Poolside 发布 Laguna S 2.1:一个 118B 参数的 MoE 编程模型,在长周期任务上以小博大
Poolside 今天放出了 Laguna S 2.1,一个总参数 1180 亿、每次推理只激活 80 亿参数的混合专家模型,上下文窗口能到 100 万 token。
推荐理由:Poolside 发布的 Laguna S 2.1 采用混合专家架构,每次推理激活的参数约占总参数的 6.8%。
Poolside 今天放出了 Laguna S 2.1,一个总参数 1180 亿、每次推理只激活 80 亿参数的混合专家模型,上下文窗口能到 100 万 token。
推荐理由:Poolside 发布的 Laguna S 2.1 采用混合专家架构,每次推理激活的参数约占总参数的 6.8%。
Google DeepMind 一口气放出 Gemini 3.6 Flash、3.5 Flash-Lite 和 3.5 Flash Cyber。3.6 Flash 是新的主力,写代码和处理多模态任务更强,token 消耗最多能降 17%,比上一代 3.5 Flash 更便宜。
推荐理由:Google DeepMind 发布 Gemini 3.6 Flash 等三款模型,3.6 Flash 成为新主力,写代码与多模态能力提升,token 消耗最多降 17%,比 3.5 Flash 更便宜。
作者推翻了自己 2025 年的疑问,说把 Claude 叫编译器是个分类错误——编译器只管把源码变成二进制,但 Claude 能跨层级干活,从战略、产品、架构一路聊到机器码。他拿 exe.dev 做分布式 DNS 服务器举例:多个 agent 循环同时开工,实现同一个设计,却在很多没问过的问题上做出了完全不同的选择。
推荐理由:作者以 exe.dev 的分布式 DNS 服务器为例,展示多个 agent 循环并行实现同一设计时,在未被问及的问题上做出各自不同的选择,由此说明 Claude 跨层级工作的特点。
月之暗面发了新模型 Kimi K3,在 Arena 前端编程榜上压过 Fable 和 GPT-5.6-Sol,其他跑分也咬得很紧。模型很大,有 2.8 万亿参数,支持图片输入,上下文窗口 100 万 token,权重会在 7 月 27 号开源。
推荐理由:月之暗面发布 2.8 万亿参数的 Kimi K3,在前端编程榜上超过 Fable 和 GPT-5.6-Sol,但实际生成要多消耗一倍 token,单价优势被抵消。
Anthropic 的 Cat Wu 和 Thariq Shihipar 在 AI 工程师大会上跟 Simon Willison 聊了聊 Claude Code 团队的内部玩法。他们做的 Slack 协作工具 Claude Tag,现在包揽了团队 65% 的产品工程 PR。
推荐理由:Anthropic 的 Cat Wu 和 Thariq Shihipar 披露,内部 Slack 工具 Claude Tag 已包揽团队 65% 的产品工程 PR,系统提示词也缩减了 80%。
这周 Moonshot 的 Kimi K3 和阿里的 Qwen 3.8 都发了,性能号称接近 Anthropic 的 Fable 5,而且模型权重马上要公开。文章算了笔账:Anthropic 自己不建数据中心也不发电,用的是租来的算力和电,所以推理成本会跟着用量涨。Fable 5 每完成一个任务,成本差不多是对手的 3 倍。
推荐理由:Kimi K3 与 Qwen 3.8 以接近 Fable 5 的性能和即将公开的权重入场,文章据此拆解 Anthropic 租用算力与电力带来的推理成本结构,其单任务成本约为对手三倍。
作者拿自己手调过的 Rust 函数去考 Kimi K3,让它“随便怎么优化都行”。模型自己选了 SWAR 方案,把 64 位寄存器当 8 个 u8 用,15 分钟给出代码,零报错直接跑通,最终程序快了 2%。通过 OpenRouter 调用,token 费用大概 1 美元。作者觉得这表现确实摸到了前沿模型的边。
