AI圈子首页 · 最新大模型、AI产品、Agent与开源项目动态

一份把智能体商业掰开揉碎的访谈被整理成二十四条要点。头几条就把几家公司的账本亮了出来。这亮法我看完先记那几个实例再掂账户那半句。记的掂的点在下面一层层摆。摆好了看实例，例在下面摆着，摆好了自己掂。
实例是这样摆的，那位 CEO从前一年只在 Priscilla 账号上用 Instacart 两回。给自己开了 Muse 账号之后变成一周一到两回。还说我就是个新订户。这事搁从前我压根不会干。

摆的第二层是它抛给零售界的那道问题，问题是这账号到底是给我的还是给我的代理的。摆的第三层在下面摆着，摆好了别眨眼。眨眼就翻过去了。过去一页少一页。少一页都是损失，损失不起的往下看，看下段。

下段是那个全权委托，托读完这篇就通了，通了就收工。收工的礼数在下段，下段是最后的门。推开它。推。
全权委托是这样立的。Muse 是最早一批让人把采购整件交出去的产品，网关那头还有 OpenClaw 和 OpenRouter 在接，茶、菜、杂货。随手看中的东西都直接下单。撑住这件事的是信任而不是演示。

摆的第四层是那个生活切片。切片是周末烘焙那圈。代理跟孩子一起编菜谱。烤之前食材已经送上门。西瓜上市那个周末它还自作主张往袋子里塞了一个西瓜。摆的第五层是那位支付公司掌门人的判断，判断是智能体商业是一场不连续的事件。

它改的是所有生意管道的走法。摆的第六层在下面摆着。摆好了看那个份额。额读完这篇就通了。通了就收工，收工的礼数在下段，下段是最后的门，推开它，推。
份额是这样算的。TAM 不再等于人口数、需求往代理这头挪的架势很像当年从实体店挪到线上。老渠道不会消失。但它们盘子里的份额会缩。摆在每个品牌面前的 PMF 问题只剩一道，跟当年从实体店挪到线上那次一样，SKU 这一层的分法也要重画。

你要不要智能体这头的需求。摆的第七层是我的保留，保留是这组要点为社区整理、我按整理记账。SFT 和评测那几条我没逐条核。细节以原视频为准。记账的第八层是我的收尾。收尾在最后一段。最后一段到了就推门，门后是我的两句点评，读完这篇正式结束，结束语不留悬念。

悬念是给没看完的人的，看完的人不需要。不需要的直接收。收在下段。下段见，见了就懂。懂了就散，散会的礼数最后给。给完就收，收工。工收得干净，干净的收尾不带水。带水的都是没写完，我读完了。读完在下段，下段是最后的门。推开它，推。
再补一层给同行的，把这二十四条摆开之后最该记住的一句话是智能体不是多出来的一个新渠道。它会把老渠道的份额一点点挪走，谁先接住谁就先分到。再往下追一层，代理下单的链路跟人下单的链路不是一回事，从前那套按点击和曝光算账的法子都得重新拆。

再补一笔给看客的，读完这层账你再去问我要不要为智能体改商品页，答案就清楚多了，因为改的不是页面而是整条管道的走法。

点评两句。第一句是拿自家采购数据当论据这步今年值得所有谈趋势的人学一发，学了的说法才有分量。第二句是账户归属那道问题这半句今年会让一批还在观望的品牌先想清楚要不要给代理开一个口子，想完的回来点赞，句号。

Vercel 的 CEO 给 Gemini 团队道了贺，顺手把一句提醒摆在了桌面上，别赌 Google 会停下。

要点照录。别赌 Google，这家公司带来了 Transformers，手里握着压倒性的数据、工程人才和算力。人人都在回头做编程，编程 Agent 已经是 AI 的杀手级应用，开发者和建设者正处在一个黄金时代。

提醒那句同样留着，Muse Wonder 和 Gemini Argon 背靠背发布，这件事本身就在提醒你和你的公司，要保持模型无关，把网关那套拉满。引帖那半也照录，Gemini 4 Argon 上了 AI Gateway，十二月一日之前五折，用它来跑那些难啃的编程和 Agent 任务。

"模型无关"四个字我单独拎出来。前面那张 X Pass 讲的是把订阅拢进一张卡，这条讲的是把模型的选择权留在自己手里。跟前面那间 AI 办公室呼应，一个在摆工位，一个在给插座留活口。

