阿绎 AYi@AYi_AInotes · 5月1日63

我刚才看完这个Cursor SDK的演示被惊艳到了🤨🤨🤩🤩 这可不是啥炫技的demo 啊兄弟们， 视频演示的是 AI数字员工正式上岗的第一天， 客户发了一封邮件说付费会员结账后卡住了， 你不用复制粘贴，也不用切到编辑器，更不用找仓库， 只要在Gmail里点一下Share in chat， @一下那个叫Uma的Agent， 剩下的事它全给你干了🥹🥹🥹 它会自己读完整封邮件， 自己提取问题的核心， 自己打开对应的GitHub仓库， 自己分析Stripe结账流程，webhook逻辑，权限判断， 最后给你输出一份完整的结构化分析报告， 连下一步该怎么做都给你列好了， 整个过程你什么都不用干， 等着看结果就行， 卧槽这真的离谱啊， 以前处理一个这种级别的bug， 至少要花一两个小时做triage， 现在三分钟搞定了？(ﾟДﾟ≡ﾟдﾟ)!? 最狠的是它用的工具， 全都是你每天已经在用的东西， Gmail是入口，Google Chat是协作面板，Cursor SDK是大脑和手， 没有新的软件要学，没有新的流程要适应， 一键接入，立刻生效， Damn it， 恍然大悟， 这才是Cursor SDK真正恐怖的地方啊，它不只是又一个更好的代码编辑器，现在是把生产级的编程能力，变成了可以随便嵌入的基础设施， 以前Agent只能在Cursor里面帮你写代码， 现在你可以把同一个Agent， 塞进Gmail，塞进Slack，塞进Linear，塞进Jira，塞进任何你能想到的地方， 开发者的角色，从今天开始彻底变了🥳🥳🥳 你再也不用当救火队员了😭 只要当好 Agent的督察员就行， 我理解以后所有的SaaS软件， 都会加上一个Share to Agent的按钮， 你收到的每一封邮件，每一个issue，每一条消息， 都可以一键扔给AI去处理， 觉得我们现在真的站在一个新时代的门口， 只是很多人还没意识到，这一切已经开始了……

译Cursor SDK正式发布，标志着AI编程能力成为可嵌入基础设施。其演示中，AI Agent Uma能通过Gmail和Google Chat自动处理客户问题：读取邮件、分析GitHub仓库与Stripe结账流程，并输出结构化报告，将bug处理时间从数小时大幅缩短至几分钟。该SDK允许将同一生产级Agent集成到Slack、Jira等日常工具乃至CI流水线中，使用与桌面端相同的运行时和模型。开发者角色正从编写代码转向指挥Agent，Cursor也由此向AI编程时代的操作系统演进，预示着一个新时代的开启。

ginobefun@hongming731 · 5月1日54

BestBlogs 今天早报：Karpathy 在 Sequoia Capital 的访谈里分享软件 3.0，编程核心从写代码变成喂上下文，并区分了 Vibe Coding 与 Agentic Engineering 两种姿态； OpenAI 总裁 Greg Brockman 把真正的瓶颈从算力挪到了人类注意力，并估算 AGI 已经走完八成路。 落到工程层面，Anthropic 公开了 Claude Code 把 Prompt Caching 命中率当 SLA 监控的实战经验，把"上下文是新代码"翻译成了一条条可执行的工程纪律。

译Karpathy提出软件3.0概念，编程核心从写代码转向提供上下文，并区分Vibe Coding与Agentic Engineering两种模式。OpenAI总裁Brockman将AGI瓶颈从算力移至人类注意力，估计已完成80%。Anthropic分享Claude Code实战，以Prompt Caching命中率为SLA监控，将“上下文即新代码”转化为工程纪律。

OpenClaw🦞@openclaw · 5月1日54

OpenClaw 2026.4.29 🦞 💬 Group chats feel much better now 📌 Follow-up commitments from context 🔐 Safer exec, pairing, and owner controls 🟩 NVIDIA provider + model catalogs ⚡ Faster startup + plugin/channel fixes Group chat finally feels agent-native. https://github.com/openclaw/openclaw/releases/tag/v2026.4.29

译OpenClaw 2026.4.29 🦞 💬 群聊体验现在感觉好多了 📌 基于上下文的后续承诺 🔐 更安全的执行、配对和所有者控制 🟩 NVIDIA 提供商 + 模型目录 ⚡ 更快的启动速度 + 插件/频道修复 群聊终于感觉是原生为智能体设计的了。 https://github.com/openclaw/openclaw/releases/tag/v2026.4.29

SemiAnalysis@SemiAnalysis_ · 5月1日48

PYONGYANG, April 29, 2026: There's a corner of AI infrastructure that almost nobody covers well, but everyone wants to know. They are landing multi-billion dollar deals with hyperscalers/AI Labs, and rapidly taking share in the compute world.  (1/4) 🧵

译平壤，2026年4月29日：人工智能基础设施有一个角落几乎无人深入报道，但每个人都想了解。他们正与超大规模云服务商/AI实验室达成数十亿美元的交易，并在计算领域迅速抢占市场份额。 (1/4) 🧵

ginobefun@hongming731 · 5月1日68

实用的 AI SEO 操作指南

译本文介绍了一套提升内容在主流AI（如ChatGPT、Claude）中可见性的实用方法，核心是主动提供结构化数据。关键步骤包括：在网站部署`llms.txt`文件概述站点；在`robots.txt`中允许AI搜索爬虫；向Google、Bing等提交Sitemap并利用其工具监测AI引用；参与Perplexity出版者计划；使用JSON-LD结构化数据标记内容；甚至可为AI创建专用知识端点，集中提供实时更新的结构化信息。这些做法旨在帮助AI更准确、高效地理解内容，而非制造垃圾信息。

SemiAnalysis@SemiAnalysis_ · 5月1日41

AWS is making serious moves in custom AI silicon with Trainium and Inferentia chips. Rachel Zheng and Karthik Venna from the @awscloud team break down how they're scaling these processors across the world's largest cloud infrastructure. @makora_ai https://youtu.be/mgrQWLERync

译AWS正通过Trainium和Inferentia芯片在定制AI芯片领域做出重大举措。来自@awscloud团队的Rachel Zheng和Karthik Venna详细介绍了他们如何在全球最大的云基础设施上扩展这些处理器。@makora_ai https://youtu.be/mgrQWLERync

