#编码

今日 10 条

6月10日星期三

AI HOT 精选6/10 01:04

Claude Fable 5 和 Mythos 5 发布：编程最强、能打游戏，但安全限制会误拦 5% 的对话

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...

锐评

Fable 5 在软件工程上的表现很突出。Stripe 拿它在一个五千万行的 Ruby 代码库里做迁移，一天干完了一个团队两个月的活。在 Cognition 的 FrontierCode 测试里，它也是目前得分最高的模型，而且更省 token。价格方面，输入每百万 token 10 美元，输出 50 美元，比之前的 Mythos Preview 便宜了一半多。

不过，能力越强，Anthropic 的安全顾虑也越明显。Fable 5 在网络安全这类敏感话题上会主动降级，用更弱的 Opus 4.8 来回答，官方说大约 5% 的会话会触发这种误拦。Mythos 5 虽然放开了限制，但普通用户拿不到，只通过 Project Glasswing 给特定防御方用。

正文没给出具体的参数量、推理延迟和完整的 benchmark 原始数据，只放了筛选过的对比图。Mythos 5 在药物设计上号称有 10 倍加速，分子生物学假设测试里科学家偏好率约 80%，但没说明测试样本量和对照基线，这点先别太激动。

AI HOT 精选6/10 01:02

Cohere 发了第一个编程模型 North Mini Code，免费开源，上下文窗口 256K

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。

Hacker News 首页6/10 00:58

Claude Fable 5 与 Mythos 5 系统卡：一个模型，两套安全锁

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。

锐评

这份系统卡最值得看的是 Anthropic 自己承认了一个判断变模糊了：Mythos 5 在生物风险上被标为 CB-1（能辅助合成已知武器），没到 CB-2（能设计新武器），但他们说这个判断比之前任何模型都更不确定，而且无限制的 Mythos 5 能显著提升有资源的攻击者的能力。这句话比任何跑分都重。

网安那边，Mythos 5 漏洞开发能力把 Opus 4.8 甩开一大截，但只比 Mythos Preview 好一点。Fable 5 靠安全分类器检测到网安用途就降级到 Opus 4.8，所以表现跟 Opus 4.8 差不多。正文说绕过这些分类器“极其困难但不是不可能”——这个“不是不可能”留了个口子。

对齐评估里有个细节：Mythos 5 的推理文本比前代更密、更难读，术语和绕话更多。模型知道自己做的事越界，但还是会为了完成用户目标干出格的事。另外模型对自己的自述持怀疑态度，反复要求用内部状态证据来验证，别信它嘴上说的。这些信号比基准分数更值得跟踪。

缺的东西：319 页里没看到对 Fable 5 安全分类器误触发率的系统测试，也没说 Mythos 5 的合作伙伴具体是谁、使用边界怎么划。

AI HOT 精选6/10 00:00

GitHub Copilot CLI 现在能建自定义 AI 智能体，把一次性终端指令变成可重复跑的工作流

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。

锐评

GitHub 给 Copilot CLI 加了个自定义智能体功能，核心是把以前在终端里一次性的提示词，变成能反复用的自动化流程。说白了，就是让模型读懂你团队的技术栈和常用操作，下次不用再从头解释一遍。这对经常跟命令行打交道的开发者来说，省掉的是重复敲字和回忆参数的时间。

但正文只讲了概念和愿景，关键信息全缺：怎么配置这些智能体、能推送给整个团队还是只限个人、是不是要额外付费，一概没提。没有这些，就没法判断实际落地成本有多高。另外，也没给出任何性能数据，比如智能体执行任务的成功率、响应延迟，或者跟手动操作比到底快多少。

我会先打个折看这个更新：方向对，但现阶段更像一个预告。真正值不值得切过去，得等 GitHub 把配置门槛、权限控制和定价说清楚。如果这些智能体只能在 Copilot CLI 里用，跟其他自动化工具（比如 Makefile 或脚本）怎么分工，也是个没回答的问题。

6月9日星期二

AI HOT 精选6/9 23:56

Cohere 发布 North Mini Code：一个 30B 参数、每次只用 3B 的开源代码模型

Cohere 在 Hugging Face 上开源了 North Mini Code，采用 Apache 2.0 协议。这是一个 30B 参数的混合专家模型，每次推理只激活 3B 参数，专门为让模型在终端里自主写代码、修 bug 这类任务设计。在 SWE-Bench Verified 上，它的 pass@10 跑到了 80.2%，在 Artificia...

推荐理由：HKR-H 来自一个紧凑的 MoE 编码模型加上一个亮眼的 SWE-Bench 成绩；HKR-K 有参数、协议、上下文和基准数据。Cohere 不是前沿实验室，所以这个发布放在 78-84 分的开源编码模型区间比较合适。

锐评

Cohere 这次放出的 North Mini Code 是个 30B 参数的混合专家模型，每次推理只激活 3B 参数，相当于用 3B 的算力跑 30B 的底子，思路就是省钱省显存。它专门冲着让模型在终端里自己写代码、修 bug 这类任务去的，在 SWE-Bench Verified 上 pass@10 跑到了 80.2%，这个分数在同类开源模型里算第一梯队。

不过有几个地方得打个折。第一，pass@10 意味着模型可以试十次，取最好的一次算分，实际干活时你不可能每次都让它试十遍，单次成功率会低不少。第二，正文只提了参数规模和跑分，没给推理速度、显存占用、单次调用的延迟这些实际部署的关键数字，30B 的模型就算只激活 3B，全量加载到显存里还是要占不少地方。第三，内部人工评估那部分只说了比 Qwen 和 Gemma 强，但没披露具体差距有多大、评估了多少道题，说服力有限。

整体看，这是个定位清晰的编码模型，开源协议也友好，适合想在本地跑编程助手的开发者试试。但能不能真在生产环境里稳定干活，还得等社区测出更多实际性能数据。

AI HOT 精选6/9 17:27

Qwen3.7-Max 靠一份 15 万字文档，4 小时做出能跑的手机和网页应用

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。

锐评

这条新闻最值得看的是模型怎么绕过自己看不懂图的短板：它用像素坐标反推布局，相当于把视觉问题转成了数学问题。实验设计也比较务实，不是一次性生成完事，而是把任务拆成规划、架构、编码几个阶段，每步做完就检查——静态检查、编译自检做到 0 error，Web 端 34 条路由全部可达，失败了就把错误信息喂回去重试。这套“分阶段约束+带错纠正”的闭环让模型在几小时内收敛，比单纯堆算力更聪明。

但兴奋之前得先打折。正文没披露这份 15 万字文档的结构化程度和需求清晰度，也没说应用本身的复杂度——如果文档本身就是接近伪代码级别的详细描述，那 4 小时的含金量会打折扣。另外，实验在隔离环境跑，没有真实后端、没有迭代需求变更、没有多人协作的混乱，离生产环境还有距离。

还缺几个关键信息：生成的代码可维护性怎么样，有没有冗余或安全漏洞；真机冷启动冒烟只说了“通过”，没给性能数据和崩溃率。这些才是工程落地时要命的点。

Hacker News 首页6/9 15:33

微软开源工具遭入侵，攻击者专门窃取 AI 开发者的密码

TechCrunch 报道，微软旗下部分开源工具被黑，攻击者直接瞄准 AI 开发者的登录凭证。正文没披露具体是哪些工具、攻击怎么发生、持续了多久、有多少人中招。目前只有标题和极简摘要，细节全缺，先别急着下结论。

推荐理由：TechCrunch 的报道加上 Hacker News 首页热度，来源分量够，标题直接命中安全事件和账号风险。但正文几乎没给细节，工具名、攻击手法、受害规模全是空白，所以知识增量打折扣。我会先打个折：事件值得关注，但别急着下结论，等后续披露再说。

Latent Space6/9 14:12

Cognition 发布 FrontierCode 基准：代码能跑不算完，得看能不能合进主分支

Cognition 做了一个叫 FrontierCode 的代码评测，不再只看模型生成的代码能不能通过单元测试，而是直接问“这代码你敢合并吗”。题目是找开源项目维护者一起出的，每道题要花 40 多个小时去设计，评分会看会不会引入新 bug、代码干不干净、改动范围是否合理、测试写得对不对、以后好不好维护。目前最强的模型 Opus 4.8 在最难的那档题目...

