跳到正文
只看教程
7月9日周四
  2. Artificial Analysis71

    Grok 4.5 在 Artificial Analysis 智能指数得分 54，排名第四，较前代 Grok 4.3 提升 16 分。编码代理指数中，Grok Build 下得分 76，与 GPT-5.5 (Codex) 持平，成本远低于竞品：智能指数每任务 $0.31，编码代理每任务 $2.49。输出 token 用量比 Opus 4.8 低 60% 以上。模型参数 1.5T，上下文窗口 500k tokens，输入/输出定价 $2/$6 每百万 token，缓存命中折价 75%。智能体任务方面，GDPval-AA v2 Elo 1543 排名第四，τ³-Banking 得分 33% 领先。

  3. Simon Willison 博客64

    github-code Web Component

    一个实验性的 Web Component，由 GPT-5.5 构建，用于嵌入 GitHub 仓库中的代码片段。通过 `<github-code href>` 标签指定 URL，组件自动将链接转换为原始文件地址，使用 `fetch()` 获取代码并显示指定行范围，附带行号但不提供语法高亮。

  4. Claude：Blog54

    Anthropic 市场运营团队用 Claude Cowork 自动化报告与活动构建

    Anthropic 市场运营团队的 Ian Chan 和 Annabel Custer 利用 Claude Cowork 将手动工作从多天压缩至数小时。Ian 此前每周花 1—2 天整合营销指标报告，现在通过 Claude Cowork 的定时任务（每周日自动读取上周报告、会议记录、Slack 和数据仓库）生成初始报告，经他审核后由 Claude 扩展细节并产出领导层幻灯片，流程缩至最多 2 小时。Annabel 曾手动在 Salesforce、HubSpot、Swoogo 等平台逐一搭建活动，现由 Claude Cowork 的派遣技能每小时读取请求频道，分发给五个专业技能自动处理最复杂的事件构建。人类验证已成为工作流核心环节。

  7. jason76

    Jason Liu分享使用ChatGPT Voice功能写作的体验。他每天回家路上通过语音与模型对话，要求模型在他口述文章时除非有值得追问的点否则不打断。他连续讲20分钟，模型仅插话五六次（如“嗯”“好主意”），且当用户继续说话时会礼貌停止回应。结束后可追问模型刚才想提的点。他还测试了用此功能与不同语言的人交谈、头脑风暴和学习新概念。他认为这种流畅的语音交互是实现AGI造福人类的重要一步。

  8. ClaudeDevs73

    Claude Code 的 model 和 effort 两种设置都旨在提升输出，但机制不同。model 越大，模型能力越强（基于行业标准基准测试）。effort 控制 Claude 在请求上的总工作量，包括思考时间、读取文件数、验证程度、多步任务推进深度等。高 effort 时 Claude 会执行更多操作（读文件、跑测试、再检查）；低 effort 时更倾向询问上下文。模型选择本质是切换不同的冻结权重集——权重在训练时固定，prompt 和上下文只能引导（steering）而不能改变权重。模型幻觉是权重产生看似合理但错误的 token 序列。

    推荐理由：Claude Code 官方这篇把 model 和 effort 的取舍讲得比他处都透，读完就知道什么任务该堆算力、什么任务该降模型省钱。

  9. The Decoder：AI News72

    Anthropic 为降低成本将 Claude Fable 5 变为管理者，委派任务给 Sonnet 5

    鉴于 Claude Fable 5 成本高昂，Anthropic 建议将其主要用作规划器，执行交由较小模型。在“Advisor”模式下，Sonnet 5 作为执行者，仅在需要指导时调用 Fable 5；SWE-bench Pro 上性能达 Fable 5 独自的 92%，成本降至 63%，每次任务约调用一次 Fable 5。在“Planner”模式下，Fable 5 规划并委派任务给 Sonnet 5 智能体；BrowseComp 上性能达 96%，成本仅 46%。两种模式均通过 Claude Managed Agents 运行。此举正值价格压力加剧——中国开源模型已压低西方定价，新 GPT‑5.6 Sol 每 token 成本更低且 token 效率更高。