两头都在提醒同一件事，模型这东西更新太快，谁也不敢说三个月后赢家是谁。能换得动插头的人，才不会被任何一家的节奏绑架。跟前面那份 FCC 的路由层也接得上，一个在说工具别绑死，一个在说架构别绑死，两层都在给未来留余地。

"背靠背"这个词我听着最沉。两家最能打的模型挤在同一个档期亮相，这不是巧合，是赛道的密度已经到了谁也不敢独占市场的程度。而这份密度，恰恰是留给使用者的红利。

我留的疑问有三处。五折之后的正式价格没给；Argon 在网关上的延迟表现没拆；模型无关在实际工程里怎么落地也没数，这些都在后续的使用里才看得到。

这周把网关那条线接上，同一个任务分别丢给两家，看看答案会不会打架。

十件套基础设施跑在一台家用台式机上，把云端机器人的招牌衬得寡淡。这衬法我看完先记那十件再掂随地那半句。记的掂的点在下面一层层摆，摆好了看十件，件在下面摆着，摆好了自己搭。
十件是这样列的。一台 Mac Studio M4 Max 上跑着 Tailscale 和 Tmux，跑着 oMLX 和 MFLUX 两套本地推理，跑着 Paseo 和它的 Bots，跑着开了 CDP 口的 Chrome，跑着 Syncthing 和 Parsec，还摆着 Obsidian 一本笔记。

十件各管一段凑成一条生产线，摆的第二层是它给的访问方式。方式是手机、iPad、MacBook 随时连上去，全天候不关机，摆的第三层在下面摆着，摆好了别眨眼，眨眼就翻过去了。
对照是这样摆的。那家云端机器人每天能调一千次原生接口，看着不少，可同样的调用本地这条路也能走通。还能挂进任务中枢里自动化起来。摆的第四层是它给出的那句结论。结论是这套云端货对它暂时没啥吸引力。要么就是本地这套已经搭得太顺手，摆的第五层是我的保留。
。

点评两句。第一句是把十件套拼成一条生产线这步今年值得所有重度用智能体的人学一发，学了的家底才经得起比较。第二句是本地这条路走通了这半句今年会让一批只看云端新功能的人先回头把自己那台机器的余量摸清楚，摸完的回来点赞，句号。

deepeval.com/blog/introduci…

DeepEval 这回交出的答卷叫 JevEval，把 LLM 评估从"生成判定"改成了"结构化决策"。这套东西拆开之后，剩下的就只是执行。而拆本身，才是这篇里最值钱的部分。裁判这活儿，从此不再靠模型的脾气。

要点照录。老一代的 LLM-as-a-judge 把生成式模型当裁判，一次调用里塞进了三件活，定评估逻辑、下判断、给分数。随之而来的两个毛病，都挺要命。一是不可解释，零点七一和零点六六的差异从何而来无人能说清。

二是不稳定，同一个输入跑两遍可能给出两套分数，更别提让 LLM 凭空编一个一到十的打分。裁判一旦靠脾气，打出来的分也就跟着晃。JevEval 的解法是把三者拆开。评估逻辑这一步交给人，显式、可审查。

语义判断这一步交给 Jev，它只回概率分布，不吐文本。分数这一步交给 DeepEval 的固定公式，有确定性。三种决策类型也摆开了。二元命题那一类叫 Noul，回的是 P(true) 这个概率，清单式检查用得上。

有序等级那一类叫 Score，四档从全编造排到全部有据，各档概率取期望位置归一化，相邻档之间的不确定性也被留住。无序选择那一类叫 Choice，每个选项赋零到一的 credit，还支持"不适用"，概率过半时该题不计分。

三种类型各管一段，谁也不越界，评估的骨架就这么立了起来。骨架立住了，往里填肉才有章法。典型应用是 Agent 评估。拿 Tool Faithfulness 来说，天气工具回了十八度晴天，Agent 的回答却自作主张加上微风和湿度百分之四十。

老裁判面对这种混了真假的答案只能打个笼统的总分。JevEval 这边把它拆成四个显式问题，事实是否都来自工具，权重给到二，因为幻觉是最要紧的失败模式；转述的数值准不准；整体有没有据；工具没提供的那些信息要怎么处置。

