成吉思鸡（@xiaoben）的 AI 短帖

Hermes Agent 成了 NVIDIA RTX Spark 的首发搭档，Windows 里开箱就能选。

要点照录。Hermes Agent is a launch partner for @nvidia's RTX Spark across the new generation of laptops。

在内置的 @Windows agent 设置流程里把它选上，跑一遍新的生成式引导，本地或云端都能直接开干。Linus is impressed，连 Linus 都点了个赞。这条没给具体细节，实际体验和 RTX Spark 的硬件规格得看原推里的后续。

"在内置的 Windows agent 设置流程里把它选上"这半句是场重心。前面那份基准尺讲的是量要真，这条讲的是入口真。跟前面那场酒吧访谈呼应，那条在小桌上谈模型即产品，这条在系统里看产品怎么被摆到出厂设置那一层。两头都在提醒同一件事，agent 这东西过去得自己装自己配，现在被平台收进内置流程，用起来的门槛又低了一截。

"我不这么认为"这半句我单独拎出来。前面那份专用模型路线讲的是把自己那摊事做好，这条讲的是把"Linus 都点赞"这份背书的分量想清楚。首发搭档、内置流程、生成式引导，这三样摆着说明合作是真的；可"能选上"不等于"选了就会用"，本地还是云端的取舍也得自己拿主意。背书这东西，名人点个赞是一回事，你自己用着顺手是另一回事。

我留的疑问有三处。RTX Spark 的具体硬件规格没在这条列出；生成式引导的流程没说；Linus 的原视频也没在正文出现，这些都在评论区里才看得到。

这周等 RTX Spark 铺货，去体验一遍内置的 agent 设置流程。

DeepSeek-V4.1-Flash-1017 做动效的水平仅次于 Claude，GPT-6 没做出这效果。

要点照录。实测下来，DeepSeek-V4.1-Flash-1017 干动效这活儿相当猛，排在 Claude 后头，也就差这一档。GPT-6 拿来做同样的活儿，这轮没试出这种效果来。

能打出这效果，靠的是一个新做的动效 skill，据说过两周见。引帖那半同样留着，DeepSeek-V4.1-Flash-1017：更强 benchmark 表现、更快任务完成、更短输出，性能和成本上的 Pareto 改进，官网、app、API 已上线；优化给了 DeepSeek Harness、Tencent CodeBuddy、WorkBuddy 等，升级 DeepSeek Harness v0.2.1-rc.1 或以后能拿到最好的体验。

"性能和成本上的 Pareto 改进"这半句是场重心。前面那份基准尺讲的是量要真，这条讲的是取舍真。跟前面那场酒吧访谈呼应，那条在小桌上谈模型即产品，这条在实测里看产品怎么在两条线同时往前挪。两头都在提醒同一件事，快和好同时要到手，才叫真的进步。

"我不这么认为"这半句我单独拎出来。前面那份专用模型路线讲的是把自己那摊事做好，这条讲的是把"仅次于"三个字当回事。仅次于 Claude 说明还差一头，而这次能追上靠的是动效 skill 加持；skill 下周才发布，效果能不能复现还两说。名次这东西，得等别人把工具放出来才见真章。

我留的疑问有三处。那个动效 skill 的实现思路没给；GPT-6 输在哪一步没说；"仅次于 Claude"是哪套评测也没讲，这些都在发布前的悬念里才看得到。

这周先把 v0.2.1-rc.1 升上去，等 skill 一发布就拿来做动效试试。

昨天帮朋友做一个短视频项目，需要把一条爆款视频的风格复刻出来。以前这种活得找剪辑师，或者自己学AE搞半天。后来发现Hypit这个开源项目，直接把这个路径一次性打通了。

Hypit的思路很简单：把任意一条TikTok、Instagram或YouTube Short的链接丢给你的Agent（Claude Code、Codex都行），它会把这条视频拆解成一套完整的可编辑工作流。footage、captions、B-roll、特效，全部锚定到文字而不是时间轴秒数。