Rohan Paul@rohanpaul_ai · 5月1日67

FT: SoftBank is creating a robotics company (called Roze) that builds data centers, and already eyeing a $ 100B IPO The bet is that the AI boom is no longer just about better models, because somebody also has to build the physical sites with power, cooling, land, and servers. Roze appears designed around that bottleneck by using robots and automation to make data center building faster, cheaper, and easier to scale across the US. ---- ft .com/content/55c7d99c-7e68-453c-b784-33d6b9838e16?syn-25a6b1a6=1

译软银正成立名为Roze的机器人公司，专注于建设数据中心，并已瞄准未来1000亿美元的IPO。其核心判断是，当前AI浪潮的关键瓶颈已不仅是模型本身，更在于承载AI所需的物理基础设施，包括电力、冷却、土地和服务器。Roze旨在通过机器人与自动化技术，解决这一瓶颈，使数据中心在美国的建设速度更快、成本更低，并更易于大规模扩展。

Ant Ling@AntLingAGI · 5月1日76

Ecosystem-first approach continued! Ling-2.6-1T officially landed on @huggingface and the official inference is now live via @novita_labs. Experience the efficiency of Ling-2.6-1T for yourself, front and center on HF model card page! 🔥

译AntLingAGI团队宣布Ling-2.6-1T模型正式开源，已登陆Hugging Face平台，并通过Novita Labs提供官方推理体验。该模型采用混合专家架构，总参数1万亿、激活参数630亿，核心优化方向为“令牌效率”以满足真实生产需求。具体表现为：低令牌开销，能在无需冗长推理链的情况下保持强大智能；可靠的多步执行能力，提升指令、工具、上下文和工作流的控制水平；生产就绪的部署特性，覆盖从代码生成到错误修复的任务，并广泛兼容各类智能体框架。团队旨在通过降低测试、部署、定制和构建的难度，为开发者创造价值。

Claude@claudeai · 5月1日56

Claude Security is now in public beta for Claude Enterprise customers. Claude scans your codebase for vulnerabilities, validates each finding to cut false positives, and suggests patches you can review and approve.

译Claude Security 现已面向 Claude Enterprise 客户开启公开测试版。 Claude 会扫描您的代码库以查找漏洞，验证每个发现以减少误报，并建议您可以审查和批准的补丁。

TestingCatalog News 🗞@testingcatalog · 4月30日61

MANUS 🚨: Manus AI announced Cloud Computer, an always-on machine that works for you 24/7! Always-on agent as an infrastructure 🔥 > Users can host their own 24/7 Bots for Discord and Telegram via Cloud Computer > Build a Persistent Knowledge Base > Deploy and host any open-source tool > Run Scheduled Scrapers > Use CLI Developer Tools Cloud Computer on Manus is now available on the web and mobile for paid personal plans. This needs testing time 👀

译Manus AI宣布推出Cloud Computer，这是一种作为基础设施的、7x24小时持续运行的云端计算机。用户可通过它托管Discord和Telegram的持久运行机器人，构建持久知识库，部署并托管任何开源工具，运行定时网络爬虫，以及使用命令行开发者工具。该服务现已面向付费个人用户开放网页版和移动版访问，团队计划即将推出。

Ethan Mollick@emollick · 4月30日55

Increasingly, I think, we will see a gap between what you can do with frontier model APIs & what you can do with the native apps from the frontier labs (Codex, Claude Code). Models developed and trained with their native harnesses in mind have more capabilities in their harnesses

译我越来越认为，我们将看到前沿模型API与前沿实验室原生应用（如Codex、Claude Code）之间的能力差距。针对其原生框架开发和训练的模型，在其框架内具备更多功能。

ginobefun@hongming731 · 4月30日51

当传统的 CTR 模型在流量天花板前陷入瓶颈，京东广告团队公开了 GRAM 架构：放弃修补传统的特征工程，全面转向大模型原生的知识工程。 三大核心价值： - 构建「事实护栏」治愈幻觉： 摒弃大模型不可控的自由发挥。通过构建 5ms 内极速查询的级联知识图谱，将商品属性、业务规则和通识硬性注入，确保 AI 推荐 100% 契合物理现实与商业规则。 - 彻底颠覆「冷启动」路径： 告别对用户历史点击数据的深度依赖。新商品哪怕是零销量，系统也能通过知识网络的高维映射（如光源、材质、价格段等特征关联），瞬间完成语义对齐与精准分发。 - 从曝光计算走向「深度决策」： 传统特征的高频更新往往会干扰大模型。将企业长年积淀的内隐知识结构化并作为背景上下文输入，能让大模型真正化身资深专家，处理极其复杂的跨品类消费决策。

译京东广告团队推出GRAM架构，旨在通过大模型原生知识工程解决传统CTR模型的瓶颈。该架构构建了毫秒级查询的级联知识图谱，将商品属性与业务规则作为“事实护栏”注入，以杜绝AI幻觉，确保推荐符合现实。它颠覆了依赖历史数据的冷启动模式，即使零销量新品也能通过知识网络的高维特征关联实现精准分发。同时，GRAM将企业内隐知识结构化作为上下文，使大模型能进行复杂的深度决策，而非仅计算曝光。

Alibaba Cloud@alibaba_cloud · 4月30日44

HiClaw v1.1.0 is here! 🚀 🔹 K8s Native: Production-ready Helm chart with HA & RBAC. 🔹 Hermes Support: Autonomous coding agent as a first-class worker. 🔹 Lightweight: Image size reduced by ~1.7GB. 🔹 Enterprise Ready: Multi-tenant isolation & pluggable storage. Upgrade now for scalable AI orchestration! Learn more: https://int.alibabacloud.com/m/1000412675/ #HiClaw #Kubernetes #AI

