小米和 TileRT_AI 放出了一个叫 MiMo-V2.5-Pro-UltraSpeed 的版本，用一台普通的 8 卡 GPU 节点就跑起了 1 万亿参数的 MoE 模型，输出速度超过每秒 1000 个 token。这个速度不是靠 Cerebras 或 Groq 那种专用硬件堆出来的，对常规部署来说挺省钱。他们开了限时免费聊天可以上手试，API 价格...
推荐理由：小米这个版本最吸引人的点是用普通 8 卡 GPU 节点把 1T MoE 模型跑到每秒上千 token，没靠 Cerebras 那种专用硬件，部署成本听起来低了不少。我会先打个折：正文没披露具体任务类型、精度损失、首 token 延迟和实际 API 定价，所以这个速度是在什么条件下测的还不清楚。限时免费聊天可以上手试，但长期性价比得等更多数据。这点先别太激动，不过如果属实，对常规推理部署确实挺省钱。
Mustafa Suleyman 在播客里聊了几个事。他判断超级智能不会造成大规模失业，但没给出具体论证。微软去年10月跟 OpenAI 签了新合同，一边继续合作，一边拿到了独立研发超级智能的许可，已经建了团队、在训前沿模型，本周 Build 大会还发了7个全模态模型。他点名批评 Anthropic 把 Claude 说成有意识，认为现在消费者对 AI...
推荐理由：Mustafa Suleyman 在播客里抛了个大判断——超级智能不会造成大规模失业，但正文没给出具体论证，这点先别太激动。信息量主要靠两个事实撑着：一是微软去年10月跟OpenAI签的新合同，既续了合作又拿到了独立研发超级智能的许可，团队和前沿模型训练都已经在跑了；二是本周Build大会发了7个全模态模型。他还点名批评Anthropic把Claude说成有意识，认为现在消费者对AI的理解还太浅。整体是CEO访谈，不是产品发布，所以分数卡在78-84这个区间。
这个版本把架构改成了分布式无状态，能挂在 K8s 上自动扩缩容，会话断了也能恢复。多租户用 Workspace 做数据隔离，权限控制做得比较细，还加了人工介入的环节。长期运行靠 HarnessAgent 管上下文和容错。开源地址在推文链接里，但正文没给出性能基准或实际部署规模的数据。
推荐理由：阿里云把 AgentScope 的 Java 版推到了 2.0，这次改动挺实在：架构拆成分布式无状态，能挂在 K8s 上自动扩缩容，会话断了也能接上。多租户用 Workspace 做数据隔离，权限粒度更细，还加了人工介入环节，长期任务靠 HarnessAgent 管上下文和容错。我会先打个折——正文没给性能基准，也没说实际部署规模，所以这些能力到底省多少资源、稳不稳，还看不出来。开源地址在推文链接里，但没披露定价或落地案例。整体是给 Java 技术栈的企业把智能体往生产环境推了一步，信息缺口明显，先放在 featured 这档。
腾讯正在灰度测试一个藏在微信里的 AI 助手，右滑就能呼出。它用自然语言指令直接调用数百万个小程序，比如帮你点咖啡。微信还跟华为、荣耀、小米、OPPO、vivo 合作，让手机系统助手也能跨应用调微信的服务，6 月 8 号已经放出了开发者接入指引。不过原文因为环境异常没加载出完整内容，具体的技术实现和开放范围正文没披露。
推荐理由：这条消息的钩子很足——微信开始把自己当成 agent 运行环境，不是只聊天，而是直接调小程序干活，还同步打通了手机厂商的系统级入口。我会先打个折，因为原文没加载完整，技术方案、开放范围、模型选型这些关键信息正文都没披露，所以暂时不能给更高分。但右滑入口加开发者指引加五家厂商合作，三个点放在一起，已经足够让从业者重新评估微信在 agent 分发上的位置。
微信开放平台发了接入指引，确认微信 AI 在内测。开发者可以选两种模式：自动模式是授权平台读小程序源码，不用额外开发，AI 就能分析页面并直接操作；开发模式是自己写技能提交审核，让 AI 调用。两种模式不冲突，可以同时开，也不影响现有小程序服务。官方说“微信 AI”这个名字可能还会改。
推荐理由：这条消息对微信生态的开发者很关键，因为官方终于给出了接入路径，不是画饼。自动模式等于让 AI 直接读你的小程序源码去干活，省掉额外开发，但正文没提对复杂页面的理解准确率怎么样，这点先别太激动。开发模式更灵活，但需要自己写技能并审核，上线节奏和审核标准也没说。整体看，平台动作明确，但模型能力、收费方式和正式开放时间都还是空白，所以分数卡在 featured 门槛附近。
苹果在 2026 年 6 月 8 日公布了第三代 Apple Foundation Models（AFM），这次是和 Google 合作定制的。五款模型里，两款跑在设备上：AFM 3 Core 是 30 亿参数的密集模型，质量比上一代好；AFM 3 Core Advanced 是 200 亿参数的稀疏模型，但每次只激活 10 到 40 亿参数，靠的是把...
