Google 把 Gemini 3.5 的实时翻译功能放出来了，现在通过 Gemini API 就能用。它做的是语音到语音的低延迟翻译，覆盖 70 多种语言，能组合出 2000 个语言对，冷门小语种也包含在内。开发者可以把它接进实时对话、客服、直播或跨国会议里。主推文提到这消息被 Anthropic Fable 5 的声量盖过去了，还顺带提了阿里 Qw...
推荐理由：HKR 三项都成立：Google 把实时语音翻译做成 API 公开预览，对开发者有直接吸引力，也给了语言覆盖和语言对的具体数字。但文章只提了功能开放，没写价格、延迟基准和可用区域，信息有缺口，所以重要性停在 78。
Claude 的托管智能体（Managed Agents，让模型进业务流程干活的工具）现在支持用 cron 表达式设定时任务，到点自动跑，不用人守着。同时上线了 Vaults 功能，用来存 API 密钥、数据库密码这类敏感信息。智能体跑任务时能调用这些变量，但模型本身读不到明文——密钥只在网络边界上才被替换成真实值。正文没披露定时任务的最小间隔和 Va...
推荐理由：Claude 的托管智能体现在能设 cron 定时任务，到点自己跑，不用人盯。同时上了 Vaults 功能存 API 密钥、数据库密码这些敏感信息，智能体跑任务时可以调用，但模型本身读不到明文——密钥只在网络边界上才被替换成真实值。正文没披露定时任务的最小间隔和 Vaults 的访问控制粒度，这点先别太激动。整体是给智能体补运维能力，不是模型升级，所以分数就卡在这个位置。
OpenRouter 原本要介绍一个叫 Advisor 的工具，让 GPT-4o Mini 这类便宜模型在生成过程中可以随时去问 Claude Fable 等更强模型。但博客页面直接返回 404，文章不存在。定价、延迟、路由策略这些关键信息全都没公开，目前只能看到标题和摘要里的概念，没法判断实际效果和成本。
推荐理由：我会先打个折：OpenRouter 这篇博客直接 404，正文没披露定价、延迟、路由策略和实际效果，目前只有标题和摘要里的概念。概念本身有意思——让便宜模型在生成中途去问强模型，相当于给低成本模型配了个随时可叫的顾问，不是简单的 fallback 或静态路由。这点先别太激动，因为没数据验证到底省不省钱、延迟高不高、强模型被调用的频率和策略全都不清楚。对正在搭模型路由栈的团队来说，这个方向确实踩中了成本与质量的平衡点，但信息缺口太大，只能当产品信号看。
Ethan Mollick 提前试用了 Anthropic 的 Mythos 级模型 Claude 5 Fable。他的结论是，这模型比他用过的所有公开模型都强出一大截，而且人和 AI 的关系可能要变了。Fable 能自己连续跑十几个小时，执行好几页纸的指令。Mollick 让它从零做一个等时线地图，模型自己派了一堆子 AI 去查了 2200 多个航班...
推荐理由：Ethan Mollick 提前摸了 Claude Fable，说它比所有公开模型都强一截，能自己连续跑十几个小时、执行好几页纸的指令，甚至自己派子 AI 去查 2200 多个航班做地图。听着像模型能当项目经理使了，但正文没披露参数量、跑分、成本和什么时候能用，这点先别太激动。H 和 R 分高是因为新模型名加推理/代码定位确实抓眼球，K 分低是因为除了一个用例，关键信息全是缺口。Anthropic 光环有加成，但缺价格和基准测试，所以没到必写级别。
Anthropic 发了两个新模型：Claude Fable 5 和 Claude Mythos 5。Fable 5 是面向普通用户的安全版，Mythos 5 是给网络安全防御方用的无限制版，目前只通过美国政府合作项目开放。Fable 5 在软件工程、知识工作和视觉任务上都是新标杆——Stripe 测试时，它一天干完了原本一个团队两个月的代码迁移活；在...
