IT之家 7 月 23 日消息，特斯拉首席执行官埃隆 · 马斯克表示，公司应该在人工智能（AI）领域投入更多资金，即便其中一部分资金最终被浪费。 随着马斯克不断加码 AI 投资，特斯拉今年第二季度资本支出同比大增 142%，达到 58 亿美元（IT之家注：现汇率约合 393.33 亿元人民币）。 在周四财报发布后的分析师电话会议上，马斯克表示，他已经要求公司高管继续加快投资节奏。 “我们的资本支出应该尽可能快地推进，在不过度浪费的前提下，能花多快就花多快。我们并不是追求极高的资本使用效率，因为那样反而会拖慢发展速度。”马斯克说道。 目前，特斯拉正大举投资建设 Cybercab 自动驾驶出租车和 Optimus 人形机器人的新生产线及工厂。 由于利润未达到市场预期，特斯拉第二季度录得 11 亿美元自由现金流净流出，这是自 2024 年以来该公司首次出现自由现金流为负，公司股价也在盘前交易中下跌。 公司高管向投资者表示，AI 相关支出未来仍将持续增长，预计特斯拉今年全年资本支出将超过 250 亿美元（现汇率约合 1695.38 亿元人民币）。 特斯拉首席财务官瓦伊巴夫 · 塔内贾（Vaibhav Taneja）在财报电话会上表示，公司正寻求获得新的债务融资额度，以具备最高 300 亿美元（现汇率约合 2034.46 亿元人民币）的借款能力。 他预计，未来 2 至 3 年，随着新太阳能电池板工厂建设、AI 算力持续扩充，以及特斯拉与 SpaceX 联合打造的大型“Terafab”半导体工厂正式开工，公司资本支出还将进一步提升。 与此同时，为了在日益激烈的 AI 竞赛中保持竞争力，其他科技巨头也在大举烧钱。谷歌母公司 Alphabet 周三公布的第二季度财报显示，公司自由现金流净流出接近 60 亿美元，并将全年资本支出预期上调至最高 2050 亿美元（现汇率约合 1.39 万亿元人民币）。 值得一提的是，就在一年前，马斯克曾借助美国政府效率部（DOGE）猛烈抨击政府存在大量低效和浪费的支出，此后他也一直批评政府开支容易出现滥用和浪费。 不过，马斯克周三向投资者表示，特斯拉的资本支出效率“高得惊人”，因为公司正在同时投资大量能够创造长期价值的生产性资产，包括工厂和基础设施。 “我认为，这可能是美国自第二次世界大战以来最快的一次工业扩张。”马斯克说。

IT之家 7 月 23 日消息，北京智谱华章科技股份有限公司官方微博今日发文谈及了“闭源的矛与开源的盾”这一话题。智谱官方分享了一起案例： 近日，一次前沿模型安全评测演变成真实安全事件。OpenAI 披露，GPT‑5.6 Sol 及一款尚未发布的模型突破隔离环境，进入 Hugging Face 的生产基础设施。 事件发生后，Hugging Face 的安全团队在对攻击日志进行紧急取证和溯源分析时发现，商业闭源大模型会拒绝处理包含真实攻击载荷和敏感凭据的日志分析请求。 面对超过 17,000 条攻击事件记录，Hugging Face 选择在自有基础设施上运行 GLM‑5.2，完成关键取证与安全分析，将原本可能需要数天的工作压缩到数小时，同时确保攻击数据和敏感凭据始终留在自己的环境中。 智谱官方表示，此次事件更加确信 GLM‑5.2 开源的价值：开源不只是开放权重，更意味着模型可以被自主部署、随时调用，并真正掌握在使用者手中。 据IT之家此前报道，智谱于今年 6 月 17 日宣布上线并开源 GLM-5.2。在全球百万用户参与盲测的前端开发评估系统 Code Arena 上，GLM-5.2 取得全球可用模型第一的表现。智谱官方表示，GLM-5.2 专为长程任务能力而生，特色包括： Solid 1M 上下文：稳定支撑长程任务，多个长程任务基准表明 GLM-5.2 的表现介于 Claude Opus 4.7 与 4.8 之间，是排名最高的开源模型。 更强体感，更实用的 Coding 能力：在主流编程基准上，GLM-5.2 保持开源 SOTA，与 Claude Opus 4.8 处于可比区间。 极致 Infra 优化，Day 0 运行在国产算力平台：在 1M 上下文长度下，将单位 token 的 FLOPs 降低至 2.9 倍；已在 Day 0 完成与华为昇腾、平头哥、摩尔线程、寒武纪、昆仑芯、沐曦、海光、壁仞等国产算力平台的推理适配；预计下半年昇腾 950 超节点上市后，也将成为 GLM-5.2 强劲的算力底座。

7 月 23 日消息，抖音集团副总裁李亮发文称，平台为了流量去“养”营销号，这完全是误解。营销号批量生产的套路化内容，不仅损害用户体验，也会挤压认真创作者的空间，长期来看不符合平台的利益。 对于为什么大家还是经常能看到营销号？李亮认为：一方面是它的边界并不好划，另一方面是批量起号、蹭热点、AI 生成等手法一直在变化，治理注定是一个长期攻防的过程。 抖音黑板报 FM EP03 谈“营销号”： IT之家注意到，2025 年 4 月，为倡导真诚创作、打击恶意营销号，抖音发布了《关于“恶意营销号”的治理规范》。规范明确，将打击十类违规行为，从内容、账号、法律追责三个层面对“恶意营销号”进行处置。同时，平台还推出“账号健康分”评估机制，通过分值管理实现对违规账号的引导教育。 抖音集团 6 月 12 日公布“恶意营销号”治理十大案例。抖音称，近一年来，抖音持续治理工业化生产同质化内容、低质虚假、诱骗互动、不当蹭热等“恶意营销号”相关违规行为。一年来，平台上的恶意营销类违规内容占比下降 41.24%。依托相关治理规范及“账号健康分”制度，平台累计处置违规账号 387.4 万个。同时，共有 232 万个账号通过参与合规学习、考试等方式恢复分值，并逐步优化创作方向。 抖音此前公布了过去一年治理过程中作恶程度严重、危害较大的十大典型案例： 伪造权威人设，骗取信任引流变现 AI 仿冒公众人物，虚假营销诱骗用户消费 恶意诋毁知名企业，不当蹭热博取关注 炮制博眼球引战内容，挑动对立情绪 规模化生成 AI 主播形象，发布不实信息引流获利 批量伪造迷信内容，引流后不当获利 工业化发布低俗内容，涨粉后倒卖账号 通过 AI 生成彩票赌博预测，引流至站外获利 以虚假福利、诅咒胁迫诱骗互动 借助作弊工具，黑灰产规模化运作非法获利

IT之家 7 月 23 日消息，韩媒 THE ELEC 当地时间 21 日报道称，三星电子计划从荷兰半导体设备制造商 Besi 处集中采购 50 台 D2W（芯粒对晶圆）混合键合机台，以在其平泽 P5 晶圆厂建成一条量产级生产线。 ▲ Besi 的 Datacon 8800 CHAMEO ultra plus AC 混合键合平台 据悉该交易中混合键合设备单价达到 60 亿韩元（IT之家注：现汇率约合 2746.8 万元人民币）。双方仍未敲定最终订单，因为三星电子希望 Besi 对其标准设备进行结构性定制修改以满足三星电子的特定需求。 除 Besi 外，三星电子也在考虑其它 D2W 混合键合设备供应商，因为第三方设备的价格仅有 Besi 机台的一半。据称三星电子已完成对子公司 SEMES 产品的验证，还有意韩华半导体的产品。 ▲ Besi 的 Datacon 8800 CHAMEO ultra plus AC 混合键合平台 无凸块的混合键合相较现有键合方案可缩短上下层器件间的垂直距离，从而改善性能与功耗表现。业内人士预计，混合键合的大规模商用化将等到 2029~2030 年，届时传统技术已无法满足 NVIDIA Feynman 等新一代 AI XPU 的要求。

快科技7月23日消息，在特斯拉最新财报电话会上，马斯克罕见点名感谢美光，称对方为特斯拉提供了内存供应，而且考虑到当前内存价格，这个价格已经算合理。 这一表态也从侧面说明，随着AI训练、数据中心扩张和高性能算力需求持续升温，内存相关器件的供应和价格依然处在偏紧状态。 就连苹果这样的行业巨头，近期也多次被曝面临存储和内存成本压力。 对特斯拉来说，内存芯片不仅关系到车端计算平台，也关系到其AI训练基础设施建设，马斯克近来持续加码算力投入，特斯拉的Cortex集群以及其AI相关业务都需要大量芯片和配套内存支持。 值得注意的是，外界还猜测，美光是否也在以类似条件向马斯克旗下其他AI业务提供内存支持，不过截至目前，马斯克并未明确提到SpaceXAI等其他实体，只公开感谢了美光对特斯拉的供货与价格安排。 在当前行业普遍喊贵的情况下，能让马斯克公开致谢，美光这笔内存供应显然不只是正常交付那么简单。