我昨天用它复刻了一条20秒的口播视频，从丢链接到拿到可编辑的工作流，整个过程不到5分钟。最让我惊喜的是，它不只是简单的克隆，你还可以从模板出发，或者直接用自然语言描述你要的视频，Agent从零写工作流。

几个亮点：

• 一条命令，100个变体，换主播不动字幕，换语言时序自动重排
• 64个headless Chromium并发渲染，一个20秒视频总成本.15
• 纯代码渲染模式：零API调用，一条视频/usr/bin/bash

不过要注意的是，你得有Node.js环境，生成模型要自备API key，协议也不是MIT，商用前值得看一眼。

项目地址：github.com/hypit-ai/hypit

需要做视频批量生产的，可以直接收藏这个。

Typeless这个工具很多人用过吧，打字效率确实高，但就是得付费。最近朋友把他的Typefree开源了，我试用了一段时间，完全可以平替Typeless，而且免费。

Typefree的核心优势在于它的交互方式。除了传统的键盘输入，它还加了新的鼠标交互，大多数时间可以不用键盘，鼠标就能搞定。这点对于习惯鼠标操作的人来说很友好。

具体来说，我用它处理了几个日常任务：写邮件、整理笔记、快速搜索。响应速度不错，识别准确率也还可以。当然，免费工具在功能上可能没有付费版那么完善，但作为平替完全够用。

几个亮点：

• 完全免费开源，不用担心付费问题
• 支持鼠标交互，操作更灵活
• 可以自己配置API，灵活性高

项目地址：github.com/kdsz001/typefr…

对于想提升打字效率但又不想付费的用户来说，Typefree值得试试。

昨天帮朋友翻译一份技术文档，需要离线处理，试了好几个模型都跑不动。后来发现腾讯新出的Hy-MT2，1.8B的体量，靠自研1.25-bit极端量化直接缩到440MB，推理速度比上代快了整整一倍。

这个模型最让我惊喜的是它的轻量化能力。不是那种东一榔头西一棒子的生成，而是真的按照翻译的逻辑来：开头铺垫、冲突升级、高潮反转、结局收尾，每一步都卡得很准。

我用它测试了几个场景：帮我在本地快速翻译技术文档、帮我在没有网络的时候处理多语言内容、帮我在离线环境下快速生成报告。响应速度不错，准确率也还可以。当然，免费工具在功能上可能没有付费版那么完善，但作为平替完全够用。

几个亮点：

• 440MB超轻量，入门款Mac mini都能本地带得动
• 轻量版翻出来的质量，已经压过微软、豆包这些主流商业API
• 7B和30B更是把DeepSeek-V4-Pro等开源选手甩在身后

项目地址：huggingface.co/tencent/Hy-MT2…

需要离线翻译的，可以直接收藏这个。

五个"生意侧"的 agent skill（仓库都在文末）：career-ops 管求职流程、notebooklm-skill 接管笔记、terraform-skill 管基础设施、email-marketing-bible 管邮件营销、charlie-cfo 理清钱那侧。

清单本身是资源，我更想说的是装法。这五个其实分成两类：对外型（求职、邮件营销——产出要人过目，错了损失有限）和内务型（Terraform、笔记、CFO——产出直接改状态：基础设施改错一次、账目记错一行，代价都不是重来一遍能补的）。

所以内务三条先按只读装：让它先读、先拟、先给清单，人确认后再放写权限。这是给 agent 装 skill 的通用次序——能写状态的，最后再开。

再往下一层，判断一个 skill 好不好，看的不是它能生成多少文字，而是它的检查点：什么情况下它必须停下来问人？求职流程会在投递前停、CFO 会在付款前停，这样的 skill 才敢交给它跑；一跑到底不设停点的，生成得再顺也只是快的危险。

实话：清单没附各自的实测数据，star 与行为以各仓库 README 为准；"对外/内务"的分组是我加的——你按自己业务的风险顺序再排一次。

五个仓库：
github.com/santifer/caree…
github.com/PleasePrompto/…
github.com/antonbabenko/t…
github.com/CosmoBlk/email…
github.com/EveryInc/charl…

