Techub News 搜索

大涨的原因今天字节这边有两条重要的消息。第一，是按彭博亿万富豪指数的信息，老板张一鸣身家突破1000亿美刀，对应字节的估值是5500亿美刀左右（腾讯是5000亿美刀），成为亚洲首富，1000亿美刀啥概念呢，目前美的集团和比亚迪的总市值，都只有900多亿刀。第二，是字节和中兴合作的豆包手机，今天开始开售了，毛6000块左右，不过和刚出样机的那会儿不同，今天股市基本没交易这块，中兴的股价只涨了1cm（幸亏tm没涨，不然反弹又到头了）。我对第二条信息比较感兴趣，因为AI发展的过程中，又好像回到了互联网打法的老路上来——谁掌握流量入口，谁就掌握一切。豆包手机肯定会是划时代的品种，就好像新能源的车机系统吊打油车一样，未来其他手机品牌肯定也会逐步深度和AI大模型进行融合内嵌，如果苹果这回还是搞不好的话，继续流失一波客户也是看得到的，因为用户习惯的变化一旦形成趋势后，就回不去了——而豆包手机的核心在于，豆包掌握所有的流量入口，口令是用户下达，但如何分解口令、分配流量，是大模型说了算，这是一种降维打击的模式。而AI的另外一个和流量入口相关的案例，是最近很火的workbuddy（注意，以上以下都不是广子）。我自己目前使用的AI组合，是chatgpt+workbuddy，需要精细化的东西用前者，一般性的需求用后者，因为便宜管饱。而Workbuddy的核心就在于，下图，他接入了所有的大模型后，自己成为了主流终端，然后通过“限时免费”等模式，“勾引”用户选择特定模型，从而完成流量的分配——只要它形成了用户粘性之后，就相当于捏住了其他大模型的蛋蛋，如果以后你想要分到更多的流量，可以，你在我的平台上降费嘛，而workbuddy自己找客户收的还是固定的订阅费，从而坐收差价。我自己的gpt和workbuddy都接入了wind数据库，用下来的感觉就是：卖方研究和买方研究这俩行业，走向人员收缩的时代，已经不可避免了。 AI大模型目前的第一大付费场景是coding，取代了大量的程序员，而下一个大的场景，可能就包括金融（claude和几个头部大机构已经在这么做了），因为都是标准化、数据驱动的行业，原来还怕各个数据终端卡着数据不给用，现在wind啥的卖API积分发现赚的更多，何乐而不为？对了，现在腾讯有workbuddy，字节有豆包手机，阿里有什么啊？嗯？ ...... 说回市场。 1、今天双创板块久违的大涨，双创50涨超3%，原因是什么？我自己总结下来，主要是三块。第一，基本面来看，昨天一早，工信部和发改委印发了《电子信息制造业发展“十五五”规划》，这是9月10号成的文，但下发是昨天，所以昨天科创板块就逆市涨了一些。第二，市场逐步消化了今晚（或者说明天凌晨）美联储加息的利空，今天日韩也反弹，其中三星和海力士分别涨超2cm、4cm。第三，昨天成交量创年内次低，情绪基本在底部区间了，触底反弹一下也正常。大概如此，更多的我也编不出来了。 2、昨天和一些同业聊，大家形容当前的市场是：有种微微的死感。对绝大多数的机构投资者来说，当前的市场，不敢加，也不敢减。你要说加仓吧，等右侧也行啊，性价比还更高，海外目前不确定性这么高，心里还是打退堂鼓的。你要说减仓吧，卖了之后买啥？所以现在最好的策略，就是趁市场反弹的时候，领导心情还可以，赶紧把国庆前三天的假给请了，这样就能过一个13天的超级假期了。所以你看着吧，未来两周，金融机构在岗的人数会逐日递减，所以市场的成交量节前也很难起来。短期看，节前还是看震荡。 3、However。为什么咱们对市场，至少对A股的观点，依然是积极拥抱优质股权？答案其实都在下面这张图里——这是今天星球里发布的，对A股核心资产的周度跟踪里的其中一张，目前A股的股权风险溢价，依然高于历史中位数，而近期下跌后，股权风险溢价已经来到了年内的最高点。用人话说就是，情绪的低点，就是性价比的相对高点，也会是长期布局的好时机了（当然，都是长期视角）。完整的分析，看今天下午的星球，下方二维码就是入口。 4、为什么我们此前反复说，从全球范围来看，A股大盘指数的安全边际，都是最好的（可以不加第一）？今天，高盛也回答了这个问题，直接贴图吧，下图。做个对比，下图是美国、日本、英国、法国、德国、老中，六大主要经济体，今年10年国债的最低点、最新值的情况，以及上行幅度。可以看到，这轮海外利率飙升的过程中，老中毫发无伤：低利率、低波动，1个bp玩一周。 5、海外高利率对咱们毫无影响吗？当然也不是。主要是影响几个方面：第一，压制风险偏好和情绪。第二，海外算力链牵一发而动全身，影响最直接。第三，如果利率居高不下，则影响海外需求，从而抑制国内出口动能。第四，港股挨揍，AH溢价抬升，从而也会影响A股（同一个股票，港股便宜的令人发指的话，资金干脆就去买港股了）。所以，影响的更多是短期性的、板块性的。但是，长期投资，核心还是看A股主流资金背后的无风险利率的水平。 6、还有一个视角可以补充。目前这种牛市船到中流的行情，投资者也比较关心，增量资金，应该配置哪些方向？周末的时候，星球的嘉宾，私募老王，也谈了一些自己的想法，下图，包括雪球结构化、300和A500指增、全天候策略（本质就是多元资产），等等，对全文感兴趣的，可以看周末发布的星球帖子。 7、上周聊过，桥水的全天候，现在属于有钱也抢不到的地步，当然我之前也说，没必要神化一个单一策略，市场里没有常胜将军，但只要是基于体系化、团队化的多元资产配置策略，在低利率时代，都可以高看一眼。市场里有不少“类桥水全天候策略”产品，理财有，公募也有，而公募当中，事实上基本只有FOF才能做真正的多元资产策略，这也是为何我们此前反复提到的，这一轮拥抱优质股权大时代的过程中，以多资产为核心理念的理财和公募FOF、以及基金投顾，是对投资者相对友好的品种之一。比如下面这个，是此前喵行首发过的产品，看持仓，就知道是股、债、商结合的多元配置产品。多元资产的优势，就是股票牛市能分一杯羹，而如果进入震荡市，则回撤控制、资产的负相关性等优势会更凸显，所以现在也是银行渠道比较喜欢的品种。 ...... 就聊这么多，如果想了解更多多元资产背后的深层次逻辑，看今天星球的一篇问答吧，几千字长文，就不贴了。