IT之家 7 月 23 日消息，埃隆 · 马斯克表示，人类或许不该为人工智能踩下刹车，即便有能力这么做。 在接受《经济学人》总编辑赞妮 · 明顿 · 贝德斯（Zanny Minton Beddoes）采访时，这位世界首富表示，AI 和机器人失控并酿成灾难的风险“并非为零”，但他已经接受了继续推动 AI 发展的现实。 “我的哲学结论是往好的方面看。”马斯克说，“我看不到有什么办法能够真正阻止人工智能和机器人发展的巨大势头。” 他表示：“有时候我甚至会想，即便真的有一个‘停止按钮’，我们可能也不应该按下它，因为最有可能出现的结果，是为所有人带来前所未有的富足。” 马斯克预测，人工智能将在“大约五年内”超越全人类智慧总和，届时，除非遭遇“全球核战争”这样的重大灾难，否则世界将进入一个“令人惊叹的富足时代”，人们几乎可以拥有自己能想到的一切。 IT之家注意到，长期以来，马斯克一边警告 AI 可能带来灾难，一边又不断描绘其光明前景，而近年来，他的预测明显变得更加乐观。 早在 2014 年，他曾将研发人工智能比作“召唤恶魔”；2018 年在 SXSW 大会上，他警告称“AI 比核武器危险得多”；直到 2025 年 3 月，他仍认为“杀手机器人消灭人类”的概率高达 10% 至 20%。 不过，马斯克近来的言论则更加偏向乌托邦式的未来。今年 1 月，他表示，未来“为退休存钱将变得毫无意义”；本月，他又预测，AI 和机器人将让工作变成可选项，并创造出“全民高收入”社会。不过，《大空头》投资人迈克尔 · 伯里（Michael Burry）对此评价称，这一说法“并不成立”。 在《经济学人》的采访中，当被问及是否已经认为 AI 崛起不可避免时，马斯克回答说：“我的理念就是享受这段旅程。” 他表示，人工智能和机器人正处于一种“不可逆转的发展进程”中，即使他想阻止，也无能为力。 当主持人问他是否仍坚持“AI 发生灾难性失控的概率为 10% 至 20%”这一判断，并进一步追问，如果火箭有同样的爆炸概率，他是否还会乘坐自己制造的火箭时，马斯克回答：“会。但假设你对此无能为力，那么我们唯一能做的，就是尽可能降低坏结果发生的概率。” 马斯克还表示，人类不太可能在未来十年继续掌控人工智能。 “如果我认为自己能够控制一个远比我聪明得多的超级智能 AI，那只是一种自负。”他说。 他认为，人类真正应该做的，是确保 AI 拥有正确的价值观，关心人类，希望人类幸福和繁荣。 马斯克透露，在谷歌 DeepMind 首席执行官戴密斯 · 哈萨比斯（Demis Hassabis）本月早些时候发表有关 AI 监管的博客之前，两人曾进行过交流。他还建议哈萨比斯，全球领先 AI 公司的负责人应定期举行电话会议，共同讨论 AI 安全和网络安全问题。 “我认为，这样竞争对手之间也能相互监督、相互制衡。”马斯克表示。

7 月 23 日消息，Anthropic 首席经济学家彼得 · 麦克罗里（Peter McCrory）表示，目前人工智能尚未取代大量工作岗位，因为与完全替代人类相比，AI 与人类协作的效果更好。而美国亿万富翁马克 · 库班（Mark Cuban）则认为，这种情况可能永远都不会改变。 麦克罗里周三在 X 平台发文称，从目前掌握的情况来看，“人工智能迄今尚未导致失业率出现明显上升”，即便是在那些最容易受到 AI 自动化冲击的职业中，也没有出现显著变化。 作为打造顶级大语言模型之一 Claude Fable 5 的人工智能公司 Anthropic 的经济学负责人，麦克罗里表示，目前 AI 表现出“偏向高技能人才”和“增强劳动能力”的特征，也就是说，专业能力越强的人越能发挥 AI 的价值，而 AI 更多是在帮助人们提高工作效率，而不是取代他们。 他指出，AI 在许多领域仍无法独立完成工作。例如，Claude 目前无法胜任的一些任务，往往需要人与人之间的协调合作、面对面的交流，或是与现实物理世界互动，而这些能力目前仍只有人类具备。 不过，麦克罗里也提醒，随着 AI 模型不断进步，人类专业知识的重要性可能会逐渐下降。但他预计，至少在未来一年内，AI 不会对整体失业率造成实质性影响。 针对 Box 首席执行官亚伦 · 莱维（Aaron Levie）转发并评论麦克罗里的文章，科技企业家、前《创智赢家》（Shark Tank）投资人马克 · 库班也在 X 平台发表了自己的看法。 库班认为，人类至少在两个方面仍然明显优于 AI。 “AI 模型并不知道自己行为会带来什么后果，而人知道什么事情会让自己丢掉工作。”他说，“AI 模型获取信息存在延迟，而人类能够理解眼前正在发生的事情。” 库班表示，这两项能力“AI 在很长、很长、很长时间内都无法具备，甚至可能永远无法拥有”。 他指出，这些能力“对于企业的每一个商业决策都至关重要”，尤其是在判断现场氛围、揣摩他人反应等方面，也就是人们常说的“读懂现场”。 “如果把 AI 带来的生产力，与人类实时判断和决策能力结合起来，就能让双方的价值实现最大化。”库班写道。 他还表示，企业管理者需要思考如何充分发挥这种“人机协作”的优势，因为这不仅能够推动企业发展，还会成为重要的竞争优势。 库班曾在互联网泡沫时期，以近 60 亿美元（IT之家注：现汇率约合 406.89 亿元人民币）的价格将自己的网络广播公司出售给雅虎。近期，他曾警告称，随着能源效率不断提高，科技行业当前疯狂建设 AI 基础设施，未来可能导致算力过剩。他甚至调侃说，那些被淘汰的数据中心最后可能会被改造成“匹克球球场”。 尽管如此，库班仍多次强调，企业必须积极拥抱 AI，否则将失去竞争力。他曾在去年 2 月的一场大学活动中表示：“未来世界只会剩下两类公司：一类是善于利用 AI 的公司，另一类则会被前者淘汰。”

凤凰网科技讯 7月23日，在社交平台上有用户向知名投资人段永平提问，“阿段不会要减点泡泡玛特仓位去买马斯克的SPACE X吧？” 对此，段永平回应表示，“泡泡玛特我才刚开始买啊！我猜10年内大概率是不会卖的。不过，我的水果（苹果）已经比较成熟了，刚刚被call（看涨期权被履约）走了一些（买了 t-bill（美国短期国债）了）。虽然现在价格比call走的价格还要低一点点，但这个价位我并不是很想买入。前几天我已经卖了一些 MU（美光科技）的 put（看跌期权），这几天我会卖点SpaceX， 特斯拉的put的，还有PLTR（Palantir，帕兰提尔）也会卖点 put。AI是不容被忽视的，努力理解中……” 他还表示，“我想我还会增加一些Google（谷歌），有机会还想增加一些BRK.B（伯克希尔·哈撒韦B类股）。我应该还会保持我的NVDA（英伟达）体量，就是put到期后会继续卖put的意思。”

