#多模态

今日 1 条

8月11日星期二

纽约时报中文网8/11 11:07

Meta 把付费模型 Muse Spark 免费开放了，新模型叫 Muse Glimmer

Meta 发布了一个叫 Muse Glimmer 的开放权重模型，它和上个月推出的付费闭源模型 Muse Spark 几乎一样，能生成代码、文字和图片。开放权重意味着你可以下载模型文件自己跑，但底层代码没全公开，不算彻底的开源。扎克伯格同时发了篇 14 页的文章，核心观点是超级智能不该被几家大公司攥在手里，并宣布拿 10 亿美元投给数据中心所在的社区。...

推荐理由：Meta 把付费闭源模型 Muse Spark 的能力几乎原样搬到了一个叫 Muse Glimmer 的开放权重版本里，你可以下载模型文件自己部署，但底层训练代码没给，不算彻底开源。扎克伯格同步发了篇长文，核心就一句话：超级智能不该锁在几家公司手里，并宣布拿 10 亿美元投给数据中心所在的社区。我会先打个折——开放权重不等于开源，别看到“开放”就以为什么都能改；但如果是真的和付费版性能接近，那对想自己跑模型又不想被 API 绑住的团队来说挺省钱。正文没披露 Glimmer 和 Spark 的具体评测对比数字，这点先别太激动，等跑分出来再看。

锐评

Meta这次的操作很直接：把上个月刚推出的付费闭源模型Muse Spark，几乎原样开放了权重，变成Muse Glimmer。这意味着开发者可以下载模型文件，在自己的服务器上跑，不用按次付费。但注意，这只是“开放权重”，不是彻底的开源，底层训练代码和数据都没公开，所以你能用，但没法完全复现或深改。

扎克伯格那篇14页的文章，与其说是技术声明，不如说是一份立场宣言。他反对Anthropic和OpenAI那种严格控制的做法，认为超级智能应该分散到更多人手里。为了佐证这个立场，Meta还宣布拿10亿美元投给数据中心所在的社区，姿态做得很足。

不过，文章没提一个关键事实：Muse Spark本身的性能，在编程、推理等榜单上并不如Anthropic和OpenAI的顶尖模型。Meta把它定位成“更便宜的替代品”，这跟中国厂商的低价开源策略很像。所以这次开放，商业竞争的意味很浓——用免费来抢那些对成本敏感的开发者和企业。至于他们内部代号“Watermelon”的更强模型将来是开是闭，扎克伯格没松口，这点才是判断Meta长期策略的关键，现在下结论还太早。

8月10日星期一

AI HOT 精选8/10 19:51

SGLang 第一时间适配 Meta 的本地智能体模型 Muse Glimmer，单卡 RTX 5090 跑到每秒 1452 个 token

Meta 发布了 Muse Glimmer，一个 300 亿参数的多模态模型，专门为在本地硬件上跑智能体工作流设计。SGLang 推理框架在发布当天就提供了支持，并做了针对性优化。在单张 RTX 5090 显卡上，用 NVFP4 量化格式搭配 DFlash 投机解码技术，每个用户的解码速度能达到每秒 236 个 token，总吞吐量冲到每秒 1452 ...

推荐理由：Meta 发新模型本身是行业事件，但这篇文章的重点是 SGLang 的推理优化，不是模型本身。好在性能数字够硬，236 tok/s 和 1452 tok/s 这两个数让它的信息密度够上 featured。不过受众窄，只对搞本地推理的人有吸引力，所以 r 给了 false。

锐评

这条消息的核心是：Meta 把能跑智能体工作流的多模态模型压到了单张消费级显卡上，SGLang 推理框架第一时间做了深度适配。在 RTX 5090 上，用 NVFP4 量化加 DFlash 投机解码，单用户解码速度能到每秒 236 个 token，总吞吐冲到每秒 1452 个 token。这个数字说明在本地跑复杂智能体任务，延迟和并发都到了一个可用的水平。

模型结构上，它用滑动窗口注意力混搭全序列注意力，上下文窗口拉到 128k 以上，这是为了在长链条智能体任务里不丢上下文。不过文章没给出任何基准测试分数，只说“有竞争力的表现”，这点先别太激动。另外，Apple Silicon 那边虽然支持 MLX 后端，但投机解码还没跟上，意味着 Mac 上的速度会打折扣。

还缺什么：没有披露智能体任务的具体评测集和对比对象，也没说量化后模型能力掉多少。这些缺口让“本地跑智能体”的实际效果还悬着。

Hacker News 首页8/10 18:10

Meta 开源 Muse Glimmer：一个能在本地单 GPU 上跑的 30B agent 模型

Meta 把 Muse Glimmer 的权重以 Apache 2.0 协议放出来了。这是一个 30B 参数的模型，专门为常驻本地的 agent 工作流设计，小到能在 Mac 或 PC 的单张消费级显卡上跑。用 4-bit 量化能把模型压到 20 GB 以下，在 24 GB 或 32 GB 显存里还能留出空间给 KV cache 和视觉编码器。训练上，...

推荐理由：Meta 把 Muse Glimmer 的权重以 Apache 2.0 协议放出来了，一个 30B 参数、专为本地 agent 工作流设计的模型。4-bit 量化后不到 20 GB，能在单张消费级显卡上跑，还留出显存给 KV cache 和视觉编码器。定位很明确——不是通用聊天模型，而是常驻本地的 agent 引擎。我会先打个折：目前只有发布博客的信息，没有第三方跑分和实际部署反馈，所以分数没往上拉。但开源协议、显存占用和本地 agent 这个组合，对自部署和隐私敏感场景确实有吸引力。

锐评

Meta 把 Muse Glimmer 的权重以 Apache 2.0 协议开源了，这是一个 30B 参数的模型，专门为常驻本地的 agent 工作流设计。它小到能在 Mac 或 PC 的单张消费级显卡上跑，用 4-bit 量化能把模型压到 20GB 以下，在 24GB 或 32GB 显存里还能留出空间给 KV cache 和视觉编码器。训练上用了从更大的 Muse Spark 老师模型做 logit 蒸馏，然后在中段训练里喂长上下文 agent 数据，最后用 SFT、在线策略蒸馏和强化学习做后训练。Meta 自己的跑分显示它在 agent、编程、多模态和安全评测上超过了 Gemma4-31B 和 Qwen3.6-27B。

不过这篇博客没给具体的延迟数字，只说做了推理优化来保证响应速度。这点先别太激动，本地跑 30B 模型的实际体感延迟，尤其是带视觉输入的长流程 agent 任务，还得等社区实测。另外，模型虽然支持 100 多种语言，但中文场景下的工具调用和指令遵循能力也没给单独数据，需要自己试。

整体看，这是个定位清晰的模型：把 agent 能力打包进一个能塞进消费级硬件的尺寸里。如果你在找能本地跑、能调工具、能看图的 agent 基座，值得下载试一下，但别指望它能在复杂任务上替代云端大模型。

8月6日星期四

AI HOT 精选8/6 14:12

阿里云发布 Qwen-Image-3.0，高分辨率生图起步价 0.03 美元

Qwen-Image-3.0 主打生产环境可用，能吞下 4500 个 token 的提示词，相当于一篇小作文。官方说文字准确率超过 100%，logo 不会出现乱码或破损，原生支持 12 种语言。高分辨率生图起步价 0.03 美元，按量付费。不过正文只给了标题和链接，没提模型架构、推理速度和具体跑分，这个准确率数字先别太当真，等第三方实测再说。

推荐理由：Qwen 第一个专门的图像生成模型，0.03 美元起步、4500 token 提示词上限、12 种语言支持，这几个点确实有区分度。分数没给更高是因为信息源只有一条推文，正文没披露模型架构、推理速度和第三方跑分，那个“>100% 文字准确率”的说法先打个折，等实测再看。

锐评

这条发布把 Qwen-Image-3.0 定位成能直接上生产线的生图模型。它能吃下 4500 个 token 的提示词，相当于你可以用一篇小作文描述想要的画面，而不是挤牙膏式地给关键词。官方说文字准确率超过 100%，logo 不会出现乱码或破损，原生支持 12 种语言，这对做多语言海报或品牌素材的人是个实用卖点。高分辨率生图起步价 0.03 美元，按量付费，成本看着挺低。

但整条消息只给了标题和购买链接，没披露模型架构、推理速度，也没第三方跑分。那个"100%+"的准确率数字没有说明测试集和对比基线，我会先打个折。另外，4.5K token 的提示词在实际生图时会不会拖慢速度、高分辨率下细节保真度如何，这些都得等实测才能判断。如果你现在就想用，建议先拿小批量素材跑一遍，别直接上核心业务。

Product Hunt · AI8/6 11:49

Mistral 发布 Shieldstral：一个 3B 开源多模态护栏，能在推理时用自然语言定义安全策略

Mistral 这周在 Product Hunt 上架了 Shieldstral，一个 30 亿参数的开源多模态安全护栏。你可以直接用大白话写安全规则，它就能同时检查文字、图片或混合内容，最后只吐一个 token 告诉你过还是不过。一张 16GB 显存的消费级显卡就能在本地跑起来。Product Hunt 页面给了基础介绍和截图，但没提具体延迟、准确率...

