Google DeepMind 推出 Gemini for Science 科学工具集
Google DeepMind 发布 Gemini for Science，包含 Google Labs 上三个实验性工具：基于 Co-Scientist 的 Hypothesis Generation。
推荐理由：Google 把 Co-Scientist、AlphaEvolve 等研究原型打包成可申请的科学工具，读者可据此判断智能体科研的落地形态。
Agent 智能体
全部主题让模型自主规划、调用工具、完成多步任务的技术方向——从 Claude Code、Manus 到各家 Agent 框架与评测基准的全部动态。
最新精选
第 921–940 条 · 共 1,465 条5月17日星期日
微软AI CEO放话：18个月内AI能接手所有白领工作
微软AI负责人Mustafa Suleyman在《财富》采访里给了一个很激进的时间表——18个月内AI会达到人类水平，把会计、法律、营销、项目管理这些坐在电脑前干的活全自动化。他的原话是“所有白领工作都会被完全取代”。Suleyman还说自己的目标是搞出“超级智能”，以后建一个新AI模型会像录播客或写博客一样简单。不过正文没给出支撑这个18个月判断的具...
推荐理由：我会先打个折：这是 CEO 的预测，不是实测结果或论文数据。Mustafa Suleyman 说 18 个月内 AI 能到人类水平，把会计、法律、营销、项目管理这些专业任务全自动化，但正文没给出支撑这个时间线的基准测试或产品落地证据。对从业者来说，这个判断更像风向标，提醒你关注微软在 agent 和工作流自动化上的动作，而不是一个可以拿来排工期的承诺。
有人实测 DeepSeek V4 的百万上下文窗口，发现写代码的最佳区间是 15 万到 25 万 token
一位 Reddit 用户拿 DeepSeek V4 去啃 4.5 万、18 万和 52 万 token 的代码库，结论是 15 万到 25 万 token 时写代码最顺手。超过 30 万 token 后，模型对具体行号的定位开始不准；到 52 万 token 时，输出明显偏向架构总结，具体实现细节会跳过。帖子正文没披露测试用的具体任务和评估指标，所以这...
推荐理由：单篇 Reddit 帖子权威性有限，但 HKR 三项都站得住：有数字、有对比、有明确的失效模式。归入 featured 而不是更高，是因为复现细节和模型版本信息偏薄，先别太激动。
AI Agent 的隐性账单：多花 1000 倍 token，效果未必更好
这篇文章本身因为微信环境验证没抓到正文，所以具体实验细节没法展开。但从标题和已有摘要能看出，研究团队用 OpenHands 跑了 8 个前沿模型在 500 个 swe-bench 编程任务上的表现，发现 Agent 模式下输入输出 token 比能到 154:1，而且人类标注的任务难度和实际 token 消耗之间关联很弱，Kendall tau 只有 ...
推荐理由：我会先打个折：这不是新模型发布，而是一篇基于轨迹数据的分析，所以放在 78–84 这个推荐区间是合适的。它的钩子很直接——token 花了一千倍，效果未必更好，这对正在给 coding agent 算账的团队来说，比单纯刷榜的新闻更有实际参考价值。文章给出了 OpenHands 在 500 个 swe-bench-verified 任务上的具体数字，154:1 的输入输出比和 0.32 的 Kendall tau，说明模型在排行榜上的名次和实际干活的表现相关性很弱。这点先别太激动，正文没披露不同模型各自的成本曲线，但至少把 agent 的隐性账单摆...
世界模型的两条路线和一场百亿赌局
这篇文章是机器之心编译自 MoE Capital 的一篇博客，梳理了“世界模型”这个概念的两条发展脉络。一条是 AI 学术圈常说的，让模型在脑子里推演环境变化、做规划；另一条来自游戏和影视工业，追求用模型直接生成逼真的 3D 世界。文章提到，过去一年半里，有超过 100 亿美元的资金涌入了这个方向。里面举了一个具体例子：DreamDojo 这个项目用 ...