推荐理由：Anthropic 一次发了两个模型，Fable 5 是普通用户能用的安全版，Mythos 5 是给网络安全防御方用的无限制版，目前只走美国政府合作渠道。Fable 5 在软件工程、知识工作和视觉任务上都刷了新纪录——Stripe 拿它做代码迁移，一天干完原本一个团队两个月的活。药物设计速度也快了 10 倍，这个数字挺夸张，但正文没披露具体测试条件和对比基线，先打个折看。定价方面，Fable 5 每百万 token 输入 10 美元、输出 50 美元，比前代贵了不少，得算算性价比。整体看，这是一次 Claude 主线模型的实质性更新，有定价、有基准...
Cohere 在 OpenCode 上放出了他们的第一个编程模型 North Mini Code，完全开源，上下文窗口能塞进 256K token，相当于一次能读很长的代码库。目前免费可用，正文没披露具体跑分、支持哪些语言和推理速度，实际编码能力得自己测一下才知道。
推荐理由：Cohere 终于出了编程模型，免费开源这点挺实在，256K 上下文意味着一次能吞下大半个代码库，省得来回切文件。但正文没给跑分、没提支持哪些语言、也没说推理快慢，实际好不好用得自己跑一遍才知道。我会先打个折，等有实测数据再往上调。
Anthropic 发了份 319 页的系统卡，讲的是同一个新模型拆成了两个版本：Fable 5 给大众用，但加了安全锁，不让它在生物、网安这类高危领域干活；Mythos 5 则把相关限制解开了，只开放给 Project Glasswing 等少数受信合作伙伴。先说能力，Mythos 5 是他们训过最强的模型，在漏洞开发这类网安测试里把 Opus 4....
推荐理由：Anthropic 在同一天发了 Claude 5 的两个版本和配套系统卡，Mythos 5 自称最强、但只给受信伙伴用，Fable 5 则在高危领域加了限制。这种能力分级和透明披露的做法，对关注模型安全与能力边界的从业者来说是个重要信号。放在 85–94 这个区间没问题，因为信息够新、够具体，而且直接关系到 Claude 用户和开发者的实际使用。
GitHub Copilot CLI 新增了自定义智能体功能，让模型能读懂你团队的技术栈和常用流程，把以前在终端里零散敲的提示词变成一套可复用的自动化工作流。正文没披露具体的配置方式、推送范围和是否额外收费，所以实际落地成本还不清楚。
推荐理由：GitHub 官方产品更新，HKR 拿到 H 和 R：自定义 Copilot CLI 智能体对开发者工作流有实际影响。K 偏弱，因为配置方式、推送范围和是否额外收费都没披露，所以定在 featured 门槛。
Google 发了 Gemini 3.5 Live Translate，一个实时语音转语音翻译模型。它不等对方把整句话讲完，边听边翻，用流式更新把结果推出来，延迟压到几秒，还能保留原声的语速、音高和语调。支持 70 多种语言，目前通过 Gemini Live API、Google Meet 预览版和 iOS/Android 的 Google 翻译 Ap...
推荐理由：HKR 三项都成立：Google 把实时语音翻译绑定了 70+ 语言和说话人未结束就开始的流式输出。分数留在 82，因为正文没披露具体上线范围、定价和基准测试结果，实际效果和可用性还得等验证。
这件事的起点很简单：有人觉得传统的 OCR（光学字符识别）管道太复杂，直接用 GPT-5.5 来读论文、做翻译，结果把 23,000 多篇 ChinaRxiv 上的论文免费放出来了，还带了比之前更完整的英文翻译。正文没披露具体成本、延迟和翻译质量对比，所以没法判断这套方案在准确率和开销上到底比 OCR 好多少。如果是真的省钱又省事，对需要批量处理中文论...