权重和优先级都进了代码，而不是藏在提示词里，这是它最大的工程价值。地址挂在文首。评估这件事被这样拆开之后，剩下的就只是执行。执行这一步，反倒是全篇最轻的那一步。

"写在代码里"这半句是场重心。前面那份基准尺讲的是量要真，这条讲的是裁判的尺得先被写死。跟前面那道发布流四道关呼应，那条在验收一次发布，这条在验收一份评估报告。两头都在提醒同一件事，打分这套活最怕的不是不够准，是每一次的标准都在悄悄变，把权重写进代码等于把裁判的尺子钉在墙上。

跟前面那间 AI 办公室也接得上，一个在摆工位，一个在钉尺子，尺子钉死了，屋里量出来的东西才对得上号。钉尺子这件事，说到底是对打分这件事本身负责。一件工具敢把自己的标准亮出来，本身就已经赢了一半。

敢亮标准的工具，也才经得起同行的追问。经得起追问的工具，才配进工作流。工作流里的每一环，都该经得起这样的追问。

"概率过半该题不计分"这个细节我单独拎出来。它承认了一件容易被忽视的事，评估里也存在不适用，硬评一个不适用的问题，伤的是被评的对象，也是评估自己的公信力。

我留的疑问有三处。Jev 的概率分布怎么校准没给；三种决策的混合权重怎么配没拆；和传统裁判的成本差也没数，这些都在博客里才看得到。校准那一项其实最要命，概率分布若本身是歪的，后面所有基于期望位置的计算都只是把歪斜包装得更精致。

评估的公信力还是无从谈起。这一关过不去，前面那把钉死的尺子也只是量得整齐而已。尺子再直，量歪了的东西照样是歪的。打分这件事，说到底是在替后来的人做判断，判断的底座歪了，后面所有的讨论都建在沙上。

底座这东西，歪的时候没人看得出来。等看得出来的时候，往往已经晚了。晚了的代价，从来都比早查的代价高。

这周拿一份手头的 Agent trace 过一遍，看看拆成显式问题之后，那几分的差距还说得清说不清。说得清的评估，才有资格谈改进，说不清的评估，只是给模糊盖了个章。盖章容易，改进难，难就难在那几分要能追到出处。

出处能追的分数，才配当决策的依据。依据两个字，是评估最后的落脚点。落点找对了，前面那番拆解才有意义。拆解这活儿，本就不是做给别人看的，是做给后来的判断用的。判断要站得住，前面的每一步都得留下痕迹。

Anthropic 每天合并的代码量，从五月到现在翻了十倍。

要点照录。那句原话留着：Claude 能够自主地在研究循环上迭代、微调复杂程序、从头构建新服务，速度和规模都是前所未见的。数字那半也照录，代码合并的频率比五月翻了十倍。引帖那条链接挂在正文里。

"十倍"这个数我单独拎出来。前面那篇工程博客讲的是为这个十倍重修地基，这条讲的是十倍本身怎么被造出来。跟前面那份 Agent Plasticity 呼应，那条在说模型从经验里变强，这条在说模型替人改代码。

两头都在提醒同一件事，工程团队的产出曲线已经不是人堆出来的，是模型托着上去的。地基的重修只是这条曲线在基础设施上留下的影子。跟前面那间 AI 办公室也接得上，一个在摆工位，一个在数桌上越来越厚的提交记录，记录厚了，管记录的那套东西就得换。

"速度和规模都是前所未见"这半句我听着最沉。它不是在夸模型快，是在提醒读到这句话的人，你熟悉的那套节奏已经被改写了，再拿过去的步子去丈量现在的路，量出来的全是错的。

我留的疑问有三处。十倍的基数没给；合并数的质量怎么验没拆；人工 review 占多少也没数，这些都在那篇博客里才看得到。

这周把自己仓库的提交记录拉出来数一数，看看自己的节奏和这条曲线差了多远。

Bops 这个周末搭出来的智能体把电话、邮件和屏幕一起握住了。换个设备还能接着聊。这握法我看完先记那三步再掂七件家伙那半句。记的掂的点在下面一层层摆。摆好了看三步，步在下面摆着，摆好了自己搭。
三步是这样走的。第一步先在 Paper 里把界面捋顺、用它的 MCP 连上 Claude，摆的第二步是进 T3 Code 开一个长跑的工作区一路搭到底。摆的第三层在下面摆着，摆好了别眨眼。眨眼就翻过去了。过去一页少一页，少一页都是损失，损失不起的往下看。看下段，下段是那七件家伙，伙读完这篇就通了。通了就收工，收工的礼数在下段，下段是最后的门，推开它。推。
七件是这样配的。管电脑的 Orgo、管邮件的 AgentMail、管通话短信的 AgentPhone、管连线的 Composio、管调研的 Treg、管屏幕监控的 Jev。外加供智能体和语音的 OpenAI。

