YOHO AI

标签： 人工智能

  • 中国AI编码模型打破”落后6-9个月”框架：开源权重+低成本改写全球格局

    说实话，当我看到2026年4月这波中国AI编码模型的密集发布时，第一反应是：那个”中国AI落后6-9个月”的老框架，真的该扔进历史垃圾桶了。

    12天，4家实验室，一场静悄悄的能力赶超

    从4月底到5月初，短短12天里，4家中国AI实验室接连发布了各自的最新编码模型，而且全部是开源权重。这可不是小打小闹的demo，而是实打实能打的工程级模型：

    • Z.ai的GLM-5.1
    • MiniMax的M2.7
    • Moonshot的Kimi K2.6
    • DeepSeek的V4

    最关键的是，它们在SWE-Bench Pro这个权威编码基准上的得分全部落在56-59分区间——什么概念？这个得分已经和西方前沿模型持平了。

    价格才是真正的杀手锏

    如果能力持平还不够震撼，那成本数据绝对让你倒吸一口凉气：这4款模型的推理成本，最高不超过Claude Opus 4.7的三分之一。

    我觉得这里有个被很多人忽略的逻辑：AI能力如果可以低价获取，那么”前沿模型的护城河”到底在哪里？如果Kimi K2.6或者DeepSeek V4能以1/3的价格做到Opus 4.7差不多的事情，那企业采购决策会不会悄然生变？

    这不是简单的性价比问题，而是整个AI供应链的话语权在转移。

    “落后6-9个月”为什么不成立？

    State of AI报告里有一句话我很认同：”中国落后6-9个月”的旧框架在智能体编码领域已不成立。

    NIST的CAISI评估显示，DeepSeek V4的跨域基准综合表现落后美国前沿约8个月，但DeepSeek自己的模型卡显示V4-Pro与Opus 4.6、GPT-5.4持平。两个结论都是对的——只不过评估的维度和基准不同而已。

    这其实揭示了一个更深的真相：AI能力的比较，已经不再是单一时间轴上的先后问题，而是评估者、支架工程、基准设计的综合博弈。当多个最优模型来自中国且为开源权重时，”追赶者”这个标签就已经失效了。

    开源权重：中国AI的”农村包围城市”？

    还有一个细节值得琢磨：这4款模型全部开源权重。我觉得这不是巧合，而是一种极其聪明的战略选择。

    开源意味着什么？意味着全球开发者可以本地部署、可以微调、可以嵌入自己的产品而不用看任何人的脸色。当西方实验室还在纠结”该不该开源”的时候，中国实验室已经用开源完成了全球开发者生态的布局。

    Kimi K2.6发布时展示了一个12小时连续工具使用轨迹，演示了将推理引擎移植到Zig的完整过程——这种”晒能力”的方式本身就很有说服力，比发一篇论文直观多了。

    这件事的真正影响可能还没显现

    我觉得现在讨论”中国AI是否赶超”还为时尚早，但有一个趋势已经很清晰了：在整个AI领域最具经济影响力的能力（编码和智能体工程）上，多个最优模型来自中国且为开源权重，这件事的长期影响可能被严重低估了。

    企业采购、开发者工具链、云服务定价、甚至AI安全的研究议程——所有这些都将因为这个变化而重新调整。我不是在说”中国AI已经全面领先”，而是说”全面落后”这个叙事已经失去了事实基础。

    参考资料：State of AI: May 2026, Air Street Press

  • TradingAgents：用多智能体协作做金融交易决策，GitHub 7.3万星

    TradingAgents：用多智能体协作做金融交易决策，GitHub 7.3万星

    TradingAgents架构图

    📋 项目简介

    TradingAgents 是一个多智能体LLM金融交易框架，模拟真实交易公司的运作方式——部署基本面分析师、情绪分析师、技术分析师、交易员和风控团队等多个专业AI智能体，通过协作讨论来评估市场状况并做出交易决策。

    项目目前在GitHub上已获得 73,887 ⭐，本周新增 7,259 颗星，热度持续攀升中！🔥

    🛠️ 安装要求和过程

    环境要求

    • Python 3.10+
    • 至少一个LLM API密钥（OpenAI / Google / Anthropic / DeepSeek / Ollama等均可）
    • Alpha Vantage API密钥（用于获取市场数据，免费注册即可）