阶跃星辰 Step 5 Preview 发布并定下开源日程——10 月 15 日开源权重、API 已开放；规格先摆出来：600B 总参、只激活 27B、1M 超长上下文、原生多模态。

硬指标按榜单口径分组看（对比对象为 GLM-5.3、Kimi K3、DeepSeek V4.1、Claude Opus 5、GPT-6 Astra）：金融三榜——FrontierFinance 66.4（碾压国产组、直逼 Claude）、FinStepBench-DeepResearch 55.8（领先国产、紧咬 Claude）、LiveSearch 74.5（与 GPT 持平）；编程四榜——ProgramBench 80.5、DeepSWE 67.7、StepCodeBench 49.0、DRACO 83.3（均在国产组之上、紧追一线）；Agent 长任务——ALE-CLI 29.5、Terminal-Bench 33.3（同台的 Kimi K3 是 12.6）。

成本才是这记重拳，两条补充把账算得很清楚：其一，它一上榜就坐上"斩杀线"——Intelligence Index 44 分、单任务约 $0.71；同是 44 分档的 Grok 4.6、Kimi K3、GPT-5.6 Sol 都更贵，而 50+ 分的 Opus 5、Astra、Fable 5.1 单任务成本直接跳到 $3–$10；其二，另一条分析按真实 API 计价（$0.0035/M、Max Plan）核算——在 AA Intelligence 与 Terminal-Bench 4 两张榜上都处 Pareto 前沿，且它用的是低缓存统一负载（目前只有 Gemini 和 Step 5 这么测），缓存命中若还能提升，位置只会更靠前。

我的看法：这条把"国产模型的第二条路"讲得很直白——不比总参（600B 却只激活 27B，MoE 换算力），而是把每任务成本钉到一线智能带的地板上；"预览版就打进性价比前沿"加上"10 月 15 日开权重"，节奏是先立价、再开源收生态（API 先开就是给商用的试探口）。

对使用者的提示同样直白：44 分不是 50 分——买到的是"接近顶流的智能、约十分之一的任务成本"，但需要 50+ 分的那类活，别指望它。

榜单对比为发布与分析帖的转述口径，各家测试条件以 Artificial Analysis 方法文档为准。

开源圈又在把"每月几十上百美元的 AI 软件"逐个做成免费替代，这份清单收了 7 个项目——原文那些效率倍数没有对照口径、就不搬了，按功能记：

• hermes-jev-skills：给 Codex/Agent 补上路由、记忆、技能选择与界面点击。github.com/kerpopule/herm…
• typesafe-ai/skills：拖进 Codex 或 Cursor，就有决策、工具调用与评估循环。github.com/typesafe-ai/sk…
• OpenHands：开源编码 Agent，自己读代码、改代码、跑命令、排查问题。github.com/OpenHands/Open…
• MoneyPrinterTurbo：从素材到成片的自动视频流水线。github.com/harry0703/Mone…
• TradingAgents：查新闻、看财报、整理观点的多智能体研究流程。github.com/TauricResearch…
• LibreChat：一个界面统一接 ChatGPT、Claude、Gemini 与各种 API，省掉来回切模型、复制上下文的损耗。github.com/danny-avila/Li…
• OpenBot：给每个 Agent 一台自己的"电脑"——替你点、填、跑流程，而不是陪你聊天。github.com/CopilotKit/Ope…

我的看法：这 7 个正好占满了个人 AI 栈的七个位置——判断与路由、技能与循环、写码、出内容、研究、统一入口、代操作。"开源替代月费"能成立，说明这些位置的能力下限已经够用，竞争开始从"有没有"转向"顺不顺手"。对使用者的实操建议是先看自己的用量：免费的前提，是你愿意花时间调；各仓的实际能力以它们的 README 为准。

yaojingang 这条是把过去几个月全球范围内的 Jev 实战案例做了一次系统盘点——60 个应用案例 + 12 个重点案例，每条都附 GitHub 仓库或文档链接。

