晨雾感新拟态极简办公系统图标展示板
🤖 ChatGPT
作者： hiyoho
-
爆炸动态商业摄影高清大片
爆炸动态商业摄影高清大片
🤖 Nano Banana 2
🇺🇸 English Prompt
A high-speed commercial photograph capturing a dynamic explosion of [Isi Objek Utama & Jumlahnya, misal: assorted gourmet burgers / various fresh fruits / colorful sneakers] bursting upwards out of [Wadah Asal, misal: a takeaway box / a rustic wooden crate / an open shoebox]. Freeze motion effect shows [Partikel Pendukung yang Terbang, misal: flying crumbs, sauce splashes, ingredients / water droplets, fruit slices / laces, rubber pieces, dust] suspended in mid-air surrounding the main subjects. Some elements are breaking apart or deconstructing. Hyper-realistic textures, dramatic studio lighting highlighting details against a dark, moody textured background. Vertical composition, 8k resolution, vibrant colors, energetic atmosphere.
🇨🇳 中文提示词
一张高速商业照片，捕捉了[主要对象内容和数量，例如：各式美食汉堡 / 各种新鲜水果 / 彩色运动鞋]从[原始容器，例如：外卖盒 / 乡村木箱 / 敞开的鞋盒]向上喷涌而出的动态爆炸。冻结运动效果显示出悬浮在半空中、环绕着主要主体的[飞行的辅助颗粒，例如：飞行的碎屑、酱汁飞溅、食材 / 水滴、水果切片 / 鞋带、橡胶碎片、灰尘]。一些元素正在破碎或解构。超写实的纹理，戏剧性的影棚灯光在深色、忧郁的纹理背景下突出细节。垂直构图，8k分辨率，鲜艳的色彩，充满活力的氛围。
-
德尔·托罗放话：《潘神的迷宫》重制版里“一点该死的 AI 都没有”
在圣地亚哥漫展的一场活动上，导演吉尔莫·德尔·托罗又一次把话说得很硬。这场活动是为《潘神的迷宫》重回院线造势——这部 2006 年的黑色童话经典这次做了 3D 重制。有人关心新版本里有没有用上时下火热的 AI，德尔·托罗的回答干脆利落：一点该死的 AI 都没有，每一个元素都是人一点点手工做出来的。
在效率至上的年代，德尔·托罗坚持每个细节都由人手完成。配图为 AI 生成示意图。 这话听起来像一句情绪化的表态，但德尔·托罗其实想得很清楚。他反对的不是某项具体技术，而是担心一整代人失去练手艺的机会。在他看来，如果为了省事把入行学艺的那条路砍掉了，等于把这门手艺往后几十年的历史也一并断送。
他要守的不是饭碗，是“传承”
“我们守护的是艺术的美，是它救赎人的力量。这不是谁能拿到这份活儿的问题。我们守护的是一条艺术的血脉。如果我们把一代人学手艺的机会切掉，就是把这门媒介往后的整段历史从他们手里夺走——为了什么呢？……我选了那条难走但对的路。你得肯花时间，你得亲手做完每一个元素。一个有深度的决定，是人做出来的。”——吉尔莫·德尔·托罗
这不是他第一次公开怼 AI。此前他就说过对生成式 AI“没兴趣，将来也永远不会有兴趣”。放在《潘神的迷宫》这部片子身上，这种坚持格外有说服力——影片里那些让人过目不忘的怪物，比如眼睛长在手掌上的“苍白男子”，靠的是特效化妆、机械偶和实打实的美术功底，是无数工匠一帧一帧磨出来的东西。
好莱坞的这道分岔口
德尔·托罗的表态，正好戳在好莱坞当下最纠结的地方。一边是制片方盯着 AI 能砍掉的成本和时间，另一边是导演、美术、演员们担心自己的手艺和署名被机器一点点侵蚀。这两年围绕 AI 的罢工、合同条款、版权官司，本质上都是在争同一件事：技术进来之后，创作者还剩多少话语权。
