📰 Easy AI日报 | 2026-02-07
📅 2026年02月07日 AI行业动态
模型与能力
GPT-5.3-Codex 与 Claude Opus 4.6：前沿编码模型对刚
OpenAI 推出 GPT-5.3-Codex，主打自举开发、SWE-Bench Pro/Terminal-Bench 高分、推理更细但无公开 API；Anthropic 发布 Claude Opus 4.6，ARC-AGI 2 达 68.8%、长上下文和推理全面提升，在 Arena 夺得代码/文本/专家多榜首，社区实际对比中两者在真实项目上各有强项与成本差异。
相关链接：GPT-5.3-Codex 介绍｜Claude Opus 4.6 官宣与基准｜Rails 生产仓基准：Codex vs Opus｜Opus 4.6 代码与长上下文实测讨论（Twitter 汇总）
长上下文与记忆：Opus 4.6、InfMem、LatentMem 等方案
Opus 4.6 在 256k–100万 token 长上下文任务上表现明显优于 Gemini 3 Pro 等，同时社区吐槽实际使用时仍会“上下文腐烂”。学术侧提出 InfMem（预想-检索-写入 + RL）和 LatentMem（按角色压缩轨迹到潜在记忆）等方法，在百万级上下文问答和多智能体协作上兼顾准确率和延迟，号称可降 3–4 倍推理时长、节省约 50% token。
Google Sequential Attention 与模型剪枝讨论
Google Research 重提“Sequential Attention”技术，用子集选择的方式在保持精度的前提下降低大模型计算量，主要面向特征选择和剪枝场景。Reddit 上有人指出论文早在三年前就发了，更像是回炉宣传；也有人关心它是否会落到 Gemma 等新模型上，用于推理加速和参数压缩。
相关链接：Sequential Attention 论文｜Reddit 讨论：Google Research announces Sequential Attention
世界模型落地：Waymo 联合 DeepMind Genie 3 做仿真
Waymo 基于 DeepMind 的 Genie 3 发布自家世界模型，可生成包含摄像头 + 三维激光雷达的逼真交通场景，用来在仿真中制造极端事件（龙卷风、飞机迫降高速等）压力测试自动驾驶系统。研究者认为，这是从“只会生成像素”到“直出传感器流”的关键跃迁。
gWorld：用网页代码而不是像素生成手机 GUI 世界
Trillion Labs 与 KAIST 发布 gWorld，8B/32B 开源视觉世界模型，不直接预测像素，而是生成 HTML/CSS/JS 再渲染 UI。8B 模型在 MWMBench 上达 74.9% 准确率，据称在某些 GUI 任务上超越 402B Llama 4 Maverick，渲染失败率低于 1%。社区对“碾压 402B”的标题持保留态度，但认可这条“用结构代码代替像素”的思路。
相关链接：gWorld-8B 模型（Hugging Face）｜Reddit 讨论：We built an 8B world model...
Agent 与工具链
Claude Code / Codex / Cursor：多智能体“软件团队”模式成型
Cursor 与 Anthropic 都在推“代理团队”：Cursor 宣称上百个代理一周内每小时能打出上千次提交；Anthropic 用 16 个 Claude 代理在两周内写出能编译 Linux 内核的 C 编译器。社区发现，真正决定表现的往往是测试用例、Git 工作流和基础设施配置，而不只是模型本身。
相关链接：Cursor 多代理提交实验｜Claude Code agent teams 预览｜Anthropic 工程博文：用 Opus 4.6 写 C 编译器
OpenClaw / Moltbot：本地 Agent 框架真香但真贵
社区实测 OpenClaw + 本地 LLM（如 Qwen3Coder）能做出很强的自迭代代理，但安全面大、文档弱，很多人选择在受限账号、限定目录下跑。Moltbot 被吐槽“免费助手”实则要绑一堆付费 API（OpenAI/Anthropic/Google、Brave、ElevenLabs 等），算下来每月 50–100 美金，更适合开发者折腾而不是终端用户用。
相关链接：Reddit：OpenClaw with local LLMs 讨论｜Reddit：Clawdbot / Moltbot → Misguided Hype?