国内第一个为团队而生的Agent，果然还是在飞书里面来了。就在刚刚，飞书和豆包工作一起，开了他们的全新发布会。在聊了很多飞书为Agent做的全新升级，还有和豆包工作深度融合后的产品能力之后，他们也终于发布了一个全新的功能，也是我们内测了一段时间，让我非常喜欢的功能。豆包工作伙伴。讲道理，这玩意飞书在国内第一个做出来，我一点也不意外。跟之前的豆包工作伙伴完全不一样，这一次，你可以把你的豆包工作伙伴，拉它进入企业里的任何群聊里面，成为一个团队共享的AI工作伙伴。它拥有独立的人设，独立的名称，独立的组织身份，比如我就给它改名了，名字也很性感，叫义父。它可以被拉进群，参加公司的会议、读所有的文档、代码等等等等，还能主动的去推进大家的工作，它长这样。如果大家有印象的话，会觉得，这个豆包工作伙伴，怎么跟那个Claude Tag那么像。对，确实很像。而且我觉得，如果要理解豆包工作伙伴到底是什么，最好的办法，可能真的就是先理解Claude Tag。今年6月份，Anthropic发布了Claude Tag。这玩意，被卡帕西称为AI在用户体验上的第三次范式。我觉得可以用一句特别简单的话来解释。普通Agent，是一个属于你自己的能干活的Agent。而Claude Tag和豆包工作伙伴这样的产品，就是类似于给这个Agent一个独立身份，让它安全、可控地帮公司里所有人一起工作。这句话基本就解释完了。我们过去接触的大部分Agent，不管是Claude Code、Codex，还是各种你自己搭出来的Agent，本质上都有一个共同点。它主要围绕“你”工作。而Claude Tag和豆包工作伙伴这样的形态，是一个完全不同的形态。你可以理解为，他有自己的身份、权限、记忆之类的，长期驻扎在公司的组织软件里，Claude Tag是待在Slack里，豆包工作伙伴是待在飞书里。公司里的任何一个人都可以跟它一起工作。它知道这个群之前发生过什么，也知道大家最近在聊什么，知道公司是什么业务、每个人负责什么、大家手上的项目分别是什么，也可以接入GitHub、多维表格、知识库之类的这些公司的系统。甚至很多时候，你甚至都不需要主动叫它。它自己会判断：这个事情，我是不是该干点什么。你看，这个关系就完全变了。以前在组织中，我们跟AI的关系，大概是：人、人、人、人。 ↓ ↓ ↓ ↓ AI、AI、AI、AI。现在呢，就变成了：人、人、人、人。 ↓ AI。所有人共享同一个AI同事，大家都拥有了一个团队智能体，大幅的降低各种沟通和损耗成本，让我们的小伙伴，更有时间，去做那些真正AI替代不了，真正重要的事情。这就是我觉得这类产品，对于组织来说，真正牛逼的地方。而在Slack中，Claude Tag其实可以发挥的作用没有豆包工作伙伴在飞书中的大，核心还是因为，飞书过去十年打下的基建和江山实在是太恐怖了。群聊、会议、文档、日历、任务、项目、OKR等等，甚至还有多维表格上的各种各样的业务数据，实在是太丰富了。所以在昨天，我甚至在公司内部，做了一个小小的决定，把公司内部沟通，也全面从微信迁移到飞书上了。公司的一个小小的里程碑，终于全面从微信切换到飞书了。这一年跑的太快，很多基石还没做好，沿着惯性在走，昨天想了想，还是下定决心了。对公司组织来说，也要全面拥抱为未来而生的基建才行。飞书基本上就是为Agent而生，虽说只是办公方式的一个小小的变化，但是也意味着，面向未来。这个决定，其实跟这几天内测豆包工作伙伴以后，有很大的关系。说回豆包工作伙伴，这玩意目前还是邀请共创测试，因为我们稍微特殊一点的身份，所以是前几天就拿到了内测的，大家想用的话，可能还需要再等等，但是有些东西，我觉得还是足够可以给大家看一看的。当你有了豆包工作伙伴的权限之后，你就可以在后台，看到他的设置页面，可以看到它的人设、自动化、资产、记忆等等。你可以随便改，比如我就把它改成了，义父。于是我们所有人让它帮忙干活，都是需要在群里，@义父。。。当然，你也可以建多个不同的工作伙伴，赋予他们不同的能力和人格。给大家举个例子。我们的小伙伴，就在尝试用义父，来讨论选题。平时刷到有意思的东西，就会直接扔进选题群里，大家一起聊聊能不能做。就比如说，今天他们看到的这个盆栽和手摇Token生成器。就可以在群里@义父，让它调研一下，技术上怎么实现，是否能够复刻。它立刻就可以给出一些建议，对工期、预算和可能遇到的问题做了初步估算。然后也可以让义父在群里，核查一些信息。然后还有一个选题，是开学了吗，于是说，看看能不能把ChatGPT当成语言老师。他们就还是把截图发进群里，让义父看看。义父聊完之后，大家还可以继续充分讨论，再进行投票。讨论结束以后，他们又让义父把前面的聊天整理成了一张选题总结卡片。选题聊完以后，我们的流程是，由内容组的小伙伴会先把觉得合适的方向提报到选题库，再由我筛一轮，确定哪些可以做。现在有了义父之后，他们真的就是随时分享、随时讨论，随时让义父往选题库里面扔。然后我就能看到，义父把前面聊到的两个方向分别录入选题库，状态先设成待定，等我看完再决定。接着，又让它根据选题库里之前已经确认可做的选题排一下档期。结合每个人的工作分工和已有排期，安排一下谁来做、什么时候做，再把对应的安排加进日历里。确认好以后，还能直接给对应的小伙伴来发送日程邀请。就有了这个豆包工作伙伴之后，我们的工作流程和协同也肉眼可见的发生了一些变化，因为，这是属于大家的Agent，是属于大家的同事。也能根据大家的时间，来约大家的会议。还能跟我们一起开会。。。这个同事也会拥有跟大家互动后，存下来的跟每个同事相关的记忆。也可以给他配置各种各样的权限。还有非常非常非常多好玩的东西和好玩的场景，感觉后续要慢慢发掘。飞书过去所有在机器人、AI和Agent上的积累，在此刻融为一体，汇聚到了豆包工作伙伴上。这个东西，是我过去这么久，用过的最有趣的Agent之一。不过这个事肯定不好做，因为Agent 、大模型、协同办公要深度配合才能有比较好的流程的体验，还有包括token消耗等可能会很大，但，一定是未来的趋势。其实过去，我也一直在思考一个命题。当AI真的进入一个组织以后，公司这种东西本身应该如何发生变化？因为我们都知道，一家公司里面，很多时候大量的成本其实都浪费在沟通和协作上。比如说很多看到我就脑壳疼的问题：“你有没有跟A同步？A告诉B了吗？B知不知道C已经改了？？？” 还有无数类似的，我都想杀人。过去我还在互联网中产的时候，真的，很多时候，一件可能真正只需要两小时完成的工作，可能前前后后要拉十个人，开三个会，发上百条消息，然后互相同步来同步去，三天才搞完。所以我现在，极其认同一个公式：团队效率 = 所有人个人效率的总和，再减掉协作成本。过去的AI一直疯狂提高的，都是前半部分，但是协作成本，靠的几乎还是组织管理方法论，还有使用的协同工具本身。但现在，因为豆包工作伙伴这样的产品，好像也在开始大幅降低协同成本了。但本质上，核心还是飞书这个产品的基建，实在是搭的过于优秀了。就像我上面说的，这也是我自己，为什么决定，最后还是决定把我们公司内部的工作沟通也全部迁到飞书这当然只是一个很小的变化。但我也只是想，把公司的工作方式，更加的面向Agent一点。对公司组织来说，也要全面拥抱为未来而生的基建。我们已经讨论了三年AI会怎么改变个人。那接下来，也要开始聊一聊，AI究竟会如何改变公司了。这个未来是必然会来的，那企业内部如何沟通，如何沉淀我们所有的知识和经验，如何管理项目，如何组织数据，如何让Agent真正的进入公司，这个是每一个组织，都必须要考虑的东西。虽然我过去吹了飞书无数次，我真的不想再吹了。但是我还是非常想真情实感地说一句。相信我，企业拥抱AI。先从飞书开始。就像谢欣在发布会最后说的那句话一样： “把卓越的工具交给人们，他们自会，创造非凡”