这种"案例合集"特别有价值，因为它把"模型做判断、工具执行操作"这套范式在 12 个不同行业的真实落地形态全部摆出来了。挑几个最值得展开的看一下。

Notra：AI 回答中的品牌提及识别——GEO（生成式引擎优化）这个赛道今年最热的应用。Notra 已经把"调用 Jev 评估品牌提及"做成了开箱即用的代码模块。对国内做品牌监测、SEM、PR 的团队来说，这是个非常直接的"AI 替代人工巡检"的案例。

TypeSafe 实体对齐与去重——判断两条商品记录是不是同一实体，模糊情况交给人工。这套逻辑可以直接搬到品牌别名归一、同名机构消歧、知识库去重这些场景。国内做企业知识图谱、本体管理的团队，这一条几乎是"教科书级"的应用样板。

TypeSafe RAG 信源筛选与冲突检测——在生成回答之前，先检查检索段落的相关性、可用性、矛盾、提示注入风险。这件事国内做 RAG 的团队 90% 没做，但每个真正在生产环境跑 RAG 的人都吃过这个亏。

Browser Use 网页操作决策——把网页元素整理成候选项，让 Jev 选择点击、输入、滚动等动作。这是"模型做判断、工具执行操作"这套范式最干净的落地形态，做浏览器 Agent 的团队建议照着这个架构对齐一遍。

TypeSafe 为 Agent 选择合适的 Skill——当系统里 Skill 数量多了之后，模型挑 Skill 是个"高维选择"问题。Jev 这类小模型 + 强类型决策的方案，比让大模型"自由发挥"靠谱得多。

LangChain 工具执行前的风险检查——把 Jev 接进 Agent 中间件，在工具执行前检查并拦截风险操作。这件事国内做代码 Agent、桌面 Agent 的团队最该抄——"自动点按钮"听着酷，但生产环境必须有人工兜底。

Vercel 客服工单自动分流——一次判断工单所属部门、严重程度和退款意图。这条对国内做 SaaS 客服自动化的团队几乎是"成品方案"。

Paper Trellis 论文引用验证——把引用句跟论文证据配对，Jev 判断支持关系，最终保留人工裁决。学术圈做论文查重 / 引用核查 / peer review 的团队值得看。

几个对国内团队最实用的建议：

• 先选 1–2 个最痛的场景试点——上面 12 个案例里有几个能直接对齐到你的业务（比如品牌监测、RAG 信源、客服分流），不要一上来就铺 60 个；
• Jev 跟大模型的边界要画清——"模型做写作 + 推理、Jev 做分类 / 筛选 / 评分 + 选择、代码执行后续动作"这个分工模式，是这些案例共同的底层结构，照着抄就行；
• 关键节点保留人工复核——所有案例里都有人工兜底的环节，这是 Jev 类工具在生产环境"不掉链子"的关键；
• 国内同类工具——目前国产阵营在"语义决策专用模型"这一档还在补位，可以考虑用 Qwen2.5 / DeepSeek 加一个分类头自训一个对标 Jev 的轻量模型。

60 个案例的完整文档（中文）：doc.laoyao.cn/j61zgy

12 个重点案例的原始链接：Notra（github.com/usenotra/notra… 实体对齐（docs.typesafe.ai/cookbooks/enti… RAG 信源筛选（docs.typesafe.ai/cookbooks/clas… 引用核验（docs.typesafe.ai/cookbooks/cita… Use（github.com/browser-use/je… Skill 选择（docs.typesafe.ai/cookbooks/skil… 工具风险检查（langchain.com/blog/building-… 工单分流（vercel.com/kb/guide/types… 官网检查（github.com/replynodes/jev… Trellis 引用验证（github.com/MarissaFamular… 级联校验（docs.typesafe.ai/cookbooks/sde_… 文本转特征（docs.typesafe.ai/cookbooks/auto…