- 他的核心论点不是“AI 抢工作”，而是“AI 抢走了年轻人学本事的过程”。
- 手工完成每个环节，意味着片子里的每个选择背后都站着一个真人的判断。
- 在行业普遍向效率低头时，坚持全手工既是创作态度，也是一种立场宣示。
当然，一个人的坚持挡不住整个行业的潮水。AI 工具在预算有限的项目里越来越常见，也确实帮不少小团队做成了以前做不了的东西。德尔·托罗的价值不在于给出标准答案，而在于把问题摆到台面上：当机器能替你完成一切，你还愿不愿意花那份笨功夫，去守住一门手艺的来路。对他来说，答案早就写好了。
-
训练机器人卡在了数据上，有人干脆给“陪练”戴上了脑电头盔
加州圣莱安德罗有一间仓库，里面正在上演一场很不寻常的叠叠乐。一个叫 Andrew Ceja 的人戴着头盔，小心翼翼地从摇摇欲坠的木塔里抽木块。头盔上有摄像头，记录他看到的画面——这在采集机器人训练数据时挺常见。但他这顶头盔还多了一样东西：一圈能读取脑电波的传感器。
这家公司叫 Encord，本行是给 AI 模型训练做数据工具。Ceja 的头衔是“飞行员”（pilot），也就是公司里专门给机器人当陪练的人。他们赌的是一件事：接下来卡住人形机器人和仓储机器人的，不会是模型架构，而是真实世界物理训练数据实在太少。所以 Encord 干脆不只帮客户管理已有的数据，而是把那些还不存在的数据造出来。
Encord 的“飞行员”戴着 Zander Labs 的脑电头盔采集训练数据。图片来源：Tim Fernholz / TechCrunch 脑波到底能告诉机器人什么
那顶脑电头盔是德国神经科学创业公司 Zander Labs 做的。他们的想法是，通过测量大脑活动，能推断出人做事时的一些心理状态——比如出错、意图、意外——这些信号打包进数据集，也许能训出更聪明的模型。目前 Encord 和 Zander 还只是试运行：先攒一批带脑波标记的数据，塞进客户的机器人模型跑一跑，看看到底有没有用，再决定要不要放大规模。
在现场盯着这套流程的 Zander 神经科学家 Lucas Gehrke 说，一个人做某个动作时大脑投入了多少精力，本身就是个有用的线索——它能提示模型开发者，什么时候该调用算力最猛的那档模型，什么时候随便应付就行。Encord 机器人学习负责人 Vineeth Velmurugan 把这称作解决数据瓶颈的“最前沿”尝试。他之前待过 OpenAI 的机器人实验室，也在仓储自动化公司 Berkshire Grey 干过。
“这些数据根本就不存在。”——Vineeth Velmurugan，Encord 机器人学习负责人
生成式 AI 撞上了物理世界的墙
“生成式 AI 能给机器人做到它给聊天机器人做到的事”，这个念头一次次撞上同一堵墙。大语言模型是拿整个互联网的文字喂出来的，可要教神经网络怎么在物理世界里动手操作，同样量级的原料太难找。自动驾驶公司靠自己采集，但很难规模化；用视频来训练也行，可视频缺了真实数据那种精细度。Velmurugan 估算，想真正突破，需要一个大约相当于 YouTube 视频库五倍体量的数据集——这也解释了为什么“造数据”本身能变成一门生意，而不只是研究课题。
现在做“机器人大脑”的公司主要盯上两类数据来源：一是工人戴摄像头采集的第一人称视角视频，通常再补上别的机位和指标；二是远程操控机器人采集的数据。Encord 两样都做，第一人称数据来自全球好几家工厂，圣莱安德罗那间仓库则专门试验脑波这类新花样，或者针对某个具体技能攒数据做微调。
TechCrunch 去现场时，飞行员们正在用“主从机械臂”——一只由人直接操控，另一只模仿它的动作——采集数据，任务包括把咖啡从壶里倒进杯子（洒得到处都是）和码扑克筹码。“每一家做人形机器人的公司都来问我们要这些片段。”Velmurugan 说。货架上堆着假花、书、塑料蔬菜、猫砂盆和铲子、成捆的电线，全是训练机器人干家务活的道具。
机器人的手，还差得远
另一个工位上，飞行员 Sofia Infante 操控机械臂给服务器背后插拔网线——这正是数据中心运营方做梦都想自动化的活儿，前提是机器人得有那个精度。记者自己上手试了试就明白差在哪：夹钳远不如人的手指灵活，也没有我们手臂那种理所当然的自由度。Encord 还在开发一种新数据形态，把一组传感器绑在前臂上，捕捉肌肉里的电信号，希望据此还原出手在每一刻的三维姿态——因为拍手部动作的视频往往拍不全整只手。