“递归语言模型 RLM” 与 LangChain / DSPy 的工程化尝试
Twitter 上有人提出把 Agent 看成 REPL 程序：状态放变量、子代理之间传结构化数据而不是在 prompt 里乱贴日志，以此减少“上下文腐烂”。与此同时，LangChain/LangSmith 强调 trace、沙箱和有类型状态管理，DSPy 社区则推广 RLM 模式配合自动调参，让复杂工具流更可控、可复现。
相关链接：RLM 概念贴｜DSPy 博文：用 RLM 减缓上下文腐烂｜LangChain 关于 trace / sandbox 更新
BalatroBench：用卡牌 Roguelike 测 LLM 策略水平
BalatroBench 把卡牌游戏 Balatro 包装成基准：通过 BalatroBot 提供游戏状态 API，再用 BalatroLLM + Jinja2 prompt 让模型决策。支持任意 OpenAI 兼容端点，主要测试模型长期规划与策略一致性。有人提议接入各类“自进化”框架，看哪家模型最会自己调教自己。
AI 代码助手栈：Cline、aider、Cursor、Copilot 组合拳
Cline 用户在摸索如何用 .clineignore、记忆库和 RAG 把上下文从 20 万 token 收紧到 4 万，以便用小模型更快迭代。aider 社区在调教 Copilot/Opus 架构模式和自动接受变更开关；Cursor 用户则在抱怨 5.3 Codex 一直卡在 API 未开放阶段，Agent 模式用完免费额度就停机，亟需“慢速档”。
相关链接：Reddit：Cline 上下文与记忆管理经验｜Reddit：Claude Opus 4.6 可用于 Cline｜aider 文档：配置选项
基础设施与硬件
Blackwell / CUDA / Vulkan：推理性能里藏着一堆坑
GPU MODE 与 LM Studio 社区实测发现：Blackwell 上 cuBLASLt 选错 FP8 kernel 会导致吞吐差 2 倍，需要强制用新 MXFP8 指令；部分 B200 在用 TMA + NCU profiling 时会死锁。LM Studio 用户还发现 Vulkan 跑本地 LLM 在某些 NVIDIA 卡上比 CUDA 快 50%，而苹果 M4 Max 上 MLX 跑 Qwen3-Coder-Next 的 4bit 推理速度是 GGUF 的两倍多。
相关链接：GPU MODE 讨论：Blackwell FP8 与 MXFP8｜NCU + TMA 死锁复现代码｜LM Studio Vulkan vs CUDA 讨论
本地推理硬件现实：老 i3 / CPU-only 也能玩 LLM
多篇 Reddit 帖子展示了“土炮”本地推理：2018 年 8 代 i3 + UHD 620 + 双通道内存，用 OpenVINO 跑 16B MoE 模型还能到 10 token/s；老台式 i5-8500 + 32GB 内存能跑 12B Q4 gguf，对话、TTS 甚至慢速 Stable Diffusion 都能用。社区共识是：带宽比算力更关键，MoE 架构和低比特量化是穷人之友。
相关链接：CPU-only 跑各类本地 AI｜2018 i3 跑 16B MoE DeepSeek Coder｜完全离线使用 AI 的经验
训练与评测基础设施：Step 3.5-Flash 与 SETA 终端环境
StepFun 公布 Step 3.5-Flash 技术细节：用 4096 张 H800、17.2T token 训练，SWE-Bench 得分 74.4，并强调评测前置于训练、要处理好数据污染与长输出监控。另一方面，SETA 开源了 1376 个可复现实终端环境，覆盖 DevOps、安全、运维，用来让代码 Agent 在真实系统里“带着锅跑”而不是只刷合成题。
研究与方法
Hugging Face Community Evals：把基准分数写进仓库的 YAML
HF 推出 Community Evals：基准数据集挂榜单，评测结果直接以版本化 YAML 存在模型仓库里，通过 PR 提交，并配合 Inspect AI 做可复现标记。目标不是解决数据泄漏，而是让“这分是怎么测的”有迹可循。也有研究者提醒：很多难基准（多语 SWE-Bench、SciCode、VideoGameBench 等）离“做满”还远。
TinyLoRA：只调 13 个参数就把 GSM8K 从 76% 拉到 91%
StepFun 团队提出 TinyLoRA，在 Qwen-7B 上只训练 13 个 LoRA 参数，再配合 RL，就能把 GSM8K 正确率从 76% 拉到 91%。解释是“知识早就在模型里，只是换个思考风格”，所以只需微调很少的参数就能把推理路径导到正确轨迹。
相关链接：TinyLoRA 推文
Kaiming He 新作：Drifting 生成模型与梯度归一化归因研究
Kaiming He 在 OpenReview 上发了“Generative Modeling via Drifting”，探讨新的生成建模框架。Eleuther 社区还讨论了两篇与训练样本归因相关的工作：一篇指出对梯度做 unit norm 能显著提升 attribution 准度，另一篇则认为只要 Hessian 估计得足够好，就不必强制归一。
相关链接：Generative Modeling via Drifting｜梯度归一化提升归因精度论文｜关于 Hessian 与归一化的后续论文
AI4Science：自动实验与新基准 Labbench2
OpenAI 与 Ginkgo Bioworks 宣布将 GPT-5 接入自动化湿实验室，闭环做蛋白实验，据称能把生产成本压 40%。同时，Labbench2 发布，包含约 1900 道实验设计、临床试验评估等难题，用来更真实地衡量“科学向”模型，而不是只看解题选择题。
