式、产业链 资本动向； 产出创投融资、招股书财报解析、公司战略分析等稿件； 访谈对话投资人、创业者、产业分析人士。 任职要求： 对数据敏感，对财报、股权结构、战略规划感兴趣； 逻辑结构强，对商业叙事敏感； 热爱对话采访，社交型人格。 AI产品方向 岗位职责： 关注AI在终端的落地：包括软件应用产品、硬件方向落地； 撰写AI应用产品深度评测、跟踪多终端新品发布 （手机、PC、XR、车机等）； 对话访谈AI应用创业者、产品专家、终端技术专家。 任职要求： 对智能硬件、AI终端趋势敏锐，重度AI产品体验人士； 熟悉各大终端厂商业态、体验方法论； 有强逻辑、体验表达和结构化能力。 应聘方式 1、请将个人简历发送至zhaopin@qbitai.com，邮件主题请注明“ 量子位XX方向应聘 - [你的姓名] ”； 2、随简历附上你的科技行业代表作品，或者能展现个人写作水平和风格的作品。 关于量子位： 截至2025年，通过及时追踪AI及前沿科技进展，量子位在微信公众号已经有超260万订阅用户，全网用户超700万，日均阅读量200万+。 在新榜和清博等第三方数据平台，量子位已是AI以及前沿科技行业TOP1新媒体。 一键三连 「点赞」「转发」「小心心」 欢迎在评论区留下你的想法！ — 完 — 🌟 点亮星标 🌟 科技前沿进展每日见 跳转微信打开

2026

aibase资讯

一行GitHub代码出卖了AMD：Anthropic被曝成其新客户，算力去英伟达化加速

一行原本不该暴露商业机密的公开代码，把Anthropic的下一手芯片布局捅了出来。据芯片行业分析机构SemiAnalysis解读，AMD AI业务 高级 总监在GitHub上公开发布的代码里，明确留下了Anthropic将作为AMD客户的痕迹。这桩非官方、非媒体报道的泄露，指向一个清晰的信号：Anthropic正在主动拓宽芯片来源，把算力供应商从单一名单里解放出来。 周一，SemiAnalysis在社交平台X上抛出分析帖，结论正来自对AMD那位 高级 总监公开代码的专业拆解——代码内容直接涉及Anthropic作为AMD客户的相关信息。该机构表示，后续还会进一步解释代码细节与背后背景。若这一判断属实，AMD将拿下一块此前由英伟达与谷歌牢牢把持的高端AI训练市场的新阵地，而Anthropic的算力基础设施，也由此向多元化方向再踩一脚油门。 这次信息的流出路径颇为特殊。它没有走官方公告，也不是记者挖到的猛料，而是源于AMD内部高管亲手推到GitHub上的代码。SemiAnalysis把这堆代码读出了名堂，再搬到X平台上公开结论。在科技行业，这种靠公开代码库意外泄密的戏码并不鲜见——GitHub天然可被检索，而发布者又是AMD AI业务的 高级 总监，两相结合之下，信息的可信度反倒不低。SemiAnalysis在帖文中承诺，会继续把代码逻辑一层层拆开，给市场一份更完整的解读。 事实上，在AMD这条线曝光之前，Anthropic的算力采购早已不是独木桥。谷歌的TPU（张量处理器）是其重要算力来源之一，这与谷歌对Anthropic的战略投资密不可分；此外，三星也已经被纳入它的供应商体系。既有的布局说明，Anthropic从一开始就不是单点押注，而是在刻意织一张多元化的供应商矩阵，AMD的加入，只会让这张网在英伟达GPU之外，再多出一块高性能算力的选择。 对Anthropic而言，把AMD拉进阵营有多重战略分量。随着模型训练与推理规模持续膨胀，单一芯片供应商带来的供应链风险、被压制的议价能力，以及技术路径被锁死的后患，都日益刺眼。同时拥抱谷歌TPU、三星与AMD，它得以在成本控制、供应稳定和技術灵活性之间，重新寻找更优的平衡点。对AMD来说，拿下Anthropic则是一次标杆性的胜利——这家公司近年来持续重注数据中心AI芯片，其MI系列GPU被视作英伟达H系列产品的主要竞争对手之一；一旦Anthropic正式入账，AMD不仅能在 顶级 AI实验室的客户群里刷出更强的存在感，也为数据中心AI芯片业务带来实实在在的增量收入。 Anthropic的这一步，折射的是整个行业的系统性转向。当OpenAI、谷歌DeepMind、Meta AI等头部机构对算力的渴求节节攀升，AI公司正在不约而同地评估并拓展芯片供应来源，只为避开把鸡蛋放进同一个篮子里的风险。这种集体转身，客观上为AMD、英特尔等英伟达的追赶者，撬开了一道进入核心AI客户供应链的缝隙。

2026

aibase资讯

打破 15 秒魔咒：智象未来发布全球首个无限时长创作智能体vivago R1，商业可用率拉到85%

2026盛夏的黄浦江畔，世界人工智能大会如期拉开帷幕，智象未来（HiDream.ai）在这场聚光灯下把一枚重磅新品推到了台前——全球首个无限时长内容创作多模态智能体vivago R1。一同落地的，还有它与中科类脑等机构组建的一带一路Token出海联盟，以及与飞捷科思等发起的物理智能创新联合体倡议。这家公司试图用技术创新与生态协同双轮，把AI从工具推向能并肩工作的智能伙伴。 在大会期间由中国信息通信研究院主办的论坛上，智象未来创始人兼CEO梅涛以《迈向世界模型:原生全模态推动智能体能力跃迁》为题发表主旨演讲，系统梳理了大模型与智能体双向并进、走向世界模型的态势。他的判断很清晰: 顶级 模型的智能水平已经迈入人类天才区，但从基础大模型到真实场景之间，仍横着落地难、适配弱、不可控的产业鸿沟。智能体天生带着自主记忆、逻辑规划、工具调度和多端协作的本事，恰好能把基础模型的生成与推理优势，翻译成标准化、可验证、可交付的产业能力。基础模型叠加智能体，正成为AI赋能千行百业的核心范式。 梅涛进一步点破了一个现实困境:在复杂任务面前，单个智能体存在明显的能力 天花板，跨链路、高精度的创作任务它独木难支，唯有让多个智能体像专业团队那样分工协作，才能啃下真正的产业硬骨头。而要让这支智能体集群稳定、高效、有序地运转，一套名为AgentOS的智能体操作系统是绕不开的地基。为此，智象自研了HD-AgentOS，用资源层、系统层、能力层三层耦合架构撑起整套产业落地体系:资源层提供智能体可调用的基础资源与原子能力，是执行的底座;系统层包揽全流程运维、风控、监控与安全治理;能力层则把模型、工具、知识和流程封装成领域技能。有了这套操作系统，多智能体协作便能突破单打独斗的局限，组建成一支可感知、会推理、可执行、能进化的专业团队。 vivago R1正是架在这套核心技术之上的产物，也是全球首个具备无限时长视频生成与编辑能力的多模态创作智能体。它的出现，标志着AI在创意生产领域的一次范式转移——从只会辅助生成单点素材，进化为能够自主规划、调度并完成长链路创作的智能搭子。智象把它的核心优势概括为长、长、稳三个字，精准对准行业长期存在的时长受限、逻辑混乱、效果不稳三道痛点。 第一 处长，是无限时长、全场景无限制适配。当下主流AI视频产品大多被锁在15到30秒的短镜头里，根本喂不饱长周期商业创作。vivago R1直接掀翻了这道时长壁垒，支持任意时长的视频连续、连贯生成，从短剧、专题片、品牌宣传片到影视成片，全品类长周期创作场景都能接住，把行业长视频创作的空白补上了。第二处长，是长任务思考，保障创作逻辑连贯统一。长视频从来不是短镜头的简单拼接，它需要完整的叙事逻辑、统一的画面风格、稳定的人物IP与场景设定。vivago R1具备长任务思考能力，能自主完成精细化逻辑构思、镜头排布与风格校准，把画面跳变、人设崩塌、叙事断层、风格割裂这些老毛病一一按住。第三处的稳，是高稳定生成，赋能商业规模化交付。传统大模型带着概率性输出偏差，成片可用率低，企业调试成本居高不下;依托AgentOS的全流程调度与治理，vivago R1把创作全链路变成可控可校准，将内容有效可用成功率提升到85%，远高于行业平均，反复修改调试的时间与人力被大幅砍掉，生成内容能直接走进商业制作、品牌传播与市场化交付。 这种能力在社媒创作、商业营销这类持续性长链路场景里尤其见功力。一个看似简单的分镜生成，既要依据剧本画出画面，又要吃透镜头语言、叙事节奏、情绪表达，甚至要分清短视频vlog、短剧、商品素材短片对分镜的差异化要求——这种深度的行业理解，绝不是直接调一个大模型API就能交差的。vivago R1用多智能体协同机制，把理解任务、构思故事线、创作分镜脚本、生成核心素材、生成超长视频这条完整链路做了原子化封装与专业化调度，让叙事、镜头、角色、风格、声音和审美有机统一，真正完成了从单点工具到全链路创作系统的跨越。 产品之外，智象在WAIC期间还落下了两步生态大棋。它与飞捷科思等创新企业和 顶尖 科研机构共同发起物理智能创新联合体倡议，意在聚拢产学研多方力量，共筑原生全模态世界模型的产业协同新格局。与此同时，智象与中科类脑等机构达成战略合作，签约组建一带一路Token出海联盟，以Token无国界、AI无孤岛为核心理念，推动中国原生全模态AI能力跨越山海，连接全球智能新基建，助力和共建一带一路国家和地区的智能化升级与数字生态互联。 行业的竞争维度早已全面升维。过去那场单一的大模型参数竞赛正逐步归于理性，取而代之的是基础模型加智能体系统的全方位生态较量。智象打造的1+1+3商业模式，正是对这道新命题的回应——在底座模型上保持全球领先竞争力，在用户最渴求智能释放的垂直赛道里扎到最深。从vivago R1的发布到双联盟布局，智象以多点突破的方式，在这场规模空前的WAIC上集中展示了 最新 成果，也为AI从工具演进为智能伙伴探了一次路。接下来，它要持续推动多模态技术向原生全模态、向世界模型深度进阶，用硬核创新与全球化协同，把人工智能产业推入规模化、商业化的新时段。

2026

aibase资讯

Hugging Face披露AI智能体攻击事件，采用GLM5.2完成日志取证分析

全球 最大 的AI开源社区Hugging Face近日披露，其服务器遭遇黑客AI智能体攻击。事件发生后，安全团队首先尝试调用一家美国商业前沿大模型API，对超过1.7万条与攻击相关的日志进行分析，但由于模型未能准确区分事件响应人员与攻击者，其安全防护机制误判相关请求并拒绝提供分析支持。 随后，Hugging Face在自有基础设施上部署中国开源模型GLM5.2，对海量安全日志展开取证分析，并顺利完成事件调查工作。 此次事件反映出，随着AI智能体逐渐参与网络攻击，安全分析对大模型的理解能力、推理能力以及部署方式提出了更高要求。相比依赖云端商业API，本地部署的开源模型能够在数据安全、权限控制和任务定制方面提供更高灵活性，也避免了因平台安全策略导致的分析中断。

2026

aibase资讯

8800 万美元加注开源：Ollama跑进85%财富 500 强，喊出"全体上车"

一条命令就能在本地拉起开源大模型，这个让无数开发者摆脱API密钥和天价账单的工具，刚刚拿到了通往下一程的燃料。 7 月 9 日，Ollama在官方博客中宣布完成 8800 万美元融资，投资方阵容横跨 顶级 风投与开源世界的老将：Benchmark的Peter Fenton、Theory Ventures的Tomasz Tunguz、8VC的Alex Kolicich共同领投，Docker创始人Solomon Hykes、ClickHouse CEO Aaron Katz、GIMP联合创建者兼Cockroach Labs联合创始人Spencer Kimball、Amp CEO Quinn Slack、思科董事会成员Marianna Tessel、Twitter前工程主管Michael Montano，以及Y Combinator、Garage Capital、Pace Capital、49 Palms、GTMFund等一众天使跟投。 这家公司的创始人杰夫与迈克尔，十年前就在做同样的事。两人在大学相识，创办了让Docker运行变得极简的Kitematic， 2015 年被Docker收购，他们的工作成果后来化为 2016 年推出的Docker Desktop，如今被全球超过一千万开发者使用。十年之后，他们把那套让复杂技术变得人人可用的执念，又押到了AI上——Ollama的目标，是让开发者以最轻松的方式启动并运行开源模型。出乎他们最疯狂的想象，这个平台已经服务了 890 万开发者，并且被85%的《财富》 500 强企业采用。 在Ollama的叙述里，开源模型正在为AI开启一次个人电脑式的时刻：当年PC把算力从大型机机房搬上每个人的桌面，供人拥有、定制和构建，如今开源模型正做着同样的事。几年前，强大而免费的开源模型已经出现，但要让它们真正跑起来却障碍重重，能力明明在场，却像被锁在门后，开发者无法像调用专有模型API那样顺手使用。Ollama给出的解法是一款可下载到电脑上的应用，一条命令就能启动 最新 开源模型，再通过简单的API在其上构建，把运行开源模型变得和运行任何普通软件一样简单——不需要权限，不需要API密钥，也不需要昂贵的服务器硬件。你的模型，你的机器，你的数据。 它围绕三条原则搭建产品：所有权、可负担性与隐私。所有权意味着开源模型归使用者所有，可以随时保留、定制和优化，永远不会被锁死在某一款自己智能体或应用所依赖的模型之外；可负担性来自模型跑在自己的硬件上，不再有失控的按token计费账单，实验、迭代和发布都不必担心每一条提示词都在加价；隐私则让数据永远不必离开本地机器，即便真的需要上云扩展，也能把同一份信任一并带过去。 开源模型早已不是实验室里的玩具。Ollama云成了访问 最强 大开源模型最便捷的一站，GLM、Nemotron、DeepSeek、Kimi、MiniMax等都在其中，而它的token用量平均每月增长超过一倍。最初只是个人电脑上 第一 次跑通模型的乐趣，如今已经扩张成去啃那些曾经专属于闭源模型的硬骨头。 这笔 8800 万美元，被Ollama定位成推动生态前进的燃料。它正处在开源模型生态的核心位置，资金将投向三件事：无缝的混合推理、在新开源模型发布当天就提供支持，以及一个能让任何开发者及其团队用上 最强 大模型、却不牺牲所有权与隐私的云服务。杰夫与迈克尔在结尾写道，他们曾站在类似变革的开端，押注开放与易用终将胜出，如今再次倾尽所有。当85%的财富 500 强已经悄悄把开源模型搬进内部系统，这趟开源列车的下一节车厢，显然还空着不少座位。

2026

aibase资讯

Claude Fable5使用权限大调整:部分用户失去访问权，Anthropic加速扩容

Anthropic宣布调整Claude Fable5模型的订阅访问策略，自7月20日起，Max和Team Premium套餐用户仍可继续使用Fable5，但使用限额将大幅降低。其中，奖励使用阶段结束后，常规使用额度将减少33%，Fable5的实际可用额度仅为调整后限额的50%。 与此同时，Pro和Team Standard套餐用户将失去Fable5访问权限，Anthropic将向这些用户提供一次性100美元使用额度，后续需按照API价格进行付费。由于高频调用成本较高，该额度可能较快消耗完毕。 Anthropic表示，公司正在持续投入资源提升计算产能，并承认Fable系列模型需求增长超出预期，对用户体验造成了一定影响。据悉，Anthropic此前曾考虑将Fable完全移出订阅套餐，此次调整被认为是其在算力压力与市场竞争之间做出的平衡。 行业分析认为，Anthropic调整策略的背后也受到竞争环境变化影响。随着OpenAI推出GPT-5.6Sol等新一代模型，部分模型在性能接近的情况下价格更具优势，同时来自中国市场的AI产品也持续推动价格竞争，使中高端模型服务面临更大的成本压力。 此次权限调整反映出当前AI行业进入规模化应用阶段后，模型需求增长、算力供给以及商业化模式之间的矛盾正在加剧。如何在保持用户体验的同时控制推理成本，已成为各大AI公司面临的重要挑战。