推荐理由：这篇是编译的科普+评论，不是一手发布，但把世界模型两条路线讲得清楚，还给了百亿美元和44711小时视频这些具体数字。我会先打个折，因为信息密度集中在解释概念，新事实不多。不过对想快速理解世界模型热度和技术现状的人来说，读这一篇比翻论文省时间。
龙虾之父自曝月烧130万美元token，账单OpenAI全包
Peter Steinberger 晒出后台数据，30天里跑了760万次请求，烧掉6030亿个token，账单超过130万美元。他提到关掉“快速模式”后费用直接砍了七成，而且这笔钱目前由 OpenAI 承担，他自己不用掏。
推荐理由：我会先打个折：这是个人晒账单，不是 OpenAI 官方调价，但 130 万美元这个数本身就够从业者心里咯噔一下。文章给了很实的用量——6030 亿 token、760 万次请求，还点出关掉快速模式能砍掉七成费用，对正在跑 agent 的团队有直接参考价值。不过正文没披露他具体跑了什么任务、模型怎么选的，也没说 OpenAI 为什么免单，这点先别太激动。整体更像一条带数据的成本警示，不是产品发布，所以放在 featured 刚好。
MagicPath 直接嵌进 Codex 当画布用，拖拽 UI 就能实时出代码
MagicPath 的 CEO 演示了把自家工具直接跑在 Codex 里，不再需要 Figma 和 IDE 两头切。用户在 Codex 里贴一条命令就能装好，然后像拖积木一样摆界面，Codex 会实时感知项目结构并自动生成、修改代码。演示里没提复杂交互和状态管理能覆盖到什么程度，但至少常规 UI 搭建看起来省掉了一轮导出导入的折腾。
推荐理由：MagicPath 把可拖拽的设计画布塞进了 Codex，一条命令配好就能用，拖完 UI 直接出代码。演示看着挺顺，但正文只给了一条视频，没提支持哪些框架、权限怎么控、复杂项目里能不能复现。我会先打个折：想法好，落地证据还薄，先当 featured 里偏轻的一条。
工具调用代理的认知与行动脱节机制研究
这篇可解释性论文专门研究了让模型调用工具的代理，发现一个挺要命的问题：模型经常心里知道该调工具了，但手上就是没动作。这种“知道却做不到”的比例在 26% 到 54% 之间，而且毛病全出在从认知到行动的过渡阶段，不是模型没看懂。内部探测显示，模型在后期层处理最后一个 token 时，会把信号转歪，转出来的方向几乎和要执行的动作正交，导致行动失败。研究想通...
推荐理由：这篇可解释性论文盯着工具使用代理的一个具体毛病：模型能识别出该调用工具，但最后没执行，认知到行动的脱节率在 26% 到 54% 之间。我会先打个折——正文没披露具体模型、任务设置和论文全名，所以数字的适用范围还不清楚。但这点先别太激动，它确实点出了一个很常见的 agent 翻车场景：不是模型不懂，是懂了但没做。对做 agent 可靠性的同学来说，这个视角比单纯说“模型不会用工具”更有诊断价值。
AntLingAGI 开源万亿级推理模型 Ring-2.6-1T，专为智能体工作流设计，5 月底前在 OpenRouter 打二五折
AntLingAGI 把 Ring-2.6-1T 开源了，同时上线了 OpenRouter 平台。这个模型参数量达到万亿级别，不是单纯回答问题，而是冲着让模型进业务流程干活去的：规划步骤、调用工具、维持长上下文、跑完复杂任务。训练用了 Async RL 和 IcePop 两种方法，正文没展开解释具体怎么做的。5 月底前在 OpenRouter 调用有 ...
推荐理由：我会先打个折——正文没给基准测试、许可证和上下文窗口，所以分数不动。但 HKR 三项都站得住：标题有钩子，信息有增量，对智能体开发者有实际参考价值。75% 折扣和 OpenRouter 上线是实打实的动作，Async RL 和 IcePop 训练方法也给了技术线索，只是缺验证数据，这点先别太激动。
5月16日星期六
OpenAI 联合创始人 Greg Brockman 正式接管产品策略，计划把 ChatGPT 和编程工具 Codex 合并成一个产品
Greg Brockman 不再只是临时管产品，现在正式接手 OpenAI 的产品方向。Wired 拿到的一份内部备忘录显示，他打算把 ChatGPT 和 Codex 打通，做成一个统一的体验，不再让聊天和写代码割裂。Brockman 在备忘录里说，这是为了集中精力押注“智能体未来”，同时在消费者和企业市场两边赢。OpenAI 对 TechCrunch...
推荐理由：我会先打个折：正文没给出合并后的具体功能边界、上线时间或灰度计划，所以这更像一个方向信号而不是产品发布。Brockman 回归产品线本身是强信号，但 Wired 的合并说法目前只有一句话，细节全缺，这点先别太激动。如果合并成真，等于把对话和写代码两条主线拧成一股，对开发者工作流冲击不小；但没看到落地前，只能当人事+路线图变动来理解。
Anthropic 内部手册：AI 反而会让创业失败率变高
Anthropic 发了份内部手册叫《Founder's Playbook》，结论挺反直觉：像 Claude Code 这类 AI 工具，不是让创业更容易成功，而是会把失败率推高。手册把创业拆成想法、原型、发布、扩张四个阶段，逐个拆解 AI 放大风险的方式。最核心的问题是，AI 能几分钟跑出一个能用的原型，创始人很容易把“能跑通”当成“市场需要”，再用...