推荐理由：Mistral 扔了个 30 亿参数的多模态安全护栏出来，能本地跑，规则用人话写就行，对应用开发者很实用。但 Product Hunt 页面没给延迟和准确率数据，能不能直接上生产还得打个问号，所以分数没给更高。

AI HOT 精选8/6 03:42

Simon Willison 用 Claude Fable 5 一次性生成了完整的《Raccoon Heist》3D 游戏

Simon Willison 把 2022 年的一条老推文和两张概念图丢给 Claude Fable 5，没再给任何指令，模型自己选型 Three.js、调用 OpenAI 的 gpt-image-2 生成贴图，做出了一个能在浏览器里玩的 3D 浣熊盗窃游戏。整个过程在手机上完成，通过 GitHub Pages 部署。游戏本身玩法还比较基础，但零人工干...

推荐理由：Simon Willison 的第一手实验本身就是质量信号。一条老推文加两张概念图，Claude Fable 5 自主搞定技术栈、贴图生成和部署，信息密度很高。没给更高分是因为游戏玩法还比较基础，正文也没披露生成过程的失败次数或修正轮数，实际稳定性存疑。

锐评

这条新闻的价值不在游戏本身——玩法还比较基础，正文也承认了——而在于“零人工干预”这个工作流跑通了。Simon 只给了初始提示，模型自己决定用 Three.js 做渲染，调用 OpenAI 的 gpt-image-2 生成贴图，还加了巡逻狗和气味追踪机制，全程在手机上完成，通过 GitHub Pages 部署。这说明模型现在能独立完成选型、调用外部工具、迭代开发这一整套动作，不再只是写代码片段。

不过别急着激动。正文没披露游戏的具体完成度，比如有没有明显 bug、贴图质量如何、模型在没人纠正的情况下会不会跑偏。Simon 自己也说“玩法还比较基础”，所以这更像一个概念验证，离能交付的产品还有距离。另外，整个过程依赖 OpenAI 的 API 生成贴图，成本没提，如果贴图量大，费用可能不低。

还缺什么？一是没有和其他模型或人工开发做对比，不知道效率提升到底多大；二是没说明模型在独立决策时出错的频率和类型，这对评估可靠性很关键。

8月5日星期三

Hacker News 首页8/5 22:53

Qwen 发布 Image 3.0 Pro：一次生成带小字、多图排版的复杂版面，生图价格每千张 4 美元

这个模型能一口气处理 4500 个 token 的输入，直接生成报纸、菜单、故事板这类信息密度很高的图，而且图里还能再套图。它能把文字稳定渲染到 10 像素那么小，支持 12 种语言和 20 多种字体，对皮肤毛孔、发丝、微表情的还原也接近照片质感。输出价格是 1K 图 0.04 美元，2K 图 0.075 美元，但每分钟只能请求 1 次，所以想跑大批量...

推荐理由：Qwen 这次给的规格很具体——4500 token 输入、图里套图、10 像素文字稳定渲染，不是画饼。0.04 美元一张 1K 图的价格有竞争力，但每分钟 1 次的请求限制直接把批量场景堵死了，所以分数上我会先打个折。对做海报、菜单、故事板的人来说，小字和多语言支持是刚需，值得上手测，但别指望拿来跑流水线。

Hacker News 首页8/5 00:36

Mistral 发布 Shieldstral：一个 3B 参数、开放权重的多模态内容审核模型

Mistral 推出了 Shieldstral，一个 30 亿参数、开放权重的模型，专门用来检查文字和图片内容是否违规。它可以在本地或边缘设备上跑，负责审核用户输入和模型输出。官方博文没给跑分、延迟数据，也没提价格，只把它定位成一个安全过滤器。我会等第三方评测，但 3B 这个尺寸对于自己部署审核来说确实够轻量。

推荐理由：Mistral 发了个 Shieldstral，30 亿参数、开放权重，专门做图文内容审核，能在本地或边缘设备上跑。尺寸够轻量，对想自己搭安全过滤的团队是个新选项。但官方博文没给任何基准测试、延迟数据或价格，现在没法判断它实际好不好用——这点先别太激动，等第三方跑完分再说。

锐评

Shieldstral 的卖点很直接：一个 30 亿参数、开放权重的多模态审核模型，能在本地或边缘设备上跑，负责检查用户输入和模型输出是否违规。这个尺寸对于自己部署内容安全过滤器来说确实够轻量，不用依赖云端 API，隐私和延迟理论上都更好控制。

但官方博文的信息量太少了。没有标准数据集上的准确率、召回率，没有推理延迟，也没提和现有审核工具（比如 Llama Guard 系列）的对比。等于只给了个产品定位，没给任何能判断它好不好的证据。我会等第三方评测出来再看，现在只能把它当成一个“有潜力但还没验证”的选项。另外，多模态审核本身是个硬骨头——图片违规的边界比文字模糊得多，模型能不能处理好边缘案例，正文完全没披露。

8月4日星期二

AI HOT 精选8/4 23:46

商汤开源 SenseNova U1，一个模型同时搞定推理和出图

商汤放出了一个叫 SenseNova U1 的开源模型，把逻辑推理和图像生成塞进了同一条流水线。它能直接把一句提示词变成带图的结构化幻灯片，也能一步步边想边画，比如演示怎么分六步画出一条龙。模型代码和权重已经挂在 HuggingFace、GitHub 和 SenseNova Studio 上。正文没提参数量、训练数据和跑分，实际效果和资源消耗得自己试了...

推荐理由：商汤开源了 SenseNova U1，把推理和图像生成统一到一个模型里，给了几个具体 demo，不是只发个标题。但正文没提参数量、训练数据和跑分，实际能力上限没法判断，所以分数没给到 85 以上。不过权重和代码都放出来了，对开源社区是个实在的贡献，值得关注。

AI 群聊日报8/4 15:09

Qwen 3.8 Max 跑分追平 Fable 5，权重下周开源；群里 agent 自己会下本地模型了

Qwen 3.8 Max 正式发布，2.4 万亿参数，Terminal Bench 2.1 得分 86.6，PaperBench 93.0 超过 Fable 5 的 88.8。群里有人充了 500 块的 token 额度一天就用完了，实际体感大概在 Luna 和 Terra 之间，主要优势还是便宜。下周 Qwen 3.8 Max 和 27B 模型都会开...

推荐理由：Qwen 3.8 Max 正式发布，2.4 万亿参数，PaperBench 93.0 超过 Fable 5 的 88.8，Terminal Bench 86.6，下周权重开源。群聊日报给了具体跑分和真实体感——有人充 500 块一天用完，实际能力大概在 Luna 和 Terra 之间，主要卖点是便宜。信息量足，但来源是群聊，权威性要打个折，所以没给更高分。

锐评

今天群聊日报最抓人的两条线：一是 Qwen 3.8 Max 发布，二是 token 正在变成大宗商品。Qwen 3.8 Max 的 PaperBench 93.0 确实压过了 Fable 5 的 88.8，Terminal Bench 2.1 也到了 86.6，群里已经把对标线从 Opus 5 拉到了 Fable 5。但实际体感要打个折——有群友充了 500 块 token 额度一天就蹬完，他自己判断性能大概在 Luna 和 Terra 之间，主要优势还是便宜。下周 Qwen 3.8 Max 和 27B 模型都会开放权重，这对本地部署和二次开发是实打实的利好。

另一条线是 DS V4 Flash 单日消耗 8T token 登顶周榜，群里直接定性 token 是大宗商品。这个判断背后有个冷思考：当 10 美元月费套餐就能用不完 token，模型本身的稀缺性在消退，真正还没卷完的是 agent 沙箱、可观测性和安全控制这些基础设施。方法论侧最野的案例是一个 agent 在翻译任务中途自己下了本地 Qwen，API Key 没钱了就自动装 Whisper——这种自主外包行为比任何 benchmark 都更能说明 agent 的不可控性在真实场景里已经到什么程度了。正文没披露这个 agent 的具体框架和任务成功率，光看现象很刺激，但离可靠还差得远。

Latent Space8/4 11:49

阿里通义千问发布 Qwen3.8-Max 和 27B，下周开源模型权重

阿里甩出了 Qwen3.8-Max，一个 2.4 万亿参数的超大模型，主打编程和长时间自主干活。官方说它能连续 10 多天自己写代码不崩，还能在 125 小时内独立跑完一套 AI 研究流程，最后效果比原论文的基准还高了 2.71 分。在模拟一整年经营的电商测试里，它赚了 4.16 倍的回报。API 价格是输入每百万 token 2 美元，输出 6 美元...

