财联社2月6日电，快手发布致歉声明称，今天，网信部门公布了对快手作出的处罚。对此，快手诚恳接受，坚决整改。由于公司技术管理原因，应急处置不及时，导致平台出现大量色情低俗内容，造成恶劣影响。快手深感自责、深表歉意。事件发生后，我们全面排查风险意识、安全基建、应急响应和内部管理等方面存在的问题，积极采取多种措施补齐短板。今后快手将继续坚持安全与发展并重，强化依法合规经营意识，健全长效治理机制，切实履行主体责任和社会责任。

IT之家 2 月 6 日消息，据《Business Insider》今日报道，在将 SpaceX 总部从加州迁往得州后，马斯克才发现招聘成了一个大难题。 对于有家庭的人来说，说服家人一同搬去星际基地（Starbase）并不容易；而对于单身员工来说，那里除了远更大的问题还包括“找不到对象”，因为“几乎全都是男人”。所以，马斯克将该园区形容为“技术修道院”，并称最棘手的是员工“另一半”的生活与就业问题。 马斯克在周四发布的一段接近 3 小时的访谈中提到，SpaceX 得州南部发射基地、Starbase 总部对已婚技术人员、工程师和科学家来说吸引力有限，因为其地理位置偏远，家属在当地几乎找不到 SpaceX 以外的工作机会，马斯克把这种情况称为“significant other problem（另一半问题）”。 Starbase 位置偏远：距最近城市约 40 分钟车程 实际上，Starbase 自 2019 年以来一直用于火箭制造与测试，位于人口稀少区域，且靠近美墨边境，对面就是尚未开发的拉斯帕洛马斯（Las Palomas）野生动物管理区。 根据谷歌地图，Starbase 距离最近的城市布朗斯维尔（Brownsville）约有 40 分钟车程。布朗斯维尔人口约 18.7 万（基于最新美国人口普查数据）。 报道指出，这种偏远环境与 SpaceX 此前位于加州埃尔塞贡多（El Segundo）的总部形成鲜明对比。后者距离洛杉矶很近，属于美国最大的就业市场之一。 马斯克：特斯拉也有类似挑战，但程度较轻 报道同时提到，马斯克称特斯拉也面临类似问题，但情况没有 SpaceX 那么严重（IT之家注：特斯拉在 2021 年将总部从加州迁至得州奥斯汀）。 特斯拉得州超级工厂距离奥斯汀市中心约 30 分钟车程，而奥斯汀人口接近 100 万。此外，尽管特斯拉高管大多已搬到得州，但公司仍在加州保留多个机器人、能源和制造业务部门。 马斯克表示，由于特斯拉的工程团队仍主要在硅谷，员工的生活变化相对较小，“通勤也差不多”，并称特斯拉工程团队多数仍在加州。 值得一提的是，马斯克曾预测奥斯汀将成为“美国 50 年来最大的繁荣城镇”。同时，他也在推动扩展公司园区建设，包括在 The Boring Company 与 SpaceX 附近规划名为“Snailbrook”的公司小镇。

芯片需求旺盛 凤凰网科技讯 北京时间2月6日，据路透社报道，美国半导体行业协会(SIA)周五表示，今年全球半导体销售额预计将达到1万亿美元。 SIA称，2025年全球半导体销售额为7917亿美元，同比增长25.6%。这一迅猛增长预计将持续到今年，因为全球各大科技公司正斥资数千亿美元建设AI数据中心。 数据显示，增长最快、同时也是规模最大的芯片类别，是英伟达、AMD和英特尔生产的先进计算芯片。此类产品的销售额在2025年增长了39.9%，总计达到3019亿美元。第二大类别是存储芯片，在AI热潮导致供应短缺的背景下，其价格大幅上涨。存储芯片销售额增长了34.8%，达到2231亿美元。 SAI总裁兼CEO约翰·纽菲尔(John Neuffer)表示：“全球半导体行业在2025年创下历史最高销售额，接近8000亿美元。2026年全球销售额预计将达到约1万亿美元。半导体是几乎所有现代技术的基石，AI、物联网、6G、自动驾驶等新兴技术将持续推动芯片的强劲需求。” AI热潮已席卷芯片产业的几乎每个角落。纽菲尔透露，他在近期访问硅谷时，多家中小型企业高管均对2026年市场前景表示乐观。 纽菲尔对路透社表示：“我听到反复出现的一句话是，‘没有人知道一年后AI建设会发展成什么样，但我的订单已经完全排满了’。至少在未来一年里，我们正处在一条相当、相当强劲的增长轨道上。”(作者/箫雨) 更多一手新闻，欢迎下载凤凰新闻客户端订阅凤凰网科技。想看深度报道，请微信搜索“凤凰网科技”。

作者｜邸天宇 编辑｜胡展嘉 运营｜陈佳慧 出品｜零态LT（ID：LingTai_LT） 头图｜网络公开用图 叮咚买菜成功嫁入“豪门”。 2026年2月5日，美团在港交所发布公告，将以约7.17亿美元的初始对价，收购叮咚买菜中国业务100%股权。收购完成后，目标公司将成为美团间接全资附属公司，财务业绩也将并入美团财务报表。 正如叮咚买菜创始人梁昌霖在内部信中所言，“面向未来，我们做出了一个更具远见的决定：放下相向的较量，转为并肩的同航。”作为曾经的生鲜电商“三巨头”之一，叮咚买菜被美团并购，很大程度上说明，中国生鲜电商行业将进入巨头整合时代。 尽管此后，中国生鲜电商行业不会再有叮咚买菜的“故事”，但对比轰然倒塌的每日优鲜，能被巨头并购，于叮咚买菜而言，算得上一个体面的结局。 01 叮咚买菜“卖身”背后 众所周知，移动互联网发轫之初，曾催生诸多创新业态，这其中就包括生鲜电商。2016年前后，每日优鲜、盒马鲜生、叮咚买菜等生鲜电商企业先后成立，均主打“前置仓”模式。 这些生鲜电商企业之所以不约而同地选择前置仓模式，主要是因为该模式可以有效解决生鲜的时效、损耗、履约等痛点。比如，财报显示，2024年Q1，叮咚买菜生鲜商品的周转周期仅为5天，端到端损耗率仅1.5%。 不过需要注意的是，由于履约成本刚性极高、盈利模型脆弱，前置仓模式也导致生鲜电商企业普遍深陷亏损的泥潭。 对此，2019年，盒马创始人侯毅曾表示，“前置仓是做给VC看的伪命题，不可能盈利。”当年年底，盒马将前置仓调整为社区超市盒马MINI。 为了尽快打通商业闭环，叮咚买菜于2021年提出“效率优先，兼顾规模”发展战略，相继关闭珠海、唐山、宣城等城市的站点，偏安华东一隅。与此同时，叮咚买菜还大力压缩各项费用，以节省资金成本。 在一系列降本增效举措的带动下，叮咚买菜终于稳定释放利润。根据天眼查媒体综合信息，以及财报显示，2025年Q3，叮咚买菜营收66.6亿元；Non-GAAP标准下净利润1.01亿元，净利润率1.5%，连续十二个季度Non-GAAP标准下盈利。 如果可以持续稳定盈利，叮咚买菜也不失为一家“小而美”的企业。然而，近年来，随着巨头纷纷加码生鲜电商业务，叮咚买菜面临的不确定性越来越大。 《晚点LatePost》援引叮咚买菜内部人士消息称，梁昌霖回归公司管理后，经常问的一个问题是——如何应对美团等公司的跟进？公司里很少有人能给他一个满意的答案。 显而易见，作为一家即时零售企业，叮咚买菜的核心困境并不在于是否愿意“小而美”，而在于其所处的是一条处于“无限战争”状态的赛道。 毫不夸张地说，一旦遭遇巨头围剿，叮咚买菜的生存空间将被迅速压缩。在此背景下，及时“卖身”，对于叮咚买菜来说，可谓是风险最低、收益最高的理性出路。 02 并入美团叮咚买菜将成小象超市新“引擎” 美团之所以选择并购叮咚买菜，很大程度上是希望通过新业务打开想象空间。 2025年Q3财报电话会上，美团CEO王兴表示，“小象正在飞速成长。而且我相信我们是规模最大的在线杂货业务之一，我们位列前二，且增长速度最快。我认为我们在那些新鲜食品方面特别有优势。所以，我们计划在小象超市加大投资。” 据了解，小象超市是美团旗下的自营前置仓即时零售业务，前身为2019年1月推出的美团买菜，2023年12月升级为现名。 因切中了用户的刚需，过去几年，小象超市凶猛成长。2025年6月，雷峰网报道称，2024年小象超市GMV接近300亿元，超越叮咚买菜的255亿元。财报显示，2025年Q3，美团包括小象超市在内的新业务板块营收280亿元，同比增长15.9%。 为了进一步扩大市场影响力，小象超市计划大力铺设前置仓。截至2025年末，小象超市拥有约1000个前置仓，主要分布在华北。36氪报道称，2026年，小象超市计划开出700个前置仓，近乎翻倍。 小象超市谋求进一步扩张的背景下，叮咚买菜可谓得天独厚的“引擎”。一方面，叮咚买菜已打通商业闭环，并入小象超市，有望带动美团新业务减亏。 另一方面，叮咚买菜的“大本营”在华东，与小象超市的前置仓资源高度互补，可助力后者在“江浙沪”等消费能力较强的地区攻城略地。根据天眼查媒体综合信息，及财报显示，2025年Q3，叮咚买菜上海、江浙区域的GMV分别同比增长24.5%和40%，上海单日仓均单量约为1700单。 除了业务层面可以带来直接利好，美团并购叮咚买菜，还能有效压制竞争对手。据悉，此前京东曾计划收购叮咚买菜，以补足前置仓短板，不过其未能在锁定期内签字，美团最终得以交易。 一位消息人士对《晚点LatePost》表示，“美团不想把基础设施留给京东或其他对手，否则以后在即时零售上防守的成本会更高。” 零态LT认为，单就商业表现而言，利润空间有限的叮咚买菜并非优质投资标的，但在即时零售赛道深耕多年，沉淀了丰沃的资源，决定了其拥有极高的战略价值。 如今，随着即时零售产业竞争加剧，美团终于看到了叮咚买菜的价值。此番美团收购叮咚买菜，不仅有助于迅速补强并放大小象超市的成长动能、有效牵制竞争对手，也可以在战略层面释放清晰的扩张信号，有力提振资本市场的信心。 03 生鲜电商迈入“巨头”时代 其实过去几年，众多企业已用自己的经历和业绩证明了，前置仓生鲜电商商业模式存在先天缺陷，很难斩获亮眼的业绩。 然而颇为反常的是，2024年以来，美团、京东、阿里等互联网企业纷纷不约而同地加码前置仓生鲜电商业务。比如，2024年8月，盒马重启前置仓模式；9月，京东旗下的生鲜业务“七鲜”也在北京开出首个前置仓。 零态LT认为，巨头们纷纷加码利润微薄的生鲜电商，并非执着于这一单一业务本身，而是将其视为撬动更大零售版图、争夺核心用户与基础设施控制权的战略支点。 2025年Q2财报电话会上，王兴表示，“除了外卖，小象超市是使用频率最高的业务”，因为“生鲜是一种高频消费”，因此美团意识到“小象超市可以去到的城市比想象中多”。 “外卖大战”一年后的今天，消费者的正餐、奶茶需求已经得到了极大地满足。此前较少涉猎的生鲜电商，已然成为即时零售平台不能忽视的新增长点。 另一方面，与独立的生鲜电商平台仅经营生鲜电商业务，各项成本高企不同，即时零售平台手握数千万骑手，实现了规模效应，运力成本更低。因此，即便前置仓生鲜电商业态的利润空间有限，巨头们也更容易控制成本，避免亏损。 总而言之，美团收购叮咚买菜，对于中国生鲜电商行业来说，称得上是一个关键的转折点。虽然兜兜转转十余年，行业再次回到前置仓的轨道，但这并非原地踏步，而是一次“换人再赛”。 中国生鲜电商行业竞争的核心，已从模式创新与资本驱动，转向对供应链整合能力、履约效率以及跨业务协同的系统性比拼。生鲜电商不再是可以被单独拆解、独立讲故事的赛道，而是深度嵌入即时零售、本地生活体系之中的关键一环。 在此背景下，只有拥有庞大用户基础、成熟运力网络和充足资本耐力的巨头，才具备长期参与竞争的资格。可以说，中国生鲜电商已正式迈入“巨头时代”。