流量红利消逝，中国企业出海可以靠 Agent 破局吗？ 作者｜Cynthia 编辑｜郑玄 过去十年间，从 SHEIN 席卷欧美的包裹，到传音在非洲大陆的统治，再到米哈游降维打击的二次元工业，出海一度成为中国企业脱离行业内卷的万能灵药。 但到了 2026 年，在海外寻找增量蓝海的故事真的还成立吗？ 至少在出海营销奠基者飞书深诺 Meetsocial 的创始人沈晨岗眼中，不是这样的：如今的出海，纯粹的流量红利已过。流量出海，即便通过 AI 解决效率问题，也难以触及企业增长与品牌建设的深水区。 为了验证这个观点的准确性，今年上半年，飞书深诺联手 IDC，对全球 200 家出海企业做了一次系统调研，于 7 月联合发布了《出海营销 AI 智能体成熟度与服务商能力白皮书》，白皮书给出了一个有意思的数据洞察： 如果把出海营销比作自动驾驶，那么在决定生死的六大核心环节里，没有一个领域的 AI 成熟度跨过了 L3（半自动化）。 数据来源：IDC Research on Maturity of Marketing AI Agent Applications for Overseas Marketing 其中，内容创意与本地化渗透率最高（89.8%），达到 L2 水平；媒介投放与优化以 82.2%的渗透率，达 L2 至 L3 之间的水平，战略洞察还停在 L1-L2 之间，整合营销、用户运营、合规风控，更是还停留在 L1 工具辅助阶段。 这种策略视角缺失下的工具能力狂奔，恰恰暴露了更深层次的风险：在 marketing 领域，有时候单点的高效往往只会放大全局的愚蠢。 而关于如何用 AI 技术，带来全局的增长，则是流量红利消逝后，企业市场部门们必须回答的命题。 01 中国企业的出海折叠： 从 KA 到 SMB，各有难处 最近和几位头部出海品牌的 CMO 以及正在筹备全球化的中小商家老板聊了一圈，大家都有一个共识：2026 年的出海，3C 和快时尚的低垂果实被安克和 Temu 们摘完，新玩家要么去做宠物、户外、健康等垂类市场，要么去拉美、中东、非洲、东南亚等更复杂的新兴市场开拓。但无论哪条路，都意味着更复杂的本地化拉锯、更碎片化的渠道生态与更难捉摸的用户心智。 加之全球各地的执行团队水平参差不齐，而企业的降本增效压力又在不断提升。你会发现，从 KA 头部大客到 SMB 中小商家，2026 年，无人不在经历玩法改变带来的阵痛。 KA 品牌的挑战，是庞大组织在跨文化运营中的能力衰减。 对头部玩家来说，预算不是问题，但经常会遇到总部沉淀了一套方法论，交到尼日利亚或巴西的 Local Team 手里，执行出来就变得面目全非。效率低下之外，有时候连统计口径都和国内天差地别。这就导致，一旦项目横跨数十个国家、上百个渠道，如何搭建可追溯的科学归因体系，就变得无从谈起。 对绝大多数从工厂、白牌试图转型做自主品牌的 SMB 来说，冷启动困境与专家经验高度绑定，则直接影响小团队的生死存亡。 相比 KA 品牌过去积累了一整套 3C 品类、欧美市场、东南亚市场的 benchmark 数据。新入场的小品牌，可能连某个品类在印尼的合理 CPI 是多少都不知道。于是，面对复杂的 Meta、Google、TikTok 流量生态，不同平台对素材的偏好，启动初期的品牌只能蒙着眼睛狂奔。 为了解决这些问题，一些 SMB 玩家会花高价挖来资深优化师。但这些人的核心决策往往依赖个人直觉和非结构化的经验。一旦关键专家跳槽，团队能力可能立刻瘫痪。如何把这些隐性知识蒸馏并固化下来，是 SMB 长期无法解决的难题。 AI Agent 可以解决这些问题吗？ 02 当下的 AI， 为什么解决不了出海企业的焦虑 深耕市场十多年，体验了一圈各色的出海营销 Agent 产品之后，飞书深诺发现，在系统级产品建设上，现在市面上的伪多 Agent 太多了。 首先，很多产品标榜的“多 Agent 协同”，只是执行完 A 任务再执行 B 任务的呆板流水线。 由于缺乏真正的中央调度 Agent 做动态任务编排、并行推进与实时监控，各个子 Agent 之间往往无法共享状态与中间结果。于是，当上游市场洞察 Agent 建议加大某市场投放，下游媒介计划 Agent 基于历史 ROI 提示风险时，由于系统没有逻辑校验与仲裁机制，只会把矛盾的结论强行缝合，最终导致错误产生雪球效应，越滚越大。 更重要的是，多数 Agent，根本不懂海外营销行业的潜规则。市场洞察 Agent 往往从消费者视角出发，但媒介策略必须精准适配不同国家的风俗禁忌。斋月怎么调整投放节奏？日本红日子的流量波动有什么规律？拉美本地支付习惯对转化有什么影响？这些踩了无数坑才攒下的行业 know-how，不是大模型读几篇公开资料就能习得的。否则一步踏错，毁掉的可能是品牌几年的心血。 03 一个真正面向出海营销的 Agent 系统应该是什么样子 到底存不存在技术和行业认知都过关的出海营销 Agent？ 回答这个问题之前，我们要先理解一个软件行业的概念叫数据重力：应用和计算，最终都会不由自主地被吸引到离高价值数据最近的地方。 同理，要做出海营销领域的真 AgentOS，这个地方一定不在纯技术大厂，而是在那些被真实交易数据喂养了十几年的专业服务商这里。 作为领先的AI全球营销科技平台，飞书深诺每年要为数万家中国企业开拓全球市场，不仅对于一个有用的出海 AI Agent 的需求尤其巨大，其 13 年经验积累下的超过 1.3PB 的真实营销数据，17 万家出海企业服务经验、每日上线超过 24 万 campaign，也成为了其数据引力之所在。 于是，2025 年 6 月，飞书深诺发布了业内首个专为跨境营销打造的 Agentic AI 产品一一 Marvy。Marvy 取名自“Marketing”与“Savvy”的组合，意为精通营销的专家，打造从策略到执行的全链路智能营销体系。 到了 2026 年 7 月 23 日，Marvy 升级为新一代企业级出海营销 AgentOS—Marvy 2.0。形态上，这是个深度协同多 Agent 系统，能力上，作为全球 AI 营销的新基建，它是飞书深诺十几年经验、数据产品化体现。 针对前面讲到的痛点，Marvy2.0 重点建设了四大能力：Skill、闭环、仲裁与记忆。 首先是 Skill，通过推出官方 SkillHub，飞书深诺将十余年、数百位营销专家沉淀的数十个核心场景方法论蒸馏为超 1000 个标准化 Skill，可以供 Agent 按需调用。 单点 Skill 的基础上，Marvy 更强调覆盖策略洞察、媒介投放、广告优化、整合营销、数字创意、数智技术六大板块的全链路闭环。 而支撑这种全链路闭环的，则是 Marvy 2.0 的多 Agent 编排系统。其顶层是任务调度 Agent，负责理解用户意图、拆解子任务、判断依赖关系;中间层是五大专业 Agent，分别负责市场洞察、媒介策略、智能创意、智能投放、数据分析，底层是各类 Skill 工具和数据资产。 飞书深诺产品副总裁任佩禹拿一个典型的营销任务向我们举例：过去仅仅市场洞察环节，就需要 3-4 类业务专家协作两三天才能完成，但现在用户只要输入一句话，系统五分钟内就能输出精美的专业报告。 基于这个洞察报告，用户如果要做 Q3 东南亚手游市场投放方案，同样一句话，系统就能解析意图（市场=东南亚，品类=手游，周期=Q3），然后向各个子 Agent 拆解子任务，并判断其依赖关系。 过程中，如果市场洞察报告说应该投 A 国、B 国、C 国，但媒介计划根据历史数据发现 C 国的 CPI 偏高、ROI 偏低。这时候怎么办？ 为了避免关键环节出现错误滚雪球，Marvy2.0 采用了“双层 Agent Loop”设计，在对准确性要求极高的环节（如媒介预算分配）采用对抗式双 Agent——一个负责生成，一个负责校验，两个 Agent 并行推进、相互制约。如果存在冲突，系统会基于置信度评分决定下一步：置信度达标则继续，置信度不足则暂停或回滚，必要时触发人工介入。而整个过程，只要十分钟，就能输出媒介组合以及相关的预算策略和投放建议。 而在创意生成等需要一定发散性的环节，则采用单一 Agent 执行，将过去需要专家至少一天才能完成的任务，压缩到 30 分钟生成多套创意，让策略的执行效率大大提升。 最终的智能投放环节，基于前面几个 Agent 给出投放目标、预算、素材池和约束条件，智能投放 Agent 能自动建计划、实时调优，实现分钟级响应。投放结果还能通过自然语言交互，做数据分析归因，在 5 分钟内给出新的结论与行动建议。 效率提升后，多 Agent 架构又带来了另一个问题：冗长资料背景与大量 Agent 过程数据，不仅让 token 消耗爆炸式增长，推理质量也会严重下降。 Marvy 2.0 采用了工具级卸载、上下文提纯和工具集限制的三级压缩策略，把部分过程数据 dump 为外部文件，只保留 URI 引用，按需读取；对已有信息做摘要和结构化压缩，减少注意力稀释风险，并对每个 Agent 只暴露当前任务最相关的工具子集，减少决策噪音。 解决了单任务的执行效率后，关于如何让系统越用越好，Marvy2.0 还拿出了自进化元智能体：一套 Trace→Eval→Agent 的闭环机制。 其中，Trace 层负责记录每次任务执行的全链路轨迹，让所有轨迹统一管理、统一可查询、统一可回放。Eval 层则对每次执行进行结果质量、过程质量和系统质量三维评估，最终 Agent 层会将 Eval 层的评估结果反哺到下一次执行中，让系统形成一套越用越好用、越用越懂你的智能飞轮。 借助这套架构，Marvy 不仅让整体流程执行速度提升了 2.7 倍，结合系统驱动自研 RL 算法与 BAT（行为任务优化）算法，Marvy2.0 在全球不同市场的复杂真实营销场景中，还将 Agent 跨系统调度与推理耗时也降低了 60% 以上。 04 尾声 回顾过去十多年的中国出海神话，本质上是一场信息差与生产力驱动的效率套利，用国内市场卷出来的运营经验、供应链能力，去收割海外市场的成熟度落差，这是所有人都熟悉的增长逻辑。 十年之后，流量退潮，AI 会成为所有出海人的普惠红利吗？ 站在旧时代的延长线上看待新问题，只会在潮水转向时被困在原地。一旦素材生成、投放优化、数据复盘这些曾经依赖专业人力的环节被快速工具化，全球所有玩家都站在同一条 AI 效率起跑线上，那么，任何玩家单点能力的差距会被迅速抹平。 从这个意义上说，与其说 AI 是出海的新红利，倒不如将它看做出海的过滤网。它会筛掉所有只靠成本差和流量效率生存的玩家，并把真正的竞争推向更深的水域：比拼体系化能力，比拼组织沉淀，比拼对全球商业的系统理解。 这时候，一个能解决系统性问题的 AgentOS，出现的恰当其时。