  10. Artificial Analysis65

    Artificial Analysis 推出 Controlled Voice Arena，通过声音克隆标准化评估文本转语音模型。所有模型基于相同 8 个克隆声音（2 美式男/女、2 英式男/女）测试，以分离音色偏好与模型质量。总体排名：Cartesia Sonic 3.5（1,122 Elo）居首，ElevenLabs Eleven v3（1,088）和 Inworld Realtime TTS-2 - Research Preview（1,070）紧随其后。美式口音前三相同；英式口音中 Inworld（1,075）升至第二。开源模型方面，FishAudio S2 Pro（1,034）领先。

  12. The Decoder：AI News63

    Claude Fable 5 主导新行业基准但价格高昂

    评测平台 Artificial Analysis 发布六项新行业能力指数（金融、法律、医疗、战略与运营、工程、经济）。Anthropic 的 Claude Fable 5（搭配 Opus 4.8 回退）在全部八个指数中排名第一；Claude Opus 4.8 (max) 在六项中第二，OpenAI 的 GPT-5.5 (xhigh) 在其余两项中居次。开源模型中，GLM-5.2 (max) 在五项指数中领先，工程基准得 53 分排第五。成本方面，DeepSeek V4 Flash (max) 每任务不到 $0.04，而 Claude Fable 5 在战略与运营指数中每任务 $3.48，比 DeepSeek V4 Pro (max) 贵 100 倍以上，领先分差仅 12 点。LMArena 截至 7 月 7 日的榜单显示，Claude Fable 5 在 Text Arena、Code Arena 和 Agent Arena 均居首位。

7月8日周三
  1. OpenRouter68

    使用来自 @SpaceXAI 的 Grok 4.5，一旦它上线，无需更改代码。 ~x-ai/grok-latest 始终路由到最新的 Grok。现在指向它（今天为 Grok 4.3），当 4.5 发布时它会自动升级到 4.5。 尝试：https://openrouter.ai/~x-ai/grok-latest

    推荐理由：OpenRouter 的 grok-latest 别名让开发者零代码升级到 Grok 4.5，虽然是个小功能，但省掉了版本切换的繁琐，用 Grok 做产品的团队现在就该把端点切过去。

  2. ByteByteGo64

    The Agent Loop：AI 如何从回答问题转向执行任务

    AI 智能体（Agent）通过循环结构将大语言模型从被动问答推向主动执行任务。每个循环中，模型自主选择工具调用、推理步骤或直接输出，由脚手架（scaffolding）协调记忆、状态管理与外部反馈。该模式适用于需要多步决策、环境交互或工具链编排的场景，而非简单的单轮问答。

  3. Rohan Paul61

    DoorDash发现单次AI代码审查仅捕获约30.7%的PR问题，为此构建了Sonnet 4.6+Opus 4.8多模型审查代理，召回率提升至53.6%，成本$3.91/PR。最新实验将审查拆分为侦察与验证两步：Kimi K2.6作为侦察模型扫描差异，Claude Fable 5作为评审验证。该方案在内部基准DashBench上达65.2%加权召回率、75.3% F1，每PR成本$3.81。Composer 2.5+GPT 5.5 medium方案精确率达92.2%，但召回率显著偏低。DoorDash同步开源了DashBench。

    引用DoorDash AI Research@AIatDoorDash

    Models out of the box have trouble reviewing DoorDash’s codebase, even when feeding them appropriate context. Single-pass AI reviewers only caught 30% of the real issues in our PRs. Instead, we built a multi-model (Sonnet 4.6 + Opus 4.8) code review agent that caught 53.6% issues at $3.91 a PR (most enterprise code review solutions perform significantly below 50% recall on DoorDash PRs). Today, we’re proud to share DashBench, our internal benchmark to compare multi-model/harness code review systems against each other. DashBench has given us confidence in maximizing the intelligence per dollar we’re spending on AI tokens to ship code safely.

