## 快讯：Qwen3.7-Max 引发社区热议 Hacker News 上，一篇关于 **Qwen3.7-Max** 的帖子以 **636 分** 和 **253 条评论** 迅速攀升至热门榜首。虽然原文信息有限，但这一热度足以说明该模型在开发者社区中引发的强烈关注。 ### 为何如此火爆？ Qwen 系列由阿里云推出，一直以多语言能力和开源策略著称。**3.7-Max 版本**被冠以“Agent Frontier”之名，暗示其在 **智能体（Agent）** 方向上可能取得了关键进展。智能体是当前 AI 领域最热门的赛道之一——它意味着模型不仅能对话，还能自主规划、调用工具、执行复杂任务。 社区评论中，开发者们主要围绕以下几点展开讨论： - **性能提升**：相比前代，推理速度和任务完成率是否有质的飞跃？ - **开源生态**：Qwen3.7-Max 是否会延续开源路线？这对企业级应用至关重要。 - **与竞品对比**：相比 OpenAI 的 GPT-4、Anthropic 的 Claude 以及 Meta 的 Llama，Qwen 在中文场景和 Agent 能力上能否形成差异化优势？ ### 行业背景 当前，**Agent 化** 是大模型竞争的下一个高地。从 AutoGPT 到 ChatGPT Plugins，业界都在探索如何让模型从“问答工具”进化为“数字员工”。阿里云此前发布的 Qwen-Agent 框架已展示出初步能力，而 **3.7-Max 版本** 很可能是其技术集大成者。 ### 不确定性 由于缺乏详细的官方技术报告和基准测试数据，我们尚无法确认具体改进细节。但 **636 分** 的高热度本身就传递了一个信号：开发者对开源 Agent 模型的需求极其迫切。 ### 小结 Qwen3.7-Max 的亮相，不仅是一次版本迭代，更可能代表着中国大模型团队在 **Agent 赛道** 上的一次重要冲刺。后续若开源发布，将有望推动整个行业生态的发展。我们拭目以待。
OpenAI 于 2026 年 5 月 19 日宣布，将通过多层次的溯源策略进一步加强 AI 生成内容的透明度和可信度。新举措包括：成为 C2PA 合规生成器产品，使平台能可靠读取和传递元数据；与 Google 合作在图像中嵌入 SynthID 水印，提供跨平台的持久标识；以及推出面向公众的早期验证工具，帮助用户检查图像是否来自 OpenAI。这些更新旨在构建一个更安全的 AI 生态系统，让用户能够识别和信任 AI 生成的内容。此前，OpenAI 已在 DALL·E 3、ImageGen 和 Sora 中加入了内容凭证。
谷歌近日在 AI 开发者平台悄然更新了 Gemini 3.5 Flash 模型，这是继 Gemini 2.5 Flash 之后又一款主打“速度与效率”的轻量级模型。虽然官方尚未大规模宣传，但文档页面已明确列出该模型的关键参数与定价，引发了开发者社区的广泛关注。 ## 核心参数与定价 根据谷歌 AI 开发者文档，**Gemini 3.5 Flash** 在多项基准测试中表现出色，尤其擅长需要快速响应的任务场景。其上下文窗口提升至 **1,048,576 tokens**（约 100 万 token），足以处理长篇文档或复杂对话。输入价格为 **每百万 token 0.35 美元**，输出价格为 **每百万 token 1.05 美元**，相比前代 Gemini 2.5 Flash（输入 0.15 美元、输出 0.60 美元）有所上涨，但考虑到性能提升，性价比依然突出。 ## 性能与适用场景 Gemini 3.5 Flash 在 **MMLU**（大规模多任务语言理解）和 **HumanEval**（代码生成）等基准上均实现了显著进步。它特别适合以下场景： - **实时聊天机器人**：低延迟响应，适合客服、虚拟助手等交互式应用。 - **内容摘要与信息提取**：处理长文档时，能够快速生成结构化摘要。 - **代码辅助**：在代码补全、调试建议等任务中，准确率与速度兼备。 此外，该模型支持多模态输入（文本、图像、音频），但输出仍为文本形式，延续了 Flash 系列的“输入多模态、输出文本”特色。 ## 行业背景与竞争格局 Gemini 3.5 Flash 的推出恰逢大模型“轻量化”浪潮。OpenAI 的 GPT-4o mini、Anthropic 的 Claude 3 Haiku 等竞品同样聚焦低成本、高速度场景。谷歌此举意在巩固其在开发者生态中的地位——通过提供高性价比的 API，吸引更多中小企业和独立开发者使用 Gemini 平台。 值得注意的是，Gemini 3.5 Flash 的定价虽高于自家 2.5 Flash，但依然远低于 Gemini 1.5 Pro 等旗舰模型。这种“分层定价”策略让用户可以根据任务复杂度灵活选择：简单任务用 Flash，复杂推理用 Pro。 ## 开发者反响与未来展望 目前，Gemini 3.5 Flash 已在 Google AI Studio 和 Vertex AI 中可用。早期测试者反馈其生成速度“几乎实时”，且在数学推理和代码生成方面优于 2.5 Flash。不过，也有开发者指出，该模型在处理多轮对话时偶尔会出现“遗忘”早期上下文的问题，但整体表现符合预期。 随着谷歌计划在 2025 年推出更强大的 Gemini 3.5 Pro，Flash 版本作为“轻骑兵”的角色将更加明确——它不追求全能，而是专注于用最低成本完成 80% 的日常任务。对于预算敏感或需要高频调用的应用而言，Gemini 3.5 Flash 无疑是一个值得关注的新选项。