2026

aibase资讯

Netflix5.87亿美元收购本·阿弗莱克AI电影制作公司InterPositive

Netflix近日在提交的监管文件中披露，公司已以5.87亿美元现金完成对AI电影制作初创公司InterPositive的收购。该交易此前于3月宣布，但双方当时并未公布具体金额，彭博社此前报道称交易规模可能接近6亿美元。 InterPositive由演员兼导演本·阿弗莱克共同创立，专注于利用人工智能技术辅助影视制作流程。阿弗莱克表示，公司希望通过AI工具“保护人类创造力的力量”，帮助电影制作团队在后期制作阶段提升效率，尤其是在解决现实拍摄过程中的素材缺失、背景替换以及光线调整等问题方面。 根据Netflix此前公布的信息，InterPositive团队将在收购后整体加入Netflix，阿弗莱克将担任 高级 顾问，继续参与相关技术与创意方向的推进。 与此同时，Netflix在 最新 财报中透露，目前已有约300部影片采用生成式人工智能技术。此次收购进一步显示，Netflix正在加速布局AI驱动的影视生产体系，通过技术手段优化内容制作流程，同时探索人工智能与传统影视创作之间的融合路径。 随着生成式AI在视频生成、后期制作、 特效 处理等环节持续成熟，影视行业正迎来制作模式的深层调整，AI辅助创作能力也逐渐成为流媒体平台竞争的重要方向。

2026

aibase资讯

Kimi因算力紧缺暂停C端新用户订阅，全速推进集群扩容

7月19日深夜，Kimi发布公告称，由于近期用户请求量快速增长，现有算力集群承载压力接近极限，团队决定暂停C端新用户订阅，并启动算力扩容计划。 Kimi表示，过去48小时内，用户请求量大幅超出此前预估，当前算力资源已接近集群 最大 承载能力。为保障已有订阅用户的服务体验，Kimi将优先调配现有算力资源，确保已订阅用户权益不受影响。同时，团队正在全速推进算力扩容，待新增算力陆续到位后，将逐步开放更多订阅名额，直至恢复正常订阅服务。 在订阅体系调整方面，Kimi计划对后续新用户权益进行拆分，将“Kimi主权益”和“Kimi Code权益”分别管理。其中，Kimi主权益覆盖Kimi Web、Kimi APP以及Kimi Work等产品服务，Kimi Code则面向代码相关使用场景，以实现算力资源更精准匹配，提升整体服务稳定性。 此次暂停新增订阅反映出AI应用快速增长背景下，模型服务商面临的算力供给压力。随着大模型应用规模持续扩大，算力基础设施、资源调度能力以及用户增长之间的平衡，正在成为AI企业商业化运营的重要挑战。

2026

aibase资讯

发布仅三天就踩下刹车：Kimi K3 用户请求爆表，月之暗面算力顶到天花板

一款大模型上线三天就不得不暂停新用户入口，这种事在行业里并不多见，但月之暗面刚刚就这么做了。 7 月 19 日，Kimi官方发布公告称，由于Kimi K3 上线后用户请求量快速增长，为保障现有订阅用户的使用体验，即日起暂停C端新用户订阅，把现有算力优先投入已订阅用户服务，确保他们的会员权益不受影响。 这纸公告背后，是一组超出团队预期的数字。Kimi团队表示，自 7 月 16 日发布Kimi K3 以来，产品获得了远超预期的用户支持，但过去 48 小时内，用户请求量已大幅超过此前的预估，并逼近现有算力集群的承载极限。在算力完成扩容之前，平台将暂时停止向C端开放新的订阅名额。公告同时给出承诺：月之暗面目前正全速推进算力扩容，随着新增算力陆续上线，平台会逐步恢复新用户订阅，直至全面恢复正常开放。 与暂停订阅同步抛出的，还有一项权益拆分计划。Kimi宣布，未来面向新订阅用户，将把Kimi主权益与Kimi Code权益拆开。其中，Kimi主权益覆盖Kimi Web、Kimi App和Kimi Work，平台称此举旨在更精准地匹配算力资源，保障不同产品的使用体验。换句话说，越来越吃算力的编程能力，将被单独拆出来核算成本。 把时间拨回三天前的发布日。Kimi K3 于 7 月 16 日正式发布，是月之暗面目前能力 最强 的大模型，拥有2. 8 万亿参数和 100 万Tokens的上下文窗口，主要面向长程编程与端到端知识工作。根据Kimi开放平台公布的信息，K3 采用按量计费模式，输入价格为每 100 万Tokens2 元（缓存命中）或 20 元（缓存未命中），输出价格为每 100 万Tokens100 元。 更值得玩味的是商业侧的反馈。 7 月 18 日，Kimi总裁张予彤表示，K3 将于近日开放模型权重。她同时透露，数据显示，在 7 月 17 日K3 发布节点，公司年化收入（ARR）创下了历史 最大 单日增幅。一边是收入曲线被需求瞬间拉出尖峰，一边是算力基础设施被真实流量顶到了极限——这次暂停订阅，恰好把大模型从发布PPT走进真实生产环境后最尖锐的矛盾，赤裸裸地摆在了台面上。 当一个2. 8 万亿参数的巨兽撞上用户的真实热情，算力扩容的速度， 第一 次成了比模型参数更紧迫的考题。

2026

量子位资讯

量子位编辑作者招聘

关注前沿科技 2026-07-19 18:18 北京 3个岗位（含实习），不设边界 编辑部 发自 凹非寺 量子位 | 公众号 QbitAI AI热潮还在汹涌，但如果你还不知道如何参与……那为什么不来 量子位 呢？ 我们是一家以 追踪AI新进展 为核心的内容平台，经过8年积累，目前拥有顶流影响力，广泛且备受认可的产业资源，以及时代风口的最佳观测和学习生态位。 目前，我们有 三大方向 岗位招聘，希望你是 （或者能成为） 这三个方向的内容专家： AI产业方向：关注基建层创新，包含芯片、AI Infra、云计算； AI财经方向：关注AI领域创投和财报，跟踪产业链资本动向； AI产品方向：关注AI在应用和硬件终端方向的进展。 岗位均为全职，工作地点：北京中关村。 岗位面向： 社招：覆盖编辑、主笔、主编各个层级，按能力匹配岗位； 校招：应届毕业生，接受实习且可转正。 加入我们，你可以获得： 站在AI浪潮之巅：第一时间接触和了解AI领域最新技术和产品，构建完整的AI认知体系。 玩转AI新工具：将各种AI新技术、新工具应用于工作，提升工作效率和创造力。 打造个人影响力：通过撰写独家原创内容，建立个人知名度，成为AI领域的意见领袖。 拓展行业人脉：与AI领域大咖零距离接触，参与重要科技活动和发布会，拓展行业视野。 获得专业指导：应届新人会由主编级编辑出任mentor，提供一对一指导，帮你更快进步获得成长。 加入活力团队：与一群志同道合的年轻人一起工作，享受扁平、简单、开放、多劳多得能者上位的团队氛围。 获得丰厚回报：行业TOP薪资待遇，五险一金、餐补、项目绩效、商务绩效、加班补助等福利一应俱全。 以下是岗位详情： 所有岗位不同能力层级职位均在开放，欢迎结合个人履历和经验申请。 主编：具备选题和带队能力及经验； 主笔：具备原创深度稿件能力； 编辑：热爱表达，喜欢挖掘信息，能够用大白话让所有人看懂AI新进展。 AI产业方向 岗位职责： 跟进AI基建层新进展，包括但不限于芯片、AI Infra、云计算领域新进展，核心玩家动态； 做前沿论文、开源社区、技术大会 （Hot Chips、NeurIPS、MLSys） 技术报告大众化解读； 参与核心采访，对话产业专家、技术大牛、撰写AI云落地案例。 任职要求： 对芯片、GPU、NPU、服务器、模型训练架构、云计算等有基本理解； 熟悉AI行业的供应链与生态 （训练–推理、算力–成本、云–芯片关系）； 能把复杂技术内容结构化表达； 有技术背景、理工或CS/EE方向优先。 AI财经商业方向 岗位职责： 聚焦 创投、AI创业公司、上市公司、商业模式、产业链 资本动向； 产出创投融资、招股书财报解析、公司战略分析等稿件； 访谈对话投资人、创业者、产业分析人士。 任职要求： 对数据敏感，对财报、股权结构、战略规划感兴趣； 逻辑结构强，对商业叙事敏感； 热爱对话采访，社交型人格。 AI产品方向 岗位职责： 关注AI在终端的落地：包括软件应用产品、硬件方向落地； 撰写AI应用产品深度评测、跟踪多终端新品发布 （手机、PC、XR、车机等）； 对话访谈AI应用创业者、产品专家、终端技术专家。 任职要求： 对智能硬件、AI终端趋势敏锐，重度AI产品体验人士； 熟悉各大终端厂商业态、体验方法论； 有强逻辑、体验表达和结构化能力。 应聘方式 1、请将个人简历发送至zhaopin@qbitai.com，邮件主题请注明“ 量子位XX方向应聘 - [你的姓名] ”； 2、随简历附上你的科技行业代表作品，或者能展现个人写作水平和风格的作品。 关于量子位： 截至2025年，通过及时追踪AI及前沿科技进展，量子位在微信公众号已经有超260万订阅用户，全网用户超700万，日均阅读量200万+。 在新榜和清博等第三方数据平台，量子位已是AI以及前沿科技行业TOP1新媒体。 一键三连 「点赞」「转发」「小心心」 欢迎在评论区留下你的想法！ — 完 — 🌟 点亮星标 🌟 科技前沿进展每日见 跳转微信打开

2026

数字生命卡兹克资讯

聊聊今年涌进Anthropic的N个巨佬，他们押注的是下一个十年。

原创 数字生命卡兹克 2026-07-14 08:11 北京 史上最豪华打工天团 昨天，又看到一个新闻，又有一个新成员官宣加入Anthropic。 Tom Blomfield宣布从YC请假，加入Anthropic。 给我一下子整不会了。 不是，为什么这么多巨佬，都选择加入了Anthropic啊。 这个名字如果你在国内没听过很正常，但在英国金融科技圈，他是标志性人物。 他联合创办了Monzo，英国最大的数字银行之一，用户覆盖英国10%的人口，在那之前他还联合创办了GoCardless，做银行支付的基础设施，两家公司都做到了独角兽，估值超过10亿美元。 2019年英国女王授予他OBE勋章，表彰他对银行业竞争和普惠金融的贡献，后来他去了YC当合伙人，这是全世界最顶级的创业加速器，孵化过Airbnb、Stripe、Dropbox等等等等。 现在他放下了这一切，去Anthropic当了一个MTS（Member of Technical Staff）。 而且说实话，他这样的巨佬，已经不是个例了。 我回过头去，扒了扒今年上半年加入Anthropic的巨佬，不扒不知道，一扒吓一跳，这个身份之多远，身份地位之高，还是会让我有些诧异。 我从里面挑了9个我觉得非常有意思的人，给大家扒一扒，也能从他们身上，看出这些最聪明的人，对于这个时代的选择。 第一个，自然得从上半年那个最出圈的说起。 一、 Andrej Karpathy 今年5月19日，Andrej Karpathy在X上发帖宣布加入Anthropic。 发出去几个小时阅读量就破了百万。 如果你对AI这个领域稍微有点了解，你应该知道这个名字的分量，圈内人都叫他卡神。 他的YouTube上的神经网络保姆级教程系列，已经有了近3000万总播放。 而更猛的，是他的履历。 2015年，斯坦福博士毕业，导师是李飞飞。 同年，成为OpenAI的创始团队成员。 2017年，被马斯克挖去特斯拉当AI总监，直接向马斯克汇报。在 特斯拉 的五年里，他主导了Autopilot和FSD整个视觉系统的开发，特斯拉那条纯视觉路线的核心推动者就是他。 2022年离开Tesla，2023年短暂回到OpenAI，2024年又走了，自己创办了Eureka Labs做AI教育。 到了今年5月，他来到了Anthropic。 他加入的是Nick Joseph的预训练团队，组建一个子团队，做的事情是用Claude来加速Claude自己的预训练研究。 Anthropic内部现在超过80%合入代码库的代码由Claude生成，人类工程师主要就是负责指挥和审查，Karpathy的团队要把这个逻辑推到极致，用当前这一代Claude来加速下一代Claude的诞生。 简单说就是让AI研究AI自己。 他加入Anthropic的消息，大家可能多少都有刷到。 毕竟他是AI圈子里知名度最高的人之一，这事很难不出圈。 而这种级别的大佬，其实所有的顶级高管offer都是随便拿，但是最后他选择加入了Anthropic，来全身心的去做研究。 二、John Jumper 今年6月，John Jumper在X上发帖，宣布离开DeepMind，加入Anthropic。 他的本科是范德堡大学的物理和数学，硕士是剑桥的理论凝聚态物理，博士是芝加哥大学的理论化学。 2017年加入DeepMind，带队做蛋白质结构预测，搞出了AlphaFold，在蛋白质结构预测问题上取得突破，预测了超过2亿个蛋白质结构。 2024年拿了诺贝尔化学奖，39岁，70年来化学领域最年轻的诺奖得主。 他在DeepMind待了将近九年。 然后，他走了。 有一个背景值得注意。 2026年2月，Anthropic宣布和Allen Institute、Howard Hughes Medical Institute展开生命科学合作。 Allen Institute这边，重点是用多智能体系统做多组学数据分析、知识图谱管理和实验设计协调。 HHMI这边，是把AI agents放进实验室，连接实验知识、科学仪器和数据分析工作流。 4月据报道收购了隐形生物科技公司Coefficient Bio，开始准备内部建wet lab，就是能做真实生物化学实验的物理实验室。 这些基础设施全部就位之后，AlphaFold的缔造者来了。 一个诺贝尔化学奖得主，从世界上最好的AI研究机构之一主动离开。 这样的大神，其实已经不缺钱不缺荣誉不缺学术地位了，缺的就是一个他觉得值得全力以赴去做的新东西。 三、Peter Bailis Peter Bailis之前是Workday CTO。 先说一下Workday是干嘛的。简单讲就是全球最大的企业HR和财务管理软件公司之一，年收入逼近100亿美元，超过2万名员工，几乎所有大公司的人力资源系统背后都有它的影子。 Peter Bailis在2025年5月被请去当CTO，负责整个公司的agentic AI战略。 不过Bailis的背景其实不是纯管理出身。 他之前是斯坦福计算机系的教授，做过数据库和分布式系统研究，后来创办了Sisu Data，融了1.28亿美元，2023年被Snowflake收购。 之后去Google Cloud当工程VP，负责AI for Data，做过NL2SQL和RAG相关的产品，真的就属于学术能力和工程能力都非常牛逼的那种人。 然后，他在Workday待了不到一年，2026年3月决定走了，去Anthropic当了一个MTS，负责强化学习这块。 MTS全称Member of Technical Staff，是Anthropic和OpenAI通用的工程岗位名称，不管你之前是什么头衔，进来一律叫这个。 一家年收入接近百亿美元的企业软件公司CTO，在任职不到一年后转向Anthropic的强

