四台放在烤面包机旁的 Mac Mini 正在运行私有 AI，月花费 21000 美元

这听起来蠢到离谱，但 SaaS 空头显然真的相信这套说法：“所有软件都终将归零，因为 Claude 可以一次性生成这些应用”。这句话短视到惊人。

澄清几点：
1. 它做不到。Fable 可用的时候我用过，它确实是个不错的模型，但离目标还差不到1%的路程。
2. 就算它做得到，这件事整体而言对 SaaS 公司是利好，不是利空。从更好的开发工具中获益最多的群体就是软件开发者。

3. 代码不等于产品。既然客户可以花钱订阅就能把问题解决，没人会仅仅因为自己能生成代码，就愿意亲自处理遇到的每一项额外任务。

4. 代码生成越容易，就会催生更多软件，意味着现有 SaaS 的使用场景会更广。你已经能从数据中看到这个趋势了。

社区讨论：多数读者认为原帖表述混乱，每段塞满命名概念，大量主张没解释对应问题，读起来像未经编辑的AI垃圾内容，呼吁作者修改优化可读性。有从业者指出，实际试过文中提到的多智能体编码，结果并不理想，这类未被验证的技术就像付费推广的网红餐厅，只有流量没有实料。也有人认同原帖提到的智能体分工确实存在复杂性。

社区讨论：不少用户批评此举是闭源大模型引入监控和准入管控的信号，有人讽刺此前西方批评中国的公民监控与评分体系，现在美国反而要在该领域走到前列。有非美国用户担忧美国AI监管会持续抬高其他地区用户访问这些闭源模型的门槛，还有用户早就因Anthropic偷偷降智特定技术领域的模型输出取消了订阅，不少人转而认为开放权重模型才是行业未来方向。

社区讨论：付费订阅过Mistral产品的用户吐槽其产品体验差，宁愿浪费年订阅也不愿再使用。有用户对比价格，指出Mistral OCR 4每千页收费4美元，比Google Vision OCR的1.5美元贵很多，也有人好奇它和Llama Parse的效果对比。有实际使用过前代产品处理老化文件的用户反馈，其效果比Abbyy Finereader更好。

还有从业者调侃，一定会有经理人无视官方的使用范围提示，将它用到高风险场景中。

过去六个月，我们为 API 发布了 30 余个模型、功能和升级工具。我们的更新日志一直排得很满。以下是你可能错过的 API 更新内容：

新模型
• GPT-5.5
• GPT-5.4 mini
• GPT-5.4 nano
• GPT-Realtime-2
• GPT-Realtime-Whisper
• GPT-Realtime-Translate
• GPT-Image-2

智能体构建模块
• Agents SDK 框架与沙箱
• Responses API 中的技能
• 服务端压缩
• WebSocket 模式
• 托管终端

更多构建方式
• Admin API 增强
• OpenAI CLI
• Amazon Bedrock 上可用的模型

我一直在试用 Sakana Fugu Ultra-high，首先它慢得离谱：我常规的编码测试（着色器、交互场景）要跑30分钟。

而结果也就…还行。实际使用中它比不上Fable。它的harbor就是一个很好的例子：

TiKZ unicorn

今日我们正式推出达到GA可用状态的Interactions API。这是我们全新的API，设计目的是让你在同一界面中协调多个模型和智能体工作，它也是我们未来默认采用的新API。Interactions为智能体的新时代铺平了道路 :)

这项API的开发和落地准备离不开@alihcevik、@_philschmid以及Google团队中许多其他成员的出色工作，感谢大家！

未来几年，最容易被 AI 拉开差距的，不是底层体力劳动者。而是那些以为自己“懂一点”，但从来没有真正把 AI 接进工作流的人。他们会开会员，会问问题，会截图炫耀。