    快速安装

    # 克隆仓库
git clone https://github.com/TauricResearch/TradingAgents.git
cd TradingAgents

# 创建虚拟环境
conda create -n tradingagents python=3.13
conda activate tradingagents

# 安装依赖
pip install .

# 设置API密钥
export OPENAI_API_KEY=your_key_here
export ALPHA_VANTAGE_API_KEY=your_key_here

# 启动交互式CLI
tradingagents

    🐳 Docker用户：

    cp .env.example .env  # 填入你的API密钥
docker compose run --rm tradingagents

    如果想用本地模型（Ollama），还可以：

    docker compose --profile ollama run --rm tradingagents-ollama

    ⚡ 核心功能

    1. 🧠 多智能体协作架构：模拟真实交易公司的团队分工，包括基本面分析师、情绪分析师、新闻分析师、技术分析师、看涨/看跌研究员、交易员、风控团队和投资组合经理，共8大角色协同工作。
    2. 🤖 多LLM支持：兼容OpenAI、Google Gemini、Anthropic Claude、xAI Grok、DeepSeek、Qwen、GLM、MiniMax、OpenRouter，还支持Ollama本地部署和Azure OpenAI等企业级方案。
    3. 💾 持久化决策日志：记录历史决策和收益表现，让智能体从过去的经验中学习，越用越聪明。
    4. 🔄 断点续跑：运行中断后可从上次成功步骤恢复，不怕意外崩溃丢失进度。
    5. 📊 交互式CLI：通过命令行界面选择股票代码、日期、LLM模型和研究深度，操作简单直观。

    🎯 典型使用场景

    1. 📈 个人投资研究助手：我平时关注几只科技股，用TradingAgents可以让多个AI分析师从不同角度评估一只股票——基本面、技术面、市场情绪一次性看全，比我自己翻研报效率高太多了。比如分析NVDA，它会自动调用基本面数据、近期新闻、Reddit讨论，然后给出综合判断。
    2. 🏫 金融AI研究实验：项目附带了学术论文（arXiv:2412.20138），如果你在做LLM+金融方向的研究，可以直接基于这个框架做对比实验、消融实验，代码结构清晰，改起来很方便。
    3. 🎓 量化交易学习与实践：想入门量化交易但又不想从零搭建系统的同学，TradingAgents提供了一个完整的端到端框架。从数据获取、多维度分析到交易决策和风控，全流程覆盖，而且支持DeepSeek、Ollama等本地模型，零成本就能跑起来。

    💡 推荐理由

    说实话，我试用过不少AI交易工具，但大部分要么太简单（单模型单任务），要么太黑盒（不知道AI为什么这样决策）。TradingAgents不一样——它的多智能体辩论机制让我印象深刻。看涨研究员和看跌研究员会针对同一只股票展开辩论，最终由交易员综合双方观点做出决策。这种机制比单一模型直接输出”买”或”卖”要透明得多，你清楚地知道决策背后的逻辑。

    另外，对国内用户很友好：支持DeepSeek、Qwen、GLM等国产模型，还区分了国内版和国际版的API密钥，Ollama本地部署也很丝滑。即使没有海外API，照样能用。

    ⚠️ 友情提醒：项目明确标注仅供研究用途，不构成投资建议。股市有风险，AI也有幻觉，千万别直接拿它的输出当交易信号。

    🔗 下载地址

  • Anthropic Q1收入暴涨80倍！AI赛道正式进入”商业化决赛”

    Anthropic用一份惊人的财报证明了：AI公司不只可以讲故事，还可以真正赚钱。

    从”小而美”到”超级独角兽”