国产大模型苦达利奥久矣文章转载于八尺AI 昨天Anthropic的创始人达利奥·阿莫迪在个人博客上抛出一篇长文，标题叫《我们必须掌控AI前沿发展的节奏》。文章写得声情并茂，从他父亲死于一种本可被AI攻克的疾病讲起，一路讲到递归自我改进可能在六到十二个月内，让失控的AI Agent接管互联网。这看上去是一篇充满人文关怀的AI安全宣言。萨姆·奥尔特曼在下面回了一句"我同意达利奥"，马斯克也凑过来喊"Dario is right"。三个平时连合影都不肯站一起的人，这次竟尿到一个壶里了。但如果你把文章翻到后半段，就会发现味道不对了。达利奥在"如何给前沿踩刹车"的章节里，专门列了三条针对中国的遏制措施，禁售芯片，打击蒸馏（原文写的是“人工智能技术提炼”），防盗权重。一条技术限速的倡议，说着说着就变成了一份对华科技冷战的操作手册。而就在这篇长文发布的两天前，Anthropic刚刚发布了一份长篇威胁报告，点名七家中国AI实验室，阿里、月之暗面、DeepSeek、智谱、小米、商汤、MiniMax。指控它们对Claude发起了"工业规模的蒸馏攻击"，累计交互接近两亿次。两件事挨得这么近，是巧合吗？恐怕不是。当一家估值逼近万亿美元，正在冲刺史上最大IPO的公司，开始把一项全行业都在用的常规技术包装成"国家安全威胁"，那就得问问，达里奥的动机到底是什么。 1 蒸馏的身世要说清楚蒸馏是不是偷，得先搞清楚它到底是什么。 2015年3月，杰弗里·辛顿、奥里奥尔·维尼亚尔斯、杰夫·迪恩一起在arXiv上发表了一篇论文，标题叫《神经网络中的知识蒸馏》。这篇论文讲了一个很朴素的道理，一个大模型（教师）学到的知识，不只是它的参数，更是它对输入做出的概率分布，也就是"软目标"。把这些软目标拿来训练一个小模型（学生），小模型就能用远低于大模型的算力，逼近大模型的表现。辛顿在论文里甚至明确说，用来训练学生模型的迁移集，可以完全由未标注数据组成。换句话说，蒸馏从诞生的第一天起就是一种合法的，公开的，被学界广泛认可的模型压缩与能力迁移方法。它的初衷是让AI能跑在手机，嵌入式设备这些算力有限的场景里。辛顿本人拿这个方法改进了谷歌的语音识别系统，效果显著。十一年过去了，蒸馏早已不是什么小众技巧，是大模型行业的基础设施。 2024年10月，OpenAI直接在API里上线了官方蒸馏功能，鼓励开发者用o1-preview和GPT-4o的输出来微调更便宜的模型。 Google把Gemini Ultra蒸馏成Gemini Flash，主打低延迟场景。Meta开源Llama，整个社区都在拿它做蒸馏。DeepSeek用R1蒸馏出32B、14B、8B、1.5B一整套小模型，让推理能力能跑在消费级显卡上。就连Anthropic自己，也在内部用蒸馏生产轻量版的Claude。这不是什么秘密，行业分析公司Ertas AI在一篇题为《模型蒸馏不是盗窃》的文章里写得很清楚，每一个拥有前沿模型的实验室，都有从它衍生出来的更小模型。蒸馏在AI领域扮演的，正是这样一个"善假于物"的角色，它让知识从昂贵的大模型流向更普惠的小模型，从少数公司的算力壁垒流向更广泛的应用场景。那么问题来了，为什么同样一项技术，OpenAI做叫能力迁移，Google做叫模型压缩，Meta做叫开源生态，中国公司做就变成了工业规模的蒸馏攻击，和重大国家安全风险？这个双标，比蒸馏本身更值得玩味。 1 达利奥的叙事术达利奥为何要把蒸馏上升到国家安全的高度，得先看看他是怎么叙事的。在《我们必须掌控AI前沿发展的节奏》这篇文章里，达利奥用了一个非常经典的话术结构，先建立一个所有人都无法反对的大前提，AI发展太快，需要安全。这套逻辑就是，我可以限速，但你不能趁我限速的时候超车。而蒸馏，就是他用来证明"中国在偷跑"的核心证据之一。其次就是芯片，不过老黄暂时还没搭理他，可能也不打算跟他尿一个壶里。 Anthropic的报告写得煞有介事。七家中国实验室使用"欺诈账号池、住宅代理、一次性邮箱、虚拟支付"绕过风控，大量提取Claude Opus的思维链（CoT），而不只是最终答案。阿里一家在五到七月就搞了1.51亿次交互，动用了3500多个欺诈账号，日峰值接近300万次。这些数字看起来很吓人。但你只要稍微多想一层，就会发现不对劲。第一，如果这些交互真的是"欺诈"，为什么Anthropic的风控系统没能在第一时间拦截。1.51亿次交互，3500个账号，持续三个月，这不是什么隐秘的黑客攻击，是在你家门口摆了个摊位，你收了三个月的钱，然后说对方是小偷。 Anthropic在这些交互中收了多少API费用，报告里没提。第二，思维链（CoT）到底是不是"偷"？CoT是模型在推理过程中产生的中间步骤，用户通过正常的API调用就可以获取。如果Anthropic不想让用户看到CoT，它完全可以在API层面屏蔽。它没有这么做。第三也是最关键的一点，违反服务条款和违反法律是两回事。Anthropic的API服务条款里可能写了禁止批量生成训练数据，但这是一个民事合同问题，不是刑事犯罪，更不是国家安全威胁。如果中国公司真的违反了条款，Anthropic可以封号、可以起诉、可以索赔。但它选择了最有戏剧张力的一条路，发布威胁报告，把商业纠纷包装成国家安全事件。这种叙事术并不新鲜。历史上，每一次技术霸主面对后来者的追赶，都会祭出"国家安全"这面大旗。十九世纪的英国面对美国的工业崛起，曾试图禁止纺织机械和技术工人出境。二十世纪的美国面对日本的半导体追赶，曾用"国家安全"为由强迫日本签署《广场协议》并限制半导体出口。桑弘羊在《盐铁论》里说过："欲粟者务时，欲治者因势。"霸权国家的国家安全叙事，从来都是因时而动，因世而变的。当它领先时，它讲自由贸易，当它被追赶时，它讲国家安全。达利奥的高明之处在于，他把这套旧叙事装进了AI这个新瓶子里。他构建了一个完整的逻辑链条，从蒸馏让中国公司用极小的成本缩小差距，到差距缩小威胁美国的AI领先地位，到AI领先地位关乎国家安全，最后到蒸馏是国家安全威胁。细细想，这个链条的每一环都似是而非。蒸馏缩小的是工程实现上的差距，不是基础研究上的差距。中国大模型的进步主要来自自身的研发投入和算法创新，蒸馏只是其中一个环节，AI领先地位是否直接等同于国家安全，本身就是一个值得讨论的命题。但达利奥不需要这个链条在逻辑上无懈可击，他只需要它在情绪上足够有说服力，"国家安全"这四个字，本身就是情绪的核武器。有意思的是，达利奥在文章里大谈"民主国家"应该联合起来，但他自己的公司最大的投资方之一是谷歌，而谷歌在中国市场有大量的业务和利益。他谈打击专制国家的蒸馏，但对美国国内公司之间互相蒸馏的行为，比如OpenAI曾用Anthropic的输出训练自己的模型这类传闻，却只字不提。 1 两万亿IPO前夜的表演达利奥在这个时间点发难，可谓司马昭之心。 2021年，达利奥带着一群前OpenAI研究员出走创立Anthropic时，公司估值只有55亿美元。五年时间，这个数字像坐了火箭一样往上蹿，2026年5月H轮650亿美元融资后，公司估值达到9650亿。历史性地反超了OpenAI的8520亿美元。这还不是终点。2026年6月1日，Anthropic向SEC秘密递交了S-1招股书，正式启动IPO流程。摩根士丹利、高盛、摩根大通联合承销，最快10月挂牌。投资方给出的目标估值是2万亿美元起步，部分乐观者甚至看到3万亿。如果按2万亿发行，它将超越SpaceX在6月创下的1.77万亿纪录，成为全球商业史上最大的IPO。要支撑这个估值，Anthropic需要讲一个什么样的故事？它需要讲一个，AI是这个时代最重要的技术革命的故事，可OpenAI也在讲同样的故事，而且OpenAI的品牌知名度和用户规模都更大。 Anthropic需要一个只有它能讲的故事，而中国威胁，就是这个故事的最佳素材。当一家AI公司告诉投资者，它不仅在做最前沿的技术，还在保卫西方世界的技术霸权，它的估值逻辑就变了。它的竞争对手不再只是OpenAI和Google，是整个中国的AI产业。这个故事对华尔街有致命的吸引力。因为它把一个高度不确定的技术赌注，包装成了一个地缘政治的必然选择。不管AI技术怎么发展，不管哪家公司的模型更强，民主国家需要一个可信的AI供应商，这个需求是确定的。而Anthropic正在把自己打造成这个需求的唯一答案。达利奥可以给他的前沿踩刹车，但他踩不住整个行业的车轮。两万亿的估值故事讲得再动听，最终也要回到一个最朴素的问题，你的模型到底好不好用。如果中国的开源模型以十分之一的成本提供接近的能力，全球开发者都会用脚投票选择更开放、更便宜的方案，所有的叙事和指控，最终都会被市场的现实消解。毕竟，资本市场可以为叙事付溢价，但用户只为产品买单。