快科技2月6日消息，今日，千问在2026年春节推出“瓜分30亿”活动，其中第一波“20亿免单卡”允许用户通过简单指令领取25元无门槛券，实现0.01元喝奶茶。 用户只需更新千问App到最新版即能获得1张25元免单卡，可在全国30多万家奶茶店使用，奶茶店品牌包括喜茶、奈雪、瑞幸、一点点和古茗等。 据多家媒体报道，上午，千问开启新年送奶茶活动，访问人数短时间内激增。多家奶茶门店因单量过多，已经选择临时闭店。 不少网友在社交平台晒出自己和骑手的聊天记录，骑手上演抢奶茶大战，甚至有骑手抢多了直接送网友两杯，有网友直言：今天喝什么取决于我的骑手给我抢到了什么。 根据千问官方最新数据显示，“春节30亿免单”火爆上线，仅仅9个小时，用户在千问APP上的AI订单突破1000万单，彻底引爆AI购物。今天以来，用户已经对千问APP说了3000多万次“帮我买”。

IT之家 2 月 6 日消息，蔚来旗下乐道品牌今日宣布，2 月 15 日（腊月廿八）-2 月 23 日（正月初七）春节假期期间，乐道用户在全国高速公路换电站享换电免服务费。 IT之家注意到，昨天，乐道刚刚宣布全国换电站电池翻倍计划正式完成。12 月以来，乐道在全国换电网络增投了 8,295 块全新电池包，电池翻倍计划进度 103.68%，超额完成。目前乐道用户可用电池包数量已超过 15000 块，平均每座换电站储备 6-7 块。

文丨范东成 AI之争正在迈入新阶段。 国内互联网头部玩家营销战役再度升级。借助春节这一时间节点，各玩家已开启对用户入口与心智的全面争夺。比如阿里千问发布的“春节请客计划”，官宣30亿元规模，2026年2月6日上线了“25元免单卡”活动，用千问APP关联淘宝闪购，即可一句话免费点奶茶。由于活动参与人数过多，千问APP一度出现崩溃的情况。 前几日引发广泛讨论的则是腾讯。2026年2月1日，腾讯元宝宣布发放10亿元现金红包，相关活动随即通过微信开始了刷屏裂变式传播。用户可以通过点击好友分享的红包链接等方式在元宝APP内领取，并关联至微信直接提现。 在“百模大战”中一度被视为落后的腾讯，试图凭借无可匹敌的社交网络生态优势强力追赶。但2026年2月4日，微信官方发布声明，判定元宝相关链接违规，限制其在微信内直接打开。这种互搏凸显了腾讯关于生态秩序和增长的复杂考量。但也有不少网友认为，这是腾讯获取3天先发优势后，主动以看似公平的规则，阻击之后千问与豆包的活动。 字节与百度已将重心放在了春晚。字节的火山引擎是央视春晚独家AI云合作伙伴，旗下的豆包也将配合上线多种玩法。豆包官宣，2026年2月16日除夕将上线硬核好礼。百度以首席AI合作伙伴的身份与北京台春晚合作，还发布了5亿元现金红包活动。 自2022年11月，ChatGPT掀起全球AI大模型风潮后，AI在几年内有了一系列突破性进展。放眼全球，大模型都在全面融合商业生态，以求用高频场景融入用户生活，占据用户心智。 海外头部玩家亦迅速迭代，各展所长。 2026年2月6日，OpenAI发布了号称最强编程代理的模型GPT-5.3-Codex。此前，OpenAI宣布将在ChatGPT的免费版及最低付费版中植入广告。埃隆·马斯克旗下xAI的Grok模型在2026年1月4日更新至1.3.28版本后，又于2月2日推出了图像生成模型Grok Imagine 1.0。 谷歌继2025年11月发布Gemini 3 Pro后，于2026年1月15日为Gemini上线了名为Personal Intelligence的关键功能，允许Gemini在用户授权的情况下，接入Gmail、Google Photos、YouTube等谷歌系服务中的个人数据。 大模型的发展范式从追求参数规模为核心的训练时代，迈入了以实用化、低成本和高集成度为价值尺度的应用时代。技术的快速演进不断拉低应用成本，提升运行效率，推动AI以前所未见的深度与广度融入日常生活与各行各业。而头部玩家们正凭借原本的庞大生态，在这一战略要地上展开激烈争夺。 01 技术助推普及 全球AI应用已逐渐普及。 调研机构Sensor Tower数据显示，2025年，全球用户AIGC应用的累计使用时长为450亿小时，这一数字是2023年的9倍，是2024年的3倍。 国内AI应用趋势也是如此。据调研机构艾瑞咨询发布的《中国移动互联网AIGC赛道流量报告》，2025年1月-10月，国内移动互联网AIGC应用独立设备数从3.18亿增长至4.83亿，渗透率从22.1%提升至33.2%，其中主流应用为大语言模型（2.98亿）和AI智能工具（2.41亿）。 自ChatGPT确立AIGC的主流技术范式后，国内玩家迅速跟进，在短时间内进行了密集探索，形成了所谓百模大战的行业初期格局。 关键节点如2024年3月，月之暗面旗下Kimi凭借长上下文能力初露锋芒；还有2025年1月，DeepSeek异军突起，包括腾讯元宝在内的许多AI产品均宣布接入DeepSeek模型。字节的豆包与阿里的千问也在2025年持续发力，豆包2025年3月推出深度思考模式，12月发布豆包大模型1.8版本与Seedance 1.5 pro音视频创作模型；千问则在2025年4月将通义千问Qwen3模型全面开源发布，11月又将产品升级为千问APP。 技术发展是大模型实现大规模、低成本普惠化应用的根基。 混合专家模型（MoE）的普遍使用即是如此。简单来说，MoE相当于一支高度协同的专家团队，将一个庞大的AI模型拆分成多个各有所长的专家。这些专家有的擅长处理文本，有的精通代码生成，有的专攻逻辑推理。每次遇到任务，MoE的调度器会选出最合适的专家来处理，避免整个团队全体加班，从而平衡效率与成本。 这项起源自1991年的技术，2020年由谷歌开始集成到Transformer神经网络架构中，2024-2025年进一步优化了专家内部组织与协作效率、与新一代AI硬件深度融合等方面，并向编程、代码生成、扩散语言模型等更专业的任务领域扩展。 自2025年开始，MoE逐渐成为前沿模型的首选架构。据全球知名独立AI基准测试机构Artificial Analysis发布的榜单，2025年12月，全球前10名最智能的开源模型全部采用了MoE，包括GPT-oss-120B、DeepSeek-R1、Kimi K2 Thinking及Mistral AI的 Mistral Large 3等。 作为技术探索者，DeepSeek在降低成本方面仍在持续突破。 2025年12月，DeepSeek发布DeepSeek-V3.2系列，其中多项核心技术突破引发关注。比如DSA，即DeepSeek Sparse Attention，是一种细粒度稀疏注意力机制，能够让模型在处理长文本时像人类的选择性精读一样，只重点关注关键的信息片段，而非死板地分析每一个字词。这种技术使模型在支持高达约13万字的超长上下文的同时，将推理成本降低了约70%。 据海克财经了解，该模型还采用了FP8精度和MTP（Multi-Token Prediction，多词元预测）技术，即在训练过程中一次预测接下来的多个词元（Token），而不是仅预测下一个词元，能够提升模型处理自然语言的能力和推理速度；这使该模型系列的训练成本仅约550万美元（约合人民币3800万元），远低于闭源模型动辄数亿元的投入。 阶跃星辰旗下同为开源大模型的智能体基座模型Step 3.5 Flash也是典型一例。该模型2026月2月发布，同样采用MoE架构，能够在较低功耗的情况下实现深度思考，生成速度为最高每秒350个词元。 新技术使单次AI调用的成本从原来的以元为单位降低至以分、厘为单位，这就使国内大模型免费策略在成本层面变得可行。由此，头部玩家以免费方式获取亿级用户的海量交互数据，以此反哺模型优化，形成强效的数据飞轮。而免费策略又加速了技术普及和市场教育，成为构建数字生态和商业模式的起点。 02 商业化再向前 免费模式获取用户效果卓著。 调研机构QuestMobile数据显示，2025年12月，国内AIGC的APP行业MAU（月活跃用户）规模超过2亿，同比增速达150.4%；AIGC原生APP的MAU排行前五的分别是豆包（2.26亿，同比增长201.3%）、DeepSeek（1.35亿，无同比）、元宝（4071万，同比增长1829.7%）、蚂蚁阿福（2689万，2025年6月上线，无同比）和千问（2572万，同比增长784.2%）。 结合最新动作看，字节、阿里与腾讯的AI应用战，仿佛重演互联网曾经种种“跑马圈地”战役，将AI入口嵌入搜索、社交、电商、办公等现有产品中，以真金白银的高投入迅速换取流量，本质是在争夺用户注意力的同时，利用AI加固自身原有壁垒。 以阿里为例，2026年1月，千问就宣布全面融入淘宝、支付宝、淘宝闪购、飞猪、高德等阿里生态业务，并向全体用户开放测试。千问春节大请客活动同样基于淘宝、淘宝闪购、飞猪、高德、盒马等业务。 腾讯元宝打通了微信、QQ等社交生态，用户可以通过微信、QQ添加元宝为联系人，随时随地和元宝AI互动，还能在公众号、视频号评论区@元宝，让它总结内容、拓展提问。在微信公众号评论区@元宝进行互动，已是非常流行的玩法。 据海克财经观察，相较于国内互联网头部玩家的免费玩法，海外头部AI玩家及国内AI上市玩家均以付费模式为主，C端为订阅付费，B端为API付费，还有垂直场景定制付费。 据Sensor Tower发布的《2026移动应用市场报告》，全球2025年AI应用下载量TOP6分别为ChatGPT、Gemini、DeepSeek、豆包、Perplexity和Grok。 全球第一的ChatGPT，C端付费的价格在每月8美元（约合人民币55元）到200美元（约合人民币1400元）不等。据2026年1月OpenAI CFO萨拉·弗莱尔（Sarah Friar）公布的信息，OpenAI自2023年至2025年的ARR（年度经常性收入）分别为20亿美元（约合人民币138亿元）、60亿美元（约合人民币416亿元）和200亿美元（约合人民币1388亿元）。 国内智谱与MiniMax颇值一提。两家公司分别已于2026年1月8日和1月9日成功登陆港交所。 智谱营收以大模型本地化部署方案业务为主，以云端MaaS（模型即服务）部署为辅。据招股书，智谱2024年营收3.12亿元，其中本地化部署收入2.64亿元，占比84.5%，云端部署收入4848万元，占比15.5%；2025年上半年营收1.91亿元，其中本地化部署收入1.61亿元，占比84.8%，云端部署收入2910万元，占比15.2%。 MiniMax则以AI原生产品的C端付费收入为主，包括MiniMax智能体应用、视觉生成平台海螺AI、音频生成工具MiniMax语音、全模态交互平台星野（海外版为Talkie）。 招股书显示，MiniMax公司付费用户数从2023年的11.9万增长至2024年的65万，截至2025年9月30日止的9个月，付费用户数达177.1万；2024年，公司营收3052万美元（约合人民币2.12亿元），其中AI原生产品收入2180万美元（约合人民币1.51亿元），占比71.4%，开放平台及其他基于AI的企业服务收入871万美元（约合人民币6044万元），占比28.6%；截至2025年9月30日止的9个月，公司营收5343万美元（约合人民币3.71亿元），AI原生产品收入3802万美元（约合人民币2.64亿元），占比占比71.1%，开放平台及其他基于AI的企业服务收入1541万美元（约合人民币1.07亿元），占比28.9%。 国内外用户付费意愿和习惯不同，塑造了AI市场截然不同的商业化路径。国内AI付费依赖B端市场，海外个人用户为高质量数字服务付费的习惯成熟，使得ChatGPT为代表的C端订阅模式能够建立和运转。MiniMax也是一例，尽管这个由前商汤科技副总裁闫俊杰创立的公司是一家绝对的国内公司，但招股书数据显示，2025年前三个季度，MiniMax有约七成营收来自海外市场。 03 超级入口未来 当前巨头的AI竞争，胜负手不在于任何单一的技术点或产品功能，而是全面转向了整个生态系统的构建、整合与主导能力。 谷歌便颇为典型。 自Gemini 3 Pro上线开始，谷歌AI产品更受市场认可。据调研机构Apptopia于2026年2月发布的数据，2025年1月至2026年1月，Gemini的市场份额从14.7%提升至25.1%，而ChatGPT的市场份额则从近70%下滑至约55%。 需要说明的是，谷歌并未在财报中单独公布Gemini的收入情况，但谷歌的许多业务增长都与Gemini的增长有关。财报显示，2025年第四季度，谷歌云业务收入176.64亿美元（约合人民币1225.95亿元），同比增长48%。据谷歌财报电话会议，谷歌云业务的爆发主要受益于企业AI基础设施、企业AI解决方案以及核心谷歌云平台产品需求激增驱动；而2025年第四季度，Gemini的AI应用MAU已超过7.5亿。 全球AI头部玩家的竞争，核心在于生态集成的广度与深度。这一趋势在谷歌与微软身上体现得尤为鲜明。 微软通过旗下AI助手Copilot，将OpenAI的GPT技术深度引入Office套件的工作流程中，实现了从技术合作到产品融合。谷歌则在庞大的自有生态内执行了相似的策略，将Gemini全面接入拥有数十亿用户的Workspace、Chrome浏览器等。 国内玩家也是如此。除独立应用入口外，阿里将夸克浏览器升级为AI超级框，腾讯用智能助手重塑QQ浏览器，百度也用AI能力助力搜索引擎转型。同时，这种AI改造的浪潮还全面席卷生活服务领域，美团、滴滴、携程等平台相继上线AI助手或升级智能引擎。除拼多多外，国内几乎所有核心互联网入口均已完成向AI+形态的战略转身。 而字节、阿里与腾讯的动作，是将AI应用打造为生态内的超级入口，通过AI深度打通并调度同一生态旗下的各类应用与服务。这不仅能显著提升各个独立应用的功能与体验，更能在生态内部形成高效的流量与数据闭环，实现应用间的价值互哺。这是在整体提升用户便利性和粘性。 智能体概念的空前火热也是这种行业共识的集中体现。人们期待AI从“会聊天”转向“能办事”，代替人类完成从规划到落地的复杂任务，不再局限于对话。 但这当中潜藏着深层次的生态协作难题。 移动互联网时代固化下了APP孤岛格局，这是智能体发展的关键掣肘。所谓孤岛，是指每个应用程序都如同一个独立的岛屿，出于对数据资产、用户留存与安全边界的守护，它们彼此封闭，构筑了难以逾越的壁垒。这种相互隔绝的现状，直接阻碍了AI智能体串联不同服务、执行复杂多步任务的核心理想，因为智能体的价值恰恰在于能够跨应用协调与调度，而非在单一应用内完成任务。 字节在2025年底推出的豆包手机助手，正是以激进方式打破孤岛的一次大胆尝试。豆包手机助手通过与中兴手机的系统级深度合作，采用GUI（图形用户界面）智能体技术，让AI获得了模拟人类操作、直接“看懂”并操作手机屏幕上任何应用的能力。用户只需发出语音指令，AI就能自动完成跨微信、淘宝、美团等多个应用的复杂任务，如比价、订餐等，由此绕过应用间固有的API接口限制。 但这种直接接管屏幕的操作模式，被主流应用厂商视为对自身生态护城河、用户数据安全及核心广告商业模式的直接冲击。因此，豆包手机助手在发布后几乎立即遭遇了来自微信、淘宝、美团等超级应用的集体封禁，导致其核心功能几近瘫痪。不过几天时间，字节就主动停止了初代豆包手机的批量生产。到了2026年1月，据36氪等媒体报道，豆包手机正式版项目已启动，新机预计在2026年第二季度面世。 当前AI头部玩家争夺超级入口，既渴望自身成为主宰流量的中心，又极力防止对手的入口渗透并掌控自己的应用生态。 阿里、腾讯、字节、百度等玩家选择生态内循环，即在自身庞大的产品矩阵中深度整合AI，入口的广度完全取决于生态的边界，竞争本质是自有用户规模的比拼。 各玩家还在尝试通过硬件创新等方式绕开难题，比如开发AI眼镜。这类设备不寻求强行整合或穿透其他应用的后台，而是作为叠加在手机屏幕之上的增强现实交互层，通过视觉识别与语音指令直接为用户提供信息增强与操作辅助。这种轻集成模式，因其不触动现有应用的数据与商业核心，所面临的阻力也更小，其技术实现与商业化落地也因此显得路径更短、速度更快。 无论选择何种道路，战争都注定不可避免。2026春节营销与封堵的硝烟刚刚燃起，而这仅仅是终极竞赛的序幕。兵戎相见的大规模冲撞已经开始，赢家或就在不远处。