译HiClaw v1.1.0 现已发布！🚀 🔹 K8s 原生：具备高可用和 RBAC 的生产就绪 Helm chart。 🔹 Hermes 支持：自主编码代理作为一等工作者。 🔹 轻量化：镜像大小减少约 1.7GB。 🔹 企业就绪：多租户隔离与可插拔存储。 立即升级以获得可扩展的 AI 编排能力！ 了解更多：https://int.alibabacloud.com/m/1000412675/ #HiClaw #Kubernetes #AI

meng shao@shao__meng · 4月30日62

OpenAI 把 Responses API 提速 40%：为什么 Agent 时代，API 本身成了瓶颈？ OpenAI 最新发布了一篇工程博客，讲了一件容易被忽视的事：当模型推理越来越快，API 框架本身反而成了 Agent 工作流的最大瓶颈。他们的解法是给 Responses API 加上 WebSocket 模式，端到端提速 40%，并让 GPT‑5.3‑Codex‑Spark 真正跑出 1000 TPS、峰值 4000 TPS 的体验。 https://openai.com/index/speeding-up-agentic-workflows-with-websockets/ 问题是怎么浮现的 一次 Codex 修 Bug，背后是几十次 Responses API 的来回：决定下一步动作 → 在用户机器上执行工具 → 把结果回传 → 再次推理。整个 Agent loop 的耗时主要分三段：API 服务处理、模型推理、客户端工具执行。 过去 GPU 推理慢，API 的开销被自然掩盖。但 GPT‑5/5.2 时代约 65 TPS，新一代 Codex‑Spark 借助 Cerebras 专用硬件目标是 1000+ TPS，推理快了一个数量级，API 那点"固定成本"就被无情放大。用户在等的，不再是 GPU，而是跑在 CPU 上的 API 框架本身。 第一轮优化：挤掉单次请求的水分 25.11 起，他们做了几件常规但关键的事: · 把已渲染的 token、模型配置缓存在内存，跳过多轮对话里重复的 tokenization 和网络调用 · 砍掉中间服务的网络跳数 (如图像处理)，直接调推理服务 优化安全栈，让分类器更快标记问题对话 结果：首 token 时间 (TTFT) 改善了约 45%。但对 Codex‑Spark 来说，还是不够。 真正的结构性问题 每次 Codex 请求都被当作独立请求处理，即使对话大部分没变，服务端仍然要把完整历史重跑一遍验证、处理和上下文构建。对话越长，这种重复成本越贵——这是协议层面的浪费，不是某个组件能调优解决的。 WebSocket：把 Agent rollout 当作一次"长 Response" 他们重新思考传输层：能不能保持长连接、把可复用状态缓存在内存里，只传增量？在 WebSockets 和 gRPC 双向流之间，选了 WebSockets——简单、对开发者友好、不需要改动现有的 Responses API 输入输出结构。 第一版原型很激进：把整个 Agent rollout 建模成一个长时间运行的 Response。 工作方式类比 hosted tool call：模型调 web search 时，推理循环会阻塞、等服务返回、再继续 sample。WebSocket 模式下，本地工具调用走的是同一套机制——只是"远程服务"换成了通过 WebSocket 连接的客户端。模型发出 response.done，客户端执行工具后回 response.append, sampling loop 解除阻塞继续推理。 效果立竿见影：整个 rollout 只做一次预处理、一次后处理，中间的工具往返不再重复消耗 API 框架开销。 最后的取舍：激进设计 vs 开发者熟悉的形状 原型虽好，但 API 形态变了，开发者要重写集成。正式版做了折中：保留 response.create 原有 body，继续用 previous_response_id 串上下文，但底层在 WebSocket 连接生命周期内维护一份连接级内存缓存，包括: · 上一个 response 对象 · 历史输入输出 items · 工具定义和命名空间 · 已渲染 token 等可复用 sampling 产物 带来的具体优化： · 安全分类器和请求校验只处理新增输入，不再扫全历史 · 已渲染 token 增量追加，跳过重复 tokenization · 模型路由结果跨请求复用 · 计费等非阻塞后处理与下一个请求重叠执行 最终结果 · Codex 大部分流量已切到 WebSocket 模式 · Codex‑Spark 稳定 1000 TPS、峰值 4000 TPS · Vercel AI SDK 集成后延迟下降最多 40% · Cline 多文件工作流提速 39% · Cursor 上的 OpenAI 模型快了最多 30%

译OpenAI 最新工程博客指出，随着 GPT-5/5.2 及 Codex-Spark 等模型推理速度大幅提升（目标超1000 TPS），传统请求-响应 API 框架的固定开销成为 Agent 工作流的主要瓶颈。为此，OpenAI 为 Responses API 引入了 WebSocket 模式，通过保持长连接、在内存中缓存对话状态和已渲染 token，实现了跨工具调用的状态复用，避免了每次交互都重复预处理完整历史。此举使端到端延迟降低最多 40%，让 Codex-Spark 能稳定实现 1000 TPS 并峰值达 4000 TPS，显著提升了 Vercel AI SDK、Cline 和 Cursor 等集成的体验。

ginobefun@hongming731 · 4月30日42

#BestBlogs 每日早报 2026-04-30 今日主题： - Demis Hassabis 把 AGI 节点锁在 2030 前后，直说光靠预训练加 RLHF 远远不够，要补上持续学习和长程推理。 - OpenAI Codex 升级为 300 万周活的并行工程平台，主代理自动把大任务拆给子代理执行； - Cloudflare 联合 Stripe 推出新协议，让 AI Agent 自己开账号、买域名、走完支付，一口气把应用部署到生产，无人值守的软件交付链条正在搭起来。

译DeepMind联合创始人Demis Hassabis指出，实现AGI不能仅依赖预训练和RLHF，必须补足持续学习与长程推理能力，并将时间节点锁定在2030年前后。同时，AI代理的自动化交付链条正在快速构建：OpenAI Codex已升级为高活跃度的并行工程平台，能自动分解任务；Cloudflare与Stripe合作推出新协议，使AI代理能自主完成开户、支付、部署等全流程，实现无人值守的软件交付。

Berryxia.AI@berryxia · 4月30日55

越来越方便了，Agent来帮你完成Cloud Flare 中的创建账号，启动付费订阅，注册域名… 任务。

OpenAI Developers@OpenAIDevs · 4月30日63

You can just build web apps

译你完全可以构建网络应用

Z.ai@Zai_org · 4月30日59

Scaling laws push model capability forward. But whether that capability becomes reliable in production depends on how we handle Scaling Pain. http://z.ai/blog/scaling-pain In our latest blog, we share how we debugged GLM-5 serving at scale: reproducing rare garbled outputs, repetition, and rare-character generation; tracing and eliminating KV Cache race conditions; fixing HiCache synchronization issues; and introducing LayerSplit for up to 132% throughput improvement. We hope these lessons help the community avoid similar pitfalls and build more robust inference infrastructure.