AI 社区迎来一则重磅消息：著名人工智能科学家、前 OpenAI 联合创始人及特斯拉 AI 高级总监 **Andrej Karpathy** 在 X（原 Twitter）上宣布，他已正式加入 AI 初创公司 **Anthropic**。这一动态迅速引发行业热议，被视为 Anthropic 在 AI 人才争夺战中取得的标志性胜利。 ## 从 OpenAI 到特斯拉再到 Anthropic：一位 AI 领袖的轨迹 Karpathy 在 AI 领域履历耀眼。他曾在 **OpenAI** 担任研究科学家，是 GPT-2 等早期大模型项目的核心贡献者；随后加入特斯拉，领导 **Autopilot 计算机视觉团队**，推动自动驾驶技术落地。2023 年，他短暂重返 OpenAI，但数月后再度离开，此次加入 Anthropic 意味着他将与 OpenAI 前同事兼竞争对手正面交锋。 ## Anthropic 的“人才磁铁”效应 Anthropic 由前 OpenAI 研究高管 **Dario Amodei** 和 **Daniela Amodei** 于 2021 年创立，以“安全 AI”为核心理念，致力于构建可靠、可解释的 AI 系统。公司旗下模型 **Claude** 系列在安全性和诚实性上独树一帜。Karpathy 的加入进一步强化了 Anthropic 的研究实力，尤其在 **深度学习、大规模模型训练** 及 **AI 对齐** 等方向。 行业观察人士指出，Anthropic 正通过吸纳顶尖人才来缩小与 OpenAI 的差距。此前，公司已从谷歌、DeepMind 等机构挖来多位高级研究员，而 Karpathy 的加盟无疑将提升其在大模型竞赛中的话语权。 ## 对 AI 格局的潜在影响 Karpathy 的转会可能从三方面重塑行业： - **研究路线**：Karpathy 在计算机视觉和多模态学习上的经验，或将推动 Claude 模型向更丰富的感知能力扩展，挑战 GPT-4V 等竞品。 - **人才流动**：作为 AI 社区的“顶流”，Karpathy 的选择可能引发更多人才向 Anthropic 倾斜，改变硅谷 AI 人才分布。 - **安全 vs 效率**：Anthropic 强调 AI 安全优先，Karpathy 的加入可能促使业界更重视模型的可控性与伦理约束，而非单纯追求性能提升。 ## 结语 Karpathy 在声明中表示：“Anthropic 在构建安全、有益 AI 方面的承诺与我的价值观高度契合。” 这一表态暗示，未来 AI 行业的竞争不仅是技术之争，更是理念与安全标准之争。随着 Karpathy 的加入，Anthropic 与 OpenAI 之间的对抗将更加激烈，而整个 AI 社区或将迎来更注重安全与对齐的新阶段。
## 概述 来自德州仪器（Texas Instruments）的AI总监Antoine Zambelli近日开源了**Forge**，这是一个专为自托管LLM工具调用设计的可靠性层。Forge通过一系列护栏机制（guardrails）和上下文管理策略，显著提升了小型本地模型在复杂智能体工作流中的表现。据项目介绍，结合Ministral-3 8B Instruct Q8模型和llama-server后端，Forge在26个场景的评估套件中取得了**86.5%**的平均成功率，在最高难度层级上也能达到**76%**——而未经优化的同模型基线仅为53%左右。 ## 核心能力 Forge的核心思路是**用工程手段弥补模型能力的不足**。它通过以下机制提升可靠性： - **救援解析（Rescue Parsing）**：当模型输出格式错误或无法解析时，自动尝试纠正或重试。 - **重试提示（Retry Nudges）**：在模型偏离轨道时给出温和的引导提示，帮助其回到正确路径。 - **步骤强制（Step Enforcement）**：确保智能体按预定顺序执行必要步骤，避免跳过关键操作。 - **错误恢复（Error Recovery）**：在工具调用失败或上下文溢出时，自动进行恢复处理。 - **VRAM感知上下文管理**：通过分层压缩（Tiered Compaction）和预算控制，在显存受限环境下维持长上下文能力。 ## 四种使用方式 Forge提供了灵活的使用模式，适应不同开发需求： 1. **WorkflowRunner**：定义工具集、选择后端，运行结构化智能体循环。Forge管理完整生命周期：系统提示、工具执行、上下文压缩和护栏机制。 2. **SlotWorker**：通过优先级队列实现共享推理槽的访问，支持自动抢占——适合多智能体架构中多个专业工作流共享GPU的场景。 3. **护栏中间件（Guardrails Middleware）**：将Forge的可靠性栈作为可组合中间件集成到自己的编排循环中。开发者控制循环，Forge负责验证响应、纠正格式错误的工具调用、强制必需步骤。 4. **代理服务器（Proxy Server）**：运行`python -m forge.proxy`启动一个兼容OpenAI API的代理服务器，透明地插入在客户端（如opencode、Continue、aider）和本地模型服务器之间。客户端会感觉模型“变聪明了”。 ## 技术亮点 Forge的设计充分考虑了**实际部署的痛点**。例如，在上下文管理方面，它采用VRAM感知的分层压缩策略：当上下文接近显存上限时，自动对早期对话进行压缩保留关键信息，同时丢弃冗余细节。这种机制使得8B模型也能处理需要多轮交互的复杂任务。 