YOHO AI

标签： 企业AI

  • 开源AI抢走流量，Anthropic凭什么还在赚大钱

    一个反直觉的现象

    上周，客服 AI 公司 Decagon 的 CEO Jesse Zhang 发了一篇长帖，标题很嚣张：”大家都搞错了企业里的开源 AI”。他抛出一个挺有意思的矛盾：在自己公司里，越来越多成熟的业务正在切到更轻量的模型上，可花在那些最贵的前沿模型上的总预算，几乎一点没少。

    这跟很多人预想的不一样。按常理，开源模型又免费又能自己部署，前沿实验室早该被冲得七零八落。但 Zhang 认为，这俩根本不是对手，更像是同一个生命周期里的两个阶段。

    前沿实验室会继续握着”发现”，开源则会一点点吃掉”生产”。

    用大白话说就是：先用贵的前沿模型把一个新场景跑通、验证它能赚钱，等路子熟了，再挪到便宜的开源模型上规模化。前端探路，后端量产，各司其职。

    数据摆出来，前沿真没吃亏

    Zhang 没给太多数据，但这种数据其实到处都是。Vercel 的 AI 网关看板显示，就这一周，DeepSeek 的 Token 量已经冲到全平台的三分之一以上，背后是 GLM-5.2 的 Z.ai 也挤进了第四。可往下滑到”总支出”那栏，Anthropic 一家还是占了半壁江山。

    OpenRouter 的故事也差不多。DeepSeek V4 Flash 每周处理 5.3 万亿 Token，是最忙的；而最火的前沿模型 Opus 4.8 才 2 万亿出头。但 Opus 每百万 Token 要 1.37 美元，V4 Flash 只要 6 美分，贵了快 23 倍。算下来，花钱的大头还是落在前沿模型手里。连英伟达刚放的 Nemotron 都还没算进去。

    开源AI与前沿模型的双层经济
    开源模型吃下了流量，前沿模型守住了利润（图：TechCrunch）

    为什么开源赢不了”钱”

    一种解释是，AI 能干的活儿增长得太快了，前沿模型只要卡住早期那些最难、最值钱的部署，就能一直待在牌桌上。另一种解释更实在：很多场景就是太难，便宜模型暂时顶不上。

    • 垂直类 AI 公司确实在往轻量模型迁移，这条预言已经应验；
    • 但”GPT 套壳”类创业公司的账，算下来还是稳的；
    • 最关键的是，按 Token 算，前沿厂商死死攥住了最值钱的”溢价 Token”价格。

    作者想起去年九月自己写过的一个比方：基础模型公司到最后可能变成给星巴克供咖啡豆的——自己是商品原料，利润全被应用层赚走。现在看，这个预言只兑现了一半。

    所以眼下的格局，很可能不是”开源干掉前沿”，而是两套玩法长期并存：前沿负责开荒，开源负责量产。只要 AI 能做的事情还在指数级扩张，两边就都还有饭吃。至于这个平衡能维持多久，大概得看下一个更难啃的场景，到底落在谁手里。

  • Databricks估值冲到1880亿美元：一家大数据公司怎么讲成了AI故事

    Databricks 又涨价了。7月17日，这家公司宣布新一轮融资，估值直接跳到 1880 亿美元，领投方是老牌对冲基金 Coatue。具体融了多少钱，Databricks 没明说，只说钱还没到账，这轮要等到今年夏天晚些时候才正式 close。有 VC 跟 TechCrunch 透露，这单很稳，想进来的机构太多，公司根本没必要藏着掖着这个新估值。

    估值坐火箭，钱却还没到账

    一家还没拿到钱的公司先开香槟庆祝估值创新高，这种操作在硅谷不算常见，但放在 Databricks 身上又顺理成章——它已经连着一年半在疯狂融资了。五个月前（今年2月）它刚以 1340 亿美元估值融了 50 亿美元；再往前五个月（2025年9月）是 1000 亿美元估值融 10 亿；再往前到 2024 年 12 月，那是当时破纪录的 100 亿美元融资、620 亿美元估值。轮次密到有人开玩笑说字母表快不够用了，有人发帖说”已经在等 Series AA 了”。