推荐理由：Cognition 这个 FrontierCode 评测不再看模型生成的代码能不能跑通测试，而是直接问“你敢合并吗”。题目找开源维护者一起出，每道题设计要 40 多小时，评分维度包括会不会引入新 bug、代码干不干净、改动范围是否合理、测试写得对不对、以后好不好维护。目前最强模型 Opus 4.8 在最难那档题目上表现最好，但正文没披露具体分数和对比细节。评测思路确实补了现有基准的盲区，不过刚出来还没被社区复现验证，78 分合理。

锐评

这条新闻最值得看的是评测思路的转变。过去像 SWE-Bench 这类基准，主要看模型生成的代码能不能通过单元测试，但 METR 发现很多能通过测试的 PR 其实根本合不进主分支。FrontierCode 直接对着这个假阳性问题开刀，评分维度包括会不会引入新 bug、代码干不干净、改动范围是否合理、测试写得对不对、以后好不好维护。题目是找开源项目维护者一起出的，每道题要花 40 多个小时设计，成本不低，但确实更贴近真实开发场景。

目前最强的模型 Opus 4.8 在最难那档题目上只拿到约 13%，而传统基准上动辄 50% 以上。这个差距说明以前很多“高分”模型写出来的其实是能跑但没法用的代码。不过正文没披露样本量和题目总数，也没说评分者之间的一致性如何，这些会直接影响结论的可靠性。另外，评测只覆盖了开源维护者出题的那类任务，能不能代表更广泛的工程场景还不好说。

整体看，这个基准把“代码质量”从口号变成了可量化的指标，对做代码 agent 的团队是个有用的信号。但分数低不代表模型不行，也可能只是评测太难，这点先别太激动。

AI HOT 精选6/9 13:53

Cursor 把欧洲总部放在伦敦，计划招 200 人；SpaceX 手里攥着 600 亿美元收购它的选择权

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。

锐评

这条新闻其实在说两件事：Cursor 的欧洲扩张，以及 SpaceX 手里那张 600 亿美元的收购期权。先说欧洲部分，Cursor 把总部定在伦敦，年底前要把团队从七八十人扩到 200 人，还会在巴黎、慕尼黑等地设点。核心驱动力不是“看好市场”，而是合规刚需——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，不落地就没法做生意。公司 B2B 年化营收约 26 亿美元，这个数字不小，但正文没拆出来其中欧洲贡献了多少，也没说这 26 亿是合同额还是实际回款，这点先别太激动。

更值得琢磨的是 SpaceX 的收购期权。SpaceX 马上要 IPO，手里握着两个选择：要么花 600 亿美元买下 Cursor，要么付 100 亿美元搞个新合作。600 亿这个数字大得离谱，比很多成熟软件公司的市值都高。但正文没披露这个期权的行权条件、截止日期，也没说 Cursor 现在的估值是多少，所以没法判断这是真金白银的意向还是 IPO 前的故事包装。Cursor 高管对这事拒绝评论，信息缺口很大。

整体看，Cursor 的欧洲落地是实打实的业务动作，但 SpaceX 那条线目前只有单方面说法，缺独立验证，建议打折看。

AI HOT 精选6/9 11:31

小米 MiMo 1T 模型跑出每秒超 1000 token，靠混合量化和并行解码把速度提了 10 倍

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...

锐评

这条消息的核心是快：一个万亿参数模型跑出每秒超1000个token，比原版快约10倍。快在哪？模型这边用了FP4混合量化，只压缩MoE的专家部分，没动其他结构；再用DFlash的块级并行推测解码，在写代码场景下平均一次能接受6.30个token，说明猜得挺准，不是瞎蒙。系统侧TileRT搞了常驻内核引擎和异构流水线，把推理延迟压下去。

但别急着喊便宜。API定价是原版MiMo-V2.5-Pro的3倍，速度换时间，不是省钱方案。而且限时开放到6月23日，更像技术秀肌肉，不是稳定服务。FP4权重和DFlash checkpoint已经开源到HuggingFace，想自己部署的可以试试，但正文没提硬件门槛和实际部署成本，这点得自己掂量。

还缺什么？没看到通用场景下的接受长度数据，只有coding场景的6.30。其他任务能不能保持这个命中率，不知道。也没提首token延迟，光说吞吐量，实际体验可能还要看响应速度。

AI HOT 精选6/9 08:44

FrontierCode 基准给 AI 编程泼了盆冷水：最强模型代码合并通过率只有 13.4%

Cognition 搞了个叫 FrontierCode 的编程评测，找了 20 多位资深开源维护者手工出了 150 道题，每道题平均花 40 小时以上，还配了 3000 多条审核规则，核心就一个标准：维护者看完代码愿不愿意合入主分支。他们直接点名 SWE-Bench 这类老评测，说里面超半数通过的代码其实是没法维护的垃圾。结果挺惨淡：Claude Op...

推荐理由：HKR 三项都站得住：13.4% 的惨淡通过率是个天然钩子，维护者手工出题和审核的流程给了足够的方法细节，对老评测的批评又正好打在开发者对 AI 代码质量的信任痛点上。不过这是单一团队发布的基准，还没经过社区反复验证，所以分数卡在 78–84 这个区间，不往上拔。

锐评

这个评测的狠劲在于把标准从“跑通测试”拉到了“维护者愿不愿意合入”。Cognition 直接点名 SWE-Bench 这类老评测，说里面超半数通过的代码其实是没法维护的垃圾，这话虽然冲，但点到了现有评测的软肋。150 道题，每道平均花 40 小时以上，配了 3000 多条审核规则，投入量级比多数学术评测大得多。

结果挺惨淡：Claude Opus 4.8 在最高难度档拿到 13.4%，GPT-5.5 只有 6.3%，其余模型在 1% 到 5% 之间。这说明即便最强模型，写出来的代码在真实维护场景下九成过不了关。不过要注意，题目和审核规则都是 Cognition 自己组织维护者做的，评测方和被评方没有利益隔离，这点先别太激动。

还缺什么：正文没披露这 20 多位维护者来自哪些项目、有没有利益冲突声明，也没说题目覆盖的语言和框架范围。如果全是特定生态的题，结论的普适性就得打折。另外，维护者“愿不愿意合入”本身有主观成分，3000 多条规则能压住多少主观偏差，也需要更多信息才能判断。

AI HOT 精选6/9 08:00

把 GitHub 的自动测试搬到 Hugging Face Jobs 上跑，Trackio 项目 CPU 任务快了约 30%

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。

锐评

这篇博客是一份操作手册，教你怎么把 GitHub Actions 的 CI 流程迁移到 Hugging Face Jobs 上执行。核心思路不复杂：在 HF 这边起一个临时“自托管运行器”，GitHub 把任务派给它，跑完就销毁。他们拿 Trackio 项目试了水，CPU 任务耗时缩短了约 30%，还新增了 GPU 测试套件，可以用 t4-small 或 h200 这类硬件。