但不会沉淀提示词，不会整理资料，不会让 AI 复盘自己，不会把一次经验变成系统。这类人最危险，因为他们以为自己已经上车了。

Perplexity 在其 Agent API 中发布了 GLM-5.2，允许开发者调用 Z ai 面向代码开发和智能体工作流的旗舰开放权重模型。

这个摩天轮看着妖里妖气的， 确定不是AI生成的吗？😅

这就是为什么在对量化连续值建模时（比如图像像素，我们假设它是连续的，但实际上它以 8 位或 10 位整数表示），你总会需要在计算似然度之前添加均匀噪声。

Dreamina AI 在其网页平台发布了支持 4K 视频生成的 Seedance 2.0。

本次更新支持输出 3840 × 2160 UHD 规格，面向专业后期制作、广告与品牌视觉领域。

【6月23日｜ 生态洞察】 全线指标高位凝聚动能， 持续拓宽全球开发者首选的工业级 AI 基础设施底座。

🔹百亿算力洪流全面常态化：日 Token 吞吐量强劲横盘于 11.97B 高位，日均百亿级并发已成为运行基线，持续为全球高负载业务提供坚不可摧的性能支撑。

🔹200万用户里程碑近在咫尺： 全球生态加速聚沙成塔，累计注册总数已精准推进至 1,993,642，规模效应正驱动平台网络价值进入爆发临界点。

🔹API 牢牢锚定 99.2% 核心心智： 这一数据再次表明， 全天候运行的完全是硬核代码调用与自动化工作流，已全面固化为深度嵌入商业流程的刚需底层。

🔹TRON 链展现统治级份额： 链上充值占比全面提升，其中 #TRON 链凭借极高的结算效率、坚实的网络高韧性与极致低摩擦的转账成本，单独斩获 79.4% 的压倒性份额。

💡 核心洞察： 拥有模型入口并不代表拥有壁垒，在百亿级高频吞吐下保持“零宕机、低延迟”的工程确定性才是真正的降维打击。

致力于担当硬核底座，协助全球团队将 AI 算力无缝转化为确定性的业务价值。

👉 一键部署您的生产级 AI 工作流：

给普通人的 S 级忠告： 不要再“学习 AI”。这句话太虚了。你应该直接拿 AI 做一个东西。

做一个网站。做一个账号。做一个产品页。

做一个数据分析。做一个自动化流程。做一个能卖钱的交付物。

学不会没关系，边做边问。这个时代，最傻逼的学习方式就是一直准备开始。

如果你的使用场景是自动研究类工作流，这看起来会是一个很有用的基准测试。

到目前这个阶段，每个政府都应该为他们想要模型达成的目标制定环境和评估标准，这样模型开发者才能针对性优化提升。

这就类似各种公民考试的运作方式。

未来几周可能会成为我们在AI领域见过的竞争最激烈的时期之一。

一个自包含、持久化、异步运行的实体，拥有全组织范围的工具和上下文，能与人类团队协同工作！

如何筛选接受AI理念的人才：问他们最喜欢的工作流是什么。让他们共享屏幕，展示你问到的这些工作流。让他们打开自己的 Claude Code/Codex，聊聊他们最近几天是怎么用这个工具的。

就这么简单。

Claude Code 可以通过 Apify actors 解析整个互联网。配合 MCP 连接器，你可以和服务器对话，让你的代理执行付费墙背后的操作。

举个例子（点这里看视频）：分析一个 YouTube 视频，然后把摘要写进 Notion 页面。另一个例子：抓取学校日历，自动把事件添加到你的 Google Calendar。

你可以用 Claude Code + Apify Skills 完成所有这些操作。配置只需要花几秒钟：
• 打开你的 Apify 设置 > API & Integrations
• 连接你的工具（Notion、Google Calendar 等）
• 一次性完成授权

现在你的 actors 就拥有这些服务的直接读写权限了。

这里有一篇博客文章，讲解 Apify 里的 MCP 连接器是如何工作的：

感谢 Apify 团队和我合作推出这篇文章。

视频是机器人的语言。

我在 MIT 的实验室刚刚开源了这个项目，它能用一个视频模型为任意机器人、任意任务提供能力支持。

祝贺 Lester 与团队牵头完成了这个项目！

到2026年第四季度/2027年第一季度，我们将见证AI竞赛双方都发生阶段变革。

多家美国实验室将发布具备RSI潜力的Mythos级模型，GW级算力园区投入运行……

而中国创业公司将拥有2000-3000名员工，大约10万-20万块GPU。它们直到现在才刚进入自己的「Hopper」时代。

LangSmith Fleet 有两类 agent：通用对话 agent 和专用 agent。下面是我们梳理的为什么这是一个深思熟虑的选择，以及什么时候该用哪一类。