- Encord 给数据集做密集标注，比如“右手拧紧螺栓”，帮基于大模型的系统看懂画面里在发生什么。
- Velmurugan 估算，这种密集标注的价值是“垃圾第一人称数据”的 100 倍，而制作成本只贵 20 倍——纸面上是笔划算买卖。
- 但 20 倍也是真金白银。当年从 Stack Overflow 之类的网站扒文字几乎不花钱，物理数据却得一点点“制造”出来，这就彻底改变了做模型的经济账。
仓库里那十几个飞行员因此不会闲着。Infante 和 Ceja 都是从另一家数据标注公司 Scale 跳过来的。Ceja 更早还在一家废物管理公司干过，因为对技术感兴趣，被派去照看一台机器人垃圾分拣机。如今叠叠乐的塔一次次倒下，他说自己挺享受给机器人解题的过程——“每天都有新鲜事”。
-
MemPalace：57.7K Stars 的本地优先开源 AI 记忆系统，逐字存储 + 96.6% 检索召回，零 API 成本
项目简介
MemPalace 是一款本地优先（Local-first）的开源 AI 记忆系统：它把你与 AI 的对话历史、项目文档以”逐字原文”的方式存进一座结构化的”记忆宫殿”，再用语义搜索精准召回——在权威长期记忆基准 LongMemEval 上，纯本地检索（不调用任何 LLM、不需要任何 API Key）就拿下了 96.6% R@5 的成绩，号称”基准测试打得最透明的开源 AI 记忆系统”。项目 2026 年 4 月上线，短短三个多月即斩获 57.7K+ Stars，MIT 许可，完全免费。
与 Mem0、Zep 等”摘要式”记忆方案不同，MemPalace 的哲学是不摘要、不改写、不提炼——原文进、原文出。它借用”记忆宫殿”的记忆术概念组织索引：人物和项目是”侧厅（wings）”，主题是”房间（rooms）”，原始内容躺在”抽屉（drawers）”里，搜索可以按范围限定，而不是在一个扁平语料库里大海捞针。
安装要求和过程
环境要求：
- Python 3.9+
- 向量存储后端（默认内置 ChromaDB，零配置）
- 约 300 MB 磁盘空间用于本地嵌入模型（推荐多语言的 embeddinggemma-300m，支持 100+ 语言；也可选 30 MB 的英文版 all-MiniLM-L6-v2）
- 核心功能无需任何 API Key
快速安装（推荐 uv，隔离环境防依赖冲突）：
# 方式一：uv（推荐） uv tool install mempalace mempalace init ~/projects/myapp # 方式二：pipx pipx install mempalace # 方式三：pip（虚拟环境内） python -m venv .venv && source .venv/bin/activate pip install mempalaceDocker 部署（可直接作为 MCP 服务器运行）：
docker build -t mempalace . # MCP 服务器（stdio 模式，注意 -i 参数） docker run -i --rm -v mempalace-data:/data mempalace # 或直接跑 CLI 命令 docker run --rm -v mempalace-data:/data mempalace search "why GraphQL"30 秒上手：
# 把项目文件"挖"进记忆宫殿 mempalace mine ~/projects/myapp # 挖掘 Claude Code 历史会话 mempalace mine ~/.claude/projects/ --mode convos # 语义搜索 mempalace search "当初为什么改用 GraphQL" # 新会话开始时加载上下文 mempalace wake-up核心功能
- 逐字原文存储 + 语义检索：不摘要、不改写，对话与文档按原文入库；LongMemEval 上纯语义检索 R@5 达 96.6%，混合管线（关键词加权 + 时间邻近加权）在留出集上达 98.4%，加 LLM 重排后 ≥99%——全部结果可用仓库内脚本复现。
- 可插拔存储后端：默认 ChromaDB 零配置开箱即用，另支持 SQLite（精确匹配）、Milvus、Qdrant、pgvector，一个环境变量即可切换，接口契约独立于任何单一厂商。