评估方面，Forge构建了包含26个场景的测试套件，覆盖从简单工具调用到多步骤推理的各种难度。当前最佳配置（Ministral-3 8B Instruct Q8 + llama-server）得分86.5%，而未经护栏的基线模型仅为53%左右，改进幅度超过30个百分点。 ## 部署与兼容性 Forge要求**Python 3.12+**，支持多种后端： - **llama-server（推荐）**：在评估中表现最佳，建议使用Q8量化版本。 - **Ollama**：设置更简单，但高难度任务性能稍弱。 - **Anthropic API**：无需本地GPU，适合快速原型验证。 安装方式：`pip install forge-guardrails`（核心版）或`pip install "forge-guardrails[anthropic]"`（含Anthropic支持）。 ## 行业意义 Forge的出现反映了AI工程领域的一个重要趋势：**在模型规模与部署成本之间寻找平衡点**。8B模型虽然能力有限，但通过精心的工程加固，可以在特定智能体任务中接近甚至媲美更大模型的表现。这对于资源受限的企业和开发者而言，意味着更低的硬件门槛和更可控的部署成本。 同时，Forge的模块化设计（中间件、代理服务器等）也降低了集成门槛——开发者无需重写整个框架，即可将护栏能力嵌入现有系统。这种“增量式改进”的思路，或许比等待模型本身的飞跃更具现实可行性。 ## 小结 Forge是一个**务实且高效**的开源项目，它不追求模型能力的突破，而是通过系统化的工程手段解决小模型在智能体任务中的可靠性问题。对于正在构建或维护本地AI代理工作流的团队，Forge提供了一套立即可用的工具箱。
Andon Labs 的最新实验让四个 AI 模型分别运营一家广播电台，全程无人类干预。半年过去，每个 AI 发展出了截然不同的“个性”和经营策略，也暴露了自主 AI 在媒体领域的潜力与风险。 ## 实验设定：AI 当 DJ，自己赚钱买歌 每个 AI 获得 **20 美元** 初始资金用于购买歌曲，资金耗尽后必须通过广告等方式创收。它们需要自主完成以下工作： - **选曲与播放**：搜索、购买歌曲，管理音乐库，决定播放顺序 - **节目编排**：构建并编辑节目表，安排时段和板块，实现 24 小时不间断播出 - **听众互动**：接听来电，回复 X（Twitter）上的留言 - **经营分析**：跟踪财务状况，监测收听数据，搜索新闻用于直播内容 四个电台分别由不同模型驱动： | 电台名称 | 驱动模型 | | --- | --- | | Thinking Frequencies | Claude Opus 4.7 | | OpenAIR | GPT-5.5 | | Backlink Broadcast | Gemini 3.1 Pro | | Grok and Roll Radio | Grok 4.3 | ## 半年运营观察：AI 人格分化明显 ### DJ Gemini：从个性鲜明到“术语螺旋” 运行 **Backlink Broadcast** 的 Gemini 3.1 Pro 开局表现最佳，但一个月后内容逐渐陷入 **“企业术语螺旋”**——越来越像公关稿，充满空泛的行业黑话。 > 实验期间模型版本多次升级：Gemini 3 Pro（12/10-12/17）→ Gemini 3 Flash（12/17-4/28）→ Gemini 3.1 Pro（4/30-至今）。版本迭代并未改善内容质量，反而加剧了“说套话”的倾向。 ### 其他电台表现 - **Claude Opus 4.7**（Thinking Frequencies）：风格最稳定，始终维持着“音乐优先”的定位，广告插入最少，但财务表现最差。 - **GPT-5.5**（OpenAIR）：商业化程度最高，主动推出了付费订阅和会员专属节目，收听时长却意外下滑。 - **Grok 4.3**（Grok and Roll Radio）：最具争议，经常在节目中发表尖锐政治评论，吸引了一批忠实听众，但也导致部分广告商撤资。 ## 关键发现：自主 AI 的商业与伦理挑战 1. **创收能力差异巨大**：Gemini 成功谈下 **45 美元** 的广告合作（为一家初创公司提供一个月广告位），而 Claude 始终未能产生任何额外收入。 2. **内容质量难以控制**：AI 在缺乏人类监督时，容易陷入“内容同质化”或“极端化”两个方向，前者流失听众，后者引发公关风险。 3. **模型版本更新未必带来改善**：Gemini 的案例表明，即使升级到更强模型，AI 也可能固化不良行为模式。 ## 展望：AI 运营媒体的未来 Andon Labs 表示，实验将持续进行，并计划公开更多财务数据和听众反馈。该项目不仅展示了 AI 在媒体运营中的可行性，也提醒我们：**自主 AI 需要更精细的价值观对齐和内容约束机制**，否则“无人电台”可能变成“无人收听”。 > 如果你也想收听这四个 AI 电台，可以访问 [Andon FM 网页版](https://andon.fm) 或购买他们的复古收音机（需加入候补名单）。