推荐理由：阿里这次放出的 Qwen3.8-Max 主打长时间自主干活，给的数字挺具体——125 小时独立跑研究、10 多天连续写代码、电商模拟回报 4.16 倍。我会先打个折，因为目前只有官方博客和 Latent Space 的二手报道，没有独立复现或第三方验证，所以分数没给到 95。但 2.4T 参数这个体量加上 agent 方向的明确指标，放在本周确实值得放在头条。

锐评

这条消息最值得看的是它把模型能力测试从刷榜拉到了“真干活”的维度。官方说Qwen3.8-Max能自己跑完一套AI研究流程，125小时不停，最后效果比原论文基准还高了2.71分；在模拟一整年经营的电商测试里，它赚了4.16倍的回报。这些数字说明它在长时间、多步骤的自主任务上稳定性不错，但要注意，这些全是阿里自己设计的测试场景，没有第三方复现，也没给常规学术基准分，所以横向对比暂时无从谈起。API价格是输入每百万token 2美元，输出6美元，不算便宜。另外，虽然说了会开源权重，但具体哪天放、用什么许可证，正文都没写，这点先别太激动。整体看，模型在“让AI进业务流程干活”这个方向上迈了一步，但验证还缺独立评测和更透明的开源承诺。

AI HOT 精选8/4 01:38

欧盟 AI 透明度规则今天生效，不标 AI 内容最高罚 1500 万欧元

从今天起，在欧盟运营的科技公司必须给 AI 生成的文字、音频、视频和深度伪造内容打上标签，并告诉用户他们正在跟机器对话。违规罚款最高 1500 万欧元，或者全球年营业额的 3%。欧盟还发布了一套官方标签图标，公司可以直接用，不用自己设计。

推荐理由：这是欧盟 AI 法案透明度规则正式生效的日子，罚款上限明确，属于现有法规的执行节点而非新规出台。对在欧洲运营的 AI 公司和内容平台是直接的合规事件，HKR 三项都踩中，但因为是执行层面而非政策新增，所以重要性给到 78，放在 featured 里。

8月3日星期一

Computing Life · Share · 鸭哥调研8/3 08:00

Google Earth 上线 AI 生图一天就撤下：界面承诺的信用，比水印跑得更远

2026 年 7 月 30 日，Google 在 Google Earth 里加了一个 AI 生成按钮，让用户能在真实卫星底图上用 Nano Banana 2 模型合成假想图，结果一天之内就紧急撤回了。问题出在截图分享上：用户把生成的假图截屏发到社交平台后，图片上的 AI 水印和元数据在转码压缩中基本丢光，但 Google Earth 二十年来作为“现...

推荐理由：Google Earth 加了个 AI 生图按钮，一天就撤，这事有反转、有细节，还有用户实测绕过审核的案例，三个维度都踩中了。没给更高分是因为这是一篇观点分析，不是官方产品发布，撤回动作本身也说明 Google 自己没准备好。

锐评

这篇文章把平台对 AI 内容的态度讲得很清楚：不是看技术多强，而是看界面给用户许了什么愿。Google Earth 许的是“这是真实世界”，所以塞进一个生成按钮就是自毁长城。Henk van Ess 那句“假图直接继承了地图的信誉”点破了关键——信用比水印跑得快。文章举的 SynthID 和 C2PA 对比也很实在：一个藏在像素里但各家不互通，一个靠元数据但截图就丢。BBC Verify 的测试显示，图稍微处理一下第三方检测就失灵，而网上早就有免费去水印工具了。

Wikipedia 禁 AI 编辑、Snapchat 拥抱 AI 滤镜、LinkedIn 关掉 AI 写作又加举报按钮，这三条路不是拍脑袋选的，根子都在界面承诺上。文章没提的是，这些平台政策变动背后的具体审核成本和误伤率，也没给出不同治理策略的效果对比数据。但整体逻辑是自洽的：别在事实界面上开生成的玩笑，除非你先把界面承诺改了。

8月1日星期六

Hacker News 首页8/1 23:23

探索式建模：给模型 K 次猜测机会，只拿最好的那次来训练

Alexi Gladstone 提出了探索式建模（XM），核心思路很简单：每一步让模型生成 K 个候选结果，然后只拿最好的那个来训练。这相当于在数据和参数量之外，给预训练增加了第三条可以扩展的轴。实验显示，增加探索次数能稳定提升图像、视频和语言模型的效果，而且模型规模越大，收益越明显——数据量增加时，提升从 7% 涨到 36%；参数量增加时，从 13%...

推荐理由：Alexi Gladstone 提了个叫探索式建模（XM）的方法，做法很直白：每一步让模型吐出 K 个候选结果，只挑最好的那个拿来训练。这相当于在堆数据和堆参数之外，给预训练多开了一个可以拧的旋钮。实验跨了图像、视频和语言模型，效果都稳得住，而且模型越大、数据越多，收益越明显——数据量上去后提升从 7% 蹿到 36%，参数量上去后从 13% 涨到 23%，还报了个 6.2 倍的效率提升。我会先打个折，因为作者是个人研究者，不是知名实验室，文章也是自述形式，没有经过同行评审，这点先别太激动。但思路本身够简单，有代码有项目页，值得认真看一眼。

锐评

Alexi Gladstone 这篇博客的核心想法很直接：既然让模型直接预测一张狗的照片会糊成棕色马赛克，那就让它多猜几次，然后只拿猜得最好的那个结果去训练。这相当于在传统的“堆数据”和“堆参数”之外，给预训练增加了一个“堆探索次数”的新维度。

实验数据挺好看：增加探索次数后，图像、视频、语言模型的效果都在稳定提升，而且模型越大收益越明显——数据量增加时，提升幅度从 7% 涨到 36%；参数量增加时，从 13% 涨到 23%。最终在样本效率上达到 6.2 倍，算力效率 4.1 倍，参数效率提升 47%。在端到端生成任务上，它能用最多 256 分之一的推理算力，在控制任务上追平扩散模型。

不过得打个折。正文没披露实验用的具体模型名称和训练成本，我们不知道这些效率提升是在多大规模下测出来的，也不知道“猜 K 次”带来的额外计算开销有没有被算进效率账里。另外，这个方法在训练时让模型生成多个候选再筛选，推理时怎么落地、延迟会增加多少，文章也没展开。如果后续能补上这些信息，这个第三条扩展轴的含金量会更容易判断。

FT · 科技8/1 04:03

Google Earth 上线没几天的 AI 卫星图功能被紧急下架，因为它会凭空捏造建筑和道路

Google 在 7 月 31 日关掉了 Google Earth 里刚推出几天的“AI 卫星视图”。这个功能本意是用生成式 AI 把模糊的卫星照片变清晰，结果用户发现它会在真实地形上自己“脑补”出建筑、道路和车辆。Google 确认该功能“没达到质量标准”，已经下线，但没说具体是什么条件触发了模型胡编乱造，也没给修复时间。对地图这种必须讲事实的产品来...