    “已经在等 Series AA 了”——轮次多到社区开始玩梗，侧面说明这家公司的融资节奏有多密。

    从大数据公司到 AI 供应商

    这套密集融资的背后，是一次相当成功的形象重塑。Databricks 2013 年成立，最早靠”大数据”起家——帮企业在云上存海量数据还能跑出飞快的分析。ChatGPT 出现之前，它头上贴的是”老牌 SaaS 明星”的标签。

    转折在于，它手里本来就躺着企业的核心数据，当各家开始想要”带企业级安全和治理的 AI”时，Databricks 几乎是顺水推舟接住了这波需求。它接二连三推出 AI 产品：

    • Lakebase：专为 AI 智能体打造的数据库
    • Unity：统一调度多家模型的 AI 网关
    • Omnigent：管理多个 agent 的”元编排”层

    开源模型成了它的省钱利器

    更妙的是，Databricks 成了企业拥抱便宜中国开源模型的一个标杆案例，尤其力推 Z.ai 的 GLM 5.2 做编程。上周 CEO Ali Ghodsi 把自己公司 3000 名工程师的真实 AI 成本 benchmark 晒了出来：在程序员实际干的活上，开源模型（尤其 GLM 5.2）现在已经能啃下最高难度的任务，而且总花费比 Anthropic 和 OpenAI 的闭源模型低。

    有个发现挺出乎意料：影响成本的除了模型本身，那层”harness”（包裹模型的智能体编程工具，比如 Codex 或 Claude Code）也同样关键。他们测下来，开源的 Pi 在管理上下文上特别能打，成本低还不掉质量。

    “模型选择只是拼图的一块，别把它当成全部。”——Ghodsi 的总结点破了一件事：省钱的胜负手，往往不在模型单价。

    这套”AI 公司”的人设，让 Databricks 的融资和估值一路坐上火箭。现在 AI 的光环有多强？连三明治店 Jersey Mike’s 在 IPO 文件里都提了 22 次 AI。这年头，沾上 AI 叙事，估值就能多飞一会儿。

    Databricks 估值随 AI 叙事飙升
    数据中心的钱，正随着 AI 叙事流向 Databricks 这样的平台（图源：TechCrunch）

  • 穆拉蒂的 Thinking Machines 发布开源模型 Inkling，赌定制 AI 胜过万能模型

    Thinking Machines 创始人 Mira Murati
    Mira Murati 离开 OpenAI 后创办的 Thinking Machines Lab（图源：TechCrunch / Getty Images）

    Mira Murati 离开 OpenAI 后创办的 Thinking Machines Lab，憋了一年半，终于在周三把第一个自家模型拿了出来，名字叫 Inkling。它最特别的地方不是有多强，而是”开放权重”——外面的人能直接下载、修改、自己拿去用，不必永远挂在别人的服务器上按次付费。

    一个 9750 亿参数的”混合专家”

    Inkling 用的是混合专家架构（MoE），总参数 9750 亿，但每次只调动其中约 410 亿来干活。这种”大身子小身段”的设计现在很常见，好处是模型够大、跑起来又不至于太贵太慢。它在 45 万亿 token 的文字、图片、音频、视频上训过，四种模态它都能原生推理，不过目前只吐文字——代码、带格式的卡片、结构化数据都行。

    不跟你比谁最强，只求”哪都能凑合”

    公司自己都说了，Inkling”现在不是最强的模型，开源闭源都不是”。那它图什么？图的是”全面发展”。它会给你有把握的答案，没把握就明说”我不确定”，而不是硬编；你还能自己调”思考力度”，想快就轻一点，想深就重一点。官方说在代码 benchmark 上，它用的 token 只有英伟达 Nemotron 3 Ultra 的三分之一，就能达到同样的水平。