推荐理由：我会先打个折：这不是 OpenAI 官方模型发布，而是一个开发者用例，所以推荐分在 78–84 这个区间。HKR 三项都踩中了——用 GPT-5.5 砍掉 OCR 管道是个很具体的钩子，23,000+ 篇论文的规模也给了实感，对做文档处理和研究的人确实有用。但正文没披露成本、延迟和翻译质量对比，这点先别太激动，没法判断准确率和开销到底比 OCR 好多少。如果是真的省钱又省事，那对批量处理中文论文的场景挺有参考价值。
苹果在 WWDC 上公布了 CoreAI，定位是 CoreML 的继任者，专门在苹果芯片上跑模型推理。模型得先用 Python 脚本转一道才能用，目前支持的模型列表主要是 2025 年年中左右的版本。帖子正文没给出任何性能数据，速度、内存占用、功耗这些关键指标一概没提，所以实际跑起来快不快、省不省资源还不好说。另外原帖链接返回了 403，说明 Redd...
推荐理由：帖子本身信息很薄：CoreAI 接棒 CoreML、需要 Python 转换脚本、模型支持范围有限，这些是事实。但吞吐量、延迟、功耗一概没提，原帖链接还返回了 403，说明来源本身就不完整。苹果的本地推理引擎变动确实值得关注，但这点先别太激动，因为验证不了实际省不省资源。
作者让一个编程 agent 自己动手，把 ideogram-ai/ideogram4 和 VAST-AI/TripoSplat 这两个 Space 串了起来。流程是：先用 ideogram4 生成巴黎地标的图片，再把图片喂给 TripoSplat，从单张图片重建出 3D 高斯泼溅文件（.ply），接着转成体积小约 3 倍的 .ksplat 格式，最后用...
推荐理由：我会先打个折：这不是模型或平台发布，而是一篇 Hugging Face Spaces 的实操教程。但作者把两个现成 Space 串起来，让 agent 自己跑通从文字到 3D 场景的流程，还给出了约 3 倍的压缩数据，对做 agent 编排和轻量 3D 管线的人挺实用。正文没披露生成质量和延迟的具体测试，这点先别太激动。整体放在 featured 档位合适。
实验里 Qwen3.7-Max 不看设计稿、不接后端，只读一份约 15 万字的产品调研文档，在隔离环境里分别生成了安卓 APK 和一个 Web 应用，单端耗时约 4 小时，中间没人插手。模型本身看不懂图，它是通过像素坐标反推布局来还原界面。做法是把任务拆成规划、架构、编码等阶段，每步做完就检查——静态检查、编译自检（0 error）、Web 端 34 ...
推荐理由：我会先打个折：正文没披露失败率、重试次数、人工介入点，也没说这15万字文档本身质量如何。但亮点在于它把模型看不懂图这个短板说清楚了——靠像素坐标反推布局，不是真懂设计。任务拆成规划、架构、编码并逐段自检的做法，让4小时出双端这件事有了可复现的骨架。如果是真的挺省钱，但没给对比基线，先别太激动。
Cursor 是做 AI 编程助手的，你告诉它想开发什么功能，它能自动生成代码。这次它把欧洲总部定在伦敦，主要是看中当地技术人才多、语言多元，方便服务整个欧洲市场。公司计划年底前把欧洲团队从现在的七八十人扩到 200 人左右，还会在巴黎、慕尼黑等城市设小办事处。一个关键背景是，很多欧洲客户（尤其是金融、医疗这类强监管行业）要求数据必须留在欧洲境内，所以...
推荐理由：Cursor 把欧洲总部放在伦敦，年底前团队要翻倍到 200 人，这本身是常规扩张。但 SpaceX 手里那个 600 亿美元的收购选择权让整件事变味了——一个做代码助手的公司被这种量级的选项挂着，估值想象力直接拉满。正文没披露触发条款和行权条件，这点先别太激动。另外提到 100 亿的合作伙伴数字，也没说清是收入口径还是 GMV，我会先打个折看。整体信息密度高，但信源单一，所以停在 77 分不进 78 那档。
小米 MiMo 和 TileRT 给 1T 参数旗舰模型加了个 UltraSpeed 模式，输出速度首次超过 1000 tokens/s。模型这边用了 FP4 混合量化，只量化 MoE 的 Expert 部分，搭配 DFlash 的块级 masked 并行推测解码，coding 场景下平均一次能接受 6.30 个 token，相当于猜对的命中率不低。系...