    说实话，我之前对Anthropic的印象一直是”技术很强、商业化很佛系”。毕竟背靠Google和Amazon两位金主爸爸，似乎没必要那么着急变现。

    但最新数据直接打了我的脸——Anthropic Q1收入同比增长80倍，ARR（年度经常性收入）已经突破440亿美元。

    这是什么概念？440亿美元已经相当于一个中大型科技公司的体量了。而且是在AI赛道普遍还在”烧钱换增长”的背景下实现的。

    💡 小科普：ARR是Annual Recurring Revenue的缩写，即年度经常性收入，是SaaS公司最核心的指标之一。

    算力即护城河：与SpaceX的超级合作

    更让我惊讶的是他们的基础设施布局。

    Anthropic刚刚与SpaceX签署了Colossus 1超级计算机的合作协议——220,000+块NVIDIA GPU、300MW算力。

    300MW是什么概念？一个小型城市的用电量。

    这波操作的逻辑很清晰：算力就是AI时代的护城河。谁掌握了更多算力，谁就能训练出更强的模型，谁就能吸引更多付费客户。

    Agentic AI：从玩具到印钞机

    Q1增长80倍的背后，我认为最关键的原因是Agentic AI（AI智能体）的商业化落地。

    他们内部有个叫”Project Deal”的项目——69个AI Agent在分类市场上完成了186笔交易。这不是PPT上的Demo，是真金白银的收入。

    这说明什么？企业用户终于愿意为”能干活”的AI买单了。不是聊天机器人那种玩具，而是能自动化完成业务流程的智能体。

    🤖 划重点：Agentic AI（AI智能体）是能够自主完成复杂任务的AI系统，如自动处理订单、数据分析、客户服务等。

    我的思考

    说实话，Anthropic的爆发让我重新审视了AI赛道的竞争格局。

    之前大家都在说OpenAI是绝对的老大，但看看数据：Anthropic ARR 440亿+增长80倍，DeepSeek正在谈450亿估值融资，国内的GLM、MiniMax、Kimi也在疯狂追赶。

    AI已经进入”商业化决赛”阶段了。 光有技术不行，还得能变现。这波浪潮里，能活下来的要么是技术绝对领先，要么是商业化能力超强。

  • AI专家和普通人之间的鸿沟，正在越拉越大

    AI专家和普通人之间的鸿沟，正在越拉越大

    AI发展

    前几天看到斯坦福大学发布的年度AI报告，有个数据让我印象挺深：美国只有10%的普通人对AI感到兴奋，而高达56%的AI专家相信AI会让美国变得更好。这差距，不是一般的大。

    更让我意外的是，这股反AI情绪的主力军，居然是年轻人。调查报告显示，Z世代虽然天天在用AI，但反而越来越悲观、越来越焦虑。这个结论，说实话有点颠覆我的认知——按理说，年轻人应该是最先拥抱新技术的群体才对。

    仔细想想，其实也不难理解。我们每天刷到的新闻，不是某某公司用AI裁员，就是电价要涨、因为数据中心太耗电了。对普通人来说，AI再高大上，也比不上月底的工资条来得实在。反观那些AI大佬们，张口闭口都是AGI（通用人工智能）、超级智能，听着就像在聊科幻片。

    这种”鸡同鸭讲”的局面，最近闹出了不少动静。前阵子OpenAI CEO山姆·奥特曼的家被人袭击，社交媒体上的反应两极分化——圈内人震惊于这种暴力行为，但民间评论区的画风却是另一回事，甚至有人把它跟之前一些极端事件相提并论。这种情绪的蔓延，值得警惕。

    报告里还有几个数据挺有意思：84%的AI专家认为AI会改善医疗，但只有44%的普通人这么想。73%的专家看好AI对工作的影响，而公众这边只有23%。69%的专家认为AI对经济有益，普通人这边只有21%。

    最让我意外的是关于就业的预测——64%的美国人觉得AI会导致失业，但AI专家们反而没那么悲观。这就有意思了，到底是专家们太乐观，还是普通人太悲观？

    还有个数据值得关注：美国人对政府监管AI的信任度只有31%，在全球主要国家里排名最低。新加坡最高，达到81%。但与此同时，41%的美国人觉得现有的监管力度还不够，只有27%担心管得太严。

    说到这里，我想聊聊我自己的观察。我身边做技术的朋友，大多数对AI是积极拥抱的态度，觉得这是工具革命，是提效神器。但做传统行业的朋友，普遍更谨慎，有的甚至有点抵触。这种分歧，不只是认知问题，更多是利益站位不同——受益于AI的人和可能受损的人，想法自然不一样。

    那么问题来了：这种鸿沟会越来越大吗？我个人的判断是，短期内可能还会加剧。毕竟AI技术迭代太快，普通人很难跟上节奏。但长期来看，当AI真正渗透到各行各业，大家发现”原来这玩意儿也没那么可怕”的时候，态度可能会慢慢转变。

    关键是，在这个过渡期里，怎么让AI发展的红利更均匀地分配，让更多人受益，而不是只肥了少数人。这才是真正需要解决的问题。

    至于我们普通人，与其焦虑，不如早点学会用AI。毕竟，会用工具的人，永远比被工具替代的人多一条路。