推荐理由：苹果这次一口气发了五款模型，分设备端和服务器端两条线，还拉上 Google 做定制，信息量够硬。30 亿参数的密集模型和 200 亿参数但每次只激活一小部分的稀疏模型，思路很明确：在手机上跑得动，在云端也能控成本。正文没给具体跑分和定价，所以我会先打个折，但官方发布本身就有分量，尤其对做端侧推理和隐私计算的人。
OpenEnv 是一个给 AI 智能体用的训练环境，比如模拟终端、浏览器，让模型在里面干活并学习。Hugging Face 宣布这个项目不再自己说了算，改由一个委员会来协调，首批成员包括 Meta-PyTorch、Reflection、Unsloth、Modal、Prime Intellect、Nvidia 等。项目代码已经搬到 huggingface...
推荐理由：这条不是模型发布，但比很多模型发布更值得看。OpenEnv 做的事很简单：给智能体一个能反复试错、学会干活的沙盒，比如在终端里敲命令、在浏览器里点按钮。现在 Hugging Face 把控制权交出来，换成委员会模式，首批成员名单挺能打——Meta-PyTorch 管框架，Unsloth 管训练加速，Modal 和 Prime Intellect 管算力，Nvidia 也在。技术上两个点值得留意：一是 API 照着 Gymnasium 那套强化学习标准来，老玩家上手快；二是集成了 MCP，让智能体在环境里干活时能直接调外部工具，不用自己从头写胶水代码...
OpenAI 准备给 ChatGPT 做上线以来最大的一次改版，从聊天机器人转成一个能直接干活的 Agent 平台。它会整合自家的编程工具 Codex、图像生成，还会接入 Canva、Booking 这类第三方应用。高管放话说“聊天已死”，目标是做成跨平台的个人 AI 助手，以后甚至不用你手动输入提示词。改版预计几周内在网页和手机端上线。商业压力不小：...
推荐理由：这条消息把改版讲得挺清楚，但来源只是一条 X 帖子，正文没披露正式上线时间、开放范围和定价，我会先打个折。高管那句“聊天已死”听着唬人，实际产品还没交付，这点先别太激动。整体判断是：方向重要，落地细节还缺，所以放在 84 分这个位置。
一位 Reddit 用户分享了自己在笔记本上跑通 Qwen3.6 35B-A3B 的体验。他的机器是华硕 Zenbook Pro 14，配了 RTX 4060 8GB 显存和 64GB 内存。用 llama.cpp 加载 unsloth 的 IQ3_XXS 量化版模型，在 3.2 万 token 上下文时生成速度约 27 token/秒，拉到 25.6...
推荐理由：这是单个用户的 Reddit 实测，不是官方发布或论文，但硬件、量化方式、上下文长度和速度都给得很具体，对想在自己机器上跑大模型的人有直接参考价值。我会先打个折，因为只有一台机器的数据，不代表普遍表现，但信息密度够上 featured，分数放在 72–77 这个区间合理。
北海道农民富安弘毅把 ChatGPT 和 Codex 当工程师用，做了 8 件事：拍照识别西兰花病害、用卫星 NDVI 数据看作物长势、拿 ESP32 加 LINE 机器人远程开关温室卷帘、给农场群聊写了个管温度和排期的机器人、从聊天记录里自动统计播种数量、研究 RTK-GPS 自动转向原理并算了自建要花多少钱、用 Airtable 搭了农场管理数据库...