译模型能力的提升遵循扩展定律，但其在生产环境中的可靠性取决于如何应对“规模化阵痛”。博客通过GLM-5大规模服务的调试实例，分享了处理罕见乱码输出、重复及生僻字符生成等问题的经验。关键工作包括追踪并消除KV Cache的竞态条件、修复HiCache同步问题，以及引入LayerSplit技术以实现最高132%的吞吐量提升。这些实践旨在帮助社区避免类似陷阱，构建更健壮的推理基础设施。

Google AI@GoogleAI · 4月30日52

http://x.com/i/article/2049546144930275328 # The Agentic Era: Unveiling Eighth Generation TPUs A decade in the making, the chips for the agentic era have arrived. At @GoogleCloud's Next '26 event last week, we unveiled our eighth-generation TPUs (the specialized computer chips we build for AI). These chips were specifically designed to handle the two biggest challenges in AI today: training the AI and serving the AI. So… what exactly does that mean? Let’s break it down: TPU 8t: Training the AI Before an AI can help you write an email or plan a trip, it has to "learn" from massive amounts of data. In the past, this could take months of expensive computer time. With TPU 8t, we’ve made that process significantly faster through two key advancements. - More power: It is roughly 3x more powerful than our previous generation of TPUs - More efficiency: We’ve cleared the "traffic jams" that usually slow down AI training. By making data move 10x faster from storage to the chips, we ensure the system is always working at full speed, never sitting idle. - Optimized scaling: In a system this size, parts eventually fail. TPU 8t is designed to automatically detect and reroute around hardware issues at large scale. This ensures that 97% of the resources are spent on productive work, preventing crashes that used to waste days of training time. So now, what used to take months of training now takes only weeks, meaning researchers can experiment and innovate at speed. TPU 8i: Serving the AI (Agents) If the "8t" is for teaching, the 8i is for doing. We built this chip specifically for "AI Agents,” the kind of AI that doesn't just chat with you, but actually acts for you (ex: booking a flight, managing a calendar, etc). To take action, an AI needs to "think" and "reason" through multiple steps very quickly, which TPU 8i enables through these advancements: - Better thinking: We tripled the chip’s internal memory so it can handle more complex logic. - More cost effective: It offers 80% better performance for every dollar spent. For a business, that means you can help twice as many customers without increasing your tech budget. - Latency: At the chip level, we have integrated a new engine which reduces latency by an additional 5x. Powering the Next Decade Whether it's a scientist training a new medical model or a business getting some much needed customer support help, these chips provide the raw power needed to make that future a reality.

译在Google Cloud Next '26大会上，谷歌正式推出专为智能体时代设计的第八代TPU芯片，分别针对AI训练与服务两大核心挑战。TPU 8t专注于训练，其性能约为前代的3倍，并通过加速数据移动和优化硬件容错，将原本需数月的训练时间缩短至数周。TPU 8i则专为执行复杂任务的AI智能体服务，内存扩大三倍以支持多步推理，每美元性能提升80%，延迟降低5倍，助力企业以更低成本扩展服务规模。这些芯片将为医疗研究、客户支持等广泛场景提供核心算力，推动AI应用创新。

Replit ⠕@Replit · 4月30日56

Building apps is easy- keeping them running isn’t Introducing Replit Application Monitoring Replit Agent now watches your app in production, investigates issues, and helps fix them- so you don’t have to

译构建应用很容易——让它们持续运行则不然 Replit应用监控正式推出 Replit代理现可监控您生产环境中的应用，排查问题并协助修复——让您无需亲力亲为

OpenRouter@OpenRouter · 4月30日54

`stripe projects add openrouter/api` An easy way to accept @stripe payments for 400+ LLMs and image/video/audio models, now available to all! https://openrouter.ai/announcements/openrouter-on-stripe-projects

译`stripe projects add openrouter/api` 为 400 多种 LLM 及图像/视频/音频模型接受 @stripe 付款的便捷方式，现已向所有人开放！https://openrouter.ai/announcements/openrouter-on-stripe-projects

Chubby♨️@kimmonismus · 4月30日52

Cursor is making a platform play. Right now they're an IDE. By releasing the SDK, they're turning their agent runtime into programmable infrastructure that runs headlessly in CI/CD pipelines, internal tools, and even third-party products. Every agent spun up through the SDK burns tokens on Cursor's billing. That means revenue scales with compute, not seats, and without a human in the loop, volume can go way higher. Smart move!

译Cursor正从集成开发环境转向平台化战略，通过发布SDK，将其智能体运行时转变为可编程基础设施。该基础设施可无头运行于CI/CD流水线、内部工具及第三方产品中。每次通过SDK启动的智能体都将消耗Cursor的计费代币，这意味着其收入模式将按计算量而非用户席位进行扩展。由于无需人工介入，使用量可大幅提升。此举旨在让开发者能利用驱动Cursor的相同运行时、工具链和模型来构建智能体。

Ant Ling@AntLingAGI · 4月29日71

Last week, we introduced Ling-2.6-1T. Today, Ling-2.6-1T is officially an open model~ 🤗 1T total parameters · 63B active parameters We bring values to developers by making it easier to test, deploy, customize, and build. It is optimized to be "token efficiency" for real production needs: • Lower token overhead: strong intelligence without long reasoning traces • Reliable multi-step execution: better instruction, tool, context, and workflow control • Production-ready deployment: from code generation to bug fixing, with broad agent framework compatibility A sneak pick into the agentic capability in @opencode

译AntLingAGI正式开源其万亿参数旗舰模型Ling-2.6-1T。该模型采用总参数1万亿、激活参数630亿的架构，核心设计理念是“令牌高效”，旨在以极低的令牌开销实现顶尖智能。它通过“快速思考”机制优化，具备可靠的多步骤执行能力，在指令遵循、工具使用和上下文控制方面表现优异。模型为实际生产需求优化，部署便捷，兼容广泛的智能体框架，适用于从代码生成到错误修复等多种任务。

阿绎 AYi@AYi_AInotes · 4月29日58

今天看到一个东西，我觉得是2026年Agent工程化到目前为止最重要的进展之一！ 说实话，我之前对各种Agent浏览器工具已经有点审美疲劳了。 无非就是能点按钮、能填表单，一到复杂页面就乱点，一出问题就抓瞎。 但Browserbase刚出的这个/browser-trace不一样。 他们做了个演示：让Claude在TikTok上自动刷视频，50秒内刷了几十条，全程后台悄无声息地记录了一切： 2077个CDP事件， 43张DOM和截图快照， 320多个网络请求，包括失败的、中断的、媒体预加载的， 所有console日志、JS异常、页面生命周期。 最后自动生成了一份带仪表盘的HTML报告，点任何一个事件都能跳转到对应的截图和DOM。 卧槽这个就太屌了， 以前Agent在网页上乱点卡住， 兄弟们知道最痛苦的是什么吗？ 我想了很久，答案就是：你根本不知道它为什么卡住🤣🤣🤣 它看到了什么？它点击了哪里？网络请求返回了什么？有没有JS报错？ 传统的Playwright调试已经够痛苦了，Agent更惨， 它自己决策、自己执行、自己出问题，你连复现都做不到。 所以有时候你会发现，我们之前一直在给Agent造手和眼睛，但从来没人给它造黑匣子。 我觉得这才是/browser-trace真正的意义。 它不是一个更好的调试器， 更像一个浏览器Agent的OpenTelemetry。 把浏览器从Agent的黑箱执行器，变成了一个完全透明、可查询、可复现的系统。 而正是有了这种真正的可观测性，才构成了Agent可靠性的起点。