文｜唐伦 图｜网络资料 春节红包大战，将大厂的AI竞速推向“白热化”。 继腾讯、百度分别要发10亿、5亿现金红包后，阿里千问30亿“春节请客计划”也在今天（6日）正式启动。豆包也将在一周后的央视春晚上，和火山引擎绑定出现。 最先被用户看到，也是极具象征意义的一幕是，大量用户涌入腾讯元宝，建“派”、拉人、分红包，瞬时流量一度导致元宝服务器宕机。元宝红包迅速在微信群、朋友圈刷屏，其关联信息登上各平台的热搜。 随之而来的热议，也将元宝和腾讯AI推向舆论中心。比如，点赞者认为这轮红包，加速普及AI，也让业界看到腾讯在原生AI上的策略和进展；也有质疑认为，这种方式简单粗暴，是为新功能冷启动的流量借势。 在我看来，有争议不一定是坏事，反倒说明腾讯在AI社交上的探索，走进了“非共识”的领域。这是AI向前演进必须要经历的过程。 社交是人类最底层的需求之一，面对的是“我和他人的关系”，这其中既包含明确目标，也存在大量非目的性交互；既有效率诉求，也有情绪价值。 把 AI 放进社交场景，相当于把模型直接置入人类最复杂真实的系统环境中，这其中关键问题不再只是“AI 能做什么”，而变成了“AI 应该处在什么位置”。 AI是一个具有人格的交流对象？一个随调随用的工具？还是一个嵌入关系网络、参与群体互动的智能节点？ 华山自古一条道，但AI不是。不同的答案，指向不同的逻辑，最终的产品形态还未落定。 过去几年，各家都在尝试如何拉近AI与人的关系，如何让AI深入真实场景中探路。若拉长时间线来看，元宝派或许是AI社交这个方向上，更深层次、更进一步的人机交互实验。 把AI当搭子，获取“多人+多AI角色”情感陪伴 让人与AI角色交流，围绕情绪价值构建产品，是这个方向上较早的探索。其中，Character.AI无疑是最激进的。 这家公司的创始人是前Google LaMDA项目核心成员。LaMDA是专门为对话应用程序训练的模型，其设计初衷正是为了让大模型能够和人进行自然、流畅的对话。2022年，LaMDA因一则新闻广受关注，当时谷歌的一名工程师声称该模型具有自我意识。 尽管这一说法保守争议，但LaMDA的问世已经说明语言模型具备“持续人格”的可能性，即模型能够长时间维持 语气、立场、情绪一致性，能对抽象身份进行自洽扮演，以及能在对话中“记得自己是谁”。 Character.AI的产品便是基于模型的这些特性构建。用户可以创造或选择与成千上万个拥有不同“人格”的AI角色对话。这些角色可以是历史名人如爱因斯坦，也可以是动漫游戏里的虚构人物，甚至是用户根据自己想象创造的全新形象。 当这种人类与AI角色一对一的交流延伸到多人场景时，一个由AI角色强主导的多人交流空间便自然形成了。2023年，Character.AI推出了“群聊”功能，允许多个用户与多个AI角色在同一个空间里互动，AI 和 AI 之间交互也会碰撞新的观点。 比如，让历史人物（如苏格拉底、拿破仑）与现代科技名人（如埃隆·马斯克、扎克伯格）在同一个聊天室里辩论哲学或商业问题，人类用户可以观察他们的交流，甚至看到AI苏格拉底与AI马斯克吵架的盛况。人类是参与者，也是观众，而AI角色则是推动对话发展的核心。 人们在意的是与AI持续的交流中收获的情感体验，如消解孤独、获得认同等等。正如，Character.AI的很多用户承认因为聊天体验过于逼真，对产品的依赖不断增强， “自己创作的角色拥有生命，就像在与真人交谈。” Character.AI走红之后，主打“陪伴”的AI产品在国内外都掀起了一阵风潮。字节做了“猫箱”，快手推出了“飞船”，还有Minimax的“星野”、阶跃星辰 的“冒泡鸭”等等。 从产品体验看，Character.AI本质上不是在做社交，因为人并不一定需要“另一个人”，也能获得持续、沉浸的情感与叙事体验。它的本质是把“AI陪伴”做成了可交互的内容形态，形成“多人+多AI角色”的组合。 尽管AI陪伴描绘了一个充满想象力的前景，但在技术成熟度、产品差异化等多个层面，整个行业都还处于探索阶段。这类产品的共同困境是，用户一旦完成初次探索，如果缺乏强烈的新意或社交粘性便会离开。 把AI当助手，构建“多人+多Agent”协作组合 随着AI技术发展，大模型逐步具备了多轮理解与复杂协作的能力。以 OpenAI、Google、Microsoft，以及国内阿里、百度为代表的一线厂商，都将 AI 定位为“公共工具”，嵌入到群聊等协作空间。 去年底，OpenAI 为 ChatGPT 推出的群聊功能，就是一个典型的“多人协作空间”。在这个空间里，多个用户可以共同与 ChatGPT 互动，协同完成一项任务。比如，一个团队可以用它来共同策划一场市场活动，AI 负责根据讨论内容生成方案、总结要点、甚至草拟邮件。 在这个过程中，ChatGPT 不主动“闲聊”，也不会试图建立情感连接。你可以通过@ChatGPT 召唤它，确保它在关键时刻回应你的需求。同时，它也能自行判断该不该说话。 Microsoft 的路径更加企业化。Copilot 被深度嵌入 Teams、Word、Excel 等协作工具中，在会议记录、文档共创、任务拆解等场景里充当实时助理。Copilot 可以自动生成会议纪要、提炼行动项，甚至在群聊中根据上下文补充数据与建议。但AI始终以“生产力插件”的身份存在，而非群聊中的独立角色。 Google 则延续了 Workspace 的协作传统，将 Gemini 融入 Gmail、Docs、Meet 等产品。在多人文档或会议场景中，Gemini 可以帮助用户实时总结讨论内容、生成草稿、提取重点。这种设计同样强调 AI 的工具属性。 三者的共同点在于：AI 被放置在任务流程节点上，成为默认可调用的能力模块。这条路径的核心逻辑是“AI 即效率”。AI不是群成员，而是群助手。它的价值在于精准地响应指令，高效地完成任务，而非真正进入到人类的关系网络中。 在国内，阿里和百度也在这一方向上进行探索。阿里旗下 UC 浏览器开始内测“AI 群聊”功能，从网传截图来看，默认成员包含“小优”、夸克 AI、通义千问、Deepseek 等多个智能体。目前 UC 的 AI 群聊尚不融合真人用户，更像是将内部模型能力进行整合。 百度的逻辑则与其“搜索”基因一脉相承。其“文心一言”App 内测的“多人、多 Agent 群聊”功能，更侧重于信息获取与处理。用户在一个群聊中，可同时调用“群聊助手”“私人助手”“健康管家”等多个智能体解决复杂问题。这如同把传统的“搜索框”，升级为一个多智能体协作的工作台。 从这些产品的形态来看，表面是“群聊”，本质上是在将原本分散在不同工具中的 AI 能力，聚拢到统一的协作空间，构成以任务为导向的“多人 + 多 Agent”协作组合。 这一路径是当前相对稳妥和成熟的落地模式。但它的挑战同样明显：当各家大模型能力逐渐趋同，当群聊协作、上下文理解成为行业标配，工具型 AI 很容易陷入“谁都好用，但谁都可被替代”的境地。 把AI当做群成员，放进人类真实的社交场景 社交的本质是“关系”，而不仅仅是“任务”。一个纯粹以任务为导向的空间，或许能提高协作效率，但它能否承载人类复杂多样的社交需求，仍然是一个值得探索的问题。我们也能从这个视角，看看腾讯的“元宝派”。 图｜元宝派截图 这个产品的机制很简单，用户在元宝中创建一个可多人聊天的“派”，然后一键发给微信、QQ好友，邀请更多人加入。 用户拉“派”的动机来自同一兴趣（投资、追星、游戏），或者同一身份（同事、同学、圈子）等等，形成了八卦、吐槽、学习交流等五花八门的“派”。 有人把家族群转移到了元宝派，长辈平时转发一些伪科学养生文章，就可以一键@元宝辟谣。还有人创建了打卡读书派，大家各自聊每天看了什么书，有什么感悟，遇到不理解的内容，可以跟派互动请教。 值得注意的是，这些拉“派”动机并不依赖 AI产生，而是原本就在你我日常生活中的社交需求。 此外，元宝派还引入了更多腾讯生态的内容，比如 QQ 音乐的歌曲、腾讯视频的影视剧、腾讯体育的 NBA 比赛等，让“派”里的成员有更多事情可以一起做。 一个产品细节是，在元宝派中所有成员的头像都是在聊天框底部显示，点开一个人的头像就可以跟对方私聊。有用户体验后，“想起了当年高中读书的时候，给朋友传小纸条。” 从产品体验看，元宝“派”在大模型时代构建了一个个智能客厅，是“多人+AI成员”的组合，更加侧重的是人与人的关系。 AI 以群成员身份进入这些真实社交场景，不是群聊里的“工具插件”，更像是一个随时在场的智能参与者。它的作用是参与讨论、提供信息、辅助决策，以及活跃气氛。 AI核心的价值是强化人与人原有的链接，辅助大家社交得更顺畅。这是尝试把 AI 变成关系网络上的基础能力，一个智能的社交节点。 这种设计背后，其实是腾讯一以贯之的产品方法论，不是先去想“要给用户提供什么功能”，而是先考虑哪些人会因为什么关系，长期留在同一个场景里。 微信支付就是一个典型例子。移动支付兴起时，人们普遍认为只有电商这种强交易属性的产品才可能做支付，但腾讯看到的是另一件事，即人与人之间天然存在大量“非商业”的金钱往来，如转账、AA、红包、礼金。 这在当时是被低估的高频场景。一旦支付嵌入熟人关系网络，它就不再依赖复杂的交易闭环，而是熟人之间的信任，以及在“非商业”金钱往来上的便捷。 因此，腾讯不只是“做支付”，而是把“关系里的支付行为”变成基础设施一般的功能。 在腾讯的社交产品体系中，有私聊、群聊、熟人网络、半熟人网络，这几乎集合了国内最大规模、高频的社交场景。 这一次，腾讯没有选择直接在微信或 QQ 中植入元宝，而是单独推出“元宝派”，本身也说明这是一次带有实验性质的尝试，先在相对独立的产品里，验证 AI与真实社交关系融合的边界。 从把 AI 当搭子，通过对话获得情绪价值；到把 AI 当助手，提升多人协作的办事效率；再到尝试让 AI 融入真实社交场景，在既有关系中验证其长期价值——我们对于如何利用AI的探索在由浅入深。 这个过程中，人类与AI的距离也越来越近，要解决的问题也愈发复杂与困难。 前两种探索主要考验模型能力与产品设计，后者则需要直面人类关系本身，即AI 能否在不打扰社交结构的前提下，成为稳定存在的一部分。这考验的是对人心和人性的洞察。 今年春节档，大厂密集推出 AI 社交功能，更像是一场集体性的前沿试探。它未必立刻分出胜负，却已经指向一个清晰趋势：AI的竞速开始转向人与人的关系。 热闹红包背后，腾讯的元宝派在这个方向上，首先迈出了一步。而这场关于未来人机共处方式的实验，才刚刚开始。