推荐理由：我会先打个折：全文只有一个人、一个农场，没有产量对比或省了多少工时的数字，所以不能当行业证据用。但它的价值不在严谨，而在把 AI 写代码这件事从屏幕拉到了泥地里——一个农民没找外包、没学编程，直接用 Codex 做出了 8 个能跑的工具。这种'非程序员用 AI 写代码干物理世界的活'的案例现在还很少，对国内做 agent 和 coding 方向的人是个挺新鲜的参照。
FT 这篇报道的正文被付费墙和安全验证挡住了，只拿到了一个摘要片段。里面提到 OpenAI 正在筹划 ChatGPT 自发布以来最大规模的一次改版，想把聊天机器人重新定位成通往更高利润产品的入口，为可能的 IPO 铺路。公司估值写的是 8500 亿美元。至于这次改版到底会加什么功能、什么时候上线、怎么收费、产品机制是什么，正文都没披露，这些关键信息目前...
推荐理由：FT 这篇报道的正文被付费墙和安全验证挡住了，只拿到一个摘要片段。里面提到 OpenAI 正在筹划 ChatGPT 自发布以来最大规模的一次改版，想把聊天机器人重新定位成通往更高利润产品的入口，为可能的 IPO 铺路。公司估值写的是 8500 亿美元。至于这次改版到底会加什么功能、什么时候上线、怎么收费、产品机制是什么，正文都没披露，这些关键信息目前是空的。所以这条消息的新闻价值在于信号本身——OpenAI 在认真考虑把 ChatGPT 从免费流量池变成付费产品管道——但具体怎么落地、靠不靠谱，现在完全没法判断。我会先打个折，等有功能细节和定价策略...
京东放出了一个叫 JoyAI-Echo 的开源框架，专门解决 AI 生成 5 分钟长视频时画面容易崩、前后不一致的问题。它用跨模态记忆模块把视频里的角色、场景信息存下来，保证长镜头里不会突然变脸或换衣服。训练上用了 DMD 后训练技术，推理速度比原来快了大概 7.5 倍，生成一段视频的成本和时间都压下来了。输出端还做了实时超分，能把 720P 画面直接...
推荐理由：我会先打个折：正文没提第三方评测或用户实测，所有性能数据都来自京东自己，所以效果得等上手再看。但这条消息本身有料——JoyAI-Echo用记忆模块存角色和场景信息，解决长视频变脸换衣服的老毛病，推理还快了7.5倍，成本往下走。对做视频生成的团队来说，开源就意味着能拿来改、能压成本，这点挺实在。先给80分，等有实测对比再往上调。
OpenAI 给 ChatGPT 加了一个叫 Lockdown Mode 的开关，主要给处理敏感数据的商业用户和个人用。打开后，ChatGPT 会禁用实时网页浏览（只能读缓存内容）、从网页抓取和显示图片、深度研究以及让模型进业务流程干活的 agent 模式。这么做的目的是降低一种叫“提示注入”的攻击风险——攻击者会把恶意指令藏在网页或文件里，诱导模型把...
推荐理由：OpenAI 把提示注入防御做成了一个用户可操作的开关，不是后台补丁，而是直接限制四个高风险功能。对处理敏感数据的企业和个人来说，这是个实打实的安全选项，虽然会牺牲一部分能力，但换来了更可控的环境。安全/产品类新闻里算有分量，但比不上模型发布或重大能力更新。
GitHub 把 Spec Kit 开源了，专门解决 AI 编程里一个常见毛病：需求还没说清楚，模型就开始写代码，结果边界漏了、反复返工。这个工具包把流程倒过来——先写产品功能规范，再让 AI 根据规范去澄清差距、做技术计划、拆任务，最后交给 agent 执行。规范本身成了可执行的开发合约，不是一份看完就扔的文档。目前支持 Copilot、Claude...