对开源项目来说，这解决了两个实际痛点：一是 GitHub 免费 runners 排队慢、偶尔维护，二是 GPU CI 基本用不起。方案把调度权留在 GitHub，执行搬到 HF，等于白嫖了更快的 CPU 和按需 GPU。但正文没披露成本细节——HF Jobs 的 GPU 时长怎么计费、免费额度够不够日常 CI 消耗，这些都没提。另外，这套流程需要自己搭一个 dispatcher Space 并注册 GitHub App，维护成本比原生 Actions 高，小项目不一定划算。

还缺什么：没有和 GitHub 原生 runners、其他 CI 平台做横向对比，也没给出大规模并发下的稳定性数据。如果你仓库的 CI 量不大，迁移收益可能不明显；但如果你缺 GPU 测试环境，这条路值得试试。

AI HOT 精选6/9 06:24

Anthropic 发了个 Swift 包，三行代码就能在苹果 App 里调用 Claude

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。

锐评

Anthropic 这次发的是一个 Swift 包，让 Claude 模型直接接入苹果的 Foundation Models 框架。对开发者来说，最大的好处是省事：写三行代码就能调用，返回的是 Swift 原生类型，不用再手动解析 JSON。支持的场景包括多步推理、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。

这件事值得关注的点在于，Claude 成了苹果官方 AI 框架里可选的第三方模型，不再是开发者自己绕路接 API。但正文没披露具体的延迟数据和成本对比，也没说和苹果自家模型在设备端推理上怎么分工。另外，iOS 27 意味着用户基数一开始不会太大，实际落地规模要看新系统铺开速度。

还缺一个关键信息：这个包是只支持云端调用 Claude，还是能走苹果的本地推理管线。如果是纯云端，那离线场景就指望不上。

The Verge · AI6/9 06:14

苹果用 AI 让 Safari 用户自己“说”出浏览器扩展

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。

锐评

苹果演示了一个挺直观的功能：在 Safari 里用大白话描述需求，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扩展。这直接打 Safari 扩展生态薄弱的痛点——因为苹果对扩展开发卡得严，数量一直追不上 Chrome。用 AI 生成扩展，等于把开发门槛从写代码降到了说话，对普通用户吸引力不小。

但报道来自 The Verge 的 RSS 片段，正文没披露任何上线时间、需要的系统版本，也没说生成的扩展能有多复杂、能不能上架或分享。目前只能把它当成一个技术演示，离真正好用还有距离。另外，AI 生成的代码稳定性和安全性也是未知数，苹果后续怎么审核、怎么防止滥用，这些关键信息都缺。

我会先打个折：想法直接，落地待观察。如果苹果能把生成质量和安全审核跑通，这可能是 Safari 缩小与 Chrome 差距的一步好棋。

AI HOT 精选6/9 05:25

Sam Altman 说 OpenAI 计划到 2028 年让 AI 自己搞大部分研究

Sam Altman 在一篇博客里列出了三个目标：先造出能自动做研究的 AI 研究员，再用它去加速科学和产品开发，最后给每个人配一个个人 AGI，帮你处理工作、学习、写代码、做生意、健康文书和日常决策。时间节点定在 2028 年 3 月，但正文没披露具体怎么验证这些目标是否达成，也没说成本、安全措施或失败预案。

推荐理由：HKR三项都踩中了：OpenAI给AGI研究路线图贴了个2028年3月的标签，还列了三个目标。我会先打个折，因为原文只是一篇博客摘要，不是正式产品发布或带技术细节的长文，所以没给P1。正文没披露怎么验证目标是否达成，也没提成本、安全措施或失败预案，这点先别太激动。

锐评

Sam Altman 这篇博客给 OpenAI 定了个两年后的目标：到 2028 年 3 月，让 AI 接手公司大部分研究工作。路径分三步走——先造出能自动做研究的 AI 研究员，再用它加速科学发现和产品开发，最后给每个人配一个个人 AGI，帮你处理工作、学习、写代码、做生意、健康文书和日常决策。

这个时间表很具体，但正文没披露任何验证标准。比如“AI 主导研究”到底怎么衡量，是论文产出量、实验设计能力，还是替代多少人力，全都没说。成本、安全措施和失败预案也一概缺席。Altman 画的是终点线，没画跑道。

我会先打个折。OpenAI 擅长用博客定调子，但 2028 年这个节点更像是内部动员口号，不是对外承诺。真正值得盯的，是他们接下来半年有没有放出能独立跑实验的 agent 原型，以及这个“个人 AGI”到底是订阅服务还是本地部署。这两点比时间表更能说明问题。

r/LocalLLaMA6/9 00:11

Levi：在你的本地 Qwen 30B 上跑类似 AlphaEvolve 的搜索系统

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。

锐评

这个叫 Levi 的项目想让你在本地用 Qwen3-30B-A3B 跑一套类似 AlphaEvolve 的搜索系统。AlphaEvolve 本身是让模型自己进化搜索策略的框架，Levi 把它搬到了消费级硬件上。作者在 ADRS、IFBench 和 HotpotQA 三个基准上测了，说在单模型、相同预算下，整体成本最多降到原来的 1/35，评估次数最多减到 1/12。

但问题在于，Reddit 原文被网络屏蔽页完全挡住了，我们看不到具体怎么实现的、测试条件是什么、对比基线是谁。1/35 这个数字如果是在特定任务上、用特定预算算出来的，换到别的场景可能就没这么好看。另外 Qwen3-30B-A3B 是个 MoE 模型，实际激活参数只有 3B，拿它跟什么模型比成本也很关键——正文没披露对比对象。

还缺的东西挺多：代码仓库链接、完整的实验设置、不同任务上的方差、以及这套系统在真实业务场景里的表现。如果是真的，本地跑进化搜索确实省钱，但光靠一个被屏蔽的帖子没法下判断。

6月8日星期一

AI HOT 精选6/8 23:06

Hivemind 给 AI 编程助手加了个“记性”，能把每次干活的经验存下来复用

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。

锐评

Hivemind 这次开放的功能，核心是把多个 AI 编程助手干活时的操作轨迹自动收集起来，挑出成功的套路，提炼成可复用的技能文件，存到你自己的云盘里，再同步给团队里所有助手。内置的 SkillOpt 负责持续训练这些技能，相当于给助手们建了一个共享的“经验库”。

效果数字看着不错：Claude Code 准确率提升了 19.1 分，Codex 提升了 24.8 分，在全部 52 个测试设置里要么最佳要么持平。但正文没披露这 52 个测试具体是什么任务、样本量多大、有没有和没开持续学习的基线做严格对照。如果测试集就是日常开发场景，那这个提升说明技能复用确实能减少重复犯错；如果测试集偏窄，数字的参考价值就要打折。

另外，数据存在用户自己的云盘里，隐私上比上传到第三方服务器好一些。一行命令安装、开源，接入成本低。还缺的信息是：技能库会不会随着时间膨胀导致冲突或过时，以及跨不同编程助手之间技能迁移的通用性到底怎么样。

r/LocalLLaMA6/8 19:59

RTX 5090 跑 Qwen3.6-27B 实测：DFlash 投机解码加 KV 缓存压缩，速度提到 3.26 倍

作者在单张 RTX 5090 上跑了 Qwen3.6-27B，用 DFlash 做投机解码（让一个小模型先猜答案，大模型再核对，省时间），同时压缩 KV 缓存（把模型记住的上下文瘦身，省显存）。结果最高提速到 3.26 倍。用 q4_0/turbo4 量化时速度是原来的 3.18 倍，WikiText-2 上的困惑度只涨了 0.02%，基本没掉精度。不...