2026

新智元资讯

Agent拉爆算力？中国杀出新物种：日冲10万亿Token，还赚钱了

ASI启示录 2026-07-19 17:53 北京 新智元报道 今年WAIC开幕当天，上海世博展区挤满了各种机器人、大模型和智能体。 但如果你问一圈做AI的人，2026年最让他们睡不着觉的事情是什么，答案出奇一致—— 不是模型不够强，是算力不够用了。 过去一年，AI行业发生了一个根本性的切换： 大模型从「陪聊」变成了「干活」。 这带来一个很直观的变化： Agent太能吃了。 这不是夸张。今年，密歇根大学、斯坦福等机构测算发现，在一组真实软件工程任务中，编码Agent每生成1个输出Token，背后平均要累计处理约154个输入Token。 更要命的是，这些Agent不是偶尔吃一顿，它们7×24小时不停地吃。行业里的共识是，今年AI推理的算力需求是去年的5倍到10倍。 与此同时，英伟达最新的高端卡今年很难大批进入国内，存量供给几乎没怎么增长。 需求暴涨，供给不动。怎么办？ 就在今天，商汤在总部举办以「算创·无限」为主题的Agentic时代AI基础设施创新发展论坛。 本次论坛上，商汤给出了一个听起来有点反常识的答案： 不造更强的卡，而是把比赛拆开，让不同的卡接力跑。 一场铁人三项的启示 要理解商汤在做的事情，得先搞清楚一个技术概念。 大模型每一次推理，其实可以拆成两道工序。第一道叫 Prefill，就是「读题」：把用户扔过来的资料、文档、聊天记录、上下文全部读进去，理解清楚。第二道叫 Decode，就是「答题」：在理解的基础上，一个字一个字地往外蹦答案。 这两道工序对硬件的要求完全不同。 读题拼的是计算吞吐量——你得一口气吞下海量信息，越快越好。答题拼的是显存带宽——你得一个字一个字地往外挤，快不了但不能卡。 过去大家的做法是一张卡从头干到尾，既读题又答题。这就好比让一个人独自跑完铁人三项——游泳、骑车、长跑全包了。能不能跑完？能。但一定不是最优解。 商汤的思路是： 把铁人三项拆开，让三个运动员各跑自己最擅长的那段。 具体来说，就是 让通用国产卡去做Prefill——它们的计算吞吐量不差，干这个活效率很高。把高端卡集中起来做Decode——这是它们的绝对强项。 这就是所谓的「异构混合推理」。说白了，不是逼国产卡去硬刚英伟达，而是让每一张卡都去干自己最擅长的事情。 听起来很美，但这事能落地吗？ 这事可远不是「把卡插上去就能跑」那么简单。 你想想看，一台Decode节点要同时协调三十个Prefill节点，这三十台芯片还可能来自不同厂家、不同代际。 网络怎么不堵？请求怎么分？长文档和短对话怎么区别对待？某张卡突然掉线怎么办？缓存命中率怎么保证？ 商汤首席科学家张行程说得很实在： 纯英伟达方案4个Prefill对1个Decode就够了，换成国产方案变成30对1，网络复杂度、调度复杂度、容错复杂度全线飙升。 所以商汤这几年在底层做了海量的脏活累活——编译器、算子、网络、缓存、调度、容错，一层一层地打通。经过系统级调优，才能让这套复杂程度远高于英伟达方案的异构系统，实现长时间稳定运行，系统可靠性达到99.9%，真正实现大规模商用。 而且从2018年开始，商汤就在做多芯片适配，到今天形成了一整套方法论。 张行程说，这不单纯是技术上的方法论，更是一种组织上的方法论——商汤自己的研发团队、芯片原厂、高校和科研机构，有的深度绑定、有的灵活协作，拧在一起才啃得动这块骨头。 目前，这套方案已经在真实客户场景中跑通了。适配的模型包括GLM 5.2、DeepSeek V4、Kimi K2.7、MiniMax M3、SenseNova V6.7等主流大模型。 但光是「能跑」还不够。技术再漂亮，不赚钱就是玩具。接下来才是整个故事里最关键的一步。 国产算力，上桌吃饭 过去几年，国产算力的叙事基本上是这么个套路：自主可控很重要，供应链安全很紧迫，我们的芯片能跑了。然后呢？然后往往就没有然后了。 能跑，但是性价比不行。能用，但客户不买单。声音很大，账算不平。 商汤这次最让人意外的地方在于： 国产芯片参与的混推集群，已经实现了可盈利。 这里的「可盈利」不是财务游戏，商汤科技联合创始⼈、⼤装置事业群总裁杨帆给了一个非常明确的定义： 收入覆盖折旧、摊销、机柜租赁、电费和人员服务费之后，利润率为正。 是真金白银地赚钱。 怎么做到的？ 第一步，把国产卡的实际性能「榨」出来。 商汤在三个不同厂牌的国产芯片上做定向优化，单卡MFU（可以理解为「有效利用率」）相比原厂出厂表现平均提升约一倍，最高的一款提升了152%。 第二步，通过异构混推，让同样成本产出更多Token。 相比国产同构推理，异构混推的同成本Token产出规模扩大了2.5倍。简单说，同样花那么多钱买卡和建机房，产出的Token多了一倍多。 第三步，Token量跑起来了。 年初日均4000亿Token，到7月底预计日均2.42万亿，年底目标是日均10万亿——全年预期增长25倍。账算得正是一回事，规模跑得起来才能证明这不是小打小闹。 这意味着， 国产算力第一次不必等到单卡全面追平英伟达，就通过系统分工，提前进入了真实的商业市场。 不是等着领先了再上桌，而是找准了自己的位置先坐下来——还挣到钱了。

2026

Simon Willison's Weblog资讯

AI Mania Is Eviscerating Global Decision-Making

AI Mania Is Eviscerating Global Decision-Making Here's an entertaining perspective from Nik Suresh on the AI mania that is overwhelming the large companies that he consults with. It's crammed with spicy anecdotes from anonymous sources. In one extreme case, I have seen an executive confess that they had never even used ChatGPT or any AI tool in their life, immediately after producing a technical strategy for an organisation with $2B+ in revenue which was entirely centered around AI. Here's a report from an engineer at a company with a token leaderboard: Checking out a parallel copy of our Go repository and telling the AI to rewrite the whole thing in Zig while I work on something else just so I can keep my job. I particularly enjoyed this conversation with a skeptical executive at an over-enthusiastic company: I asked why this was being repeated without opposition. Was it just sales fluff? The answer was a lot more interesting. It was partially ridiculous sales material being delivered to an easily excitable audience, but this was not the dominant factor constraining honesty. Executives at their customers were saying absurd things about achieving 100x productivity, and this meant that if any executive at the vendor said that these gains were not plausible, it would undermine the credibility of the customer’s executive, be perceived as an attack (or heresy), and possibly result in an enterprise contract cancellation. And getting enterprise contracts cancelled because you wanted to opine on something that doesn’t really matter to your organisation’s mission is a great way to get fired. Via Hacker News Tags: ai, ai-ethics, ai-misuse

2026

twitter-ginobefun资讯

BestBlogs 早报 · 07-19 # 开放权重 / LLM 代码安全 / 具身智能 / OpenVM / Kimi K3 [1] ★ 精讲｜开源 AI 现状 — V1.0 · 2026 年 7 月 Mozilla 汇集开发者调...

BestBlogs 早报 · 07-19 # 开放权重 / LLM 代码安全 / 具身智能 / OpenVM / Kimi K3 [1] ★ 精讲｜开源 AI 现状 — V1.0 · 2026 年 7 月 Mozilla 汇集开发者调查、市场与基准数据，指出开放权重在编码等任务已接近闭源模型，但生产落地率仍落后，瓶颈集中在部署、合规与维护。文章进一步把竞争焦点推向 Agent harness 的权限、记忆和治理层，帮助读者判断自托管真正需要补齐的工程能力。 来源：Hacker News [2] ★ 精讲｜腾讯发布多款具身智能基座模型与智能体，钛螺丝平台迎来全面升级 腾讯一次发布三款具身基座模型与两个智能体，尝试打通感知、规划、动作和持续反馈。官方披露 HyVLA-0.5 已进入日化工厂实测，作业成功率高于 95%、节拍快于 6 秒/件；读者可借此观察具身 AI 从单模型评测走向软硬协同部署的路径。 来源：腾讯技术工程 [3] ★ 精讲｜用 LLM 构建源代码安全防护体系 [视频] Anthropic 的 Eugene Yan 将 LLM 代码审计拆成威胁建模、隔离沙箱、发现、独立验证、风险分级和修复闭环。关键提醒是，模型扩大了扫描范围，也把稀缺资源转移到工程师的验证与处置时间；读者能据此设计从交互式试点走向自动化的安全流程。 来源：AI Engineer [4] AI 遇上密码学 2：AI 在 OpenVM 的 zkVM 中发现了什么 一名 AI 审计员在 OpenVM 的 pairing guest 库中发现了一个严重的健全性漏洞，该漏洞通过忽略缩放因子的子域检查，允许伪造任何配对等式。 来源：Hacker News [5] IsoDDE：超越 AlphaFold 的全新药设计引擎 — Isomorphic Labs Isomorphic Labs 推出 IsoDDE，一款统一的 AI 药物设计引擎，在新型蛋白-配体预测上精度超过 AlphaFold 3 两倍以上，并在结合亲和力预测上超越基于物理的方法。 来源：Hacker News [6] AI 手机的真问题从来不是智能，是信任 文章通过阶跃 STEPX Neo 的演示，深入分析 AI 手机的核心瓶颈在于信任而非智能，并提出系统重构与分级治理的解决路径。 来源：硅星人 Pro [7] AI 每天生产 1000 万首新歌，Spotify 等平台最终会消亡丨 100 个 AI 创业者 ACE Studio 创始人郭靖讲述 AI 音乐工具的商业化路径与未来愿景，认为 AI 带来的音乐供给爆发将摧毁 Spotify 等流媒体平台的根基，下一代音乐平台将是一个懂你的 music agent。 来源：晚点 LatePost [8] Claude Code 是怎么设计出来的：下一代设计师负责什么丨 Dive Club Claude Code 设计负责人 Meaghan Choi 分享如何设计没有传统界面的 AI 产品，核心是让设计从画布扩展到心智模型、行为与组织工作流，并强调在 AI 能执行一切时，设计师的判断力与取舍比以往更重要。 来源：晚点再听 LaterCast [9] 2026，中国芯片为国产模型「托底」丨 WAIC 现场 本文通过 WAIC 2026 现场报道，分析国产芯片、大模型和具身智能的最新进展，指出国产 AI 产业正从拼参数转向重性价比，算力生态壁垒逐步瓦解，产业链上下游形成相互支撑格局。 来源：腾讯科技 [10] 智能体评估差距：企业 AI 组织存在现实对齐问题，而非覆盖问题——而且大多数仍在推向生产环境 VentureBeat 对 157 家企业的调查显示，半数企业已部署通过内部评估但在生产环境中失败的 AI 智能体，尽管只有 5% 完全信任自动化评估，但三分之二的企业正朝着零人工介入部署的方向发展 来源：VentureBeat --- · 发现真正适合你的高质量内容 BestBlogs 是 AI 驱动的私人阅读助手，帮助你发现真正适合你的高质量内容，关注你感兴趣的来源和主题，每天生成一份更适合自己的「我的早报」，欢迎体验和关注我们。 在线阅读： ginobefun:

2026

新智元资讯

刚刚，中国AI首次赢了！一张8K东方长卷惊艳全场

ASI启示录 2026-07-18 18:26 北京 新智元报道 直出8K长卷，中国AI还是首次！ 就在今天，WAIC大会上，商汤正式发布下一代「满血旗舰」——日日新SenseNova-U1 Pro。 这是业界头一回，把「看懂、生成、动手」原生做进了同一个多模态基座的底层。 现场，商汤科技董事长兼CEO徐立揭晓了一幅为WAIC九周年特制的「东方城市长卷」——《智会世图》。 8K超清巨制，受限于上传规格，画质有所压缩 从2018到2026，满城人物、山水楼阁、市井百态，尽数收进这一卷里——看到它，很难不想起《清明上河图》。 而这么大一幅、铺满整面迎宾墙的画，竟然是U1 Pro直出的。 换个场景，张张能交差 但一张全景图，还装不下它的全部本事。 东方长卷 · 盛唐长安西市 这张图的细节堪称恐怖。在21:9的超宽画幅下，盛唐的烟火气扑面而来。 画面中足足塞进了五十多号人物，最绝的是完全没有AI常见的「复制粘贴」敷衍感。 放大来看，骑马的官员、乐师弹琵琶、卖香料的胡商、追灯笼的孩童，每一个角色的神态、动作和服饰制式都精准独立。 朱红、赭石、深蓝、琥珀金四色铺开，灯笼暖光撞上夜色冷调，全在一次生成里落定。 电影海报 · 雨夜来信 一张民国上海的悬疑电影海报。 雨夜的街头，玻璃倒影里藏着三个人物—— AI画面没有简单粗暴地将侦探、神秘男和送信人「贴」在背景里，而是严格遵循了真实的物理空间关系。 通过老式邮局玻璃、雨水与薄雾的多层折射，将这三位叙事人物精妙地隐藏在倒影中，空间景深与悬疑张力直接拉满。 片名带着手写的墨迹，就连演职员表都巧妙地被「加密」的黑线代替。氛围、光影、文字、构图，一次到位。 动画海报 · 二次元 乐队 一张8K的国风二次元乐队《长安未眠》舞台海报，简直令人拍案叫绝。 五个人，五种乐器，五套不重样的国潮打扮，U1 Pro极其聪明地处理了群像排布。 背景中，水墨山河化作金色的声波和飞鸟，与顶部的中文「长安未眠」完美契合。朱红、墨黑与鎏金的光影碰撞，把那种「盛唐赛博」的舞台炸裂感直接拉到了最高。 商业广告 · 山岚高山乌龙茶 再看一张奢侈品级的茶叶广告，最考验的是材质和文字。 哑光纸盒、烫金字、薄胎白瓷、胡桃木桌、袅袅茶汤蒸汽——五种质感堆在一张图里，任何一处露出塑料感就废了。 展览海报 · 山河入画 换到平面设计，这张图的高级感，是那种可以直接挂在顶级美术馆门口的水平。 U1 Pro极其聪明地处理了「二维与三维」的打破与重组，底部的山体还是带着在宣纸上洇开的墨迹，往上走，竟顺滑地变成了有真实光影的3D岩石和云层。 朱红色的丝带贯穿山谷，与山脚下极小的白衣人物形成鲜明对比，那种「寄蜉蝣于天地」的宏大尺度感扑面而来。 而且，标题、展期、地点、开放时间，不仅干净利落，而且一个字都没写错。 老实说，在生图领域，「长文本排版」和「物理科学逻辑」是公认的两座大山。 但U1 Pro的成图，直接把这两座大山给推平了。 《月相》中文科普海报画面中，从主副标题、四段密集的科普正文，到图注、底部知识卡片，几百个汉字竟然做到了逐字精准，零错字、零乱码、零「AI伪汉字」。 更绝的是，AI常常缺乏空间物理常识，但U1 Pro精准构建了「日-地-月」的位置关系示意图。 信息设计 · 中国茶的六大茶类 信息图再进一步：六个模块环绕中心茶杯，茶名、茶汤色、产地、山水小插画各就各位，几十处中文零乱码，配色克制、逻辑清楚——一张能直接挂上博物馆展板的图。 从繁华长卷到商业广告，从科普卡片到电影海报，同一个模型，一口气全包了。 这张《岚月》角色设定图，足以证明了U1 Pro具备了「主美级」的落地能力。 在这个二次元原创角色设定集中，AI一并绘制了主图，以及三视图、四个动作图、技能特效，外加一堆装备细节和中文资料卡。 角色面部、复杂苗族银饰、多层蜡染裙甲，在所有视角下保持绝对统一。 接下来，让U1 Pro和GPT Image 2进行一场「硬碰硬」的实战。 在同一提示词下，究竟谁的成图更胜一筹？话不多说，直接看效果。 先来看看这道「麻婆豆腐」菜谱图。 从整体观感来说，U1 Pro赢在了「清爽」。 它知道菜谱的重