推荐理由：我会先打个折：正文没披露这套流程在实际项目里能省多少返工时间，也没给出和直接让 Copilot 写代码的对比数据。但故事本身够硬——GitHub 把“先写规范再写代码”这个老规矩做成 AI 编码的入口，规范不再是看完就扔的文档，而是驱动 agent 执行的合约。支持 Copilot、Claude 等多模型，109K+ 星说明开发者对这套思路的认可度不低。这点先别太激动，但方向对，值得跟。
Anthropic 通过 Snorkel 的 Marlin 项目招募了约 1000 名软件工程师，专门审查 Claude 写的代码。每完成一单任务给 280 美元，工作流包括在 GitHub 仓库里提 Pull Request、对 AI 生成的两版代码做 A/B 对比，然后从正确性、安全性、可靠性和可维护性四个维度打分。正文没披露这些工程师的资历门槛、...
推荐理由：HKR 三项都成立：价格和人数有传播力，流程和评估维度够细，对做代码 Agent 的团队有参考价值。放在 featured 合适，但不到 p1，因为这不是新模型或新能力发布，更像一次数据标注合作的具体披露。正文没披露工程师资历门槛和任务一致性控制，这点先别太激动。
京东放出了JoyAI-Echo，一个能一口气生成最长5分钟视频加音频的框架，而且全量开源。它主打跨镜头画面和声音的一致性，支持局部重绘，用8步DMD蒸馏来提速，最高能输出1472×2560分辨率的片子。不过原文因为微信环境验证没过去，具体效果和实测数据暂时看不到，这点先别太激动。
推荐理由：JoyAI-Echo把长视频生成的门槛拉到了5分钟，而且代码全放出来，不是只发篇论文。跨镜头画面和声音一致性、局部重绘、8步蒸馏提速这些点都踩在视频AI从业者的痛点上。不过原文因为微信环境验证没过去，具体效果和实测数据暂时看不到，这点先别太激动。单源覆盖、没有独立评测，分数放在78–84区间比较合理。
Google 把 Colab 搬进了终端。装一个命令行工具，就能在本地敲指令直接租用 A100 或 T4 这类高性能 GPU，把本地的 Python 脚本扔到云端跑，跑完再把模型、数据集和可回放的 notebook 日志拉回本地。它还给 AI 编程助手（比如 Antigravity、Claude Code）准备了现成的技能文件，让这些助手也能自己调 G...
推荐理由：Google 给 Colab 出了个命令行工具，不用开浏览器就能在终端里租 GPU 跑代码，跑完自动把模型和 notebook 日志拉回本地。还顺手给 Claude Code 这类 AI 编程助手配了技能文件，让助手也能自己调 GPU。对经常用 Colab 白嫖算力或者想给 agent 接远程执行环境的人来说，这比网页版灵活不少。不过正文没提价格变化和并发限制，实际租用体验还得看后续。
Gemini 应用里的 Live 模式加了实时生图和编辑功能。你打开摄像头，告诉它你想看到什么，它就能当场改画面，比如换墙色、加家具、把眼前场景变成梗图。正文没提生成一张图要多久、支持哪些画风，也没说免费额度怎么算。
推荐理由：Gemini Live 现在能边看边改图了，你开着摄像头说“把墙刷成蓝色”或者“加个沙发”，它当场给你变出来。这功能听着挺唬人，但正文没交代生成延迟、画风支持范围，也没提免费额度，所以实际用起来卡不卡、花不花钱，都得打个问号。HKR 全过：标题有实时交互的噱头，操作门槛低到只剩张嘴，而且直接冲着修图软件和创意工具去的，竞争味很浓。
General Instinct 开源了 InstinctRazor，一个专门给边缘设备用的模型压缩方案。他们拿 Qwen3.5-122B-A10B 开刀，这个模型原本是 BF16 格式的混合专家模型（MoE），体积大约 245GB。压缩后变成一个 48GiB 的 GGUF 文件，比 Gemma-4-26B-A4B 还小，但在 MMLU-Pro 和 G...