译Browserbase推出的/browser-trace工具，解决了Agent网页自动化调试的核心痛点。它能无感地完整记录Agent（如Claude）操作网页的全过程，涵盖数千个CDP事件、DOM快照、网络请求及JS异常，并自动生成交互式HTML报告。这相当于为浏览器Agent创建了“黑匣子”和可观测性系统，将浏览器从黑箱执行器转变为透明、可查询、可复现的系统，为Agent的工程化可靠性奠定了坚实基础。

ginobefun@hongming731 · 4月29日46

「组织的中年」撞上「技术的青春期」 杨斌教授的演讲里分享了一个观点，认为企业在推进 AI 转型时，真正的阻力并非技术壁垒，而是习得性保持正常的「中年组织心智」（追求即期绩效、线性稳进、厌恶不确定性）与快速迭代、充满未知的「青春期技术」之间的剧烈冲突。

译杨斌教授在演讲中指出，企业在推进AI转型时，真正的阻力并非技术壁垒，而是“中年组织心智”与“青春期技术”之间的剧烈冲突。中年组织心智表现为追求即期绩效、线性稳进和厌恶不确定性，而青春期技术则快速迭代、充满未知。这种组织心智与技术要求的不匹配，使得企业在适应AI等新兴技术时面临根本性挑战。

Greg Brockman@gdb · 4月29日38

terminal has been my primary interface to my computer for almost two decades. now it’s the Codex app.

译terminal 近二十年来一直是我操作电脑的主要界面。 现在换成了 Codex 应用。

阿绎 AYi@AYi_AInotes · 4月29日60

今天看到一个东西，我觉得是2026年Agent工程化到目前为止最重要的进展之一！ 说实话，我之前对各种Agent浏览器工具已经有点审美疲劳了。 无非就是能点按钮、能填表单，一到复杂页面就乱点，一出问题就抓瞎。 但Browserbase刚出的这个/browser-trace不一样。 他们做了个演示：让Claude在TikTok上自动刷视频，50秒内刷了几十条，全程后台悄无声息地记录了一切： 2077个CDP事件， 43张DOM和截图快照， 320多个网络请求，包括失败的、中断的、媒体预加载的， 所有console日志、JS异常、页面生命周期。 最后自动生成了一份带仪表盘的HTML报告，点任何一个事件都能跳转到对应的截图和DOM。 卧槽这个就太屌了， 以前Agent在网页上乱点卡住， 兄弟们知道最痛苦的是什么吗？ 我想了很久，答案就是：你根本不知道它为什么卡住🤣🤣🤣 它看到了什么？它点击了哪里？网络请求返回了什么？有没有JS报错？ 传统的Playwright调试已经够痛苦了，Agent更惨， 它自己决策、自己执行、自己出问题，你连复现都做不到。 所以有时候你会发现，我们之前一直在给Agent造手和眼睛，但从来没人给它造黑匣子。 我觉得这才是/browser-trace真正的意义。 它不是一个更好的调试器， 更像一个浏览器Agent的OpenTelemetry。 把浏览器从Agent的黑箱执行器，变成了一个完全透明、可查询、可复现的系统。 而正是有了这种真正的可观测性，才构成了Agent可靠性的起点。

译Browserbase推出/browser-trace工具，通过完整记录CDP事件、DOM快照、网络请求与日志，为浏览器Agent提供了类似“黑匣子”的可观测性，解决了Agent执行过程不透明、难以调试复现的核心痛点。与此同时，蚂蚁发布的Ling-2.6-1T模型将token效率作为首要目标，以约四分之一成本达到接近GPT-5.4非推理水平的综合智能。这两项进展共同指向Agent工程化的关键：可靠的可观测性与可负担的生产成本，标志着行业竞赛正从参数规模转向真实生产落地能力。

ginobefun@hongming731 · 4月29日53

腾讯这篇文章探讨了 Harness Engineering 的核心理念，提出构建 AI 工作流仅仅是搭建管道，沉淀团队的私域与领域知识才是真正的技术「护城河」。模型与工具链会不断迭代，工作流具有可替换性，但业务领域的专有知识是可以持续积累的「复利资产」。缺乏知识沉淀的工作流往往沦为一次性消耗品，无法实现自我进化。 为此，团队设计了一套三维知识分层架构。在存储层，知识被划分为从个人偏好到项目、业务和技术共 5 个逐渐提升的层级。在类型上，涵盖了模型、决策、指南、陷阱和流程这 5 种分类。在成熟度方面，设定了从草稿、验证到可靠这 3 个递进级别，并引入了自动衰减机制以淘汰过时信息。 该知识库依托独立的 Git 仓库进行跨项目共享，作为团队知识的「单一事实来源」。团队借鉴了类似区块链的追加日志和共识机制，实现多人协作贡献与冲突自动处理。在实际运转中，工作流与知识沉淀紧密结合。启动阶段会自动注入知识全景，执行阶段 Agent 会通过 3 级渐进式索引主动按需查询，以避免上下文膨胀，而在归档阶段则会自动提取新产物反哺知识库，形成完整的生命周期闭环。 此外，团队突破了人机交互的瓶颈。传统工作流高度存在「在场依赖」，导致执行效率受限。通过引入跨设备接管和远程操控能力，团队将人工审批转变为异步模式，充分利用碎片化时间推进流程，保障了工作流能够 24 小时无缝流转，进而加速了知识沉淀的流转效率。 整体而言，该系统坚持「文件系统即状态机」的原则，将所有知识转化为可读且可版本控制的文件资产。这种模式让团队在每次需求交付中都能实现经验积累，使得新启动的任务总能站在前人的肩膀上，充分印证了领域知识在 AI 工程中的核心地位。