2026

量子位资讯

量子位编辑作者招聘

关注前沿科技 2026-07-18 15:45 北京 3个岗位（含实习），不设边界 编辑部 发自 凹非寺 量子位 | 公众号 QbitAI AI热潮还在汹涌，但如果你还不知道如何参与……那为什么不来 量子位 呢？ 我们是一家以 追踪AI新进展 为核心的内容平台，经过8年积累，目前拥有顶流影响力，广泛且备受认可的产业资源，以及时代风口的最佳观测和学习生态位。 目前，我们有 三大方向 岗位招聘，希望你是 （或者能成为） 这三个方向的内容专家： AI产业方向：关注基建层创新，包含芯片、AI Infra、云计算； AI财经方向：关注AI领域创投和财报，跟踪产业链资本动向； AI产品方向：关注AI在应用和硬件终端方向的进展。 岗位均为全职，工作地点：北京中关村。 岗位面向： 社招：覆盖编辑、主笔、主编各个层级，按能力匹配岗位； 校招：应届毕业生，接受实习且可转正。 加入我们，你可以获得： 站在AI浪潮之巅：第一时间接触和了解AI领域最新技术和产品，构建完整的AI认知体系。 玩转AI新工具：将各种AI新技术、新工具应用于工作，提升工作效率和创造力。 打造个人影响力：通过撰写独家原创内容，建立个人知名度，成为AI领域的意见领袖。 拓展行业人脉：与AI领域大咖零距离接触，参与重要科技活动和发布会，拓展行业视野。 获得专业指导：应届新人会由主编级编辑出任mentor，提供一对一指导，帮你更快进步获得成长。 加入活力团队：与一群志同道合的年轻人一起工作，享受扁平、简单、开放、多劳多得能者上位的团队氛围。 获得丰厚回报：行业TOP薪资待遇，五险一金、餐补、项目绩效、商务绩效、加班补助等福利一应俱全。 以下是岗位详情： 所有岗位不同能力层级职位均在开放，欢迎结合个人履历和经验申请。 主编：具备选题和带队能力及经验； 主笔：具备原创深度稿件能力； 编辑：热爱表达，喜欢挖掘信息，能够用大白话让所有人看懂AI新进展。 AI产业方向 岗位职责： 跟进AI基建层新进展，包括但不限于芯片、AI Infra、云计算领域新进展，核心玩家动态； 做前沿论文、开源社区、技术大会 （Hot Chips、NeurIPS、MLSys） 技术报告大众化解读； 参与核心采访，对话产业专家、技术大牛、撰写AI云落地案例。 任职要求： 对芯片、GPU、NPU、服务器、模型训练架构、云计算等有基本理解； 熟悉AI行业的供应链与生态 （训练–推理、算力–成本、云–芯片关系）； 能把复杂技术内容结构化表达； 有技术背景、理工或CS/EE方向优先。 AI财经商业方向 岗位职责： 聚焦 创投、AI创业公司、上市公司、商业模式、产业链 资本动向； 产出创投融资、招股书财报解析、公司战略分析等稿件； 访谈对话投资人、创业者、产业分析人士。 任职要求： 对数据敏感，对财报、股权结构、战略规划感兴趣； 逻辑结构强，对商业叙事敏感； 热爱对话采访，社交型人格。 AI产品方向 岗位职责： 关注AI在终端的落地：包括软件应用产品、硬件方向落地； 撰写AI应用产品深度评测、跟踪多终端新品发布 （手机、PC、XR、车机等）； 对话访谈AI应用创业者、产品专家、终端技术专家。 任职要求： 对智能硬件、AI终端趋势敏锐，重度AI产品体验人士； 熟悉各大终端厂商业态、体验方法论； 有强逻辑、体验表达和结构化能力。 应聘方式 1、请将个人简历发送至zhaopin@qbitai.com，邮件主题请注明“ 量子位XX方向应聘 - [你的姓名] ”； 2、随简历附上你的科技行业代表作品，或者能展现个人写作水平和风格的作品。 关于量子位： 截至2025年，通过及时追踪AI及前沿科技进展，量子位在微信公众号已经有超260万订阅用户，全网用户超700万，日均阅读量200万+。 在新榜和清博等第三方数据平台，量子位已是AI以及前沿科技行业TOP1新媒体。 一键三连 「点赞」「转发」「小心心」 欢迎在评论区留下你的想法！ — 完 — 🌟 点亮星标 🌟 科技前沿进展每日见 跳转微信打开

2026

量子位资讯

中兴通讯联合国产算力厂，拿下WAIC SAIL之星

原创 关注前沿科技 2026-07-18 15:45 北京 把超节点从概念做成产品 克雷西 发自 上海 量子位 | 公众号 QbitAI 今年WAIC的SAIL之星，依然颁给了超节点，依然颁给了中兴通讯。 中兴通讯这次在WAIC上，拿出了自己的版本，叫 OEX超节点。 基于OEX加dOCS架构的国产高性能Matrix超节点方案，同期 拿下了本届大会的SAIL奖，这是中兴通讯连续第二年拿到这个奖项。 超节点这条路，英伟达用GB200 NVL72蹚出来之后，已经成了大厂们扎堆冲的方向。 这条路被英伟达验证之后，中国已经开始把它基建化、工程化了。 同一个展台上，还摆着一部手机。 AI智能体手机 努比亚NaviX Ultra，由中兴通讯努比亚全链路主导打造，也在这次大会上第一次公开亮相。 一个是机房货架里的互联架构，一个是揣在兜里的手机，中间隔着的东西不少。 中兴通讯把它们放进了同一个展台，AI基础设施、AI应用、AI智慧家庭、AI智能体手机，四个展区挨在一起。 机架里的超节点、机房里的供电系统、手里的这部手机，说的其实是同一件事—— 怎么把算力从生产出来，一路送到用户能摸到的地方。 AI全链路，尽在一个展区 中兴通讯这次在WAIC上搭了四个展区，分别叫 AI基础设施、AI应用、AI智慧家庭、AI智能体手机。 AI基础设施展区里， OEX超节点 是重点。 同一展区里，还有中兴通讯的 AIDC算电协同方案和算力网络架构。 这两套方案，负责把算力从机架里稳定地送出去。 AI应用展区里，中兴通讯展示了 「新支点AIOS」，这套系统覆盖行业场景、家端产品、个人终端产品三大方向。 它的定位是端-边-云协同的智能生态体系，借此，中兴通讯想要让AI从单点能力走向系统能力。 同一展区里还展出了 企业级智能体平台Co-Claw。 在中兴通讯内部，它被用来打造「AI驱动型组织」，聚焦办公、研发、运营；对外，其具有的AI能力可以复制给工业、轨交、矿山、冶金、电力这些垂直行业。 同时，中兴通讯也展示了其 AI健康医疗方案，并摆出了几个具体数字——体检报告生成效率提升10倍以上，一份HTA （卫生技术评估） 报告能在1到5分钟内产出，心血管辅诊在万例临床验证里准确率达到96%。 这个展区里还有三款人形机器人组成的具身智能矩阵。 体重30公斤级的轻量仿生机器人—— 中兴星仔，负责商业服务场景；负载30公斤以上的双足重载机器人 中兴星擎 、轮式重载机器人 中兴星旺，瞄准的是则是工业制造场景。 它们身上装的自研星巧系列灵巧手，作业精度能到0.2毫米以内，负载15公斤以上，控制器用的是星核车规级主芯片。 AI智慧家庭展区，展示的是家庭终端产品矩阵，这个矩阵已经连续五年拿下全球市场份额第一，年发货量超过1亿台，AI中屏产品累计发货也超过了300万台。 AI智能体手机展区里，站着这次大会的重头戏之一——全球首款AI智能体手机 努比亚NaviX Ultra。 这款量产旗舰产品由中兴通讯努比亚全链路主导打造，核心卖点是「一句话，就能让AI跨应用复杂任务」，用中兴通讯自己的话说，叫「一句话，努比亚都包了」。 就在今天，中兴通讯还举办了一场「全栈智算生态论坛」，论坛上，AI基础设施展区里展出的「中兴OEX超节点」正式发布。 一组超节点，就是一个AI工厂 中兴通讯是业界第一个提出正交架构超节点设计理念的公司。 他们这次拿出来的产品，叫 OEX正交架构超节点。 这个超节点单柜能塞进128个GPU，集成度在业内排第一， 往上还能Scale up扩展到1.6万卡规模。 能做到这个规模，靠的是架构层面的一处硬创新。 传统机柜内动辄几千根线缆，通信损耗大，维护也麻烦。 OEX的解法，是把计算托盘和交换托盘垂直交叉连接，这也是「正交」两个字的来历。 整套设计因此做到了0线缆、无背板，机内GPU之间的信号路径变短，信号损耗更低，时延也更低，互联成本大幅下降。 线缆和背板解决的是硬件本身的问题，芯片之间怎么协同又是另一回事。 中兴通讯的协同思路，是依托CPU、机内机间互联、网卡、DPU这五类芯片的 协同感知技术，跟主流GPU厂商深度合作，按需精准匹配最优方案。 于是，OEX超节点里的组件便可以相互解耦，按需灵活更换、择优组合，避免了被某一家芯片厂商锁死。 另外，中兴通讯还自研了机内互联交换芯片，同时兼容工信部主导的CLink协议和博通的SUE协议，相当于给不同阵营的GPU都留了一扇门。 架构和协同打通之后，还有落地速度和运维效率这两个问题。 为此，中兴通讯采用了前置式开发模式，也就是在GPU芯片发布之前，就联合芯片厂商做仿真、做架构预适配、做算法的前置优化。 等芯片真正量产出来，配套的整机方案已经提前跑通。 除此之外，中兴通讯还统一定义了机柜形态、接口规范、互联协议，形成了一套可以复制的工程范式，产品落地周期因此 从1年以上压缩到半年以内。 围绕这套范式，中兴通讯给GPU厂商提供了即插即用的「算力集装箱」，厂商把芯片装进去就能用，不用再自己从头设计机柜和互联。 模块化设计还带来了另一个好处——机柜的安装时间从原来的天级，压缩到了分钟级。 规模上，这套架构没有停在单机柜。 造单机柜的基础上，中兴通讯用 电交换+光互联 的方式做灵活扩展，构建出规模最高可达16384个GPU的集群超节点。 这一整套打法，不是中兴通讯关起门来自己做的。 中兴通讯联合了曦智科技、壁仞科技、沐曦股份、燧原科技、天数智芯等芯片厂商，在OEX的基础上叠加了dOCS （分布式光交换） 架构。 这种架构，能根据算力任务动态调整节点之间的连接拓扑，不用固定死一套线路。 它帮助中兴和这些厂商实现了更好兼容，从而扩展出了Matrix超节点。 这套联合方案，拿下了今年WAIC的SAIL奖，这是中兴通讯连续第二年拿到这个奖项。 供电和散热，谁来解决？ 除了OEX超节点，中兴通讯还面向大模型和高密智算时代，打造了一套算电协同、源网荷储一体化的 AIDC整体解决方案。 其中，800V高压直流方案将于今年9月投入商用。 这套方案主要解决两个问题，一个是供电损耗，一个是散热压力。 这两个问题，背后都有同一个诱因——由于智能算力需求的增长，机柜功率密度也随之猛增。 供电损耗这道题，卡在传统供电链路上。 传统数据中心用的是多级交流直流转换链路，从市电到UPS到服务器电源这一路转换下来，供电效率大约是94%。 机柜密度越高，损耗就越严重。 以一个10兆瓦级的数据中心算，传统供电模式下，单是电力损耗每年就要多花数百万元运营成本。 功率密度的增高，还会带出另一重麻烦。 同一电压下，功率的增高必然伴随着电流变大，于是铜排和电缆截面就得做得更粗，施工难度、占地面积、铜材成本一起往上走。 中兴通讯的思路也顺理成章，既然功率=电流×电压，那么不想让电流太大，就得把电压提上去。 于是，便有了中兴通讯的 800V HVDC方案。

2026

新智元资讯

刚刚，WAIC杀出国产「桌面超算」！150B大模型，放你桌上跑

ASI启示录 2026-07-17 21:03 北京 新智元报道 7月17日，上海，黄浦江畔，夏风滚烫。 2026世界人工智能大会（WAIC 2026）在上海世博、张江、西岸「三地四馆」同步引爆—— 超10万平方米展区、1100余家企业、3000余项展品、超300款全球首发产品集中亮相，9位图灵奖、诺贝尔奖得主参会。 这阵仗，用「盛况空前」都稍显克制。 而就在WAIC开幕的同一天上午，我们注意到一家国产芯片公司搞了一件大事。 此芯科技，一家成立于2021年、专注自研高性能智能体CPU的公司，在上海举办了一场以「芯聚无限 智启新元」为主题的发布会。 此次，他们正式发布了 AGX Agentic Compute 智能体计算战略——一把打通芯片、整机和操作系统，构建覆盖端、边、云的全域算力底座。 这步棋，下得正是时候。 DeepSeek掀起的国产芯片适配潮还在持续发酵，OpenAI和Anthropic相继官宣自研芯片，全球AI算力的版图正在被重新撕扯。 而在端侧，一个更深层的变化正在发生—— AI不再只是「聊天」，它开始真正「干活」了。 智能体（AI Agent）从概念走向落地，算力需求的重心也从「训练」向「推理与执行」急速迁移。 两条曲线撞在一起，一个被集体忽略的问题浮现—— 智能体，到底该跑在什么芯片上？ 答案有多炸裂？发布会现场，一台办公桌大小的机器被抬上台——AGX Station。在配置相应AI加速卡后，可 本地推理70B至150B参数规模的大模型，多台设备还可级联组成桌面级算力集群。 算力的新货币，叫Token 今天上午，此芯科技创始人、CEO孙文剑登台，开口就扔出了一个判断： 我们正站在一个从「生成内容」到「完成工作」的范式跃迁的起点，而此芯科技，将是这场变革的核心驱动力。 这话乍听有点大。但顺着它的逻辑往下走，站得住。 过去几年，AI算力围着Scaling Law转，火力全部压在「训练」上训练是军备竞赛，但它只打一次。 模型训完了，真正烧钱的是接下来7×24小时永不停歇的推理账单。 但2026年风向变了。AI Agent不再是PPT上的愿景，而是真的开始拆任务、调工具、跑流程。Gartner预测，到2028年将有约三分之一的企业级软件内嵌智能体功能。 于是衡量算力的标准，从峰值算力转向任务完成效率，而 Token则成了智能体时代算力价值的新「货币」。 为什么偏偏是2026？孙文剑给了四个理由： 大模型迭代周期已经缩到「每几个礼拜」，能力撞上临界点； 工具链和框架把开发门槛按了下去，开发者蜂拥入场； 资本认定智能体是继大模型之后的又一个核心赛道； 而最关键的商业闭环，在过去半年内跑通了。 他顺手举了一个此芯自己的例子： 此芯的芯片是前年出来的，去年才和一批合作伙伴把底层硬件搭好——「那时候呢，其实还没有智能体。」 等智能体真的起来，他们回头一看，发现自己的硬件「非常适合做智能体」。这次伏笔被兑现了，机会留给了早有准备的人。 三大支柱：从一颗CPU 长成一张全域算力网 在孙文剑看来，智能体已经不是被动响应的知识库，而是能主动拆解目标、调用工具、执行任务的「任务执行者」。 它要真正规模化落地，卡在三件事上： 跑得稳、用得起、可持续。 正是基于这一洞察，此芯科技率先构建起AGI时代的智能体原生一体化平台。 发布会上，孙文剑正式发布AGX Agentic Compute战略。 围绕「跑得稳、用得起、可持续」三大命题，此芯科技确立了 三大战略支柱。 第一，聚焦智能体专用 CPU。 这是整个战略最硬的地基。 智能体的负载和聊天机器人完全不是一回事——它要连续思考，要频繁调用工具，要在长上下文里维持记忆。CPU不再是「打杂的」，而是任务调度与执行的中枢。 所以此芯的选择是： 从底层架构开始，为智能体重新定义一颗 CPU，而不是拿通用芯片凑合。 自研的此芯P1，就是这块地基石。 孙文剑在台上透露了一个细节： 五年前定义P1的时候，他们把高性能 CPU 、兼容性极强的 GPU，和一颗「前瞻性」的NPU捏在了一起。 「五年前我们对这个芯片，还怀着一个忐忑的心情。」五年后，这颗6纳米的芯片被产业界拿去，用进了各行各业，忐忑变成了底气。 第二，实现端边云全域协同。 智能体不会只活在云上，也不会只活在端上。 一个真实的业务流程，可能前一秒在本地拆意图，后一秒调云端大模型补脑子，再下一秒回到边缘执行。算力一旦被割裂在不同架构、不同生态里，协同就是句空话。 此芯的解法，是坚持了多年的「 一芯多用 」： 一颗高性能智能体CPU，配上不同的操作系统、不同的大模型和软件，打进消费、工业、车载、边缘四大计算场景。 再往前一步，就是这次战略里更大的那句话—— 以自研此芯P1为核心，打造覆盖端、边、云全场景的全域算力底座，真正实现