    由一家公司集中训练、然后定死的 AI，往往不如组织自己塑形的 AI——因为太多专业知识只属于掌握它的人。

    上面这句话，是 Thinking Machines 上周那篇博客的核心论点，也是这次发布想撑起的背景。

    真正的赌注：企业自己改的，比万能模型更好用

    Inkling 现在的定位不是成品，而是”起点”。组织可以用它的 Tinker 平台自己微调，把它变成贴合自己业务的东西。代价是：安全和合规得你自己负责，微调也确实要正经的机器学习人才。这和 OpenAI、Anthropic、Google 的打法正好反过来——那三家先把 ChatGPT、Claude、Gemini 当通用聊天机器人卖，再把智能体能力叠上去。

    为什么”自己养模型”突然成了潮流

    这个方向不是 Thinking Machines 一个人在喊。微软 CEO 纳德拉上周就警告企业，用闭源模型等于”付两遍钱”：一遍订阅费，一遍把你 prompt 和纠正里藏着的业务机密，喂进了人家的下一代模型。Hugging Face 的 Clem Delangue 也判断，前沿模型以后只留给试验和高价值任务，真正跑生产的活会挪到私有或开源模型上——这正是 Thinking Machines 押注的路线。

    最有说服力的一仗，是它和全球最大对冲基金 Bridgewater 的合作。两边用现成的开源模型，喂上 Bridgewater 自己的金融经验再训一轮，据说在金融推理测试里拿到 84.7%，干翻了一堆顶级闭源模型，而成本只有大概十四分之一。不过这分数两家自己评的，还没独立验证。

    九年还是九个月

    OpenAI 从技术面世到赚钱花了约五年，Anthropic 约三年，Thinking Machines 说自己只用了九个月。至于钱从哪来，公司一贯讳莫如深——三月它和英伟达签了部署一吉瓦 Vera Rubin 算力的合作，Inkling 全在 GB300 NVL72 上训出来的，但怎么 cover 这笔开销，它没说。

    团队现在大约 200 人，比年初一波离职（包括两位联合创始人跳回 OpenAI）后稳住了。公司的文化刻意不捧个人，按理说谁走都不算大新闻——虽然它整个故事到现在都还绑在那位知名联合创始人的名字上。

  • 黑石和Anthropic合押15亿美元：这次赌的不是谁家模型强，而是谁能让AI真落地

    这两年大模型一个比一个能打，可真到了企业里，很多人反而更迷糊了：模型是买回来了，钱也花了，然后呢？大部分公司折腾半天，AI 试点项目最后都卡在”演示很惊艳、上线遥遥无期”这一步。现在有人押了一大笔钱，赌的就是解决这个”最后一公里”。

    企业级 AI 落地服务示意
    押注 AI 落地服务，而不是继续卷模型本身。图片来源：TechCrunch

    这家公司叫 Ode with Anthropic，估值 15 亿美元，今年五月悄悄成立，背后是 Anthropic 联手黑石（Blackstone）、Hellman & Friedman、高盛等一票资本搞的合资公司。它的定位不是再造一个更强的模型，而是专门帮别的企业把 AI 真正用起来。有意思的是，OpenAI 早前也干了同样的事，成立了自己的 The Deployment Company。两家顶级大模型公司不约而同地承认了同一件事：想拿下企业客户，光有更好的模型远远不够。

    这门生意是怎么长出来的

    Ode 最早的点子来自黑石。黑石在给自己投资组合里的公司铺 AI 时发现了一个大坑——请来的大型咨询公司太笨重，小的 AI 服务作坊又不够专业，中间是空的。其中一家叫 Fractional AI 的工程服务创业公司格外能打，于是合资公司干脆把它买了下来，当成整个 Ode 的地基。顺带一提，Fractional 被收购时，正好结束了和 OpenAI 长达 11 个月的合作。

    如今 Ode 手上有 100 名工程师，跟 Anthropic 的应用 AI 团队紧密配合，专门去摸清 AI 能在哪些业务环节真正产生价值，再为每家公司量身搭系统。Anthropic 自己的内部团队则继续盯着那些战略级、使命相关的大客户。