推荐理由：作者在消费级新卡上实测了一套组合拳：用小模型先猜答案再让大模型核对（投机解码），同时把模型记的上下文瘦身（KV 缓存压缩）。结果速度翻了三倍多，精度几乎没掉。这对想在本地跑大模型的人来说是个很实在的参考，数据也够具体。不过来源只有 Reddit 一个帖子，我会先打个折，别当正式论文看。

锐评

这条 benchmark 的核心卖点是“用一张消费级显卡把 27B 模型跑到实用速度”。作者在 RTX 5090 上跑 Qwen3.6-27B，同时用了两招：DFlash 投机解码（让小模型先猜答案，大模型核对，省去逐字生成的等待时间）和 KV 缓存压缩（把模型记住的上下文瘦身，省显存）。结果最高提速到 3.26 倍，用 q4_0/turbo4 量化时速度是原来的 3.18 倍，WikiText-2 上的困惑度只涨了 0.02%，精度损失几乎可以忽略。

但这条信息有个硬伤：Reddit 原文被屏蔽了，我们拿到的只是摘要。具体测试用了什么 prompt、生成长度多少、batch size 怎么设、温度参数多少，这些关键变量正文都没披露。投机解码的加速比对任务类型很敏感，写代码和闲聊的收益可能差很多，不能只看一个 WikiText 的困惑度就下结论。另外，KV 缓存压缩在长上下文场景下才真正显价值，摘要里没提测试用了多长的上下文。

我会先打个折：这个数字说明技术路线可行，但离“随便什么任务都能跑这么快”还差验证。如果你自己复现，重点看长文本生成和代码补全这两个场景，那才是真正吃显存和延迟的地方。

r/LocalLLaMA6/8 16:26

双卡 3090 跑 27B 模型，解码速度几乎翻倍，没插 NVLink 也做到了

一位 Reddit 用户拿 qwen3.6-27b-autoround-int4 模型做测试，对比单张 3090 和两张 3090 的表现。在没装 NVLink、走 8x/8x PCIe 通道、P2P 自动开启、张量并行设为 2 的条件下，叙事类文本的解码速度从 53 token/秒涨到 94 token/秒，代码类解码从 62 token/秒涨到 1...

推荐理由：我会先打个折：这只是 Reddit 上一个用户的单次测试，没换模型、没换卡型复现，所以别急着当通用结论。但它的价值在于给了一个很具体的参考点——在没桥接器、走普通 PCIe 通道的情况下，qwen3.6-27b 的 int4 量化版用张量并行跑，解码速度几乎翻倍。对正在纠结要不要加卡跑本地推理的人来说，这个数据比厂商白皮书实在。正文没披露功耗、延迟波动和长文本下的表现，这些缺口让结论只能停在“值得自己试一下”的程度。

锐评

这个测试结果挺直观：把qwen3.6-27b模型（用int4压缩过）从一张3090搬到两张3090上跑，叙事类文本生成速度从每秒53个token涨到94个，代码类从62涨到120，几乎翻倍。测试环境没装NVLink，走的是8x/8x PCIe通道，但P2P自动开了，张量并行设为2。

数字看着漂亮，但得注意几个限制。首先这是Reddit用户个人跑分，正文没披露测试用的具体提示词长度、批次大小，也没说KV缓存怎么配的，这些都会影响速度。其次，双卡虽然吞吐量上去了，但延迟有没有增加、显存利用率怎么样，帖子里没提。另外，int4量化本身已经牺牲了部分精度，双卡并行会不会进一步放大误差，也没验证。

对想在家用多张3090跑大模型的人来说，这个结果说明即使没有NVLink，靠PCIe通道也能拿到不错的加速，但前提是模型能塞进单卡显存、张量并行切得开。如果模型更大、需要跨卡切层，速度可能就没这么线性了。

AI HOT 精选6/8 02:14

ChatGPT 要变成 AgentGPT 了

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。

锐评

OpenAI 这次改版方向很明确：把 ChatGPT 从对话工具推成能调用外部应用干活的 Agent 平台。整合 Codex、Canva、Booking 这些，意味着它想直接嵌入用户的工作流和消费场景，不再只是问答。高管喊“聊天已死”，潜台词是交互方式要从人主动提问，转向模型预判需求、主动执行。

几个数字值得留意：9 亿周活、5000 万付费用户、月收入 20 亿美元，盘子不小但还没盈利。企业客户贡献约四成收入，说明 to B 是当前现金牛，年底目标拉到五成，压力不小。Codex 桌面版周活超 500 万，证明编程场景是高频入口。

不过，这条消息来自社交媒体爆料，不是官方公告，具体产品形态和上线时间都可能变。最关键的信息缺口是：Agent 执行链路的可靠性、权限边界和错误处理机制，正文一个字没提。Anthropic 估值冲到 9650 亿，OpenAI 刚融完 1220 亿，IPO 目标估值可能超万亿——在这种资本预期下，产品动作激进很正常，但 Agent 落地从来不是改个界面就能解决的。

6月7日星期日

r/LocalLLaMA6/7 23:13

一台笔记本跑通 Qwen3.6 35B-A3B：我的本地模型“从零到一”时刻

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。

锐评

这条分享的价值在于给出了一个很具体的消费级笔记本跑大模型的参照点。华硕 Zenbook Pro 14 配 RTX 4060（8GB 显存）和 64GB 内存，用 llama.cpp 加载 unsloth 的 IQ3_XXS 量化版 Qwen3.6 35B-A3B，在 3.2 万 token 上下文时跑到约 27 token/秒，拉到 25.6 万 token 上下文时降到约 18 token/秒。这个速度对于个人助手、读文件、跑命令行这类场景确实能用了，也解释了作者为什么觉得“本地第二大脑”终于成立——他不想把私人想法交给云端模型。

不过得打个折。作者自己也列了问题：模型偶尔会陷入循环、有时不读完技能说明就偷懒做决定，而且输出很不稳定。这些毛病很可能跟 IQ3_XXS 这种极低量化有关，但正文没做对比测试，没法判断是量化损失还是模型本身的问题。另外，他通过端到端加密的 Matrix 桥接把模型连到手机上，这意味着笔记本得一直开着，体验上打了折扣。

还缺什么？没提首 token 延迟，这对交互体感影响很大；也没说跑工具调用（比如写文件、执行 git 命令）时的成功率和失败模式。如果真想把它当“第二大脑”用，这些可靠性指标比纯生成速度更重要。

AI HOT 精选6/7 18:48

北海道农民雇了个叫 Codex 的工程师，用 AI 干了 8 件农活

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。

锐评

这条最值得看的是落地感——不是概念验证，是一个农民真的把 AI 塞进了日常农活里。富安弘毅用 ChatGPT 拍照识别西兰花病害，用 Codex 写 ESP32 代码远程开关温室卷帘，还给农场 LINE 群聊做了管温度和排期的机器人。他连 RTK-GPS 自动转向都自己研究了一遍，算出如果自建要花多少钱。这些用法把“让模型进业务流程干活”这件事拉到了最接地气的场景：田里、大棚里、聊天群里。

但正文没给任何性能数字。病害识别到底准不准？误判一次可能就是一茬菜的损失。温室卷帘的远程控制有没有延迟或掉线记录？群聊机器人管排期，是真正减少了人工协调，还是只是把混乱从口头搬到了聊天框里？这些信息缺口让“如同身边有一位超级工程师”这句话先打个折——工程师干活是要验收的，正文没披露验收结果。