- 36 个 MCP 工具 + 时序知识图谱：内置 MCP 服务器覆盖宫殿读写、知识图谱操作（带有效期窗口的实体关系：添加/查询/失效/时间线）、跨侧厅导航和智能体日记，本地 SQLite 支撑。
- 自动保存钩子（Auto-save Hooks）：为 Claude Code、Codex CLI、Cursor IDE 提供钩子，定期保存并在上下文压缩前抢救现场——专治”Claude Code 会话 30 天过期”之痛。
- 彻底本地、彻底免费：嵌入模型本地运行，数据不出机器（除非你主动选择），MIT 许可，无任何付费墙。
典型使用场景
场景一：给 Claude Code / Cursor 装上”永久记忆”。AI 编程工具的会话记录会过期、上下文会被压缩，三周前”为什么放弃方案 A 改用方案 B”的讨论早已无处可寻。装上 MemPalace 的自动保存钩子后，每次对话都逐字入库，新会话里一句
mempalace wake-up或通过 MCP 工具即可召回全部历史决策。场景二：团队/个人的项目决策考古。把项目代码、文档、历史会话统统
mine进宫殿，之后用自然语言问”当初为什么选 PostgreSQL 而不是 MongoDB”，直接命中当时的原始讨论原文——而不是某个 LLM 事后脑补的摘要。场景三：隐私敏感环境下的 AI 记忆层。法务、医疗、金融等不能把数据传到云端的场景，MemPalace 全链路本地运行（嵌入模型本地、向量库本地、检索本地），配合 Ollama 等本地模型即可搭出完全离线的”有记忆的 AI 助手”。
推荐理由
AI 记忆赛道今年异常拥挤（Mem0、Zep、Supermemory、Letta……），MemPalace 能三个月冲到 57K Stars，我认为靠的是两个字：诚实。它是少数把基准测试方法论、每道题的原始结果文件全部提交到仓库、并且主动说明”最后 0.6% 是看着错题调出来的所以我们不宣传 100%”的项目——甚至拒绝与竞品做不对等的表格对比。这种工程品味在营销味浓重的 AI 开源圈里非常稀缺。
实际体验上，”逐字存储”这个反直觉的设计恰恰是最大亮点：摘要式记忆一旦摘错，信息就永久丢失；而 MemPalace 永远保留原文，检索层再怎么迭代都能吃到红利。加上零 API 成本、五种后端随意切换、36 个 MCP 工具即插即用，把它接进 Claude Code / Cursor 的成本极低。如果你只想给自己的 AI 工作流加一层”不会失忆”的保险，这是目前开箱体验最好的选择之一。唯一要提醒的是：官方明确警告有大量仿冒网站，请只从 GitHub、PyPI 和 mempalaceofficial.com 获取。
下载地址
-
Meta AI 换了个活法：从陪你聊天娱乐，改成帮你干活的助理
Meta 给自家的 AI 聊天机器人来了次大改，方向很明确：别光顾着陪你聊天、生成图片了，得能替你干点正经活儿。这次更新加了一堆办公类功能，明摆着是要跟 Gemini、ChatGPT、Claude 这几家掰手腕。
Meta 说它的 AI 不再只是答题和画图（图片来源：The Verge / Meta） 具体能干啥？Meta AI 现在可以接进你的日历，帮你安排活动、每天给你生成一份当日简报，还能做那种可以边做边调整方向的深度调研。官方在博客里把这次升级说成是通往”个人超级智能”的下一步——这词是扎克伯格一直在推的说法，他认定这就是 AI 的未来。撑起这次更新的，是 Meta 刚发布的 Muse Spark 1.1 模型。
这是一次挺明显的掉头
有意思的是，这跟 Meta 去年的说法几乎是反着来的。当时首席产品官 Chris Cox 跟员工讲，公司要”专注娱乐”、”专注人和朋友之间的连接”，而不是像 OpenAI、谷歌、Anthropic 那样”死磕生产力”。结果一年过去，Meta 自己也一头扎进生产力这条赛道里了。
去年还说要专注娱乐和社交，今年就转头去卷办公效率——Meta 这步棋，等于承认在 AI 助手这件事上，光有社交属性不够看。
它到底能替你办哪些事
Meta 举了几个挺接地气的例子。它可以照着你的日历，生成一份当天的行程摘要；也能钻进 Facebook Marketplace，按你厨房改造的预算帮你翻找二手家具；你要办个聚会，它能帮你找餐厅，还会对着日历挑个你有空的日子。
- 按日历生成每日行程简报，不用你每次都重新发指令
- 按预算在二手市场帮你挑家具