2026

量子位资讯

量子位编辑作者招聘

关注前沿科技 2026-07-17 20:06 北京 3个岗位（含实习），不设边界 编辑部 发自 凹非寺 量子位 | 公众号 QbitAI AI热潮还在汹涌，但如果你还不知道如何参与……那为什么不来 量子位 呢？ 我们是一家以 追踪AI新进展 为核心的内容平台，经过8年积累，目前拥有顶流影响力，广泛且备受认可的产业资源，以及时代风口的最佳观测和学习生态位。 目前，我们有 三大方向 岗位招聘，希望你是 （或者能成为） 这三个方向的内容专家： AI产业方向：关注基建层创新，包含芯片、AI Infra、云计算； AI财经方向：关注AI领域创投和财报，跟踪产业链资本动向； AI产品方向：关注AI在应用和硬件终端方向的进展。 岗位均为全职，工作地点：北京中关村。 岗位面向： 社招：覆盖编辑、主笔、主编各个层级，按能力匹配岗位； 校招：应届毕业生，接受实习且可转正。 加入我们，你可以获得： 站在AI浪潮之巅：第一时间接触和了解AI领域最新技术和产品，构建完整的AI认知体系。 玩转AI新工具：将各种AI新技术、新工具应用于工作，提升工作效率和创造力。 打造个人影响力：通过撰写独家原创内容，建立个人知名度，成为AI领域的意见领袖。 拓展行业人脉：与AI领域大咖零距离接触，参与重要科技活动和发布会，拓展行业视野。 获得专业指导：应届新人会由主编级编辑出任mentor，提供一对一指导，帮你更快进步获得成长。 加入活力团队：与一群志同道合的年轻人一起工作，享受扁平、简单、开放、多劳多得能者上位的团队氛围。 获得丰厚回报：行业TOP薪资待遇，五险一金、餐补、项目绩效、商务绩效、加班补助等福利一应俱全。 以下是岗位详情： 所有岗位不同能力层级职位均在开放，欢迎结合个人履历和经验申请。 主编：具备选题和带队能力及经验； 主笔：具备原创深度稿件能力； 编辑：热爱表达，喜欢挖掘信息，能够用大白话让所有人看懂AI新进展。 AI产业方向 岗位职责： 跟进AI基建层新进展，包括但不限于芯片、AI Infra、云计算领域新进展，核心玩家动态； 做前沿论文、开源社区、技术大会 （Hot Chips、NeurIPS、MLSys） 技术报告大众化解读； 参与核心采访，对话产业专家、技术大牛、撰写AI云落地案例。 任职要求： 对芯片、GPU、NPU、服务器、模型训练架构、云计算等有基本理解； 熟悉AI行业的供应链与生态 （训练–推理、算力–成本、云–芯片关系）； 能把复杂技术内容结构化表达； 有技术背景、理工或CS/EE方向优先。 AI财经商业方向 岗位职责： 聚焦 创投、AI创业公司、上市公司、商业模式、产业链 资本动向； 产出创投融资、招股书财报解析、公司战略分析等稿件； 访谈对话投资人、创业者、产业分析人士。 任职要求： 对数据敏感，对财报、股权结构、战略规划感兴趣； 逻辑结构强，对商业叙事敏感； 热爱对话采访，社交型人格。 AI产品方向 岗位职责： 关注AI在终端的落地：包括软件应用产品、硬件方向落地； 撰写AI应用产品深度评测、跟踪多终端新品发布 （手机、PC、XR、车机等）； 对话访谈AI应用创业者、产品专家、终端技术专家。 任职要求： 对智能硬件、AI终端趋势敏锐，重度AI产品体验人士； 熟悉各大终端厂商业态、体验方法论； 有强逻辑、体验表达和结构化能力。 应聘方式 1、请将个人简历发送至zhaopin@qbitai.com，邮件主题请注明“ 量子位XX方向应聘 - [你的姓名] ”； 2、随简历附上你的科技行业代表作品，或者能展现个人写作水平和风格的作品。 关于量子位： 截至2025年，通过及时追踪AI及前沿科技进展，量子位在微信公众号已经有超260万订阅用户，全网用户超700万，日均阅读量200万+。 在新榜和清博等第三方数据平台，量子位已是AI以及前沿科技行业TOP1新媒体。 一键三连 「点赞」「转发」「小心心」 欢迎在评论区留下你的想法！ — 完 — 🌟 点亮星标 🌟 科技前沿进展每日见 跳转微信打开

2026

量子位资讯

全球市占第一后，普渡在WAIC开始回答机器人下一场战争

原创 关注前沿科技 2026-07-17 20:06 北京 一脑多形，重构机器人产业新范式 田晏林 发自 凹非寺 量子位 | 公众号 QbitAI 如今，具身智能行业，是越来越务实了。 相比于造出一台更像人的机器人，业内更关心谁能让机器人长期运行在真实世界，并持续积累经验。 因为对于机器人而言，走出实验室只是第一步。 近日，国际权威咨询机构弗若斯特沙利文发布的《2025年全球具身智能与商用服务机器人独立市场研究报告》揭示了这样一个行业共识： 商用服务领域，正是具身智能规模化落地的“第一战场”。 在这个高频、刚需、ROI（投资回报率）清晰且极易实现全球化复制的赛道上，中国厂商不仅占据了主导地位，更在开启一场深刻的产业革命。 报告显示，从全球商用服务机器人收入、全球商用服务机器人出货量、全球商用清洁机器人收入、中国商用服务机器人出海四大维度评估， 普渡机器人 均排名第一。 该公司的产品已在全球85个国家和地区部署， 累计落地超过13万台机器人。 这些机器人正在餐饮、酒店、工业、仓储等大量真实场景中运行。 大规模部署不只代表商业成绩有多突出，更意味着其产品能持续获得真实世界反馈的能力。 这一点很重要。 当具身智能进入商业化阶段， 真正决定智能上限的，是它能否在一次次任务执行、环境交互和反馈中理解物理世界。 D7是普渡聚焦工业、零售等场景的类人形智能机器人。 和很多只展示单点能力的机器人不同，D7被放在了一个更大的问题里观察： 当机器人真正走向工业、零售、仓储等复杂环境，一次次工作的经历，如何沉淀为可复用的智能经验？ 这些经验，又是如何被迁移到不同形态的机器人上的？ 超13万台机器人冲在一线 正如PC、智能手机和智能汽车相继定义了不同的时代，机器人正成为Physical AI时代最重要的终端载体。 让机器人进入真实环境，也成了行业共识。 站在厂商角度， 真实环境已是兵家必争之地。 只因机器人和传统AI面对的是完全不同的数据环境。 大模型可以通过海量文本学习知识和语言规律，但机器人需要面对真实物理世界中的复杂变化。 它不仅要知道一个物体是什么，更要知道如何接近它、如何拿起它、如何适应变化中的环境。 这些能力，很难仅靠实验室里的训练或者有限的演示获得。 机器人必须进入真实场景，在一次次任务执行、环境交互和失败反馈中积累经验。 这也是为什么过去几年， 具身智能行业开始越来越重视「真机数据」。 但问题在于： 机器人想获得真实数据，首先要进入真实场景。而进入真实场景，本身又需要机器人足够成熟。 经典的「鸡生蛋」问题又出现了。 没有大量机器人部署，就没有足够真实数据；没有真实数据，机器人又很难快速提升。 少数企业正在尝试通过商业化部署打破这一怪圈。 过去十年，普渡持续将机器人投入餐饮、酒店、工业、仓储等真实场景。 目前，普渡机器人已经在 全球85个 国家和地区，部署 超过13万台机器人，覆盖餐饮、酒店、工业、仓储等16个行业。 这些机器人每天面对的，不是标准化测试环境，而是真实世界中的各种变化。 13万台机器人冲在各行业的一线，每一次运行，都在积累对于真实环境的理解。 △ 沙利文独立研究报告 据普渡方面披露，目前其每年 累计产生3650万小时 的导航数据、 1580万小时的操作数据。 但这些数据的价值，并不只是规模。更重要的是，它们来自机器人 第一视角。 过去，机器人厂商卖的是设备。 机器人完成一次任务，数据价值往往也就停留在这一次任务本身。 但未来的智能机器人，竞争逻辑会完全不同。 部署规模扩大，真实场景增加，数据不断回流，模型能力提升，机器人适应更多场景，进一步扩大部署。 以此形成真正的数据飞轮。 这也是为什么过去几年，越来越多企业开始争夺真实应用场景。 因为场景不是机器人商业化的终点，而是智能进化的起点。 不过，单纯依靠真实数据还不够。 AI模型可以通过不断训练快速迭代，但机器人每一次真实世界中的错误，都可能对应真实的时间成本、设备成本和安全风险。 如何让这些数据被高效地利用，是未来机器人竞争的关键。 一个经济又实用的方案是：真实世界提供经验，虚拟世界扩大训练规模。 普渡也认可这两者的结合，引入 「虚实双闭环」机制。 机器人可以先在World Simulator仿真环境中进行大量训练。 在虚拟世界里，机器人能够反复尝试不同任务组合，提前学习各种可能出现的情况。 然后，再通过真实环境中的Human-in-Loop反馈进行校准。 仿真负责扩大训练规模，现实负责提供真实反馈。 当机器人开始学会迁移经验 仅凭几十条人工示范轨迹，就能让机器人快速适配全新作业任务，训练机器人已经如此简单了么？ 数字背后，或许真正值得关注的，是 机器人终于跳出「从零学起」的模仿模式，具备了沉淀、迁移、复用通用物理经验的能力。 在此之前，由于不同机器人形态差异大，单独训练成本太高，整个行业长期困在「一机一模、一场一训」的低效范式里。 无论是餐饮配送、商超清洁还是工业搬运，只要更换机器人本体、切换作业场景，研发团队就要重新搭建采集环境、人工录制上万条操作轨迹、从零训练专属模型。 耗费大量人力、时间不说，关键是采到的数据无法跨机型、跨场景流通复用。 本质问题还是，机器人只会机械复刻记录下来的固定动作，无法理解动作背后的物理逻辑与因果经验。 这也是传统机器人泛化能力薄弱、落地适配成本居高不下的根源。 针对导航与操作协作断层、机器人缺少物理直觉、不同机器人形态之间数据割裂的问题，普渡机器人自研了 具身智能大模型PuduFM。 它并非传统算法的简单迭代升级，而是支撑普渡「一脑多形」战略的核心技术底座。 PuduFM有三个关键组件。 PIM物理预言家 它给机器人植入人类同款「物理直觉」。 人看到一个湿滑的杯子，会下意识知道需要轻一点拿。 但传统机器人做不到。它只能识别画面像素，无法读懂图像背后的物理关系。 PIM（Physical Intuition Model）采用因果注意力Transformer架构，不走市面上多数机器人「死记画面像素」的老路。 它不盯着图片表面，而是进入潜空间内，提炼物体运动背后的动力学逻辑，把重力、摩擦力、物品变形、重心偏移这些现实里的物理规则，转化成机器能看懂、能计算的数据特征。 机器人当下的位置、姿态，加上它准备做出的动作，都会传给PIM。 它能提前预判这么做会产生什么物理结果，算出抓东西会不会打滑、移动会不会撞上障碍物，给后续动作划定安全边界。 简单来说，这一步用来解决机器人「看得见，但不理解」的问题。 VLA多模态对齐 这是打通导航与操作的认知壁的关键。 以前机器人是各干各的，看画面、听懂人话、走路、抓东西分成几套互不连通的系统。 经常出现听懂指令、走到目标跟前，却抓不稳物品、动作衔接不上的情况。 VLA相当于把视觉、语音、机器人移动、机械臂操作全部整合到一套统一的思考逻辑里。 同时接入PIM给出的物理预判，先读懂任务需求，再看清周边环境，最后生成符合物理规则的连贯动作。 不管是远距离行走，还是近距离抓取操作，全部一套大脑统筹。 不同款式的配送、清洁、工业机器人都能共用这套能力，解决过去机器人“走得到，但做不好”的问题。 World Model仿真引擎

2026

twitter-Gorden Sun资讯

原推作者是OpenAI未来战略负责人，他说的话完全是出于OpenAI立场和利益来讲的。 他的观点： 1. Kimi 的实力是真的，不像简单蒸馏出来的。 在智能体编程任务里，K...

原推作者是OpenAI未来战略负责人，他说的话完全是出于OpenAI立场和利益来讲的。 他的观点： 1. Kimi 的实力是真的，不像简单蒸馏出来的。 在智能体编程任务里，Kimi已经接近 2026 年第一季度最强的公开模型。不过它很“吃 token”，实际推理成本未必像宣传中那么便宜。 2. 中国继续开放权重，可能不是因为特别支持开放，而是现实选择。 作者猜测，一方面中国政府没有那么相信 AGI 风险；另一方面受算力限制，中国公司难以长期承担大规模云端推理服务，所以更适合把模型权重放出去，让别人自己部署。对企业来说，开源也是追赶者获取用户和影响力的办法。 3. 开源模型看似“加速”，实际上可能抑制 AI 投资。 模型一旦可以免费下载、复制和部署，商业公司就更难靠模型本身赚钱，资本也会更谨慎地投入下一代模型训练。因此作者认为，开源模型本质上反而具有“减速主义”效果。 4. 开源模型的终点，可能是国家补贴的“AI 公共品”。 如果企业无法靠前沿模型持续盈利，最终可能变成政府出钱建设算力中心、训练模型，再以公共基础设施的形式提供 AI。作者把这种未来称为“AI 共产主义”，并对此非常反感。 5. 美国可能不会直接禁用中国开源模型，而是制造合规风险。 比如监管机构发布安全提示，暗示中国模型可能存在后门、数据泄露或供应链风险。即使证据不充分，只要让银行、医疗、金融等受监管企业感到不安，它们就会主动避开。 6. 当前风险可能有限，但未来能力越强，风险会突然跨过临界点。 今天开放一个强模型，世界可能只是“稍微危险一点”；但当模型具备更强的网络攻击、生物设计或自主复制能力时，开放权重的后果就可能非常明显。（原推还影射了新冠疫情） 我的观点： OpenAI显然是慌了，开源模型开始削弱单纯靠“卖模型能力”赚钱的空间。对于OpenAI、Anthropic这种前沿模型公司而言，强大的开源模型必定会降低他们的投资回报；但对于创业公司、科研机构和中小公司而言，开源模型能显著提高创新能力。强大的开源模型，让创新重心从少数模型实验室扩散到更广泛的应用和基础设施生态。 曾经浏览器、Linux、安卓都把底层能力免费化，真正赚钱的部分转移到了云服务、硬件、应用、数据和生态。未来基础模型可能也会变成类似操作系统的东西：底座越来越便宜，利润向上层迁移。 Dean W. Ball: Some observations on Kimi: 1. It's a very good model! I don't think its performance can be explained away by distillation or anything like that. In agentic coding sessions, it seems pretty much on par with the best public models of Q1 2026. In my fairly limited use, it also

2026

twitter-ginobefun资讯

BestBlogs 早报 · 07-18 # Kimi K3 / Fable 5 / Cursor / Grok Build / Q2 AI 趋势 [1] ★ 精讲｜Kimi K3：智能的新前沿 月之暗面发布 Kimi K3，2.8 万亿参数、...