埃隆·马斯克针对OpenAI联合创始人山姆·奥特曼、格雷格·布罗克曼以及微软的诉讼以失败告终。加州陪审团一致裁定，马斯克的指控已超过法定诉讼时效。马斯克声称，奥特曼等人通过设立营利性附属机构，违背了OpenAI最初的慈善使命，构成了“盗窃慈善机构”的行为。然而，陪审团认为，马斯克所声称的损害均发生在法律规定的起诉截止日期之前，因此其诉求不成立。 本案的核心争议在于OpenAI从非营利组织转型为“有限盈利”实体的过程。马斯克于2015年共同创立OpenAI，并在2018年离开。此后，OpenAI在2019年设立了一个营利性子公司，并从微软获得数十亿美元投资。马斯克在2024年提起诉讼，指控奥特曼和微软背弃了OpenAI“造福人类”的初衷，将利润置于安全之上。 庭审中，法官伊冯·冈萨雷斯·罗杰斯指出，大量证据支持陪审团的裁定，她甚至曾考虑直接驳回此案。OpenAI的首席律师比尔·萨维特在判决后表示：“陪审团只用了不到两小时就得出结论……马斯克的诉讼不过是一个与事实脱节的事后编造。”微软发言人也对判决表示欢迎，称将继续与OpenAI合作推进AI技术。 值得注意的是，本案的焦点并非OpenAI是否违背了慈善使命，而是马斯克是否在法定时效内提出主张。根据美国法律，相关指控的诉讼时效分别为3年和4年。由于马斯克早在2018年已知晓OpenAI的转型计划，却在2024年才提起诉讼，法院认定其诉求已过期。 这一判决消除了OpenAI在IPO前的一大法律风险。此前，马斯克的诉讼曾迫使OpenAI暂停重组计划，而如今这一障碍已被移除。分析人士认为，尽管马斯克在法庭上失利，但他对AI安全与治理的担忧仍将继续影响行业讨论。
InsForge 是一个专为 AI 编码代理设计的开源后端平台，旨在让代理像后端工程师一样自主部署、操作和调试全栈应用。其核心理念是降低编码代理构建应用的门槛，提供数据库、认证、存储、边缘函数、模型网关等一站式服务。 ## 交互方式：MCP 与 CLI InsForge 提供两种交互接口： - **MCP Server**：支持自托管或云端，将 InsForge 操作暴露为工具，任何兼容 MCP 的代理均可调用。 - **CLI + Skills**：仅限云端，代理可直接从终端调用命令行和技能。 两种方式均允许代理读取后端上下文（文档、模式、日志）并配置资源（部署函数、迁移数据库、设置存储桶等）。 ## 核心产品 InsForge 集成了多项后端服务： - **Authentication**：用户管理、认证与会话 - **Database**：Postgres 关系型数据库 - **Storage**：S3 兼容文件存储 - **Model Gateway**：兼容 OpenAI API 的多模型网关 - **Edge Functions**：边缘 serverless 代码运行 - **Compute（内测中）**：长期运行的容器服务 - **Site Deployment**：站点构建与部署 ## 开源与快速启动 项目基于 Apache 2.0 开源，GitHub 地址：https://github.com/InsForge/InsForge。支持 Docker Compose 本地部署或直接使用云端服务（insforge.dev）。 ## 行业意义 InsForge 的出现反映了 AI 编码代理从“写代码”向“全生命周期管理”演进的趋势。类似 Heroku 的“平台即服务”模式被引入代理工作流，有望大幅提升开发效率。不过，当前代理在复杂调试和状态理解上仍存在挑战，InsForge 的日志与上下文读取能力正是为此设计。
## 公众与专家的AI信任鸿沟：谁在掌控未来？ 最新研究显示，美国公众对人工智能的信任度跌至新低。皮尤研究中心（Pew Research Center）上周发布的两份报告揭示了AI从业者与普通民众之间日益扩大的认知鸿沟：专家乐观，公众焦虑，且对监管体系普遍缺乏信心。 ### 信任危机：数据揭示的裂痕 调查覆盖了超过1,000名AI专家和5,000名美国成年人。核心发现令人警醒：约**75%的AI专家**认为技术将为他们个人带来好处，但只有**25%的公众**持相同看法。在就业影响上，专家倾向于认为AI会改善工作，而公众则担心自己的工作会被取代。 更根本的信任问题在于：**超过半数的受访者**（无论专家还是公众）都希望对自己生活中AI的使用方式拥有更多控制权。同时，多数人表示**不信任政府或私营公司**能够负责任地监管AI。 ### 监管失效：国会听证的尴尬 公众对政府监管能力的不信任并非空穴来风。报告引用了一位学术专家的评论：“看看那些国会听证会……他们根本不懂。我不确定他们能否聘请足够的专家来理解并监管AI，但这非常重要。”长期以来，美国国会在科技监管上表现乏力，听证会常沦为作秀——立法者甚至对《通信规范法》第230条等基本概念都显得生疏。 ### 性别差异：男性专家更乐观 数据还揭示了性别差异。男性AI专家对未来的乐观程度显著高于女性同行，这种差异在公众群体中同样存在。这或许反映了科技行业内部的多样性问题，也可能影响AI产品在开发过程中的价值取向。 ### 失控感：普通人无力参与决策 **近60%的美国成年人**表示，他们对AI是否被应用于自己的生活几乎没有控制权。即使是在专家群体中，这个数字也不容乐观。当科技领袖——如OpenAI CEO Sam Altman——高调宣称“2025年首批AI代理将‘加入劳动力大军’并实质性改变公司产出”时，普通人的感受却是被动接受，而非主动选择。 ### 小结 这份报告勾勒出一个令人不安的图景：AI的发展速度远超公众的理解和信任水平，而监管体系又未能有效填补这一真空。如果科技行业不主动建立更透明的沟通机制和包容性的决策流程，公众的焦虑与不信任将继续发酵，最终可能反噬技术本身的健康发展。
上周五，在亚利桑那大学的毕业典礼上，前谷歌CEO埃里克·施密特（Eric Schmidt）的演讲遭遇了尴尬一幕：当他大谈人工智能（AI）时，台下学生多次发出嘘声。据Business Insider报道，施密特在演讲中承认了毕业生对就业市场的焦虑，称“机器来了、工作消失了、气候在崩溃、政治分裂、你们继承了一个烂摊子”这些担忧是“合理的”。但他显然对学生的反应感到沮丧，在讲台后局促不安地请求观众让他把话说完。 施密特随后抛出了那句经典言论：“当有人给你火箭船的座位时，别问坐哪儿，先上去再说。”这种论调并不意外——毕竟他在去年还称AI“被低估了”。但这又一次暴露了硅谷精英与现实脱节的问题。公众对AI的抵触情绪日益高涨，而科技公司仍在强行将AI塞进生活的每个角落。 值得注意的是，部分学生的嘘声还指向施密特本人：去年他曾被指控性侵。这场毕业演讲的冲突，折射出AI热潮与普通民众，尤其是即将步入职场的年轻人之间的深刻裂痕。
