1. OpenAI 开最高 90% 折扣挖 Anthropic 的客户，价格战进入贴身肉搏
据 The Information，OpenAI 正用大幅折扣把大客户从 Anthropic 手里拽走，而且已经见效。Rippling 把编码负载里 OpenAI 的份额从 16% 提到 52%，Anthropic 从 57% 掉到 18%；Replit 在拿到一份年值 超 1 亿美元合同的三折以上报价后换了供应商；DataCamp CEO 说 OpenAI 的报价把他的成本砍掉 80%–90%。最激进的一单是一家资产超 70 亿美元的美国银行：ChatGPT 席位从 250 免费翻到 500 个，单价压到 每用户不到 7 美元（正常 20 美元以上）。一部分份额是拿毛利换的，但 OpenAI 也通过 Sol 与 Luna 两条模型线、更高效的模型和基础设施做出了真实降价。代价在对手账上：一份投资人备忘录显示 Anthropic 增速从 Q2 到 Q3 放缓。两家现在还要一起面对中国的价格压力——DeepSeek、Kimi 的新模型用零头的价格给出了相近表现。
2. 英伟达开源 Flora：机器人视频标注从每小时 88 美元打到 72 美分
机器人模型靠带文字标注的视频学习，而英伟达 GEAR 实验室说这类标注需要三种：动作发生在什么时间（用来筛训练数据）、逐步进展打分（让它试错学习）、任务是否成功（部署时监控）。现有工具大多只提供一种，GPT-6 Astra 这类通用模型三种都能给，但量大到用不起。Flora 补齐三种，并且是三个微调过的 Qwen3.5：9B 负责切分动作片段，27B 结合前后文描述动作，另一个 27B 的 Flora-Rewarder 按提示切换角色——给整段打 1 到 5 分、把每半秒判成正常/次优/失败、或按自定义评分表打分。它已经在英伟达 GR00T 的训练里跑，每天在 512 张 GB300 上标注最多 20 万小时视频，权重开在 Hugging Face。50 条视频的对比里，即便允许 GPT-6 Astra 用满推理，Flora 仍略胜；成本按官方估算每小时 0.72 美元对 88.50 美元，Claude Opus 5 在同一测试里更差还要 42 美元。不过这些是假设每 GPU 小时 10 美元算出的推算值，不是生产实测；在公开的 WGO-Bench 上它只在动作边界检测上最好，总分落后 Astra，描述准确率还不如 Gemini 3.8 Flash。
3. Anthropic 反转立场：一个 Agent 比一群子 Agent 更好，还快一倍
Anthropic 现在建议企业评估能否把子 Agent 合并掉：一个主 Agent 在需要时按需加载上下文，往往在质量、成本、延迟三方面同时赢过一堆专职小 Agent。理由是模型变了——从 Opus 4.5 起，到 Opus 5.5、Fable 5.1，已经能在一个循环里直接管住复杂计划，某次对比中单 Agent 架构比多 Agent 快约两倍。这个结论来自 Applied AI 团队的企业落地经验：有个客户的客服 Agent 里塞了十几个子 Agent，品牌体验难统一，延迟也拖垮了可用性。Anthropic 把这叫 Agent 版的康威定律——架构长成组织架构图，每个团队各发一个子 Agent，最后几百个重叠 Agent 没有共同标准，再演化出互相打架的「科学怪人 prompt」。它给的替代方案很朴素：干净的 system prompt + 四五个精简数据工具 + 固定的输出护栏。副作用是 Claude Code 的 system prompt 为新模型砍掉了 80% 以上，因为 skills 和工具改成按需加载，模型自己会汇报进度、自检结果。子 Agent 仍然有位置：单 Agent 的上下文窗口出现可测的性能退化，或者本就需要并行多任务时。
4. Jack Clark 把「AI 自我改进」的时间表从 2028 提前到 2027
新基准 TasteVal 测的是「研究品味」——自己设计实验、自己读懂结果的能力。按 Anthropic 联合创始人 Jack Clark 的说法，这项能力自 2025 年 12 月以来大约每三个月翻一倍，最好的模型在成本只有零头的情况下打赢了 24 名人类专家组成的对照组（这些专家来自 OpenAI、Google DeepMind、英伟达、微软研究院）。基于这组数字，他把递归自我改进（RSI，AI 自己造出下一代 AI）的可能时间点从 2028 年提前到 2027 年。方法上要说清楚：TasteVal 只有 8 个任务，覆盖训练数据选择、预训练与微调、人类偏好训练、对抗提示防御，每题给了明确目标和可测分数，且「选哪个方向值得做」这一步已经替模型定好——它只考后两项，所以不能证明 AI 已经在自我改进。为排除编码能力的干扰，实验由固定 coding agent 在单张 H100 上跑，每次上限 40 GPU 小时或 120 小时墙钟。Clark 的判断是，争论的焦点正从「模型多强」转向「模型能独立承担多少科研工作」。