推荐理由：我会先打个折：正文没提硬件配置、batch size、并发数，也没说测试用的 prompt 长度和具体环境，所以这个 1000 tokens/s 的绝对值先别太激动。但亮点是技术组合说得清楚——FP4 只量化 MoE 的 Expert 部分，不是全模型瞎压，搭配 DFlash 的块级 masked 并行推测解码，coding 场景下一次能猜对 6.30 个 token，命中率不低，说明这套方案在代码生成这种结构化输出上确实有效。小米给旗舰模型开 UltraSpeed 模式，还定了三倍 Pro 版的价格，摆明了是要在推理速度和 API 商业化上抢个身...
马斯克公布了 SpaceX 的 AI1 轨道 AI 数据中心卫星方案。每颗卫星峰值功率 150 kW，持续计算功率约 120 kW，大致相当于一个 NVIDIA GB300 机架的算力。卫星跑在 600-800 公里高的近地轨道，通过激光链路互联，带宽约 1 Tbps，往返延迟 6-8 毫秒。散热靠双面散热器，排热能力 1,400 W/m²；太阳能板效...
推荐理由：我会先打个折：发射时间、单颗卫星成本、实际跑过什么推理任务，正文都没提，所以别急着把它当成马上能用的方案。但亮点是实打实的——150 kW峰值功率、120 kW持续算力，直接对标一个GB300机架，散热靠双面散热器做到1,400 W/m²，这些数字说明散热和供电在工程上是认真算过的。激光链路1 Tbps、往返6-8毫秒的延迟，对近地轨道来说算低，但跟地面数据中心比还是高出一截，适合对延迟不那么敏感的大批量推理任务。整体看，这是个有硬核参数支撑的轨道算力方案，不是画饼，但离落地还差关键信息。
Skills 仓库新出的 Teach 技能，核心是把一个普通文件夹变成有状态的学习环境。它用四个文件来追踪学习进度：MISSION.md 写目标，lessons/ 放课程，learning-records/ 记你已经掌握的东西（不是记“讲了什么”），reference/ 自动生成速查手册。五个机制里比较有意思的是 ZPD，会根据你的学习记录动态调整难度...
推荐理由：这条更新来自 Skills 仓库（GitHub 122K 星），核心是把一个目录变成带记忆的学习环境，靠四个文件追踪进度，ZPD 机制会根据你已掌握的内容动态调难度。对做 agent 记忆和可复现学习流程的人有直接启发。但信息源只有一篇 X 上的总结，没有基准测试、维护者细节或用户反馈，所以我会先打个折——概念扎实，落地效果还得看实际跑起来怎么样。
苹果终于把拖了很久的 Siri 大改版拿出来了，叫 Siri AI。FT 这篇报道的正文被付费墙挡住了，只返回了安全验证页面，所以具体改了啥、模型细节、什么时候能用、功能清单这些，正文都没披露。从标题看，苹果是直接冲着 ChatGPT 这类对手去的，但 RSS 摘要里只提了一句用户隐私承诺，别的信息全是空白。我会先打个折：光看标题像是个大动作，但没看到...
推荐理由：FT 的信源权威性加上 Siri 大改版这个动作，H 和 R 都站得住，所以能进 featured。但 K 过不了，因为正文除了隐私承诺什么都没给，模型规格、发布时间、功能清单全是空白，我会先打个折：光看标题像是个大动作，没看到实质内容之前别太激动。
这篇 Reddit 帖子本身被屏蔽了，正文内容看不到，只能从标题和现有摘要拼出大致信息。Apple 的 MLX LM Server 支持连续批处理，能同时处理多个子代理的请求，不会一个一个排队干等。它还支持分布式推理，可以通过 Thunderbolt RDMA 把几台 Mac 连起来一起跑模型，相当于用高速雷电网口把算力拼成一台虚拟大机器。具体性能、延...