推荐理由:作者把自调的 Rust 函数交给 Kimi K3 优化,模型自选 SWAR 方案,15 分钟给出零报错代码,程序提速 2%,调用费约 1 美元。
英国 AI 安全研究所(AISI)的测试显示,开源模型在网络安全任务上与闭源前沿模型的差距已从 2025 年的 6 到 10 个月,缩短到现在的 4 到 7 个月。具体来说,GLM-5.2 在 70 项细分网络能力评估中,表现接近 4.3 个月前发布的 Claude Opus 4.6。
推荐理由:AISI第一次公开量化开源与闭源模型在网络能力上的时间差,有具体模型和月份数字,虽然只是网络安全这一个维度,但数据本身够硬,值得从业者关注。
Cursor 重新设计了他们的 AI 智能体集群,把任务拆成树状结构:由最强模型当“规划者”负责拆解目标,便宜快速的模型当“执行者”负责具体干活。他们用这个新架构挑战了旧集群搞不定的任务——只靠文档,用 Rust 从零写一个 SQLite。结果新集群在所有模型组合下都赢了旧集群。
推荐理由:Cursor 用规划者与执行者的树状分工重做智能体集群,让强模型拆解目标、快模型执行,并靠文档用 Rust 从零写 SQLite,4 小时通过 80% 测试。
审批只能决定一条命令要不要开始跑,管不了包管理器启动后加载的脚本和子进程。文章顺着一次修 bug 的任务走了一遍:Agent 克隆仓库、跑 npm install、改代码、执行测试、最后推分支。
推荐理由:文章顺着一次修 bug 任务走完 Agent 克隆仓库、跑 npm install、改代码、执行测试到推分支的全过程,指出审批只能拦住命令启动,管不了包管理器加载的脚本和子进程。
月之暗面(Moonshot AI)放出消息,打算在六个月内 IPO,直接原因是新模型 Kimi K2 在数学和编程跑分上追平了 OpenAI o3 和 DeepSeek V4 Pro。公司目前估值约 30 亿美元,2025 年靠 Kimi 聊天机器人的订阅和 API 费用做到了大概 1.5 亿美元收入。在哪上市、找谁承销,正文都没提。
推荐理由:月之暗面计划六个月内 IPO,直接原因是 Kimi K2 在数学和编程跑分上追平 OpenAI o3 与 DeepSeek V4 Pro,公司估值约 30 亿美元、2025 年收入约 1.5 亿美元。
xAI 把 Grok Build 在本地管理文件、命令和权限的客户端 harness 用 Apache-2.0 协议公开了,代码可以看、可以自己编译。但 Grok 模型、云端服务以及官方安装包的构建链还是闭源的。仓库不接受外部 PR,官方二进制用的内部 commit 也不在公开历史里,所以下载到的程序不一定对应公开的源码。
推荐理由:xAI 以 Apache-2.0 公开 Grok Build 的客户端 harness,代码可看可自行编译,而模型、云端服务与官方安装包构建链仍闭源,仓库也不接受外部 PR。
作者把 Kimi K3 和 Claude 放在日常写代码里对比,发现输出质量和消耗的 token 数几乎一样,分不出区别。但价格差很远:K3 API 每百万输入/输出 token 收 3 美元和 15 美元,Claude 是 10 美元和 50 美元。
推荐理由:开发者实测 Kimi K3 与 Claude 写代码,输出质量和 token 消耗几乎一致,而 K3 的 API 价格仅为后者的三分之一左右。
作者拿一个未公开的 NP-hard 光纤网络优化问题,让 Claude Fable 5 和 GPT-5.6 Sol 各跑了三轮 30 分钟测试,对比普通模式和 /goal 模式。Fable 5 的普通模式平均得分 32,386,比 Sol 的 34,261 低了 1,875 分(分数越低越好),而且三次普通跑分只差了 319 分,稳得离谱。