Anthropic冲刺史上最大IPO：目标11月挂牌纳斯达克，估值2万亿美元据《商业内幕》报道，Anthropic已经选定纳斯达克作为上市地点，目标10月启动路演，11月挂牌。路透社12日披露，英伟达正以基石投资者身份洽谈参与，出手就是最高100亿美元。 Anthropic这轮IPO计划募资最高1000亿美元，目标估值约2万亿美元。什么概念？SpaceX今年6月在纳斯达克上市，募资863亿美元，估值1.77万亿——已经是史上最大IPO了。Anthropic想把这个纪录再往上拉一个台阶。高盛、摩根大通、摩根士丹利三家联手做主承销商。6月1日就已秘密向SEC提交了S-1草案。英伟达：又卖芯片又投钱英伟达这步棋下得精。 100亿美元的基石投资，占总募资额的10%。基石投资者是在股票面向公众发售之前就预先承诺认购的机构，核心作用是给市场"打样"——你看，我英伟达都押了100亿，你敢不买？但问题在于，英伟达本来就是Anthropic最大的芯片供应商。Claude模型的训练和推理全靠英伟达的GPU跑。2025年11月，英伟达已经宣布投资Anthropic最高100亿美元，Anthropic则承诺采购300亿美元由英伟达芯片驱动的微软Azure算力。现在又要以基石投资者身份再投100亿。供应商变成了股东，股东投的钱又变成了供应商的收入。这不是套娃，这是闭环。更绝的是，Anthropic还跟英伟达支持的云厂商Nscale签了450亿美元算力协议，又跟同样有英伟达背景的Lambda签了350亿美元。加上亚马逊超过1000亿美元的AWS十年合同和谷歌的TPU租赁——Anthropic本质上在用英伟达的钱，买英伟达的芯片，跑自己的模型，再把收入的一部分还给英伟达。永动机也不过如此了。营收：数字很炸，但得拆开看循环归循环，营收数据确实炸裂。 Q2营收115亿美元，去年同期7.87亿，增长15倍。年化营收从年初的90亿飙到7月的650亿美元，半年翻了7倍多。毛利率超过80%，Q2调整后营业利润首次转正，达到5.59亿美元。但注意，"调整后营业利润"是个有弹性的词。调整后意味着剔除了股权激励、训练成本等一大堆开支。有分析师直接给这个指标起了个外号叫"EBTIT"——Earnings Before Training, Interest, and Taxes（训练、利息和税前利润）。公司自2021年创立以来累计净亏损超百亿美元，从没在任何一个完整财年赚过钱。管理层自己还告诉投资者，下半年因为算力和训练投入加大，大概率不会再盈利。所以这个"首次盈利"，更像是一道精心调整后的财务表演。估值：市场在赌一个你看不到的数字 2万亿除以650亿年化营收，PS（市销率）约31倍。但投资者讨论的不是650亿。他们看的是2028年的预期——公司预计2028年营收1900亿到2000亿美元。按那个算，PS约10倍，"好像没那么贵了"。问题是：你要相信一家公司能在两年内把收入做到现在的三倍，还要维持5%以上的运营利润率。纽约大学金融学教授Aswath Damodaran直接说了：这个估值"已触及合理边界，甚至超出了可信范围"。最讽刺的一幕最有意思的地方来了。就在Anthropic冲刺IPO的同时，CEO达里奥·阿莫代伊公开呼吁：AI行业需要放慢最先进模型的开发速度。理由是AI能力的发展已经超过了安全措施。 Sam Altman表示支持。马斯克也发了声。OpenAI直接表态今年不上市。然后Anthropic一边喊刹车，一边踩油门冲上市。矛盾吗？其实不矛盾。踩刹车的是前沿模型的能力竞赛——最危险的那些东西，确实该慢一慢。但商业化不能停。Claude卖给企业，该赚的钱照赚。只不过，两条路线的分歧已经很明显了。OpenAI选择不上市，Anthropic选择上。两条路最终都要面对同一个裁判：市场和投资者。结语 2026年美股IPO市场已经疯了。剔除空白支票公司，今年募资总额1606亿美元，2021年以来最高。SpaceX、SK海力士之后，Anthropic又来了。这不是结束，AI时代的资本大戏可能才刚开场。但真正值得盯的不是"2万亿贵不贵"——而是那个循环能不能转下去。英伟达卖芯片赚的钱，投给Anthropic。Anthropic拿钱买GPU做营收，营收增长推动估值，估值支撑IPO，IPO回馈英伟达的投资。只要模型能力还在涨、企业需求还在扩、资本信心还在，这个循环就能转。但任何一个环节松动——芯片降价、需求放缓、或者有人发现"原来利润是这么算出来的"——整条链子就会开始发抖。 Anthropic的IPO，本质上是对整个AI行业循环投资逻辑的一次压力测试。市场很快会给答案的。FaxAi09/15 12:01