七件各司其职塞进同一个智能体里。摆的第四层是它演示里的那一幕，一幕是问它一场刚开完的销售会。再从手机上直接拨过去、转头换个渠道用文字接着说。同一只智能体同一份上下文不掉线。摆的第五层是我的保留，保留是这个项目为社区转述、我按转述记账、工具栈尚未见公开安装包、演示细节以那段 YouTube 长走查为准。
点评两句。第一句是先画再搭。中间不换工作区这步今年值得所有周末赶工的人学一发，学了的进度才压得住。第二句是七件家伙各管一段这半句今年会让一批什么都让智能体自己扛的人先去把能外接的都接上，接完的回来点赞，句号。

Nemotron 这个月要来两个新面孔，都是开放权重，日子已经排好。

要点照录。十月十五日上 Nemotron 3.5 Bolt 74B A9B，十月二十三日上 Nemotron 3.5 Bolt E4B。看规格像是 flash 那一档的模型，只是名字换了，Bolt 大概就是 flash 的意思。

引帖那半也留着，Tech2Wild 那条同样报了这两个日期。还有一句评语照录，很欣慰能等到 74B MoE，这个尺寸对 DGX Spark 或者其他统一内存系统来说刚刚好。

"刚刚好"这半句是场重心。前面那台搬上笔记本的巨石讲的是硬跑，这条讲的是选尺寸。跟前面那份 EmbeddingGemma 的改造呼应，那条在把小模型掰成别的用途，这条在把中号模型摆到合适的桌面上。

两头都在提醒同一件事，本地跑这条路走到今天，比的已经不是谁参数多，是谁的身板和桌子配得上。跟前面那间 AI 办公室也接得上，一个在摆工位，一个在量桌面，量完再搬，省的是白跑一趟的力气。

"两个日期"这个细节我单独拎出来，一个厂商把两个开源模型的档期排在同一个月里，这节奏说明开放权重这一侧已经不再慢人半拍。

我留的疑问有三处。A9B 和 E4B 的命名逻辑没给；Bolt 是不是 flash 的代称没拆；74B 在 DGX Spark 上的实测吞吐也没数，这些都在后续的发布里才看得到。

这周把两个日期标进日历，等十五号那天先看 74B 的落地表现。

Claude Code 的作者把工作法摆了出来，标题就一句：THE CREATOR OF CLAUDE CODE JUST SHARED 一小时二十七分钟，讲 ANTHROPIC 怎么跟 AGENTS 一起 WORKS。

最扎眼的一句是他从去年十一月起没手写过一行代码。这摆法我看完先记那四条再掂全员那半句。记的掂的点在下面一层层摆。摆好了看四条，条在下面摆着，摆好了自己抄。
四条是这样摆的。第一条是八成的任务从计划模式起步、先想清楚再动手。摆的第二条是模型只挑当前最好的那档。理由是长期看反而省令牌。摆的第三条是同时开五个智能体、一天能收三十来个 PRs 合并。摆的第四条是给工具和目标。不给死板的步骤清单，摆的第二层在下面摆着。摆好了别眨眼，眨眼就翻过去了。过去一页少一页，少一页都是损失。
全员是这样立的。队里人人都写代码，做产品的写、做设计的写、连管账的也写。立的第四层是这幕给行业的分量。分量是写代码这件事正在从专岗变成通用手艺。谁都能搭把手。摆的第五层是我的保留，保留是这套工作法为社区转述。我按转述记账、那场分享我没看完、细节以原视频为准。记账的第六层是我的收尾，收尾在最后一段。最后一段到了就推门。
点评两句。第一句是给工具和目标而不给死步骤这步今年值得所有带智能体干活的人学一发，学了的产出才不被框死。第二句是八成任务先过计划模式这半句今年会让一批上来就直接开跑的人先停半分钟把路想明白，想完的回来点赞，句号。

github.com/zhuyansen/new-…

新词雷达又优化了一版，这回连赚钱那台也一起升级了，两台雷达的规矩都摆了出来。规矩这个东西，工具里有，心里也得有，工具替你扫，心里那把尺替你定。

要点照录。新词表那一栏，名字和它背后的通用词被安排在一张表里。表的列在照做之余，另加了类型、来自、近七天比前三天三列。带品牌的词保留并标上警告符号，由使用者判断。每条通用词都得配得上出处，推文或 README 原话皆可，也可以来自真实的相关查询。