建议每个做 Agent / RAG / 知识图谱 / 客服自动化的团队负责人都翻一遍——这种系统盘点的价值远超单点工具评测。

一句话总结：Jev 不是"AI 万能胶"，是一类范式的代表——看完这 60 个案例，你会比没看的人少走 6 个月弯路。

thisiscsim 这条是个人物动态——开发者社区挺活跃的 CSIM 正式加入 OpenAI Codex 团队。原推很短："今天是大日子，很兴奋加入 @OpenAI 去做 Codex。"

单看这条信息量不大，但结合最近 Codex 的产品节奏值得拆一下：

CSIM 是谁：之前做 IDE / 编辑器侧的开发体验工作，对"工具栏怎么摆、快捷键怎么绑、状态栏给不给提示"这类问题有第一手感。Codex 这边一直缺的就是"IDE-native 体验做得更深"。

Codex 现在缺什么：上一轮 OpenAI 把 Codex CLI 推上主舞台，但 IDE 集成（VSCode 插件、JetBrains 插件）的体验跟 Cursor、Claude Code 比还是有差距。CSIM 这类"传统 IDE 体验工程师"的加入，对补齐这一块短板是直接利好。

对国内开发者的两个信号：

• Codex 的资源倾斜在加码——继 Tibo 这种核心 dev 之后继续补人，OpenAI 对 CLI / Agent 工具链这条线的投入没打算停；
• 人才流向：CSIM 这种有传统 IDE 背景的人加入，说明"AI 编程工具"已经在认真补"IDE 工程"这一课，不再只是 LLM 套壳。

短期期待：

• VSCode / JetBrains 插件体验全面对标 Cursor；
• Codex CLI 的本地 session 持久化、断点续跑能力；
• 跨 IDE 的 prompt / context 同步方案；
• 与 OpenAI 内部模型版本解耦，让 Codex CLI 不被某一代模型绑定。

对国内使用者的影响：

Codex 这一系列改进如果落地，国内通过 API / 代理使用的体验会跟着变好——比如更稳定的本地 session、跨编辑器的工作流。能薅到的早鸟福利大概率是"新功能灰度期"。

一句话总结：人物动态是表象，Codex 的产品节奏在加速——这条新闻真正告诉你的不是"CSIM 去了 OpenAI"，而是"OpenAI 还想在 AI 编程工具赛道里再拼一把"。

LDT0545 这条有意思：他和 Tibo 两个人在 Codex 这边官宣"reset Tuesday 3 am"，把 CLI 的强制重启放到美东时间凌晨三点。

引用 Tibo 那条 "3am on a tuesday" 才是原汁原味的吐槽——这不是产品决策，是开发者给同事打招呼的口气："这周我们要在你们最不警醒的时候把你踢下线"。

Codex CLI 这种"凌晨静默重启"的做法在这两年的开发工具里其实不罕见：

• vscode 自己也干过：更新推送选在用户最少活跃的时段，避免现场 hot-reload 把编辑器搞崩；
• Cursor / Claude Code 也排过类似窗口：一般会通过预热脚本把内存里的会话状态先序列化进本地缓存；
• Jev / Continue 这种 Agent 侧 CLI 重启就更频繁，因为它们要刷新模型版本和 tool schema。

对实际开发者的影响：

• 正在跑长 Agent 任务的窗口要避开凌晨——3 AM 这档对个人开发者影响有限，但对跨时区团队来说是个"半夜 pipeline 莫名其妙断"的隐患。
• 未保存的本地 prompt 缓存会被清——Codex 这边的本地 session.json 在重启后会重新建，建议重要 prompt 自己留一份本地备份。
• 自动恢复机制才是关键——如果 CLI 重启后能自动接着上次的 task 续跑，体验上几乎无感；如果要手动重新开始，这个 reset 就是个故障级别事件。