    “如果我们执行得好，把它想象成一家万亿美元的公司其实并不难。”——Ode CEO、Fractional 联合创始人 Chris Taylor

    “特种部队”，而不是一支人海大军

    Ode 挑客户有个硬标准：老板得是真信这套东西的人。Taylor 说，他们接的活儿往往是某家公司 CEO 排在前一两位的头等大事，要么是未来两年最重要的产品功能，要么是要重做公司最核心的业务流程。这活儿不轻，所以团队配置也很讲究——超过一半的工程师本身就是前创业者，被内部叫做”成年人级别的工程师”，是精挑细选的特种部队，而不是靠人头堆出来的前线部署工程师（FDE）大军。

    Ode 走的是”Claude 优先”路线，能用 Anthropic 的技术就用，比如 Slack 里的 Claude Tag，但也不排斥在必要时上竞品模型。首席技术官 Eddie Siegel 的比喻挺到位：选模型就像写软件时选编程语言，重要，但绝不是花力气最多的地方。

    “我不会用一家企业选了 Python 还是 Java，去定义它的转型成不成功。”——Ode 首席技术官 Eddie Siegel

    值得盯着的几个点

    • Ode 的核心信念是：那些非 AI 公司，只要用对方法，反而可能成为这波 AI 浪潮里最大的赢家。
    • 背后的私募资本会把自己投的公司源源不断介绍给 Ode，但业务并不只做这些内部客户。
    • 对手不只有 OpenAI 的 The Deployment Company，还有德勤、埃森哲这些也组建了 FDE 团队的咨询巨头。
    • 最大的软肋是人：顶尖工程人才本就稀缺，想一边扩张一边保住”精品”水准，几乎是道解不完的题。

    说到底，模型这几年跑得太快，企业却没跟上。Ode 赌的不是谁家的模型更聪明，而是有没有人能把这块”会魔法但也会胡说八道”的原料，稳稳嵌进真实业务里。这个判断对不对，接下来两年就能见分晓。

  • 纳德拉给用AI的公司提了个醒：你正把家底一点点喂给对手

    硅谷这阵子最让 AI 拥护者睡不着的，不是模型会不会取代人，而是另一件更微妙的事：企业天天把机密数据喂给 OpenAI、Anthropic 这些大厂的模型，会不会等于亲手养大了自己未来的对手。这话以前多是投资人和 Palantir 的老板 Alex Karp 在说，现在，微软 CEO 纳德拉也加入了这个阵营。

    让人意外的是提醒的人是他。要知道微软在 OpenAI 和 Anthropic 身上都下了重注，自家 CEO 却公开叫客户小心模型厂商，这份分量就不一样了。他把这套逻辑写进一篇叫《逆向信息悖论》的博客里，核心就一句话：你用 AI，其实付了两遍钱。

    “你实际上为智能付了两次费，一次用钱，另一次用更宝贵的东西：为了让它真正好用，你不得不交出去的专有知识。你越想让模型表现好，就得喂给它越多这样的知识。” —— 萨提亚·纳德拉

    微软CEO纳德拉警告企业使用AI的隐性成本
    纳德拉的这篇博客被看作对前沿实验室数据“双标”的一次开炮 · 图片来源：TechCrunch

    真正贵的不是 token，是你交出去的经验

    纳德拉说，token 的钱是明码标价的，你知道自己在花；可另一笔支出你根本没察觉。企业为了让模型更懂自己的业务，会一点点把经营诀窍教给它。模型从”使用痕迹”里学习——你写的提示词、智能体调用的工具，尤其是模型犯错时你给的纠正。每一次纠正，都会沉淀成一份企业级的经验。

    而这种经验，恰恰是竞争对手花再多钱也买不来的。问题就在这儿：你在用模型的过程中，主动把它送了出去。时间一长，卖方越来越懂你，你却对它一无所知，信息差只会越拉越大。这就是他说的”逆向信息悖论”——传统市场里是卖方担心白送知识，AI 时代反过来了，轮到买方在白送。

    凭什么你能爬全网，我却不能”蒸馏”你

    纳德拉还顺手点了 AI 公司的双标。这些公司一边主张自己能”合理使用”全网的公开内容来训练模型，一边又在条款里禁止别人”蒸馏”它们的模型——所谓蒸馏，就是分析一个模型的输出，摸清它怎么工作，再据此训练一个通常更便宜的新模型。他觉得很讽刺：既然你能拿全世界的数据训练，那企业反过来研究你的模型，也该是公平的。