IT之家 2 月 6 日消息，美团今日（2 月 6 日）发布 LongCat-Flash-Lite 模型，这是一款拥有 685 亿参数，每次推理仅激活 29 亿 ~45 亿参数的轻量化 MoE 模型。 通过将超过 300 亿参数用于嵌入层，LongCat-Flash-Lite 宣称不仅超越了参数量等效的 MoE 基线模型，还在与同规模现有模型的对比中展现出“卓越的竞争力”，尤其在智能体与代码领域表现突出，并依托 YARN 技术可支持最长 256 K 上下文，能高效处理长文档、大规模代码分析等场景。 同时，该模型基于嵌入扩展的应用与系统级优化，让模型推理效率大幅提升，在输入 4K，输出 1k 的典型负载下，LongCat API 可提供 500-700 token/s 的生成速度。 美团宣布向开发者开放 LongCat-Flash-Lite 版本 API 接口，可登录 LongCat API 开放平台申请，每日免费额度 5000 万 tokens。

IT之家 2 月 6 日消息，阿里千问 App 宣布，刚刚，“千问春节 30 亿大免单”活动订单量已超过 1000 万单，这距离活动上线仅 9 个小时。 官方表示，今天，大家对千问 App 说了 3000 多万次“帮我买”这个词，这改变了人们十多年来使用手机搜索或点击的习惯。 官方还解释道，今天大家体验 AI 购物的热情远远超过团队的想象，导致免单活动出现流量拥堵，影响体验。团队正在持续扩容，全力保障活动体验。官方提醒： 免单卡使用期限一直到 2 月 23 日，在此之前，都可以随时使用。推荐大家错峰下单，以获得更流畅的服务体验。 免单卡除了点奶茶，也可以买早中晚餐和鸡蛋、青菜等生鲜百货，还可以通过千问 App 买天猫超市和线下商超的年货。 全国的盒马门店也正在接入中，大家陆续可以通过千问 App 享受到更丰富的商品免单体验。 据IT之家此前报道，千问 App 今天开启第一波“春节 30 亿大免单”活动，所有用户只需要将千问 App 更新到最新版，打开就能领取 25 元无门槛免单卡，能够免费喝奶茶，也能够通过淘宝闪购买年货、点外卖，并且 App 还能够“一句话免单点奶茶”，只需输入“千问帮我点奶茶”提示词就行。

出品 | 网易智能 作者 | 辰辰 编辑 | 王凤枝 你只需要投入创意、审美与逻辑，剩下的苦力活，全交给它。 2月6日凌晨，Anthropic正式推出了Claude Opus 4.6。这不再是一个只会写打油诗的“小助手”，而是一个真正能处理百万美元级复杂业务的“超级智能体”。 它像一位经验丰富的专业分析师，能在几分钟内穿梭于成百上千份财报、监管文件中，梳理逻辑、核对细节，产出深度报告。大量的实测显示，Opus 4.6在处理需要严密逻辑、专业术语理解和多步推理的任务时，已经与竞争对手拉开了明显的代差。 首批拿到内测资格的一线开发者和金融分析师已经“炸锅”了。 Opus 4.6展现出了惊人的“长久专注”和“执行力”：它彻底告别了前代的“偷工减料”，在面对复杂的系统排错时，表现出近乎执拗的彻底性；它更攻克了困扰行业的“近因偏差”，即便是在20万Token之前提到的指令，它依然能死死记住并严格执行。 这是AI从“玩具”向“工具”，再向“数字同事”迈出的关键一步。 01 AI的进化： 从“聊天框”到“数字雇员” 以往我们用AI，更像是找个“会写诗的小助手”；而Opus 4.6的目标是成为一个能处理百万美元业务的“数字同事”。Anthropic产品负责人Scott White就此还提出了一个颠覆性的概念：“氛围办公(Vibe Working)”。 不同于通用大模型的“泛泛而谈”，Opus 4.6专为高价值专业场景重构。过去，分析师需要穿梭在成百上千份财报、监管文件和实时资讯中，这种重复的、高压的数据搬运是最大的“阻力”。 现在，你只需要把这一堆乱麻丢给它。Opus 4.6不再是泛泛而谈，而是能像专业分析师一样，在几分钟内梳理逻辑、核对细节，产出深度报告。这意味着，你的工作不再是手动点点点，而是投入创意、审美与逻辑，剩下的“苦力活”交给它。 大量实测显示，Opus 4.6彻底没了前代的“偷工减料”，在面对复杂系统排错时，即便不加指令，也会表现出近乎执拗的彻底性；还攻克了困扰行业已久的“近因偏差”，即便是在20万+Token之前提到的指令，它依然能死死记住并严格执行，这种“长久专注”是处理金融审计等严肃任务的基础。 Github首席产品官马里奥·罗德里格斯(Mario Rodriguez)强调：“Opus 4.6能够有效应对开发人员日常面临的复杂、多步骤编程工作，尤其适用于需要规划和工具调用的智能体工作流。” 02 性能天花板： 硬核参数与基准测试深度拆解 据Anthropic称，Opus 4.6在智能体编程、计算机使用、工具使用、搜索和金融领域均属行业领先，且通常具备显著优势，部分基准测试更是吊打业内对手。 不过，对于刚上线的新模型，与其听宣发词，不如直接看看那些新鲜出炉的实测战报。 ·击败GPT-5.2的“降维打击” 在衡量金融、法律等高价值知识工作任务的指标GDPval-AA上，Opus 4.6展现出了惊人的统治力：比前代Opus 4.5提升了190个Elo分；比竞争对手OpenAI的GPT-5.2更是高出约144个Elo分。 这意味着在处理需要严密逻辑、专业术语理解和多步推理的任务时，Opus 4.6已经拉开了代差。 ·100万(1M)Token：彻底终结“上下文崩塌” 对于金融分析师来说，一次性读入过去五年的财报是刚需。Opus 4.6首次在Opus级别模型中引入了百万Token的上下文窗口(Beta版)。这意味着你在处理长文时，不再需要人为拆成几部分依次喂给AI。 最令产品界兴奋的是它对“上下文崩塌”的改善。很多大模型在对话拉长后会变得“痴呆”，但在MRCR v2(针尖测试)中，Opus 4.6在100万Token的深海里依然能保持76%的精准提取率，而同门师弟Sonnet 4.5仅有18.5%。 ·“慢思考”与“快反应”：自适应思考(Adaptive Thinking) 这是Opus 4.6最具人性化的设计。以往的AI要么不假思索，要么过度思考。Opus 4.6引入了Effort(努力程度)控制参数： ·Low/Medium：处理简单、重复性工作，追求低延迟、低成本。 ·High(默认)/Max：处理深奥的科学难题或财务预测，它会进入“深度思考”模式，反复推演、审视自己的逻辑。 处理简单工作时，它会快速响应；面对复杂的财务预测或科研难题，它会自动进入“深度思考”模式。这种“快慢结合”的路径，不仅让体验更顺滑，也帮企业省下了不必要的算力成本。 03 从“聊天”到“协同”： 产品形态大迁移 Opus 4.6带来的不仅仅是参数的提升，更是产品形态的巨变。它直接把原本“一对一”的对话变成了“多对多”的团队协作。 ·智能体团队(Agent Teams)：不再是孤胆英雄 在Claude Code中，Anthropic推出了一项新功能：Agent Teams(预览版)。你不再是面对一个窗口，而是可以瞬间拉起一个“数字部门”。你可以让多个AI智能体在后台并行工作，它们会自主分工、互相协作。 智能体A负责阅读底层架构；智能体B负责重构代码；智能体C负责撰写测试用例。 而用户呢？可以像上帝视角一样，随时在不同的智能体线程中切换(通过Shift+Up/Down)，这种协作密度是此前任何模型都无法提供的。 ·深入办公腹地：Claude in Excel & PowerPoint Anthropic深知，金融和知识工作者的战场在Office家族。Opus 4.6的Excel插件以及PPT插件能自动推断乱七八糟的表格逻辑，甚至能读取你的公司PPT母版和字体，直接生成一份符合品牌要求的路演PPT。 这意味着，“分析数据—整理表格—制作汇报”这一完整的职场闭环，现在可以由Opus 4.6自行完成。 04 一线实测反馈： 为什么效率更高了？ Resolve AI等早期合作伙伴的生产力测评显示，Opus 4.6解决了两个职场痛点： ·痛点一是AI懒惰(Laziness)。以前的Claude在面对长路径任务时会“偷工减料”。实测发现，Opus 4.6表现出了一种近乎执拗的彻底。它在进行系统故障排查时，即使没有被明确指令“不要跳步”，它也会穷尽所有可能性进行深度调查。 ·痛点二是近因偏差(Recency Bias)。传统AI容易“喜新厌旧”，更关注对话末尾的信息。但测试显示，即便是在20万Token之前提到的指令和工具规格，Opus 4.6依然能死死记住并严格执行。 AI博主@newlinedotco在深度体验Opus 4.6后认为，Opus 4.6确实解决4.5版本中遇到的那些令人烦恼的“小故障”(比如跳过关键步骤或语法错误)，改进并非浮于表面。 他实测重试时间减少25%，完成率提升20%，UI自动化失败率也大幅降低，认为效率提升真实可见，适合API集成以及文档重度用户。 不少早期用户也都提到，Opus 4.6的长会话能力大幅提升，智能体团队是亮点。网红博主@bridgemindai直播2小时测试后总结道：“Opus 4.6的上下文窗口更好，明显能容纳更多内容而不丢失主线；智能体团队是真正的亮点，并行工作的各个智能体彻底改变了构建工作流的方式。”但他也提到，Opus 4.6的编程能力与Opus 4.5大致相同，没有发现性能飞跃。 @bridgemindai建议，如果是为了原始编程能力而升级，别指望有飞跃。如果是为了智能体工作流而升级，仅团队功能就很值。 但设计师@RinnaTheCat直观感受新版Opus缺少人性化，认为“Opus 4.6更像个机器人，它过于专注任务，却少了一些...自然。我想我还是更喜欢Opus 4.5一些。” 05 安全与防御： 智力越高，责任越重 Anthropic一直以“安全先锋”自居。在Opus 4.6发布的同时，他们公布了最详尽的System Card(系统名片)。 为了应对越来越强的编程能力，Anthropic开发了6种全新的网络安全探针。这些探针能实时监测AI是否在生成恶意代码或尝试非法越权。同时，公司还在加速“AI驱动的网安防御”，利用Opus 4.6自动修补开源软件的漏洞，用AI的盾去抵挡AI的矛。 在安全性指标上，Opus 4.6的“过度拒绝率”(即AI因为胆小而拒绝回答正常问题)达到了历史最低。这意味着它变得更成熟了：它知道什么时候该说不，什么时候该大胆干活。 06 结语：“Vibe Working”时代降临 Claude Opus 4.6的发布，是AI从“语言模仿者”向“高级分析师”进化的分水岭。它对金融研究的垂直深耕，对1M上下文窗口的极致驾驭，以及对智能体协同的深刻理解，都预示着一个不需要“手动点点点”的未来正在加速到来。 这也正是3500亿估值背后的逻辑：Anthropic正在创造一种新的“数字阶层”，它们不是工具，而是具备极高智力水平、能独立完成复杂业务的“数字雇员”。 对于每一个知识工作者来说，现在的关键不再是学习如何操作软件，而是学习如何“管理一个由Claude组成的精英团队”。 如果你是一名金融与法律从业者，建议立即尝试Opus 4.6的长文本检索能力，尤其是处理多年份的对标分析，它的稳定性将刷新你的认知。 如果你是一名企业开发者，可以重点研究Opus 4.6的自适应推理和上下文压缩。这两个功能是目前市场上控制推理成本与任务连贯性的最佳方案。 如果你还是初出茅庐的职场新人，那就不要再纠结于PPT排版和Excel公式，转而精进你的业务逻辑和任务拆解能力，这才是“Vibe Working”时代的核心资产。