证据这一关没有例外，模型筛分那道也加了，零点六分以下直接扔掉。几个指标的对应关系也写清了，新颖性对应新词那一栏，规模对应估算日搜，动能对应近七天比前三天。三档也备好了，优先、观察、跳过各归各，规则写在表下面。

查询提供商那一栏也补了料，GoAnyAPI 在这里补了四块。大家实际和这个名字一起搜的那些词，从 Google Trends 里翻了出来，当作通用词的新来路。名字的长尾也一并列出，photocraft download、nano banana 2.1 对 pro 这几类写法都收进表里。

相关查询里别的上升名字会被单独捞出来记成线索。走势那一栏改读美国三十天日数据，按昨天结算。仓库地址挂在文首。星数涨得也快，上线不到一天已经六百多。这份清单把雷达的规矩钉在了纸面上。

"每个通用词要有原话作依据"这半句是场重心。前面那份基准尺讲的是量要真，这条讲的是料要真。跟前面那道发布流四道关呼应，那条在验收一次发布，这条在验收一条线索。两头都在提醒同一件事，雷达类工具的门槛不在扫得广，在每条命中都经得起追问。

凭空蹦出来的词表和有出处的词表是两种东西。跟前面那间 AI 办公室也接得上，一个在摆工位，一个在调旋钮。旋钮上刻的是证据，不是感觉。这样的旋钮越多，工具离玩具就越远，离仪表就越近。仪表和玩具的差别，在于它敢不敢让你据此做决定。敢让你决定的工具，才算真工具。

"上线不到一天六百多颗星"这个细节我单独拎出来，它把这类工具的需求摆在了明处。找词这件事的痛已经大到一个开源版就能引来几百人围观的程度。需求摆在明处，供给就跟着聚，这类雷达的下一版只会更细。

我留的疑问有三处。零点六这个门槛怎么调没给；美国数据之外的地区覆盖没拆；赚钱雷达和新词雷达的联动也没数，这些都在仓库里才看得到。地区这一项其实最要命，词的热度是分地区的，只看美国数据，别的市场可能刚好错过起势那几天。

这条规则写在表里，也是写给使用者的提醒。词的世界没有统一的日历，各地的起势各有各的节气，雷达扫的从来不只是词本身。规矩立得越细，扫出来的越不像噪音。起势那几天一旦错过，等你看见时已经退潮，雷达的价值就在于不让你做那个迟到的人。迟到的人只能捡剩下的，早到的人才有得挑。

这周拿它扫一遍手头在追的那几个词，看看证据那一栏能不能兜住我自己的判断。判断与证据对不上的时候，先低头的是判断，不是证据，这条纪律，雷达替我立着。立得住的规矩，才配叫仪表。雷达立完了规矩，剩下的就是每天扫一遍，看谁在起势，看谁在退潮，扫出来的那几行字，比任何感觉都可靠。可靠的工具从不多话，它只把证据摆在你面前。

递归自我改进被 Sakana 换了个走法，新方法叫 MASS。不再靠单个模型自己磨。而是靠一整队虚拟分身互相挑错。这走法我看完先记那条流水线再掂瓶颈那半句。记的掂的点在下面一层层摆。摆好了看流水线，线在下面摆着，摆好了自己跑。
流水线是这样铺的。一个共享的大模型带着一队虚拟子智能体解任务。解完自己去搜更好的多智能体干活路子。再用自己的判断把最好的那批挑出来。摆的第二层是它给自己下的那道补给，补给是在最佳团队的执行上做训练。

把整队的集体经验蒸馏回这个共享模型自己身上。摆的第三层在下面摆着。摆好了别眨眼。眨眼就翻过去了，过去一页少一页，少一页都是损失。损失不起的往下看，看下段，下段是那个前提，提读完这篇就通了。通了就收工，收工的礼数在下段，下段是最后的门。推开它。推。
前提是这样立的。人工智能啃的开放研究题越来越长。人类专家既难评判结果也难指点下一步。模型自己往往就是手头最好的优化器和评估器。难就难在怎么让这条自监督的循环真的有用。因为同一个模型很容易把自个儿的盲区越养越大而不是纠过来。