“哥们，你在追踪我按键吗？”

“Meta 在内部泄密事件后，暂停了一个追踪员工按键输入的 AI 训练项目”

通过与@anyscalecompute的合作，现在 Google Kubernetes Engine 上的 Ray Serve LLM 可为分布式推理提供高 5 倍的吞吐量，并且延迟降低 8 倍！

了解更多关于如何在无瓶颈的情况下扩展推理 →

美国政府需要扶持并优先发展美国开源模型，否则我们就完了。就是这么简单。

Warp 现已支持 GLM 5.2！它由 Fireworks 托管，在智能推理上的 token 效率极高。

我们同时支持 BYO 推理，可通过其他提供商连接。

3个模型，同一个提示词，单次生成结果并排对比。

> GLM-5.2 GGUF 在 M3 Ultra 本地运行，生成速度 21 tok/s

> 另一边是 Claude Opus 4.8 和 GPT-5.5

其他科技公司CEO：试试GLM-5.2，真的很棒！

Palo Alto Networks的CEO：AI实验室应该降价，这样企业就不会去试开放权重模型，也就不会发现它们其实很好用了。

深度智能体中的解释器：小型嵌入运行时，智能体可以在智能体循环内部编写并执行代码。

以下是来自 @LangChain_OSS 团队 @huntlovell 的讲解。

Google 和 Hugging Face 推出了一场实时竞赛，AI 代理会互相竞速，目标是在实时环境中让 Gemma 4 E4B 运行得更快。

参赛代理会在实时排行榜上竞争，评分标准是每秒生成的 token 数量。

在竞赛运行期间，整个社区会共同对模型进行优化。

一整个神经网络核心，就浓缩在四张内容卡里。

神经元、前向传播、激活函数、反向传播。

学会这四个概念，你就能理解从感知机到 transformer 的每一个模型是如何做预测、如何学习的。

所有 Mythos 级模型都可能带来类似风险。

未来 6 到 12 个月内，如果开放的 Mythos 级 AI 发布（前提是中国批准），这些风险只会变得更大。

目前政府到底在关注哪些风险尚不明确，这可能会拖慢筹备工作。

到2040年的AI不会建立在我们今天使用的技术栈之上。它会更接近最优状态。

当前技术栈的数据效率存在3-4个数量级的浪费，计算效率存在4-5个数量级的浪费。

符号学习将会带来接近最优的AI。

India 的 MoEngage 押注，营销的未来是数百万个 AI 智能体

给你的 agents： > npx skills add google-gemini/gemini-skills --skill gemini-interactions-api --global

虽然 Mythos 推广了用 LLM 寻找漏洞的想法，但 Aisle 更早就在做这件事了。

从工程角度来看，一个搭载结构化搜索系统的小型开放权重模型，能在这项任务上具备竞争力，这一点很值得玩味。

本次对比测试涉及四款AI视频生成模型，分别是Happy Horse 1.1、Seedance 2.0、Gemini Omni与Kling 3.0。测试人员对每款模型都使用了相同的参考图像与提示词。每款模型共完成四次生成尝试，测试人员从中选出表现最好的结果。