    他最警惕的，是模型厂商在服务条款里”保留从客户使用和交互数据中学习的权利”这一条。今年 2 月 Anthropic 还指控过中国的开源模型给 Claude 发了数百万条提示词来改进自己，转头呼吁政府收紧出口管制。纳德拉的意思很直白：这事不能只许一方做。

    他开的药方，顺便也是微软的生意

    当然，作为一家云巨头的老板，纳德拉给的解法也很”云巨头”。他建议企业把数据的所有权攥在自己手里——提示词、反馈这些都算，然后在云上搭一个”专属学习环境”（数据反正大概率已经存在云上，顺理成章可以是微软的 Azure）。他还主张加一层”编排层”，让企业能在不同厂商的模型之间随时切换，别被一家锁死。

    这套话里没直接说”开源”，但潜台词很明显。很多大公司已经在把开源模型部署到自己机房里跑。做 AI 网络与安全的 Solo.io 创始人 Idit Levine 就说，她的客户试完专有模型后，开始琢磨一个问题：能不能用开源模型在本地跑，做到前沿模型近九成的活，成本还低得多。数据也在佐证这股风——上个月经 Vercel 的 AI 网关传输的流量里，已经有 29% 流向了开源模型。这早就不是小圈子的实验，而是一条正在成形的采购趋势。

    • 诊断值得每个 CTO 认真对待：先盘一下哪些系统在把原始客户数据、定价逻辑、运营手册喂给第三方模型；
    • 在生产环境的 AI 前面加一层网关，保证随时能换供应商；
    • 别再把”我们用了 Claude/GPT”当成战略，它更像一件带着数据泄露面的租来的商品。

    纳德拉的诊断和药方，一个偏公心，一个偏私利——Azure 依然是把数据留在云上、只换模型这套逻辑的赢家。但诊断本身没毛病，值得任何一家正在大规模用 AI 的公司拿去对照一遍。

  • Anthropic和黑石押注15亿美元：下一个万亿生意，是教企业把AI用起来

    这两年大模型越来越能打，可真到了企业里，一个很现实的问题冒了出来：模型是买回来了，然后呢？怎么把它塞进公司原本的流程里，让它真的干活、真的赚钱？Anthropic 和黑石集团给出的答案是——这门”教企业用 AI”的生意，才是下一个万亿级别的入口。

    企业AI落地部署
    Anthropic 与黑石等机构合资成立 Ode，专攻企业 AI 落地｜图源 TechCrunch

    今年 5 月，Anthropic 联合黑石、Hellman & Friedman、高盛等一票机构攒了个合资公司，砸进 15 亿美元。现在它有名字了，叫 Ode with Anthropic。OpenAI 那边也在做同样的事，起了个更直白的名字 The Deployment Company。两家头部实验室不约而同地承认了一件事：想拿下企业客户，光是把模型做得更强，远远不够。

    这门生意，其实是黑石先看明白的

    Ode 最早的点子来自黑石。它给自己投资组合里的公司做 AI 改造时，请来大型咨询公司，也找过小而美的 AI 服务作坊，结果发现中间有个明显的空档。其中一家叫 Fractional AI 的工程服务初创特别出挑，合资公司宣布没多久就把它买了下来——顺带说一句，被收购时 Fractional 刚结束了和 OpenAI 长达 11 个月的合作。

    Fractional 就成了今天 Ode 的底子，一家”规模化的精品作坊”。它的目标一点都不低调。Ode CEO、也是 Fractional 联合创始人的 Chris Taylor 在接受 TechCrunch 独家采访时说得很直接。

    “只要执行得好，把它想象成一家万亿美元的公司并不难。真正难的是，怎么在飞速扩张的同时，别把质量丢了。”

    目前 Ode 有 100 名工程师，和 Anthropic 的应用团队贴身合作，去挖每家企业里 AI 能真正发力的点，再按对方的业务量身搭系统。背后那些私募机构，则顺手把自家投的公司送过来当客户，不过 Ode 的服务不只卖给这些人。