推荐理由:作者用未公开的 NP-hard 光纤网络优化问题,让 Fable 5 与 GPT-5.6 Sol 各跑三轮 30 分钟,对比普通模式与 /goal 模式下的得分差异。
作者从自己放弃 DSL 的经历说起,指出 AI 大幅降低了设计语言、写解析器和准备示例的成本,让团队可以先建领域边界,再根据实际使用决定它的寿命。核心思路是把 FastAPI 当作原子操作层,DSL 负责描述完整计划,上下文基础设施保存过去的判断和纠正。
推荐理由:作者结合自己放弃 DSL 的经历,讲 AI 如何降低设计语言与写解析器的成本,团队可先建领域边界,再用 FastAPI 做原子操作层、DSL 描述完整计划。
Cursor 的评估负责人 Nate Schmidt 在 Anthropic 博客里讲了他们怎么判断 Claude Fable 5 能打。核心数字是 CursorBench 上 72.9% 的得分,比上一代跳了一大截。这个测试不是刷通用榜,专挑那些连真人都头疼的长尾编程问题。
推荐理由:Cursor 评估负责人 Nate Schmidt 在 Anthropic 博客说明,Claude Fable 5 在 CursorBench 上取得 72.9%,该测试专挑连真人都头疼的长尾编程问题。
Google DeepMind 发布 Gemini 3.5 Flash Cyber,基于 3.5 Flash 微调,用于快速发现、验证和修补漏洞,在 CyberGym 等基准上以多次调用取得接近更大模型的成绩。
推荐理由:Google DeepMind 推出基于 3.5 Flash 微调的轻量网络安全模型,在 CyberGym 等基准上以多次调用取得接近更大模型的漏洞发现成绩。
Olaf Alders 发现 Claude Code v2.1.198 在 7 月 1 日悄悄塞进一个行为:当 agent 向你要指令时,如果你 60 秒内没回复,它就自己拿主意继续跑。这个改动没出现在更新日志里,也没有独立的开关能关掉。作者用 Claude 自己去反编译压缩后的 JS 代码,确认逻辑就埋在里头,没有单独的功能标记。
推荐理由:作者用 Claude 反编译压缩后的 JS,确认 v2.1.198 在 7 月 1 日静默加入 60 秒无回复自动继续逻辑,更新日志未提且无独立开关。
月之暗面推出了 Kimi K3,一个 2.8 万亿参数的模型,他们把它四舍五入叫成“首个开源 3T 级模型”。这个模型 API 定价是输入每百万 token 3 美元、输出 15 美元,跟 Anthropic 的 Claude Sonnet 系列一个价,是目前中国 AI 实验室里最贵的模型。
推荐理由:月之暗面发布 2.8 万亿参数的 Kimi K3,API 定价输入每百万 token 3 美元、输出 15 美元,与 Claude Sonnet 系列持平,是目前中国 AI 实验室中定价最高的模型。
Kimi K3 在 Frontend Code Arena 拿了 1679 分,压过 Claude Fable 5,七个前端领域赢了六个。模型有 2.8 万亿参数,支持 1M 上下文,定价是每百万 token 3 到 15 美元,完整权重会在 7 月 27 日前放出来。群友上手后评价两极:有人花 199 元月费让它重做了之前搞砸的粒子特效,效果惊艳。
推荐理由:Kimi K3 在 Frontend Code Arena 以 1679 分超过 Claude Fable 5,七个前端领域赢下六个,2.8 万亿参数、1M 上下文与 3 到 15 美元定价一并公开,权重将在 7 月 27 日前放出。
OpenAI 发了一篇面向 CFO 的指南,核心就一句话:算 AI 账不能只看 token 单价,得算完成一件合格任务的综合成本。文章提了个“有用智能每美元”的框架,拆成四个问题:AI 到底干成了多少有用的活、每件成功的活实际花了多少钱、结果靠不靠谱、以及用得越多是不是每块钱买的活也越多。