智东西 作者｜王涵 编辑｜心缘 智东西2月6日报道，今天凌晨，Anthropic正式发布旗舰模型Claude Opus 4.6，是Anthropic首款开启100万token上下文窗口测试功能的旗舰级模型。 Opus 4.6具备更缜密的规划能力，能维持更长时间的智能体任务执行，可以在庞大代码库中稳定运行，并能够进行自我纠错。 在基准测试中，Opus 4.6在智能体编程评估Terminal-Bench 2.0中获得最高分，于综合性多学科推理测试Humanity’s Last Exam中也坐稳了第一名的宝座。 针对金融、法律等经济价值领域的GDPval-AA评估中，Opus 4.6也是第一，并较第二名的GPT-5.2拉开约144个Elo分差，较前代版本Claude Opus 4.5提升了190分。 就在Opus 4.6发布后几分钟，OpenAI把GPT-5.3-Codex也搬了出来“正面硬刚”。截至北京时间2月6日11点，X平台上有关“Claude VS Codex”的话题下已有4.1万条讨论。 Varick Agent的CEO“vas”发帖称：“Claude 4.6 Opus仅用一次调用就重构了我的整个代码库。25次工具调用，新增3000多行代码，创建了12个全新文件。它模块化了所有内容，拆解了单体架构，理顺了混乱的逻辑。结果没一个能运行，但重构后的代码，实在是美得惊人。” 有网友展示出他用Opus 4.6一次性做出的k线成交量分布表。评论区纷纷感叹：这要是真的，那一切都结束了。 在话题讨论中，有不少网友都自发测评了Opus 4.6与GPT-5.3 Codex这两款模型，还晒出了测试Agent在复杂现实世界任务中的表现的Terminal-Bench，结果显示GPT-5.3 Codex比Opus 4.6领先了11.9%。 在网友的测评中，在编程方面GPT-5.3 Codex获得的好评似乎更多。有网友发出对比：“Opus 4.6有100万上下文+企业/知识工作+发现500个零日漏洞+Claude代码中的Agent集群-基准测试成绩不如Codex 5.3；而gpt-5.3-codex有代码基准测试胜出+速度更快+任务中转向，但上下文窗口不到Opus的一半。” 还有网友放出了更直观的性能对比图： 价格上，在200K上下文以内（包括200K），Opus 4.6输入每百万token的价格为5美元（约合人民币34.69元），输出每百万token的价格为25美元（约合人民币173.45元）；超过200K上下文，Opus 4.6输入每百万token的价格为10美元（约合人民币69.38元），输出每百万token的价格为37.5美元（约合人民币260.18元）。 此外，Anthropic还将向Pro与Max用户限时赠送价值50美元（约合人民币346.9元）的额外使用额度，不适用于Team版、企业版及API/控制台用户。 使用额外额度的用户需同时满足以下两个条件： 1、已于2026年2月4日（太平洋时间）晚11:59前开通Pro或Max订阅； 2、在2026年2月16日（太平洋时间）晚11:59前启用额外用量功能。 Claude Opus 4.6即日起在claude.ai官网、API接口及所有主流云平台同步上线。开发者可通过Claude API调用claude-opus-4-6模型。 一、“大海捞针”测试得分76%，缓解“上下文衰减”问题 在多语言编程测试SWE-bench Multilingual中，Opus 4.6的成绩较Opus 4.5提升1.6分；在网络安全漏洞复现测试CyberGym中，Opus 4.6获得66.6分，较Opus 4.5提升15.6分，是Sonnet 4.5分数的两倍多。 Opus 4.6在长文本连贯性测试Vending-Bench 2中以 8017.59 的分数大幅领先，在计算生物学BioPipelineBench测试中也以53.1分的成绩位居第一。 Opus 4.6在从海量文档中检索相关信息方面能力较上一代有所提升。这一优势延伸至长上下文任务，它能在处理数十万token时更稳定地保持和追踪信息，减少信息漂移，并能捕捉到可能遗漏的深层细节。 Anthropic团队在博客中称，用户常抱怨AI模型存在“上下文衰减”问题——即对话超过一定token数量后性能会下降。 对此，研究团队对Opus 4.6进行了MRCR v2的“8针-100万”变体测试，这是类似于一种在浩瀚文本中检索隐藏信息的“大海捞针”式基准测试。在这个测试中Opus 4.6得分达76%，而Sonnet 4.5仅得18.5%。 Opus 4.6的综合基准测试如下图所示。总而言之，Opus 4.6在长上下文中查找信息更精准，吸收信息后的推理能力更强。 二、行为失范率极低，新增六类网络安全探测工具 智能水平的飞跃并未以牺牲安全性为代价。在Anthropic的自动化行为审计中，Opus 4.6的行为失范率极低，行为失范包括欺骗、奉承、助长用户妄想以及配合滥用等情形。 其安全对齐程度与前代旗舰模型，即迄今为止对齐度最高的Claude Opus 4.5保持同等水准。 值得注意的是，Opus 4.6在所有近期Claude模型中展现出最低的过度拒绝率，即模型未能回应良性查询的情况。 在博客中，Anthropic团队透露，针对Opus 4.6，他们开展了迄今最全面的安全评估体系，首次应用多项全新测试方法并对既有评估方案进行升级。Anthropic团队新增了用户福祉评估、更复杂的危险请求拒答能力测试，并更新了模型隐蔽执行有害行为的评估标准。 同时，其运用可解释性科学的新方法进行实验，开始探究模型特定行为背后的成因，以期发现标准测试可能遗漏的问题。 针对Opus 4.6在特定领域可能被危险利用的突出能力，研究团队同步部署了新的防护机制。尤其鉴于该模型显著增强的网络安全能力，他们开发了6种新型网络安全探测工具以帮助追踪不同形式的潜在滥用行为。 同时，Anthropic也在加速推进Opus 4.6在网络防御领域的应用，通过其协助发现并修复开源软件漏洞。 他们认为网络防御者利用Claude这类AI模型来平衡攻防态势至关重要。网络安全领域发展迅速，Anthropic将根据对潜在威胁的认知持续调整和更新防护措施，近期其可能启动实时干预机制以阻断滥用行为。 三、API新增自适应思考功能，Claude Code现可多智能体并行 通过API接口，开发者们还可以获取到更精细的模型算力控制方案，并为长期运行的智能体任务带来更高灵活性。具体新增以下功能： 1、自适应思考：此前开发者仅能在启用或禁用深度思考模式间二选一。现在通过自适应思考功能，Claude可自主判断何时需要深度推理。在默认算力等级（高）下，模型会在必要时启动深度思考，开发者也可通过调整算力等级来改变其触发频率。 2、算力调控：现提供四个可调节的算力等级：低、中、高（默认）、极致。 3、上下文压缩（测试版）：长程对话与智能体任务常触及上下文窗口限制。当对话接近可配置阈值时，上下文压缩功能将自动总结并替换早期对话内容，使Claude能够执行更长任务而不受限制。 4、100万token上下文（测试版）：当提示内容超过20万token时，将适用高级定价。 5、128k输出token：Opus 4.6支持最高128k token的输出长度，使Claude能完整处理需要大规模输出的任务，无需拆分为多次请求。 6、美国境内推理：对于需要在美国境内运行的工作负载，可选择美国专属推理服务，定价为标准token费用的1.1倍。 在Claude与Claude Code平台，Anthropic新增了多项功能： Claude Code中新增智能体团队的研究预览功能。现在用户可以启动多个并行工作的智能体，它们将自主协同配合，特别适用于代码库审查这类可拆分为独立、重读取的子任务。 在与常用办公工具的协作体验方面，Claude Excel集成版现在能够处理长时程与高难度任务，支持先规划后执行、自主解析非结构化数据并推断正确格式，还能单次完成多步骤修改。 Excel集成版还能搭配PowerPoint集成版使用，用户可先在Excel中处理并结构化数据，再通过PowerPoint实现可视化呈现。 PowerPoint集成功能现已面向Max、Team及企业版用户开放研究预览。 四、放手两千次会话，Opus 4.6率智能体团队“炼”出十万行C编译器 Anthropic官方还给出了一个开发者使用并行Claude智能体团队构建C语言编译器的案例。在这个案例中，开发者指派Opus 4.6率领智能体团队构建一个C语言编译器，随后便基本放手任其运行，仅用两周，就完成了一个小团队一个月的工作。 在为期两周、近2000次Claude Code会话中，Opus 4.6消耗了20亿个输入token并生成1.4亿个输出token，总成本略低于2万美元（约合人民币13.88万元），这个成本仅相当于开发者个人独立完成所需投入的零头。 最终Opus 4.6做出了一个有着10万行代码规模的编译器，并且是净室实现，即开发全程Claude无网络访问权限，仅依赖Rust标准库。 这个编译器能在x86、ARM和RISC-V架构上构建可启动的Linux 6.9内核，还能编译QEMU、FFmpeg、SQLite、PostgreSQL、Redis等大型项目。 该编译器在包括GCC torture测试套件在内的大多数编译器测试中达到99%通过率，甚至通过了编译器、操作系统等底层技术的 “终极测试”：成功编译并运行第一人称射击游戏《Doom》。 经过多轮实践，开发者总结出了协调多个Claude高效协作的四大核心方法： 1、改进测试框架： 在项目后期，Claude每次实现新功能时都会频繁破坏现有功能。为此开发者构建了持续集成流水线，实施更严格的检查机制，让Claude能更好地测试自身工作，确保新提交不会破坏现有代码。 2、站在Claude的视角设计适配环境： 每个智能体都启动于无上下文的新容器中，会花费大量时间自我定位，尤其在大型项目中。甚至在运行测试前，为帮助Claude自助，开发者需要在说明中要求维护详细的README文档和进度文件，并需频繁更新当前状态。 3、简化并行机制： 当存在多个独立失败的测试时，并行化轻而易举，但当智能体开始编译Linux内核时却陷入困境。与包含数百个独立测试的套件不同，编译Linux内核是单项巨型任务，所有智能体都会遇到相同的bug，修复后却互相覆盖修改，运行16个智能体也不行，因为它们都卡在解决同一问题上。 为此，开发者编写了新测试框架，将GCC作为在线验证编译器进行比对。这让每个智能体都能并行工作，在不同文件中修复不同bug，直至Claude的编译器最终能编译所有文件。 4、多元智能体角色分工： LLM编写的代码常重复实现现有功能，因此开发者指派了一个智能体专门合并发现的重复代码。另一个负责优化编译器本身的性能，第三个则专攻输出高效的编译代码，还让一个智能体以Rust开发者视角批判项目设计并进行结构性改进，另设智能体专注文档工作。 开发者称，该成果已经逼近Opus的能力边界，但仍有需要提升的方面： 1、16位x86编译器缺失：缺乏从实模式启动Linux必需的16位x86编译器，该环节需调用GCC（x86_32和x86_64编译器为自主实现）； 2、汇编器与链接器不完善：这两部分是Claude最后开始自动化的模块，目前仍存在较多缺陷。演示视频中使用的是GCC汇编器与链接器； 3、兼容性未达全替代标准：虽能成功构建众多项目，但尚不能完全替代真实编译器； 4、代码生成效率偏低：即使启用所有优化选项，其输出代码效率仍低于禁用优化的GCC； 5、Rust代码质量有限：代码质量尚可，但远未达到专业Rust程序员的水准。 结语：Anthropic在安全性上下了狠功夫 Opus 4.6在长上下文理解、复杂推理与智能体协作等方面的性能提升，为企业级高密度、长周期任务提供了新的解决方案。 同时，在Anthropic的博客中，他们用了很大篇幅来写新模型的安全性。Anthropic通过增强安全评估体系与部署主动防护机制，展现出对AI风险治理的前置性投入。