工具迭代节奏越来越快，能理解这种"统一窗口更新"的考虑，但作为用户还是希望：要么有"我下个空闲再装"的开关，要么恢复流程能更智能一点。

有人把 Claude 变成了一人公司：42 个 Skill 按真实组织架构摆开，每个都能从链接安装；他给这张图配的收尾是"同样的部门、同样的产出，不发工资"。

按部门看，覆盖得相当完整：

开发——Superpowers（框架级方法论）、Context7（上下文）、官方 skills 集（含 Skill Creator、MCP Builder、Webapp Testing）、Claude-Mem（记忆）。

github.com/obra/superpowe… / github.com/upstash/contex… / github.com/anthropics/ski… / github.com/thedotmack/cla…
设计——UI UX Pro Max、Taste（含 Frontend Design）、Transitions。github.com/nextlevelbuild… / github.com/Leonxlnx/taste… / github.com/Jakubantalik/t…
市场——45 个，从文案到 SEO 到引流磁铁。github.com/coreyhaines31/…
社媒——17 个，从写帖到 Reels 到封面图。github.com/charlie947/soc…
财务——8 个，从对账到审计。claude.com/plugins/financ…
小微企业——31 个，从现金流到工资到发票。claude.com/plugins/small-…
法务——9 个，从合同审查到 NDA 到合规。claude.com/plugins/legal

我的看法是，这张图真正的看点是组织架构成了 Skill 的目录结构：部门＝领域，岗位＝任务边界，装的时候按"公司缺哪个部门"补齐，而不是照星数堆一堆。它还顺带暴露了 Skill 生态的成熟度分层——开发与设计大多还是 GitHub 仓库，财务、法务、小微企业这几块已经上到 claude.com 的官方插件页，说明标准化先发生在"有明确流程"的领域。

一句提醒：部门齐全不等于公司能跑。Skill 之间没有真实组织里的责任与交接，产出质量仍然取决于你给的上下文和验收标准——架构图给的是分工，不是质量。

边界：数量与描述按原帖口径，我未逐个安装；各部门数字来自原帖列举。

月之暗面把 Kimi Code 做成了桌面端，macOS / Windows 同步可用。作者的说法是：它不是又一个聊天框，而是把整个编程 Agent 工作流搬进一个窗口。

清单里的重点

• 过程全透明：工具调用、推理链路、每轮改了哪些文件，一眼看清
• 三档权限：始终询问 / 必要时询问 / 全自动
• 先规划再动手：计划可审可改，长任务能转后台随时接回
• 实验性 Tower：多 Agent 并行推进同一目标
• 内置浏览器：查文档、预览、验证页面，不用切窗口
• 指哪改哪：截图标注、划词评论、@文件、网页点选元素
• 多工作区、并行会话、全局搜索；插件市场可扩展，也能接自己的模型供应商

其中有两条是"分工"，不是"功能"：三档权限是把决定权还给人，计划可审是先看再跑。桌面 Agent 的分水岭不在模型多强，而在它跑歪的时候，你能不能看懂它干了什么。

"实验性 Tower"那类多 Agent 并行，通常是宣传与体验差距最大的地方 —— 纸上并行容易，冲突怎么收才是难点。

提醒两句：这条是发布期的官方口径，功能我一条都没实测；标着"实验性"的先当 beta 看。

官网在这儿：
kimi.com/code

Grok 4.7 发布了，Artificial Analysis 的评测也跟着出来了。

这次的变化不在"智力分又涨了多少"，而在它终于把 agentic 那部分补上来了。

先看分数

• Intelligence Index：46 分，比 Grok 4.6 高 2 分，SpaceXAI 因此进入前四实验室
• AA-Briefcase（他们自家的私有基准，测长程 agentic 知识工作）：比 Grok 4.6 (high) 高 111 Elo，拿到 1657 Elo，和 Claude Opus 5、Claude Fable 5.1 站在同一档
• GDPval-AA：1695 Elo，比 Grok 4.6 (high) 高 90
• 编码 Agent：在 Artificial Analysis Coding Agent Index 上 56 分，比 Grok 4.6 (xhigh) 高 9 分

这里有个容易被忽略的限定词：那是"原生 harness"口径。Grok 4.7 配的是自家的 Grok Build，榜单上其他模型也各配自家的工具链。换到统一的第三方脚手架里重测，名次未必照旧 —— 看这类榜，先分清它比的是模型本身，还是模型加脚手架。