译腾讯Harness Engineering提出，构建AI工作流仅是管道，沉淀团队的私域与领域知识才是可持续的“复利资产”与技术护城河。团队设计了一套三维知识分层架构，并通过独立Git仓库实现跨项目共享与协作。工作流与知识库紧密集成，在启动、执行、归档阶段形成闭环。同时，引入异步审批机制突破人机交互瓶颈，实现24小时无缝流转。系统坚持“文件系统即状态机”原则，将所有知识转化为可版本控制的文件资产，确保每次交付都能积累经验。

阿绎 AYi@AYi_AInotes · 4月29日59

Damn，这可能是2026年最被低估的开发者生产力工具💻🤖！ The harness is the bottleneck，喵个咪，同样的Claude，换个壳，内存省20倍，启动快245倍。 所以信息差不仅省钱，还省 token 啊，你如果觉得用Claude慢，其实不是Claude的问题，是这个harness的问题。 Claude Code单开一个会话吃掉230MB内存，启动一次要3.4秒，你说它慢，它也没法辩解，但换掉harness，同样的Claude，启动快245倍，10个并行会话总内存只用260MB。 这是一个叫jcode的开源项目做到的，作者1jehuang，Rust写的，GitHub repo就在那摆着，benchmark数据完整可查，没有任何营销成分。 有意思的是，它还支持一个叫Self-Dev的模式，代理可以直接改jcode自己的源码，编译，重载，用来迭代自己，这不是demo，作者每天都在把这套跑在生产上。 说白了就是，Anthropic把最好的模型卖给你，但没人说harness必须用他们的，开源社区的进化速度，从来不输大厂，只是他们不打广告。 当然风险是真实的，Anthropic明确禁止OAuth第三方接入，封号灰色地带，建议先拿API Key跑，不要用主号赌，但这个方向依然值得盯着。

译开源项目jcode通过替换Claude的默认调用框架，实现内存占用减少20倍、启动速度加快245倍的惊人提升，并支持AI代理自我迭代的“Self-Dev”模式。同时，蚂蚁发布的Ling-2.6-1T模型以“token效率”为核心，能将成本降至可比模型的四分之一，综合智能接近GPT-5.4非推理水平。这两者共同揭示AI行业竞争重点正从参数规模转向真实生产环境下的成本与效率。

歸藏(guizang.ai)@op7418 · 4月29日46

Ghostty 的负责人今天说他会离开 GitHub。 这哥们在 GitHub 有 5 万多的粉丝，每天都有提交，是重度的 GitHub 使用者。 他的意思是，GitHub 现在频繁的故障和不稳定的服务已经严重影响了开发工作，导致他觉得这里不再适合进行严肃工作。 因此，他会把所有的重度开发工作都迁移到自建的服务上，GitHub 之后只保留代码库。 目前主要影响的内容是： Actions、PR、Issues 等配套服务经常挂掉，导致他没办法进行代码评审和跑 CI 合并。 我感觉这是一个非常大的机会。 在 AI 时代，GitHub 事实上已经变成了所有 Vibe Coding 最重要的基建之一，但现在微软显然没有办法应付这套东西。 所以，如果哪个平台能够提供一个更适合 AI、更适合 AI Agent 的 Git 服务，可能会有很大的机会。

译Ghostty 负责人宣布将主要开发工作从 GitHub 迁移至自建服务，仅将其保留为代码库。作为拥有超 5 万粉丝的每日重度用户，他指出 GitHub 频繁的故障已严重影响开发，特别是 Actions、PR 和 Issues 等服务的不稳定阻碍了代码评审和 CI 流程。他认为，在 AI 时代 GitHub 已成为 Vibe Coding 的关键基础设施，但微软难以维持其可靠性。这揭示了一个市场机会：若能提供更稳定、且更适合 AI 及 AI Agent 的 Git 服务，将可能占据巨大优势。其推文引用也印证了长期用户因服务问题被迫离开的无奈与趋势。

SiliconFlow@SiliconFlowAI · 4月29日63

👀 🚀 🙌

译👀 🚀 🙌 [引用 @SiliconFlowAI]：开发者们正在用他们的 token 投票 🔥 SiliconFlow 现已成为日 token 使用量排名第一的第三方模型提供商 在 @OpenRouter 上， • 每日约 280B token • 每月约 1.9T token • 33 个前沿模型：DeepSeek V4 系列、GLM 5.1、Kimi K2.6 等 衷心感谢每一位与我们共同构建的开发者 更多精彩即将到来🚀

DeepSeek@deepseek_ai · 4月29日47

The DeepSeek-V4-Pro discount has been extended until May 31, 2026, 15:59 UTC!

译DeepSeek-V4-Pro 的优惠期限已延长至 2026 年 5 月 31 日 15:59（UTC）！ [引用 @deepseek_ai]：🔥DeepSeek-V4-Pro API 提供 75% 折扣，优惠截止至 2026 年 5 月 5 日 15:59（UTC 时间）！不要错过这次大幅优惠。 🛠️集成更新： 🔹Claude Code：将模型设置为 deepseek-v4-pro[1m] 以解锁 100 万上下文！ 🔹OpenCode：更新至 v1.14.24+ 🔹OpenClaw：更新至 v2026.4.24+ 查看最新官方 API 文档获取完整详情：https://api-docs.deepseek.com/quick_start/pricing

meng shao@shao__meng · 4月29日67

分享一个浏览器可观测性工具 Skill：browser-trace 来自 @browserbase 团队，在你已有主自动化（Playwright、Stagehand、browser skill、bb 等经 CDP 连上的会话）上，再挂一个只读 CDP 客户端，把 DevTools 事件、截图、DOM 快照成体系落盘，供事后用 jq/rg/脚本检索。 https://skills.sh/browserbase/skills/browser-trace 技术前提（为什么能「不打断主流程」） 同一个 Chrome DevTools 目标允许多个 CDP 客户端并行。主自动化是一个客户端发指令；这个 skill 的第二个客户端只开观测域（Network、Console、Runtime、Log、Page 等），不发送会改变页面的动作域命令，故与主驱动并存。 三块机制 · Firehose：browse cdp 把 CDP 全量流按行写成 NDJSON（cdp/raw.ndjson）。 · Sampler：定时用 browse --ws screenshot 与 browse --ws get html body（--ws 一次性、不抢常驻 daemon）拉截图与整页 HTML，与事件流并行。 · Bisector（跑完后）：bisect-cdp.mjs 扫一遍 raw.ndjson，按 CDP 方法分桶成多份 JSONL；并依顶层 Page.frameNavigated 按「页面段」再切，形成 pages/000/… 等树状结构，便于按导航切片分析。 适用场景 · 自动化失败/卡住/选不到元素/JS 异常需要事后还原。 · 希望在不重启的前提下，对已运行中的会话中途挂上 trace。 · 需要把网络、控制台、DOM/页面、截图用时间戳对齐，做因果推断。 实践上最重要的约束 · 采样间隔不宜过密（建议别快于约 1s，默认 2s 较稳）：每次采样都是额外 CDP/截图成本。 · 需要 DOM 域的细粒度树变更 可扩展 O11Y_DOMAINS 加 DOM，但会很吵。 · 跑完即使用户代码崩了，也应 stop-capture.mjs，避免僵尸进程与缺失 stopped_at。 · bisect 对同一 run 可反复跑（幂等覆盖分桶结果）。 · 远程自动化应用 browse --connect <session> 对同一会话，不要每次 browse env remote 新开 session。