  4. MarkTechPost62

    NVIDIA Cosmos-Framework 教程：在 Colab 上构建紧凑版 Omnimodal Mixture-of-Transformers 世界模型

    本教程利用 NVIDIA cosmos-framework 的 CLI、输入模式和模型结构，在 Google Colab 上构建并训练了一个紧凑的 Omnimodal Mixture-of-Transformers 世界模型。标准 Colab 硬件（T4 GPU，显存不足 80 GiB、硬盘空闲低于 150 GiB）无法运行真实 Cosmos 3 检查点（如 Nano-16B 需单卡 H100 及以上），因此教程转向模拟实现：通过共享跨模态注意力与文本、视觉、动作流的模态特定专家路由，使用合成物理世界数据训练小型模型，并跟踪训练损失与自回归展开，演示模型学习跨模态关系及预测未来潜在状态的过程。

  5. 数字生命卡兹克72

    作者将斯坦福《人生设计课》理论制作成Claude提示词，用Opus 4.6模型进行四阶段对话：看清现状（健康/工作/娱乐/爱打分）、找到指南针（工作观与人生观）、寻路（心流时刻与能量地图）、锚问题与奥德赛计划（设计三种五年人生版本）。AI根据对话生成包含现状梳理、指南针、能量地图、奥德赛计划、反愿景和原型行动清单的人生设计蓝图。提示词经多轮迭代，要求用户真诚回答，AI会针对性追问，效果超出预期。

  6. 公众号：数字生命卡兹克75

    《人生设计课》Prompt实测：用Claude设计人生的四个阶段

    作者将斯坦福《人生设计课》理论体系制成Prompt，通过Claude逐步提问、追问和分析。Prompt融合设计思维、心流理论和积极心理学，分为看清现状、找到指南针、寻路、制定奥德赛计划四阶段，主线问题控制在6到9个。AI引导用户给健康、工作、娱乐、爱打分，区分重力问题与可设计的真问题，生成三个五年人生版本，最终输出8000至12000字的《个人人生设计蓝图》。作者实测效果超预期。

    推荐理由：卡兹克把《人生设计课》的整套方法论炼成了一个追问型Prompt，它不替你规划人生，但能用一连串苏格拉底式逼问把你心里一直没厘清的线头拽出来。比心理咨询轻量，比鸡汤硬核，想用AI认真盘一盘自己方向的人值得花半小时玩一遍。

  7. Rohan Paul61

    开源模型LongCat-2.0在Duck Hunt游戏编程测试中与GPT-5.5表现相当，但成本为零。测试由atomic.chat使用kilocode CLI的agent完成，双方均需在三次agent迭代内构建并改进同一游戏（含鸭子、波浪、弹药、物理碰撞、掉落动画和狗回收循环）。LongCat-2.0本地运行70.3K token（$0），GPT-5.5云端运行64.9K token（$0.65）。美团将其列为1.6T参数MoE，每token约48B active。结果证明，对于小型明确任务，本地开源模型质量已可接近前沿云模型，主要差异转向成本。

    引用atomic.chat@atomic_chat_hq

    Open-weight LongCat 2.0 matched GPT-5.5 level on agentic game dev for $0! We ran Meituan's LongCat 2.0 against cloud frontier GPT-5.5 in @kilocode CLI with their agent. Same task for both - build a retro Duck Hunt game in one game.html, improved over 3 agent iterations with duck waves, ammo and physics Outputs: LongCat 2.0: 70.3K tokens, $0.00 GPT-5.5: 64.9K tokens, $0.65 LongCat kept up on graphics, physics and game logic. Ducks fly and fall when hit, the dog fetches them, ammo counts down, the waves keep coming. Both ran clean and nothing clipped. The only difference was the bill - GPT cost $0.65, LongCat ran local for $0