推荐理由：我会先打个折：这是 YC 的 Launch HN，不是独立评测，性能数据得等第三方复现。但亮点很实在——把一个 245GB 的 MoE 模型压到 48GiB，还能在消费级显存上跑 8k 上下文。正文没披露压缩后推理速度有多快，也没说 MMLU-Pro 具体掉了多少分，这点先别太激动。不过思路本身对想在本地跑大模型的团队挺省钱，所以放在 featured 合适。
Google 放出了 Gemma 4 的量化感知训练（QAT）检查点。简单说，就是在训练时就考虑压缩，而不是训完再硬压，这样模型在手机、笔记本上跑的时候占内存更小、速度更快。不过这篇公告只给了个标题和链接，正文没披露具体压到几比特、有哪些尺寸、跑分对比和发布时间。我会先打个折，等实际模型放出来再看效果。
推荐理由：Google 放出了 Gemma 4 的量化感知训练检查点，目标是在手机和笔记本上跑得更省内存、更快。但公告正文太薄，没给出具体压到几比特、有哪些尺寸、实测提升多少，也没说什么时候能拿到模型。信息缺口明显，只能先给 featured 底分，等实际模型和跑分出来再重新判断。
彭博社记者古尔曼爆料，苹果内部将新版 Siri 标记为“Beta 版”，意味着它不会被宣传成完全成熟的产品。苹果可能还会像当初推 Apple Intelligence 那样，给想尝鲜的用户设一个等待名单。另外，iOS 27 的部分 Siri 请求会转到 Google Cloud，调用授权版 Gemini 模型，并跑在谷歌的英伟达 Blackwell B...
推荐理由：HKR 三项都成立：Siri 标 Beta 是苹果自己的态度信号，Gemini 和 B200 的细节让爆料有料，苹果 AI 依赖外部算力和模型这件事本身就容易引发讨论。分数定在 82 合理，因为毕竟还是未发布产品的二手报道，不是官方发布或重大产品事件。
安全研究员从 Meta 智能眼镜的配套 App 里拆出了一套叫 NameTag 的人脸识别功能代码。这套代码虽然没开启，但核心组件已经通过应用更新，静默分发到了下载量超 5000 万次的设备上。它的工作流程是：用三个 AI 模型分别完成人脸检测、图像裁剪和把人脸转成生物特征模板（faceprints），然后跟手机本地数据库做比对。识别成功会弹通知，没认...
推荐理由：这篇东西挖出了 Meta 智能眼镜 App 里藏着的 NameTag 人脸识别代码，虽然没开启，但核心组件已经通过更新静默塞进了超 5000 万次下载的设备里。我会先打个折：它毕竟不是官方发布或重大事故，只是一篇基于代码拆解的深度报道，所以重要性我给到 82，刚好跨过 featured 门槛。HKR 三条全过：热点是隐藏代码加 5000 万设备规模，知识量有三模型本地比对的具体流程，关联度则踩中了中美算力差距和效率竞赛的从业者神经。正文没确认功能已对用户开放，所以分数没再往上拉。
Reddit 上有人吐槽微软应该发类似 Qwen3.6-27B 或 Gemma-4-31B 这种中等体量的开源模型，结果他们放出来的是七个 MAI 模型。其中 MAI-Thinking-1 参数规模标的是 1T A35B，上下文窗口 256K；MAI-Code-1-Flash 是 137B A5B，同样 256K 窗口。帖子正文被网络策略挡了，看不到更...
推荐理由：微软一口气放出 7 个 MAI 模型，带推理和代码变体，256K 上下文窗口，信息量够得上 HKR-K 和 R。帖子拿 Qwen3.6 和 Gemma-4 当参照物，说微软早该发这类中型模型，这个追赶角度撑起了 H。不过来源是 Reddit 吐槽帖，正文还被网络策略挡了，缺基准测试、许可证和定价细节，所以停在 featured 档，上不了 P1。
Lowfat 是一个可插拔的 CLI 过滤工具，能自动把 kubectl、docker、grep 这类命令输出的冗余信息（比如表格边框、空行、重复标题）裁掉，只保留关键内容再喂给大模型。作者自己用了两个月，原始输出总共 440 万个 token，过滤后只用了 30 万，省下 410 万 token，换算下来节省了 91.8%。它可以作为 shell 包...