英特尔 凤凰网科技讯 北京时间2月6日，据路透社报道，知情人士称，英特尔和AMD已通知中国客户，服务器中央处理器(CPU)供应短缺。英特尔警告称，服务器CPU的交付周期可能长达六个月。 据知情人士透露，供应紧张已导致英特尔服务器产品在中国的价格普遍上涨超过10%，但具体价格因客户合同而异。 AI基础设施投资的迅猛增长，不仅引发了市场对AI专用芯片的抢购，还波及供应链其他环节。其中，内存芯片短缺问题尤为严重，其价格持续飙升。 知情人士称，英特尔、AMD在最近几周向中国客户发出了供应短缺的通知，表明CPU短缺问题也在加剧。这可能会加重AI公司以及其他众多制造商面临的挑战。 知情人士表示，中国市场在英特尔全球总营收中占比超过20%，目前其第四代及第五代至强CPU供应尤为紧张，英特尔已开始实行配给制发货。他们补充称，这些型号产品积压的未完成订单量巨大，交付周期已延长，最长达六个月。 AMD也已告知客户供应受限的情况，部分AMD产品的交付周期已被延长至8到10周。 回应 英特尔在1月的财报电话会议上曾提及CPU供应紧张问题。该公司在发给路透社的一份声明中表示，AI的快速普及导致市场对“传统计算”的需求强劲。 “我们预计第一季度库存将处于最低水平，但是正积极采取措施应对，预计从第二季度开始一直到2026年年底，供应状况将逐步改善。”英特尔表示。 AMD在发给路透社的声明中重申了该公司在财报电话会议上的表态，称其已提升供应能力以应对强劲需求。 “基于我们稳健的供应商协议与供应链体系(包括与台积电的合作关系)，我们对满足全球客户需求的能力充满信心。”该公司在声明中表示。 这两家公司共同主导着全球服务器CPU市场。根据瑞银在1月发布的报告，英特尔的市场份额已从2019年的90%以上下降到2025年的约60%，而AMD的份额则从2019年的约5%上升到去年的超过20%。在中国，他们的客户包括主要服务器制造商和云计算服务提供商，例如阿里巴巴和腾讯。 多重原因 CPU短缺源于多重因素。英特尔在持续面临制造良率挑战的背景下，产能提升步履维艰。AMD则将生产外包给台积电。台积电则优先满足AI芯片制造的需求，挤占了CPU的可用产能。 此外，同为服务器关键组件的内存芯片的短缺也加剧了CPU供应问题。据销售服务器CPU与内存产品的第三位知情人士透露，当去年年底中国内存价格开始上涨时，客户加快了CPU采购，以锁定内存的较低价格(两者捆绑销售)。 与此同时，市场对AI智能体系统的需求激增进一步加剧了供应压力。此类高级应用所需的CPU处理能力，远超过传统工作负载。(作者/箫雨) 更多一手新闻，欢迎下载凤凰新闻客户端订阅凤凰网科技。想看深度报道，请微信搜索“凤凰网科技”。

今天凌晨发布的 GPT-5.3-Codex 可以说是 OpenAI 对这段时间来，各种本地 Agent 爆火的一记重拳回击，当然主要是对 Anthropic 的反击。 配合 OpenAI 前几天的发布的 Codex 桌面版应用，Skill、Cowork、Claude Code，甚至是 Openclaw，这些热门工具能实现的功能，现在通过 Codex 的外壳 + GPT-5.3-Codex 模型能力，都能做到了。 ▲ 在 Codex App 内可以直接选择 GPT-5.3-Codex 模型，也能选择深度思考的强度 和之前介绍 Cowork 的能力一样，我们也丢了一些类似的任务让 Codex 来完成，像是直接处理本地文件、各种格式转换、调用不同的 Skills 组合能力、做 Word/PPT/Excel、下载视频、开发 App…… GPT-5.3-Codex 的表现确实亮眼，相比较从头开始安装 Claude Code，对新人用户来说，现在直接下载 Codex 会是一个更好的选择。这也是未来模型厂商的一种趋势，一开始大家都是从黑乎乎的命令行终端开始做本地 Agent，接着都慢慢回归到可视化的友好界面。 网上对 Codex 的评价在这几天也有了不少逆转，许多开发者从 Claude Code 转向 Codex，一些在国内的独立开发者也表示 Codex Plus 会员就可以用，而且还不会像 Claude 那般总是无情封号。 奥特曼更是激动的宣布，Codex 的活跃用户已经超过 100 万。在模型更新博客，也是毫不掩饰和留有余地的夸赞， GPT-5.3-Codex 是我们第一个能够自我构建的模型。通过使用 5.3-Codex，我们能够以如此快的速度发布 5.3-Codex。 跟 Claude 团队用两周的时间，使用 Claude Code，100% AI 代码，搓出一个 Cowork 一样；还有 OpenAI 去年年底发布的文章，「使用 Codex 在 28 天内构建 Android 版 Sora」，Agent 的时代真的来了。 用 Codex 取代我的 ChatGPT 和 Claude Code 和大多数的本地 Agent 一样，无论是终端还是 Cowork，我们都是先选择一个工作文件夹。在 Codex 中，我们可以创建多个 Project，选择对应的文件夹，再进一步开始对话，Codex 把它们叫做 Threads 线程。 先用最普遍和简单的例子，我们添加了一个空的下载文件夹，然后点击开始一个线程，选择 GPT-5.3-Codex 模型；就像在 ChatGPT 里面对话一样，输入指令。 要求它帮我们下载一个 X 视频，Codex 会自动检查可用的 Skills 来处理，接着通过 yt-dlp 工具进行下载，这个视频有四个多小时长，Codex 会一直在对话框里自动更新下载进度。 ▲GIF 图经过加速处理 视频下载后，我们还可以要求它提取视频的逐字稿，给我们一份双语版本的文档，最后让它把整个流程打包为一个 Skill，方便下次使用。 如果视频中有一些比较有意思的片段，想要裁剪视频，或者是把裁出来的视频转成 GIF 图，在 Codex 里都能做到。 例如，我们这里下载了一个视频，然后要求它把视频的 5s-25s 裁剪出来成为一个新的视频；得益于 GPT-5.3-Codex 的 Token 快速处理，整个过程不需要很长时间，反而更多是取决于本地电脑的硬件解码编码能力。 ▲ GIF 图经过加速处理 或者我们也可以直接要求它把视频的前 5s 转成一个 GIF 文件，并且确保大小在 10MB 以内，帧数可以自行调整，清晰度上将宽度控制在 640px。 很快，我们就能得到对应的 GIF 文件。更极端一点，还能让它把整个视频转成图片，每秒 30 帧，每一帧就是一张图。 这些对本地文件的直接处理，和 GPT-5.3-Codex 在 Terminal-Bench-2 测试集上的优异表现，让 Codex 基本上能满足各种生产力工具、效率工具的功能实现。 作为对比，同样是刚刚发布的 Claude Opus 4.6 在 Terminal-Bench 2.0 上得分是 65.4%，GPT-5.3-Codex 是 77.3%。 ▲ 图片来源：https://x.com/neilsuperduper/status/2019486017703547309/ 例如在这个文件夹中，有多张图片，我们首先是要求它根据图片内容，对这些图片文件进行重命名，并保持文件名不超过 20 个字母，不允许使用符号。 ▲ GIF 图经过加速 自动修改完成后，我们还能要求他对这些图片进行拼接，无论是垂直拼接还是水平，调用对应的工具，Codex 都可以做到。 和 Claude Skills 一样，Codex 也能安装 Skills 市场上丰富的技能，并且在应用内，就已经提供了包括 pptx、xls、word、canvas、notion 在内的多款技能。 回到基础的编程能力，升级后的 GPT-5.3-Codex 表现也比 GPT-5.2 要好上不少。我们直接要求它写一个「每日一词」的 App。和在 ChatGPT 里面直接用 Canvas 给我们一个带不走的网页不同，Codex 能在本地从零开始，完成项目，然后使用 Vercel 或 Cloudflare 等 Skills 部署到网页上。 这里我们选择的推理模式是 Extra High，超强推理模式，于是在每一步操作之前，GPT-5.3-Codex 都会询问我下一步的操作选择，这也和 Codex 内部能直接根据任务情况，调用不同 Skills 有关，其中的头脑风暴 Skill，会自动进行不断对话的模式。 最后，它基本上还是完成了我一开始要求它完成的全部功能，并且还能进一步开发 macOS、iOS，和安卓版本。 如果我们有现成的代码项目，也可以选择该项目文件夹，在 Codex 中打开，GPT-5.3-Codex 会分析项目存在的 Bug，并且修复它。 在过去很长一段时间里，无论是工具还是模型，开发者的首选其实都是 Anthropic 的 Sonnet/Opus 模型和 Claude Code 工具。OpenAI 在编程、尤其是长代码逻辑推理上的掉队，曾让不少开发者转投阵营。 GPT-5.3-Codex 的出现，就是为了终结这场争论。现在 GPT-5.3-Codex 在编程基准测试和实际表现上，不仅碾压了自家的前代模型，也确实有把友商模型按在地上摩擦的前兆。它真正具备了编写、测试和推理代码的能力。 做游戏项目，是这次模型介绍博客里，网站开发部分主要案例，我们也让 GPT-5.3-Codex 做了一个简单的物理弹球游戏，整体的效果虽然没有达到我的期待，因为我在提示词里面有说希望这是一个 RPG 的游戏，但 GPT-5.3-Codex 给我的界面还是过于简陋了。不过，好在还是能玩。 我们也在 X 上找到了一些用 GPT-5.3-Codex 做的小游戏，像这个类似超级玛丽的收集金币。 ▲来源：https://x.com/Angaisb_/status/2019548783869325331 强中更有强中手 对 Anthropic 来说，OpenAI 今天玩的这些，可能会说，这都是我们玩剩下的。无论是代码、或者 Agent 的能力，还是开始着手去做本地 Agent，从之前 Codex 的终端转成现在的 macOS App。 在技术的领域，OpenAI 仿佛都是跟着 Claude 的脚步在走，Claude 深耕代码能力，OpenAI 搞了 Sora、日报、浏览器、ChatGPT agent，都没什么水花，于是也在代码上发力；Claude 一月初推出 Cowork，OpenAI 也紧接着在二月初发布 Codex App。 就和今天的密集发布一样，凌晨 1:45，Claude 官方发 X 推出 Claude Opus 4.6，紧接着就是 OpenAI 端上 GPT-5.3-Codex。两款模型其实都是为了给 Agent 更强大的基座能力，以前是说代码/vibe coding，但现在 Agent 能做好，基本上都是「写代码写得好」。 Opus 4.6 虽然在 SWE-Bench 上的表现甚至不如 Opus 4.5，并且 Terminal-Bench 2.0 上的成绩也没有 GPT-5.3-Codex 强，但是 Opus 破天荒地把上下文长度拉到了一百万 token 的窗口。而且，这些 benchmark 的表现还没有相差很多。 Claude 说，我的 Sonnet 5 还没上来，那才是真功夫。 我们在网上也找了一些 Opus 4.6 最新的测试案例，有网友说 Claude 4.6 Opus 只是一次调用，就完全重构了他的整个代码库，将原来混乱的代码「屎山」全部模块化，并且没有模型能像 Opus 这样做到。 还有网友拿 Opus 4.6 和 4.5 进行对比，让两个模型玩同一款经营游戏，看谁的账户等级、财富和装备更高。测试博主提到，4.6 版本在初期制定战略的时间更长，但是做出了更好的战略决策，并且在最后确实做到了遥遥领先。 还有网友也做了一个游戏，不过是一个宝可梦的克隆版。博主提到这是他用 AI 做出来的最酷的东西。他提到，Claude Opus 4.6 思考了 1 小时 30 分钟，使用了 11 万个 Token，并且只迭代了三次。 ▲ https://x.com/chatgpt21/status/2019679978162634930 在 CLaude 官方演示和早期用户的反馈中，也提到了一个 Opus 表现优秀的案例。Opus 4.6 在一天内自主关闭了 13 个 issue，issue 即项目存在的待解决问题，并将另外 12 个 issue 准确分派给了正确的人类团队成员。 和 Kimi K2.5 的智能体蜂群一样，Opus 4.6 也能管理一个 50 人规模组织的代码库。在 Claude Code 中，我们可以组建 Agent Teams，召唤出一整个队伍的 AI，不再是一个 AI 在战斗。这些AI 可以有的负责写代码，有的负责 Review，有的负责测试，它们之间自主协作。 也有网友测试了 Claude Code 里面的 Agent 蜂群，提到启用蜂群之后的 Opus 4.6，速度提升 2.5 倍，并且效果也更好。 我们现在的状态就跟这张图片一样，虽然一山比一山高，但都绕不出这个圈。前几个月可能是 Gemini 赚走了风头，一月份来，应该是 Claude，然后看样子又要轮到 OpenAI，或者马斯克的 Grok。 好在这个轮回的过程中，作为用户的我们，能明显感觉到 AI 的能力一直在变强。 GPT-5.3-Codex 的 API 还没有开放，原因是模型太强了，会存在很大的风险，所以 OpenAI 还在考虑怎么安全地启用 API。 Claude Opus 4.6 已经可以在 Claude 通用聊天应用、Claude Code、API 多种方式使用，这两个作为今年国外御三家首发的两款模型，非常值得一试。 未来，更好的服务 Agent，让 Agent 为我们做事，还会是大模型更新的重点。