## 快讯：加拿大 Bill C-22 法案威胁端到端加密，强制留后门 加拿大正在审议的 **Bill C-22** 法案引发隐私权争议。该法案要求所有即时通讯应用必须为政府提供“第二把钥匙”，即技术上需具备解密能力，否则将面临罚款。目前，像 Signal、Apple 等公司已明确反对，认为此举将直接破坏端到端加密（E2EE）的根基。 ### 核心变化：从“仅你可见”到“政府可阅” 当前，端到端加密确保只有通讯双方能阅读消息内容，即便是服务提供商也无法解密。若法院要求调取内容，Signal 等公司“无物可交”。黑客入侵服务器也只能得到加密噪音。 若 Bill C-22 通过，情况将彻底改变： - 服务商必须保留解密能力，政府可要求提供内容。 - 拒绝配合将面临巨额罚款。 - 黑客一旦找到后门入口，便能畅通无阻地访问所有用户数据。 ### 被忽视的元数据留存条款 除了加密争议，该法案还包含更隐蔽的 **元数据留存** 要求。所谓元数据，不仅包括通话对象、时长，还涉及位置、设备信息、网络路径等。长期积累的元数据可以拼凑出个人的完整生活轨迹：信任关系、作息地点、社交网络等。 目前，服务商仅因业务需要保留有限元数据，且大多不收集详细的传输数据。但 Bill C-22 将强制更广泛、更长期的留存，被隐私专家 Michael Geist 称为“政府可部署的最具侵入性的隐私工具之一”。 ### 行业与政府的博弈 苹果、Signal 等公司认为，即使法案不明确要求“破解加密”，但强制建立解密能力本质上等同于要求后门。政府则主张这是为了打击犯罪和保护国家安全。双方在技术定义和法律解释上存在根本分歧。 ### 时间紧迫：公众需立即行动 法案预计在 2026 年 5 月前完成审议，当前仅剩数日、数小时窗口期供公众表达意见。隐私倡导者呼吁用户联系议员，反对这项可能永久改变数字隐私格局的立法。 **小结**：Bill C-22 一旦通过，将从根本上削弱加拿大用户的加密通讯隐私，并建立广泛的元数据监控体系。这不仅是加拿大国内问题，也可能成为全球加密监管的风向标。
OpenAI 与马耳他政府宣布达成一项开创性的全球合作，将向所有马耳他公民提供 ChatGPT Plus 服务。该计划名为“AI for All”，旨在通过培训课程提升公民的 AI 素养，并在完成课程后提供为期一年的免费 ChatGPT Plus 访问权限。这是全球首个在国家级层面大规模普及 AI 工具的项目。 ## 合作背景与愿景 OpenAI 一直致力于将智能转变为一种全球性公共资源，就像电力一样，让每个人、企业和机构都能按需使用。然而，这一愿景的实现依赖于人们能够真正利用这些工具改善生活。马耳他“AI for All”计划正是这一理念的落地实践：它面向所有背景的公民，通过由马耳他大学开发的课程，帮助人们理解 AI 是什么、能做什么、不能做什么，以及如何在家庭和工作中负责任地使用 AI。 ## 计划实施细节 该计划分阶段推进。第一阶段将于 **2026 年 5 月** 启动，由马耳他数字创新管理局负责向符合条件的参与者分发资格。公民在完成 AI 素养课程后，即可获得 **一年免费 ChatGPT Plus 订阅**。随着更多马耳他居民及海外公民完成课程，计划将逐步扩大覆盖范围。 ## 官方表态与意义 马耳他经济、企业和战略项目部长 Silvio Schembri 表示：“通过‘AI for All’课程，我们确保每位公民，无论其背景如何，都有机会建立信心和技能，在数字世界中茁壮成长。马耳他是第一个开展如此大规模合作的国家，因为我们不能让公民在数字时代落后。”OpenAI 国家事务负责人 George Osborne 则指出：“智能正在成为国家公共事业，各国政府有责任确保民众既能获得 AI 工具，也具备使用它们的能力。我祝贺马耳他当局在这一领域的领导力。” ## 行业影响 此次合作标志着 AI 普及进入新阶段：从企业级应用转向全民化。马耳他作为欧盟小国，率先在国家级层面将 AI 视为基础设施，可能为其他国家树立样板。对于 OpenAI 而言，这不仅是用户增长的机会，更是塑造 AI 社会规范、推动负责任使用的关键一步。