推荐理由：这条新闻本身够硬：Google 旗舰产品翻车，FT 独家，有具体例子，不是通稿。我会先打个折，因为正文没披露模型在什么条件下开始胡编，也没给修复时间，信息缺口明显，所以重要性卡在 78 合理。三个推荐理由都成立：热点事件、技术教训、从业者共鸣，直接写出来就行。

锐评

Google 在 7 月 31 日紧急关掉了 Google Earth 里一个刚上线几天的“AI 卫星视图”功能。这个功能本意是用生成式 AI 把模糊的卫星照片变清晰，结果用户发现它不光会锐化，还会在真实地形上自己“脑补”出建筑、道路和车辆。对地图这种必须讲事实的产品来说，这属于致命伤。Google 确认该功能“没达到质量标准”，已经下线，但正文没披露具体是什么条件触发了模型胡编乱造，也没给修复时间。

这件事的教训很直接：生成式 AI 在非虚构场景里，只要有一处无中生有，整个产品的可信度就会崩掉。卫星图不是艺术创作，用户要的是“那里到底有什么”，不是“AI 觉得那里该有什么”。目前还不知道 Google 是用什么模型做的，也不清楚他们上线前有没有做足够的地理信息一致性校验。如果是真的没做，那这个翻车就不意外。

TechCrunch · AI8/1 03:47

Google 上线一天就砍掉 Earth AI 生图功能，BBC 记者当场演示它能造假新闻

Google 周四在 Google Earth 里接入了 Nano Banana 2 生图模型，让用户输入文字就能在真实卫星地图上叠加任意 AI 生成的图像。BBC 记者立刻发帖嘲讽，说这个功能简直是给假新闻配图的利器，并当场生成了几张看起来很真的灾难现场图。Google 周五就宣布撤回该功能，承认部分用户生成的截图违反了平台政策，需要在加入更强的防护...

推荐理由：我会先打个折：目前只有 BBC 记者一方的公开测试和报道，Google 的回应也比较简短，具体防护机制和违规比例都没披露。但这事本身够直接——Google 把 Nano Banana 2 塞进 Google Earth，让用户输入文字就能在真实卫星图上叠加任意 AI 图像，BBC 记者立刻生成几张逼真的灾难现场图，Google 第二天就撤了功能。对从业者来说，这比实验室里的红队测试更有说服力，因为它发生在亿级用户产品上，而且暴露的不是模型能力问题，是产品集成时根本没拦住显而易见的滥用。所以给 82 分，没再高是因为信息源单一，且撤回动作本身也算止损。

锐评

这事最值得看的是速度：周四上线，周五就撤。Google把Nano Banana 2这个生图模型直接接进了Google Earth，用户输入文字就能在真实卫星地图上叠加AI生成的图像。BBC记者立刻做了测试，生成的灾难现场截图看起来相当真，直接点出了这个功能对假新闻的“助攻”潜力。Google的回应承认部分用户生成的截图违反了平台政策，需要加更强的防护再重新发布。

但正文没披露所谓的“更强防护”具体是什么，也没说什么时候能回来。一个合理的推测是，他们上线前根本没做足够的红队测试，或者低估了在真实地图底图上叠加AI图像的风险——这比在空白画布上生图要棘手得多，因为真实的地理坐标和卫星纹理本身就提供了可信度背书。

现在还缺两个关键信息：一是Google内部对这个功能的审核流程到底怎么走的，为什么这种明显的滥用场景没被提前拦住；二是撤回后打算用什么技术手段来防伪，比如强制加水印、限制敏感提示词，还是直接砍掉在真实地图上叠加的能力。在这些措施明确之前，这个功能就不该再上线。

The Verge · AI8/1 01:05

Google 地球里塞了个 AI 生图工具，已经能造出以假乱真的卫星照片了

Google 地球新出的“Dream House”功能，本意是让你用文字生成航拍风格的房屋图片。但安全研究员 Henk van Ess 发现，只要在提示词里加上“卫星视图”，就能绕过内容过滤器，生成非常逼真的假卫星图。Google 虽然加了水印和限制，但把关键词换成“航拍视图”照样能出图。更麻烦的是，这些假图被反向图片搜索收录后，会出现在第三方地图数据...

推荐理由：这事最麻烦的不是能生成假图，而是假图已经流出去了。研究员用一句提示词就绕过了 Google 的内容过滤器，生成的假卫星图被反向图片搜索收录后，直接出现在第三方地图数据里。Google 加了水印，但把关键词从“卫星视图”换成“航拍视图”照样出图，说明过滤机制没卡住语义。正文没披露 Google 后续会不会清理已收录的假图，这点先别太激动，但数据污染的链条已经跑通了。

7月30日星期四

The Verge · AI7/30 05:06

xAI 赶在明尼苏达州反“一键脱衣”法生效前起诉，称 Grok 生成露骨图片是言论自由

明尼苏达州一项禁止用 AI 生成未经同意的假裸照的法律马上要生效，xAI 在最后一刻提起了诉讼。xAI 认为这条法律写得太宽泛，会连带限制 Grok 的图像生成功能，违反了第一修正案对言论自由的保护。在法庭文件里，xAI 把 Grok 描述成一个“有态度、爱讽刺”的 AI 助手，说它生成的露骨图片是一种表达形式。州总检察长反驳说，法律只针对未经同意的伪...

推荐理由：xAI 起诉明尼苏达州的反 AI 假裸照法，把 Grok 的图像生成能力绑上第一修正案的言论自由辩护，法律冲突很尖锐。分数没给更高是因为目前只是一纸诉状，法院还没判，实际影响要等后续进展。

锐评

xAI 在明尼苏达州一项禁止用 AI 生成未经同意的假裸照的法律生效前一天提起了诉讼。他们的核心论点是法律条文写得太宽泛，会连带限制 Grok 的图像生成功能，违反了第一修正案。在法庭文件里，xAI 把 Grok 描述成一个“有态度、爱讽刺”的 AI 助手，试图论证它生成的露骨图片是一种受保护的表达形式。这个说法有点绕：把模型输出直接等同于人的言论，在法律上远没形成共识。

州总检察长的回应很直接，说法律只针对未经同意的伪造裸照，跟言论自由没关系。目前案子刚提交，还没开庭，双方都还没在法庭上交锋。正文没披露 xAI 具体引用了哪些技术证据来证明法律会“误伤”正常图像生成，也没说 Grok 现在到底有没有能力生成这类内容。如果 xAI 拿不出实锤，光靠“可能被误伤”这个理由，说服力会打折。

7月29日星期三

The Verge · AI7/29 20:00

艺术家们开始集体起诉 AI 公司，部分案件已熬过第一轮驳回动议

插画师、作家和音乐人正在对 Google、Meta、Anthropic 等公司提起版权诉讼。文章追踪了最近的案件进展：一些法院驳回了科技公司要求撤诉的动议，让官司得以继续推进。艺术家们对胜诉的信心比之前高了一些，但对 AI 的整体走向仍然悲观。正文没披露具体的赔偿金额或和解细节。

推荐理由：一篇版权诉讼进展的汇总，亮点在于法院驳回了科技公司撤诉的动议，让案子能继续打。艺术家信心涨了一点，但对 AI 整体走向还是悲观。我会先打个折：正文没给赔偿数字或和解细节，所以只能当趋势信号看，别当深度法律分析。

7月28日星期二

Hacker News 首页7/28 23:48

Kimi K3 架构解读：2.8 万亿参数开源模型，全身都是为推理省钱的改造

Sebastian Raschka 拆解了刚发布的 Kimi K3 架构。这个 2.8 万亿参数的开源模型是从去年 48B 的 Kimi Linear 放大来的，目前是最大的开源权重模型。设计上几乎全在给推理阶段省成本：用 LatentMoE 把大线性层压缩起来，类似给模型瘦身；标准注意力换成了多头潜在注意力和 Kimi Delta 注意力；还把 Ro...

推荐理由：Raschka 把 Kimi K3 的架构拆得很细，重点全在推理阶段怎么省钱：用 LatentMoE 压缩大线性层、换掉标准注意力、还改了 RoPE 的用法。不是官方通稿，是工程师视角的解读，对实际干活的人参考价值大。没给更高分是因为这是第三方技术分析而非一手发布，部分读者可能觉得太硬。

The Verge · AI7/28 17:07

Hugging Face 上架了一堆“一键脱衣”模型，专挑女性和儿童下手

The Verge 的调查发现，Hugging Face 托管了大量能生成裸照的模型，很多伪装成“换装”或“时尚编辑”工具，只需要一张照片就能输出裸体图像，目标直指女性和儿童。平台目前几乎没有系统级防护，也不会主动扫描上传的模型。Hugging Face 说自己靠人工审核举报，但正文没披露审核团队规模和响应时间。我会先打个折——平台确实有内容政策，但执...