完整测试结果可查看原链接。

🧠Self-Harness：可以自我迭代改进的Harness

一篇关于智能体塑造自身Harness以随时间推移提升性能的新论文。

它不是LangChain的项目，而是基于DeepAgents构建。它包含三个核心步骤：

1/ 弱点挖掘：从运行轨迹中找出失效模式
2/ Harness提议：对Harness提出修改建议
3/ 提议验证：对提议进行回归测试，然后决定是否采纳

论文链接：

基于DeepAgents构建：

如果你的使用场景是自动研究类工作流，这看起来会是一个很有用的基准测试。

虽然 Mythos 推广了用 LLM 寻找漏洞的想法，但 Aisle 更早就在做这件事了。

从工程角度来看，一个搭载结构化搜索系统的小型开放权重模型，能在这项任务上具备竞争力，这一点很值得玩味。

3个模型，同一个提示词，单次生成结果并排对比。

> GLM-5.2 GGUF 在 M3 Ultra 本地运行，生成速度 21 tok/s

> 另一边是 Claude Opus 4.8 和 GPT-5.5

Dreamina AI 在其网页平台发布了支持 4K 视频生成的 Seedance 2.0。

本次更新支持输出 3840 × 2160 UHD 规格，面向专业后期制作、广告与品牌视觉领域。

一个自包含、持久化、异步运行的实体，拥有全组织范围的工具和上下文，能与人类团队协同工作！

过去六个月，我们为 API 发布了 30 余个模型、功能和升级工具。我们的更新日志一直排得很满。以下是你可能错过的 API 更新内容：

新模型
• GPT-5.5
• GPT-5.4 mini
• GPT-5.4 nano
• GPT-Realtime-2
• GPT-Realtime-Whisper
• GPT-Realtime-Translate
• GPT-Image-2

智能体构建模块
• Agents SDK 框架与沙箱
• Responses API 中的技能
• 服务端压缩
• WebSocket 模式
• 托管终端

更多构建方式
• Admin API 增强
• OpenAI CLI
• Amazon Bedrock 上可用的模型

Google 和 Hugging Face 推出了一场实时竞赛，AI 代理会互相竞速，目标是在实时环境中让 Gemma 4 E4B 运行得更快。

参赛代理会在实时排行榜上竞争，评分标准是每秒生成的 token 数量。

在竞赛运行期间，整个社区会共同对模型进行优化。

Warp 现已支持 GLM 5.2！它由 Fireworks 托管，在智能推理上的 token 效率极高。

我们同时支持 BYO 推理，可通过其他提供商连接。

四台放在烤面包机旁的 Mac Mini 正在运行私有 AI，月花费 21000 美元

【6月23日｜ 生态洞察】 全线指标高位凝聚动能， 持续拓宽全球开发者首选的工业级 AI 基础设施底座。

🔹百亿算力洪流全面常态化：日 Token 吞吐量强劲横盘于 11.97B 高位，日均百亿级并发已成为运行基线，持续为全球高负载业务提供坚不可摧的性能支撑。

🔹200万用户里程碑近在咫尺： 全球生态加速聚沙成塔，累计注册总数已精准推进至 1,993,642，规模效应正驱动平台网络价值进入爆发临界点。

🔹API 牢牢锚定 99.2% 核心心智： 这一数据再次表明， 全天候运行的完全是硬核代码调用与自动化工作流，已全面固化为深度嵌入商业流程的刚需底层。

🔹TRON 链展现统治级份额： 链上充值占比全面提升，其中 #TRON 链凭借极高的结算效率、坚实的网络高韧性与极致低摩擦的转账成本，单独斩获 79.4% 的压倒性份额。

💡 核心洞察： 拥有模型入口并不代表拥有壁垒，在百亿级高频吞吐下保持“零宕机、低延迟”的工程确定性才是真正的降维打击。

致力于担当硬核底座，协助全球团队将 AI 算力无缝转化为确定性的业务价值。

👉 一键部署您的生产级 AI 工作流：

未来几年，最容易被 AI 拉开差距的，不是底层体力劳动者。而是那些以为自己“懂一点”，但从来没有真正把 AI 接进工作流的人。他们会开会员，会问问题，会截图炫耀。