- 找餐厅、订活动，顺手对照你的空闲时间
- 每周自动生成一份饮食计划
- 盯着你想要的商品，补货了就提醒你
Meta 特别强调了一点：这些任务你只要设置一次，之后就能撒手不管，交给 Meta AI 自己去跑。除此之外，它还说自家 AI 现在更会把网上零散的信息汇总起来，整理成一份报告、一套演示，或者一份计划。
从”陪你玩”到”帮你干活”，Meta 这次转向说白了就是不想在 AI 助手这波里掉队。功能听着都挺实用，但能不能真替你把事办利索，还得看实际用起来顺不顺手。毕竟日历、购物、调研这些活儿，谷歌和 OpenAI 已经练了不短时间，Meta 属于后来补课的那个。
-
苹果的智能眼镜要解一道难题：戴脸上，还不能让人觉得是偷拍器
苹果的第一副智能眼镜快来了，可它现在头疼的不只是产品本身，还有一件更棘手的事——怎么让大家戴着它出门，不会被旁人当成移动摄像头。彭博社的马克·古尔曼（Mark Gurman）最近爆料，苹果一边赶工做眼镜，一边在琢磨怎么把”隐私”这件事讲圆。
苹果一贯把隐私当卖点，这次戴在脸上的摄像头是个不小的考验（图片来源：TechCrunch） 按古尔曼的说法，苹果把上市时间往后挪了。原本瞄准 2027 年初，现在改成 2027 年 6 月的开发者大会（WWDC）上正式亮相，真正能买到手要等到那一年年底。多出来的这段时间，苹果既用来打磨硬件，也用来想清楚隐私这套话术该怎么说。
“变态眼镜”这个坑，苹果不想再踩一遍
苹果显然是看到了 Meta 眼镜踩过的雷。Meta 那副眼镜被一些人起了个难听的外号叫”变态眼镜”，因为有人拿它偷偷录别人、拍下没经过同意的视频。这种事放在别家可能勉强糊弄过去，但苹果不行——它这么多年一直把”我们最保护隐私”挂在广告里，眼镜上真出这种岔子，砸的是自己招牌。
一副戴在脸上、随时能拍的设备，最难的不是把摄像头做小，而是让周围的人相信自己没被偷拍。这是苹果这次真正要过的关。
苹果打算怎么做
从爆料透露的方向看，苹果想靠几招把风险摁下去。第一是尽量把数据放在设备本地处理，不动不动就往云端传；第二是不做人脸识别，避免眼镜一扫就把陌生人认出来这种最招人反感的功能。
- 大量运算放在眼镜本机完成，减少把画面上传的必要
- 不搭载人脸识别，不做”看一眼就认人”这类功能
- 大概率不会拿用户拍到的画面去训练自家 AI 模型
- 也不打算像 Meta 那样，雇外包人员回看用户录下的素材
最后这两条其实是冲着 Meta 去的。此前有报道说 Meta 会用外包团队去审看用户的录像素材，这在很多人眼里已经越了线。苹果如果真能守住”不拿你的画面喂模型、不找人回看你的录像”这条底线，至少在观感上会跟 Meta 拉开距离。
话说回来，隐私这东西，光靠嘴上承诺不够，得看产品真到手时那些开关默认怎么设、录像时有没有明显提示别人。苹果把发布推迟一年多，等于给自己多留了时间去把这些细节抠明白。能不能把”戴在脸上的摄像头”做成大家愿意接受的样子，就看它 2027 年拿出的东西了。
-
OpenHuman：本地优先的个人 AI 超级大脑，连续 9 天登顶 GitHub 趋势榜（35K+ Stars）
项目简介
OpenHuman 是一个「本地优先」的个人 AI 超级智能体：它既是一个能记住你全部生活与工作数据的大脑（Brain），又是一个能编排智能体舰队与工作流的指挥官（Orchestrator），还是一个能在你话音未落时就完成资料搜集的深度研究员（Deep Researcher）。项目由 tinyhumansai 团队用 Rust 打造，上线一周即连续 9 天登顶 GitHub 趋势榜，目前已收获 35,000+ Stars。
安装要求和过程
环境要求：OpenHuman 是 UI 优先的桌面应用，普通用户无需命令行、无需配置文件，几次点击即可从安装到可用。支持 macOS / Windows / Linux 三大平台。
普通用户（推荐）：直接从官网或 GitHub Releases 下载对应平台安装包即可。
- 官网下载：
https://tinyhumans.ai/openhuman - GitHub Releases：
https://github.com/tinyhumansai/openhuman/releases/latest - 终端安装：支持 Homebrew、Debian/Ubuntu
.deb、AUR 及安装脚本，详见仓库INSTALL.md。