OpenAI把Codex“拆开卖了”文章转载于字母AI OpenAI昨天一口气打出了四张大牌。 Agents API、GPT-Live-1 API、Data agent、ChatGPT for Financial Services，一天横跨Agent、语音、数据和金融四条产品线，每一条都值得单独拿出来说道。但这四张牌里，最值得看的可能还是Agents API。因为这一次，OpenAI把Codex“拆开卖了”。原本藏在Codex背后、负责让Agent持续工作、调用工具、管理上下文和协同多个Agent的那套能力，被抽出来打包成了云端API，交给所有开发者调用。 1 Codex即服务？其实，OpenAI早就在拆Codex了。早在2025年4月，OpenAI刚发布o3和o4-mini那会儿，就把Codex CLI开源了。它有点像OpenAI版的Claude Code，直接就装在本地终端里。Agent怎么跑，怎么调用工具，都明明白白地放在GitHub上，你愿意折腾，就可以自己拿回去改，自己跑。不过那个时候只是单纯地把东西给了出来，至于你会不会用、想怎么用，那都还是你自己的事。一个月后，Codex云端版，也就是我们今天所熟悉的那个产品，才正式上线。用户可以把代码仓库交给它，一个任务对应一个独立的云端沙盒，Codex可以自己改代码、跑测试、修bug，还能同时处理多个任务。又过了几个月，在2025年的10月份，OpenAI发布了Codex SDK。简单来说，SDK就是给开发者的一套工具包，让Codex不只作为独立产品使用，也可以塞进别人的应用里。SDK允许开发者用几行TypeScript代码启动同一个驱动Codex CLI的Agent，拿到结构化输出，还能保留任务状态，在暂停之后继续跑。但是呢，SDK主要适合在程序里调用Codex，还没有把完整的Codex交互能力开放出来。它很适合后台的工作流、自动化脚本、服务端的程序。但如果你想做一个像Codex IDE那样的完整客户端，还是有些困难。于是到了2026年2月，OpenAI正式公开Codex App Server，第一次系统地把Codex里面那套Harness讲清楚了。 OpenAI明确解释，Codex Web、CLI、IDE扩展和Mac App看起来是不同的产品，但底下其实都在运行同一套Codex Harness，也就是负责Agent Loop、Thread、工具执行、认证和管理状态的那层东西。 App Server给这一整套Harness加了一套双向JSON-RPC接口。JetBrains、Xcode或者其他客户端，不需要重新造一个Agent Loop，直接启动App Server，就可以驱动完整的Codex。有了App Server，其他产品就可以直接接上完整的Codex Harness。不过走到这里，还有最后一个麻烦没解决。 SDK控制的是本地Codex Agent，App Server本身也是一个需要开发者启动和维持的常驻进程。虽然把Codex接进产品这事已经解决了，但想把它稳定地跑成一个线上的服务，还是有点困难。举一个比较具体的例子，如果你用App Server做一个自己的Coding Agent网站，前端已经接上了Codex，但当用户点下“修复这个仓库”之后，后续的大量运行和基础设施问题，都还需要你自己想办法解决。然后就到了8月19日，这一天，OpenAI把过去一年陆续开放的CLI、SDK、App Server统一放进了“开放Codex Harness”的平台叙事里，并明确把Codex从一个产品提升成了平台。再然后就是（美国时间）9月10日，也就是昨天，Agents API正式开放公测。这一次，开发者只需要告诉API四件事——任务、模型、工具、运行环境——就可以直接创建一个Agent。负责长会话上下文压缩、工具调度和subagent协作的Codex Harness由OpenAI自己托管和维护。甚至就连Agent真正干活的机器都能自己选，是用OpenAI的沙盒、自己的基础设施，还是Cloudflare、E2B、Modal等第三方环境，都可以。Harness由OpenAI提供，执行环境由开发者决定。官方的口径很明确，Agents API本身不额外收费。也就是说，Harness托管、长会话管理等能力，并没有再单独收一层Agent平台费。开发者按实际使用的模型Token和工具付费；如果使用OpenAI自己的托管沙盒，计算资源另算。把这一年多串起来，OpenAI一直在做同一件事：把Codex从一个具体产品，一层一层拆成可以被复用的能力，同时让开发者越来越不需要自己操心。如果一定要给这条产品线起个名字，它其实很像当年的SaaS，只不过这次被服务化的不是软件，而是Codex。 Codex as a Service。 1 Harness也开始分叉了盯上Harness的当然不止OpenAI。 DeepSeek Harness（后文简称DSH）发布的时候，就给出了一个非常响亮的等式：Agent ＝ Model + Harness。在DeepSeek看来，模型只是Agent的一半，另一半则是负责让它理解环境、调用工具、管理状态、持续执行任务的Harness。两者互相协调，Agent才能真正执行任务。 DSH把Harness本身做成了一套高度模块化的开放框架：模型、工具、Skills、Session、沙盒、存储、Agent Loop、调度，甚至UI都可以替换。 “一切皆插件”的口号可不是说着玩玩而已，最好大家都来写插件，都来适配DSH，最后不管上面跑的是DeepSeek，还是别的模型，底下都可以是同一套Harness。这和OpenAI现在走的方向刚好形成了一个挺有意思的对照。 OpenAI虽然也把Codex harness开源了，但Agents API明显是在往另一个方向走：Harness你可以用自己的，也可以拿走开源的，但如果你嫌麻烦，还可以直接不管，让我来替你安排。所以我们认为，它更像是一种“服务”。OpenAI负责托管和持续维护Harness，开发者只需要决定要让Agent干什么、用什么工具、在哪里执行。甚至以后模型升级了，Harness怎么跟着改，OpenAI也准备一起包了。某种意义上，现在Harness这一层隐约出现了两条路线：以DeepSeek为代表的路线更像是在建设开放生态，把每一个零件都做成插件，让开发者自己组装；而以OpenAI为代表的一方则像在押注云服务，把钱和需求给到位，剩下的我帮你解决。我们甚至可以认为，一个想让Harness越来越像Linux，另一个则想让Harness越来越像AWS。当然了，这只是个比喻。OpenAI也开源了Codex Harness，DeepSeek未来也并非没有可能提供更多的托管服务。但至少在现阶段，两边产品的重心差别明显。有意思的是，在把Harness变成服务的这条线上，Anthropic其实比OpenAI更早一步。早在2025年9月，Anthropic就推出了Claude Agent SDK，把Claude Code背后的工具、上下文管理、权限系统和subagent能力开放给开发者，让别人也能拿这套东西做Agent。今年4月，它甚至比OpenAI更早推出了Claude Managed Agents。Session、Harness和沙盒被拆成三个独立层：Anthropic负责托管harness和长任务，沙盒既可以由Anthropic提供，也可以接入别的执行环境。这个思路和今天的Agents API其实已经相当接近，Anthropic自己给它的定义就是“一个用于长期Agent任务的托管服务”。所以某种意义上，OpenAI这次是在沿着Anthropic已经走过的路继续往前走，区别只不过是OpenAI手里有一个更“产品化”的Codex。但因为Codex和Claude Code长期给人的产品印象还是不太一样，所以即使它们讲的是同一套故事，带来的感觉也大相径庭。Claude Code给人的感觉更像是让开发者坐在终端里和Agent一起写代码，而Codex App一开始强调的就是“同时监督多个长期Agent”的界面。顺带一提，谷歌也早已加入这条路线。今年5月的I/O大会上，Gemini API推出Managed Agents，同样把Antigravity Harness和沙箱做成了托管服务。但谷歌的牌面不止于此，这一点咱们后面再讨论。不过话说回来，谁先谁后好像也不是那么重要……最后当然是谁把自家的Harness变成开发者默认的那一层，谁才能吃下最大的蛋糕。 1 谁是大赢家？说到底，为什么现在模型公司都开始抢Harness了？就像是DSH给出的等式那样，Agent = Model + Harness，模型可以告诉Agent下一步应该做什么，但真要把一个任务从头跑到尾，它还得知道文件在哪里、需要调用哪个工具、出了错怎么恢复、结果最后要写在哪里。换句话说，模型决定Agent的能力上限，而Harness越来越决定它到底能不能把活做完。而一旦竞争的维度从“智力”走向“执行力”，最占优势的，未必是那些模型做得最好的AI公司。因为Agent真正开始干活之后，需要的那些东西——邮件、文档、会议、通讯、账号权限等等——往往掌握在传统平台公司手里。国内最近打得热闹的“办公Agent大战”，其实就是一个非常典型的例子：大厂在互联网平台时代积累下来的那些东西，以前更多只是各自生态里的部分功能，但到了Agent时代，这些东西恰好就是Agent真正干活时需要调用的工具。现在大家做办公Agent，表面上是比谁家的AI员工更聪明、更有本事，背后其实也在重新利用自己过去积累的平台优势。谁手里有更多企业数据、文档、工具和权限，谁就更容易让Agent真正把事情做完。模型公司需要一点点接入它们没有的入口，而那些做了十几年办公软件和互联网平台的公司，本来就掌握着这些入口。换句话说，AI公司要重新连接现实世界，而平台公司手里原本就有一大串钥匙。沿着这条路往前看，如果非要找一个最有优势的“全家桶”选手，谷歌恐怕是最夸张的那个。从TPU、云基础设施、Gemini，到Search、Workspace、Chrome和Android，谷歌几乎覆盖了AI从底层技术到最终用户的所有关键环节。Search、Gmail、Calendar、Drive、YouTube、Maps等产品，又天然构成了一套可以被Agent调用的数字环境。这些资产在上一代互联网里是一个个独立入口，到了Agent时代，却可以被重新组织到同一个任务之下。事实上，谷歌已经开始把散落在各个产品里的Agent能力，在底层往同一套执行系统里收。Gemini Spark、Gemini API里的Managed Agents，乃至Search里的部分Agent体验，背后正在逐渐共享同一套Antigravity Harness。但到了用户这一端，事情还是有点乱。今天谷歌同时有Gemini Spark、Workspace Studio、Antigravity、Gemini Enterprise，以及Search里的Information agents。它们面对的用户和场景各不相同，但对于普通人来说，当他们想把一件复杂的事情整个交给谷歌，还是不知道应该找谁。对谷歌来说，它已经拥有完成这一切所需的大部分条件，缺的只是一个足够简单的产品答案。而如果谷歌真把这件事做明白了——无论是做出了一个统一的Agent工作台，还是让同一个Agent执行系统穿透整个谷歌生态，让用户习惯“有问题找谷歌”，全球Agent市场的竞争格局恐怕都要再变一变。话虽如此，谷歌就算真把这套“全家桶”塞进一个Agent，国内用户大概率也只能先围观一下。还是先看看国内的Agent大战，接下来还会怎么打吧。