5. 施密特与弗格森：OpenAI 和 Anthropic 是「现代版的东印度公司」
历史学家 Niall Ferguson、研究者 Lisa Klaassen 与前 Google CEO Eric Schmidt 在《外交事务》联署的文章里，把今天的 AI 实验室类比成殖民时代的东印度公司——拿着政府特许状、自建军队、管着一整片地方，跟政府谈判却始终被牵在政府手里。他们的落点是算力经济学：模型进步依赖能源、矿产、芯片和资本，软件因此重新变成稀缺的地缘政治资源，够不到门槛的国家「根本不在牌桌上」。刚果的原材料、肯尼亚时薪几美元的数据标注工，被他们写成「聊天机器人时代的种植园经济」。文章还举了一个具体案例：今年 6 月美国商务部命令 Anthropic 切断外国公民访问其两个最强模型，由于无法实时核验国籍，Anthropic 直接在全球下线 Fable 5 和 Mythos 5；两周后 Fable 5 的出口管制解除，Mythos 5 至今只对美国境内部分机构开放。两国的路线也分得很清楚：华盛顿卖昂贵闭源技术换政治对齐，北京推开放权重模型换标准扩散；美国在聊天机器人上领先约六个月，中国在机器人上领先，而两边的瓶颈互为镜像——中国有电没顶配芯片，美国缺矿产和可靠电网。
6. 阿波罗首席经济学家：科技业之外，AI 的财务回报是零
Apollo Global Management 首席经济学家 Torsten Slok 把标普 500 里七大科技巨头剔掉，单看剩下的「标普 493」：利润率、人均营收都是平的，看不到 AI 提升生产率的证据。他的原话是，尽管投入巨大、叙事火热，这项技术「给科技业之外的美国企业带来了零财务回报」。他并不认为这只是传统企业慢半拍，而是怀疑便宜智能很难自动变成更高的营收增速和毛利率。核心论点一句话：「AI 也许是个很棒的计算机，但在商业里，智能主要体现为判断力」——AI 不懂问责、信任、文化、潜规则、伦理权衡和公平，而这些恰恰决定声誉风险，最终决定营收和利润。这与近期多项「AI 尚未带来显著生产率提升」的研究结论一致，也给正在给全公司铺 AI 的企业泼了一盆冷水。
7. 南北阁开源 Nanbeige4.3-33B：33B 稠密模型主攻 Agentic 编码与办公
BOSS 直聘旗下的 Nanbeige LLM Lab 在 Hugging Face 放出 Nanbeige4.3-33B，Apache 2.0，33B 稠密、标准 LlamaForCausalLM 架构（没有专家路由，每个 token 都跑满 33B），上下文 52.4 万 token，仅支持文本，同时提供 -Base 版供自己后训练。它的定位是系列里的「教师模型」，先把 agentic 能力做出来，再蒸馏进小模型，首个目标是 Nanbeige4.3-3B。自报成绩对 Qwen3.8-27B：Terminal-Bench 2.1 80.9 对 73.0，DeepSWE 65.5 对 42.5，Terminal-Bench 4.0 拿 23.8（Gemma4-31B 是 0.0）；办公向的 Automation Bench 54.2 对 38.3、JobBench 44.8 对 34.5，YC-bench 模拟营收 102.5 万美元对 64.1 万美元；推理侧 AIME 2026 95.2、AA-LCR 84.0。20 行基准里它输 3 行（SWE-Bench Pro 60.3 对 61.7、GDPval 84.8 对 86.4、GPQA Diamond 89.5 对 91.3）。Base 版在 8 项任务上全胜 Gemma4-31B-Base，MMLU-Pro 66.9 对 59.3、GPQA 62.0 对 41.5。注：以上全部为自报，且各家模型都跑在 Nanbeige 自己的 harness 上；限制也很直白——纯文本、每个 token 都要稠密计算，配套的 3B 还没发。
8. Hugging Face 开源 Carbon-X：14.8B 模型把 DNA 和自然语言塞进同一条 token 流