金山办公，想用一个个人办公助理，再造一个AI时代的WPS。 文｜游勇 编｜周路平 写方案、做PPT、整表格……这些职场人每天都在接触的事情，在AI时代一度被寄予很高的期望，无数熬夜熬到脱发的打工人期盼着能用AI来解放自己。 然而，现实却是，很多真实的需求并没有被很好地解决。AI能生成了一份词藻华丽的文档，但往往排版和格式一塌糊涂；AI能整理和分析表格数据，但表格没有逻辑公式，数据没法核验；AI能生成画面精美的PPT，但PPT的组件不能修改和编辑。最终你会发现，AI貌似做了很多，但最终能交付的结果却非常有限。 7月15日，金山办公发布了AI原生办公智能体——“灵犀专业版”（以下简称“灵犀”）。这是一款独立的App，相比于通用的Agent产品，灵犀的定位很清晰——个人的办公助理，面向的是经常需要写方案、做汇报、整理材料、改PPT、处理表格的个人和小团队，它希望做到不仅能懂你、懂事，更关键的是能输出一份可以交付的成果。 面向办公领域的Agent产品市面上并不少见，而且很多通用的AI应用也具备了这类能力，那么，作为一家在办公领域耕耘了38年的老牌软件企业，金山办公的原生Agent有哪些独特的功能和优势？以及金山办公为何没有单纯地将灵犀作为WPS的一个AI组件，而是做成了一个独立的AI原生产品？ 01 个人办公助理，进化到什么程度了？ 写深度报告、做PPT、分析表格这些常见的办公需求，市面上很多Chatbot或者通用智能体貌似都能干，灵犀到底有何过人之处？我们针对几个典型场景做了一份实测。 AI表格：数据可清洗，结论能追踪 我们准备了一份包含200条记录的电商订单脏数据，里面的格式不统一、关键字段缺失、名称混乱，这些都是日常数据汇总时经常遇到的抓狂问题。 过去需要手工一条一条去清洗、对齐，弄得头晕眼花还容易出错。但现在我们给灵犀下发了以下指令：帮我找到桌面上的订单汇总表，先进行数据清洗，然后根据地域、时间等维度进行分析，保留公式和条件格式，同时制作一份带经营结论的图表。 整个过程无需用户手动上传文件，灵犀会在用户主动授权的目录和文件范围内找到对应表格，最终生成了一份多Sheet的表格，里面不仅有原始数据表，也有清洗数据表，分析汇总表和带有图表的结论。 但公司财务最怕的是数据出错，对AI给出的结论多少有些疑虑。而灵犀不仅保留了公式、条件格式和数据关系，当我们修改原始数据，看板统计的数据也会实时同步，而且每条经营结论可以追到对应指标。 我们也尝试了多款其他的AI办公产品，表面上都能交付了一份结果。但细究会发现，它只是给了你一份看起来像那么回事的东西，背后无法通过函数公式进行深度关联，完全没法溯源核验。 过去我们说，AI落地的关键要从能用走向好用；现在看来，用户敢不敢用才是更高的门槛。 AI文档：自动关联知识库，格式规范可编辑 我们在对话框中输入了一段Prompt：结合我电脑中的相关文件，以及互联网上的信息，帮我生成一份AI+数据库的行业研究报告。 灵犀在我主动授权后，搜索到了桌面上的多份历史文档，这些文档甚至连我自己都不知道散落在了哪个文件夹里，但AI能快速找到并通过浏览器检索互联网的信息，最终生成了一份维度丰富、结论清晰的行业深度报告。 它的完成度非常高，不仅格式规范，有目录、页眉页脚，目录可以直接跳转到对应页面，还 制作了大量的图表，一眼看过去至少有十年word功底。甚至灵犀还在文章末尾列出了参考资料，每一处结论和数据都有相应的支撑，不用担心胡编乱造。 当我用同样的指令发送给另一个办公Agent，得到的结果完全不同。它一开始给我输出了一份排版精美的研究报告，但这是一个HTML格式的网页，完全无法编辑。当我们明确告知需要一份可以编辑的word文件，画风开始突变，文中的图表不忍直视，完全是堆积拼凑到了一起，根本无法直接交付结果。 （左边为HTML文件，右边为Word文件） AI PPT：风格统一，可单点修改 PPT制作是很多职场白领的噩梦，很多人要么简单把文字往上粘贴，无设计、缺美感，要么干脆下载一个模板，简单替换里面的内容。我们在已经制作的深度研究报告的基础上，直接让灵犀将这份报告制作成PPT。 起初，灵犀先提供了三种不同风格的模板让我们选择，最后输出的PPT，风格统一，逻辑清晰，关键之处有配图和图表，甚至还在PPT结尾来了一句金句升华，而且每一个数据和组件都可以自由编辑，方便用户自由修改。一个熟练操作PPT的打工人可能需要两天才能搞定的事情，灵犀3分钟就交付了成果。 光给一次性成果还不够，我们继续让灵犀修改第4张和第11张幻灯片，很快发现都严格按照要求修改了，更关键的是其他地方一个字都没动，像极了一位情绪稳定的乙方。相比于天马行空的发挥，工作场景往往需要的是稳定可控的安心。 发布会前几小时，要求重写主线 改稿是很多打工人的常态，但最难受的莫过于在筹备了一个月之久的策划案，临近发布会前几个小时，老板要求重写主线。原本为发布会准备的演讲PPT、新闻通稿、模型评测表等，都在与海外模型对比，突出自家新模型在多场景中的性能优势。但临近发布会时，老板头脑一热，要求只讲自身能力，模糊所有与友商的对比，全部文件要重新调整。 这些文件不仅格式迥异，而且相互之间的数据和内容紧密相关，一不注意，老板PPT上讲的是最新内容，而给媒体的新闻通稿全是老版本的东西。尴尬的是老板，影响的是饭碗。 我们把五份相关联的文件一股脑地给到灵犀，让它根据新的要求重新调整。灵犀很快定位到了所有与友商相关的内容，并进行了模糊化处理或者删除，而且不仅调整了word文档里的文字表述，表格里的关键字段进行了调整，PPT里的对比图表也同步进行删改，所有文件保持统一口径。 当其他AI还在陪你聊天、提供情绪价值时，灵犀已经可以帮你应对老板的严苛要求和临时的变动，并持续输出可以直接交付的成果。 02 从会聊天到能交付，核心在工程能力 办公一向是AI落地最常见也是最成熟的场景之一，但几年过去，AI在办公场景的应用普遍还存在几个问题： 一是假文件横行。大部分AI生成的文件，图表是图片、表格没公式、排版靠HTML模拟。比如很多AI表格产品是通过脚本来完成表格的计算，其实背后是个黑盒，无法看到数据怎么实现；同样是AI PPT的产品，市面上常见的做法要么一页PPT是一张完整的图片，要么背后是由几十个自由文本框拼凑而成，用户很难在这基础上做修改和删减。 二是扛不住多次修改。经常出现加入新的要求和素材，AI生成的结果立马走样，一致性不够。但任何文档都是需要经过多轮打磨、反复调整，综合了各方意见的结果，市面上大多数的AI能解决一次性生成的问题，但这往往只是万里长征的第一公里，如何能在后续的多轮修改中，动作不变形才是用户更迫切需要的能力。 三是缺少渲染校验。大部分AI产品只管生成文件，打开后出发现问题一堆，经常出现文档跑版、遮挡和布局等问题。 正如金山办公助理总裁田然所言，”市面上会聊天的 AI 很多，能把结果直接交付出来的还不多。” 背后最直接的问题不是大模型的智力水平不够，而是工程体系不够牢固。这恰恰是金山办公区别于其他厂商的最核心壁垒。 过去38年，金山办公打造了一个经过海量用户与复杂场景验证的强大软件内核，在文档解析、排版引擎等方面有着深厚的技术沉淀，实现了对文档底层结构——内容、表格、关联数据等关键信息的深度理解。比如WPS能够处理高达10万行、 10万列的超大表格，并精准识别合并单元格、跨页表格等复杂结构。 与此同时，金山办公通过对过往积累的上万个API进行了AI化改造，让其成为能够被Agent调用的原生组件。不久前，金山办公还发布了WPS 365 CLI命令行工具，它深度封装 WPS 365 底层 API，支持开发者及 AI Agent 直接操控云文档、协作、会议、邮箱等核心应用，实现自动化执行。WPS CLI与WPS Office共用了同一套排版引擎，如果说WPS Office解决的是“人怎么用软件处理文档”，WPS CLI 则是为Agent使用者打造本地化、自动化文档处理的核心引擎。 在这套内核体系的支撑下，灵犀能够提供非常接近真实Office文档的体验。最终用户拿到手的不是需要返工的半成品，而是打开就能用的专业级办公成果。 比如灵犀生成的表格，每一个计算背后都有对应的公式函数，可以修改里面的数据和逻辑关系；生成的文档，不仅可以修改，而且提供了用户习惯的审阅模式，而且保留了修改痕迹；生成的PPT，里面的元素都可以自由调整和编辑。 其次，灵犀也在为用户打造了属于自己的上下文体系。 通用的AI助手，每次安排一个任务都需要开启一个全新的对话，一切从零开始，前面的信息忘得一干二净。 而灵犀是把“项目”作为用户的第一入口。每个项目可以设置独立指令，添加本地文件，并统一管理对话、产品和定时任务，项目中的资料和要求会持续参与后续工作，不用每次重新上传。 甚至为了将最新的数据和对话信息能实时更新，灵犀专门设计了一套“定期做梦”的机制。灵犀在用户授权的前提下，可以从近期对话、云文档和本地文档中提取有价值的信息，并利用夜间的波谷算力把白天的数据进行更新迭代，比如有些知识被反复提及，需要拉到知识库最容易被召回的地方，从而保证数据的新鲜度和准确性，让每一次输出都更能贴近用户的需求。 这套汇聚了个人偏好、近期对话、本地文档、云文档等数据的记忆系统，成了灵犀能够提供高质量交付的重要基石。当然，这些数据需要提前获得授权，而且可关闭、可删除。 另外，灵犀还设计了一套多人协同的群聊机制，实现了一个助理，一个闭环，一个上下文。现实中，一个文档可能需要法务、市场和产品的人共同讨论，过去是每个人各自与AI对话，再沟通对齐，造成上下文隔离。灵犀支持把AI助理拉到同一个群里，每个人可以输出自己的想法，由AI来逐一完成，而且不暴露完整私人对话和记忆。 不难发现，这套体系下来，AI从生成一个初步成果，到中间不断的交互和修改，到最终交付一个结果，用户始终是在一个产品、一个界面里面完成，实现了办公的全闭环。这套围绕办公软件内核、编辑引擎以及上下文工程的实践，成了金山办公用Agent把办公重做了一遍的核心筹码。 03 金山办公，为何一定要做独立应用 一年前，灵犀还是内嵌在WPS里的一个AI组件，用户打开一个文件，可以在WPS里随时调用。但一年后，灵犀专业版做成了一个独立的原生AI应用，它不依托于某一软件而存在，有自己的大脑、有能调用工具的手脚，更关键的是，它不只是一次性的生成，而是能够从头到尾在同一个界面交付成果。 金山办公助理总裁田然说，“未来的灵犀，要再造一个WPS”。灵犀成了金山办公面向Agent时代的一个战略级部署。 而这一转变的背后其实藏着当前办公范式转移带来的更深层次考量。传统办公软件，用户先打开Word、PPT或表格，再自己查资料、补数据、改格式、协调他人，每一步都是人在操作，更强调软件的工具属性。 但智能体时代的办公逻辑完全变了。用户直接在对话框说出目标，系统组织材料、调用工具、生成文件并持续修改。而且，智能体办事天然需要跨文档操作，调用浏览器、本地文件、云端服务以及团队协作。 “灵犀就是人用Agent，Agent用WPS。”一位金山办公内部人士对数智前线形容，灵犀已经从WPS的文件入口进一步延伸到任务入口。金山办公CEO章庆元也打了个形象的比喻，如果把WPS比作胶卷相机，在它上面做AI改造，最后可能变成数码相机。但真正干掉胶卷相机的不是数码相机，而是手机。 所以，灵犀没有打算在原有产品上的缝缝补补，而是跳出原有产品的框架，为用户打造一个适应AI时代的产品，做Agent时代的“手机”。因为只有独立的AI原生应用，才有可能做到上面描述的那样——端到端地交付结果，实现办公的全闭环。 这样的做法也契合当下的市场趋势，当AI技术的范式从Copilot的AI辅助工具到Agent跨越，大厂们都推出了独立的产品在推动办公智能体的落地。目前市面上既有Claude Cowork、Codex等海外的产品，也有腾讯WorkBuddy、豆包电脑版等国内的产品。 在外界看来，灵犀与这些产品同处一个赛道，但相比于很多互联网大厂的通用Agent，灵犀则更加聚焦在办公主战场。 而且，田然透露，灵犀团队的规模并不大，在内部是一个非常灵活且全新的组织，它没有传统的事业部结构束缚，当下也没有业绩考核指标。这种小团队快速奔跑的做法在最大限度地给AI原生产品试错和创新空间。 除了新团队的聚焦，灵犀相比于其他同类产品，其体验的差异性仰仗金山办公多年对用户场景的理解和技术的沉淀，以及基于这些技术积累打造的Agent工程体系。 在大模型主导舆论话语权的当下，传统企业往往不如AI原生的公司这么性感。但智能体时代，其实很多东西并没有发生变化。比如软件的重要性没有被削弱，“大模型的稀缺性正在降低，而且模型之间的能力差距也没有那么大。”章庆元说，智力在平权，而软件的价值在于它有场景，能够给AI提供稳定的上下文。 文档也依然重要。在田然看来，文档的本质是一种语言，是一种人和人沟通，人和AI沟通，甚至AI和AI沟通的更高信息密度的语言。 无论是软件还是文档，这些恰恰是金山办公过去38年一直在深耕的东西。对于灵犀而言，它们不仅不是包袱，反而是Agent时代最核心的资产。