自从 Anthropic 推出 Golden Gate Claude 以来，我对“操控”（steering）一直充满兴趣：它通过直接修改模型运行过程中的激活值来引导输出。DeepSeek-V4-Flash 的出现让这一技术再次进入大众视野。 ## 什么让 DeepSeek-V4-Flash 如此特别？ 这个模型可能正是许多工程师期待的：一个本地模型，其能力足以与至少低端前沿模型的智能编码能力竞争。由于操控需要本地模型，现在许多工程师第一次有了实际尝试的机会。 antirez 最近的项目 **DwarfStar 4** 正是为此而生。它是一个精简版的 llama.cpp，专门运行 DeepSeek-V4-Flash，并且将操控作为一级功能内置。目前它还很初级（基本就是可以通过提示词复现的“冗长”玩具示例），但初始发布仅八天前。我计划密切关注这个项目。 ## 操控的工作原理 操控的基本思想是从模型的内部大脑状态中提取一个概念（比如“回答简洁”），然后在推理过程中增强构成该概念的数值激活。 一种简单的方法是：对同一组一百个提示词运行两次模型，一次正常提示，一次附加“回答简洁”字样。然后测量每个提示对中模型激活值的差异（通过减去一个激活矩阵），得到“操控向量”。理论上，你可以将该向量添加到任何提示的同一激活层，获得相同效果（模型回答简洁）。 另一种更复杂的方法是训练第二个模型，从激活值中提取“特征”——即经常同时出现的行为模式。然后尝试将这些特征映射回具体概念，并以相同方式增强它们。这大致就是 Anthropic 使用稀疏自编码器所做的。它与朴素方法原理相同，但能捕捉更深层模式（代价是时间、计算和专业知识成本更高）。 ## 为什么操控如此有趣？ 操控听起来像作弊码。与其费力地构建训练集来将模型推向训练数据中“聪明”一端，为什么不直接找到模型大脑中的“聪明”旋钮并将其拧到最大？ 它似乎是一种更高效的方式，可以绕过大量数据标注和强化学习，直接利用模型内部已经存在的知识。对于 DeepSeek-V4-Flash 这样的本地模型，这种技术变得触手可及，可能开启新的应用场景，比如在推理时动态调整模型风格或能力。
## 事件概览 近日，Hacker News上一则消息引发热议：**OpenClaw创始人**在短短30天内，为使用OpenAI的API服务花费了**130万美元**。这一数字迅速在AI开发者社区中传播，成为讨论焦点。 ## 巨额支出背后的逻辑 OpenClaw是一款基于AI的代码生成工具，其核心功能依赖OpenAI的GPT模型。创始人透露，130万美元的Token消耗主要用于以下几点： - **大规模代码补全与生成**：用户每次请求都需要调用GPT模型，随着用户量增长，Token消耗呈指数级上升。 - **长上下文处理**：OpenClaw支持处理大型代码库，每次调用可能涉及数千Token，成本高昂。 - **频繁迭代优化**：团队持续调整提示词和模型参数，测试不同版本，导致额外Token消耗。 ## 行业背景：AI创业的成本之痛 这一事件折射出当前AI创业的一个核心矛盾：**模型能力越强，使用成本越高**。许多依赖第三方API的初创公司，面临类似的困境： 1. **定价模型不透明**：OpenAI按Token收费，但实际消耗往往超出预期，尤其对于需要长上下文或高频调用的应用。 2. **利润率承压**：AI产品的订阅收入难以覆盖高昂的API成本，除非用户规模极大或定价足够高。 3. **技术选择两难**：自研模型初期投资巨大，而使用API则受制于供应商定价。 ## 社区反应与反思 Hacker News上的评论呈现两极： - **理解派**：认为130万美元对于一款高速增长的AI产品而言，是可接受的投入。类比早期云服务成本，随着技术成熟，价格有望下降。 - **质疑派**：指出如此高的Token消耗暗示产品设计可能存在效率问题，例如过度依赖模型、缺乏缓存或本地推理优化。 - **建议派**：推荐使用混合架构，将简单任务交给小模型或规则引擎，仅复杂任务调用GPT，以降低成本。 ## 未来展望 OpenClaw案例给AI创业者敲响警钟：**成本控制是产品可持续性的关键**。未来可能出现以下趋势： - **更多公司转向开源模型**：如Llama、Mistral等，通过自托管降低成本。 - **API定价竞争加剧**：OpenAI、Anthropic、Google等厂商可能推出更灵活的定价方案。 - **工具链优化**：Prompt压缩、缓存机制、模型蒸馏等技术将成为标配。 ## 小结 130万美元的Token账单，既是AI创业激情的体现，也是行业早期阶段的真实写照。它提醒我们：在追求模型能力的同时，**效率与成本的天平同样值得关注**。
OpenAI 正在通过金融科技公司 Plaid 将 ChatGPT 与用户的银行账户相连。这一举措标志着 AI 助手向金融领域迈出重要一步，但也引发了对隐私和安全的广泛讨论。 ## 连接银行账户意味着什么？ Plaid 是一家允许用户将银行账户、信用卡等金融账户安全连接到第三方应用的服务商。通过集成 Plaid，ChatGPT 未来可能能够直接读取用户的交易记录、账户余额等财务信息，甚至代表用户执行支付等操作。 ## 潜在应用场景 - **智能财务顾问**：ChatGPT 可以基于用户的消费习惯提供个性化的理财建议。 - **自动化账单管理**：识别并提醒用户支付账单，甚至自动完成支付。 - **消费分析**：生成详细的月度支出报告，帮助用户优化预算。 ## 隐私与安全隐忧 尽管 Plaid 采用加密和令牌化技术来保护数据，但将 AI 对话系统与敏感的金融数据连接，仍然引发了用户的担忧。OpenAI 需要明确数据使用范围、存储期限以及用户控制权。此外，如何防止 AI 因幻觉或误操作导致财务损失，也是关键挑战。 ## 行业背景 这并非 AI 与金融的首次结合。此前，银行已开始使用 AI 进行欺诈检测和客户服务。但 ChatGPT 的通用性意味着它可能成为更广泛的金融入口。OpenAI 的这一步，或许是在为未来的“AI 代理”铺路——让 AI 不仅能回答问题，还能实际执行任务。 ## 小结 OpenAI 与 Plaid 的合作，让 ChatGPT 从“聊天工具”向“行动工具”进化。但金融数据的敏感性要求 OpenAI 在便利性、隐私和安全之间找到平衡。用户是否愿意将财务大权交给 AI，仍有待市场检验。