从源码构建（贡献者）：
- 安装依赖：Git、Node.js 24+、pnpm 10.10.0、Rust 1.93.0（含
rustfmt+clippy）、CMake、Ninja、ripgrep 及桌面构建前置工具。 - Fork 并克隆仓库，先执行
git submodule update --init --recursive，再运行pnpm install。 - 开发调试：
pnpm dev（Web UI）、pnpm --filter openhuman-app dev:app（桌面端）。
核心功能
- 记忆树 + Obsidian 知识库：把你的数据压缩成带评分的 Markdown 树，存在本机 SQLite 里，并镜像为可打开编辑的 Obsidian 库——不是「向量黑盒」，记忆看得见、改得动。
- 海量集成：100+ OAuth 集成、5,000+ MCP 服务器、90,000+ Skills，一键接入 Gmail、Notion、GitHub、Slack；自动抓取每 20 分钟同步一次，让智能体「今早就拿到明天的上下文」。
- 潜意识后台循环（Subconscious）：在你停止输入后仍持续思考，比对世界变化、推进目标、生成晨间简报。
- TokenJuice 压缩：工具输出在进入模型前先压缩，信息不变但 Token 最多减少 80%，让「大脑」跑得起也养得起。
- 智能体编排（图而非循环）：基于开源 tinyagents 的检查点图运行，可暂停等人工、重启后续跑、卡住自动纠偏；子智能体舰队最深可派生三级。
典型使用场景
- 个人第二大脑：连接邮箱、日历、代码仓库、笔记与聊天记录，一次同步即可让智能体全面（压缩后）掌握你的上下文，无需数周「养成期」，随时问它「我这周的进展」「谁在等我回复」。
- 多智能体统一指挥台：通过 Signal 协议端到端加密的智能体互联，把 Claude Code、Codex、OpenClaw、Hermes 等工具接进来，用 OpenHuman 统一编排调度，密钥永不落盘。
- 会议与自动化助理：以头像+声音自动加入 Meet / Zoom / Teams / Webex 会议，实时转写、按名应答、会后生成带待办的纪要；可视化工作流（灵感来自 n8n / Zapier）由智能体自动提议、你在画布上审核后保存。
推荐理由
用下来最打动我的是它对「隐私」和「记忆」的执念。开启一键 Privacy Mode 后，所有推理都不会离开本机，且由 Rust 核心强制执行；日常数据在设备端加密、密钥走系统钥匙串、敏感操作有审批闸门。相比要么云端黑盒、要么需要数周喂上下文的同类产品，OpenHuman 让「几分钟就懂你」成为现实，还自带模型路由、浏览器、语音、图像/视频生成等一整套原生工具，一个订阅打通全部。需要留意的是它目前仍是 Early Beta，且采用 GPL-3.0 许可证，商业集成前请评估其传染性。
下载地址
- 官网：https://tinyhumans.ai/openhuman
- GitHub：https://github.com/tinyhumansai/openhuman
- 文档：https://tinyhumans.gitbook.io/openhuman/
项目数据截至发布时：35,000+ Stars · Rust · GPL-3.0 · Early Beta。开源世界迭代飞快，具体以官方仓库为准。
- 官网下载：
-
Cognition九位数买下Poke：AI的’性格’正在变成新的护城河
那个”你可以像跟朋友发短信一样使唤它”的AI助手Poke，要换东家了。它背后的公司The Interaction Company of California，被做AI编程的初创公司Cognition收购，交易估值落在”低九位数”的区间里。
Poke：像发短信一样对话的AI助手 · 图片来源 Poke/The Interaction Company of California 这笔交易会把Poke的交互方式和”性格”，搬到Cognition旗下的编程助手Devin身上。反过来，Poke也能用上Cognition的模型和基础设施，跑得更快、更稳。
买的不是功能，是”聊天的感觉”
Poke能让消费者上头、也让收购方看中的地方，在于它跟人打交道的方式。它不像个工具，更像个朋友：会用网络俚语，会开玩笑，回起消息来带着人味儿。这种气质，恰好能补上Devin作为编程智能体缺的那一块。