BestBlogs 早报 · 07-18 # Kimi K3 / Fable 5 / Cursor / Grok Build / Q2 AI 趋势 [1] ★ 精讲｜Kimi K3：智能的新前沿 月之暗面发布 Kimi K3，2.8 万亿参数、896 选 16 的 Stable LatentMoE，是全球首个 3 万亿级开源模型。它用 KDA 线性注意力加 Attention Residuals 把上下文撑到 100 万 token，在内核优化、从零写编译器、芯片设计等长程 Agent 任务上接近 Fable-5，但仍落后最强闭源模型，完整权重将于 7 月 27 日前开源。 来源：月之暗面 Kimi [2] ★ 精讲｜Agent 跌跌撞撞进入世界｜2026 Q2 AI 趋势总结 腾讯企鹅智库的 Q2 复盘把过去三个月串成一条线：通用 Agent 夺走软件入口后，企业烧 Token 的 Tokenmaxxing 运动很快撞上复核瓶颈和成本墙。Multi-Agent、自进化 AI 和 CPU 重回算力中心在补这些缺口，而就业、安全、信息污染和认知缴械开始浮上水面。 来源：腾讯科技 [3] ★ 精讲｜Cursor 如何知道 Claude Fable 5 已准备好应对最难的 1% 问题 | Claude by Anthropic Cursor 的模型评测负责人讲他们怎么判断 Fable 5 够格上岗：自建 CursorBench 里它拿到 72.9% 的新高，更关键的是登月模拟里它先入轨采遥测、再落地，体现出超越局部推理的全局规划能力，适合那些连目标在哪都不清楚的难题。 来源：Claude Blog [4] Garry Tan：如何打造 AI 原生公司 [视频] Garry Tan 将 AI 原生公司定义为：把可重复的智能体工作沉淀为持续维护的技能，并以经过治理的公司记忆不断累积竞争优势的组织。 来源：AI Engineer [5] 代理安全差距：54% 的企业已经发生了 AI 代理安全事件，且大多数仍允许代理共享凭据 VentureBeat Pulse Research 的调查发现，超过一半的企业已经经历了 AI 代理安全事件或险情，但大多数仍允许代理共享凭据，并依赖供应商原生控制而非专用的身份和隔离控制。 来源：VentureBeat [6] LangChain Deep Agents：构建长时程 AI 应用的生产级框架 [视频] LangChain 的维护者将 Deep Agents 定义为一套面向生产环境的智能体运行框架：它在普通工具调用循环之上补足规划、委派、外部化上下文、沙箱执行与可观测性，以支撑长时程 AI 任务。 来源：LangChain [7] 世界模型为何可能提升 AI 的样本效率 [视频] 一场 Y Combinator 对谈解释了世界模型如何让 AI 智能体在机器人、游戏和自动驾驶等场景中先预测、模拟与规划，再采取行动，从而以更少数据学习。 来源：Y Combinator [8] 高价率运营 AI 工作台：约定驱动与 AI 编排的评测优化实践 阿里大淘宝技术团队分享其基于约定驱动与 AI 编排架构，构建自动化评测体系将 Agent Skill 可用性从主观判断转变为可量化工程闭环的实践，重点剖析了评测集生成、双引擎架构、金标设计陷阱及飞轮挑战。 来源：大淘宝技术 [9] 马斯克连夜开源 Grok Build，但 84 万行代码里还留着上传用户整个代码库的痕迹 本文详细报道了马斯克旗下 xAI 开源 Grok Build 编程智能体的前因后果，并深度解析了其 84 万行 Rust 代码库的构成、此前被曝光的整库上传隐私丑闻的技术细节，以及开源后仍残留的上传代码痕迹。 来源：InfoQ 中文 [10] WAIC 今日启幕，我们提前两天完整拆解 Agent 经济落地全路径 本文完整拆解了 Agent 经济从 Copilot 到 Long-running Agent 的落地全路径，覆盖商业模式、基础设施、垂直场景、出海实战等关键议题，并给出组织变革与信任设计的核心框架。 来源：非凡产研 --- · 发现真正适合你的高质量内容 BestBlogs 是 AI 驱动的私人阅读助手，帮助你发现真正适合你的高质量内容，关注你感兴趣的来源和主题，每天生成一份更适合自己的「我的早报」，欢迎体验和关注我们。 在线阅读： ginobefun:

2026

aibase资讯

影视飓风49元AI课程上线首日售出10万份，单日营收超490万元

千万粉科技内容创作者“影视飓风”近日推出49元AI实战课程，上线首日销量突破10万份，单日销售额超过490万元，再次展现头部内容IP在AI教育市场的商业转化能力。 据了解，该课程原价99元，用户领取优惠券后可49元购买。课程共16节，分为五大教学单元，内容覆盖AI图片生成、视频生成、提示词编写等基础应用，同时包含模拟机械臂运镜、子弹时间 特效 制作、AI分镜生成等影视创作进阶玩法。 该课程由影视飓风联合第三方AI视觉创作平台TapNow共同推出，并非完全自主研发。这也是影视飓风继49元视频剪辑课程后，再次进入低价知识付费领域。此前，其视频剪辑课程同样实现单日销量超10万份，销售额突破500万元。 不过，高销量同时伴随用户评价分化。抖音商品页数据显示，该课程累计获得1600余条好评，同时出现80余条差评，部分用户认为课程存在内容模板化、实操灵活性不足，以及实际生成效果与宣传存在差距等问题。 资料显示，影视飓风由潘天鸿（网名Tim）于2014年创立，目前全平台粉丝规模超过4000万，其中B站粉丝约1600万、抖音粉丝约1400万。经过多年发展，公司已从个人创作团队成长为百余人的专业内容机构，2024年整体营业额突破1亿元。 随着生成式AI工具快速普及，AI技能培训正在成为内容创作者和科技企业探索的新商业方向，但课程质量、实际应用价值和用户体验仍将成为长期竞争关键。

2026

aibase资讯

文远知行推出物理 AI 大模型 WITT

在自动驾驶领域，技术的不断进步让人眼花缭乱。7 月 17 日，自动驾驶科技公司文远知行（WeRide）正式发布了他们自研的物理 AI 认知基础大模型 ——WeRide WITT。这一新模型的亮相，标志着 AI 在理解和处理复杂信息方面迈出了重要一步。 WeRide WITT 的核心亮点在于其引入了 “最小物理事实单元” 的概念。这个概念的目的在于帮助 AI 更好地理解多模态信息，包括视频、图像和文本等。通过拆解连续变化的真实场景，WITT 能够识别和验证这些信息中的核心事实单元，从而构建出一种以物理事实为核心的全新 AI 理解框架。 这种创新的 AI 理解框架，不仅提升了 AI 对环境的感知能力，也为自动驾驶技术的发展提供了更为坚实的基础。通过 WITT，文远知行希望能够让自动驾驶车辆在复杂环境中做出更智能的决策。例如，在识别交通信号、行人及其他车辆时，WITT 能够精准地分析和判断，从而提高行车安全性和效率。 此外，文远知行的 WITT 模型在提升 AI 的理解力的同时，还推动了自动驾驶技术的商业化进程。随着物理 AI 大模型的应用范围不断扩大，未来或将实现更加安全、智能和便捷的出行方式。 在如今竞争激烈的科技市场中，文远知行凭借 WITT 的发布，进一步巩固了其在自动驾驶行业的领导地位。随着技术的不断成熟，我们有理由相信，未来的交通将会变得更加智能化和人性化。

2026

aibase资讯

秒哒3. 5 全球首发iOS无代码打包与多端共享后端，百度要把应用开发门槛再砍一刀

在7月16日于上海开幕的2026世界人工智能大会（WAIC）现场，百度智能云旗下的无代码应用平台秒哒，端出了它的3.5版本。从今年Create大会上3.0的"一句话，做App"，到这次WAIC的"更简单，更全能"，秒哒的方向始终没有漂移:把开发门槛一降再降，把应用能力无限扩展。一组数据先摆出它的体量——平台累计服务超过3500万用户，创造了350万个具备商业价值的应用，每天有近20万人在使用这些应用解决真实问题。 3.5版本的关键词，是"更简单"与"更全能"两件事同时发生。更简单，是让不懂代码、不懂SEO、不懂iOS开发的人，也能走完从创作到交付的完整闭环;更全能，是让每个生成的应用都能赢得搜索引擎的青睐、拥有共享后端与多环境保障、抵达更多终端、承载更多想象。3.0把用户推上"人人都是创造者"的台阶，3.5则往前再迈一大步:做完的应用能被更多人搜到、App能直接打包到iPhone、多端共享同一份数据、一句话就能做出专属Skill、后端开发与线上环境彼此隔离、资源按需灵活配置。 搜索流量这件事，过去挡住了大量创作者。传统的SEO优化要求理解关键词策略、页面结构、元标签配置等专业知识，对绝大多数人门槛过高。秒哒3.5内置的SEO Agent，把这套专业能力自动化，相当于为每位创作者配了一位随叫随到的搜索优化专家。它逐页检查应用的标题、描述、关键词等要素，识别影响搜索表现的问题，并把专业术语翻译成能直接看懂的建议，比如"页面描述过短""标题未能体现核心内容""搜索摘要不完整"。更实用的是，Agent不仅能诊断，还能直接动手修复:用户可以对单个问题逐一点击修复，也可以通过一键修复批量处理所有可自动修复项，修复完成后还能重新检查、实时查看优化效果。上线前，用户还能直接在搜索结果预览里看到页面在搜索引擎中的标题、摘要和链接展示，提前判断是否有吸引力，避免上线后出现模糊或空泛的默认文案。 iOS交付流程，则是另一道长期把开发者挡在门外的门槛。传统方式需要一台Mac、装好Xcode、注册Apple开发者账号、再手动管理证书签名。秒哒3.5的iOS打包能力，把构建、测试、分发全流程压缩成一站式服务。没有Apple开发者账号的用户，可以走免费路线:平台在线生成IPA文件，下载后按指引即可安装到iPhone，适用于个人体验、功能验证和Demo展示。已有Apple Developer Program账号的用户则走付费路线，配置API Key后，平台自动完成证书申请、在线构建与签名打包，无需手动登录Apple Developer Portal;它支持Ad Hoc真机测试（设备扫码注册、自动生成安装链接）、TestFlight内测分发，以及App Store上架——应用包上传至App Store Connect，通过苹果审核后即可正式上架。 当一个应用要同时服务多个终端，比如电商平台的用户端与商家后台、企业管理的员工端与管理后台，每个终端独立搭建后端，意味着重复的开发成本和数据孤岛。秒哒3.5支持多个应用（Web、App、小程序等）共享同一套后端数据库，真正实现多端数据联动，让一个业务场景对应一套数据闭环。创建新应用时，可以直接选择已有项目作为共享后端，自动复用其数据库、接口、存储等能力，无需重复搭建，就能在同一套后端基础上快速生成Web、App、小程序或管理后台等多个终端应用。每个终端拥有独立的前端页面，可根据自身特点独立设计和迭代，而数据全部统一管理。在管理层面，项目列表新增了"共享后端"分类，所有共享后端的应用自动归入同一目录集中展示，后端运行状态一目了然，一键即可统一开启保活服务;编辑器顶部也能一键切换不同终端应用，无需退出当前项目，就能在Web、App、小程序之间无缝切换。 官方技能已经覆盖了AI工具、支付、视频、语音、图像、搜索等场景，但每个用户的需求总有独特性。秒哒3.5带来了自定义技能，在对话框里说出需求，平台就能快速生成一个专属技能。创建方式有三种:一是在首页选择"技能创建"项目类型，说出需求直接生成，或在任何项目中通过对话随时提出需求、直接@已有技能让它按你的要求修改;二是上传技能包快速导入，直接上传.zip文件或SKILL.md即可完成，无需手动配置;三是接入第三方API，把API文档链接贴进对话框，平台自动解析网页内容并生成可调用的技能，或者直接粘贴API说明，包括请求方式、参数、响应格式等，平台也能理解并创建，省去理解鉴权与接口调试的复杂流程。生成的技能可以保存到技能中心，后续在任何项目中通过@方式直接调用，把每一次沉淀下来的方法变成可复用的资产。 开发过程中改了数据库、一不小心波及线上业务，是AI开发应用里最常见的痛点。秒哒3.5的数据库多环境能力，让开发环境与线上环境相互隔离，把开发者从"开发战战兢兢，上线提心吊胆"的状态，带到"放心改、安心发、轻松回滚"。创建应用时，可按需选择单环境或多环境模式:单环境下开发与线上共用同一套数据库，修改同步生效，适合Demo、原型、个人轻量应用;多环境下两者使用独立数据库，支持独立开发、测试和发布，不干扰线上正式业务，适合电商商城、企业官网及管理后台、CRM、ERP等生产环境。 多环境模式还有一个贴心设计——当开发环境向线上同步数据结构时若合入失败，出现Migration冲突、SQL执行报错或存储结构不兼容，AI Agent会自动分析失败原因，把报错翻译成看得懂的说明，并给出可一键执行的修复方案，点击AI修复即可继续发布，且修复完全免费，不消耗秒点。项目阶段变化时，多环境还能回退至单环境。同时，开发环境每次完成版本变更（如发布、保存版本），系统都会自动记录当前版本的数据库结构(Schema)和业务数据(Data)，生成版本快照，一旦新版出现接口不兼容或功能异常，可快速精准回滚至稳定版本，无需重建环境或手动修数据。 后端资源的需求，在不同阶段天差地别。秒哒3.5推出后端资源分级能力，提供基础版、小容量、中容量、大容量、超大容量等多档套餐，覆盖并发数、数据库存储、文件存储等维度，从个人轻量项目到企业级高并发业务均可适配。它支持随业务增长随时升级，数据库容量、文件存储与并发能力同步提升，无需迁移数据或重建后端;资源使用数据实时可视化，额度接近上限时系统自动提醒并引导扩容，让轻量项目与大型业务都能找到合适的配置。 2026世界人工智能大会于7月17日至7月20日在上海世博展览馆举行，百度展位位于H1-B107，秒哒3.5将在现场供人体验。另据文末披露，在中国金融大模型市场份额上，百度智能云已连续两年位居 第一。