立的第四层是这个方案给同行的分量。分量是把评判者的角色也拆给了队里、让集体意见去顶单个视角的偏。摆的第五层在下面摆着，摆好了看那组数字，字读完这篇就通了。通了就收工。收工的礼数在下段。下段是最后的门，推开它，推。
数字是这样摆的，两轮循环。用一个 27B 开放权重模型。在合成的开放式研究任务上跑。第二轮之后每个输出令牌的得分做到了基线的一点二到一点六倍。跨四个研究基准都成立，摆的第二层是三个关键结果。

结果一是这种 RSI 循环里出现了角色泛化。只拿被优化者的任务数据去训。优化器和评估器两边的能力都跟着涨。结果二是多智能体的轨迹比单智能体的轨迹当训练数据更划算。结果三是卡住改进速度的往往是优化器的容量而不是评估器。摆的第六层是我的保留。
再补一层给同行的，这套做法最值得抄的地方有三样。第一样是把筛选压力放在团队这一层而不是单个输出上，第二样是让同一个模型在不同角色里轮岗。逼它换视角，第三样是拿分数当路标而不是当奖状。三样凑齐了，循环才不会变成自嗨。另外它选的赛道是合成的开放式研究任务，好处是评价标准天然清楚，坏处是离真实科研还有距离，落地前得先想清楚这层。

再补一笔给看热闹的，这套循环里最反直觉的一点是让模型去当裁判。因为裁判和选手是同一个脑子，所以它必须先把队里的分歧攒够。让多数意见去压少数偏见，这一步比多训几轮都关键。

再补一笔给看热闹的，从工程角度讲这套循环最难复现的地方是工作流的搜索空间。因为每个虚拟分身的提示、上下文和工具都不一样。组合爆炸得很凶，Sakana 用共享权重把这块成本压下来。这一步比论文里的分数更值得学。

再补一层给好奇的，别被递归自我改进六个字吓住。它现在的形态其实更像一个带评委团的内部竞赛，模型既是选手又是评委。靠队内的多数票去抵消单点偏见，距离科幻小说里那种自我狂奔还隔着安全护栏的十道锁。

顺手记一笔给路过的，这条路线如果真走通。模型训练的燃料就从人写的教材换成了它自己队伍的作业，这件事的分量不亚于当年把无监督学习推上台。

最后一笔给同行的，想复现这套循环的人先把评分器训稳、再谈优化器，顺序反了只会空转。

点评两句。第一句是把评判者拆进队里这步今年值得所有研究自我改进的人学一发，学了的循环才不容易自己骗自己。
博客在这，pub.sakana.ai/mass/ ，论文在这 arxiv.org/abs/2610.12176 ，代码在这 github.com/SakanaAI/mass ，看完的点赞，句号。

一份拿真实修错当考场的成绩单被摆了出来，头两名只差一分。而追上来的那家刚把两家老牌一起平了。这摆法我看完先记那六行再掂追平那半句。记的掂的点在下面一层层摆。摆好了看六行，行在下面摆着，摆好了自己比。
六行是这样记的。考场是两个仓库里一百零五道连前沿模型在上个季度都没修出来的错，找得到就修、修得出算分。成绩是 GPT-6 Astra 四十五分、Muse Wonder Full 1.0 四十四、Fable 5.1 四十三、Opus 5.5 四十一分七。

Muse Spark 1.3 三十二分二。Grok 4.7 二十九分，摆的第二层是这份名单给出来的那句话。话是那家社交巨头刚刚追平了 Anthropic 和 OpenAI 两家老牌、可喜可贺。摆的第三层在下面摆着，摆好了别眨眼，眨眼就翻过去了。过去一页少一页。
预告是这样挂的。发帖人把更多努力档位和更多轮次的结果排在了下一条里。说当晚就放。挂的第四层是这份实测给行业的分量。分量是真实修错这种活把几家旗舰压在了一分上下的区间里。轻量档也第一次挤进了这张桌子，摆的第五层是我的保留。保留是这组成绩为社区实测、我按实测记账。几档设置与轮次我没复核、以后续线程为准。
点评两句。第一句是拿真实仓库的历史错题当考卷这步今年值得所有做评测的人学一发，学了的榜才贴近干活现场。第二句是头两名只差一分这半句今年会让一批觉得某一家已经遥遥领先的人先去把差距按在一分上掂量，掂完的回来点赞，句号。