推荐理由：Anthropic 这份创始人手册没在吹自家工具多好用，而是警告 Claude Code 这类 AI 会让创业者在四个阶段更容易踩坑。我会先打个折：正文没给出具体数据或可复现的测试，更像经验总结。但“降低建造成本却放大判断错误”这个角度确实少见，对正在用 AI 加速开发的团队是个清醒提醒。
三个研究员用 Anthropic 的 Mythos 工具，六天写出一个 macOS 内核漏洞，绕过了苹果 M5 芯片的内存完整性保护
苹果在 M5 和 A19 芯片上花五年做的 MIE 内存完整性保护，被三个研究员用 Anthropic 的 Mythos 工具攻破了。他们 4 月 25 日发现漏洞，5 月 1 日就写完利用程序，全程只用了六天。攻击手法是纯数据攻击，不碰指针，靠普通用户权限的标准系统调用就能拿到 root 权限。团队已经当面把报告交给了苹果。完整技术细节要等苹果发补丁...
推荐理由：我会先打个折：正文只提了三位研究人员和 Mythos 工具，没披露漏洞是否已报给苹果、Mythos 具体怎么辅助的、以及 Anthropic 的回应，所以信息有缺口。但 6 天从发现到完成内核漏洞利用、绕过 M5/A19 的 MIE 并拿到 root，这个速度和效果本身就很说明问题——AI 辅助攻击开发的门槛在降。对从业者来说，这比单纯说“AI 不安全”更有冲击力，因为直接落在具体芯片和系统上。H/K/R 全过，但单篇来源和缺少后续处理信息，让我没给到 85 分以上。
Codex 现在能遥控多台电脑，ChatGPT 里切项目就能换设备
Codex 通过 ChatGPT 不仅能连一台电脑，还能直接控制另一台，多设备管理不用来回切换客户端，在 ChatGPT 里换个项目就能拿到对应设备的上下文和文件。推文里还提到支持远程 SSH 去设置其他虚拟机，多机协作的灵活度上了一个台阶。不过正文没披露延迟表现和权限隔离细节，实际用起来稳不稳还得看后续反馈。
推荐理由：这条更新让 Codex 从“陪你聊代码”往“替你上手操作”迈了一步，多设备远程控制和项目级上下文切换是实打实的机制，不是概念包装。我会先打个折：目前只有一条 X 上的简短预告，没有官方发布页、定价、权限模型，也没有可复现的演示，信息密度偏薄。所以重要性给到 76、放在 featured 里是合适的——有料，但别急着当成熟产品看。
Qwen3.6-35B-A3B 和 9B 登上 Terminal-Bench 2.0 公开榜，小模型在硬核智能体测试里能跑分了
Qwen3.6 的两个新尺寸上了 Terminal-Bench 2.0 的公开排行榜。搭配 little-coder 这套脚手架（给模型加了一套在终端里干活的外壳），35B-A3B 版本跑出 24.6%（±3.2），压过了 Gemini 2.5 Pro 在 Gemini CLI 上的 19.6% 和 Qwen3-Coder-480B 在 Terminu...
推荐理由：Qwen3.6-35B-A3B 在 Terminal-Bench 2.0 上拿了 24.6%±3.2，比 Gemini 2.5 Pro 在 Gemini CLI 下的 19.6% 和自家 480B 大模型的 23.9% 都高。35B-A3B 这种规模能打，说明小模型做终端 agent 有戏，部署成本会友好很多。不过这是 Reddit 帖子，只贴了排行榜数字，测试怎么跑的、能不能复现，正文都没说。分数本身有参考价值，但别急着当定论，先打个折看。
OpenAI 在 IPO 前夜大洗牌：Brockman 接管所有产品，三大业务线合并，全力押注一个能自己干活儿的桌面超级应用
OpenAI 把 ChatGPT、Codex 和 API 三个原本各自为战的团队合并成一个产品组织，由总裁 Greg Brockman 正式接管产品战略。ChatGPT 原负责人 Nick Turley 被调去管企业业务，消费者端换上了前 Instagram 副总裁。这次重组的目标是集中力量搞一个代号“Super App”的桌面应用，把聊天、写代码和还...