产品与应用落地
Perplexity Pro 限额收紧，用户开始出走
Perplexity 悄悄下调 Pro 版 Deep Research 次数和文件上传大小，被用户截图对比旧版配额后在 Discord 怒喷“没沟通”。不少人开始试用 Gemini Pro（先给研究计划再执行）和 DeepSeek（免费但对中资背景有顾虑），对订阅制问答产品的信任被狠狠敲了一下。
相关链接：Perplexity 配额变化截图
企业工程师怎么用 AI：更多是“超级搜索”，不是自动写系统
一篇面向专业工程师的 Reddit 讨论总结：AI 目前最实用的是当高级搜索/示例生成器，比如写 SQL、看 API、查厂内老代码；让它大改复杂代码库效果很差，容易瞎编。很多“AI 项目”最后发现用 RPA 或简单脚本就够了，真正能在公司规模上产生明显收益的 AI 项目只是少数。
Lotus：拿到 4100 万美金，要用 AI+真人填补美国基层医疗缺口
初创公司 Lotus 宣布融资 4100 万美元，做“AI 驱动+持证医生”的线上初诊平台，主打帮 1 亿缺乏家庭医生的美国人看小病、开药、转诊。模式是 AI 先分诊和整理信息，再由真人医生决策，主打把“问诊前的碎活”外包给模型。
相关链接：Lotus 融资与产品介绍
AI 驱动加密产品：把链上合约翻译成“人话”
MCP Contributors 社区里有人在做一套面向加密交易的 AI 工具：智能看板 + 链上分析摘要 + 合约/交易自然语言解释，强调“别瞎编”和透明度。目标用户是看得懂业务但看不懂 Solidity/EVM 的普通投资者。
行业与公司动态
OpenAI vs Anthropic：模型“军备竞赛”背后的烧钱数字
有帖子根据泄露/预测数据估算：Anthropic 今年营收或达 180 亿美元、明年 550 亿，但训练支出今年就要 120 亿，推理成本 70 亿，预计 2028 年前累计运营支出 1390 亿美元，指望 2028 年左右持平。投资人愿意给 3500 亿估值，再投 100 亿。讨论里有人反过来怀疑 OpenAI 的偿付能力更差。
Lodash 被欧盟认定为“关键基础设施”，给了 20 万美金
用于 JS 生态无数项目的工具库 Lodash 获得欧盟 Sovereign Tech Fund 20 万美元资助，被认定为“关键软件基础设施”。这笔钱主要用于维护与安全加固，提醒大家真正在撑住 AI 和 Web 的，往往是这些默默无闻的小库。
Manus.im 疑似暴雷：降级后被收 5000 美金，站点还挂了
Manus.im 的用户在 Discord 抱怨：从高配方案降级后仍被按原价每账号收 5000 美金，客户网站也跟着宕机，联系客服迟迟无回应，邮件则否认曾降级。另有用户账号被莫名封禁。大家开始集体物色替代方案，这对一家做网站托管/构建平台的来说已经是信任危机级别事件。
相关链接：Manus.im Discord 投诉
OpenRouter 与 Kimi / Pony Alpha 等多模型生态
OpenRouter 上线新的“隐身”模型 Pony Alpha，主打高质量 tool calling 和 agent 工作流；同时接入了 Moonshot 的 Kimi K2.5，社区在讨论其缓存、是否仍有免费额度以及速率限制。OpenRouter 自身用量据称两年内增长近十倍，有人调侃“如果出聊天 App，很多单一厂商就危险了”。
政策、治理与安全
Codex 默认能读整块文件系统：安全边界被质疑
OpenRouter 社区有人发现：OpenAI 的 Codex 在本地运行时默认可以读取整个文件系统，没有明显的权限开关，官方 issue 还认为“不是 bug”。实际例子包括读出 API key、个人体检结果等敏感文件。大家担心：如果 IDE/Agent 工具不给出清晰的权限模型，开发者甚至不知道自己把什么暴露给模型了。
相关链接：Codex issue：能读全盘且官方不认为是问题｜Codex issue：读取 API key / 医疗文件
Opus 4.6 找出 500+ 开源零日漏洞：安全福音还是双刃剑
Anthropic 报告称 Claude Opus 4.6 在沙箱里对开源库做自动审计，挖出 500 多个零日漏洞，还能给出修复方案。Reddit 上一边有人提出可以按“累计修复 CVSS 分值”给模型做新基准，一边有人担心：这么强的挖洞能力公开细节，会不会给黑客送工具箱。
AI Red Team 正成热门岗位：Trajectory Labs 招人
越多模型暴露在真实用户和工具调用场景下，越多公司开始认真搞红队。Trajectory Labs 这类“隐身 AI 安全公司”在招长期 AI Red Teamer，要求每周至少 30 小时，还设计了专门的“红队闯关游戏”当面试。BASI 社区一边玩 jailbreak，一边有人开始把这当正经职业。
密钥泄露已成日常，社区呼吁默认集成 detect-secrets
不少 Agent/IDE 工具只是把你的仓库直接挂给模型，完全不管密钥。Unsloth、OpenRouter 社区有人建议把 Yelp 的 detect-secrets 这类工具做成默认钩子，在 prompt 和日志里自动打码，至少别再出现把 .env、云凭证和医疗文件一起扔给 LLM 的情况。
📌 来源: Easy AI 日报
#EasyAI #AI日报 #AI教学
讨论回复
0 条回复还没有人回复，快来发表你的看法吧！
推荐
智谱 GLM-5 已上线
我正在智谱大模型开放平台 BigModel.cn 上打造 AI 应用，智谱新一代旗舰模型 GLM-5 已上线，在推理、代码、智能体综合能力达到开源模型 SOTA 水平。