编辑：桃子 好困 【新智元导读】 在 Claude Code 30 分钟迁移 CUDA 引发热议的背后，众智 FlagOS 社区已经给出了一条更系统的答案：通过 KernelGen 与统一编译器 FlagTree，让算子在多种 AI 芯片上实现自动生成、验证与优化，真正降低跨芯片软件迁移成本。 围绕「CUDA 护城河是否松动」的讨论，本质指向一个更现实的问题： 算子能否在不同芯片上被自动生成、正确运行，并具备可用性能？ 算子自动生成，已经跑在多芯片上了 对此，众智 FlagOS 社区在2026年1月初推出了升级版 KernelGen——一个支持多种 AI 芯片的高性能 Triton 算子生成自动化工具，并在真实多芯片环境下完成了系统性评测。 从实际数据来看，KernelGen 已不再停留在概念或 Demo 阶段： 生成可编译运行算子的成功率(生成成功率）：82% 整体算子数值准确性通过（执行正确率）：62% 覆盖英伟达，以及华为、摩尔、海光、天数等多款国产 AI 芯片 这里所说的「生成成功率」，是指代码能编译、能运行。但与普通代码生成不同，算子生成对数学精度提出了更为严苛的要求：需要在多种输入变化条件下，始终保持高精度、可复现的一致数值结果，这也正是文中所强调的「执行正确率」。 如果说「生成成功率」关注的是算子是否能编译、能运行，那么真正的技术门槛在于是否能跑得对。在多种芯片架构并存的场景下，这一挑战被进一步放大——当同一份算子代码需要同时适配华为、摩尔线程、海光、天数等架构各异的芯片时，数值精度、舍入策略、指令调度顺序、缓存层级等细微差异，都可能导致结果偏差，甚至引发正确性失效。 一次生成、一次编译，在多芯片平台上实现数值一致、结果可验证，才是算子自动生成真正需要跨越的核心门槛。 这些结果表明，算子自动生成在多芯片环境下已经具备可行性与工程实用价值。 实验与实现细节：KernelGen是如何工作的？ 实现原理：从「写算子」到「生产算子」 KernelGen 的目标并非辅助开发者写代码，而是覆盖算子从需求到落地的完整生命周期： 输入层：用户可通过自然语言、数学公式或已有实现描述算子需求 生成层：基于大模型与智能体技术，理解算子语义并自动生成 Triton 内核 验证层：自动构建测试用例，在目标芯片上与 PyTorch reference 实现进行严格的数值一致性校验 评估与优化层：对生成算子进行性能评测，量化加速比，并通过自动化调优持续优化执行效率 KernelGen 用户在对话框里仅需输入自然语言、数学公式或是已有实现表达算子开发需求 这一流程的核心目标是： 将算子开发从「专家手工活」，转变为可复制、可扩展的工程流程。 为什么必须与 FlagOS / FlagTree 协同？ 在多芯片场景下，仅生成算子代码并不足以解决工程问题，不同 AI 芯片在以下方面差异显著： 并行模型与计算单元组织方式 内存层级与访存语义 指令集与编译稳定性 因此，KernelGen 从设计之初就被纳入 FlagOS 生态，并与统一 AI 编译器 FlagTree 深度协同： 由 FlagTree 提供统一的硬件抽象与编译基础 将硬件差异尽可能收敛在编译器的中间表示层 提升算子在多芯片环境下的编译性能与正确性 这也是算子自动生成首次具备跨芯片工程可行性的关键前提。 FlagTree：支撑算子自动生成的统一AI编译器底座 KernelGen 能够在多芯片环境下实现算子自动生成与验证，并不只是模型能力的结果，其关键支撑来自统一 AI 编译器 FlagTree。 FlagTree 是众智 FlagOS 社区长期推进的统一编译器项目。从 2025 年 3 月发布 v0.1，到 2026 年 1 月 5 日发布 v0.4，已逐步发展为面向异构 AI 计算的通用编译基础设施： 已支持 12 家厂商、近 20 款 AI 芯片，覆盖芯片包括华为昇腾、寒武纪、沐曦、摩尔线程、海光等 支持架构从 DSA、GPGPU，扩展到 RISC-V AI 芯片、ARM 等多种体系 在技术设计上，FlagTree 主要解决两类问题： 硬件差异隔离：通过统一的硬件中间表示（计算单元、内存层次、原子操作等），将芯片差异最大程度收敛在编译器内部，而不是暴露给算子生成逻辑。 性能与易用性的平衡：在保留 Triton 高级语法的同时，引入硬件感知优化，避免「一套代码跑所有芯片」带来的性能和稳定性问题。 在 FlagTree v0.4 中，FlagOS 社区进一步引入 TLE（Triton Language Extensions），以分层方式扩展 Triton 的跨芯片表达能力： TLE-Lite：一次编写，多后端运行，适用于快速验证与轻量级优化 TLE-Struct：面向算子开发者的架构感知调优接口 TLE-Raw：允许直接内联 CUDA、MLIR 等厂商原生代码，用于极致性能场景 通过 FlagTree 的编译支撑，KernelGen 自动生成的算子才能在不同芯片上保持较高的编译通过率和执行稳定性。 性能指标与验证情况：多芯片、多模型、多轮评测 不同芯片上的生成与执行正确率（用户真实场景） 数据表明： 华为芯片在生成成功率上表现最优 英伟达芯片在执行正确率（数值准确性）上表现最佳 国产多样化架构下仍存在进一步优化空间 整体结果验证了 KernelGen 在降低人工开发成本、提升跨芯片适配效率方面的核心价值。 110 个 Torch 算子的多芯片正确性与性能评测 为验证算子自动生成在真实工程场景下的可用性，评测选取了 110 个代表性 Torch API 算子，每个算子进行 5 轮迭代式自动生成，并在多芯片环境下完成完整对比测试。 评测覆盖华为、海光、天数、摩尔、Nvidia等平台，并在每个平台上分别对比： 芯片原生 Triton 编译器 FlagOS / FlagTree Triton 编译器 评测重点关注两项核心指标： 执行正确率：是否成功编译运行，并在多种输入 shape 下与 Torch reference 数值一致 执行正确率与性能汇总（110 个算子） 主要结论 FlagTree 在多芯片平台上整体执行正确率更高、稳定性更强 在海光、天数、摩尔及 Nvidia 等平台上，FlagTree 的通过率普遍高于原生 Triton，其中 Nvidia 平台达到 70%，为各组合中最高。 更高的「能跑通」比例，为后续性能优化保留了更大空间 对规模化算子生成而言，执行正确率是第一门槛，FlagTree 在这一维度上更具工程优势。 在执行正确率方面，KernelGen 对不同数据类型设定了工业界要求的严格且可量化的精度约束：整型与布尔类型要求完全一致（零误差），而浮点与复数类型则依据其数值表示能力设定明确的误差上限——例如 FP16/FP8 级别控制在 1e-3，BF16 控制在 1e-2 量级，FP32 与 Complex64 达到 1e-6 级别。通过这种按数据类型精细分级的精度标准，KernelGen 在追求极致性能的同时，确保算子替换与跨后端生成具备可验证、可复现的数值正确性。 注：评测基于110 个算子 × 多平台 × 双编译器的完整结果，算子级明细已随 KernelGen / FlagOS 项目提供。 不同大模型在算子生成任务中的差异（以华为 Ascend 为例） 在算子自动生成场景中，大模型并非只承担「代码补全」的角色，其对算子语义理解、shape 泛化以及边界条件处理能力，都会直接影响生成算子的可执行性与稳定性。 在统一使用 FlagTree Triton 编译器、并以华为 Ascend平台为目标硬件的条件下，评测对比了多种主流大模型在 110 个 Torch API 算子生成任务中的表现，重点统计其执行正确率（数值准确性通过）。 从评测结果可以看到，不同大模型在算子生成任务中的能力差异较为明显，整体呈现出清晰的分层： GPT-5 表现最优，在 110 个算子中有 65 个能够成功生成 Triton 实现并通过多种输入 shape 的一致性校验，显示出其在算子语义理解、控制流生成和边界条件处理方面的综合优势。 GLM-4.7 位于第二梯队，在部分复杂算子和 shape 泛化场景中仍存在不稳定情况，但已具备较强的自动算子生成能力。 Qwen3-Max 与 MiniMax-M2.1 在算子生成这一高约束场景下成功率相对较低，主要受限于对算子细粒度语义和底层 Triton 编程模式的理解能力。 这一结果表明，在算子自动生成这一高度结构化、强约束的任务中，模型本身的推理与结构化生成能力，仍然是影响最终工程效果的关键因素之一。 专家知识注入与算子性能进化（英伟达） 在引入模型自反思与外部专家知识后，KernelGen 的算子性能持续提升： 算子执行正确率最高可达 75.5% 74.2% 算子加速比 >0.8 68.5% 算子加速比 >1.0 加速比中位数 1.04x，平均 1.07x Baseline 为基于智能体自反思的迭代方法；IterOpt为面向优化目标的反思迭代方法；v1_KNWL在优化迭代中引入模型轨迹总结知识；v2_KNWL与v3_KNWL分别在不同轮次进一步融合外部专家种子知识 这表明，算子自动生成已从「能跑」迈向「能用、可优化」。 总结 Claude Code 的 30 分钟迁移案例，让行业看到了 AI 正在改变「写代码」的方式。 而 KernelGen 与 FlagOS 所展示的，是另一层更工程化的进展： 在硬件高度碎片化的时代，通过算子自动生成、统一编译器与跨芯片生态协同，让算子开发不再成为AI系统落地的核心瓶颈。 这不是一次演示的胜负，而是一条正在被验证、并持续演进的系统软件路线。