你早就把答案递过去了、模型还要从头把它写一遍。这句吐槽被做成了 CDMs 受约束解码模型这一整套新架构，这做法我看完先记那三个专用件再掂快那半句。记的掂的点在下面一层层摆。摆好了看三个，个在下面摆着，摆好了自己比。
三个是这样摆的。第一个是分类件，你把标签定好、它回给你校准过的概率外加一条理由，路由、打标、意图识别都归它管。摆的第二个是抽取件。你用大白话说清楚要哪些实体。它回给你结构齐整的结构化数据、还带置信分和出处，爬取、文档处理、PDFs 和 PII 抹掉都用得上，摆的第三个是摘要件。

长文、图片。文档喂进去。它吐回一千枚令牌以内的一致摘要，上下文压缩、元数据生成。转写精简都接得住，摆的第四层在下面摆着，摆好了别眨眼。眨眼就翻过去了，过去一页少一页，少一页都是损失。损失不起的往下看。
省是这样算的。写出来的模型为写而生、而多数生产场景只要一个答案，又快又稳又便宜。专用件把输入读一遍就直接出结果。跳过了那套逐字往外蹦的循环。慢和贵的根源正在那套循环里，算的第五层是它挂出来的几组数字，数字是多模态输入一百万枚令牌、比 Jev 大三十一倍。

DecisionBench 拿七十七点二分、Jev 七十二分。比前沿接口快两百倍。便宜四百六十七倍，摆的第六层是那块价签。签是每百万枚输入令牌五分钱、输出免费，摘要也一样免费。摆的第七层在下面摆着，摆好了看那句铺货。货读完这篇就通了。
顺手补一笔给同行的，这类专用件的用法不是替换而是分流，把能拆的活拆出去、贵的模型只留在拆不动的地方。

铺货是这样铺的。几家主流网关和框架当天就挂了上去，新用户还有前五十小时的免费额度可领，铺的第八层是我的保留。保留是这则为官方发布。我按公告记账。几组数字我没复跑。以页面为准，记账的第九层是我的收尾，收尾在最后一段，最后一段到了就推门，门后是我的两句点评。

读完这篇正式结束。结束语不留悬念。悬念是给没看完的人的，看完的人不需要，不需要的直接收。收在下段，下段见，见了就懂，懂了就散，散会的礼数最后给。给完就收，收工，工收得干净，干净的收尾不带水。带水的都是没写完。
点评两句。第一句是把生成二字从负载里摘出去这步今年值得所有管推理成本的人记下来，记了的账才知道钱烧在哪儿。第二句是专用件比通用件快两百倍这半句今年会让一批在生产里硬扛大模型的人先按任务切一切，切完的回来点赞，句号。

GenOffice 这套把办公三件套原生格式当自家格式供着的开源软件摆上了台。字节级保留这四个字是它的底气。这摆法我看完先记那三样本事再掂本机那半句。记的掂的点在下面一层层摆。摆好了看三样，样在下面摆着，摆好了自己开。
三样是这样摆的。第一样是 Word、Excel、PPT 三件套的原生格式拿来就开、存回去原封不动、你没碰过的地方绝不重写。存回去在微软家照样能开。第二样是文档和表格的编辑。改动全带着修订标记摆出来。一键能撤，表格里给的是真能算的公式而不是贴死的数字，摆的第二层是它捎带的几样。
本机是这样立的。文件全程躺在你自己电脑上、只有调用人工智能那一下才联网，密钥可以用 Claude。OpenAI、DeepSeek 的也可以接本地模型。立的第四层是它给工具党的用法。

Claude Code 和 Cursor 还能直接使唤它去写文档。摆的第五层是那份授权。权是阿帕奇协议开源、三大桌面系统都有。个人和团队都免费，想换掉 Office 和 WPS 的可以试试。摆的第六层是我的保留。
点评两句。第一句是把格式保真当卖点这步今年值得所有做文档工具的人学一发，学了的底气才立得住。第二句是文件不离本机这半句今年会让一批把文档随手丢云端的人先想想哪几类文件该留在自己盘上，想完的回来点赞，句号。
仓库在这，github.com/genspark-ai/ge… ，。