但不会沉淀提示词，不会整理资料，不会让 AI 复盘自己，不会把一次经验变成系统。这类人最危险，因为他们以为自己已经上车了。

Perplexity 在其 Agent API 中发布了 GLM-5.2，允许开发者调用 Z ai 面向代码开发和智能体工作流的旗舰开放权重模型。

这个摩天轮看着妖里妖气的， 确定不是AI生成的吗？😅

这就是为什么在对量化连续值建模时（比如图像像素，我们假设它是连续的，但实际上它以 8 位或 10 位整数表示），你总会需要在计算似然度之前添加均匀噪声。

到目前这个阶段，每个政府都应该为他们想要模型达成的目标制定环境和评估标准，这样模型开发者才能针对性优化提升。

这就类似各种公民考试的运作方式。

未来几周可能会成为我们在AI领域见过的竞争最激烈的时期之一。

社区讨论：多数读者认为原帖表述混乱，每段塞满命名概念，大量主张没解释对应问题，读起来像未经编辑的AI垃圾内容，呼吁作者修改优化可读性。有从业者指出，实际试过文中提到的多智能体编码，结果并不理想，这类未被验证的技术就像付费推广的网红餐厅，只有流量没有实料。也有人认同原帖提到的智能体分工确实存在复杂性。

India 的 MoEngage 押注，营销的未来是数百万个 AI 智能体

如何筛选接受AI理念的人才：问他们最喜欢的工作流是什么。让他们共享屏幕，展示你问到的这些工作流。让他们打开自己的 Claude Code/Codex，聊聊他们最近几天是怎么用这个工具的。

就这么简单。

Claude Code 可以通过 Apify actors 解析整个互联网。配合 MCP 连接器，你可以和服务器对话，让你的代理执行付费墙背后的操作。

举个例子（点这里看视频）：分析一个 YouTube 视频，然后把摘要写进 Notion 页面。另一个例子：抓取学校日历，自动把事件添加到你的 Google Calendar。

你可以用 Claude Code + Apify Skills 完成所有这些操作。配置只需要花几秒钟：
• 打开你的 Apify 设置 > API & Integrations
• 连接你的工具（Notion、Google Calendar 等）
• 一次性完成授权

现在你的 actors 就拥有这些服务的直接读写权限了。

这里有一篇博客文章，讲解 Apify 里的 MCP 连接器是如何工作的：

感谢 Apify 团队和我合作推出这篇文章。

视频是机器人的语言。

我在 MIT 的实验室刚刚开源了这个项目，它能用一个视频模型为任意机器人、任意任务提供能力支持。

祝贺 Lester 与团队牵头完成了这个项目！

到2026年第四季度/2027年第一季度，我们将见证AI竞赛双方都发生阶段变革。

多家美国实验室将发布具备RSI潜力的Mythos级模型，GW级算力园区投入运行……

而中国创业公司将拥有2000-3000名员工，大约10万-20万块GPU。它们直到现在才刚进入自己的「Hopper」时代。

LangSmith Fleet 有两类 agent：通用对话 agent 和专用 agent。下面是我们梳理的为什么这是一个深思熟虑的选择，以及什么时候该用哪一类。

“哥们，你在追踪我按键吗？”

“Meta 在内部泄密事件后，暂停了一个追踪员工按键输入的 AI 训练项目”

通过与@anyscalecompute的合作，现在 Google Kubernetes Engine 上的 Ray Serve LLM 可为分布式推理提供高 5 倍的吞吐量，并且延迟降低 8 倍！

了解更多关于如何在无瓶颈的情况下扩展推理 →

社区讨论：付费订阅过Mistral产品的用户吐槽其产品体验差，宁愿浪费年订阅也不愿再使用。有用户对比价格，指出Mistral OCR 4每千页收费4美元，比Google Vision OCR的1.5美元贵很多，也有人好奇它和Llama Parse的效果对比。有实际使用过前代产品处理老化文件的用户反馈，其效果比Abbyy Finereader更好。

还有从业者调侃，一定会有经理人无视官方的使用范围提示，将它用到高风险场景中。

社区讨论：不少用户批评此举是闭源大模型引入监控和准入管控的信号，有人讽刺此前西方批评中国的公民监控与评分体系，现在美国反而要在该领域走到前列。有非美国用户担忧美国AI监管会持续抬高其他地区用户访问这些闭源模型的门槛，还有用户早就因Anthropic偷偷降智特定技术领域的模型输出取消了订阅，不少人转而认为开放权重模型才是行业未来方向。