Carbon-X 是 Hugging Face Bio 放出的 14.8B 解码器模型，Apache 2.0，起点是 Qwen3-14B，但关键改动是没有独立的 DNA 编码器——DNA 与文本共享同一路 token 流、同一个解码器，所以模型可以在对话里直接读原始基因序列并用英文回答：判断突变是良性还是致病、标记调控区、分类物种、预测下一个碱基。因为权重能落在自家 GPU 上，敏感序列不必出实验室。训练四阶段，最难的旋钮是学习率：调高了模型学会了 DNA 却忘了英语，最后靠更低的学习率、14B 体量和更长训练才平衡住；直接在 Qwen3-14B 上做 RL，在 FrontierVEP 上从未超过 50% 的随机基线。自报成绩比 Qwen3-14B 高 27 分，落后 GPT-6.1 Sol 仅 0.8 分，在编码变异效应和下一碱基预测上领先，复杂变异与单碱基变异仍输给前沿模型；IFEval 严格准确率仍有 79.3%。成本是它最锋利的地方：按 H200 每小时 5 美元折算，单题推理成本约为 GPT-6.1 Sol 的 1/1800，给 240 万个 ClinVar 意义未明变异打分约 300 美元，同样的活在闭源前沿模型上要 3.2 万到 400 万美元。它还能当子 Agent 用——Kimi K3 咨询 Carbon-X 后 DNA 指数从 49.4% 升到 60.5%。部署上 vLLM 单张 80GB 显卡可跑，llama.cpp 需要 b11742 以上，旧版本会把 DNA 切错 token。
9. 斯坦福+伯克利 TokenGate：长上下文预填充最快 11.3 倍，精度不掉
长上下文最贵的一步是 prefill——每个 token 都要过每一层，注意力开销随长度平方增长。TokenGate（arXiv 2610.26754）做的是「学习型 token 剪枝」：给现成模型加一个小门控，只在关键 token 上做完整计算，其余直接略过，实测首字延迟（TTFT）快 1.4 到 11.3 倍、峰值 prefill 显存降 1.5 到 3.4 倍，且不损精度。工程上的巧处在可微性：Top-K 选择本身不可导，团队借了 MoE 路由器的招——把被保留 token 的重要性分数加成注意力 logit 上的偏置，梯度就能回传到打分器。在 Qwen3.5-2B（Gated DeltaNet 与全注意力混合）上，NIAH 32k 场景里第 3 层门控就能追平全量 prefill 的准确率，速度快 3.8 倍、比 FastKV 快 2.1 倍；把门控提前到第 1、2 层能到 7.8 倍，精度只掉 6% 以内——而 FastKV 只能剪注意力层。代码与权重已开源，环境要 Python 3.10+、CUDA PyTorch 2.9+，可选的 FlashAttention-2 key-bias kernel 只多花 1.0–1.1 倍开销，不装则回落到 FlexAttention。
10. 微软开源 Agensh：1024 个 Agent 不要总指挥，自己认领任务、自己合并代码
微软研究院开源了 Agensh（MIT 许可），一个去中心化的多 Agent 框架——它把主流框架里那个「主控 Agent」整个删掉，规划、派活、合并的活交给工人自己：每个 worker 自己挑子任务、共享发现、把代码并进同一个 Git 仓库。针对的是编排天花板：主控-工人架构里，主控要负责全部规划与合并且成为瓶颈。实验在 ProgramBench 最难的 5 个任务上做——FFmpeg、gromacs、pandoc、PHP-src、ctags，要求 Agent 只看行为、离线在 6 小时内重建程序，参考仓库从 2,767 个文件（pandoc）到 26,266 个文件（PHP-src）。用 GPT-5.6-sol 高推理档，平均最终测试通过率从 1 个 Agent 的 19.31% 涨到 8 个的 20.68%、32 个的 26.52%、128 个的 28.78%，等于 +9.47 个百分点、约 49% 相对提升；pandoc 单任务更是 33.89% → 41.75% → 43.11% → 50.94% → 1,024 个 Agent 时 55.06%。速度也一起涨：pandoc 上 128 个 Agent 在 30 分钟检查点就过了 30%，32 个和 8 个分别要 60 和 90 分钟。有意思的是分工是自发长出来的——8 个时同伴自行对齐接口、解决抢活；32 个时出现互审，有一条批准因反例被撤回；128 个时复用可信评审者、统一集成协议；到 1,024 个，部分 worker 自发转成集成者并抢救失败的工作。这些角色没有一行是硬编码的。它跑在 GitHub Copilot CLI 之上，论文称薄适配层可接 Claude Code 等其他 harness。
相关文章