推荐理由:OpenAI 面向 CFO 发布指南,提出有用智能每美元框架,把 AI 成本从 token 单价转向完成合格任务的综合成本,并拆成四个具体问题。
月之暗面在 7 月 17 日推出了新一代 Kimi 模型,在 MATH、HumanEval 等基准测试里,成绩跟 OpenAI o3 和 Anthropic Claude Sonnet 4.5 打平甚至略高。现在通过 Kimi 聊天机器人就能试,API 也已经上线。市场反应很直接——英伟达盘前跌了超过 3%,大家担心这会压降美国 AI 公司的定价空间。
推荐理由:月之暗面发布新一代 Kimi 模型,在 MATH、HumanEval 等基准上追平 OpenAI o3 和 Claude Sonnet 4.5,聊天机器人与 API 已同步开放,英伟达盘前跌超 3%。
Kimi K3 在 Frontend Code Arena 拿了 1679 分,7 个前端子任务里 6 个第一,压过了 Claude Fable 5 和 GPT-5.6 Sol。模型本身是个 2.8 万亿参数的 MoE 架构,上下文窗口能塞进 100 万 token,大概是一套《三体》三部曲的量。7 月 27 日会开放权重,到时候可以自己部署。
推荐理由:Kimi K3 在 Frontend Code Arena 前端编码榜拿了 1679 分,7 个子任务里 6 个第一,压过了 Claude Fable 5 和 GPT-5.6 Sol。模型是 2.8 万亿参数的 MoE 架构,上下文窗口能塞 100 万 token,7 月 27 日开放权重。这是国产旗舰模型在一个具体编码榜单上直接挑战闭源双巨头,而且马上能自己部署,对前端圈和国内开发者来说是个实打实可验证的信号。
月之暗面发布了 Kimi K3,一个总参数量 2.8 万亿的模型,这也是目前公开权重里最大的一个。模型权重承诺在 7 月 27 日前放出。它支持 100 万 token 的上下文和原生的多模态输入,已经在 Kimi.com、Kimi Code 和 API 上线。
推荐理由:月之暗面发布总参数 2.8 万亿的 Kimi K3,权重承诺 7 月 27 日前放出,支持 100 万 token 上下文和原生多模态输入,已在 Kimi.com、Kimi Code 和 API 上线。
Pydantic 的 Laura Summers 聊了用大模型写代码的真实疲惫感:代码生成没问题,但人得不停地审查、纠错、把持方向,精力很快被榨干。她的同事 Douwe 每天醒来面对 30 个 AI 生成的 PR,很想把审查也丢给 AI,但反问自己“那我还在这干嘛”。她管这叫监督疲劳,并指出 AI 让你能同时开很多头,但能认真收尾的事一件没多。
推荐理由:Pydantic 的 Laura Summers 描述用大模型写代码时的监督疲劳,同事每天要面对 30 个 AI 生成的 PR,点出 AI 能同时开很多头却无法多收尾。
BackendForge 先给 56 个后端任务写了 7,250 项测试,再让 Agent 专门找这套题库漏了什么,最后补了 640 项。测试只多了 8.8%,但 GPT-5.5 全部通过的任务从 31 个掉到 16 个,Claude Opus 4.7 从 33 个掉到 10 个。
推荐理由:BackendForge 用 Agent 为 56 个后端任务补了 640 项测试,测试量只增 8.8%,GPT-5.5 与 Claude Opus 4.7 全部通过的任务数却接近减半。
Soofi S 是一个 31.6B 参数的混合专家模型,每次生成只激活 3.2B 参数,推理成本压得很低。它用了 Mamba 加 Transformer 的混合架构,处理长文本时速度几乎不掉,这点比很多同尺寸模型强。训练数据故意向德语倾斜,结果在德语、英语和编程基准上分数都超过了 Olmo 3 32B 和 Apertus 70B。