    选哪个模型，反倒不是最费劲的事

    Ode 走的是”Claude 优先”路线，能用 Anthropic 的技术就用，比如 Slack 里的 Claude Tag，但需要时也不排斥竞品。首席技术官 Eddie Siegel 说，真正的门道在实施质量，在于能不能给具体的业务问题搭出定制方案。他打了个特别形象的比方。

    “选模型当然重要，但精力大头不在这儿。它只是要工程化的系统里的一味配料。就好比写软件时选 Python 还是 Java——我不会用这个来判断一次企业转型算不算成功。”

    Taylor 补了一句更根本的判断：那些本身不是做 AI 的传统公司，只要用对方法，反而可能是这波浪潮里最大的赢家。可 AI 这东西他形容为”神奇又爱胡说八道的配料”，想拿它去重做核心流程、改造客户体验，得有人帮忙才行，而顶尖的应用型 AI 人才，恰恰是大多数公司缺的。

    “特种部队”式的团队，能招够人吗

    Ode 把自己的团队描述成精英级的全栈工程师，一半以上当过创始人，用一位黑石高管的话说，这是一支”成熟工程师”组成的特种部队，而不是靠人海铺开的前置部署工程师大军。这种团队市场上供不应求，问题也就随之而来：

    • 既要有创业经历，又要懂系统思维，还得有 AI 底子和企业级产品判断，符合条件的人本就稀缺；
    • 对手不只有 OpenAI 的 The Deployment Company，还有德勤、埃森哲这些搭起自家部署团队的咨询巨头；
    • 要在保持”精品”定位的前提下做到国际化扩张，人才这道坎绕不过去。

    对于人才池会不会枯竭，Siegel 倒不太担心。他觉得现在当创业者比任何时候都容易，端到端地折腾一摊事、去找产品市场契合、去推动业务往前走，这个过程学到的东西，比只解决一个小问题多得多，而这恰好就是 Ode 需要的那种人。到底会不会有足够多这样的人冒出来，眼下还没答案。但如果 Ode 和它背后的机构赌对了，下一场 AI 大战拼的就不只是谁的模型强，而是谁能把模型真正塞进全球最大那批公司的日常运转里。

  • Anthropic 发布 Claude Sonnet 5：中端价也能把智能体跑到底

    过去几个月，大模型公司之间比的不只是谁更聪明，而是谁更能自己干活。Anthropic 这两天把 Claude Sonnet 5 推到台前，定位很清楚：不是要取代旗舰模型 Opus 4.8，而是让中端价位也能跑起像样的自主智能体。

    Claude Sonnet 5 模型发布
    Anthropic 把新一代中端模型 Sonnet 5 推上了默认档位（图源：TechCrunch）

    从「会聊天」到「能办事」

    Anthropic 在发布说明里说得很直白：Sonnet 5 能制定计划、调用浏览器和终端这类工具，还能在相当长的时间里自己跑任务——这种能力在几个月前还得靠更大、更贵的模型。OpenAI 的 GPT-5.6 Sol 上周刚开预览，主打的也是把任务拆给子智能体；谷歌五月的 Gemini 3.5 Flash 同样在讲「从聊天机器人变成能动手干活的代理」。三家的话术出奇地一致，说明一件事：能自主干活，已经从卖点变成了每个价位段都要有的基本功。

    当大家都会干这点活之后，比拼的就不是「谁更能干」，而是「干同样的活要花多少钱、能不能少人盯着」。Sonnet 5 主打的就是这个：能力接近 Opus 4.8，但价格低一大截。

    「Sonnet 5 和 Opus 4.8 之间，用户可以自己调节投入的力度，在成本和效果之间找到平衡。」—— Anthropic

    价格才是这回真正的重头戏

    从周二起，Sonnet 5 成了免费版和 Pro 版的默认模型，所有订阅档位都能用。定价上，8 月 31 日之前是引导价：每百万输入 token 2 美元、输出 10 美元；过了这个窗口会涨到 3 美元和 15 美元。横向看，它比 Opus 4.8、OpenAI 的 GPT-5.5、谷歌的 Gemini 3.1 Pro 都便宜，当然还是贵过 Gemini 3.5 Flash。