2026

aibase资讯

智谱数亿元收购中科加禾，补强AI Infra与国产算力适配能力

据报道， 智谱已斥资数亿元人民币收购AI Infra公司中科加禾（XCore Sigma），进一步补齐模型底层工程能力，强化国产算力适配和推理优化能力。 中科加禾是一家聚焦编译技术的AI异构算力软件基础设施公司，技术源自中科院计算所编译实验室。其核心团队曾参与龙芯、神威、寒武纪、华为昇腾等国产芯片编译器研发，具备从虚拟指令集设计、算子生成到优化部署的全链路能力，目标是为国产AI大模型提供统一软件底座。 此前，智谱已投资基流科技、无问芯穹、硅基流动等AI Infra企业，覆盖算力集群、推理优化等环节。但随着模型调用规模快速增长，基础设施压力逐渐显现。今年3月GLM-5发布后，Coding Agent日调用量达到数亿次，部分用户反馈复杂任务中出现输出异常。智谱复盘发现，高并发场景下推理架构和KV Cache管理存在工程挑战。 此次收购有望提升智谱在多芯片环境下的适配效率。中科加禾的编译器技术可通过中间层连接不同国产芯片生态，提高算力利用率。此外，其SigInfer推理引擎此前宣称可降低推理时延、提升吞吐效率，若能落地生产环境，将进一步降低模型服务成本。 随着AI竞争从模型能力扩展至算力、软件基础设施和生态建设，编译器等底层技术正成为大模型企业构建长期竞争力的重要方向。

2026

aibase资讯

Roblox推出AI创作工具Build，支持文本生成游戏和3D场景

Roblox宣布推出全新AI创作工具Build，并升级Studio创作者工具体系，利用人工智能降低游戏开发门槛，让更多用户通过文本提示直接生成可编辑的游戏内容。该功能将于7月28日起开启测试，进一步推动“游戏由用户创造”的平台理念。 Roblox表示，过去20年平台持续围绕用户生成内容（UGC）发展，目前已有1.32亿日活跃用户。此次推出的Build是一款移动优先的AI创作工具，用户可直接在Roblox移动应用中输入自然语言提示，例如描述游戏场景、玩法和环境元素，系统即可生成基础游戏版本，创作者随后可以进行修改、测试，并分享或发布作品。 Build基于多种AI模型运行，包括开源模型以及Roblox自研模型，能够处理游戏机制、环境设计、角色创建、视觉风格和声音等内容。由于模型基于大量3D数据和游戏专用数据训练，Roblox AI能够生成可直接应用于游戏开发的3D对象和完整场景，并与现有创作工具结合使用。 该工具与Roblox Studio深度连接，创作者可以在移动端开始创作，再通过Studio进行更复杂的编辑;同时也可以在Studio中调用AI代理，并通过移动设备查看开发进度。Roblox强调，AI生成内容仍将经过与普通游戏相同的审核流程，并通过用户留存等指标参与平台推荐，不会降低内容质量标准。 除Build外，Roblox还计划推出面向专业开发者的AI工具，包括游戏测试代理、数据分析代理和实验代理，帮助创作者发现漏洞、分析玩家行为并优化用户参与度和商业表现。 此外，Roblox正在研发更多生成式AI能力，包括基于文本或图片生成参数化3D模型的程序化模型，以及能够根据单一提示生成完整可编辑3D游戏场景的AI模型Cube。 随着AI技术快速融入游戏开发流程，Roblox希望通过智能化工具进一步扩大创作者规模，让更多普通用户参与游戏生产，并推动UGC游戏生态向更高效、更自动化方向发展。

2026

aibase资讯

两周搬完一百万行代码：Anthropic用Claude把多年不敢碰的语言迁移压进一个周末

把一门编程语言整套换掉，这种事放在过去，基本等于给公司立一个两年起步的军令状。工程师们谈之色变，预算委员会闻风丧胆，代码库却年复一年卡在原地动弹不得。Anthropic在7月16日甩出一篇文章，直接把这笔旧账翻了篇:过去一个月里，他们内部的开发者用Claude Fable5、Opus4.8和动态工作流，把10个代码包、每个数万到数十万行的规模，干净利落地搬到了新语言上。这不再是将来时态的设想，而是已经发生在他们自己身上的事实。 最刺眼的两个案例像两颗钉子，把想象钉成了现实。Bun的联合创始人Jarred Sumner，用Claude Code把整个Bun从Zig迁移到了Rust，不到两周产出一百万行代码，合并进主干前整条CI测试链100%通过，合并后浮出19个回归，如今已全部修掉，Rust版本6月就已经随Claude Code发布。另一边，Anthropic Labs的联合负责人Mike Krieger，一个周末就把一套Python代码库搬成了16.5万行TypeScript，里面塞了数百个代理、8道阶段闸门、3轮对抗审查，最后还用一套奇偶校验，把每条命令的输出和Python原版逐字比对。 Anthropic把这整套打法提炼成一句话，也是全文最锋利的那把刀:你修的不是代码，而是生产代码的那个流程（循环）本身。一旦想通这一点，那些被无限期搁置的迁移项目，就不再是不可触碰的禁区。 先说清楚什么时候该动、为什么动，因为这件事的前提早就变了。团队启动迁移，通常是因为项目诞生时的技术地形，和今天已经对不上号:要么当初那个心知肚明的权衡终于卡住了脖子，要么出现了更好的路，要么原来的生态正在萎缩。Jarred当初选Zig，图的是C级别的性能加上 极致 的简单，特别适合一个创始人在奥克兰狭小的公寓里、大模型还没出现的年代，用一年时间把Bun写出来。那份简单是有代价的，他后来专门写过文章坦白。 快进到2026年，Bun的命令行工具月下载量已经突破一千万，在Claude Code内部也被大规模使用。就在上季度，这些代价还不足以让人冻结路线图、押上几个季度的资源去做一件大事。迁移语言确实能换来更小、更快、更安全的系统，可没人有动力去付这笔账。工程师们还得掂量其中的职业风险:你可能并行维护两套代码好几年，最后只换来90%的等价，那比一开始就别动还头疼。 现在不一样了。最坏的结果无非是删掉那条分支，重头再来。当然，商业账还是要算的。一百万行级别的迁移，虽然不必再像四年项目那样烧掉三四百万美元的工程师资源，但落地依旧要花数万到数十万美元往上。Bun那次迁移吞掉了59亿个未缓存的输入token和6.9亿个输出token，按API定价约合16.5万美元;Mike主迁移那块也烧了2700万token。真正让Mike下决心动手的，是编译这道坎。他团队的内部工具以单个二进制文件交付用户，用Python工具链为每个平台编译要花大约八分钟，整个构建矩阵一轮下来得等三十分钟。搬完之后，同样的编译只要两秒，二进制启动速度快了6倍，还顺手淘汰了一条独立的部署管线。 为什么AI能把这道旧账算平?因为大规模代码迁移恰好是这些 高级 模型的天选场景。活儿是天然并行的，文件、crate这种成百上千的独立单元，可以让代理同时开干，谁也不用等谁。上下文既清晰又完整，旧代码本身就是给模型 最好 的规格说明书，也是翻译代理照着走的指南蓝本。更妙的是自带裁判，大型代码库里往往躺着一套测试套件，代理能用它来给自己打分，当验证足够客观，模型可以盯着真相死磕好几天，不需要人坐在旁边判质量。队列还会自己写:编译器或测试一挂，下一个要修的活儿就自动排上了。流程本身让偏差无处藏身，审查员每一条发现都要引用背后的规则，于是一次违规变成一个待办项，而不是悄悄分叉;某个代理撞上边缘情况，修法就成了之后所有代理都要遵守的规则。下面两个案例里，Mike和Jarred都在关键步骤用上了Fable，尤其是一种顾问模式，让多个不同档位的模型分工，把token消耗压到 最低。 真正能复用的，是他们总结出的六步法，从这两场迁移里熬出来，又做了泛化，能套到多种语言和场景上。 开工前得先备好一个铁面无私的裁判，否则你既不知道何时收工，也没法衡量成败。这个裁判必须能站在同一标准上同时评判原代码和目标代码。用原语言写的测试套件，往往依赖目标代码里根本不存在的内部函数。要把它造出来，先用Claude把现有测试分个类，哪些是能用外部调用表达的，哪些依赖搬不过去的内部实现;再把面向外部的测试改写成能同时跑在原始代码和移植版上的断言，并派对抗代理去验证改写没有削弱断言力度;最后拿原始代码跑一遍确认它能过，再拿故意改坏的代码跑一遍确认它会挂，一个抓不出破损的裁判，算不上裁判。Mike那次Python转TypeScript，就造了一个覆盖7个真实场景的奇偶校验台，任何行为变动都算要修的bug。 第一 步是立规矩、画依赖图、列缺口清单，给整场迁移打下地基。顺序有讲究:规则手册必须排在缺口清单前面，因为缺口正是由规则手册的默认项覆盖不到的地方定义的，两者还要在联合审计里一起接受检验。规则手册长什么样，取决于你一开始做的核心架构决定:新代码是沿用老结构，还是彻底重做。沿用结构（Jarred那路），手册主要就是一张张把类型和惯用法在两种语言间翻译的查表，遇到难翻的组件再指向缺口清单;彻底重做(Mike那路)，手册就是一份设计文档。Jarred是跟Claude聊出来的，给每个含糊地带立一条政策，还专门派了8个子代理，各盯一类他自己凭直觉列出的常见失败模式。依赖图要摸清文件间的依赖，才能把活儿有效地切成并行流，知道哪些先搬、哪些要打包在一起。有些语言和代码库自带清单文件，这事不难，但面对C/C++、Python这类老代码，依赖得自己探出来、画出来，Claude Code能派出代理跑一个确定性脚本把图生成。缺口清单记的是新旧语言之间的硬差距:Zig转Rust，差在手动内存管理，一个忘了释放的缓冲区，编译能过，漏不漏只有运行时才知道;Python转TypeScript，差在接口和契约，Python不要求声明对象长什么样，TypeScript却要白纸黑字写下来才肯编译。Jarred和Mike都把这些隐性知识记进了缺口清单文件，Jarred是前期就盘清楚，Mike是先翻再补，你可能两头都得做。 第二步压一压规则，来一场迷你迁移当试航。Jarred派了一个代理照手册翻三个文件，一个代理像 资深 Rust工程师那样翻三个，再一个代理拿着两份差异去提炼新规则。就在这个阶段，他逮住了两个致命问题，要是等摊到全部1448个文件上再爆，麻烦就大了。这套压力测试只对结构保持型迁移有效，因为同一份文件的两版翻译能逐行比。要是你的手册是重设计，像Mike那样，等价做法是直接拿对抗审查员去炮轰设计文档，再用一次可丢弃的端到端跑通来验证。无论如何，翻出来的文件全部扔掉，这一步的目的只是把规则磨利，不是攒进度。 第三步翻译一切，剩下的步骤都跑同一套多代理循环:实现、审查、修复。实现这种苦力活能甩给小模型，审查留给大块头，Mike铺开12个子代理时用的就是Claude Sonnet。任务队列要机械到无聊:一个批处理脚本看翻译后的文件在不在磁盘上，来决定哪些算完工，再把待办切片丢给实现代理;因为队列每次都从磁盘重建，迁移天生就能断点续跑。代理有时候会过于谨慎、干得太少，解法就是一条干脆利落、带着上下文的指令，提醒它下一步编译器会替它抓错。翻译器没把握的活儿，标上一行// TODO（port）: 原因，留给第四步。从这儿往后，待办清单自己会写:编译器数出错，冒烟测试逮住崩溃，测试套件报出失败。两个对抗审查员用各自的上下文给实现者的活儿打分，两者意见相左就交给第三个代理。当一个审查员在多个文件里反复抓到同一种错，修法不是逐文件打补丁，而是在规则手册里加一句话，把受影响的批次重新生成。这一步里手册不断变厚，代码却从不被手工对着它改。还有一个关键设计决定是编译器放在哪:Mike把TypeScript编译器塞进了每一个循环，因为它几秒就能查一个单元;Jarred则把编译器彻底挡在循环外、推迟到下一步，因为cargo要跑好几分钟。 第四、五、六步合在一起说，因为它们共用同一套循环，且越往后越不需要人的判断。第四步编译，取决于语言和规模，它常常融进第三步。Jarred用一个编排脚本在整个工作区调一次编译器，修复代理再并行扫着错误清单干，对抗审查同步进行，构建重跑，如此往复。翻错误清单能帮你抓出系统性的毛病，比如Jarred修完Zig宽松编译所容忍的循环依赖后，冒出几千个Rust模块错误，他给循环加了一段逻辑来分类该删、该挪、还是该重构边界，才算压住。第五步和编译器错误清单一样有机械真相来源:冒烟测试吐出的崩溃，修法依旧是按根因归类、交给对抗子代理审。第六步，也就是故事的尾声，是拿两套代码库的行为逐项比对。文件翻译完、编译完、冒烟完，就把它切碎，把预备阶段那份测试套件套上去跑，失败的交给修复代理对着两套代码审，对抗审查员再查它们的修法。循环再往后是一道构建守护进程，它是 唯一 被允许重建二进制的角色，修复代理只写补丁，守护进程把它们攒批、重建一次、重跑受影响的测试、再把结果喂回来，把最贵的操作串行化，免得一群代理各自触发。当同一个失败在大量测试里反复出现，修法要往上游走:改掉生出这个bug的规则，只重新生成它碰过的文件。Mike这招尤其值得记:很多开发者手头没有现成或移植好的测试套件，他让Claude写了个小脚本，拿7个真实场景同时跑新移植版和Python原版，比输出差异，每个挂掉的场景配一个修复代理，循环跑到7个全过。他还更进一步，让Claude自己设计了端到端测试套件，通宵自主运行，哪里崩就修哪里，连跑四个晚上，逮住了任何场景清单都预测不到的那些细小的伤。 这套打法跑下来，有几条实践在每个项目上都站得住，但Anthropic也提醒，别盲信这份指南，每场迁移都不一样，把它当起点，先跟Claude把你那场的具体方案聊清楚再动手。别盯着单点失败，那是循环的活儿，修复代理会替你把它们磨平，你的注意力该放在规律上。让审查保持对抗、让验证保持机械，对抗审查能撑起更长的任务，多花的那点token往往值;让编译器、差异比对、测试套件这些脚本去当裁判。别什么事都上 最大 模型，token开销集中在你的循环里，要刻意设计，小模型扛得住高吞吐的实现铺开，把 最大 的模型留给审查员，以及任何写规则手册、要被其他代理照着走的人。把人的工时前置，规则手册和压力测试最耗时间，之后基本就是队列在烧。让任务队列机械且可续跑，完工的定义就是输出文件已经躺在磁盘上。 回到结果本身，而不是代码细节。Jarred的Bun迁移已经上线生产，当然任何迁移都有取舍，大约4%的Rust代码待在unsafe块里，主要是C/C++边界上那些单行指针操作。但新代码库是肉眼可见地更好:团队工具能侦测到的内存泄漏全修干净了，一个重复构建2000次的基准测试，内存占用从6745兆字节掉到609兆;二进制在Linux和Windows上小了19%;跨语言优化让它在HTTP服务和next build、tsc这类真实负载上快了2%到5%。 那些你一直忍着没动、将就着用的代码库，也许是时候重新算算这笔账了。挑出那个你容忍最久的家伙，问问Claude，为它做一场迁移到底长什么样。