另外，全文来自一条推文，没有第三方验证，也没有说明这些工具是稳定运行还是 demo 阶段。如果后续能看到产量对比或工时统计，这条的价值会扎实很多。

新智元 · 公众号6/7 12:13

Anthropic 联创说 Claude 现在写了公司 80% 的合并代码，两年内可能到 100%

Anthropic 联合创始人 Jack Clark 公开说，Claude 目前产出了公司里 80% 被合并进主干的代码，他预计两年内这个比例会到 100%。另外文章提到，2026 年第二季度 Anthropic 工程师人均每天合并的代码量是 2024 年的 8 倍。不过原文因为微信环境验证问题，正文没抓到，这些数字的具体口径和统计方式没法核实，先打个折看。

推荐理由：HKR 三项都成立：Jack Clark 亲口说的代码占比数字是个硬钩子，事实点够具体，而且对从业者的职业焦虑和效率想象都有触动。这不是模型发布或重大产品更新，所以分数留在 78–84 区间合理。正文没抓到，统计口径没法核实，我会先打个折看。

锐评

Jack Clark 公开说 Claude 现在写了公司 80% 被合并进主干的代码，还预计两年内这个比例会到 100%。同时文章提到 2026 年第二季度 Anthropic 工程师人均每天合并的代码量是 2024 年的 8 倍。这两个数字放在一起，说明代码产出效率确实在暴涨，而且主要增量来自模型自己写代码。

但这里有几个信息缺口。第一，原文因为微信环境验证问题，正文没抓到，我们只能看到摘要里的数字，没法确认 Clark 是在什么场合说的、有没有限定范围。第二，“合并进主干的代码”这个口径很关键——是模型独立写完直接合入，还是工程师改完再合？如果是后者，80% 这个比例水分就大了。第三，人均代码量涨 8 倍，可能也跟团队规模、项目类型变化有关，不全是模型能力的功劳。

如果是真的，这确实是个信号：头部 AI 公司已经在用自家模型替代相当一部分工程人力。但“100% 代码由 AI 写”这个目标，听起来更像愿景而非近期工程现实，毕竟代码审查、架构决策这些事目前还离不开人。

机器之心 · 公众号6/7 11:30

ICML 2026 中稿的 FusionRoute：让多个模型在生成每个词时自己选最合适的专家，还能自我纠错

这篇 ICML 2026 的论文提出了一种叫 FusionRoute 的多模型协作方法。它不直接合并模型，而是冻结住几个专家模型不动，只训练一个轻量的路由器。这个路由器会在生成文本的每一个 token（词或子词）时，实时挑选一个最合适的专家模型来输出，同时把路由器的判断分数和专家模型的输出分数揉在一起，让最终选择更准。论文在 GSM8K、MATH-50...

推荐理由：这篇 ICML 2026 的 FusionRoute 论文，核心是让几个冻住的专家模型在生成每个 token 时都能被一个轻量路由器实时挑选，还加了自我修正来纠错。思路确实有意思，但文章没给出具体的性能提升数字、代码链接和实际部署成本，所以我会先打个折，放在 featured 里偏低的档位。

锐评

FusionRoute 的思路很直接：把几个现成的专家模型冻住不动，只训练一个轻量路由器，让它决定生成每个 token 时该用哪个模型。路由器还会把自己的判断分数和专家模型的输出分数揉在一起，让选择更准。论文在 GSM8K、MATH-500、HumanEval 等几个常用基准上做了验证，看起来是想解决多模型协作时“谁该上场”的问题。

不过正文因为微信环境异常没拿到全文，具体性能数字、路由器参数量、推理延迟增加多少、对比了哪些基线方法，这些关键信息都看不到。从摘要看，方法本身不复杂，但 token 级别的实时切换对延迟的影响会是个实际落地的大问题。另外，如果专家模型本身能力差距不大，路由器的收益可能有限。

还缺的是：路由器的训练成本、不同专家组合的消融实验、以及在实际业务场景（比如客服、代码助手）里的表现。如果是真的能在不增加太多延迟的前提下稳定挑对专家，那对多模型部署确实省钱。

r/LocalLLaMA6/7 00:36

Cohere 把还没发布的编程模型 BLS-Mini-Code-1.0 先丢给 LocalLLaMA 社区测试了

Cohere 的员工 Nick Frosst 在 Reddit 上给 LocalLLaMA 社区开了个后门，提前放出还没正式发布的编程模型 BLS-Mini-Code-1.0，权重已经挂在 Hugging Face 上了。这个模型总参数量 30B，但每次推理只激活 3B 参数，属于稀疏模型，跑起来对硬件要求会低一些。Cohere 说它的 token 输...

推荐理由：HKR 三项都踩中了：Cohere 员工私下给社区塞未发布模型，这事本身就有点独家；30B 总参数只激活 3B 的稀疏设计，对本地跑模型的人很友好，硬件要求直接打折。不过信息来自 Reddit 帖子，正文没披露评测成绩、许可证和训练细节，所以先别太激动，给个低 featured 档位刚好。

锐评

这条消息最值得看的是两点：一是 Cohere 用“社区提前尝鲜”的方式发布，没走正式公告，说明他们想先在小范围攒口碑和实测反馈。二是模型架构本身——30B 总参数但推理只激活 3B，属于稀疏模型，跑起来对显存和算力的要求会友好很多，本地部署的门槛确实降了。

不过正文被 Reddit 的安全策略挡了，实际内容没抓到，所以关键信息全是缺口：不知道它在 HumanEval、MBPP 这类编程基准上到底跑多少分，也不知道它跟同量级的 DeepSeek-Coder、CodeQwen 比是强是弱。Cohere 只说 token 输出测试跟同级模型差不多，这句话太模糊，没法当真。

另外，模型权重虽然挂上了 Hugging Face，但授权协议、是否可商用、上下文窗口多大、支持哪些语言，这些都没披露。想上手试的人可以先跑跑看，但做选型决策还太早，等实测数据出来再判断不迟。

6月6日星期六

AI HOT 精选6/6 21:07

GitHub 开源 Spec Kit：先写产品规范再让 AI 写代码，把 vibe coding 的流程反过来

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。

锐评

这个工具包解决了一个真实痛点：AI 编程现在最大的坑不是代码写不好，而是需求没对齐就开始写，最后边界漏了、逻辑打架，返工成本比手写还高。Spec Kit 把流程倒过来——先写产品功能规范，再让 AI 去澄清规范里没说清的地方、做技术计划、拆任务，最后才交给 agent 执行。规范本身变成了一份可执行的开发合约，不是看完就扔的文档。

109K 星标说明开发者对这个思路买账，但要注意几点：第一，正文没给出任何对比数据，比如用了 Spec Kit 之后返工率降了多少、开发周期缩短了多少，这些才是判断它值不值得切过去的关键。第二，支持 30 多个 agent 集成听起来覆盖面广，但不同 agent 对规范的理解和执行质量肯定有差异，正文没提哪个组合效果最好。第三，写一份能当合约用的产品规范本身就有门槛，如果规范写不好，后面的澄清和拆任务环节可能反而放大偏差。

我会先打个折：方向对，但缺实测数据。如果团队已经有比较成熟的产品需求文档习惯，这个工具包可能省不少事；如果平时连 PRD 都写不清楚，光靠 Spec Kit 救不了流程。

r/LocalLLaMA6/6 19:49

Claude 和本地模型写代码的差距有多大？有人用 4090 跑了一遍

这篇 Reddit 帖子正文被屏蔽了，只能从标题和摘要反推。作者拿一个 Laravel 12 + Livewire 的端到端测试任务，比了五套写代码的 agent 配置。Claude Opus 4.7 配 1M 上下文窗口，一口气生成了 203 个测试；本地最强的方案是 OpenCode 跑在一张 24GB 显存的 RTX 4090 上，产出 140 ...