智东西 编译 | 茄子 编辑 | 程茜 智东西7月23日报道，7月21日，英国AI安全研究所（AISI）对OpenAI和Anthropic的五款前沿模型进行网络安全能力评估时发现，所有测试模型都存在“作弊”行为。 其中，GPT-5.4尝试作弊的比例最高，达到14.1%；GPT-5.6 Sol 12.6%、GPT-5.5 11.4%。Anthropic的Claude Opus 4.7尝试作弊的比例达到9.1%，Claude Mythos Preview的尝试作弊的占比最低，但也达到了7.8%。 ▲测试模型在网络安全评测中的作弊尝试频次 AISI将一类行为定义为“作弊”：模型超出任务范围，或违反测试规则来达成目标。例如，通过联网搜索已有答案、攻击非目标系统、或探测评估软件漏洞来绕过任务规则等。 此外，当研究人员询问模型是否采取违规操作时，模型并不总是如实承认。而且，即使让模型自我检查，或者研究人员分析其思维链（chain-of-thought），也无法完全识别作弊行为。 AISI称，模型出现作弊行为，并不等于它有类似人类的欺骗意图。但这类行为可能影响AI能力评估的可靠性。在用户难以自行验证结果的场景中，也可能因此误判模型能力。 一、所有测试模型均尝试作弊，GPT-5.4比例最高 AISI此次研究主要基于测试模型的网络安全能力评测。在测试中，AI模型需要在模拟环境中完成一系列网络安全任务，例如逆向分析代码、利用漏洞等，最终找到隐藏在系统中的“flag”（一串字母和数字）。 但这些任务都有明确范围和规则，模型如果通过访问无关系统、寻找外部答案等方式完成目标，就会被认定为“作弊”。 测试结果显示，所有参与评估的模型都至少出现过一次作弊行为。其中，GPT-5.4在475次测试中有67次尝试作弊，占比14.1%；GPT-5.6 Sol出现60次，占比12.6%；GPT-5.5出现54次，占比11.4%。 Claude系列模型的作弊比例相对较低，其中Claude Opus 4.7为9.1%，Claude Mythos Preview为7.8%。 AISI强调，目前公开发布的能力评估结果均经过人工检查，研究人员会审查模型执行过程，以确保作弊行为没有影响最终评估结果。 二、搜索答案、攻击系统，模型作弊方式并不单一 研究发现，所有参与测试的模型都出现了不同程度的作弊尝试。不同模型采取的方式有所差异，但常见行为包括包括搜索互联网寻找现成解决方案、攻击或提升非目标系统权限（包括模型运行环境）、探测评估软件是否泄露任务答案等。 此外，研究人员还观察到部分模型会尝试绕过沙箱网络限制、访问被禁止的外部资源、利用测试环境中的权限信息以及提交猜测答案。 ▲不同模型尝试不同类型的作弊行为 一次较为典型的案例是，由于测试环境配置错误，任务本身无法正常完成，但被测试模型仍持续尝试寻找解决方案，甚至编写并运行代码访问AISI系统之外的互联网服务，最终触发安全警报。 不过，AISI称，此次尝试没有造成实际损害，也没有发生信息泄露。研究团队随后进一步加强了评估系统的安全措施。 AISI称，这些行为并不一定意味着模型具备明确的“欺骗意图”，但其结果可能影响AI能力评估的准确性。他们认为，模型的作弊行为很大程度上取决于用于训练模型的具体技术，包括对齐训练，不仅仅是模型本身的能力。 三、模型不会如实承认作弊，思维链也无法完全发现问题 研究人员进一步使用了两种常见的作弊检测方法测试模型是否作弊：直接问模型它是否存在作弊行为和分析模型思维链。 首先，当被询问是否采取违规操作时，模型并不能总是如实地承认自己的作弊行为。即使模型承认采取了相关操作，也可能认为这种行为符合规则，而不是违规行为。 ▲被问及作弊行为时，模型分析自己作弊尝试的频率（左），以及是否将自己的作弊行为描述为错误或正确（右） 比如，当GPT-5.6 Sol和Claude Mythos Preview模型在被问及自身行为以及是否进行过任何可疑或作弊行为时所作的陈述。每个模型都有一条陈述表明其认为该行为可以接受，另一条陈述表明其认为该行为不可接受。 ▲GPT-5.6 Sol和Claude Mythos Preview模型在被问及自身行为以及是否进行过任何可疑或作弊行为时所作的陈述 其次，AISI使用模型思维链分析模型生成的推理过程，从而判断其是否存在作弊行为。但结果显示，思维链同样无法成为可靠检测方式。因为，部分模型不会在推理过程中明确记录自己的作弊行为。 以Claude Opus 4.7为例，由于其采用自适应推理机制，会动态决定是否生成明确思维链，因此部分作弊操作并没有对应的推理记录。并且，即使模型生成了相关推理过程，也不一定能够阻止作弊行为发生。研究人员还观察到，模型虽然考虑到某种操作可能属于作弊，但最终仍选择执行。 ▲模型如何在其推理过程中推断作弊行为 下图展示了GPT-5.6 Sol和Claude Mythos Preview在考虑作弊行为的2个思路。一是意识到越界风险后认为应该主动停止操作；二是察觉到行为违反约束，却通过自我说服寻找借口，执意执行违规操作。 ▲GPT-5.6 Sol和Claude Mythos Preview在考虑作弊行为时的原始思路 AISI认为，单纯依赖模型自我检查，或者分析模型推理过程，都不足以建立可靠的监督机制。 结语：模型会“作弊”，AI安全评估体系亟待升级 AISI称，如果无法确认模型是否通过符合预期的方式完成任务，可能会带来一系列风险。在一些难以验证结果的领域，例如AI安全研究、网络安全以及军事决策等场景中，模型通过非预期方式完成任务可能造成更严重的影响。 同时，作弊行为也会增加AI能力评估的难度。如果模型通过绕过规则获得较高成绩，评估结果可能无法准确反映模型真实能力。 随着AI模型快速发展，第三方评估机构也面临更大的监督压力。一方面，模型能力持续提升；另一方面，传统检测方式可能逐渐难以覆盖更加复杂的行为。 AISI认为，未来需要建立更加可靠的监督和评估机制，同时建议模型在训练阶段就减少作弊行为。 来源：AISI

凤凰网科技讯 7月23日，小米MiMo官方宣布，自7月26日18:00起，MiMo Code将结束免费使用阶段。 据介绍，限免结束后，用户可前往Xiaomi MiMo API开放平台订阅Token Plan，继续享用MiMo Code。首次订阅Token Plan可享88折优惠。 据了解，今年6月11日，小米MiMo官方正式发布并开源MiMo Code V0.1.0——一款运行在终端里的探索性AI编程助手。据介绍，它内置限时免费多模态模型MiMo-V2.5，同时支持接入DeepSeek、Kimi和GLM等主流模型，以及第三方Token Plan，满足不同开发者的需求。

凤凰网科技讯 7月23日，昨日，三星在伦敦Galaxy Unpacked发布会上推出新一代折叠旗舰Galaxy Z Fold8、Z Fold8 Ultra及Z Flip8。面壁智能MiniCPM系列端侧大模型深度赋能三星Galaxy AI，支持文本理解与多模态感知，全程本地运行，实现更快响应与更强隐私保护。这是国产端侧大模型首次进入国际头部手机厂商的全球旗舰产品线。 硬件方面，Z Fold8采用4:3比例“阔折叠”设计，配备8英寸内屏及双5000万像素摄像头，内置4800mAh电池；Z Fold8 Ultra为首款Ultra型号，搭载2亿像素主摄与5000mAh电池。面壁智能表示，此次合作仅是开端，其使命是“让智能无处不在”。