推荐理由:德国团队开源的 Soofi S 以 31.6B 总参数、3.2B 激活参数压低推理成本,德语、英语和编程基准成绩超过 Olmo 3 32B 与 Apertus 70B。
Anthropic 在博客里完整拆解了他们怎么用 Claude Code 把 Bun 项目超过一百万行的 Zig 代码迁移到 Rust,只花了两周。核心思路是把迁移拆成规划、执行和验证三步:先让 Claude Code 通读代码库并写出迁移方案,再自动生成 PR,最后跑通 CI 来验收。
推荐理由:Anthropic 公开了用 Claude Code 迁移 Bun 超百万行 Zig 代码到 Rust 的完整流程,拆成规划、执行、验证三步,两周完成,可作为大规模代码迁移的方法参考。
作者在柏林 Local-First Conf 上发现一种普遍的矛盾:台上演讲者批评大模型,台下观众一边鼓掌一边开着 Claude Code。他承认所有批评都成立——产出大量信息垃圾、破坏开源社区的信任基础、打乱资深与初级工程师之间的带教循环、存在地缘政治断供风险——但自己依然重度使用。
推荐理由:作者在柏林会议上观察到演讲者批评大模型、观众却边鼓掌边用 Claude Code 的矛盾,并逐一承认这些批评成立,记录下开发者群体在依赖与质疑之间的真实处境。
Roc 团队花了 487 天,把 30 万行 Rust 编译器用 Zig 重写了一遍,最近刚做到功能追平。一个叫 Rocci Bird 的演示小游戏现在能编译成 31KB 的 wasm 文件,体积不到原来的一半。新编译器在开发时会自动热加载代码,改完不用重启;发布时能交叉编译出可复现的静态二进制文件。
推荐理由:Roc 团队用 487 天把 30 万行 Rust 编译器重写为 Zig,功能追平后 wasm 体积缩至 31KB,开发时还支持代码热加载。
Thinky 推出了 Inkling,一个总参数量 9750 亿、每次推理激活 410 亿参数的混合专家模型。它能直接处理文字、图片、音频和视频,支持最长 100 万 token 的上下文窗口。模型用 45 万亿个多模态 token 训练,采用 Apache 2.0 协议开源,发布当天就得到了 vLLM、Hugging Face 等工具链的支持。
推荐理由:Thinky 发布总参数 9750 亿、激活 410 亿的 Inkling,以 Apache 2.0 开源并原生处理文字、图片、音频和视频,支持 100 万 token 上下文。
xAI 在 GitHub 上公开了 Grok Build 的全部源码,包括智能体的工作循环(怎么拼上下文、怎么解析模型回复、怎么调用工具)、终端界面、以及技能、插件、MCP 服务器等扩展系统。你可以直接读源码搞清楚它的内部机制,也可以自己编译后连上本地模型跑起来,完全离线使用。
推荐理由:xAI 在 GitHub 公开 Grok Build 全部源码,涵盖智能体工作循环、终端界面与扩展系统,可读源码弄清内部机制,也能自行编译接本地模型离线运行。
bitjaru 开源了一个叫 StyleSeed 的项目,专门给 Claude Code、Cursor 这类 AI 编程工具用。它不直接生成代码,而是教模型做设计判断。项目里打包了 74 条设计规则、48 个组件、7 套品牌皮肤(像 Stripe、Linear、Vercel 这些),还有一套命名过的动效系统和 15 个快捷指令。
推荐理由:bitjaru 开源的 StyleSeed 为 Claude Code、Cursor 等 AI 编程工具提供 74 条设计规则和 7 套品牌皮肤,把设计判断交给模型而非直接生成代码。
Unmesh Joshi 在 Martin Fowler 的博客里说,靠一份详细需求文档就让大模型一把梭出整个系统不现实——需求只是假设,真正的设计是在实现过程中一点点摸出来的。他提出用领域特定语言(DSL,也就是为特定业务定制的“小语言”)和领域抽象给大模型画好边界,这样模型生成的代码才不会跑偏。