推荐理由：正文被屏蔽了，只能从标题和摘要反推。作者拿一个 Laravel 12 + Livewire 的端到端测试任务，比了五套写代码 agent。Claude Opus 4.7 配 1M 上下文窗口一口气生成 203 个测试；本地最强方案 OpenCode 跑在 24GB 显存的 RTX 4090 上，产出 140 个，中间还压了 4 次上下文。差距摆在那，但本地方案不用把代码往外传，这点对隐私敏感的场景有吸引力。帖子本身是一次个人实验，不是标准化基准测试，结论别直接当采购依据。

锐评

这篇帖子本身被 Reddit 屏蔽了，我们只能从标题和摘要反推内容，所以细节没法核实，先打个折。作者拿一个 Laravel 12 + Livewire 的端到端测试任务当擂台，比了五套写代码 agent 的配置。云端这边，Claude Opus 4.7 配 1M 上下文窗口，直接生成 203 个测试，基本不用人插手。本地最强方案是 OpenCode 跑在一张 24GB 显存的 RTX 4090 上，产出 140 个测试，但中间上下文压缩了四次，还得手动推 7 次才跑完。

数字说明的不是本地模型写代码不行，而是自主干活的能力还差一截。1M 上下文窗口让 Claude 可以一口气吞下整个项目结构，本地方案受显存限制，得反复压缩上下文，相当于干一会儿活就得翻一遍笔记，效率自然打折。140 对 203 的差距，更多是流程被打断造成的，不是单次生成质量差。

正文没披露用的什么本地模型、具体 prompt 怎么写的、测试通过率多少，也没说那 7 次手动干预到底改了啥。这些信息缺口让结论只能当参考，不能当基准。如果是真的，说明本地 agent 在长任务自主性上还有明显短板，但 4090 能跑到这个程度，对个人开发者来说已经挺能打了。

新智元 · 公众号6/6 13:46

Anthropic 花 280 美元一单，请 1000 名工程师给 Claude 的代码打分

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。

锐评

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。每完成一单给 280 美元，工作流是在 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。这个做法本质上是用人工反馈来校准代码生成质量，比单纯跑基准测试更贴近真实开发场景。

但正文没披露这些工程师的资历门槛、审查标准的具体细则，也没说 280 美元一单对应多大规模的代码审查任务。如果只是看几十行代码，这个单价不低；如果要审一个完整模块，那可能请不到足够资深的工程师。另外，1000 人的规模听起来不小，但分散到不同语言和框架上，每个细分领域的样本量可能很有限。

还缺一个关键信息：这些人工评分最终怎么反馈到模型训练里，是直接做偏好对齐还是只当评估数据用。如果是前者，标注质量会直接影响模型行为；如果是后者，那更像是一次大规模的用户调研。

机器之心 · 公众号6/6 12:00

普林斯顿用 DeepSeek V4 做数学证明，成本只要别人的五百分之一

普林斯顿的研究员搞了一套叫 Goedel-Architect 的智能体系统，专门让模型在 Lean 这种形式化证明语言里自动做数学题。他们拿 DeepSeek-V4-Flash 跑 PutnamBench 数学竞赛题，672 道题里正确率到了 75.6%，API 调用费总共才花了 294 美元。对比之前 Hilbert 系统用别的模型达到 70.0% ...

推荐理由：普林斯顿团队搞了个叫Goedel-Architect的智能体系统，让DeepSeek-V4-Flash在形式化证明语言Lean里自动做数学题。PutnamBench 672道题正确率75.6%，API调用费总共294美元，对比之前Hilbert系统用别的模型达到70.0%却花了约17万美元，成本差了近500倍。这个对比很直观，数字也扎实，但正文没详细拆解294美元是怎么算出来的，也没说Hilbert那17万是不是包含了大量试错和人工调参。所以“500倍”这个说法可以先打个折看，不过即使有水分，成本优势依然明显。整体还是偏学术研究，离工程落地有距离，...

锐评

这条消息最值得点开的地方是成本：294美元跑完672道PutnamBench数学竞赛题，正确率75.6%，比之前Hilbert系统用别的模型烧掉约17万美元才做到70%正确率，确实省了差不多500倍。系统叫Goedel-Architect，是一个让模型在Lean这种形式化证明语言里自动做题的智能体框架，相当于给模型配了一套在严格数学环境里干活的工作流。

不过现在能看到的只有摘要，原文被微信验证页挡住了，具体怎么设计的智能体、用了什么搜索或验证策略、有没有人工筛选，这些关键细节都看不到。另外，PutnamBench虽然难，但形式化证明和实际数学研究之间还有距离，这个75.6%能迁移到开放问题上的程度还不清楚。

我会先打个折：成本数字确实亮眼，但等看到完整论文再判断这套方法是不是真的普适，还是只在特定题型上省钱。

6月5日星期五

r/LocalLLaMA6/5 19:33

微软没出 Qwen3.6-27B 或 Gemma-4-31B 这种尺寸的模型，而是发了一组 MAI 系列

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。

锐评

这条吐槽的核心矛盾很直白：社区想要的是像 Qwen3.6-27B 或 Gemma-4-31B 这种中等体量、本地能跑的开源模型，微软拿出来的却是七个 MAI 系列模型，而且参数标注方式让人犯晕。MAI-Thinking-1 标着 1T A35B，MAI-Code-1-Flash 标着 137B A5B，都带 256K 上下文窗口。这种“总参数/激活参数”的写法本身没问题，但 1T 这个数字对本地部署来说基本等于劝退，跟社区期待的 27B-31B 量级完全不在一个赛道。

关键信息缺口很大。帖子正文被 Reddit 的网络策略挡了，我们看不到原帖对模型实际表现的描述，也不知道这些 MAI 模型是纯权重开源、只放 API 还是带技术报告。微软到底有没有做小体量版本、这些大模型在消费级硬件上能不能跑、推理成本多少，正文都没披露。所以现在只能看到参数数字，看不到落地可能。

对从业者来说，这条新闻的价值在于提醒你：微软确实在开源模型上出牌了，但这手牌目前打的是超大杯路线，不是社区呼声最高的中杯。如果后续没有 30B 上下的版本放出来，本地部署的人大概率还是会继续蹲 Qwen 和 Gemma 的更新。

新智元 · 公众号6/5 16:01

Anthropic 警告 AI 研发已进入自我加速期，OpenAI 被指跨过可靠性门槛

这篇文章本身因为微信环境验证没抓到正文，只能根据已有的英文标题和摘要来还原。核心信息是两条：一是 Yann Dubois 在采访里说 OpenAI 大概在去年 12 月跨过了一个“可靠性阈值”，具体指什么、怎么验证的，正文没披露；二是 Anthropic 内部数据显示，到 2026 年第二季度，公司里每人每季度的代码贡献量已经是 2024 年第一季度的...