推荐理由：HKR 三项都成立：这是 OpenAI 顶层产品重组，覆盖 ChatGPT、Codex 和 API。正文只有一条摘要，信息量不算深，但属于当天必须写的新闻。Anthropic 估值 9000 亿美元这个数字正文没给出处，我会先打个折，不把它当核心事实用。
Codex 接上 HeyGen 插件，用自然语言就能生成和剪辑数字人视频
OpenAI 的 Codex 现在能直接调用 HeyGen 插件，你给它一段文字指令，它就能生成带数字人、字幕的视频，还能做剪辑。文章里测了一个大概一分钟的数字人视频，试了把 10 秒后的内容剪掉，以及删掉第 8 秒的一次眨眼动作。正文没披露生成延迟和具体成本，也没说剪辑精度到底有多高，所以“不用开剪辑软件”这个说法先打个折看。
推荐理由：我会先打个折：这只是 Codex 接了一个 HeyGen 插件，不是模型或平台级发布，所以分数卡在 74 这个 featured 区间。文章好处是给了三个带时间点的实测，不是纯吹牛，能看出它能干什么、干得怎么样。正文没披露生成延迟和失败率，这点先别太激动。整体对做 agent 和工具链的人有参考价值，但范围就一个插件工作流，别当成视频剪辑要被颠覆了。
Google DeepMind 发布 Gemini 3.5 Flash
Google DeepMind 发布 Gemini 3.5 模型家族，首款 Gemini 3.5 Flash 当日上线 Gemini 应用、Google Search AI Mode、Google Antigravity、Gemini API 及 Gemini Enterprise。
推荐理由：官方给出 3.5 Flash 在编码与智能体基准上的成绩和开放入口，可据此判断它在长任务工作流中的定位。
OpenClaw 团队跑着 100 个 AI 实例干活，完全不看 token 账单
OpenClaw 项目组把 AI 用量拉满，常驻约 100 个 Codex 实例，把代码审查、安全扫描、issue 去重归类、测试环境复现并录屏验证、从会议里自动建任务、垃圾评论过滤和性能回退监控全交给它们跑。他们用 clawpatch.ai 把项目拆成功能单元做审查，还接了 Vercel DeepSec 做安全分析。正文没披露具体花了多少钱，但明确说...
推荐理由：我会先打个折：这只是一条X上的分享，没有披露成本、效果指标或可复现的搭建方式，所以别当成熟方案看。但它的钩子很准——用约100个Codex实例同时干代码审查、安全分析、议题去重、测试复现、任务创建、垃圾过滤和性能回归监控这七件事，还明说“无视令牌成本”，对正在琢磨AI agent怎么落地的从业者来说，是个有参考价值的实操片段。H、K、R都成立，放在featured里偏低的位置刚好。
Runway 推出 Agent，一次对话就能把产品图变成完整广告片
Runway 新上线的 Agent 功能，让你在同一个对话窗口里，上传产品照片、给点想法，它直接吐出一条制作完成的广告。官方帖子没提背后用的是哪款模型、怎么收费、能生成多长的视频，也没说目前开放了哪些地区。我会先打个折：如果它真能省掉剪辑和合成的环节，对做短视频广告的团队来说挺省钱，但实际效果和可控性还得看上手之后的表现。
推荐理由：Runway 这个广告生成 Agent 在 HKR 三项上都踩中了，但属于中等体量的产品更新。我会先打个折：正文没写用了什么模型、怎么收费、生成一支广告要多久、哪些地区能用，信息缺口不小。所以它够得上 featured，但还不到必须写一篇的程度。
OpenAI 又换高管了，这次是为了打赢 AI 代理这场仗
OpenAI 周五宣布 Greg Brockman 正式接管产品团队。他在内部备忘录里说，公司要把 ChatGPT 和 Codex 合并成一个统一的代理平台——你可以理解成让模型直接进业务流程干活，而不是只聊天或写代码。这已经是 OpenAI 近期又一次高管洗牌，目标很明确：在 AI 代理的竞争里抢到先手。
推荐理由：这条消息有嚼头，因为 Brockman 回归产品线不是普通的人事调整，背后是 OpenAI 想把聊天和写代码打通成一个 agent 体验。我会先打个折：正文没披露合并后的具体能力、上线时间、定价，也没说技术细节，所以重要性停在 83 是合理的。对从业者来说，这更像一个信号——OpenAI 在 agent 赛道上开始收拢产品线，但还没到能评估实际影响的程度。