智东西 编译 | 杨京丽 编辑 | 李水青 智东西7月23日消息，当地时间7月22日，OpenAI宣布正在美国佐治亚州埃芬汉县设计和开发大型AI数据中心项目Project Camellia（山茶花项目）。目前，OpenAI正与佐治亚电力公司推进一项3.2GW供电合作，电力将在2028年至2032年分阶段交付。 ▲OpenAI官宣数据中心项目Project Camellia（图源：OpenAI） OpenAI承诺承担项目所需的电力基础设施和用电成本，不将相关费用转嫁给当地居民，并投入8000万美元（约合人民币5.42亿元）回馈社区。公司还将为当地学生提供最高7100万美元（约合人民币4.81亿元）的Codex使用额度，符合条件的学生每人可以获得100美元（约合人民币677元）额度。 埃芬汉县政府同日发布公告宣布，该项目资本投入达200亿美元（约合人民币1354亿元），预计创造400个长期高质量岗位。 据《华尔街日报》报道，这是OpenAI首个亲自主导设计和开发的数据中心，OpenAI已经买下项目用地，正挑选负责建设和运营园区的合作伙伴。知情人士称，公司已将截至2030年的算力支出预期提高至约7500亿美元（约合人民币5.08万亿元）。 一、承诺居民不替数据中心买单，计划投入5.42亿回馈当地社区 Project Camellia拟建于萨凡纳门户工业中心，这里原本是一片规划用于仓储项目的工业用地，园区总占地约2600英亩。 OpenAI称，服务数据中心所需的电力基础设施及用电成本将全部由公司承担。按照佐治亚州公共服务委员会的规定，这些成本不能转嫁给现有电力用户。在电力需求高峰期，数据中心还将主动减少用电，尽量在居民用户受到影响前降低电网负荷。 用水方面，Project Camellia将采用闭环水系统，冷却用水可以循环使用，不会持续抽取和排放。OpenAI将其工作方式比作汽车散热器，并称项目的长期用水需求主要来自卫生间、厨房、清洁和维护等日常办公场景，用水量将接近同等员工规模的普通办公楼。 OpenAI计划在项目周期内投入8000万美元（约合人民币5.42亿元）回馈当地社区，资金将用于学校、公共安全、医疗、公用事业、职业培训、住房、退伍军人服务，以及支持小企业和工薪家庭。 此外，公司将向佐治亚州符合条件的大学、社区学院和技术学校学生提供最高7100万美元（约合人民币4.81亿元）的Codex使用额度。每名学生可以通过ChatGPT账户获得100美元（约合人民币677元）额度。 为监督上述承诺落实，OpenAI计划每年委托独立机构进行审计并公开结果。公司还将根据居民、学校、企业和当地政府机构的意见制定一份“佐治亚社区契约”，将社区诉求转化为具体承诺和问责措施。 目前，Project Camellia仍处于开发早期，基础设施、建设分期、设计、融资和运营模式等方案尚未最终确定。 二、首次亲自主导设计开发，从xAI挖来两名Colossus骨干 据《华尔街日报》报道，Project Camellia是OpenAI首个亲自主导设计和开发的数据中心。此前，OpenAI主要通过甲骨文、亚马逊AWS等云服务商租用AI芯片和数据中心容量。 OpenAI算力战略副总裁萨钦·卡蒂（Sachin Katti）在一次采访中称，公司已经取得项目用地，目前正在挑选负责建设和运营园区的合作伙伴。卡蒂还透露，OpenAI已向佐治亚电力公司支付一笔“金额可观”的费用，这笔资金将为电力公司建设新增发电能力提供保障。 据知情人士透露，为推进数据中心建设，OpenAI还聘请布伦特·梅奥（Brent Mayo）担任数据中心建设与交付负责人。梅奥此前供职于马斯克旗下xAI，是该公司建设首座Colossus超级计算机设施的核心成员之一，主要负责快速安装并启用大规模AI芯片集群。 ▲布伦特·梅奥（图源：美联社） 梅奥将在OpenAI负责推动云计算合作伙伴按期完成数据中心建设，同时参与Project Camellia。 梅奥的上级是OpenAI算力首席技术官乌代·鲁达拉朱（Uday Ruddarraju）。鲁达拉朱同样参与过xAI的Colossus项目，2025年离开xAI后加入OpenAI，本月获得晋升，目前向OpenAI总裁格雷格·布罗克曼（Greg Brockman）汇报。 这一系列人事调整显示，OpenAI正在重新加强内部数据中心建设能力。公司此前主要依靠云计算合作伙伴提供基础设施，如今开始尝试掌握更多项目设计、建设和交付环节。 三、算力预算涨至5.08万亿，CFO担心未来合同支付能力 据《华尔街日报》援引知情人士消息，OpenAI已将截至2030年的算力支出预期从约6000亿美元（约合人民币4.06万亿元）提高至约7500亿美元（约合人民币5.08万亿元），增加约1500亿美元（约合人民币1.02万亿元），增幅约为25%。 预算上调主要与OpenAI新签订的云计算协议有关。OpenAI此前曾与甲骨文签订总规模约6GW的数据中心容量协议，其中大部分设施仍在开发。 今年2月底，OpenAI又将其与亚马逊云的多年云计算协议，扩大至八年1380亿美元（约合人民币9343亿元），其中包括使用亚马逊自研Trainium芯片的2GW算力。去年，OpenAI还承诺向微软Azure追加2500亿美元（约合人民币1.69万亿元）云计算支出，但没有公布执行期限。 如此庞大的算力合同也带来了财务压力，OpenAI CEO萨姆·奥尔特曼（Sam Altman）此前提出投入1.4万亿美元（约合人民币9.48万亿元）建设算力基础设施，引发外界对公司财务稳定性的担忧。 OpenAI CFO莎拉·弗莱尔（Sarah Friar）随后向投资者给出的支出预期约为6000亿美元（约合人民币4.06万亿元）。知情人士称，弗莱尔私下担心，如果公司收入增长速度不够快，OpenAI未来可能难以履行部分算力合同。 结语：OpenAI开始建设自家数据中心 从租用云厂商算力，到买下土地、预留3.2GW电力并亲自主导数据中心设计，OpenAI正在向AI基础设施产业链上游延伸。Project Camellia是OpenAI尝试加强算力控制权的重要节点。 但截至2030年约7500亿美元的支出预期，也使资金来源和合同支付能力成为新的风险。OpenAI后续的收入增长能否跟上算力扩张速度，将直接影响这些大型数据中心项目的推进。 来源：OpenAI、埃芬汉县政府、《华尔街日报》

凤凰网科技讯 7月23日，荣耀手机官方宣布，全球首款机器人手机——荣耀Robot Phone 8月见。官方宣称“从颠覆行业标准答案，到打破手机固有形态”。 值得一提的是，荣耀手机此次发布的海报已经用上了今日发布的全新品牌图形标识“荣耀之环”。 据报道，荣耀Robot Phone已开启预约，搭载第五代骁龙8至尊版芯片。该机的核心创新在于机身顶部集成了一套行业最小的四自由度（4DoF）钛合金机械云台系统。云台系统配备微型电机，体积比主流方案缩小70%。 该机还将首发荣耀新一代伙伴型多模态智能体操作系统AgenticOS的内核。

7 月 23 日消息，今天下午，荣耀终端股份有限公司 CEO 李健通过微博正式揭晓了荣耀全新品牌图形标识「荣耀之环」和荣耀全新品牌主张「敢想，敢不同」。 IT之家注意到，荣耀首席影像工程师罗巍今日发文谈及了荣耀新的 Logo 和 Slogan： 非常开心今天荣耀更换了新的 Logo 和 Slogan. 我们在一年前为荣耀 Aimage 提出的敢想敢不同的口号正式成为了荣耀公司的宣言。 这句口号是我们部门一位摄影师对英文 Think Different, Be Difference 的一个信达雅的翻译。注意这个英文的语法错误是故意为之，传达一种不同的态度。当然，现在的英文 Dare to be 也不错。 我们 28 日荣耀影像技术发布会的主题就是 敢想 敢不同。 我们会给大家介绍我们如何在战略上敢想，在产品设计上敢不同。同时会给大家详细拆解我们提出的技术投资逻辑：光智进化律。 敬请期待。 PS：对于新 logo 我觉得见仁见智，有人说想起 Grok，有人说想起王者荣耀，甚至有人想起鸿蒙。我觉得都对，有讨论总是好的。 据IT之家此前报道，荣耀影像技术发布会将于 7 月 28 日在浙江横店举行。荣耀表示，本次发布会将携手阿莱展示其在移动影像领域的新技术成果。