一份把早年出海惨案扒到底的复盘摆了出来。横扫几亿用户的两家最后几乎全被打回来，这扒法我看完先记那道关卡再掂自收钱那半句。记的掂的点在下面一层层摆。摆好了看关卡，卡在下面摆着，摆好了自己避。
关卡是这样设的。海外的变现结构只有上游两家，一家 Google 一家 Facebook，合起来是一套巨型的广告联盟系统。想做软件得先花钱找他们买量。做大了还得接他们的广告插件分广告费。

摆的第二层是最致命的那一环，环是你的用户是向他们买的。你的现金流是他们发的，摆的第三层在下面摆着，摆好了别眨眼。眨眼就翻过去了，过去一页少一页。少一页都是损失，损失不起的往下看，看下段。
断供是这样落的。等中国公司的盘子大到啃了本地软件的份额，上游只需丢一句你越界了、封了你、别想再挂我的广告。这生意当场就得熄火。落的第四层是它给看客的解释。原因摆着，海外压根没有第三家能顶上的广告联盟。你软件做得再好也没有广告主会跨过它直接投你，摆的第五层是那个类比。换个话头，在国内做任何互联网生意。只要把收款那条线掐了你就得跪。
活下来的是这样分的。第一家是手游，走内购路线、用户直接充值买皮肤买道具，虽然也要交三成的税。可钱是从玩家兜里直接掏出来的，纯广告变现那个死结就这么绕了过去。第二家是 TikTok。最狠的一手是砸下几十亿美金、硬是再造出一家能与之分庭的联盟。流量、算法和广告主订单全攥在自己手里。跟那两家巨头坐上了同一张桌。摆的第七层是我的保留。
点评两句。第一句是把广告联盟当支付体系这步今年值得所有要出海的人记下来，记了的账才知道押在哪一头。第二句是TEMU、SHEIN 和 AI SaaS 这波学乖了。还想靠广告变现的工具团队先想想能不能直接向用户收钱，想完的回来点赞，句号。

Natura-1 露面，自称物理世界首个通用基础模型。靠的是一百万小时的第一人称人类经验。。这露法我看完先记那身板再掂涌现那半句。记的掂的点在下面一层层摆。摆好了看身板，板在下面摆着，摆好了自己掂。
身板是这样摆的。五百亿参数的混合专家（MoE）模型、在一百万小时的第视角人类生活经验上做预训练。摆的第二层是它认的活。活是照着自然语言指令零样本开工。再用一双灵巧的手把话变成动作，摆的第三层是它跟得动的指令复杂度。

复杂度是要在空间约束。多物体关系和反向条件里自己想明白再动手。摆的第四层在下面摆着。摆好了别眨眼。眨眼就翻过去了，过去一页少一页，少一页都是损失，损失不起的往下看，看下段。
长程是这样立的，它能自主把一段长而连续的工作流跑到底。立的第五层是它给学界的那句早期证据。证据是泛化甚至涌现行为可以和灵巧双手这摊复杂性共处。摆的第六层是那套后训练的路子，路子是在这个底座之上。

只用有限的机器人数据做高效微调。把预训练攒下的世界知识挪到灵巧操作上。挪出来的是对一堆没见过场景的泛化能力，摆的第七层在下面摆着，摆好了看那句老实话，话读完这篇就通了，通了就收工。
老实话是这样挂的，往后的进展要靠整条栈一起动。栈是更快训练和实时推理的基础设施。更大规模也更广覆盖的预训练数据。以及更少适配就能迁移到机器人身上的模型，摆的第八层是我的保留，保留是这则为官方发布。我按公告记账、各项数字与演示我没复核。原始页面为准。记账的第九层是我的收尾。收尾在最后两段，倒数第二段摆我的两句点评，末段就着一百万小时那半句停。
再补一句给围观的，一百万小时这个数是它最硬的门面，也最不容易抄。

顺手补一笔给同行的，这类底座最难抄的不是参数量是那份第一视角经验数据，谁先攒够谁就有自己的底座。

点评两句。第一句是拿第一视角经验当预训练底料这步今年值得所有做具身方向的团队记下来，记了的数据路线才立得住。第二句是泛化可以和灵巧双手共处这半句今年会让一批觉得这摊复杂度没法统一建模的人先去翻这份底座，翻完的回来点赞，句号。