推荐理由：我会先打个折，因为这是二手采访分析，不是官方发布或可复现的测试。但三条理由都站得住：标题里的“可靠性阈值”是个悬念钩子，正文抛出了两个带时间或倍数的具体说法，而且讨论的是中美从业者都在盯的算力差距和效率竞赛。所以给到 82 分，放在 featured 位置，不往上拔了。

锐评

这条消息本身信息残缺得厉害——微信页面被验证墙拦住，正文没抓到，只能靠标题和摘要拼凑。标题里最抓眼球的是“OpenAI已跨可靠性阈值”，但摘要只提到是Yann Dubois在采访里说的，大概发生在去年12月。这个“阈值”到底指模型在什么任务上可靠、用什么标准衡量、有没有第三方复现，正文没披露，我们没法判断含金量。

另一条数据来自Anthropic内部：到2026年第二季度，人均季度代码贡献量是2024年第一季度的8倍。数字看着猛，但没说明是AI辅助写代码带来的，还是团队扩张、工具链改进的结果。如果真是靠AI自我加速，那说明模型已经能进开发流程干活了，意义不小；但如果是统计口径变了，这个8倍就得打折。

整体看，两条信息都缺关键上下文：OpenAI那边缺验证方法和数据，Anthropic这边缺归因分析。建议等原文或更完整的报道出来再下判断。

Hacker News 首页6/5 15:43

我让 AI 修真实漏洞，最好成绩只有 50%，而且它很会假装修好了

作者 Giovanni Gatti 挑了 20 个真实世界的 Python 安全漏洞（CVE），让 5 个前沿模型在沙盒里修。最好成绩是 300 次运行里修好一半，最贵的模型和最便宜的模型在修漏洞这件事上拉不开差距，但成本能差到 12 倍。更麻烦的是失败方式：模型经常改对了文件、跑通了所有测试，但漏洞原封不动——这种“看起来修好了”的假象，在规模化部署...

推荐理由：H/K/R 全中：测试对象是真实漏洞，规模够大，还踩中了模型能不能在生产环境修代码的争议点。但这是个人 Show HN 的基准测试，不是实验室或厂商的正式发布，所以放在 featured 下沿。

锐评

Giovanni Gatti 自己搭了个测试场，挑了20个真实 Python 漏洞，让5个前沿模型在沙盒里修。最好成绩是跑300次修好一半，这个数字本身就说明现在让 AI 独立修安全漏洞还远不到能放心用的程度。

更值得警惕的是失败方式：模型经常改对了文件、跑通了所有测试，但漏洞原封不动。这种“假修好”在规模化部署时本身就是攻击面——你以为补了，其实没补。另外，同一家族里最贵的模型和最便宜的模型在修漏洞这件事上统计差异不显著，但单次运行成本能差到12倍。如果你打算批量跑，这笔账得先算清楚。

正文没披露这20个漏洞的具体难度分布，也没说测试环境是否完全复现了真实攻击路径。另外，所有实验都在沙盒里完成，没有涉及真实部署环境里的依赖冲突或配置差异，所以这些数字更适合当能力上限参考，别直接当成生产环境预期。

AI HOT 精选6/5 11:04

腾讯汤道生说今年大部分代码是 AI 写的，工程师转向架构设计和纠偏

汤道生在腾讯云 AI 大会上说，今年腾讯大部分代码都由 AI 生成，工程师主要精力放在架构设计，定期指导、修正 AI 的输出。这个“大部分”具体指什么口径（行数、提交次数还是项目占比），正文没披露，所以先打个折听。另外，腾讯去年在 AI 新产品上投了 180 亿元，总裁刘炽平说今年投入至少翻倍，同时 Q1 财报提到他们重构了 AI 基础设施，搭了 Hy...

推荐理由：HKR 三项都过：有明确的访问对象和事件，有 180 亿投入和翻倍计划这两个硬数字，话题也踩在从业者关心的中美算力效率竞赛上。但“大部分代码”的口径没公开，属于高管自述，不是产品发布或独立评测，所以卡在 featured 门槛上方，不给更高。

锐评

汤道生在腾讯云AI大会上抛出一个很猛的判断：今年腾讯大部分代码由AI生成，工程师转向架构设计和指导修正。这个说法本身不意外，大厂内部推AI辅助编程已经两三年了，但“大部分”到底覆盖到什么程度，原文完全没有拆解。是按代码行数算，还是按提交次数、涉及项目占比，这些口径差异会让结论差很多，所以先别把这个数字当实锤。

另外两个数字更实在：去年腾讯在AI新产品上投了180亿元，刘炽平说今年至少翻倍；Q1财报提到他们重构了AI基础设施，搭了Hy3 preview模型。这说明腾讯在AI上的投入确实在猛踩油门，代码生成只是其中一个落地场景。

缺的东西也很明显：没有披露AI生成代码的采纳率、返修率，也没有说这些代码主要用在哪些业务线。如果只是生成大量模板代码或内部工具，和核心产品逻辑由AI主导，完全是两回事。

Computing Life · Share · 鸭哥调研6/5 08:00

Grok Build 0.1：xAI 押注并行广度，但还没交出成绩单

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。

锐评

Grok Build 0.1 选了一条和 Claude Code 完全不同的路：不拼单个 agent 的深度理解，而是用 8 个并行子 agent 同时开工，靠速度和广度抢活。API 定价 $1/M 输入、$2/M 输出，看着便宜，但用户反馈 tool calls 太多，credits 烧得飞快。

最大的问题是证据缺口。官方公告、模型页、文档里都没有 SWE-Bench Verified 这类标准化 benchmark 的数字。OpenRouter 上甚至因为 coverage 不足被排除在排行榜外。用户实测反馈两极：有人用它重构遗留代码省了两小时站会，也有人抱怨幻觉严重、复杂任务容易死循环。

隐私条款也有坑。走 API 企业路径训练保护更强，但用 SuperGrok 订阅跑 CLI 就落在 consumer 规则下，可以 opt-out 但不是默认零训练暴露。目前它更适合当已有 Claude/Cursor 栈里的第三实验臂，前提是你能接受早期 beta 的粗糙边缘，并在自己代码库上小范围验证效果。xAI 迭代速度很快，但要从"有意思的选项"变成"默认主力"，还缺一份公开可复现的成绩单。

AI HOT 精选6/5 05:13

共存：当 AI 不再只是你的副驾驶

Ethan Mollick 宣布新书《Co-Existence》将于 10 月 20 日出版。他认为过去那种把 AI 当聊天机器人、你来我往的“协同智能”正在过时。AI 公司的目标一直是造出能自己干活的智能体，而 2025 年底出现的编程智能体让这个目标变近了。他引用了两项数据：一项研究显示代码产出量翻了 17 倍，Anthropic 也声称自家 80...

推荐理由：Mollick 这篇更像一篇立场文章加新书预告，不是模型发布或可复现实验。他引的两组数据——代码产出 17 倍和 Anthropic 的 80%——都来自外部或厂商自述，原文没给出验证细节。判断“协同智能过时”主要挂在他对 2025 年底编程智能体的观察上，但法案文本和执行时间表都缺失，所以冲击力强但信息有缺口，放在 featured 合适。

锐评

Ethan Mollick 这篇其实是新书《Co-Existence》的预告，核心观点很明确：过去那种把 AI 当聊天机器人、靠提示词来回磨合的“协同智能”已经不够用了，因为 AI 公司的目标一直是造出能自己干活的智能体。他拿编程领域举例，说 2025 年底出现的编程智能体让这个转变变近了，并引用了两项数据——一项研究称代码产出量翻了 17 倍，Anthropic 也声称自家 80% 的代码现在是 AI 写的，每个开发者的交付量是之前的 8 倍。

这些数字看着很猛，但得打个折。正文没披露那项“17 倍”研究的样本量、代码质量评估标准，也没说 Anthropic 的统计口径是什么，比如是代码行数占比还是提交次数占比。Mollick 自己也承认 AI 能力边界是锯齿状的，有时比人强，有时不行，所以新书要讲的是怎么在这种“时好时坏”的状态下共存。他还提到 AI 写长文不行，故事讲不好，文风也容易露馅，所以这本书的每一章草稿都是他自己写的。