2026

aibase资讯

5个月增长15倍，智谱AI凭Coding路线冲击10亿美元ARR

据多家独立信源透露，截至2026年7月，智谱年度经常性收入（ARR）已达到10亿美元规模。对此消息，智谱方面截至发稿前未作回应。 过去一年，AI Coding和视频 生成成为生成式AI领域商业化能力增长最快的两大方向。海外市场中，Anthropic旗下Claude Code在推出半年后ARR达到10亿美元，推动公司估值持续提升。而智谱此次ARR增长速度，也显示国内大模型企业正在探索新的商业化路径。 数据显示，智谱ARR从1亿美元增长至10亿美元仅用了约5个月，而Anthropic达到同等规模用了15个月。据知情人士透露，2026年1月至7月期间，智谱ARR增长约15倍。此前市场曾预计，智谱可能需要到2026年底才能达到10亿至15亿美元ARR。 智谱的快速增长与其较早布局AI Coding密切相关。2025年初，公司开始集中提升模型代码生成能力，并围绕Coding与Reasoning方向推进模型研发。智谱创始人唐杰曾表示，Coding能力是能够与AI Agent协同发展的关键能力之一。 随后，智谱以约两个月一版的节奏推出多款Coding模型。2026年6月发布的GLM-5.2进一步强化代码能力，即使采用开源模式，多个核心指标仍达到或超过部分闭源模型水平。财报显示，今年 第一 季度，GLM API价格累计提升约83%，海外订阅价格接近Claude Code，但调用量仍增长约400%。 随着Token消耗成为衡量AI商业价值的重要指标，AI Coding正在成为企业和开发者提升生产效率的重要工具。同时，视频生成领域也展现出强劲商业潜力，相关产品正在进入规模化内容生产场景。 不过，市场竞争正在进一步加剧。MiniMax近期发布M3模型，重点强化Coding和Agent能力;月之暗面推出K3模型，继续提升模型综合能力。海外方面，随着GPT-5.6发布以及ChatGPT与CodeX生态整合，OpenAI也正在加强在AI编程领域的竞争。 AI Coding赛道的商业价值正在被验证，但随着更多厂商加速入局，围绕模型能力、生态建设和商业化效率的竞争仍将持续升级。

2026

aibase资讯

多家银行上线AI主题银行卡，刷卡可获大模型Token和AI权益

多家银行近期推出AI主题信用卡和借记卡产品，将大模型Token、AI会员服务等智能化权益引入传统银行卡体系，试图借助人工智能生态吸引年轻用户和科技从业者。7月15日，中国银联宣布联合多家商业银行打造智能体主题信用卡产品，进一步推动AI权益与金融消费场景融合。 据悉，自6月以来，招商银行、农业银行、平安银行、浦发银行等十余家银行已联合银联、美国运通以及Kimi、阿里云等大模型企业，陆续推出AI主题银行卡。相关权益不再局限于传统积分兑换，而是转向AI算力Token、AI会员服务、智能Agent工具以及专业数据库调用等数字化资源。 目前，银行推出“刷卡送Token”主要包括三种模式:一类面向开发者和工程师，提供一次性大额度Token套餐，满足模型调用和开发需求;一类将日常消费转化为算力积分，用户可兑换AI会员服务;另一类则通过云服务优惠券形式，为科技从业者提供办公成本补贴。 银行布局AI银行卡，核心目标是拓展科技用户、AI创作者等新兴客群。随着大模型应用快速普及，Token逐渐成为类似数字化资源的新型权益资产。对于高频使用AI工具的专业用户而言，这类权益具备实际价值;但对于普通消费者，由于日常AI使用频率较低，Token权益的吸引力仍有限。 业内认为，AI能力正在成为金融产品创新的新方向，但银行能否借助AI权益重新激活信用卡市场，还取决于AI应用场景的普及程度以及用户真实需求。未来，AI服务与消费金融的深度结合，可能成为银行探索年轻客群增长的重要路径。

2026

aibase资讯

DoorDash推出AI命令行工具dd-cli，可通过智能助手直接点餐

DoorDash推出AI命令行工具 DoorDash CLI（dd-cli）限量测试版，允许开发者通过AI智能助手直接完成外卖订购，包括搜索商家、查找优惠和完成结账等操作。该工具目前已通过候补名单向美国和加拿大地区的macOS开发者开放。 DoorDash联合创始人兼首席技术官 Andy Fang 在X平台宣布了这一新功能。虽然命令行工具通常与软件开发场景相关，将其用于点餐看似颇具“程序员幽默”，但 DoorDash CLI 实际代表了智能商务（Agentic Commerce）的一种探索模式。 通过开放订餐能力，DoorDash希望让AI代理能够调用其服务接口，开发者无需进入DoorDash应用，也可以在自有软件、智能助手或其他服务中集成食品订购、杂货购买、本地优惠查询等功能。未来，AI代理或可成为连接消费者与商业服务的新入口。 此前，DoorDash已通过iMessage提供订餐服务，并推出AI聊天机器人“Ask DoorDash”，同时向OpenAI ChatGPT、Claude等第三方AI助手开放相关能力，持续布局AI驱动的消费服务生态。 此次dd-cli测试也展示了AI代理在实际任务中的应用方式。演示视频中，AI助手会读取Slack信息、解析JSON数据、检查菜单结构、运行Python脚本，并根据错误反馈调整操作，最终完成多份沙拉订单。虽然流程远比普通点餐复杂，但其背后体现的是AI代理自主调用工具、执行任务的发展方向。 随着AI助手逐渐从信息交互走向任务执行，DoorDash等企业正在尝试将商业服务能力直接接入AI生态，推动消费场景从“用户主动操作应用”向“AI代理代办服务”转变。

2026

aibase资讯

AI旅行平台 Fora 完成6000万美元D轮融资，估值升至10亿美元

人工智能驱动的旅游平台 Fora 宣布完成6000万美元D轮融资，公司估值达到10亿美元，正式跻身独角兽企业行列。本轮融资由 Forerunner 和 Tactile Ventures 领投，Insight Partners 和 Thrive Capital 等机构参与，公司累计融资金额已达到1.385亿美元。 Fora成立于2021年，是一个融合旅行服务与代理运营能力的平台。一方面，Fora为用户提供客户沟通、旅行规划等基础设施，帮助普通用户低门槛成为旅行顾问;另一方面，平台也面向消费者提供蜜月旅行、家庭旅行等定制化服务，覆盖哥斯达黎加、泰国等热门目的地，帮助用户寻找并连接专业旅行顾问。 此次融资后，Fora计划进一步扩大人工智能助手 Via 的应用规模。Via能够协助平台旅行代理处理市场调研、行程规划等重复性行政工作，帮助代理商减少运营负担，将更多精力投入客户关系维护。Fora强调，人工智能的目标是提升旅行顾问效率，而非替代人工服务。 截至目前，Fora平台上的旅行代理已累计预订超过30亿美元的旅行产品，其中多数代理商此前并无旅行咨询行业经验。未来，公司计划利用新增资金拓展邮轮、机票等更多旅游业务领域，并扩大相关团队规模。 随着AI技术逐步进入旅游服务链条，从内容推荐、行程设计到客户运营，人工智能正在推动传统旅行服务模式向更加智能化、个性化方向发展。Fora的融资也显示，AI与垂直行业结合正成为创业公司获得资本关注的重要方向。

2026

aibase资讯

Google Vids引入Gemini Omni模型 上传自拍+音频就能定制专属数字分身

哪怕OpenAI的Sora可能已经退场，谷歌依旧认定，用户想在AI视频里亲自出镜的那股执念并没有降温。本周四，这家科技巨头给Google Vids甩出一套重磅更新:你只需上传一张自拍和一段语音录音，系统就能捏出一个在外貌和声音上都与你高度吻合的专属数字虚拟人。换句话说，镜头前不用真人到场，一个数字分身就能替你把话讲了。 与数字人同步登场的，是谷歌把自家多模态模型Gemini Omni塞进了Vids平台。这套组合让视频生成变成了一场文字与图片的对话——用户把文字提示词和上传的参考图结合，就能产出自标的视频。Omni还顺手塞进了几项实打用的本领:给手机随手拍的视频换背景、修光线、加 特效 都不在话下。更讨喜的是，它现在支持渐进式编辑，创作途中可以一步一步改，不满意也不用推倒重来，省掉了反复从零开局的折磨。 这一连串升级，正在把Google Vids从一名AI辅助办公演示的工具人，拽向全能型视频创作平台的赛道。把Vids收编进Google Workspace，谷歌释放的信号很直白:它想成为企业做内部通告、培训视频等场景的商业利器。只不过，个性化虚拟人和对话式编辑这两张新牌打出来，也不可避免地让它和HeyGen、Synthesia、Captions、D-ID这些AI视频初创公司，正面撞在了同一条赛道上。 安全与合规这关，谷歌想在了前面。它特别强调，新的AI虚拟人会被严格绑定到账户持有者的真实样貌及其Google账户，并通过SynthID技术打上隐形水印。这道防线意味着，你没法拿它去炮制别人的恶搞或虚假视频，比如给谷歌CEO桑达尔·皮查伊来一张换脸恶作剧。目前，个人虚拟人功能的访问权限只向特定地区、年满18岁的用户开放。当AI分身开始走进办公套件，谷歌试图证明的，是便利与边界可以同框。

2026

aibase资讯

2. 8 万亿参数、 100 万词元上下文，Kimi K3 把开源大模型的天花板顶到了全球最高

世界人工智能大会还没开锣，国产大模型就先放出一颗重磅炸弹。2026世界人工智能大会暨人工智能全球治理 高级 别会议即将举行之际，月之暗面于16日正式发布新一代模型Kimi K3，参数规模达到2.8万亿，一举坐上目前全球参数 最大 开源模型的交椅。这不仅是一次数字上的登顶，更意味着开源阵营 第一 次在体量上把闭源巨头甩在了身后。 Kimi K3不是只靠堆参数撑场面。北京月之暗面科技有限公司介绍，这款模型原生支持视觉理解，并具备100万词元的超长上下文窗口，相当于一口气吞下整本专著还能记得开头写了什么。它被针对性地优化用于软件工程、知识工作、深度研究、多模态理解等复杂任务场景，复杂任务的处理能力由此再上一个台阶——从读图识物到长程代码工程，K3试图把过去要拆成多步才能啃下的硬骨头，一把攥进同一个模型里。 资本端已经闻风而动。中信建投在研报中给出了一组颇具信心的判断:全球大模型调用量预计将连续11周环比走高，国产模型凭借高性价比稳稳占据流量前列，海外头部厂商的营收预期也被顺势上调。更值得玩味的是商业化节奏的此消彼长——国内厂商明显提速，DeepSeek准备推出分时定价，豆包已经上线多档会员;另一边，Anthropic收紧了Claude的访问限制，在合规与地缘因素的交织下，国产替代的逻辑被进一步照亮。 沿着这条主线，财联社主题库梳理出几家与之共振的上市公司。三六零在AI领域以360智脑与360安全大模型为核心布局，自研的千亿参数通用大模型360智脑已具备多模态理解、逻辑推理、代码生成等能力。昆仑万维则在7月2日宣布，旗下天工AI在2026年第二季度实现历史性突破，其AI Native模型与产品业务的年度经常性收入（ARR）已跨过8亿美元大关。当2.8万亿参数的开源巨兽落地，国产大模型的景气度，正被推向一个肉眼可见的新高点。

2026

twitter-ginobefun资讯

BestBlogs 早报 · 07-17 # Nemotron 3 Embed / Kimi K3 / Inkling / Fable / Bun [1] ★ 精讲｜NVIDIA Nemotron 3 Embed 在 RTEB 上排名第一，推动智能体检索发...

BestBlogs 早报 · 07-17 # Nemotron 3 Embed / Kimi K3 / Inkling / Fable / Bun [1] ★ 精讲｜NVIDIA Nemotron 3 Embed 在 RTEB 上排名第一，推动智能体检索发展 NVIDIA 开源嵌入模型族 Nemotron 3 Embed，8B 版以 78.5% 登顶 RTEB 检索榜，并配 1B 与 Blackwell 专属 NVFP4 版本（吞吐翻倍、保留 99% 以上精度）。更关键的价值在智能体一侧：更准确的检索让证据更早出现，智能体不必反复搜索、少绕几轮推理，直接压低下游 token 成本，是 RAG 与智能体记忆共同的检索底座。 来源：Hugging Face - Blog [2] ★ 精讲｜The Pulse：从 Bun 借助 AI 快速重写为 Rust 我们能学到什么？ Bun 作者 Jarred Sumner 用 Anthropic 的 Fable 模型，在 11 天里花费 16.5 万美元，把 53.5 万行 Zig 代码重写为内存安全的 Rust，把原本预计要一年的重构压缩到两周。关键不在于一句提示词，而是 3 小时移植规范、对抗式评审和 64 个并行智能体的工程编排——让过去认为不可能的大规模重写变得现实可行。 来源：The Pragmatic Engineer [3] ★ 精讲｜Agent 治理：用 Hook 堵住 LLM 的偷懒、越权与失忆 腾讯数仓 Agent 平台 DECO 总结 LLM 三类顽疾——长脚本偷懒截断、危险操作越权、改表后失忆。核心结论是在 prompt 里写禁止根本管不住，解法是在框架 Hook 切面上做代码级强制：长内容落盘、HITL 门禁、上下文联动补齐盲区，并把基础设施与推理逻辑解耦。 来源：腾讯技术工程 [4] Thinking Machines 发布开源多模态大模型 Inkling Inkling 是一个大型开放多模态模型（约 1T 参数，1M 上下文），原生支持图像、文本和音频输入，具备智能体能力，并在主流推理引擎中提供首发支持。 来源：Hugging Face - Blog [5] Kimi K3，以及我们从鹈鹕基准测试中仍能学到的东西 Simon Willison 评测了月之暗面（Moonshot AI）新发布的 Kimi K3 模型，运行了他标志性的「骑自行车的鹈鹕」测试，并反思了该测试作为快速模型评估工具的实用价值变化。 来源：Simon Willison's Weblog [6] Computer-Use 2.0：从屏幕操控迈向后台智能体 [视频] 这场演讲描绘了计算机使用智能体如何从前台截图循环走向后台执行，并说明可靠评测与沙盒基础设施怎样支撑智能体训练规模化。 来源：AI Engineer [7] Lychee-FD 全双工语音大模型斩获 ACL 2026 杰出论文 哈工大张民教授团队开源了原生端到端全双工语音大模型 Lychee-FD，该研究因揭示了语音与语义建模的冲突并提出层次化解耦架构，荣获 ACL 2026 杰出论文奖。 来源：机器之心 [8] Physical Intelligence 柯丽一鸣 4 小时访谈：Pi 开源模型与机器人的江湖 [播客] Physical Intelligence 研究员柯丽一鸣深度拆解机器人大脑的研发历程、全球机器人学术与产业江湖，并探讨 AI 与人类未来的共生关系。 来源：张小珺 Jùn｜商业访谈录 [9] 一文讲透 Skill 本文系统讲解 AI Agent 与 Skill 的关系，从概念本质、运作机制、选择策略到安全实践，配套完整早报 Skill 实战案例，帮助读者掌握定制 AI 助手的核心流程。 来源：腾讯云开发者 [10] 从 Data Lake 到 State Lake：面向 Agent 时代的存储基础设施重构 本文详细阐述了火山引擎存储团队如何围绕 Sandbox Store、Artifact Store 和 Agent 观测与评测三大能力，将存储从 Data Lake 演进为 State Lake，以支撑 AI Agent 的全生命周期。 来源：字节跳动技术团队 --- · 发现真正适合你的高质量内容 BestBlogs 是 AI 驱动的私人阅读助手，帮助你发现真正适合你的高质量内容，关注你感兴趣的来源和主题，每天生成一份更适合自己的「我的早报」，欢迎体验和关注我们。 在线阅读： ginobefun:

2026

huggingface-papers论文

WanSong v1.0 技术报告

Music generation foundation models have recently attracted significant industry attention. However, achieving efficient generation and high-fidelity long-form audio while supporting controllability remains challenging. To address these needs, we present WanSong, a simple yet powerful approach for long-form, commercial-grade song generation. Unlike autoregressive (AR) and cascaded multi-stage pipelines (\eg, AR followed by diffusion), WanSong is a pure diffusion-based model that directly generates high-fidelity, multilingual songs up to 5 minutes and outputs dual stems (vocals and background music) in a single run. In addition, our diffusion framework enables faster inference through step-distillation, and offers an efficient pathway for fine-tuning and customization to support downstream editing tasks.