译Browser-Trace是Browserbase团队开发的浏览器可观测性工具，可在不干扰主自动化流程（如Playwright）的前提下，通过附加只读CDP客户端，将DevTools事件、网络请求、控制台日志、DOM快照和截图系统记录到文件系统。其核心机制包括实时记录CDP事件流、定时采样截图与HTML，以及事后按页面导航和事件类型对日志分桶切片，便于检索分析。该工具适用于自动化故障诊断、实时会话监控，以及需要将网络、DOM和截图按时间戳对齐进行因果推断的场景。使用中需注意采样间隔、进程管理等实践约束。

宝玉@dotey · 4月29日60

OpenAI 宣布与 AWS 扩大合作，把自家模型（包括最新的 GPT-5.5）、Codex 编程工具和托管智能体（Managed Agents）全部搬上 Amazon Bedrock 平台，目前以限量预览形式上线。 这对企业客户意味着什么？以前想用 OpenAI 的模型，基本只能走 Azure。很多已经重仓 AWS 的公司要么迁移基础设施，要么放弃 OpenAI，两头都不划算。现在这个障碍没了。企业可以在自己熟悉的 AWS 环境里直接调用 OpenAI 的模型，安全策略、合规流程、账单体系全部复用，Codex 的使用费用甚至可以算进 AWS 的云消费承诺额度里。 Codex 这次上线 AWS 的方式也值得注意。企业只需要在 Codex 里把模型提供商配置成 Bedrock，CLI、桌面端、VS Code 插件都支持。OpenAI 公布的数据是 Codex 周活用户已超 400 万，而且用途早已不限于写代码，还延伸到了研究分析、文档处理、做 PPT 这些场景。 另一个新品是 Amazon Bedrock Managed Agents。简单说就是企业可以在 AWS 上部署 OpenAI 驱动的智能体，能维持上下文、执行多步骤任务、调用工具。AWS 负责底层的编排、治理和安全合规，企业只需要关心智能体本身要做什么事。 【注：Bedrock 是 AWS 的大模型托管平台，之前已经接入了 Anthropic 的 Claude、Meta 的 Llama 等模型。OpenAI 的加入让 Bedrock 凑齐了几乎所有主流前沿模型，也让 AWS 在跟 Azure 的云端 AI 竞争中多了一张重要的牌。】

译OpenAI宣布与AWS深化合作，将GPT-5.5等模型、Codex编程工具及Bedrock托管智能体引入Amazon Bedrock平台，以限量预览形式上线。企业客户现可直接在AWS环境中调用OpenAI模型，复用现有安全、合规与账单体系，加速AI应用落地。Codex配置简便，支持多端使用，周活用户超400万。此次合作使Bedrock集齐Claude、LLaMA等主流模型，增强了AWS在云端AI竞争中的优势。

Rohan Paul@rohanpaul_ai · 4月29日56

Bloomberg: The FDA plans to speed up drug testing by checking trial data in real time with AI. This could cut months or years from the usual process. The agency will track high level signals on whether new drugs work and stay safe. It will not collect all patient data. It normally takes 10 to 12 years to develop a drug and 45 percent of that is paperwork time. ---- bloomberg .com/news/articles/2026-04-28/fda-plans-to-speed-up-drug-trials-with-real-time-data-ai

译彭博社：美国食品药品监督管理局计划通过人工智能实时检查试验数据来加速药物测试。 这可能将通常流程缩短数月或数年。 该机构将追踪关于新药是否有效且保持安全的高层级信号。 它不会收集所有患者数据。通常开发一种药物需要10到12年，其中45%是文书工作时间。

SemiAnalysis@SemiAnalysis_ · 4月29日43

CPUs were left for dead in the AI boom. GPUs and networking captured all the attention, and CPU demand looked flat despite massive datacenter buildout. That narrative has now flipped. (1/5) 🧵

译在AI热潮中，CPU一度被认为已无足轻重。GPU和网络技术吸引了所有目光，尽管数据中心大规模建设，CPU需求却看似停滞。 这一说法如今已被颠覆。(1/5) 🧵

Rohan Paul@rohanpaul_ai · 4月29日60

FT: OpenAI is deploying model 5.5 on AWS. Microsoft dropped the contract terms restricting OpenAI to Microsoft servers. This shift allows developers to run OpenAI tools inside Amazon Bedrock. Amazon secured this partnership by investing $ 15B into OpenAI during Feb-26. OpenAI reciprocated by signing a deal to purchase $ 138B in server capacity from AWS. --- ft .com/content/f159dd74-56a5-404b-ae54-ab4bab98b2c3?syn-25a6b1a6=1

译OpenAI正将其模型部署至AWS，结束了与微软的独家服务器绑定。微软已取消相关限制条款，允许开发者在亚马逊Bedrock平台内使用OpenAI工具。此举由亚马逊150亿美元投资促成，OpenAI则承诺从AWS购买价值1380亿美元的服务器容量。微软虽保留至2032年的非独家IP许可，但失去了独家性和部分收入分成，股价应声下跌。市场视此调整为微软竞争优势的削弱，而亚马逊成为明确赢家，谷歌云也获得了竞争机会。这一转变可能缓解反垄断审查，并让微软能释放资本用于发展Copilot及自身云业务。