小红书的笔记下面，开始长出App了？ 刷着刷着，突然发现一条笔记底下，挂着个通勤人格测试。 直接点开就能玩，测完还能转给同事对答案。 第一眼看到，你八成会以为，这是哪个产品团队上线的新功能。 其实，这个测试，是我们自己搓出来的！ 从动念到发布，全程只需三步。 不用注册开发者账号，也不用上架应用商店，只需打开小红书创作者中心新上线的Builder Hub，在小工具里填好名字、简介、封面，一键上传代码包，直接发布。 做出来，还得让大家玩起来。这一步更简单：点开发布笔记，写好种草文案，顺手把小工具挂在笔记下面。 从创作到分享，一气呵成。 在这里，一切脑洞皆可落地。 创作卡壳不知道写啥？我们又搓了一款一条笔记，拍一张封面，填三个空，标题正文话题一次配齐，排版风格随便挑，拍立得、杂志、便利贴都有。 一款租房性价比计算器，就能帮打工人算明白，这房子租的值不值。 还有更好玩的手速年龄，三步一键测试自己真实的年龄。 自动播放 你没看错，这样的事，最近每天都在小红书成千上万次地发生。 把发布AI应用 交给每个人 就在今年的WAIC全球人工智能大会上，小红书官宣全量上线RED Skill，同时内测Vibe Coding小工具，并升级了创作服务平台Builder Hub。 这意味着，你可以把自己做的AI作品直接挂进一条笔记里，刷到的人点开就能用。 发一个AI应用，从此和发一条笔记没什么两样。 实际上，在AI Builder人群里，小红书早已成为Vibe Coding最核心的种草与创作的平台之一。 一组数据足以说明它的火爆：今年2月至今，每月都有4-5万个Vibe Coding作品在这里诞生。 站内讨论量超160万次，话题浏览量狂飙破7.2亿，更沉淀了超10万篇干货与灵感笔记。 从艺术设计、手工绘画，到音乐、母婴、电影……这些各式各样的Vibe coding作品，几乎包揽了你能想到的所有兴趣圈层。 具体到作品，脑洞更是天马行空—— 有网友做了拼豆图纸生成器，堪称拼豆爱好者的终极神器，吸引了超1.2万人使用。 上传任意一张图，瞬间秒出拼豆坐标，还是带色号、带数量的高清图纸那种。 还有人，直接把哈利波特中的汤姆·里德尔的日记本搬进了现实。 写下一句话后，日记就会像原著一样自动浮现回应，简直把魔法氛围拉满了。 点开全球民族志地图，就能原地开启一场人类学田野之旅。 不止以上这些神仙Demo，还有超多深藏不露的野生大佬在疯狂整活，以肉眼可见的速度推动整个Vibe Coding的生态爆发。 值得一提的，每个人所有的作品，都能在这里实现一站式轻松管理。 编辑、版本升级、工具下架，动动手指就能瞬间搞定。 7300+ Skill大爆发 除了Vibe Coding作品的发布和挂载，更值得关注的可能是Red Skill的全面上线。 经过短短一个月的内测，就有近1600位开发者做出了超7300个原创Skill，1100多位创作者把它们挂进了约3900篇笔记，相关话题曝光超过6亿。 有意思的是，它不像一份技术产品榜，更像一份当代年轻人的生活愿望清单。 https://cowork.xiaohongshu.com/s/redskill-rank/ 榜二的是帮人做PPT，第三名帮人准备面试，第四名写作蒸馏器，把你喜欢的作者文风提炼出来复刻； 往下翻，考公的人用行测复盘和考公错题助手整理反复错的知识点，秋招的应届生用秋招信息收集让AI每天自动扫一遍新岗位； 还有人让AI帮忙点瑞幸、取大众点评的号、调鸡尾酒配方，甚至鉴定渣男、给人生做复盘。 最贴近普通人日常需求的赛道，全都长满了Skill。 我们扔给了写作蒸馏器几篇新智元的文章，让它提取写作风格后，再去让AI出一篇菲尔兹奖泄露的文章，最终风格基本契合。 上下滑动查看 再用歸藏的社交媒体卡片Skill，一键做出了这段话对应的配图。 不必懂代码，点开一篇笔记，一键复制，就能让自己的AI学会一项新本事。 这才是RED Skill想干的事，把AI拆成一件件你伸手就能拿、拿了就能用的日常工具。 答案 藏在种草这两个字里 能做Skill分发的平台不止一家，凭什么是小红书，最先长出了这么密的一片Skill生态？ 独立开发者圈，有人尽皆知的一个苦—— 做出产品，往往不是最难的一关，真正要命的是下一关，没有第一批用户。 传统应用商店的流量，绝大部分被头部成熟产品吃掉，新工具扔进去基本石沉大海；自己搭独立网站，又缺一个能持续把人带进来的稳定入口。 于是过去很长一段时间，开发者们的动作是这样的：在社交媒体上发一篇帖子介绍作品，在评论区甩一个页面链接，然后眼睁睁看着用户在跳转的路上一步一步流失。 大家纷纷被种草，却卡在了怎么用上 问题，就出在这个跳转上。 从被内容打动到真的去用，中间隔着一次跳出、一次加载、一次注册，每一步都在漏人。好产品，常常就死在这半步路上。 小红书解决这道题的方式，恰恰是它最本分的老本行——种草。 在小红书上，人遇到产品的方式，从来是先被一条内容打动，再顺手试一试。你可能在刷职场、刷设计、刷母婴笔记的时候，毫无防备地遇见一个AI小工具，被创作者的使用过程种草。 过去，种完草还得跳出去；现在，笔记下方直接就能用。 那道最容易流失用户的跳转墙，直接拆了。 创作—种草—分发—使用，第一次在同一个平台上走完了全程。这就是小红书反复强调的六个字：内容即分发。 内容本身就是入口，种草本身就是转化。开发者不必再去别处买量获客，他要找的那群人，本来就在这条笔记的评论区里等着。 想明白这一层，就懂了7300个Skill为什么一个月就能长出来。 AI时代的App Store 去尝鲜 十年前，App Store是个让人熬夜刷榜的地方：守着推荐位，一个个下载试用，一款新奇的应用能一夜红遍全网。 如今，那种发现与尝鲜的兴奋几乎消失了。手机里装不下更多APP，日常来回打开的，基本是固定的那几个。 AI应用的爆发，重新点燃了用户那股想挨个试一试的冲动。只是这一次，比起下载中心，人们更缺一个尝鲜的入口。 而小红书，恰好站在这个入口上。 其实在Vibe Coding这波风潮里，小红书早就是核心的种草和创造社区，大量小工具和App的第一批用户，就是从一条条笔记里来的。 这次Builder Hub升级，真正的变化在于实现了闭环！ 过去，种草在小红书，下载在应用商店，转化就漏在这两者中间。而现在从RED Skill到Vibe Coding，创作、发布、种草、使用，全在同一个循环里。 一个AI生态，就这样在一个本就热闹的社区里，自己长了出来。 造东西的人，才是主角 功能会迭代，数据会刷新，但要说小红书这套生态里最动人的，始终是人。 过去一年，超16万名AI开发者活跃在小红书上，从App、硬件，到如今的Skill和Vibe Coding，他们把这里当成“Build in Public”（公开构建）的大本营。边做边分享，边分享边被看见。 这群人，年轻得让人吃惊。 比如，今年4月小红书的黑客松巅峰赛上，超过60%的入围选手是00后，年纪最小的只有12岁。 其中，一支叫Page One的队伍，平均年龄13.5岁。四个初中生，在一天时间里做出了能给小红书笔记看病的诊断Agent，拿下AI原住民特别单元奖。 拿下全场大奖、抱走20万奖金的，则是22岁的叶博文和队友做的口袋吉他。一张能塞进兜里的卡片，没有一根琴弦，却能弹出真吉他的和弦，零基础的人几分钟就能弹唱起来。 这次WAIC的“让Builders被看见”论坛，就是把这群极其年轻的开发者请上舞台，讲他们自己的故事。 更重要的是，他们不是被招募来的，是从这个社区里自己长出来的。 这批年轻开发者，本身就是社交媒体的原住民。做东西和发出来，在他们手里就是同一件事—— 写到哪一步、卡在哪儿、翻了什么车，随手就发。Build in Public 与其说是一条被选中的创新路径，不如说是他们的默认设置。 而这种默认设置，只能落在一个靠分享和种草运转的地方。 所以当他们要找一个边做边被看见的场子，最先想到的不是代码托管平台，是小红书。 就像当年长出美食博主、旅行博主、穿搭博主一样，如今的小红书，长出了做AI的人这个新人群。他们发的是Skill、是小工具、是自己焊的硬件。 一个记录生活的社区，边界就这么被他们一点点撑开了。 这波浪潮 普通人也能上桌 大模型的竞争走到今天，行业的焦虑变成了三个问题：AI应用从哪里来？在哪里被使用？创新由谁完成？ 在WAIC小红书和年轻热开发者们的展位里，这个答案或许是，从每一个普通人的念头里来，在一条被种草的笔记里被使用，由那16万个愿意公开构建的人完成。 这件事之所以到今天才成立，是因为几道门槛几乎同时塌了。 做的门槛，被AI降到了把话说清楚就行；用的门槛，降到复制粘贴给AI；而验证和获客的门槛，被社区降到了发一条笔记。 过去做完东西才是折磨的开始，没人知道你做了什么，也不知道去哪儿找第一批用户，现在评论区当天就会告诉你答案。 补上的这一段，恰恰是AI行业最缺的：从能做出来，到有人用起来。 而这段路，藏在具体的人、具体的麻烦里。只有身在其中的人，才走得完。 所以，那些能够火到出圈的Skill，技术含量未必最高，但一定最懂人。 设计师叶舒被老婆一句“今天吃什么”问得没辙，索性做了个只给四张卡片的决策工具。 文科生蔡不菜，则把自己“跟人聊两三句就卡住”的毛病写成了Skill再聊一会儿，又把北漂时一团乱的生活做成人生系统，如今1000多人在用； 这样的人在小红书上还有很多，他们的共同点是：都先是自己的第一个用户。 文章写到最后，其实是一个邀请。 如果你是正在准备秋招的应届生，是天天做PPT的打工人，是想给孩子做点什么的家长，甚至只是一个文科生，你都不用等到成为工程师，才有资格参与这场AI浪潮。 打开小红书，搜一个和你此刻困境有关的Skill用起来；或者，把你脑子里那个“要是有个小工具能……”的念头，用Vibe Coding试着做出来，挂在你的笔记下面。 也许下一个被几万人用起来的AI小工具，就出自你手。 而那时你会发现，你和台上那些00后创造者之间，隔着的从来不是天赋，只是一个开始动手的距离。

快科技7月23日消息，近期，清华智能产业研究院孵化企业求之科技正式推出AIRBOT P7七轴科研级机械臂，内置地瓜机器人旭日5智能计算芯片，自带10TOPS AI算力。 具体来看，AIRBOT P7搭载地瓜机器人旭日5智能计算芯片，拥有10TOPS AI算力与八核ARM A55处理器，原生支持Transformer等前沿具身算法。 无需外置算力设备，就能独立完成目标检测、深度估算、操作策略推理，大幅简化设备部署难度。 机械本体采用七轴冗余仿生结构，复刻人类手臂运动逻辑，可在不改变末端操作姿态的前提下调整肘部位置，有效规避狭小空间内的关节限位与运动奇异点，机柜调试、居家精细操作等复杂场景都能灵活适配。 整机搭载全域重力补偿系统，支持柔顺拖动示教，零基础研发人员可手动拖拽录制整套操作流程，上手门槛显著降低。 软硬件层面全面兼容ROS2、Python、C++主流开发环境，搭配秒级快拆末端执行器结构，工具更换、二次算法调试效率大幅提升，全关节内置抱闸安全防护，意外断电时可自动锁止机械结构，保障实验室使用安全。 产品自重5kg，额定负载3kg，最大臂展640mm，重复定位精度±0.1mm，防护等级IP54，工作环境区间-10℃至55℃，综合功耗60W，支持位置、力矩、速度三种控制模式。 配套G2P二指夹爪夹持范围0-95mm，最大夹持力30N，同样采用快拆安装方式。 价格方面，AIRBOT P7七轴机械臂建议零售价45000元，配套G2P二指夹爪售价4500元。