IT之家 2 月 6 日消息，英伟达已于 2026 日历年 1 月底进入 2027 财年的第一个财季。博板堂昨日指出，根据渠道消息，英伟达计划在本财季适度调整 GPU 供应规模，其中面向中国大陆市场的整体供应量预计将相较常规季度缩减约 30%。 IT之家注意到，由于整体 DRAM 市场持续紧张，英伟达能获得的 GDDR 供应量有限，因此资源不可避免地会向盈利能力更为出色的 RTX PRO 专业显卡倾斜；而在另一方面，PC 内存价格飞涨也影响了购机意愿，限制了对英伟达显卡的需求。

作者｜江宇 编辑｜漠影 智东西2月6日报道，据Z Finance独家获悉，近日，答案引擎优化（AEO）AI Agent平台PallasAI完成数千万人民币的天使轮融资，由香港上市公司有赞独家投资。这是PallasAI三个月内获得的第二笔投资。 PallasAI成立于2025年5月，面向企业提供AEO和GEO相关的AI Agent产品与协作平台。其对外发布的产品定位为“标准化服务的GEO AI Agent”，主要面向中小企业（SMB）以订阅方式提供服务。 PallasAI可提供与品牌“可见性”相关的量化指标，并通过模拟多轮AI对话与跨平台结果对比，呈现品牌在不同AI平台中的提及情况与竞品对比。 其还提供围绕用户意图与语义对齐建立的营销图谱，用于将品牌信息拆解为结构化的优化单元。 内容侧则以Agent协作方式组织内容生成、校验与迭代，目标是减少信息失真，并提升品牌信息在不同模型输出中的一致性。 创始团队方面，PallasAI创始人兼CEO Ethan毕业于厦门大学软件工程专业，曾主导阿里核心营销平台“达摩盘”首版Lookalike算法的产品化落地。他还曾任蚂蚁大模型首席架构师， 拥有从0到1构建超大规模语言模型的全栈实战经验。 PallasAI联合创始人兼CTO刘致宁为电子科技大学博士，曾以IBM访问学者身份开展研究。他曾在蚂蚁负责百亿规模场景的算法分发优化工作，并长期聚焦因果推断方向研究，在国际顶会发表机器学习论文10余篇。 联合创始人兼CMO明皓曾任蓝色光标投资总监，负责公司对外投资并购相关工作，并参与京东、索尼中国等品牌的规划与市场策略项目。 PallasAI团队核心成员均来自阿里、蓝色光标及多家独角兽创业公司。

贾跃亭造上机器人了。 2月5日，法拉第未来（Faraday Future）的创始人，那个永远在创业路上的贾跃亭，再次站在了聚光灯下。这一次，他带来的不是汽车，而是四款具身智能（Embodied AI）机器人。 在美国拉斯维加斯举行的全美汽车经销商协会大会（NADA）上，贾跃亭通过全球直播的形式发布了Futurist、Master、Aegis、轮臂系列EAI机器人。 难得可贵的是，属于“发布即销售，销售即发布”那种，其中Futurist、Master、Aegis三大系列是全球首发，轮臂系列机器人将于第二季度发布。 发布会还没散场，官方就宣布已经收到了1211台付费预订单，不仅如此，贾跃亭还在社交平台上发布了一段20秒的机器人展示视频，能实现“旋转跳跃”等动作。 而且发布会刚结束，贾跃亭发布人型机器人的话题就登上热搜，吸引不少网友围观打卡。看上去，造人似乎比造车要靠谱， 但前有FF91一波三折，机器人还能博多少信任？ 01 一口气连发四款 如果能保证交付，并有个稳定的订单收入，贾老板就真的会强调的那样——成为美国第一家交付人形机器人且贡献毛利为正的公司。 具体来看，四个系列的机器人，覆盖人形、四足两大主流形态，定价区间从 2499 美元到 34990 美元不等，产品定位也各不相同。 其中，全尺寸人形机器人Futurist（未来主义者）系列被FF定义为“职业型具身智能人形机器人”定价34990美元起（约合人民币24.2万元），另外还可选装生态技能包价格为5000美元。 这款机器人主打 “专业全能”，面向高复杂度职业场景设计，强调仿生关节和复杂环境适应能力，主打工业巡检、医疗辅助等专业场景。 基于NVIDIA Orin平台，具备200TOPS的算力，配备多颗高清摄像头、鱼眼相机、RGB-D相机、3D激光雷达以及触觉传感器；可通过Wi-Fi与5G网络，支持远程控制、VR遥控操作与协同作业，不仅能够理解复杂环境，也能在不同任务与行业需求中不断进化。 另外，全身拥有28个高性能电机，峰值扭矩可达500牛·米，功率密度达到125 牛·米每公斤，以及三小时续航与不断电状态下的电池热插拔设计，可支持多达50种语言的自然沟通，并拥有可定制、可交互的脸部屏幕。 而Master（大师）系列机器人，主打 “运动性能”，全身（不含手）拥有30个自由度，还能扩展安装灵巧手，动作定位精度可达5毫米，身体里内置了20多种预设动作，核心是优化动作精度与交互响应速度，从展示的视频可以看到，它会飞踢、旋转踢起等动作。 Master系列机器人的售价为19990美元起（约合人民币14万元），另外还有个生态技能包，价格3000美元，主要面向的是一些需要高交互的场景。 Aegis（盾牌）系列则聚焦安防陪伴场景，是三大系列中最亲民的产品，定价为2499美元起（约合人民币1.7万元）造型类似于机械狗，标配四足结构，同时提供四轮版本选项，还有个1000美元的生态服务包。 它可以根据任务需要，灵活扩展激光雷达、深度相机、通信模块，甚至机械臂、灭火器与专业安防插件，主要是面向通过多模态感知系统可实现全天候环境监测与家庭看护领域。 此外，贾跃亭还表示每款产品将为塔尖人群定制GOAT版，但售价及配置会在后续公布，如果从目前发布的机器人价格来看，价格相较于海外机器人企业动辄百万的价格，贾老板的这几款机器人亲民的不是一点半点。 也难怪贾跃亭表示，终端价格，堪称价格杀手。 “我们希望大幅降低终端售价，从而显著拉低行业整体价格门槛，并将价值重心转向具备功用性和实用价值的技能与服务，从而真正加速EAI机器人普及，推动其从概念走向规模化的刚需化的实际应用时代。 ” 论上价值，贾跃亭还真没输过。 02 老贾需要新故事 当然，如果发布会只是单纯的发布产品，绝对不是贾老板的风格，还一定要有“概念”。每举办一场大型发布会，就有全新的生态战略出现，属于贾老板的传统艺能。 就像其表示的那样，“相信我们的三大系列产品及其杀手级价格、633行业应用与实用价值和三位一体生态战略，将会大大促进整个EAI机器人产业向四化变革。” 虽然大部分人听不懂这堆数字代表什么，但听起来就很厉害，满满的“生态化反”的味道。 所谓“633行业应用与实用价值”就是指品技术上六大领先，赋能六大商业与公共服务场景、三大家庭服务场景，以及三大工业服务场景，在此基础上构建了“5X4Technology Architecture技术架构”。 简单来说，EAI 5x4技术架构就是由四大技术系统与五大技术平台构成。四大系统涵盖身体骨架、动力与能源、智能交互、运动控制；五大平台包括技能开放平台、大脑平台、硬件平台、机械平台与云训练平台。其中EAI大脑平台是核心，目标是实现跨场景、强泛化的通用自主能力。 此外，发布会上，贾跃亭还提出了以“通用化、职业化、数据资产化、生态协议化”为核心的EAI机器人产业“四化”趋势。其表示，12年前，在全球首次提出汽车产业‘电动化、AI化、互联网化、共享化’的四化发展趋势，引领了全球汽车产业变革，而EAI机器人产业的“四化”也将引领智能产业变革。 同时还启动了FF EAI大脑开源开放开发者1.0平台的共创招募，邀请全球机器人OEM、开发者和Skill团队参与。通过开源代码、统一标准和生态共创，搭建一个面向多形态机器人的通用“大脑”和技能的EAI生态。 “三位一体”的生态战略，则是充满了“生态化反”的味道，整合了终端、开源平台与数据工厂，对内，通过终端的大规模交付和普及，大规模产生数据，进而提升AI大脑的能力，反过来提升EAI终端的产品力来促进更大规模销售，形成产品技术层面的生态闭环。 这样就能快速形成经营性现金流的优势，促进EAI EV融资和业务。对外，通过开源FF的技术和平台、开放协议标准等链接产业伙伴和开发者，同时链接股东股民和用户，达成化反。 为了增加盈利能力，FF还推出了脱胎于传统经销商的“FF Par”模式，变化主要在两方面。从过去“主要靠卖车赚钱”的单一模式，升级为通过“汽车销售+用户运营+车生态运营”的持续赚钱模式，另外将合作伙伴纳入OEM共创生态，让经销商真正成为OEM的股东，直接参与并分享OEM的资本价值。 直白地说，经销商通过投资成为OEM 股东，直接分享公司成长红利，FF的一次性卖车收入，转为持续的用户订阅和生态服务收入，经销商盈利能力和用户粘性都有所提升。 纵观这次发布会，你会发现贾跃亭依然是那个最会讲故事的人，AI和机器人这两个当下最火的词，对于贾跃亭而言，是获得资本支持的新故事。 就在发布机器人产品前不久，贾跃亭就官宣FF获得了AIxC 1000万美元投资，这笔融资全部为纯股权融资，无折扣且不涉及可转债，交易预计在2月13日左右完成，这笔及时的资金注入，也为贾跃亭的商业版图提供了喘息空间。 但实际上，从乐视生态的“为梦想窒息”，到法拉第未来的“颠覆式造车”，再到如今的人形机器人，贾跃亭的创业故事始终伴随着“宏大叙事”与“画饼质疑”。 就像造车，自2017年起，FF多次亮相CES，产品一个不落，交付能力却始终是个迷，不过贾老板的每一个新故事似乎都能为自己的“造车梦”，续上可以盘活的希望。 这次，贾跃亭又将枪口对向人形机器人，资本会买单吗？

凤凰网科技讯 2月6日，小马智行与国产GPU企业摩尔线程于2月6日宣布达成战略合作，双方将聚焦L4级自动驾驶技术的规模化应用。此次合作的核心在于，小马智行将首次在其世界模型及虚拟司机系统的关键训练与仿真环节，规模化应用摩尔线程提供的国产AI算力。 根据合作内容，双方将基于摩尔线程MTT S5000训推一体智算卡及夸娥智算集群，共同推进自动驾驶模型的训练适配与验证，旨在构建“算法-数据-算力-应用”的全链路协同。小马智行方面表示，其基于强化学习的PonyWorld世界模型每周可生成超100亿公里的测试数据，用以训练虚拟司机系统。 小马智行目前已在北上广深四大一线城市开展全无人驾驶Robotaxi服务。截至2025年12月31日，其Robotaxi车队规模达1159辆，并在广州运营中实现了单位经济模型（UE）转正。公司计划在2026年底将Robotaxi规模扩大至3000辆以上。此次与摩尔线程的合作，被视为通过国产算力与自动驾驶算法深度融合，以加速其商业化落地进程的一次尝试。