推荐理由：我会先打个折：这是个个人 Show HN 项目，不是大厂发布，但 91.8% 的 token 节省率配上两个月的实测数据，说服力够强。它解决的不是什么高深问题，就是把 kubectl、docker 这类命令输出里的表格边框、空行、重复标题裁掉，只留干货再喂模型。这事做 agent 的人都懂——工具返回一堆格式垃圾，token 烧得飞快，上下文还被撑爆。Lowfat 的思路简单粗暴，但正好打在痛点上。不过正文没提兼容性边界和极端情况，这点要留意。整体看，数据扎实、痛点真实，放在 featured 门槛上没问题。
蔚蓝科技的四足机器人已经卖出2.5万台，覆盖295个城市，其中家庭用户占了九成。他们新发布的BabyAlpha A3算力比上一代提升了1000倍，能在机器上直接跑一个70亿参数的大模型。不过正文因为环境异常没加载出来，具体的技术细节和价格信息暂时看不到。
推荐理由：HKR三项都过了：标题抓人，数据有料，话题踩在家庭机器人和端侧大模型的竞争神经上。不过正文因为环境异常没加载出来，技术细节和价格都看不到，信息主要来自公司单方面口径，不是独立验证的行业突破，所以放在featured的低位。
蔚蓝科技的BabyAlpha系列机器狗已经卖出25397台，其中九成是家庭用户买回去用的。他们最新的A3机型能在本地跑一个70亿参数的大模型，官方给出的推理速度是每秒280个token。不过正文因为环境验证问题没加载出来，具体配置、价格和实际体验细节暂时看不到。
推荐理由：HKR 三项都过：有明确的走访对象和销量数据，有端侧推理的具体指标，话题也切中中美算力差距和效率竞赛。但正文因为环境问题没加载出来，缺少配置、价格和实际体验细节，本质上还是一篇带有观点的产品进展评论，不是模型发布或平台级事件，所以放在 featured 档的偏上位置。
xAI 在 2026 年 5 月推出了编程 agent Grok Build 0.1，CLI 和 API 先后上线。它跟 Claude Code 走的是两条路：Claude 靠单个深度 agent 加 1M 上下文窗口死磕复杂重构，Grok Build 则用 8 个并行子 agent 各干各的，靠速度（100+ tokens/秒）和广度抢活。定价是 A...
推荐理由：xAI 的 Grok Build 0.1 走了一条和 Claude Code 完全不同的路：不拼单 agent 的深度和超长上下文，而是用 8 个子 agent 并行干活，靠推理速度抢时间。这个思路本身有信息量，但文章没给基准测试结果，也没说清楚并行方案在实际项目里到底省不省钱、会不会互相踩脚。定价只提了 A 开头，后面断了，隐私条款也没展开。所以先放 featured，等有实测数据或者成本细节再往上调。
Sam Altman 发推说 ChatGPT 的记忆功能今天有重大升级。正文没披露记忆机制怎么改、覆盖哪些用户、有没有新的控制选项、是否收费、以及分批推送的时间表。我会先打个折，等官方补细节再判断实际变化有多大。
推荐理由：HKR-H 和 HKR-R 通过，因为 Sam Altman 的推文指向一次记忆升级，但 HKR-K 不通过：正文没披露机制、用户范围、控制选项和推送时间表，信息缺口太大。
Anthropic 在 GitHub 上放出了一个叫 defending-code-reference-harness 的开源项目，把威胁建模、代码扫描、漏洞分类和打补丁这些安全活儿打包成一套可定制的自动化流程。项目页面上说你可以把它当成一个“自主扫描引擎”来用，但正文没披露这套东西在真实漏洞挖掘上的准确率、误报率，也没给出跟现有扫描工具的对比数据。目...
推荐理由：Anthropic 的招牌加上一个实打实的 GitHub 仓库，让 HKR 的 H 和 R 都站得住。但文章本质上是一封公开信和政策呼吁，不是已经落地的法律或产品，框架的实际效果、基准测试全都没给，所以 K 不成立。话题分量够上 featured，但信息缺口把它卡在 72–77 这个区间，74 分合理。
OpenAI 把内容审核评分塞进了 Responses API 和 Completions API 的返回结果里。你现在发一次请求就能同时拿到生成内容和对应的安全分数，不用像以前那样先调生成接口、再调审核接口。拿到分数后，你可以自己决定怎么用：记日志、做路由分发、人工复核，或者直接拦截。正文没披露这个审核模型的延迟会增加多少、准确率怎么样，也没说和独立...