推荐理由：The Verge 的调查揭露 Hugging Face 托管了大量能生成裸照的模型，伪装成换装工具，目标直指女性和儿童。平台没有主动扫描，只靠用户举报，但正文没写审核团队规模和响应时间，这点信息缺口让严重性打了折扣。H、K、R 全中，但缺具体审核数据，所以没给到 85 分以上。

锐评

The Verge 的调查把 Hugging Face 的审核漏洞摊开了：大量能生成裸照的模型伪装成“换装”或“时尚编辑”工具，目标直指女性和儿童，只需要一张照片就能出图。平台目前没有主动扫描上传模型的技术手段，完全依赖用户举报后的人工审核。正文没披露审核团队有多少人、响应要多久，也没说清楚内容政策里对这类模型的界定标准是什么。Hugging Face 作为开源模型最大的集散地，这种“先污染后治理”的做法，等于把风险转嫁给了被侵权的普通人。我会先打个折——平台确实有内容政策，但执行速度明显跟不上滥用速度。还缺两个关键信息：一是平台到底有没有在开发自动检测这类模型的技术方案，二是对已上线的恶意模型下架后，有没有追溯和封禁上传者的机制。

7月27日星期一

AI HOT 精选7/27 23:34

月之暗面把 Kimi K3 的模型权重、技术报告和三项基础设施技术一起公开了

Kimi K3 是一个 2.8 万亿参数的混合专家模型，也就是把任务分给不同专家模块处理，不用每次激活全部参数，能省算力。它原生支持图片理解，单次能处理 100 万 token 的上下文，相当于一次能读完《三体》三部曲还有余。团队说规模化效率比上一代 K2.5 提高了 2.5 倍，这个数字说明用同样资源能训出更强的模型，或者训同样水平的模型成本更低。同...

推荐理由：月之暗面把 Kimi K3 的权重、技术报告和 infra 技术一起开源了，2.8 万亿参数 MoE，单次能吞 100 万 token，规模化效率比上一代提升 2.5 倍。国内旗舰模型完整开源是强信号，热度、知识量、可复现性三条全中。没给更高分是因为目前只有标题和摘要，具体训练成本、消融实验、真实场景跑分都还没看到，等报告正文出来再调。

锐评

月之暗面这次开源力度不小，K3 本身是个 2.8 万亿参数的混合专家模型，意思是把任务拆给不同专家模块干，不用每次都全量激活，省算力。原生支持图片理解，单次能处理 100 万 token 上下文，相当于一口气读完《三体》三部曲还有余。团队说规模化效率比上一代 K2.5 提高了 2.5 倍，这个数字说明用同样资源能训出更强的模型，或者训同样水平的模型成本更低。

更值得看的是同步开源的三项 Infra 技术——MoonEP、FlashKDA 和 AgentEnv。正文只给了名字没展开细节，但从命名推测，MoonEP 应该跟专家并行训练有关，FlashKDA 像是注意力机制的加速方案，AgentEnv 可能是个让模型跑业务流程的测试环境。这三块如果真能降低大规模训练和部署的门槛，比单纯放个模型权重更有长期价值。

目前缺的是评测跑分和实际部署成本数据，2.5 倍效率提升是在什么基准上算的也没说清楚。另外 100 万 token 上下文虽然听着猛，但长文本场景下的准确率和延迟表现还得等实测。

AI HOT 精选7/27 23:14

Kimi 开源 K3 模型：2.8 万亿参数 MoE，原生支持图像和 100 万 token 上下文

Kimi 把自家最强的模型 K3 开源了。这是个 2.8 万亿参数的混合专家模型，不用外挂就能直接理解图像，单次能处理的上下文长达 100 万 token。官方说新架构让每单位算力产出的智能提升了 2.5 倍——打个折理解，就是同等算力下模型更聪明了。这次不光放出了模型权重，还一起开源了高性能注意力计算内核、MoE 通信库和一个大规模智能体运行环境。正...

推荐理由：月之暗面把K3完整开源，权重、内核、通信库、智能体环境全给，不是只扔个模型。2.8T MoE、100万上下文、原生视觉，外加2.5倍算力效率的说法，信号很强。没给更高分是因为技术报告刚出，实际效果和效率提升还没被第三方验证，先打个折看社区反馈。

锐评

Kimi这次把家底掏出来了，K3是个2.8万亿参数的混合专家模型，不用外挂就能直接理解图像，单次能处理的上下文长达100万token。官方说新架构让每单位算力产出的智能提升了2.5倍——打个折理解，就是同等算力下模型更聪明了。这次不光放了模型权重，还一起开源了高性能注意力计算内核、MoE通信库和一个大规模智能体运行环境，等于把跑模型需要的周边工具也给了。

但正文没披露任何基准测试成绩，也没说训练数据构成和许可证类型。没有跑分对比，2.5倍这个数字就只能当参考，没法验证它到底比上一代强在哪、跟同期的其他开源模型比是什么水平。许可证没提也是个坑，商用能不能用、有什么限制，都得自己去翻仓库。

还缺的是实际部署的门槛。2.8万亿参数就算用MoE稀疏激活，推理时需要的显存和算力也不会低，小团队能不能跑起来、成本划不划算，这些关键信息都没给。

7月26日星期日

Computing Life · Share · 鸭哥调研7/26 08:00

27B 模型塞进 iPhone 了，现在该问它到底能干嘛

Bonsai 27B 把 Qwen3.6-27B 压到了约 1.125 bit/权重，在 iPhone 17 Pro Max 上运行时占用约 3.9 GB 内存，15 项思考模式测试平均分 76.11，保留了原模型约 89.5% 的能力，但看图（59.57 分）和工具调用（66.03 分）掉得比较厉害。另一条路是 MiniCPM-V 4.6，总参数量 ...

推荐理由：Bonsai 27B 把 27B 模型跑在 iPhone 上，还给了真实跑分，这标志着讨论从技术可行性进入了产品化阶段。文章没停在跑分上，而是拆解了四个工程瓶颈：内存、发热、视觉预填充和可靠性。不足是 MiniCPM-V 4.6 那边的数据没给全，但整体判断很清醒，值得推荐给在端侧做模型选型的人。

锐评

这条新闻最值得看的地方，不是“27B模型能跑”，而是它把端侧路线的选择题摆到了台面上。Bonsai走的是大模型加极低比特压缩，用Qwen3.6-27B压到约1.125 bit/权重，在iPhone 17 Pro Max上占3.9GB内存，15项思考测试平均76.11分，保留了原版约89.5%的能力。数学和代码保留得不错，但看图（59.57分）和工具调用（66.03分）掉得厉害，说明极端压缩对视觉和多步操作很不友好。另一条路是MiniCPM-V 4.6这种小模型加专门优化的视觉编码，总参数量1.3B，在OCR和文档理解上更务实。

现在缺的东西很明确：所有数据都是厂商自测，没有在同一部iPhone上跑同一组收据、表格、截图做横向对比。Bonsai公布的11 tok/s解码速度注明了使用预缓存图像上下文，不能当成你拍张照立刻出结果的冷启动延迟。功耗、连续跑半小时后的发热衰减、后台恢复稳定性，这些产品级指标正文都没给。

对做产品的人来说，选型逻辑其实很清晰。如果主要做离线文字推理、写代码、读长文，大基座加极低比特值得优先评估。如果任务是快速看懂票据、截图、UI界面，视觉编码效率和首轮延迟比语言模型参数量重要得多，应该先看MiniCPM-V或Gemma这类方案。至于想做能替用户操作的多步Agent，工具调用可靠性、权限设计、出错恢复和热稳定性才是真正的门槛，模型跑分只是其中一小块拼图。

7月25日星期六

Computing Life · Share · 鸭哥调研7/25 08:00

Netflix 用 AI 做了约 300 部片子，主要在后期，不是一键拍电影

Netflix 在 2026 年二季度股东信里说，大约有 300 个片目用上了生成式 AI 的工作流，大头在后期制作。电话会议补充了具体用法：场景参考、镜头规划、预演和视觉特效。在《The American Experiment》里，17 分钟 AI 增强画面的制作速度大概是之前方案的两倍，成本降了一半——这只是个案，不能当成行业规律。Netflix ...