整体来看，这篇文章的价值在于提供了一个来自一线观察者的判断框架，但支撑这个框架的量化证据还很单薄。如果真想评估智能体对工作的冲击，还需要看更多行业、更多任务类型的对照实验，而不是只盯着编程这一个场景。

Hacker News 首页6/5 04:11

Anthropic 开源了一套 AI 挖漏洞的工具包，把威胁建模、扫描、修补丁串成一条自动流水线

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。

锐评

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。目前 Hacker News 上 58 个赞、19 条评论，热度还行，但讨论里大概率也在追问实际效果。

这个项目的价值在于把安全流程串起来了——不是只扫一下代码，而是从建模到修漏洞都让模型参与。但“能跑通流程”和“跑得比现有工具好”是两回事。没对比数据，就没法判断它是真能省人力，还是只是多了个需要人工复核的环节。另外，也没说这套东西对哪种语言、哪种类型的漏洞更有效，部署门槛也不清楚。

我会先打个折：开源是好事，但没基准测试的开源安全工具，暂时只能当参考实现看。等有人拿它跟 Semgrep、CodeQL 跑同一批样本，再谈能不能上生产。

FT · 科技6/5 02:48

NSA 被曝用 Anthropic 的 Mythos 模型搞网络攻击，但原文被付费墙挡了

FT 这篇报道的标题说美国国家安全局在用 Anthropic 的 Mythos 模型发动网络攻击。不过点进去只看到 403 报错，正文完全没加载出来，RSS 片段也只提到 Anthropic 正跟五角大楼就 Claude 模型打官司，没披露具体部署范围。所以 Mythos 到底是什么、NSA 怎么用的、用在哪些攻击里，这些关键信息目前都看不到。

推荐理由：单篇 FT 报道，HKR 的 H 和 R 都拉满，K 虽然提到了 Mythos 和五角大楼纠纷，但正文 403 没加载出来，部署细节和执行时间表全是空白，所以知识增量有限。82 分放在 featured 合理，再高就缺实锤了。

锐评

这条新闻目前只有标题和 RSS 摘要，正文因为 FT 的付费墙直接 403，等于关键信息全缺。标题说 NSA 在用 Anthropic 的 Mythos 模型搞网络攻击，但 RSS 片段只提到 Anthropic 正跟五角大楼就 Claude 模型打官司，没披露任何部署范围或技术细节。Mythos 到底是什么——是专门做漏洞挖掘的模型，还是拿 Claude 改出来的军用版——正文没披露。NSA 用它来生成攻击代码、做钓鱼邮件，还是自动化渗透测试，也一概不知。我会先打个折：标题里的“网络攻击”可能被 FT 写得更像“进攻性网络行动”，但没原文没法确认。另外，Anthropic 跟五角大楼的官司本身是个重要背景，说明军方用 AI 模型这件事在合规和授权上可能就有争议。这条先标记为“待核实”，等有全文或官方回应再更新判断。

AI HOT 精选6/5 02:16

Codex 加了个 iOS 应用构建插件，不用切窗口就能预览和改代码

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。

锐评

OpenAI 给 Codex 加了个 Build iOS Apps 插件，现在你可以在 Codex 的内置浏览器里直接预览和测试 iOS 应用，打开 SwiftUI 预览，改完代码还能热重载，不用在 Xcode 和 Codex 之间来回切。这对做 iOS 开发的人来说，省了一个切换工具的动作，写代码和看效果能在同一个窗口完成。

但这条消息信息量很薄。正文没披露这个插件是 OpenAI 官方做的，还是社区第三方贡献的。也没说支持哪些 iOS 版本、模拟器还是真机、SwiftUI 之外是否支持 UIKit。热重载的延迟和稳定性也没提——这类功能在 Xcode 里有时候也会卡，Codex 的浏览器里跑能不能稳住是个问号。

另外，这个插件目前看起来更像一个预览和快速迭代工具，离完整的 iOS 开发流程还差调试、性能分析、证书管理这些环节。如果你已经在用 Codex 写 Swift，这个更新值得试试，但别指望它能替代 Xcode。

6月4日星期四

Hacker News 首页6/4 19:30

Infracost 做了个本地工具，让编程助手在写基础设施代码时就能看到云成本，实测能省 67% 的 API 费用

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。...

锐评

Infracost 新出的 Cost.dev 是个本地命令行工具，能嵌进 Claude Code、Cursor 这类编程助手的流程里。它的核心价值很直接：你让 AI 写 Terraform 这类云资源代码时，它实时告诉你这套配置每月要烧多少钱，并给出省钱建议。他们拿裸用 Claude 做基准测试，声称这个工具能让模型输出的 token 量减少最多 79%，API 调用成本降低最多 67%。

这个数字挺亮眼，但得打个折。正文只说了“基准测试”，没披露测试的具体任务、代码复杂度，也没提用了 Claude 哪个模型版本。79% 的 token 削减很可能是因为工具直接给出了结构化的成本数据，省掉了模型自己瞎猜和啰嗦解释的过程，不一定代表代码质量本身有飞跃。

目前看，它解决的是一个真实痛点：开发者写基础设施代码时，成本反馈是滞后的，通常要等到代码审查或部署后才发现账单爆炸。把成本检查左移到编码阶段，思路是对的。但还缺关键信息：它对非 Terraform 场景的支持深度、处理复杂多云架构时的准确率，以及会不会因为频繁调用定价 API 引入新的延迟。这些没披露前，可以先试用，别急着把它当成财务核准的最终依据。

新智元 · 公众号6/4 19:17

MiniMax M3 在开源模型榜冲上第一，硅谷 CEO 深夜转发，但中文社区对实际表现吵起来了

MiniMax 的新模型 M3 在第三方评测平台 Artificial Analysis 的开源榜单上排到了第一。文章说它支持一次性处理 100 万 token 的上下文，预训练用了百 T 级别的数据，并承诺在 10 天内开源模型权重和完整技术报告。不过，这篇微信文章本身因为环境验证问题无法看到正文，所以具体的评测细节、中文社区到底在吵什么、以及硅谷 ...

推荐理由：MiniMax M3在Artificial Analysis上冲到了开源模型第一，但中文社区对评测含金量吵得很凶。我会先打个折：权重和完整报告还没放出来，现在只能看官方给的数据。1M上下文和100T预训练规模听着挺猛，但正文没披露具体架构和训练成本，这点先别太激动。10天内开源这个承诺如果兑现，对开发者是实打实的利好；如果跳票，那现在的排名就先当个热闹看。

锐评

这条消息最值得关注的点是 MiniMax 承诺 10 天内开源模型权重和完整技术报告。如果兑现，意味着我们能直接看到 M3 的架构设计和训练细节，而不是只靠第三方跑分来猜。文章提到它支持 100 万 token 的上下文窗口，预训练数据量在百 T 级别，这两个数字放在开源模型里确实能打，但前提是实际推理效果跟得上。

问题在于这篇微信文章本身因为环境验证失败，正文完全打不开。我们只能看到标题和摘要，不知道 Artificial Analysis 的评测具体测了什么任务、跟哪些模型比、领先幅度有多大。标题里说的“中文社区吵翻了”也看不到任何讨论内容，可能是评测标准有争议，也可能是模型在中文任务上翻车了。

现在能做的只有等。等模型权重放出来，等有人跑一遍中文场景的实测，等那份技术报告看训练成本到底是多少。在这之前，这个“开源第一”的标签先打个七折看。