给普通人的 S 级忠告： 不要再“学习 AI”。这句话太虚了。你应该直接拿 AI 做一个东西。

做一个网站。做一个账号。做一个产品页。

做一个数据分析。做一个自动化流程。做一个能卖钱的交付物。

学不会没关系，边做边问。这个时代，最傻逼的学习方式就是一直准备开始。

到2040年的AI不会建立在我们今天使用的技术栈之上。它会更接近最优状态。

当前技术栈的数据效率存在3-4个数量级的浪费，计算效率存在4-5个数量级的浪费。

符号学习将会带来接近最优的AI。

所有 Mythos 级模型都可能带来类似风险。

未来 6 到 12 个月内，如果开放的 Mythos 级 AI 发布（前提是中国批准），这些风险只会变得更大。

目前政府到底在关注哪些风险尚不明确，这可能会拖慢筹备工作。

其他科技公司CEO：试试GLM-5.2，真的很棒！

Palo Alto Networks的CEO：AI实验室应该降价，这样企业就不会去试开放权重模型，也就不会发现它们其实很好用了。

美国政府需要扶持并优先发展美国开源模型，否则我们就完了。就是这么简单。

一整个神经网络核心，就浓缩在四张内容卡里。

神经元、前向传播、激活函数、反向传播。

学会这四个概念，你就能理解从感知机到 transformer 的每一个模型是如何做预测、如何学习的。

深度智能体中的解释器：小型嵌入运行时，智能体可以在智能体循环内部编写并执行代码。

以下是来自 @LangChain_OSS 团队 @huntlovell 的讲解。

给你的 agents： > npx skills add google-gemini/gemini-skills --skill gemini-interactions-api --global

今日我们正式推出达到GA可用状态的Interactions API。这是我们全新的API，设计目的是让你在同一界面中协调多个模型和智能体工作，它也是我们未来默认采用的新API。Interactions为智能体的新时代铺平了道路 :)

这项API的开发和落地准备离不开@alihcevik、@_philschmid以及Google团队中许多其他成员的出色工作，感谢大家！

🧠Self-Harness：可以自我迭代改进的Harness

一篇关于智能体塑造自身Harness以随时间推移提升性能的新论文。

它不是LangChain的项目，而是基于DeepAgents构建。它包含三个核心步骤：

1/ 弱点挖掘：从运行轨迹中找出失效模式
2/ Harness提议：对Harness提出修改建议
3/ 提议验证：对提议进行回归测试，然后决定是否采纳

论文链接：

基于DeepAgents构建：

我一直在试用 Sakana Fugu Ultra-high，首先它慢得离谱：我常规的编码测试（着色器、交互场景）要跑30分钟。

而结果也就…还行。实际使用中它比不上Fable。它的harbor就是一个很好的例子：

TiKZ unicorn

本次对比测试涉及四款AI视频生成模型，分别是Happy Horse 1.1、Seedance 2.0、Gemini Omni与Kling 3.0。测试人员对每款模型都使用了相同的参考图像与提示词。每款模型共完成四次生成尝试，测试人员从中选出表现最好的结果。

完整测试结果可查看原链接。

这听起来蠢到离谱，但 SaaS 空头显然真的相信这套说法：“所有软件都终将归零，因为 Claude 可以一次性生成这些应用”。这句话短视到惊人。

澄清几点：
1. 它做不到。Fable 可用的时候我用过，它确实是个不错的模型，但离目标还差不到1%的路程。
2. 就算它做得到，这件事整体而言对 SaaS 公司是利好，不是利空。从更好的开发工具中获益最多的群体就是软件开发者。

3. 代码不等于产品。既然客户可以花钱订阅就能把问题解决，没人会仅仅因为自己能生成代码，就愿意亲自处理遇到的每一项额外任务。

4. 代码生成越容易，就会催生更多软件，意味着现有 SaaS 的使用场景会更广。你已经能从数据中看到这个趋势了。