推荐理由：这篇 Reddit 帖子正文被屏蔽了，只能从标题和摘要拼出信息，所以我会先打个折。Apple 的 MLX LM Server 支持连续批处理，多个子代理的请求不用排队干等；还支持通过 Thunderbolt RDMA 把几台 Mac 连起来做分布式推理，相当于用高速雷电网口拼出一台虚拟大机器。这点先别太激动，正文没披露吞吐量、延迟、支持的最大模型尺寸和发布时间，验证很弱。但思路本身对关注本地推理成本的人有参考价值，所以给到 featured 门槛以上。
Hugging Face 发了篇博客，手把手教你怎么用 huggingface/jobs-actions 把 GitHub Actions 的 CI 流程搬到他们的 Jobs 服务上执行。核心思路是让 GitHub 把任务派给一个在 HF Jobs 里临时启动的“自托管运行器”，跑完就销毁。他们拿 Trackio 项目试了水，CPU 任务耗时缩短了约 ...
推荐理由：HKR 三项都站得住。H 靠的是“用 HF Jobs 当自托管运行器跑 CI”这个具体操作，不是空谈概念。K 有明确的产品名、Trackio 实测数据和约 30% 的提速数字，信息量够。R 切中的是 ML 团队常遇到的 CI 贵、GPU 不好找的问题。整体属于工具链层面的实用更新，不是平台级大发布，放在 featured 档位合适。
Anthropic 给苹果开发者送了个新工具：一个 Swift 包，让 Claude 直接接入苹果的 Foundation Models 框架。开发者写三行代码就能调用，返回的是 Swift 原生类型，不用自己解析 JSON。支持多步推理、代码生成、联网搜索和数据分析，跑在 iOS 27、macOS 27 这些新系统上。说白了，就是苹果在自己的 AI ...
推荐理由：HKR 三项都成立：Anthropic 确实发了一个让 Claude 接入苹果 Foundation Models 框架的 Swift 包，但这是开发者工具层面的集成，不是新模型发布，所以放在 featured 档里偏高的 82 分。正文没提这个包是否开源、有没有延迟或成本数据，我会先打个折，别把它当成 Claude 在苹果端全面铺开的信号。
苹果演示了 Safari 结合 Apple Intelligence 的新玩法：你只要用大白话描述需求，比如“把网上的菜谱存下来并加备注”，浏览器就能当场生成一个叫 Recipe Keeper 的扩展。这招是想解决 Safari 扩展数量一直追不上 Chrome 等对手的老问题，因为苹果对扩展开发的要求比较严。不过报道没提这个功能什么时候上线、需要哪个...
推荐理由：苹果演示了用自然语言让 Safari 自己写扩展，比如喊一嗓子“把网上菜谱存下来加备注”，浏览器就当场生成了一个 Recipe Keeper。这招是想解决 Safari 扩展一直比 Chrome 少的老问题，因为苹果对扩展开发卡得比较严。我会先打个折：正文只给了一个演示案例，没提什么时候上线、需要哪个系统版本、对开发者有什么限制，所以目前还只是一张饼。信息缺口明显，先按中等偏上的产品更新处理，给 73 分。
苹果在 WWDC 2026 上展示了一套新的智能系统，核心能力由谷歌的技术驱动。具体用了谷歌的哪款模型、系统什么时候上线、收不收费、开发者怎么接入，正文都没说——因为 Bloomberg 的原文被反爬机制挡住了，只留下 RSS 摘要里这点信息。我会先打个折：这更像一个合作信号，不是一份能评估的产品发布。
推荐理由：我会先打个折：Bloomberg 原文被反爬挡了，RSS 摘要只留下苹果在 WWDC 2026 展示了一套智能系统、核心能力由谷歌技术驱动这两句话。具体用了哪款模型、什么时候上线、收不收费、开发者怎么接入，正文都没说。所以这条更像一个合作信号，不是一份能评估的产品发布。H 和 R 能过，是因为苹果在自家开发者大会上把智能系统的底牌交给谷歌，这个动作本身就够反常，也直接踩在苹果 AI 追赶进度和平台竞争的敏感点上。K 过不了，信息缺口太大，没法判断技术实质。