推荐理由：HKR-K 和 HKR-R 都成立：OpenAI 把审核分数塞进生成响应里，开发者可以据此做路由和拦截，省掉一次单独审核调用的开销。HKR-H 偏弱，因为这只是公开信和功能更新，不是已生效的法律或硬性安全突破，所以放在 featured 档位。正文没给出法案文本和执行时间表，实际省钱效果还得看调用量和审核精度，但方向上是给安全管线减负。
苹果批准了 Poke 接入 Messages for Business，这是该平台第一个能直接跟用户发短信干活的 AI 代理。Poke 本身做的就是让用户通过短信使唤 AI 助手，这次相当于把它的服务嵌进了苹果官方的商家消息通道。不过正文没披露苹果的审核标准是什么、这次开放的范围有多大，也没提商业分成怎么算。
推荐理由：HKR-H/K/R 都过，但正文很薄：只确认了 Poke 获批和“首个”身份，没给出审核规则、铺开节奏或商业条款。这更像一条门槛级的产品动态，够 featured，但信息密度撑不起 78 分以上的段位。
OpenAI 给 Codex 接入了 Build iOS Apps 插件，现在你可以在 Codex 的内置浏览器里直接跑 iOS 应用、打开 SwiftUI 预览，改完代码也能热重载，不用来回切换工具。正文没提这个插件是官方做的还是第三方贡献的，也没说支持哪些 iOS 版本或设备型号。
推荐理由：HKR 三项都过：钩子是 Codex 直接处理 iOS 应用测试，有 SwiftUI 预览和热重载这些具体细节。但这是一封公开信和政策呼吁，不是已生效的法律，正文也没给出法案文本和执行时间表，所以放在 featured 而不是更高。
Replit 和 Shopify 打通了：用户在 Replit Agent 里说一句想卖什么，Agent 会直接生成自定义店铺页面、创建 Shopify 商店并上架商品。建完去 Shopify 认领店铺、设好支付就能开卖。正文没提收费方式、支持的地区和具体上线时间，如果是真的，对想快速试水电商的人挺省事。
推荐理由：HKR 全过：Shopify 打通流程对开发者有实感，但这是公开信和政策呼吁，不是已生效法律，法案文本和执行时间表都缺失，所以停在 featured 档。判断挂在信息缺口上——没提收费和地区，省钱与否得等后续。
Higgs Audio v3 TTS 是 Boson AI 的语音合成模型，参数量大约 4B，底层用了 Qwen3-4B。它支持 100 种语言，在内部测试集上词错率/字错率能压到个位数。这个模型专门为语音助手那种边说边生成的场景设计，不等句子结束就能开始合成，后续文本到了还能保持声音、情绪和节奏连贯。开发者可以直接在输入文本里插标签来控制 20 多种...
推荐理由：H 和 K 靠 4B/100 语言/流式合成这几个硬指标撑住。R 偏弱，因为文章没给延迟、定价和权重，更像一个能力宣告而非可立刻复用的发布，所以放在 featured 低位。
这个模型基于 Qwen3.5-397B-A17B 改造，总参数量 397B，用了混合专家架构（MoE，把任务分给不同子模型处理，省算力）。它能处理 26 万多字的长上下文，也支持图像识别。官方说它在 Terminal Bench 2.1、GDPVal、SWE-Verified 这几个测试集上拿了最高分，性能对标 GPT-5.5 和 Claude Opu...
推荐理由：HKR 三项都过：标题的 benchmark 钩子够强，正文也给了模型尺寸、上下文和 token 缩减的具体数字。但这是一封公开信和政策呼吁，不是已生效的法律，法案文本和执行时间表都没披露，所以放在 featured 而不是更高。
华为放出了一个叫 KVarN 的 KV 缓存量化方法，Apache 2.0 协议，已经能通过一个开关直接跑在 vLLM 上。它能把存上下文的那块显存压到原来的 1/3 到 1/5，吞吐量最高比 FP16 还快 40%。和之前的 TurboQuant 不一样，它在推理任务上不会崩。不需要改模型、不用重新训练、也不用校准数据。不过帖子正文被 Reddit ...