"第三"还是"第四"，取决于你数什么

马斯克转发时的说法是：Grok 4.7 在 agentic coding 上排第三，仅次于 Anthropic 和 OpenAI。

评测机构的口径是按模型排：Grok 4.7 + Grok Build 在原生 harness 里排第 4，前面是 Claude Fable 5.1、GPT-6 Astra、Claude Opus 5 —— 其中两个来自 Anthropic、一个来自 OpenAI。

两种说法不矛盾：一个是按实验室数，一个是按模型数。看这类发布，先确认对方数的是哪一个，再去比排名。

涨的地方和跌的地方

提升：Terminal-Bench 4.0 涨了 4.5 个百分点，GDP.pdf 涨了 3.0 个百分点。

回退：AA-LCR 掉了 3.7 个百分点，AutomationBench-AA 掉了 1.1 个百分点。

也就是说，agentic 和编码这两块是这次的主攻方向，其他任务基本和 4.6 持平，个别项目还有退步 —— 不是全面变强。

最该注意的是账单

Grok 4.7 (xhigh) 每跑一个 Intelligence Index 任务，大约消耗 8.1 万输出 token。对比一下：Grok 4.6 (high) 是 3.6 万，GPT-6 Astra (max) 是 2.7 万 —— 分别高出 125% 和 196%。

马斯克说它"明显更快、更便宜"，指的是单价：输入每百万 token 2 美元、输出 6 美元，缓存命中 0.5 美元，与 Grok 4.6 持平。但单任务成本是另一回事 —— 单价没动，token 用量翻倍，同一件事的总价就跟着上去了。

这也是这次发布里最值得记的一条：分数涨 2 分，token 涨一倍多。上下文窗口 500k，和 4.6 一样没变；推理档位从 low 到 xhigh 可调，评测用的是最高档。

我的看法：现在 agentic 类基准比纯智力分更能说明模型能不能干活，这点已经在取代过去的比法。

但随之而来的是，token 效率正在变成新的分水岭 —— 单价持平、单任务更贵，意味着重度使用 Grok 4.7 之前，得先拿自己真实的调用量算一遍账，而不是只看每百万 token 的报价。

用大模型做决策和分流，其实不需要它写出一段话。

给足上下文，只要求它返回 1、0，或者一个置信度数字就够了 —— 这是最省 token 的用法。作者之前就在这么干，昨天又换了个思路：拿 7B 模型在本地跑，用提示词把输出死死约束成纯粹的决策结果，再和 Jev 做对比。

几个用例跑下来，结论是两条相反的线：

• 速度上，Jev 明显领先
• 准确度上，7B 略胜一筹

把这两条放一起看才有意思。快和准，在这里不是一个模型能同时拿满的两个指标。链路里判断动作每秒要跑很多次的，速度就是硬指标；一次判断错了要返工整条流程的，那点准确度更值钱。

本地跑 7B 还有两个附带好处：数据不出机器，按次调用不花钱，代价是硬件自己扛。这部分是我的推断，原文没展开。

作者对 Jev 的判断落在生态位置上。他拿电力时代做类比：我们先发明了发电机和灯泡，但一个成熟的生态里，必然还需要变压器、配电箱这些东西，输配和应用体系才补得全。按这个类比，未来会出现更多专用模型和基础设施，把 AI 生态一点点补完整。

顺着他的说法往下想一层：发电机、灯泡刚出来的时候，没人觉得变压器是个大生意，但没有它，电就只能待在实验室里。专用模型的价值大概也在这个位置上 —— 它不解决"能不能做"，解决的是"这件事值不值得每次都动用最贵的那套"。

有两点得说清楚。这是几个用例的对比，不是基准测试；"略胜"也取决于提示词怎么写、本地硬件是什么，换一批任务结论未必一样。真要选型，拿自己链路里最高频的那几类判断，各跑上两百次再看，比看一条推文靠谱。