  10. Krea66

    Krea 2 的身份保留功能已发布，配套模型和 ComfyUI 节点也已上线。🔥

    引用Brie Wensleydale🧀🐭@SlipperyGem

    这正是我渴望的那种 ID 保留类功能。 我明天要出行，所以没法测试它。我很好奇它在风格化角色上的效果如何…… https://huggingface.co/conradlocke/krea2-identity-edit https://github.com/lbouaraba/comfyui-krea2edit

    推荐理由：Krea 2的ID保持终于被社区做出来了，附带ComfyUI节点，想稳定控制角色一致性的人可以立刻用起来。

  12. Artificial Analysis61

    Artificial Analysis 推出 Harvey LAB-AA，基于 Harvey 构建的 120 项任务（覆盖 24 个法律实践领域），以全部通过率评估模型质量。Claude Fable 5（max）以 14.2% 领先，Claude Opus 4.8（max）与 GLM-5.2（max）并列 7.5%，MiniMax-M3 6.7%，Claude Sonnet 5 5.0%，GPT-5.5（xhigh）和 Claude Sonnet 4.6（max）均为 4.2%。成本上，Fable 5 约 $19/任务，Gemini 3.1 Flash-Lite 约 $0.02/任务，跨度 950 倍。28 个模型中 13 个全通过率为 0，顶尖法律智能体仍有很大提升空间。

  13. MarkTechPost70

    Liquid AI 开源 Antidoom：基于最终 Token 偏好优化的推理模型死循环修复方法

    Liquid AI 开源了 Antidoom，一种基于 Final Token Preference Optimization (FTPO) 的针对性修复方法，用于减少推理模型中的 doom loop（死循环）问题。该方法定位循环开始的第一个 token，训练模型选择连贯替代项，而不改变整体输出分布。在 LFM2.5-2.6B 上，硬数学和编程任务中的循环率从 10.2% 降至 1.4%；Qwen3.5-4B 上从 22.9% 降至 1%。整套流程可在数小时内完成，全部代码和数据集（LiquidAI/antidoom-mix-v1.0）已开源。

    推荐理由：Antidoom 用一次训练就修复了小型推理模型常见的 doom loop，LFM2.5 和 Qwen3.5 的循环率从两位数掉到 1%，代码和数据全开源，自己训模型时可以直接加这一环。

  14. OpenRouter：Announcements65

    在LLM中选择最佳图像输入细节级别

    在5个模型上测试了1730道视觉推理题，发现将图像细节降至"low"会损失准确率，且在gpt-5.5上费用反而上升。真正可靠降低成本的手段是调节推理努力（reasoning effort）。

    推荐理由：OpenRouter 用 1730 道题的实验告诉你，降图像细节未必省钱，GPT-5.5 上反而更贵，真正靠谱的开关是控制推理努力。做视觉应用的不看这个容易踩坑。

7月7日周二
  1. Claude：Blog65

    在 Claude Code 中选择 Claude 模型与努力级别

    Claude Code 提供模型（model）和努力级别（effort）两种设置。模型选择决定能力范围，更大模型（如 Claude Fable 5）在基准上优于 Claude Sonnet。努力级别不单是思考时间，还控制读取文件数、验证步骤及多步任务的推进深度。较高努力下 Claude 会自行读取文件、运行测试并复核；较低努力则更倾向请求用户提供上下文。若 Claude 已掌握上下文但仍出错，应换更强大模型；若因跳读文件或未运行测试而出错，则应提高努力级别。

  2. 公众号：面壁智能40

    会计系学生用 MiniCPM-V 搭建财报核验引擎

    厦门大学会计系研二学生牛牛酱基于面壁智能开源端侧多模态模型 MiniCPM-V 4.6（1.3B 参数）搭建财报核验引擎。该应用将“读”与“算”分离：MiniCPM-V 负责识别表格、抽取数字，确定性代码负责会计等式勾稽校验。测试中，在 1044 处人为注入的 OCR 错误中检出召回率达 96.5%；在 137 张合并资产负债表中准确抓出全部 63 个真实不平衡项；在 1000 份真实招股书与年报中抽取 36.3 万个数字，独立复核确认 4100 多处真实 OCR 误读。开源策略使学生在普通 PC 上即可微调部署。