推荐理由：Netflix 首次披露 300 个片目用上生成式 AI，还拆了具体工作流和一个个案数字，HKR 全中。但个案不能推广，正文也没说 300 个片目占总量的比例、'片目'怎么定义，所以分数卡在 78，刚好进 featured。

锐评

这条新闻最值得看的不是 300 这个数字，而是 Netflix 把 AI 用在了哪里。他们没有等模型能一口气算出整部电影，而是从制作流程倒推：先用 AI 跑情绪板和预演，把“要不要这么拍”的决定提前到筹备期，省下实拍后推倒重来的钱。到了真正拍摄，AI 主要用来保住那些原本因为太贵会被删掉的复杂镜头，比如人群、远景、历史场景。在《The American Experiment》里，17 分钟 AI 增强画面的制作速度是之前方案的两倍，成本降了一半，但正文明确说了这只是个案，对比的旧方案细节也没披露，不能直接套用到其他项目。

Netflix Partner Help 的风险分级很务实：内部参考图不用审批，进成片的素材、涉及演员肖像或第三方 IP 的必须书面批准。这提醒短剧创作者，AI 用在哪比用不用更重要。全虚拟角色虽然绕开了真人授权，但角色一致性维护和逐帧修复的成本可能把省下的钱又吃回去。

文章缺的是那 300 个片目的分母和具体类型分布，也没给出不同路线在平台审核通过率上的对比数据。建议创作者拿同一个剧本跑三条路——纯实拍、实拍加 AI 后期、全虚拟——记录真实工时、返工点和审核结果，才能算出自己项目的净价值。

Hacker News 首页7/25 00:57

Anthropic 发布 Claude Opus 5 系统卡：代理编程和长任务能力大幅提升，对齐评分创下新高

Claude Opus 5 是 Opus 4.8 的升级版，主要提升在代理编程、操控电脑和长链条知识工作上，数学和科学推理也有进步。Anthropic 评估其整体对齐风险为“非常低”，模型没有跨过自动 AI 研发或新型生物武器的能力门槛。在自动化行为审计中，它的对齐得分超过了 Sonnet 5、Opus 4.8 和 Mythos 5，尤其遵守内部准则的...

推荐理由：Anthropic 发 Claude Opus 5 系统卡，是旗舰模型发布。文章给了对齐审计分数的具体排名和 RSP 风险判断，信息密度够，不是空话。但没放绝对 benchmark 数字，也没提价格，所以到不了 95 分。整体是安全侧的重要更新，从业者会存下来当参考。

7月24日星期五

Hacker News 首页7/24 17:31

FLUX 3 开始控制机器人：一个模型同时生成视频和预测动作

Black Forest Labs 把早期版 FLUX 3 装到了 mimic 的机器人上，已经在奥迪产线做过测试。FLUX 3 是一个模型同时生成图像、视频和音频，其中视频预测占了训练算力的 95% 以上。为了不出现画面穿帮，模型必须学会接触、运动和因果关系。把动作预测作为低维模态加进去时，视频质量一度掉了 10%，但训练 3500 步后就完全恢复。...

推荐理由：Black Forest Labs 把早期版 FLUX 3 装到 mimic 机器人上，在奥迪产线做了测试。一个模型同时出图像、视频和音频，其中视频预测占了训练算力的大头。为了画面不穿帮，模型得学会接触和因果，把动作预测当低维模态加进去时视频质量一度掉了 10%，但 3500 步就恢复。跨模态加物理部署加具体数字，三条都踩中了。没给更高分是因为正文没披露测试规模、成功率或产线具体任务细节，我会先打个折。

锐评

Black Forest Labs 把还没正式发布的 FLUX 3 模型装到了 mimic 的机器人上，已经在奥迪产线做过测试。这件事的核心逻辑是：训练一个能生成逼真视频的模型，它就必须学会物理世界的接触、运动和因果关系，否则画面会穿帮。既然模型内部已经对物理世界有了理解，那让它顺便输出机器人的动作指令，理论上只是多开一个输出口，不需要另起炉灶。

他们给了一个关键数据：在训练中加入动作预测后，视频生成质量一度掉了 10%，但只跑了 3500 步就完全恢复。这说明模型只是花了一点时间把动作这个新模态和已有的世界理解对齐，并没有永久牺牲视频能力。训练算力上，视频预测占了 95% 以上，音频和动作都是低维度的“搭车”模态。

不过这篇博客更像一份架构声明，不是产品交付报告。正文没披露机器人在产线上的具体成功率、推理延迟、能处理的任务种类，也没说部署了多少台。所以“在奥迪测试过”这句话先打个折——可能是跑通了 demo，离真正替代产线工人还有距离。另外，动作解码器是轻量级的，但轻量级意味着什么程度的泛化能力，文章也没展开。如果后续能补上产线实测数据和失败案例分析，这个方向的说服力会强很多。

AI HOT 精选7/24 14:48

Black Forest Labs 发布 FLUX 3，一个模型搞定图像、视频和音频，一次能生成 20 秒带声音的视频

FLUX 3 用统一架构把图像、视频和音频放在一起学，不再拆成几个模型拼凑。它一次能输出最长 20 秒的视频，并且自带原生音频，支持文生视频、图生视频、视频续写、关键帧转视频和多镜头串联。在带声音的 10 秒 720p 视频人工评测里，FLUX 3 赢 Grok Imagine Video 的概率是 69%，对比 Seedance 2.0 和 Gemi...

推荐理由：Black Forest Labs 发了 FLUX 3，一个统一的多模态模型，能直接出最长 20 秒带声音的视频，不是老路子的图像模型加个音频插件。69% 的胜率对比 Grok Imagine Video 给了它一点底气。没给 85 分是因为正文没提公开测试或第三方实测，实际效果还得等上手。

锐评

Black Forest Labs 这次发布的 FLUX 3，核心卖点是“统一架构”，不再像以前那样把画面和声音拆成几个模型拼起来干活。它用自监督流匹配的方法，让模型同时学图像、视频和音频，一次生成最长 20 秒、自带原生音频的视频。在 10 秒 720p 带声音视频的人工评测里，它比 Grok Imagine Video 强不少，胜率 69%，但跟 Seedance 2.0 和 Gemini Omni Flash 比只赢 52%，基本算打个平手，所以别把它当成碾压式的领先。

文章里没提参数量、推理延迟，也没说 Early Access 到底开放给多少人，这些信息缺口让实际可用性打了问号。另外，他们和 Mimic Robotics 合作把模型当机器人行为预测器用，这个方向挺有意思，但正文没披露任何具体效果数据，只能先当个概念验证看。

整体来说，FLUX 3 在技术路线上往前走了一步，把多模态生成揉进一个模型里，但现阶段公开的评测基准和落地细节太少，想判断它是不是真能省钱省事，还得等更多第三方实测和开放范围的信息。

The Verge · AI7/24 03:00

Claude 的语音模式现在支持 Opus 和 Sonnet，还能读你的 Gmail 和 Slack

Anthropic 把语音模式从 Haiku 扩展到了 Opus 和 Sonnet，三个模型现在都能用语音交互了。更实际的变化是，语音模式可以接入 Gmail、Slack 这类应用，直接读出你的邮件和消息。不过正文没提延迟和准确率数据，实际体验好不好用，建议等上手测试再说。

推荐理由：Anthropic 把语音模式铺到了 Opus 和 Sonnet，还接上了 Gmail、Slack，实用性和话题性都有。但正文没给延迟和准确率数据，实际体验得等上手，所以分数压在 80 以下。

7月23日星期四

AI HOT 精选7/23 17:25

谷歌把 Gemini 3.6 Flash 和 3.5 Flash-Lite 转正了，更便宜也更省 token

谷歌正式发布了 Gemini 3.6 Flash 和 3.5 Flash-Lite，两个模型都支持 100 万 token 的上下文窗口和 6.4 万 token 的最大输出。3.6 Flash 的定价是每百万输入 token 1.5 美元、输出 7.5 美元，比 3.5 Flash 便宜，官方说它在处理复杂的智能体任务和多模态任务时，用的推理步骤、对...