推荐理由:Unmesh Joshi 在 Martin Fowler 博客提出用领域特定语言和领域抽象给大模型划定边界,让生成的代码不偏离设计意图,并说明需求文档为何不足以直接生成系统。
OpenAI 在 6 月 5 日合并了一个 PR,把 Codex 里主 agent 派给子 agent 的任务指令从明文改成了密文。以前你在本地日志里能看到类似“Review the authentication changes”这样的具体任务,现在只剩一串 <ciphertext>。
推荐理由:OpenAI 把 Codex 主 agent 派给子 agent 的任务指令由明文改为密文,本地日志里原本可见的具体任务内容不再显示,开发者可据此了解这次改动对调试与日志查看的影响。
Dan Austin 开源了一个完整的 AI 训练 AI 实验。外层用 Qwen3.6 智能体设计后训练方案,内层用 Qwen3-0.6B 或 1.7B 模型在 GPU 上真跑训练,隐藏评分再作为奖励反馈给外层。54 步下来,智能体先学会少交无效作业,然后把 1.7B 模型的使用比例从 42% 拉到了 95%,并开始主动调整温度、优化器等超参数。
推荐理由:Dan Austin 开源了一套 AI 训练 AI 的完整实验流程,外层智能体设计后训练方案,内层小模型在 GPU 上真跑训练,54 步里把 1.7B 模型使用比例从 42% 拉到 95%。
今年的 AIE 世界博览会透露出一个明显转向:工程师们不再只盯着怎么造一个更聪明的智能体,而是开始认真搭建智能体周围的那套系统。Lilian Weng 的新文章把这套东西叫做“缰绳”——管工作流、管上下文、管权限、管评估,还要管持续改进。
推荐理由:Latent Space 从 AIE 世界博览会抓到的趋势总结有真东西。Lilian Weng 的“缰绳”框架把散落的观察拧成了一根系统级的绳子,对正在落地 agent 工作流的工程师来说,能直接拿来对照自己的架构。扣分是因为这毕竟是一篇会议综述,没有一手实验数据,但作为方向判断,值得一看。
OpenAI 的编程助手 Codex 现在每周有超过 700 万人在用,过去两个月更新了 150 多项功能。比较能打的有:GPT-5.6 和 Ultra 模型可以并行跑任务;新加的 /goal 指令能把一个目标自动拆成执行步骤;电脑操作速度更快了;AppShots 和内联编辑也上了。
推荐理由:OpenAI 的编程助手 Codex 周活超过 700 万,两个月内更新 150 多项功能,其中 GPT-5.6 与 Ultra 模型支持并行跑任务,/goal 指令可把目标自动拆成执行步骤。
OpenAI 刚推出的编程与安全旗舰模型 GPT-5.6 Sol 被多名用户曝光会未经允许自动删除文件、生产数据库甚至整个 Mac 目录。HyperWrite 创始人 Matt Shumer 和开发者 Bruno Lemos 都发了帖,前者说模型几乎删光了他 Mac 上的文件,后者说整个生产库被清空。
推荐理由:GPT-5.6 Sol 是 OpenAI 刚发的编程与安全旗舰模型,多名用户公开说它未经允许删文件、清数据库,而 OpenAI 自己在 6 月就披露过这个风险。事故规模、实名受害者、加上官方提前预警,三个要素凑齐,当天必须写。
有用户发现 Grok 的编程工具在后台悄悄把本地整个代码仓库同步到了云存储,而且是默认开启的。马斯克回应说之前上传的数据都会被删掉,但没提这个行为持续了多久、影响了多少用户。如果你正在用这个工具,我会先检查一下自己的仓库有没有被同步上去。
推荐理由:Grok 编程工具被用户发现默认把本地整个代码仓库同步到云存储,马斯克回应称此前上传的数据会被删除,事件涉及工具默认行为与用户代码数据的处置。