  4. IT之家·人工智能51

    波士顿动力 Atlas 机器人亮相世界杯，揭秘踢球技能训练过程

    波士顿动力的Atlas人形机器人昨日在世界杯挪威对巴西比赛中场休息时走上绿茵场，重现经典进球动作并传球。团队先用动作捕捉记录，再导入模拟环境让Atlas反复试错。总监Rodriguez称踢球训练分两阶段：先掌握平衡与运动控制，再根据摩擦力精确控球，难度超后空翻。训练中机器人常摔倒，公司有成熟维修体系。未来将先部署于工业，再服务业和娱乐业，最终进家庭，但更可能机器人之间比赛。

  6. MarkTechPost60

    构建端到端自主AI协同科学家工作流用于发现下一代EGFR抑制剂

    本文构建端到端自主AI协同科学家工作流，针对非小细胞肺癌C797S奥希替尼耐药突变发现下一代EGFR抑制剂。从ChEMBL和UniProt解析靶点，挖掘EGFR IC50活性数据并转换为pIC50建模数据集。使用RDKit标准化分子、计算Morgan指纹和理化描述符，进行骨架多样性分析。训练骨架分割随机森林QSAR模型，评估其对未见化学类型的泛化能力，并用SHAP解释效力驱动特征。最后通过BRICS片段重组从强效类药活性分子中生成虚拟类似物，经药效、类药性、可合成性、新颖性和可开发性关卡筛选，并在PubChem交叉验证候选分子。

  7. Artificial Analysis51

    Artificial Analysis 发布六个新行业能力指数，涵盖金融与会计、法律、医疗、战略与运营、工程和经济学。每个指数基于 O*NET 职业常见任务独立运行基准测试。领先模型方面，Claude Fable 5（Opus 4.8 回退）在所有八个指数中领先，Claude Opus 4.8 (max) 在六个指数中排名第二，GPT-5.5 (xhigh) 在另外两个指数中第二。开放权重模型中，GLM-5.2 (max) 在五个行业指数领先，工程指数得分53，接近 Claude Sonnet 5 (max, 55) 和 GPT-5.5 (xhigh, 55)；DeepSeek V4 Pro (max) 在战略与运营指数领先。成本方面，DeepSeek V4 Flash (max) 每个任务低于 $0.04，GLM-5.2 (max) 成本 $0.26–$0.58；Claude Fable 5 成本 $3.48，分数高出 DeepSeek V4 Pro 12 分但成本超百倍。时间方面，Nova 2.0 Pro Preview (medium) 最快 1.1 分钟，Claude Sonnet 5 (max) 最慢 16.7 分钟。

  8. Artificial Analysis51

    SpeechifyAI 最新 TTS 模型 Simba 3.2 在 Artificial Analysis Speech Arena 排行榜中以 Elo 1,233 分（基于 1,258 场对战）位列第一，超越 Gemini 3.1 Flash TTS（1,214 分）、Sonic 3.5（1,210 分）和 Inworld Realtime TTS 1.5 Max（未披露分数）。定价为 $10/1M 字符，是领先模型中最低的；速度 29.2 字符/秒，介于 Inworld（89 字符/秒）和 Gemini（24.5 字符/秒）之间。

  9. 英国 AI Security Institute：Blog72

    英国 AISI 用前沿 AI 模型查找云环境配置错误的案例研究

    英国 AI Security Institute 在两周期限内用多种前沿模型和编码 agent 检查内部研发平台的 staging 环境，发现并修复了此前未知的配置错误、提权路径和供应链弱点，一个多步攻击链让普通用户无需受害者交互即可横向访问他人数据。