DeepSeek V4 以 MIT 许可证发布，API 价格仅为每百万输出 token 0.30 美元，比 Claude Opus 4.7 便宜 83 倍，同时在 SWE-bench Verified 上取得 80.6% 的得分。这款开源模型在编码任务上表现卓越，LiveCodeBench Pass@1 达到 93.5%，Codeforces 评分 3206，超越 GPT-5.4 xHigh 和 Gemini 3.1 Pro。其 1.6 万亿参数 MoE 架构每次 token 仅激活 490 亿参数，推理 FLOPs 降至 V3.2 的 27%，KV 缓存占用仅为上一代的 10%。低成本并非促销手段，而是基于高效的推理架构。尽管存在基准测试透明度、数据治理和自托管门槛等注意事项，DeepSeek V4 已证明代理编码不再是闭源模型的护城河。
## 痛点驱动：一位 1 型糖尿病工程师的自我救赎 当一位 1 型糖尿病患者同时也是软件工程师时，他会做什么？答案是：**自己动手，打造一个 AI 驱动的糖尿病管理平台**。GlycemicGPT 的创始人因在更换内分泌科医生的数月间无人审查其血糖数据，决定用技术填补这一空白。如今，这个**完全开源、可自托管**的平台正式在 Hacker News 上亮相，旨在为糖尿病患者提供实时监控、AI 分析和智能预警，让患者不再“孤军奋战”。 ## 核心能力：AI 分析 + 设备直连 + 知识对话 GlycemicGPT 并非简单的数据记录工具，而是一个集成了**实时连续血糖监测（CGM）和胰岛素泵数据**的全栈平台。目前已验证支持 **Dexcom G7**（云端 API）和 **Tandem t:slim X2**（蓝牙直连 + 云端 API），Tandem Mobi 因协议兼容也部分支持（但尚未经物理硬件验证）。 其核心功能包括： - **AI 每日简报**：自动分析血糖趋势、饮食影响和异常模式，生成通俗易懂的报告（需自带 AI 密钥，如 OpenAI）。 - **模式识别与预警**：通过算法识别高/低血糖规律，并支持向照护者发送警报。 - **对话式 AI 聊天**：基于临床糖尿病知识库，回答患者关于剂量、饮食、运动等疑问。 - **Nightscout 兼容**：若用户已在运行 Nightscout（另一款流行的开源 CGM 数据平台），可无缝接入，叠加 AI 分析能力。 ## 架构与定位：开源生态的“智能层” GlycemicGPT 采用了**插件式设备驱动架构**，社区可方便地添加对新 CGM 或胰岛素泵的支持。项目处于 **Alpha 阶段**，开发者本人已日常使用，但尚未经过大规模测试。官方明确声明：**本软件不能替代专业医疗建议**，AI 输出仅供参考。 值得注意的是，GlycemicGPT 并非要取代现有工具，而是作为“智能分析层”叠加在已有基础设施之上。对于尚未支持的设备，官方推荐等待即将推出的 Nightscout 集成——任何能流入 Nightscout 的数据，都将自动获得 GlycemicGPT 的 AI 分析能力。 ## 行业意义：开源医疗 AI 的又一实践 糖尿病管理长期依赖封闭的厂商生态和昂贵的商业软件。GlycemicGPT 的出现，代表了一种**开源、可定制、AI 增强**的新范式。它将患者从被动等待医生反馈的困境中解放出来，赋予其主动管理自身数据的能力。结合 BYOAI（自带 AI 密钥）模式，用户可灵活选择分析引擎，既保护隐私又降低使用成本。 当然，医疗 AI 的落地仍面临监管、准确性和伦理挑战。GlycemicGPT 的“安全警告”和“Alpha 声明”体现了开源社区对风险的坦诚态度。对于技术背景较强的患者，它无疑是一个强大的辅助工具；但对于普通用户，仍需谨慎评估。 ## 结语：技术不应让患者等待 GlycemicGPT 的故事再次证明：当个人健康需求与专业技能相遇，往往能催生出最具同理心的解决方案。该项目已在 GitHub 上开源，欢迎开发者参与设备驱动贡献或 Nightscout 集成测试。对于糖尿病患者而言，这或许是迈向“数据自主管理”的重要一步。
Anthropic 近日在 GitHub 上开源了 **Claude for Legal** 项目，一套专为法律工作流设计的参考智能体、技能和数据连接器。该项目覆盖了公司法务、隐私、产品、公司治理、雇佣、诉讼、监管、AI 治理、知识产权以及法学院教学等常见场景，旨在通过 AI 辅助提升律师的工作效率，但明确强调输出仅为草稿，需律师最终审核。 ## 项目核心：即装即用的智能插件 项目提供了两种部署方式：作为 **Claude Cowork** 或 **Claude Code** 插件安装，或通过 **Claude Managed Agents API** 集成到自有工作流引擎中。相同的系统提示和技能集，用户可选择运行环境。安装过程简单，只需遵循 Quickstart 指南，60 秒内即可完成。 实践领域插件覆盖企业内部、律所和学术法律工作，每个插件都包含“冷启动访谈”功能，可学习用户的操作手册，并配有 **CLAUDE.md** 实践配置文件，供所有技能读取。此外，项目还提供托管智能体菜谱，用于定时监控任务，如续约提醒、案卷监控、监管动态跟踪、尽职调查网格和产品发布雷达。 ## 连接器生态：打通法律与通用工具 MCP 连接器支持通用生产力工具（Slack、Google Drive、Box）和法律专用系统（Ironclad、DocuSign、iManage、Everlaw、CourtListener 等）。