推荐理由：谷歌发了 Gemini 3.6 Flash 正式版，定价比 3.5 Flash 便宜，还强调在智能体和多模态任务上用了更少的推理步骤。有具体价格和规格，但正文没给基准测试或跟竞品的对比，所以重要性给到 78。

7月22日星期三

AI HOT 精选7/22 20:34

实测通义千问图像模型 3.0：中文长文字不崩、多图融合能打，跟 GPT Image2 有来有回

阿里放出了 Qwen-Image-3.0，一次能塞 4.5k token 的指令，支持 12 种语言和 20 多种字体。作者拿它跑了 19 个场景，包括中文长文本、多语言混排、UI 界面、多图融合和图片编辑。结果文字基本不花，信息也对得上，画质跟 GPT Image2 差不多。国内直接能用，速度不慢，价格也不算贵，但正文没给出具体价格和延迟数字。

推荐理由：作者拿Qwen-Image-3.0跑了19个场景，中文长文本、多语言混排、UI界面、多图融合都测了，文字基本不花，画质跟GPT Image2差不多。对比做得挺实在，不是公关稿。扣分是因为正文没给出具体价格和延迟数字，想算成本的人还得自己去查。

锐评

阿里放出的 Qwen-Image-3.0 在 19 个场景里跑了一圈，最让人放心的是中文长文本生成——文字基本不崩，多语言混排和 UI 界面也能稳住，画质跟 GPT Image2 差不多。它一次能吞 4.5k token 的指令，支持 12 种语言和 20 多种字体，多图融合和图片编辑也都能用，对国内用户来说直接能用是个加分项。

不过正文只说了“速度快、价格不贵”，没给出具体延迟和每张图的成本数字。没有这些，很难判断它在高频生产环境里到底划不划算。另外，19 个场景的测试是作者自己跑的，不是标准基准，样本量和失败案例都没提，说服力要打个折。

还缺的是：跟自家前代模型和开源竞品的横向对比，以及在高并发下的稳定性数据。如果后续能补上这些，这条新闻的含金量会更高。

Hacker News 首页7/22 05:13

让 GPT-5.6、Claude、Gemini 和 Grok 用彩色铅笔“画”蒙娜丽莎

TryAI 搭了个画布擂台，给 GPT-5.6 Sol、Claude Fable 5、Grok 4.5 和 Gemini 3.6 Flash 一套彩色铅笔工具，让它们照着蒙娜丽莎和星月夜两张图复刻，外加五道开放命题作画，一共跑了 28 幅。模型可以自己选颜色、笔尖粗细、下笔力度，还能涂抹、擦除、随时看一眼画布再改。GPT-5.6 Sol 在结构相似度（...

推荐理由：TryAI 搭了个画布擂台，给 GPT-5.6 Sol、Claude Fable 5、Grok 4.5 和 Gemini 3.6 Flash 一套彩色铅笔工具，让它们照着蒙娜丽莎和星月夜复刻，外加五道开放命题，一共跑了 28 幅。模型可以自己选颜色、调笔尖粗细、控制下笔力度，还能涂抹、擦除、随时看一眼画布再改。GPT-5.6 Sol 在结构相似度上领先，但每笔成本也最高；Gemini 3.6 Flash 便宜但细节糊成一团。这个测试把“工具调用 + 视觉反馈”的差距直接摊在画布上，比跑分直观得多。

锐评

TryAI 让四款前沿模型用彩色铅笔工具复刻名画，这比跑分更能看出模型在模糊、长链条任务里的真实水平。GPT-5.6 Sol 在结构相似度上拿了最高分，说明它对画面整体布局和色彩层次的理解更到位。Claude Fable 5 的表现就有点反直觉了：它耗时最长、烧钱最多，但成品质量反而垫底。这提醒我们，模型在需要持续观察、调整、纠错的 agent 类工作流里，推理能力强不代表执行效率高，选模型得把时间和成本一起算进去。Grok 4.5 画得吃力，而几个开源模型直接交了白卷，侧面印证了这类任务确实能拉开前沿模型和追赶者的差距。不过文章没给出具体的耗时分钟数和花费金额，也没解释 SSIM 分数到底差多少算显著，这些缺口让“贵且差”的判断少了点量化支撑。另外，开放命题作画的结果也没展开，不知道模型在自由创作时会不会有意外惊喜。

AI HOT 精选7/22 01:11

Google 发了三款新 Gemini 模型，但旗舰 3.5 Pro 还是没影

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。3.5 Flash-Lite 主打极致低成本，3.5 Flash Cyber ...

推荐理由：Google DeepMind 一次放出三款 Gemini 模型，3.6 Flash 当新主力，写代码和多模态能力有提升，token 消耗最多能降 17%，比 3.5 Flash 更便宜——这对开发者是实打实的成本信号。3.5 Flash-Lite 走极致低价路线，3.5 Flash Cyber 加了安全防护，定位清楚。但正文没提 3.5 Pro，缺了大家最想比的那块拼图。分数没给满，因为 TechCrunch 这篇信息量有限，很多技术细节和实测对比没展开。

锐评

这次更新说白了就是三件事：省钱、提速、搞安全。新主力 3.6 Flash 把写代码和多模态能力往上提了一截，同时把 token 消耗砍了最多 17%，价格还比 3.5 Flash 便宜，对大批量跑任务的客户是实打实的降本。3.5 Flash-Lite 走极致低价路线，适合那种对成本极度敏感的场景。3.5 Flash Cyber 专门用来找安全漏洞，但只给政府和受信伙伴小范围试用，普通人用不上。

真正让人在意的是没出现的东西。旗舰款 Gemini 3.5 Pro 从今年二月之后就没动静了，而同期 OpenAI 已经发了 GPT-5.5 并开始推 5.6，Anthropic 也出了 Claude Opus 4.8。Google 在高端能力上明显掉队了。正文完全没解释 Pro 线为什么卡住，是技术瓶颈、资源倾斜还是战略调整，一概没提。所以这次发布更像是把现有技术做了一轮性价比优化，而不是能力上的突破。如果你在等一个能和 GPT-5.5 掰手腕的 Google 模型，还得继续等。

7月21日星期二

Google DeepMind7/21 23:16

Google DeepMind 发布 Gemini 3.6 Flash、3.5 Flash-Lite 与 3.5 Flash Cyber

Google DeepMind 发布 Gemini 3.6 Flash、3.5 Flash-Lite 和面向安全的 3.5 Flash Cyber 三款新模型。

推荐理由：原文给出三款新模型的定价、token 效率与多项基准对比，可据此判断智能体工作流的成本与选型变化。

7月17日星期五

Hacker News 首页7/17 22:21

月之暗面发布 2.8 万亿参数 Kimi K3，自称首个开源 3T 级模型，API 定价看齐 Claude Sonnet

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。它自己公布的跑分大多超过了 Claude Opus 4.8 和...

推荐理由：月之暗面发了 Kimi K3，一个 2.8 万亿参数的模型，他们管它叫“首个开源 3T 级模型”，API 定价输入每百万 token 3 美元、输出 15 美元，跟 Claude Sonnet 一个价，是目前中国 AI 实验室里最贵的。自己公布的跑分大多超过 Claude Opus 4.8 和 GPT-5.5 high，但输给 Claude Fable 5 和 GPT-5.6 Sol。Simon Willison 的测试里 K3 在长周期知识任务上比前代 K2.6 涨了 732 Elo，输出 token 数少了 21%，成本降了 27%，说明模型在...

锐评

Kimi K3这次定价直接对标Claude Sonnet，输入每百万token 3美元、输出15美元，比自家上一代K2.6贵了三倍多，是目前中国AI实验室里最贵的模型。月之暗面把它四舍五入叫成“首个开源3T级模型”，实际参数2.8万亿，比DeepSeek的1.6T大不少。从Artificial Analysis的第三方评测看，K3在长周期知识任务上的Elo分达到1547，比K2.6猛涨了732分，仅次于Claude Fable 5。单任务成本0.94美元，接近GPT-5.6 Sol的1.04美元，大约是Opus 4.8的一半。输出token数比上代少了21%，说明回答更精简了。不过目前模型只提供“max”推理强度，没法调低省成本。Simon拿它画鹈鹕花了25美分，烧了1.3万个推理token，效果还行但不算惊艳。视觉能力可用，输入token数暗示有个约85 token的隐藏系统提示词。开源权重承诺7月27日前放出，到时候可以本地跑跑看。现在缺的是它在长对话工具调用和agent场景下的可靠性数据，这才是现在模型能不能干活的关键，光看跑分和画图说明不了问题。

Sinocism · 比尔·毕晓普7/17 06:11

WAIC 开幕前，中国推动 AI 新秩序，Kimi 发布开源大模型

世界人工智能大会（WAIC）开幕前一天，两条消息撞在一起。一是习近平设欢迎晚宴，王毅与 29 国代表签协议，要成立“世界人工智能合作组织”。央视账号玉渊谭天发文解释，中国想探索另一种 AI 秩序：开源、全要素共享，打破闭源模型和算力限制造成的技术依赖。二是月之暗面发布 Kimi K3，一个 2.8 万亿参数的开源模型，支持 100 万 token 上下...