宝玉@dotey · 4月29日53

AI 终端工具 Warp 宣布客户端代码正式开源，采用 AGPL 协议，代码托管在 http://github.com/warpdotdev/warp。OpenAI 是这个开源仓库的创始赞助商。 Warp 是一个用 Rust 写的现代终端，目前有超过 70 万开发者在用。它最大的卖点是把 AI 能力直接塞进了终端，你可以用自然语言描述想做的事，它帮你生成命令。同时支持 Claude Code、Codex、Gemini CLI 等主流 AI 编程工具。 这次开源有个很特别的地方：社区贡献的流程本身就是"AI 优先"的。Warp 自家的云端 AI 平台 Oz 负责干活，包括写代码、做规划、跑测试，社区成员主要负责提想法、定方向、做验证。简单说，人管方向，AI 干活，这是他们设想的未来软件开发模式。 除了开源，Warp 同步上线了几个更新：支持更多开源模型，包括 Kimi、MiniMax、Qwen，还有一个自动路由模式帮你挑最合适的开源模型；终端界面可以按需定制，从纯终端到带 diff 视图和文件树的完整开发环境，丰俭由人；另外终于支持配置文件了，方便在不同设备间同步设置。 需要注意的是，开源的只是客户端，服务端代码仍然闭源。 Warp 创始人 Zach Lloyd 说，五年前 Warp 刚上线时就计划开源，但一直犹豫。今年 AI Agent 的爆发让天平倾斜了，用他的话说，大量不同背景的贡献者加上 AI 代理的结构化流程，能做出比纯内部团队更好的产品。OpenAI 作为创始赞助商介入，意味着这套"人管 AI 干"的开源协作模式，会被当成一个行业实验来推。 对开发者来说，如果你已经在用 Warp，现在可以直接去 GitHub 提 issue、参与讨论，甚至通过终端里新增的 /feedback 命令直接反馈。如果你之前因为闭源犹豫没用，现在少了一个顾虑。公开路线图显示 5 到 6 月的开发计划已经挂出来了。

译现代终端工具Warp宣布将其客户端代码在GitHub上以AGPL协议开源，OpenAI为创始赞助商。Warp核心特色是深度集成AI，允许用户用自然语言生成命令。此次开源的独特之处在于其“AI优先”的社区贡献流程：由Warp自研的AI平台Oz负责执行写代码、测试等具体工作，社区成员主要进行方向决策与验证，旨在探索未来软件开发新模式。同步更新包括支持更多开源模型、可定制化界面及配置文件同步功能。创始人表示，AI Agent的爆发是促使其开源的关键，希望结合广泛贡献者与AI代理打造更优产品。需注意，服务端代码仍保持闭源。

Rohan Paul@rohanpaul_ai · 4月29日51

RAG is how 51% of enterprise AI ships in production according to Menlo Ventures. only 9% rely primarily on fine-tuning. Actian just launched VectorAI DB, a vector database built for RAG in places where cloud access is too slow, too risky, or not allowed. VectorAI DB runs RAG pipelines, semantic search, and real-time AI agents on-premises, at the edge, or air-gapped. - embeddings stay inside your network, queries resolve locally - LangChain and LlamaIndex integration that connects natively - real-time indexing keeps context current as documents update - hybrid search handles semantic and keyword queries in the same call

译根据Menlo Ventures数据，51%的企业AI生产部署采用RAG技术，而仅9%主要依赖微调。Actian推出的VectorAI DB是一款专为云访问受限、延迟高或风险大的边缘环境设计的向量数据库。它支持在本地、边缘或物理隔离网络中运行RAG流水线、语义搜索和实时AI智能体，核心优势包括数据保留在内部网络、原生集成LangChain/LlamaIndex、实时索引更新以及混合搜索功能。该产品已通过黑客马拉松验证，应用于海事AI、设备端治疗师等场景，现正式向公众开放。

阿绎 AYi@AYi_AInotes · 4月29日66

说个暴论，2026 年 AI 行业的转折点，不是 GPT-5.5，也不是 o3，是蚂蚁@AntLingAGI 刚刚发布的 Ling-2.6-1T。 我用 Ling-2.6-1T 跑了一个查理芒格的 100 个思维模型的硬核任务， 结果真的太炸了，具体大家看视频演示。 当大家都在卷参数、卷推理分、卷更长上下文， 只有它反其道而行之，把 token 效率 当成了第一公民。 最震撼的是这组数据：在 Artificial Analysis 全评测中， 它展现出极高的智能-输出比（生成 16M tokens）， 整体 token 成本可降至可比模型的约四分之一， 综合智能却接近 GPT-5.4 的非推理水平， 直接落在所有模型都梦寐以求的“高智能 + 极低生产成本”象限。 这才是真正的生产级 AI，而不是实验室刷榜玩具。 Agent 时代最大的痛点从来不是模型不够聪明，而是用不起。 一个复杂任务调用十几次模型、几十次工具、拉几百 K 上下文， token 成本指数级爆炸，很多 Agent 方案一到规模化就死掉， Ling 把这个天花板直接抬高了数倍。 它走的是和 o1 类模型完全相反的路线：别人靠慢思考堆 token 刷榜， 靠 MoE 优化的 Fast-Thinking 机制实现又快又准。 写代码、搭 UI、编排 Agent、多步工作流——我们每天 90% 的事， 根本不需要深度多跳推理，需要的是精确、稳定、快、便宜。 而这些，Ling 全部做到了：SWE-bench Verified SOTA 级表现（72.2+）、AIME26 高分、指令遵循和工具调用榜单全面领先。 蚂蚁的底气很简单：背靠支付宝 13 亿用户 + 全世界最复杂的金融支付场景，天然拥有海量真实 Agentic 数据。 Ling 系列从一开始就不是为了刷榜，而是为了每天处理上亿次生产请求而生。 更狠的是它的打法：OpenRouter 已上线一周免费 API（262K 上下文）， 官方确认即将开放权重——这明显在抢生态，和当年 DeepSeek 路数一样， 但这次握着的是生产级效率这个最大杀器。 这意味着2026 年的游戏规则彻底变了：不再是谁参数多谁牛，而是谁能在真实生产成本下跑赢。 过去的刷榜竞赛已进入尾声， 真正的生产落地竞赛才刚刚开始。

译蚂蚁集团AGI团队发布Ling-2.6-1T模型，其核心创新在于聚焦token效率而非参数规模。该模型采用MoE架构，每次推理仅激活7.4B参数，结合Linear Attention与Multi-Token Prediction技术，在保持接近GPT-5.4非推理水平的高智能同时，将token成本降至可比模型的四分之一。在Artificial Analysis评测中以极低消耗获得高分，并在SWE-bench等硬核Agent场景领先。该模型专为处理海量真实生产请求设计，旨在为高频Agent应用提供高效、低成本的解决方案，并通过免费API策略加速生态布局，预示AI竞赛重心正向真实生产成本效率转移。