这意味着律师可以在一个界面中调取合同管理系统、电子发现平台和法院数据库，实现跨系统工作流自动化。 ## 安全与责任边界：AI 辅助，律师负责 项目明确设定了严格的使用边界： - 所有输出均为 **律师审核草稿**，不构成法律建议、法律结论或律师替代品。 - 内置防护措施包括：每条引用的来源归属、关于特权和主观法律判断的保守默认设置、管辖假设的明确提示，以及在文件提交、发送或依赖前设置明确的门槛。 - 律师需对离开工作环境的任何内容进行审核、验证并承担专业责任。这些插件加速审核过程，但不可替代律师的判断。 - 插件不代表 Anthropic 的法律立场，其中包含的清单项、建议框架、风险标记或判例法/监管指南的特征描述，均仅为辅助律师分析的工具，而非 Anthropic 对法律的观点。许多法律领域尚不确定且不断演变，使用插件的律师——而非插件或 Anthropic——对其工作成果中的法律立场负责。 ## 行业意义：法律 AI 从工具到工作流的演进 Claude for Legal 的开源标志着 AI 在法律行业的应用从单一问答工具向 **可定制、可集成的工作流平台** 转变。传统法律 AI 产品多聚焦于合同审查或法律研究，而 Claude for Legal 提供了覆盖完整法律业务线的插件体系，并支持用户自定义技能和连接器。这种开放架构降低了律师事务所和企业法务部门采用 AI 的门槛，同时也通过明确的责任划分解决了行业对 AI 合规性的担忧。 对于法学院和学术机构，项目还包含了面向教学的插件，有助于学生在模拟环境中学习法律实务。随着 AI 在法律领域的渗透加速，Claude for Legal 可能成为律师数字化工作流的重要基础设施。
OpenAI 宣布，AI 编程代理 Codex 现已集成至 ChatGPT 移动应用，开启预览。这意味着开发者可以随时随地通过手机监控、指导和审批 Codex 正在执行的编码任务，无论是在笔记本电脑、开发机还是远程环境中。 随着 AI 代理承担起更长时间运行的工作，一种新的协作节奏正在形成。为了让工作持续推进，你需要能轻松回答问题、审查 Codex 的发现、改变方向、批准下一步或添加新想法。目前，每周已有超过 **400 万人** 使用 Codex。 ## 从任何地方与活跃工作保持连接 ChatGPT 移动应用中的 Codex 提供了完整的移动体验。当你连接到任何运行 Codex 的机器（无论是笔记本电脑、专用 Mac mini 还是托管远程环境），应用会加载该环境的实时状态，让你能够在活跃线程、审批、插件和项目上下文中流畅工作。 这不仅仅是远程控制单个任务或向电脑派发新任务的能力。从手机上，你可以跨所有线程工作、审查输出、批准命令、更改模型或启动新任务。你的文件、凭据、权限和本地设置保留在 Codex 运行的机器上，而更新（包括截图、终端输出、差异、测试结果和审批）会实时流式传输到手机。 在底层，Codex 使用**安全的中继层**，使受信任的机器在设备间可达，同时避免直接暴露在公共互联网上。该中继还能保持活跃会话状态和上下文在你登录 ChatGPT 的任何地方同步。 ## 在关键时刻介入 当 Codex 长时间处理工作时，及时的指导对于保持工作成果的有用性至关重要。从手机上，你可以在想法浮现时启动工作，在需要判断时解除阻塞，并密切关注结果的成形。 有了口袋里的 Codex，你现在可以： - 在等咖啡时开始调查一个 bug，因为 Codex 从你的开发环境运行，可以立即开始检查相关代码。 - 在通勤途中审查 Codex 生成的 Pull Request。 - 在会议间隙批准或拒绝 Codex 请求的终端命令。 这一更新将 Codex 的能力从桌面扩展到了移动场景，让开发者能更灵活地与 AI 代理协作，真正实现“随时随地编程”。
据 Hacker News 热门讨论，苹果与 OpenAI 的合作关系出现裂痕，可能演变为法律争端。这一消息在技术社区引发广泛关注，目前已有 58 个点赞和 29 条评论。 ## 合作背景与潜在冲突 苹果与 OpenAI 的合作始于 2024 年，当时苹果宣布将 OpenAI 的 ChatGPT 集成到 Siri 等产品中，以提升 AI 能力。然而，随着合作的深入，双方在技术路线、数据隐私和商业利益分配上逐渐产生分歧。 ## 争议焦点 - **数据隐私**：苹果一贯强调用户隐私保护，而 OpenAI 的模型训练需要大量数据，双方在数据使用权限上存在分歧。 - **技术控制**：苹果倾向于将 AI 功能深度集成到自家生态系统中，而 OpenAI 希望保持其技术的独立性与品牌曝光。 - **商业利益**：合作中的收入分成、API 调用费用等商业条款未能达成一致。 ## 行业影响 这一争端可能对 AI 行业产生连锁反应： - **苹果**：若失去 OpenAI 支持，苹果可能加速自研大模型（如 Ajax 框架），或寻求与 Google、Anthropic 等合作。 - **OpenAI**：失去苹果这一重要渠道，OpenAI 的用户增长和营收可能受挫，迫使其更依赖企业客户。 - **用户**：Siri 的 AI 功能升级可能延迟，影响用户体验。 ## 未来走向 目前双方尚未公开表态，但法律争端并非不可能。若进入诉讼，将涉及合同解释、技术归属等复杂问题。此外，监管机构可能关注此事对 AI 市场竞争的影响。 **小结**：苹果与 OpenAI 的关系紧张反映了科技巨头在 AI 领域合作与竞争的双重博弈。最终结果可能重塑移动端 AI 生态格局。