苹果说目前没法在欧盟地区的 iPhone、Apple Watch 或 iPad 上推出 Siri AI 功能。公司把原因归结为欧盟监管机构“拒绝沟通”，但正文没披露具体是哪些法规卡住了、双方谈了什么、以及有没有预计的解决时间。
推荐理由：这条消息有冲突、有事实、有共鸣，HKR 三项全中。苹果点名欧盟监管“拒绝沟通”，但正文没写具体是哪条法规卡了、双方到底谈没谈、以及有没有解禁时间表，信息缺口很明显。我会先打个折：没有技术细节和合规路径，只能算一条有话题性的产品/政策动态，放在 75 分的中等权重位置刚好，别因为苹果牌子就往上拔。
苹果对外解释，他们改造后的 AI 平台虽然部分用了谷歌的技术，但隐私保护机制还在。不过这篇报道的正文被 Bloomberg 的反爬机制挡住了，看不到具体用了谷歌哪个模型、是本地跑还是云端调、有没有第三方审计，以及隐私条款到底怎么写的。
推荐理由：HKR-H 和 HKR-R 都成立，因为苹果用谷歌模型这件事天然会冲击它自己的隐私人设。HKR-K 不成立：报道正文被 Bloomberg 反爬机制挡住了，模型名、部署边界、审计机制全都没披露，信息缺口太大，只能落在 72–77 这个区间。
苹果在 MacRumors 的报道里提到了一套新 AI 架构，明确说它是围绕 Google Gemini 模型搭的。正文没披露具体架构机制、用的是哪个版本的 Gemini，也没说什么时候上线。目前只有标题和 Hacker News 上的讨论链接，51 个赞、6 条评论，信息量很少，这点先别太激动。
推荐理由：HKR-H 和 HKR-R 都成立：苹果用 Gemini 搭架构，是平台竞争里一个高反差信号。HKR-K 不成立，因为正文没给任何机制、版本或上线时间，信息量太少，所以只放在 featured 这一档。
苹果在 Safari、快捷指令和密码 App 里塞了 AI 功能，能自动补文字、修图和串流程。正文没提什么时候推送、支持哪些 iPhone 机型，也没说背后用的是哪款模型。
推荐理由：我会先打个折：正文只说了功能方向，没给时间表、机型范围和模型细节，所以不能当正式发布稿来读。但苹果在 Safari 里补文字、在快捷指令里串流程、在密码 App 里修图，这三个落点都是系统级入口，一旦铺开对 agent workflow 和端侧分发的冲击不小。这点先别太激动，等具体推送和模型信息出来再调判断。
苹果在快捷指令 App 里塞进了一个 AI 功能，你直接用大白话告诉它想干什么，它就能自动生成对应的自动化流程。目前只放出了一小段 RSS 摘要，正文没披露具体上线时间、哪个系统版本会支持、收不收费，也没说背后用的是本地模型还是云端模型。这点先别太激动，等苹果自己把细节补上再说。
推荐理由：我会先打个折：正文只放了一段 RSS 摘要，没写上线时间、系统版本、收费模式，也没说背后是本地模型还是云端模型。能确认的是苹果让快捷指令听懂人话并自动生成自动化流程，这对从业者来说是个系统级 agent 的实锤信号。但细节全缺，先别太激动，等苹果自己把机制和限制补上再判断实际分量。
苹果发了一篇简短声明，把锅甩给了欧盟的《数字市场法》（DMA），说因为监管要求，Siri 的新 AI 功能不会随 iOS 27 和 iPadOS 27 一起在欧盟推出。具体哪些功能被拦、什么时候能在欧盟上线，正文一个字都没提。
推荐理由：苹果这篇声明很短，核心就一句话：因为 DMA，Siri 的新 AI 功能不会跟着 iOS 27 和 iPadOS 27 在欧盟上线。我会先打个折——正文没列出具体受影响的功能，也没给任何时间表，信息缺口不小。但这件事本身信号够强：大厂的产品节奏被法规直接打断，不是技术问题，是政策问题。对做全球化产品的 AI 从业者来说，这是个实打实的案例，提醒你分区合规可能比模型训练还难搞。所以虽然细节少，还是值得放在 featured 位置。
苹果发布了新版 Siri AI，想把 Siri 从听指令的语音助手升级成能陪你聊天、能干更多活的 AI 伙伴。不过 TechCrunch 这篇正文很短，没写具体用了什么模型、什么时候推送、要不要付费、到底多了哪些功能，这些关键信息都还没披露。