    对真正在跑智能体的团队来说，这点差价会被反复放大。一个任务要不断翻文件、调工具、反复校验输出，账单是跟着调用次数走的。中端模型的意义不只是省一点边际成本，它往往决定一条工作流在生产环境里到底跑不跑得起来。

    能力到底够不够用

    Anthropic 的说法是，Sonnet 5 相比今年 2 月的 Sonnet 4.6，在推理、工具使用、写代码和知识工作上都明显进步。跑分上，智能体写代码一项它拿到 63.2%，Opus 4.8 是 69.2%，上一代 Sonnet 4.6 是 58.1%；而在知识工作这类 benchmark 上，Sonnet 5 甚至略微反超了以「啃硬骨头」著称的 Opus 4.8。

    早期试用的人给了更具体的例子。Zapier 的高级工程师 Daniel Shepard 说，他们交给 Sonnet 5 一个两步走的任务——更新 Salesforce 里的客户分级、再给企业联系人发发布通知——模型从头到尾跑完了。「以前这种活儿跑到一半就卡住，日常自动化这块，它基本没理由不选。」他还提到，Sonnet 5 会在没人明确要求的情况下自己检查输出对不对。

    • 能自主制定计划并调用浏览器、终端等工具，不再依赖人工分步喂指令
    • 在长链路任务里更不容易中途放弃，还会主动复核自己的产出
    • 相较上一代，更少胡说、更少「顺着你说」，也更会拒绝恶意请求、挡住提示词注入攻击

    安全这块也没含糊

    Anthropic 特意提了安全表现：Sonnet 5 在「配合滥用」「欺骗」这类不良行为上的发生率比上一代更低，也更擅长拒绝恶意请求、绕开提示词注入的劫持。当然，论对齐程度它还到不了 Opus 4.8 和 Claude Mythos Preview 的层次，官方也承认它执行危险网络安全任务的能力比现有 Opus 模型弱不少。

    Lovable 联合创始人 Fabian Hedin 的反馈点出了一个常被忽略的角度：把强力工具交到几百万开发者手里时，「知道什么时候该说不」和「知道怎么搭东西」一样重要。

  • Anthropic 发布 Claude Sonnet 5：中端价也能把智能体跑到底

    过去几个月，大模型公司之间比的不只是谁更聪明，而是谁更能自己干活。Anthropic 这两天把 Claude Sonnet 5 推到台前，定位很清楚：不是要取代旗舰模型 Opus 4.8，而是让中端价位也能跑起像样的自主智能体。

    Claude Sonnet 5 模型发布
    Anthropic 把新一代中端模型 Sonnet 5 推上了默认档位（图源：TechCrunch）

    从「会聊天」到「能办事」

    Anthropic 在发布说明里说得很直白：Sonnet 5 能制定计划、调用浏览器和终端这类工具，还能在相当长的时间里自己跑任务——这种能力在几个月前还得靠更大、更贵的模型。OpenAI 的 GPT-5.6 Sol 上周刚开预览，主打的也是把任务拆给子智能体；谷歌五月的 Gemini 3.5 Flash 同样在讲「从聊天机器人变成能动手干活的代理」。三家的话术出奇地一致，说明一件事：能自主干活，已经从卖点变成了每个价位段都要有的基本功。

    当大家都会干这点活之后，比拼的就不是「谁更能干」，而是「干同样的活要花多少钱、能不能少人盯着」。Sonnet 5 主打的就是这个：能力接近 Opus 4.8，但价格低一大截。

    「Sonnet 5 和 Opus 4.8 之间，用户可以自己调节投入的力度，在成本和效果之间找到平衡。」—— Anthropic

    价格才是这回真正的重头戏

    从周二起，Sonnet 5 成了免费版和 Pro 版的默认模型，所有订阅档位都能用。定价上，8 月 31 日之前是引导价：每百万输入 token 2 美元、输出 10 美元；过了这个窗口会涨到 3 美元和 15 美元。横向看，它比 Opus 4.8、OpenAI 的 GPT-5.5、谷歌的 Gemini 3.1 Pro 都便宜，当然还是贵过 Gemini 3.5 Flash。