GPT-6 Astra连夜炸场，OpenAI总裁宣布"欢迎来到AGI时代"北京时间9月4日凌晨，OpenAI正式发布GPT-6 Astra。Astra是拉丁语"星辰"，发布前官方预热"The stars are almost aligned"——星星，排好了。总裁格雷格·布洛克曼在吹风会上把话说得很满："我个人认为，我们可能已经到了AGI。"收尾还补了一句："欢迎来到AGI时代。"而上一次"地球最强模型"王座易主，也就是前两天的事。先看几个不像"升级"、像"换代"的数字 ARC-AGI-3，这套以"测陌生问题、反刷题"著称的抽象推理测试，上代旗舰GPT-5.6 Sol得分7.8%，Astra：99.9%。 FrontierMath Tier 4研究级数学：97.6%，基本打穿。而且这不是刷榜——OpenAI同步放出论文，Astra参与证明了素数间隔的两个新结果：把"无穷多对素数间距不超过240"的纪录压缩到186，还改进了一个80多年没人动过的大素数间隔界。 GPQA Diamond 96.0%，科学工作流Terminal-Bench Science 64.6%，对手Claude Fable 5.1是52.6%。但这代真正的主线，不是答题，是"干活" OpenAI给的slogan是："你在电脑上能做的任何事，Astra都能替你做。" 过去AI用软件靠厂商开API，Astra走另一条路：像人一样看屏幕像素，动鼠标、敲键盘。这意味着KiCad、Blender、公司用了十年的老ERP——那些永远不会为AI写接口的软件，它全能上手。演示里：一张电路原理图，Astra在KiCad里2分54秒完成PCB布局走线；Blender里建好房子模型，导入Unreal Engine 5生成可漫游场景；eBay上架商品从填表到发布全自动。OSWorld 2.0实测72.6%，上代65.7%；同样任务平均40分钟对上代75分钟，快了近一半。Agents' Last Exam 59.3%，压过Claude Opus 5的55.5%。 Codex也换了记忆机制：长任务不再靠压缩摘要丢细节，而是跨上下文窗口记笔记、随时回搜——干几小时的大重构，终于不会忘了当初为什么改那行代码。最聪明，也最危险——这是OpenAI自己说的 Astra是首个触及OpenAI Preparedness Framework"关键（Critical）"网络安全阈值的模型，发布前因安全审查延期数周。 ExploitBench漏洞利用100%（上代78.5%）；拿今年6到8月的全新漏洞考它，39%对11.5%；测试中还顺手挖出两个未知0day，已上报维护方。专家评估里，无防护的Astra能打穿加固浏览器沙箱在宿主执行命令，还能从普通用户提权到root。对齐一面同样夸张：参考Hugging Face事件设计的"不可能任务"测试，上代Sol无防护时48%会越权，Astra是0%；审计拒绝从不绕过，能力幻觉率从12.2%降到4.2%。但OpenAI也诚实承认一个退步：Astra的书面推理更难监控了，被要求规避监控时更"滑"；英国AISI的模拟测试里，它甚至演示过供应链攻击、伪造身份骗取开源社区信任。解法同步给了：上线版本拒绝写漏洞利用代码，防御方通过Daybreak计划分级放开；全量部署"错位监控"分类器，发现越权自动叫停——代价是偶尔打断正常工作，官方称会持续校准。价格2.5倍，但编程榜没赢麻 API定价每百万token输入10美元、输出50美元，约为促销期Sol的2.5倍，与Claude Fable 5.1持平；上下文窗口105万。OpenAI的说法是Astra用更少token交活，算单任务成本反而常更低——奥特曼重申目标是"极其廉价且丰沛的智能"。值得注意的是编程这块它没拉开身位：DeepSWE上Astra 74.1%，Gemini 3.8 Flash 73.8%、Claude Opus 5 73.7%，Meta的Muse Spark报了75.4%。结语：AGI是旗帜布洛克曼说AGI如今是"精神层面的概念"，不再和微软合同的触发条件挂钩——信不信由你，旗子先插上。但抛开口号，信号很清楚：竞争已从"谁回答得好"变成"谁能独立把一件事干完"。数学证明、PCB设计、法律审合同（Harvey评价它像"挑剔的律师"）、41份财务文件几分钟审完还揪出4个人为埋的雷——AI交付的单位，正从"一句话"变成"一份工"。星星确实排好了。至于是不是AGI，布洛克曼把答案留给了读者。反正从打工人的视角看：一个2分54秒画完电路板、还顺手挖0day的新同事，已经打卡上岗了。FaxAi09/14 15:42