    推荐理由：英国 AISI 以自身云环境实测前沿模型的攻防价值，给出三种方法的人力成本与检测效果对比，防御方可参考其经验。

  10. Rohan Paul51

    在atomic.chat桌面应用的物理模拟测试中，腾讯混元Hy3仅用29,757 tokens（成本$0.006）即实现与Gemini 3.5（23,300 tokens，$0.21）相当的保龄球、空气曲棍球和台球HTML5 Canvas物理效果，碰撞与动量传递真实无穿模。GLM-5.2（25,454 tokens，$0.07）编码能力较强但物理表现一般；DeepSeek-V4消耗50,600 tokens（$0.009）却输出最弱的物理场景。

    引用atomic.chat@atomic_chat_hq

    New Hunyuan Hy3 hits Gemini 3.5 quality on physics for 35x cheaper! We gave 4 models the same prompt: build three self-contained HTML5 canvas scenes with real physics demos Prompts: - A bowling ball knocking down the pins - An air hockey rally that ends in a goal - A pool break scattering the rack Outputs: Hunyuan Hy3: 29,757 tokens, $0.006 Gemini 3.5: 23,300 tokens, $0.21 GLM-5.2: 25,454 tokens, $0.07 DeepSeek-V4: 50,600 tokens, $0.009 Tencent's Hy3 matched Gemini across all three: clean collisions, the puck bounced true, the pins scattered like a real strike, the rack broke with real momentum, nothing clipped or floated. GLM is genuinely strong on pure coding tasks, but the moment the job steps outside clean code it gives way. DeepSeek was the letdown, it burned the most tokens of anyone (50k, almost 2x Hy3) and still turned in the weakest scenes

  12. ClaudeDevs70

    Claude Code 团队将“设计循环”定义为智能体重复工作直到满足停止条件，划分四种类型：1）回合循环——手动提示触发，Claude 自判完成，适合短任务，可通过 SKILL.md 提升验证；2）目标循环——`/goal` 手动触发，达成目标或达最大轮数停止，需确定性完成标准（如测试通过数）；3）时间循环——`/loop` 和 `/schedule` 按间隔触发，适合同步消息、检查 PR 等重复任务，可云端运行；4）主动循环——事件或计划触发，无人实时参与，每个子任务独立退出。建议从最简单方案开始，选择性使用复杂循环。

    推荐理由：Claude Code 团队官方的循环设计指南，把 `/goal`、`/loop` 这些原语讲得很清楚，想从单次提示转向自主代理工作流的开发者可以直接照着搭。

  13. Claude：Blog70

    Claude Fable实地指南：发现你的未知

    Claude Fable是第一款要求用户主动澄清未知才能获得高质量工作的模型。与Claude Fable协作是一个在实现前后迭代发现未知的过程。通过将问题分解为已知的已知、已知的未知、未知的已知和未知的未知四类，用户可以借助Claude Fable和Claude Code进行盲点检查、头脑风暴、原型设计、实现笔记记录以及答辩解释，从而高效挖掘并解决深藏于代码库和设计与实现中的潜在问题。

    推荐理由：Anthropic 官方分享的 Claude Fable 协作方法论，把「发现未知」拆成盲点扫描、原型、面试等可操作步骤，如果你用 Claude Code 但常觉得代理跑偏，这篇是必读实践指南。

  14. Artificial Analysis60

    Artificial Analysis 与 Zapier 合作推出 AutomationBench-AA 排行榜，测试 AI 智能体在真实 SaaS 工作流中遵循业务规则的自动化能力。基准包含 657 项任务，覆盖财务、HR、销售等 6 部门，在 40 个模拟应用（Gmail、Slack、Salesforce 等）中运行。模型通过 REST API 自主发现端点，按近 12,000 条断言评分（目标达成+不违反护栏）。结果：Claude Fable 5 (max) 以 48.6% 领先，Opus 4.8 以 48.5% 紧随其后，Gemini 3.5 Flash 为 42.6%（$0.49/任务），GPT-5.5 (xhigh) 为 42.1%（$1.32/任务）。Fable 5 在约 18% 的任务中回退到 Opus。开放权重模型 GLM-5.2 (max) 最佳（27.8%）。所有模型均违反业务规则，金融任务难度最高。