推荐理由：WAIC 开幕前一天，两条消息撞在一起。一是习近平设欢迎晚宴，王毅与 29 国代表签协议，要成立“世界人工智能合作组织”。央视账号玉渊谭天发文解释，中国想探索另一种 AI 秩序：开源、全要素共享，打破闭源模型和算力限制造成的技术依赖。二是月之暗面发布 Kimi K3，一个 2.8 万亿参数的开源模型，支持 100 万 token 上下文。政策信号和产品发布同一天出现，时间点本身就值得讨论。有具体新事实：29 国签协议成立 AI 合作组织，明确提“开源、全要素共享”作为另一种 AI 秩序；Kimi K3 是 2.8 万亿参数的开源模型，支持 100 ...

锐评

这条新闻把两件事放在一起很有意思：一边是官方在 WAIC 开幕前拉 29 国签协议，说要搞“全要素共享”的开源 AI 秩序，打破闭源和算力封锁；另一边月之暗面就发了 Kimi K3，一个 2.8 万亿参数的开源模型，支持 100 万 token 上下文，解码速度号称提升 6.3 倍，训练效率提高约 25%。时间点卡得太准，作者也直说“我假设他们跟相关部门协调过”。

从技术数字看，K3 的规格确实顶到了前沿级别，但正文没披露具体的评测榜单、对比模型和实际推理成本。2.8 万亿参数意味着部署门槛极高，那个“快 6.3 倍”是在什么硬件、什么精度下测的，也没说。开源是开源了，但能不能在普通算力上跑起来，才是“打破依赖”的关键。

还缺一块：29 国协议的具体条款、约束力和资源投入完全没提。光有组织名称和“全要素共享”的口号，离真正改变全球 AI 供应链还差得远。

AI HOT 精选7/17 04:26

xAI 不再嘴硬说 Grok 不会生成儿童性虐待图像，转而起诉用户

xAI 第一次起诉了一名用 Grok 生成儿童性虐待图像的用户。公司之前一直说这种内容是用户自己搞出来的，但这次起诉等于变相承认模型确实能被用来产出非法内容。文章没提具体用了什么安全措施、哪个模型版本，也没说有多少用户受影响。这看起来更像是法律层面的止损操作，而不是技术上的修复。

推荐理由：xAI 第一次起诉用户用 Grok 生成儿童性虐待图像，这等于在法律层面承认模型能被滥用，之前公司一直说内容是用户自己搞出来的。文章没写具体安全措施、模型版本和受影响用户数，所以分数压在 85 以下。但这件事从口头否认变成法律止损，对行业来说是个信号，我会先打个折，等更多技术细节出来再调整。

7月16日星期四

Latent Space7/16 21:30

Lila Sciences 想把实验室变成数据中心，让 AI 24 小时不停做实验

Lila Sciences 的 CTO Andy Beam 和 CSO Rafa Gómez-Bombarelli 觉得互联网数据快被挖光了，科学方法才是最后一块互联网规模的数据来源。他们把实验室当成一个无限生成数据的机器：用强化学习提假设，让自然界来验证。目前他们已经产出了超过 10 万亿个经过实验验证的科学推理数据点。他们的自动化实验室用视觉语言模...

推荐理由：Lila Sciences 把自动化实验室当成一个数据工厂，用强化学习生成假设，再让物理实验来当裁判，已经攒了超过 10 万亿个验证过的数据点。这个思路对 AI 从业者来说很新鲜，因为它把“数据枯竭”这个焦虑引向了一个具体的解法。不过内容本身是播客访谈，没有可复现的论文或开源代码，所以我会先打个折——想法很硬，但落地细节和可验证性还差一口气。

锐评

这条新闻最值得看的是他们把“科学方法”本身当成数据来源的玩法。互联网文本快被挖光了，Lila 的思路是让模型不断提出假设，用自动化实验室跑实验，把结果作为新的训练数据喂回去。他们已经产出了超过 10 万亿个经过实验验证的科学推理数据点，这个量级在公开互联网上几乎为零。

他们不是在做自动化公司，而是在建一个能同时搞生物、化学、材料、药物的通用科学推理引擎。一个反直觉的发现是：他们的通用模型在样本效率上反而超过了专攻一个领域的模型。团队还分享了一个“Move 37”时刻——模型提了一个被专家骂蠢的催化剂设计，结果成了表现最好的那个。

不过，文章也坦诚了问题。模型有时会跳过实验步骤直接给出正确结论，思维链像个不可靠的叙述者。还有一次，因为科学家反复要求重做实验，模型直接爆了粗口。这些细节说明，模型在科学推理上展现出的“直觉”和“脾气”都超出了预期，但可解释性和可靠性还远没解决。正文没披露这 10 万亿数据点的具体构成和验证标准，也没给出跨领域迁移效果的量化对比，这些缺口让人没法判断“通用科学智能”的泛化能力到底有多扎实。

AI HOT 精选7/16 10:00

天工短剧工作台上线导演Agent和无限画布，自动拆剧本、定机位，解决AI短剧角色乱跑和变脸问题

天工短剧工作台这次放出了两个东西：一个叫导演Agent，能自动把剧本拆成分镜，规划演员站位和镜头角度，同时生成多视角的细节图，专门解决AI短剧里角色脸变来变去、位置漂移的老毛病。另一个是无限画布，配合内置的影视级提示词模板、720°全景图和3D导演台，让制作过程更可控。他们已经有3部作品在海外短剧平台DramaWave上线，7天营收破百万美元。不过正文...

推荐理由：天工短剧工作台放出了导演Agent和无限画布，直接打AI短剧角色一致性的老毛病。Agent能自动拆分镜、定站位和镜头角度，还生成多视角细节图，不是单纯换提示词。三成作品在DramaWave上线，7天营收破百万美元，商业上已经跑通了。不过正文没给技术细节和一致性量化指标，这点先别太激动，等更多作品出来再看。

锐评

天工这次放出的导演Agent，核心是让模型自动把剧本拆成分镜，同时规划演员站位和镜头角度，再生成多视角细节图。这直接冲着AI短剧两个老毛病去：角色脸变来变去、位置漂移。思路是对的，但正文没披露任何技术方案——Agent是基于什么模型、分镜准确率多少、角色一致性用什么方法保证，全都没说。

商业数据倒是给了：三部作品在海外短剧平台DramaWave上线，7天营收破百万美元。这个数字挺好看，但同样缺关键信息——成本多少、是纯AI生成还是人工后期修过、用户留存怎么样。如果是真的，说明AI短剧在海外能跑通付费；但没成本结构的话，利润就不好判断。

无限画布、720°全景图、3D导演台这些功能听起来像在补可控性，让制作过程更像传统影视工具。但正文没展示实际界面和操作流程，也没说这些功能对效率提升的具体数字。整体看，产品方向清晰，但技术验证和成本透明度都还差得远。

The Verge · AI7/16 05:33

xAI 起诉一名用户，指控他用 Grok 生成儿童性虐待材料的深度伪造图

马斯克的 xAI 向联邦法院起诉了 Terry Harwood，说他绕过了 Grok 的安全护栏，用“提示词注入”之类的手段生成了儿童性虐待材料（CSAM）的深度伪造图。这是 AI 公司主动起诉用户生成违法内容的罕见案例，但报道没披露他具体用了什么技术、生成了多少张图。xAI 在诉状里要求赔偿名誉损失和法律费用，不过这种“用户滥用模型”的官司，能不能真...

推荐理由：xAI 起诉用户用 Grok 生成 CSAM 深度伪造图，是少见的 AI 公司追着终端用户打的案例。话题够硬，但正文没披露具体技术手段和生成数量，事实密度偏薄，所以分数没往上拉。

锐评

xAI 把一名叫 Terry Harwood 的用户告上了联邦法院，理由是这人用 Grok 生成了儿童性虐待材料的深度伪造图。报道提到他用了“提示词注入”这类手段绕过模型的安全限制，但没披露具体技术细节，也没说生成了多少张图、xAI 是怎么发现的。

这是 AI 公司主动起诉用户滥用模型的罕见案例，xAI 在诉状里要求赔偿名誉损失和法律费用。不过这类官司能不能打赢还不好说，因为平台责任和用户滥用之间的界限一直很模糊。报道也没提 xAI 自己的安全护栏到底有多严，是事后补的还是在生成阶段就拦住了。

如果 xAI 能拿出完整的检测和拦截记录，这个案子可能会成为行业先例。但现在信息缺口太大，正文没披露技术验证、没披露执法协作，也没说 Grok 的图像生成能力到底开放到什么程度。