推荐理由：HKR-H 和 HKR-R 都过了，因为苹果拖了很久的 Siri AI 大改版本身就是个高关注度的产品故事。HKR-K 没过：正文没给模型、没给推送时间、没给具体能力，信息太虚，只能卡在 featured 门槛上。
苹果在 WWDC 上公布了 Siri AI，说是“全新版本”，比旧版更会聊天、能力更强。语音可以自己调语速、表现力和口音。Siri AI 会做成系统级，能看懂屏幕内容，也能直接操作你的应用。软件工程高级副总裁 Craig Federighi 做了介绍，但正文没披露具体上线时间和支持哪些设备。
推荐理由：苹果在 WWDC 上把 Siri 重新包装成 Siri AI，核心变化是让它能看懂你屏幕上的内容，并且直接跨应用帮你操作，不再是以前那个只回答问题的助手。Craig Federighi 出来站台，但正文没给出具体上线日期，也没说哪些设备能跑。我会先打个折：功能听着挺实用，但没时间表就是画饼，所以重要性停在 86 分，没往上走。
ChatGPT 新增了图表生成功能，你给它数据或对比信息，它直接吐图表给你。官方说移动端和网页端都已经支持，但正文没披露具体支持哪些图表类型、数据量上限，也没说图表能不能二次编辑或导出。如果是真的挺省钱，不用再切到其他工具画图了。
推荐理由：HKR-K 和 HKR-R 都成立：这是 ChatGPT 一个具体的产品更新，能在手机和网页上生成图表。HKR-H 偏弱，正文也没说支持哪些图表类型、数据上限、能不能二次编辑或导出，所以放在 featured 这一档刚好。
Levi 是一个开源项目，让你能在本地用 Qwen3-30B-A3B 模型跑一套类似 AlphaEvolve 的搜索系统。作者在 ADRS、IFBench 和 HotpotQA 三个基准上做了测试，声称在单模型、相同预算的条件下，整体成本最多能降到原来的 1/35，评估次数最多能减少到 1/12。不过正文被 Reddit 的网络屏蔽页挡住了，具体实现细...
推荐理由：这篇来自 Reddit 的帖子只给了模型名、基准和成本比例，代码成熟度和可复现细节正文被屏蔽了没看到，所以我会先打个折。但能在本地用 Qwen3-30B-A3B 跑 AlphaEvolve 风格搜索这件事本身挺抓人，数字如果属实确实省钱，先给 featured 让社区去验证。
Google 给 AI Ultra 订阅用户推了个 NotebookLM 大更新。现在你在对话里就能让它执行多步骤任务，不用自己来回倒腾，相当于把 agent 塞进了聊天窗口。推理能力也升了级，处理复杂研究问题会更顺。官方说新增了一批输出格式，但正文没列具体是哪些，也没提价格会不会变、什么时候推给普通用户。我会先打个折：功能听着实用，但信息缺口不小，别...
推荐理由：HKR 三项都踩中：Google 确认 NotebookLM 给 AI Ultra 用户加了 in-chat agent、高级推理和多输出格式。但正文没列出具体格式、没提价格变动、也没说普通用户什么时候能用，信息缺口不小，所以停在中等权重的产品更新档位。
Google 给笔记工具 NotebookLM 换了新模型 Gemini 3.5，官方说回答会更准更靠谱。现在你不用先丢一堆笔记或 YouTube 链接进去，直接问一个话题，它就能用 Google 搜索帮你找相关材料，等于把研究起点又往前挪了一步。另外还提到了一个“云端电脑”功能，但正文没展开讲具体能干什么、怎么用，这点先别太激动。
推荐理由：这是一次中等体量的产品更新，亮点是“云端电脑”和搜索式研究入口，但定价、铺开范围和实际效果正文都没给，所以别急着下结论。HKR 三项都踩中了：概念有钩子、功能有干货、场景够贴地，但信息缺口也明显。
小米的MiMo团队发布了MiMo-V2.5-Pro UltraSpeed，说他们在单台8卡的标准服务器上，把一个1万亿参数的混合专家模型（MoE）跑出了每秒超过1000个token的输出速度。这个速度如果属实，确实挺夸张，因为它没用Cerebras那种整块晶圆做的定制芯片，也没用Groq那种靠大量片上内存堆出来的硬件，就是普通GPU服务器。不过帖子正文...