推荐理由：HKR 全过：钩子够具体，正文给了压缩比、吞吐和接入方式，对做推理部署的人省钱省资源。但这是一封公开信和政策呼吁，不是已生效的法律，法案文本和执行时间表都没披露，所以放在 featured 而不是更高档位。
英伟达在 Hugging Face 上发布了 Nemotron-3-Ultra-550B-A55B-BF16，一个混合专家（MoE）模型。总参数量 550B，但每次推理只激活其中 55B 参数，相当于用 55B 模型的算力去撬动大得多的知识容量。上下文窗口拉到 1M token，能一口气处理很长的文档。硬件门槛不低，官方列的最低配置是 8 张 H200...
推荐理由：这条消息干货集中在规模和硬件门槛上：550B 总参数、55B 激活、100 万 token 上下文，最低 8×H200 或 16×H100。我会先打个折——正文没给任何基准测试分数、许可证细节和具体开放时间，所以没法判断实际效果和可用性。亮点是硬件要求本身就是一个筛选器，能直接筛出一批会认真评估的人。缺点也明显：没有性能数据，光看参数和上下文长度，只能说明“理论上能处理很长的内容”，但不知道推理质量怎么样。这点先别太激动。整体属于有信息量但缺验证的发布，适合放进 featured 提醒大家关注后续评测。
Infracost 发布了 Cost.dev，一个本地命令行工具，可以嵌进 Claude Code、Cursor 这类编程助手的流程里。它的核心作用是：在你让 AI 写云资源代码（比如 Terraform）的时候，实时告诉你这套配置每个月要花多少钱，并给出省钱建议。他们拿裸用 Claude 做基准测试，结果显示这个工具能让模型输出的 token 量减少...
推荐理由：Infracost 发了个本地命令行工具 Cost.dev，专门给写代码的 Agent 做云成本估算，核心卖点是让模型输出更省 token、调用更省钱。他们给出的数字挺好看：Claude 输出 token 最多降 79%，API 成本最多降 67%。我会先打个折——这是厂商自己的数据，没有第三方验证，实际效果得看具体场景和 Agent 的实现方式。但思路本身是实用的，直接在本地跑，不依赖外部服务，对控制 Agent 的 API 支出和云资源浪费有直接帮助。正文没披露支持哪些云平台、和现有 CI/CD 流程怎么集成，这些信息缺口让实用性打了一点折扣。...
分子之心推出了一个叫 MMDesign 的 AI 平台，专门用来从头设计生物大分子药物。他们在 12 个治疗靶点上做了测试，每个靶点只挑了 14 到 50 个分子去做湿实验验证，结果有 11 个靶点都测出了特异性结合，算下来靶点成功率超过了 90%。不过正文因为访问环境异常没加载出来，具体用了什么模型架构、训练数据规模、以及和哪些国际顶尖模型做了对比，...
推荐理由：我会先打个折：正文没披露这 12 个靶点具体是什么、难度如何，也没说湿实验的具体指标和对照组，所以 90% 这个数先别太激动。但亮点在于，每个靶点只筛了 14 到 50 个分子就进湿实验，如果数据属实，意味着前期筛选成本压得很低。对做 AI 制药的人来说，这比跑分更有参考价值。整体偏产品发布，但数字够具体，放在 featured 档合理。
微软 AI 负责人 Mustafa Suleyman 公开说 Anthropic 的模型成本太高，公司已经在开发内部替代模型来降本。他没透露具体模型名称、能便宜多少、什么时候上线。这件事的背景是微软一边给 OpenAI 投了几百亿美元，一边还在大量采购别家模型当备选，现在连备选都觉得贵了。正文没披露自研模型是基于开源方案还是完全从头训，也没说性能对标的...
推荐理由：HKR三项都过了。微软点名Anthropic贵，自己下场做便宜替代，这个动作本身就够抓眼球。但正文缺了关键信息——模型叫什么、能便宜多少、什么时候能用，这些都没说，所以分数先打个折，放在featured里偏低的位置。