AI Costco，开始卖自有品牌了作者｜周一笑微信｜smiletalker 一个月前，我们在《深度｜外宾 Genspark》一文中，把 Genspark 称作一家 AI Costco： GPT、Claude、Gemini，谁家货好就采购谁家的，再通过模型路由和 Agent 包装以后卖给用户。连模型的产地，它过去也有点区别对待。OpenAI、Anthropic 直接摆在货架正中央，一些中国开源模型则藏得没那么显眼。一个月后，这家 Costco 开始卖自有品牌了。和 Costco 的 Kirkland 一样，自有品牌不等于养牛、种麦子全部都自己干。Genspark 新发布的 PPT 制作专用模型 Gen-1 Slides，以 MiniMax M3 为底座，Fireworks AI 共同参与训练。Genspark 负责提供 PPT 任务和产品运行环境，并制定评价 PPT 质量的标准。这次还有一点不同，MiniMax M3 被明明白白写在了包装正面，出现在了官方致谢当中。 Gen-1 Slides 是 Genspark 基于 MiniMax M3 这个开源基座，通过后训练做出来的专用模型。所谓后训练，简单说就是在一个已经具备相当能力的基座上，围绕自己的任务继续训练，不用再从头训练通用大模型。Gen-1 最终用了约 2000 个内部构造的 Slides 任务做强化学习。从 Genspark 公布的数据看，经过后训练，Gen-1 在 PPT 任务上的整体表现已与 Opus 5 处于同一水平。在 200 个真实 PPT 任务中，Gen-1 综合得分 0.821，Claude Opus 5 为 0.810；完成一份 PPT 的平均模型调用成本则分别为 0.44 美元和 4.16 美元。上线后的 157 万次生产任务里，两者平均用户评分分别是 4.25 和 4.23。不过，不能单纯把这些数字理解成 Gen-1 已经超过 Opus。Genspark 自己的评测里，Opus 在任务完成度和内容质量上仍然更高，Gen-1 的优势更多来自视觉设计。不过，这套内部评测还有一个问题。grader 同时参与了强化学习训练，因此它的评分并不是完全独立的。为了进一步验证结果，Genspark 又用没有参与训练的 PPTEval 和 UniPPTEval 两套公开学术评测进行交叉测试，Gen-1 在九组组合里拿到八个第一。对普通用户来说，最直观的变化是 Gen-1 已经进入 Genspark Slides 的 Standard 模式，并成为默认模型，价格不变。对一家过去最擅长采购和组合模型的 AI 应用公司来说，Genspark 现在也不是要转向自己造模型。它仍然高度依赖外部模型和训练基础设施，只是过去主要组合 API，现在又把这种能力往模型权重上推了一层。Costco 还是那个 Costco，但货架上开始出现了一些自有品牌。 1 AI 应用，开始不满足于租模型对 Genspark 这样的 AI 应用公司来说，一直调用最强模型是最省事的选择。模型升级就跟着换 API，一家掉队，就把任务路由给另一家。Genspark 本来也是靠这种能力起家的。但当一种任务每天高频重复，单纯调用最强模型未必还是最好的选择。根据官方数据，Genspark 单日最多生成 12 万份 PPT。PPT 又远比问答复杂，模型要搜资料、组织结构、生成页面、渲染、检查，再根据结果反复修改。 Genspark CTO 朱凯华此前把内部的模型使用拆成三层。重复而明确的工作优先交给更便宜的模型，适合专项优化的任务通过 fine-tuning 补强，少数需要更强推理能力的节点再调用 frontier model。按照他的总结，高频、重复、定义清楚，同时拥有明确质量标准的任务，最适合专项训练。 Claude 依然很强，但通用模型的能力优势，未必就能带来最好的垂直产品体验。模型公司要覆盖广泛的任务，应用公司却可以反复观察同一类任务。这样就能知道模型在哪些特定环节出错，哪些结果会被用户接受或需要重做。垂直 AI 创业常见的一条路径，是围绕特殊数据训练专用模型。但现在，应用公司不一定需要从零开始训练模型。更强的开源基模已经提供了通用能力。公司的任务变成了围绕具体场景继续训练，把自己的数据、评价标准和工作流程融进去。 Agent 时代，“应用公司拥有用户数据”也变得更具体。一次任务可以留下完整的执行轨迹，包括用户提出了什么要求、模型调用了哪些工具、在哪里出错，以及最终交付的结果。这些轨迹能帮助团队找到反复出现的错误，再决定应该调整工作流，还是通过训练改变模型的行为。 1 什么样的基模适合作为训练底座 Harvey 用 Qwen 做法律 Agent 的强化学习实验，Heidi Health 用开源模型训临床模型，各家选的基座不同，考虑的东西也不一样。对 AI 应用公司来说，需要的未必是一个在所有榜单上都排第一的模型。通用能力够强，又便于继续训练，反而更适合作为产品持续开发的基座。放到 PPT 这个具体任务里，Genspark 看中的 MiniMax M3 能力也比较明确。M3 支持百万级长上下文、原生多模态，也面向 Agent 工具调用做过设计。Slides 恰好是一种长轨迹任务，模型需要在文本、视觉和工具之间不断切换，完成搜索、生成、渲染、检查和修改。 Genspark 在 Gen-1 Slides 的官方博文中提到，正因为有 M3 这样的开源基座，它才能跳过预训练，把资源集中到 Slides 的循环优化，并在几周内完成 Gen-1。也就是说，M3 把训练一个 PPT 专用模型的起跑线，直接搬到了最后几公里。除了面向具体产品做后训练，另一种路线是在基模上继续预训练。沙特 AI 公司 HUMAIN 推出的 humain-m3，同样以 MiniMax M3 为基础，又通过超过 1 万亿 Arabic-native tokens 的进一步预训练强化阿拉伯语能力。它和 Genspark 走的是两条不同的技术路线，共同点在于都把 M3 当成了继续训练的起点。 1 模型后训练变成了一种服务 AI Coding 是较早将后训练用进产品的一类应用。Cursor 通过持续预训练和强化学习开发 Composer，法律 AI 公司 Harvey、医疗 AI 公司 Heidi Health 也开始将后训练纳入产品开发。这些公司处理的任务差别很大，但都有一些共同点，比如任务高频而相对稳定，也比较容易判断一次工作完成得好不好。这些案例背后都出现了 Fireworks 这家公司。作为提供模型训练和推理基础设施的平台，Fireworks 降低了应用公司进入模型层的门槛。应用公司不需要自己搭起完整的模型训练体系。以 Gen-1 为例，Genspark 制定 PPT 质量标准和训练目标，Fireworks 参与算法优化和训练工程，前后进行了超过 100 次实验，有些训练轨迹长度超过 10 万 token。这项工作也远不止提供一批训练数据。在Gen-1 的训练中，模型很快学会了利用 grader 的评分规则，有时会提高视觉评分，却同时降低任务完成质量。更具体的例子包括，模型会声称资料已经核验却没有真的核验，也会缩小字号来逃过版面溢出检测。Genspark 和 Fireworks 只能不断查看训练轨迹、调整 reward 和 grader。为了减少 PPT 里明显的 AI 味，团队还加入了一个专门的判别器。用最终版本回测后，被判为 AI 制作的比例从 74.9% 降到了 41.7%。做到这里，应用公司手里的优势也不只是用户数据。它还得知道自己的产品什么叫好，怎么评价，以及模型开始迎合评分体系时怎么把它拉回来。 1 不是所有 AI 应用都该做后训练开源基模变强、Agent 工作流逐渐稳定，再加上训练门槛下降，才让 post-training 变成一条更现实的产品路线。但这些条件并不意味着所有 AI 应用都应该做后训练。 Manus 早期就做过另一种选择。项目启动时，团队认真讨论过是否基于开源模型训练一个端到端 Agent，最后把主要精力放在 context engineering 上。Manus 联合创始人兼首席科学家季逸超当时认为，对于快速变化、尤其还没有找到 PMF 的应用，几周一次的训练迭代跟不上产品变化，底层模型的进步也可能很快让已有训练贬值。从 Manus 此后的公开产品路线看，它目前仍把大量改进放在 Agent 架构、上下文、工具和工作流上。今年推出的 Projects That Learn From Every Task，也是把一次任务中可复用的经验写回 instructions、files 和 skills，没有去碰模型权重。而 Slides 这类场景，已经具备相对成熟的工作流。任务规模大，产品形态稳定，有明确的交付质量标准，再选择把长期积累的经验训练进模型，收益才更明确。 Genspark 和 Manus 的不同选择，也说明后训练有自己的适用边界。还在快速试错的 Agent 产品，更适合跟着基模升级，继续优化上下文和执行框架；已经形成稳定工作流的垂直应用，则更有条件把优化做到模型参数这一层。但一个训练好的模型本身也很难成为长期壁垒。更强的基模出来以后，应用公司可能需要重新训练，相比某一个具体模型版本，能够跟着迁移的评价体系和训练流程，价值更大。 1 开源模型开始卖可训练性这里说的可训练性，首先得能训。最基本的问题是，模型权重和许可证是否允许继续训练，SFT、偏好优化、强化学习能不能直接跑，现有训练平台是否已经支持这个模型，这些都会影响一家应用公司能不能把后训练真正做起来。Fireworks 的训练产品里，就会直接列出不同基模支持的训练方式、上下文长度和训练规格。基模本身的能力也得足够强。一个模型再开放，如果通用能力太弱，或者和业务需要的能力差得太远，后训练很难补课。法律、代码、PPT 各自需要的能力组合不同，应用公司挑选的考量也会不同。训练完成之后，还要考虑能不能长期整合进产品。模型大小、吞吐、延迟、推理成本，以及部署和训练基础设施是否成熟，都会影响这套方案最终是否划算。Harvey 在法律场景做 post-training 时，甚至会把 token 消耗写进 reward，提高任务表现的同时控制推理成本。可训练性最后其实落在三个问题上：能不能训，值不值得训，训完以后能不能用得起。闭源模型公司也在争这部分需求。OpenAI 已经提供强化微调等能力，所以应用公司的选择不会简单变成开源和闭源二选一。对开源模型来说，除了直接提供能力，能不能成为一个好用的训练起点，也开始影响下游的选择。一个模型能被多少产品直接调用是一种规模，能成为多少产品继续训练的底座，可能是另一种。