推荐理由：小米说他们在标准8卡服务器上把一个1万亿参数的MoE模型跑出了每秒1000+ token的输出速度，没用Cerebras那种整晶圆芯片，也没用Groq那种靠大量片上内存堆硬件的方案。这个速度如果是真的，确实挺省钱，但正文没披露GPU型号、批次大小、量化精度这些决定性能的关键参数，也没给可复现的测试环境，所以我会先打个折，等更多细节出来再判断。
Runway 在桌面网页版上线了 Aleph 2.0 编辑模型。你上传一段已有的视频，选一个想要的宽高比，模型会自动把多出来的画面区域补上，让视频看起来就像原本是按这个比例拍的。正文没披露生成分辨率、处理时长和收费方式，实际效果得自己试。
推荐理由：Runway Aleph 2.0 是个中等体量的视频产品更新，机制讲得清楚，但没给定价、画质评测和铺开范围。HKR 三项都踩中了，放在 featured 门槛的低位。我会先打个折：正文没披露生成分辨率、处理时长和收费方式，实际省不省时间、效果自不自然，得自己上手试。
小米和 TileRT 合作，把一个 1 万亿参数的大模型在 8 张普通 GPU 上跑到了每秒生成 1000 多个 token。他们用了两招：一是只对 MoE 专家模块做 FP4 量化，把模型体积和显存带宽压力打下来，同时保住推理质量；二是用了一种叫 DFlash 的投机解码方法，一次能猜对更长的 token 串，减少反复验证的等待时间。目前这个速度只在...
推荐理由：小米把一个1万亿参数的MoE模型塞进8张普通GPU，靠FP4量化只压缩专家模块，再配上能一次猜对更长token串的DFlash投机解码，把生成速度拉到每秒1000多个token。这个速度如果是真的挺省钱，但正文没交代测试用的什么卡、上下文多长、精度损失多少，我会先打个折。
Hivemind 这个工具现在开放了持续学习功能，专门给 AI 编程智能体用。它会自动收集 Claude Code、Codex、Cursor、Hermes、Pi 这些助手干活时的操作轨迹，把成功的套路提炼成可复用的技能，存到你自己的云盘里，再同步给所有助手。内置的 SkillOpt 负责持续训练这些技能，效果上，Claude Code 准确率涨了 19...
推荐理由：HKR三项都站得住，但这是Hivemind的一次功能更新，不是大厂动作，也没有其他来源交叉验证。52个场景的测试结果让它有干货，够格进低位的featured。
OpenEnv 这个用来给 AI 智能体创建终端、浏览器等执行环境的工具，现在不再由单一团队控制，而是转交给一个委员会来协调。初始成员有 9 家，包括 Meta 的 PyTorch、Unsloth、Modal、Prime Intellect、Nvidia 和 Mercor。不过 Reddit 原帖内容被屏蔽了，正文没披露具体的治理规则、各家出钱出力的比...
推荐理由：这条消息本身信息量不大，但动作很实在——OpenEnv 不再是一家说了算，而是拉了个委员会来管，初始成员有 PyTorch、Unsloth、Modal 等 9 家。对做智能体训练的人来说，执行环境归谁管、会不会突然改协议或停更，是选型时很实际的风险点。我会先打个折：正文没披露各家出钱出力的比例、决策机制和后续路线图，所以现在只能说治理结构变了，别急着解读成“大厂全面接管”。