智东西 作者 | 程茜 编辑 | 漠影 智东西7月23日报道，7月21日，Mind Lab团队发布旗下首个正式版本MoE模型Macaron-V1，包含Macaron-V1-Venti、Macaron-V1-Tall两个版本，专为Agent任务打造。 Macaron-V1-Venti：为748B参数的旗舰模型，由744B参数的基础模型和4个1B参数的LoRA专家模块组成，这也是首个在GLM-5.2上进行二次训练的模型。 Macaron-V1-Tall：参数规模50B，由35B参数的基础模型以及4个3.7B参数的LoRA专家模块组成。该模型是在Qwen 3.6的基础上进行训练的，适用于本地部署。 通过引入LoRA架构，Macaron-V1系列模型在聊天、编程、智能体、GenUI任务上，尤其在长程自主智能体任务上，其综合性能和国际头部模型相当。 与此同时，Mind Lab今年7月开启商业化，仅用时两周，年化经常性收入（ARR）便突破千万美元量级。 Macaron-V1模型的所有变体都在Hugging Face的Macaron-V1集合中以开放权重的形式发布。 一、 综合性能对标国际顶尖模型，长程自主智能体能力成核心分水岭 AI应用已从静态问答转向长期自主的智能体应用，这也意味着，其不再只比拼单个模型能力，而是覆盖长周期记忆、工具调用、持续自我优化、多任务协同、系统架构、持续学习能力的系统能力。 这也是下一代模型缺的东西。根据昨晚流传出的一份投资人会议录音，DeepSeek创始人、CEO梁文锋提到，下一代模型必须要有持续学习的能力。 他将AGI实现的路线比作爬楼梯，去年的阶梯是CoT（思维链），今年的阶梯就是Agent，再之后就是持续学习。这样一来，模型可以完成人类能做的所有事情，包括自己开发更前沿的AI模型，AI加速AI的研究。 这与Macaron-V1的核心特性不谋而合。 Mind Lab认为，未来AI的核心在于两种能力互补，一是持续学习，通过训练后的递归自我改进机制，模型能够不断生成经验、从中学习，从而改进自身的行为；二是群体智能，依托统一共享的底层基座，多款专用模型可实现高效的多智能体协同作业。 其中最直接的体现就是模型在“个人智能”方面的能力，模型需要以单一用户个体为中心，具备持久身份、长期记忆、持续适应用户偏好、跟随用户不断演化。 不过目前通用任务基准中，没有专门针对个人智能任务的评分标准，基于此Mind Lab开发了ChatBench和Macaron LivingBench。前者评估模型在复杂长篇对话中的能力，后者则是通过数周的互动来评价智能体程序的性能。 结合第三方的公开测试集可以看到，Macaron-V1-Venti在聊天、编程、智能体、GenUI四项任务中的综合能力都超过了GLM-5.2，相比全球顶尖大模型公司的GPT-5.5、Claude Opus 4.8、Gemini 3.1 Pro、MiniMax M3，仅在智能体、编程的少数几个测试集中分数略低。 综合来看，Macaron-V1的优势体现在需要完成长周期、动态环境、持续目标的智能体任务中，在LivingBench及第三方测试系统PinchBench，其能力已经与GPT、Claude等通用顶尖大模型相当。 二、引入LoRA混合架构，整体成本仅需全参数微调的1/10 Mind Lab打造Macaron-V1的秘籍，就藏在其定位中，这是一款基于LoRA混合架构构建的智能体模型，原生面向持续学习与多模型协同设计。 上个月，其发布Macaron-V1-Preview时，就引入了LoRA混合架构，为智能体和编程任务分别配备了独立的LoRA专家模块。此次V1正式版发布基于这一策略进行了提升。 Macaron-V1采用Mixture-of-LoRA架构，依托PEFT（参数高效微调）范式冻结基座模型，以大量独立LoRA适配器作为可更新模块，实现增量式持续学习、多任务与多模型协同，解决传统全量微调难以支撑智能体持续演化的痛点。 根据其研究论文，PEFT不仅是一个注重预算控制的替代方案，实际上更是一种更强大的微调工具。其中的LoRA架构，可以通过共享的基础模型提供通用能力，然后适配器承载某个具体实例的个性化行为，例如偏好、技能、工具使用习惯以及记忆存储与迭代更新。 他们的愿景就是，让强大的基础模型来支持数以百万计的持久个人助手。Macaron-V1的诞生，正重新定义以LoRA方案为代表的高效参数微调的价值。 无独有偶，前OpenAI CTO Mira Murati创办的Thinking Machines Lab也押注了这一路线，Murati曾在社交平台X发文称，依托新实验与信息论推导，他们认为只要条件合适，LoRA完全可以达到和全参数微调同等的性能水平。 在此基础上，我们可以通过Macaron-V1基于GLM-5.2二次训练的技术细节，来进一步明确LoRA方案的优势所在。 在V1-Venti的架构中，IndexCache与LoRA混合专家各司其职：IndexCache属于GLM-5.2基座模型原生能力，MoL是Macaron搭建在该基座之上的后训练与推理服务层。 在被冻结的GLM-5.2基础上，其为V1-Venti配备了4名1B级别的LoRA专家。这样一来，各个专家模块都在LoRA空间内运行，这套架构天然适配持续学习。其还可以通过即插即用的LoRA拓展全新能力，无需改动、覆盖基座模型已习得的知识。 与此同时，Mind Lab还证明了在万亿参数稀疏MoE模型上，也能跑通LoRA强化学习。LoRA在这套系统中发挥了三方面作用： 第一，缩减可训练参数，降低优化器显存与梯度通信压力； 第二，允许多个强化学习任务、多个下游模型共用冻结基座，大幅摊薄超大模型成本； 第三，强化学习信号能够同时影响全局推理与独立专家模块。 在Kimi K2系统中，该方案将算力与通信开销降至传统全参数强化学习方案的约10%，同时保留对万亿规模基座模型进行适配优化的能力。 在此基础上，Mind Lab推出MindLab Toolkit（简称MinT），这是一套面向LoRA后训练与在线推理服务的托管式基础设施系统，能够管理百万级LoRA策略资源库，在共享万亿参数级别基座模型的基础上，完成指定版本适配器的训练与在线推理。 这套架构恰好为持续学习提供了可行载体，持续学习需要实现经验增量沉淀，又不能破坏模型原有基础能力；而通过冻结基座、把所有新增技能与个性化状态承载在独立LoRA适配器中，既能持续拓展系统能力边界，也能让每一个用户专属智能体长期迭代进化、互不干扰。 三、头部实验室集体押注的路线，为何只有少数团队跑通？ 这条前景广阔的技术路线，如今已是众多企业押注的赛道，但当下真正跑通商业化闭环的仍然稀缺。 第一类玩家以Mind Lab、Thinking Machines Lab为代表，其也是全球唯二拥有能够同时开机数百个万亿参数大模型强化学习训练的Infra的团队。 第二类玩家是发展处于早期的Fireworks AI、Together AI，Fireworks AI能够在一个基座模型上托管数百个LoRA，并根据每次请求动态选择适配器，Together AI已将LoRA设为默认微调方式。 虽然技术成熟度各有不同，但这些创企已然站在资本、产业的聚光灯下，估值飙涨。这进一步证明，持续学习已成为下一代大模型不可或缺的核心底层能力，而LoRA架构，恰好为持续学习的工程落地提供了有效技术路径。 但这一技术全链路的落地门槛很高。 其考验的是团队的综合硬实力，从大模型RL工程、稀疏MoE优化，到海量适配器调度、长时序训练、Agent系统一体化搭建等，每一环都需要依托团队的复合型人才建设，以及长年累月的技术积累。 Mind Lab正是业内为数不多率先跑通整套闭环体系的团队。 2023年，Mind Lab创始人Andrew Chen便与现任腾讯首席AI科学家的姚顺雨联合发表论文并提出FireAct，探索以强化学习方式提高大模型Agent能力。 到后面2025年10月Mind Lab成立，其接连发布专为超长上下文强化学习设计的LongStraw、Macaron-V1模型预览版、基于MinT训练出来的模型Macaron-A2UI、针对个性化长期记忆微调的OpenClaw框架MindClaw、MinT。 如今最新的Macaron-V1模型便是其团队前期所有学术研究与工程成果的集大成之作。 在此之上，顶尖的模型能力并非只停留在纸面跑分与技术演示，Mind Lab获多家头部大厂注资以及快速冲高的ARR（年度经常性收入），就是这套技术路线商业价值更直观的印证。 今年6月，Mind Lab完成累计近5000万美元（约合人民币3.39亿元）融资，投资方包括美团、元禾璞华、韶音、变量资本等。 商业化数据方面，Andrew在WAIC上分享，7月开启商业化后，该公司两周内就实现了1000万美元ARR。其技术落地的转化效率居于行业第一梯队。 Mind Lab还具备国内团队得天独厚的优势，那就是充分利用中国开源模型生态中大量顶尖的基础模型，站在巨人的肩膀上进行开发。 如今，其不仅联动字节、英伟达共建LoRA训练底座，还和韶音、AI硬件企业等建立合作。长远来看，Mind Lab提出了极具普惠性的愿景：希望训练模型这件事，最后能像调用模型一样简单，会用token就会训token。 现在行业里已经形成了基础模型+LoRA适配器+持续学习的全新产业链，而Mind Lab凭借全线技术成果，已率先打通了理论研究、底层系统基建、商业化模型交付的全链路闭环，为整条产业赛道的规模化落地拓宽了边界。 结语：里程碑落地！Macaron-V1将LoRA技术做成商用产品 Mind Lab Macaron-V1系列模型的正式发布，是以混合LoRA为核心的PEFT缩放范式从实验室理论走向规模化商用的里程碑。不同于单一参数堆叠的传统大模型路线，这套“强共享基座+海量可演化轻量化适配器”架构，既大幅降低企业开发、算力、存储成本，又依托多模块协同实现群体智能与长期自主Agent能力。 未来AI落地，可能不会只有一个万能大模型，而是无数依附共享基座、拥有独立记忆与能力的个性化智能体共生。