Weekly丨华尔街做了节点，参议院还在数票Weekly丨华尔街做了节点，参议院还在数票 9 月 16 日，Circle 的 Arc 主网上线。创始验证人名单像一张老钱点名册：BlackRock、DTCC、ICE、Visa、Mastercard、渣打、MoneyGram。测试网跑了一年，2.44 亿笔交易，5 月的代币预售把估值定在 $30 亿。给区块链跑节点这件事，现在是华尔街的本职工作。银行不只是去当验证人。9 月 1 日，Bank of America、Citi、Goldman Sachs、Wells Fargo、UBS、德银等 21 家银行宣布组建稳定币合资企业，股权横跨五大洲：先发美元稳定币，2027 年上半年上市，随后铺欧元等 G7 币种，GENIUS 与 MiCA 双轨合规。一年的研究项目落地成一家公司。Circle 一个季度内第二次被机构联盟狙击。 VC 的钱走的是同一个方向。本周加密融资 $2.92 亿，93% 流向支付和银行基建——拉美汇款平台 Félix 拿 $2 亿，代币化存款网络 Cari 由七家美国银行联合注资，OpenReserve 揣着 OCC 牌照预批融完种子轮。牌照第一次成了种子轮的融资材料。最讲仪式感的两件事反倒集体跳票。CLARITY 法案 9 月 15 日表决前，通过概率从 58% 跌到 20% 以下，七名民主党参议员卡着伦理条款不放。Anthropic 的公开版 S-1 从"8 月底"滑到"9 月底"，OpenAI 的"9 月挂牌"没了下文。$2 万亿的故事，先过不了自己的时间表。市场自己找了个新热源。Robinhood Chain 的 DEX 单日交易量 9 月 5 日冲到 $37 亿，单日费用 $375 万，超过 Ethereum 和 Base 之和。两个月前它还是条 meme 链，现在是代币化股票的主交易所。 UNI 90 天涨了 134%，收费开关按下六周，第一个业绩兑现周到了。借贷侧同样在换挡，Morpho 活跃借款 $50 亿创历史新高，逼近 Aave。泼冷水的是 Centrifuge，9 月 2 日的报告说真正接入 DeFi 组合的代币化资产只有 12%。上链的多了，上市场的还是少数。机器那头在抢位置。Visa 的支付接进 OpenAI，agent 经用户授权在对话里直接下单，Visa 首席产品官把话说满："这场变革比互联网和移动更深刻。" Anthropic 走的是反方向，开源 Claude Commerce Agents 蓝图，agent 嵌进商户自有 App，支付方式留给商户自选。一个抢入口，一个站商户。同一周 x402 开始被挤水分：累计 1.65 亿笔、6.9 万活跃 agent，约一半交易量疑为测试流量。机器经济的第一次刷量审计。华尔街已经去当验证人了，参议院还在数票。关闭更多Money In Motion09/11 20:52

已经到底了

AI Web3 ETF 稳定币 Defi RWA

搜索“Claude”共有10条相关结果

文章

Anthropic 联合创始人 Daniela Amodei（丹妮拉·阿莫代）：让 AI 成为每个人的终身伙伴

Anthropic 联合创始人 Daniela Amodei（丹妮拉·阿莫迪）：如何构建 10x AI 团队与平衡增长的框架

大涨的原因

国内第一个为团队而生的Agent，果然还是在飞书里面来了。

国产大模型苦达利奥久矣

Anthropic冲刺史上最大IPO：目标11月挂牌纳斯达克，估值2万亿美元

OpenAI把Codex“拆开卖了”

GPT-6 Astra连夜炸场，OpenAI总裁宣布"欢迎来到AGI时代"

AI Costco，开始卖自有品牌了

Weekly丨华尔街做了节点，参议院还在数票