“你多半更愿意跟有性格的同事共事，而不是一群只会干活的机器人。如果你的同事同时也是软件工程师，他还能讲个笑话，你会觉得挺有意思、挺享受。”——Interaction Company联合创始人 Marvin von Hagen
Cognition联合创始人Scott Wu的说法也是一个意思：Interaction团队做出的这个智能体是被用户真心喜欢的——它主动、懂你、聊起来有意思，而这正是跟Devin协作时该有的感觉。他还提了一句，自己和另一位联合创始人Walden Yan早就是Poke母公司的天使投资人。
用得多，但一直在烧钱
Poke今年3月才上线，用户可以通过自己顺手的消息渠道调用它——iMessage、短信、Telegram，部分市场还支持WhatsApp。大家拿它处理的事五花八门，旅行、健康、理财、日程、学习都有，其中管邮件、提醒和待办这类效率活儿最常见。
- 过去三个月，Poke用户在平台上收发了超过1亿条消息；
- 用户规模已经到了几十万人，但运营成本高，一直难盈利；
- 今年6月，它成了苹果Messages for Business平台上第一个获批的AI智能体。
短期不变，长期可能”合体”
年底之前，Poke这边不会有立刻的变化，也会继续留在苹果的平台上。到了明年，团队才会开始折腾：让Poke部分任务改用Cognition最新的软件工程模型SWE-1.7，并试验两个产品各自怎么变得更好。两者彻底融合的可能，也没被排除。
von Hagen设想得更远：长远看，Poke可以去编排一堆编程任务，而Devin也可以变得更像Poke。他举了个眼下的痛点——Devin现在一次只能处理一个PR（拉取请求），如果让Poke来调度多个Devin会话，价值就出来了；再加上Poke还能帮Devin跨会话记住任务。用他的话说，”有个记得住事、一直在的同事，挺好。”
把这两笔账放一起看，这场收购其实点出了一个正在成型的共识：AI助手怎么跟人互动，可能会和底层模型本身一样值钱。谁能让智能体从”软件”变成”同事”，谁就多了一条别人短期抄不走的护城河。
-
Anthropic甩出Opus 5：比Fable 5更便宜、限制更少，跑分反而更能打
周五那天Anthropic直接放出了Opus 5，也就是它那条老牌旗舰线的最新一代。这次的定位挺有意思：模型体量比Fable 5小，但价格更便宜、限制也更松，对大多数人来说反而更好用。
Anthropic 最新旗舰模型 Opus 5 正式上线 最反直觉的一点是，虽然个头更小，Opus 5 在官方公布的一批基准测试里居然还压过了Fable 5。对于一个”次旗舰”来说，这个成绩有点抢戏。
Opus 5 在”反复检查自己的工作、耐心迭代直到跑通”这件事上明显更强——官方给的例子里，它能对着一个不完整的提示词，自己把一整套计算机视觉流水线写出来。
节奏快得有点吓人
Opus 5 距离 Opus 4.8 只隔了两个月——后者5月28日才上线。再往前看，Mythos 5、Fable 5、Sonnet 5 全是6月扎堆发的。这么一数，整条5系里现在只剩下轻量级的Haiku还没升级，其余全部到位。Anthropic今年这个迭代密度，基本是把日历表当油门踩了。
松绑，但没有完全松开
Opus 5 摆脱了Fable 发布以来一直被人诟病的一堆限制。和上一代一样，它不受那条覆盖Fable 和 Mythos 的30天数据留存政策约束——这条政策此前让不少在意隐私的用户很不放心。
当然，护栏没全拆。涉及网络安全的活儿依旧盯得紧，尤其是漏洞利用和渗透测试。举个具体的例子：
- 不允许对二进制软件扫漏洞，因为这类操作更偏进攻性；
- 但允许在源代码里找漏洞，因为这更像是防御方在自查；
- 整体上，这些安全分类器在 Opus 5 上触发的频率，预计比 Fable 5 少 85%——毕竟能力更弱的模型，管得也就更松。
被拦了也别急，自动降级接住你
Anthropic还顺手上了个新功能，专治”护栏一触发就报错”的糟心体验。用户可以选择开启一个叫 Automatic Fallbacks 的测试版特性：当某个提示词触发了安全分类器，请求会被自动转给一个能力稍弱的模型来处理。这样一来，开了这个开关的 API 用户拿到的不再是冷冰冰的错误提示，而是一条能用的回复。对天天跟接口打交道的开发者来说，这种”至少给个结果”的兜底，比一堆解释都实在。