    对真正在跑智能体的团队来说，这点差价会被反复放大。一个任务要不断翻文件、调工具、反复校验输出，账单是跟着调用次数走的。中端模型的意义不只是省一点边际成本，它往往决定一条工作流在生产环境里到底跑不跑得起来。

    能力到底够不够用

    Anthropic 的说法是，Sonnet 5 相比今年 2 月的 Sonnet 4.6，在推理、工具使用、写代码和知识工作上都明显进步。跑分上，智能体写代码一项它拿到 63.2%，Opus 4.8 是 69.2%，上一代 Sonnet 4.6 是 58.1%；而在知识工作这类 benchmark 上，Sonnet 5 甚至略微反超了以「啃硬骨头」著称的 Opus 4.8。

    早期试用的人给了更具体的例子。Zapier 的高级工程师 Daniel Shepard 说，他们交给 Sonnet 5 一个两步走的任务——更新 Salesforce 里的客户分级、再给企业联系人发发布通知——模型从头到尾跑完了。「以前这种活儿跑到一半就卡住，日常自动化这块，它基本没理由不选。」他还提到，Sonnet 5 会在没人明确要求的情况下自己检查输出对不对。

    • 能自主制定计划并调用浏览器、终端等工具，不再依赖人工分步喂指令
    • 在长链路任务里更不容易中途放弃，还会主动复核自己的产出
    • 相较上一代，更少胡说、更少「顺着你说」，也更会拒绝恶意请求、挡住提示词注入攻击

    安全这块也没含糊

    Anthropic 特意提了安全表现：Sonnet 5 在「配合滥用」「欺骗」这类不良行为上的发生率比上一代更低，也更擅长拒绝恶意请求、绕开提示词注入的劫持。当然，论对齐程度它还到不了 Opus 4.8 和 Claude Mythos Preview 的层次，官方也承认它执行危险网络安全任务的能力比现有 Opus 模型弱不少。

    Lovable 联合创始人 Fabian Hedin 的反馈点出了一个常被忽略的角度：把强力工具交到几百万开发者手里时，「知道什么时候该说不」和「知道怎么搭东西」一样重要。

  • 一家「原生 AI 律所」拿到 12 亿美元估值：不按小时收费，按结果算账

    法律 AI 这条赛道又冒出一只独角兽。一家叫 Norm 的公司把律师和 AI 智能体塞进同一个平台，还让 AI 去监督别的 AI，本周拿下了 12 亿美元的估值。它最反传统的做法，是不按小时收费，而是按结果算账。

    一笔带着「跨界钱」的融资

    Norm 这周宣布完成 1.2 亿美元 C 轮，由 Khosla Ventures 领投——这家机构也是 OpenAI 最早的机构投资方。成立不到三年，估值已经冲到 12 亿美元，正式跻身独角兽行列。投资方阵容很特别：黑石前总裁 Tony James、Kirkland & Ellis 前主席 Jeff Hammes 以个人身份入局，Bain、Coatue、Vanguard、纽约人寿、TIAA 这些金融和老牌律所背景的机构也跟了。算上这轮，Norm 累计融资已经超过 2.6 亿美元。

    它到底在做什么

    Norm 搭了一家叫 Norm Law 的「原生 AI 律所」，底层跑的是自家研发的 AI 智能体，再配真人律师在旁边盯着、校准。企业客户把法律活儿交给它，它用智能体去起草、审阅、跑流程。更往前一步的是，Norm 还在做能监督其他 AI 智能体的「上层智能体」——当别的公司把 AI 放到越来越要紧的岗位上，Norm 的 Agent 可以替你看看它们干得合不合规。

    「随着 AI 能力往前冲，最大的机会之一，是搭起 AI 与法律——人类价值观最权威的载体——之间的接口。」—— Norm 创始人兼 CEO John Nay

    AI 智能体监督法律工作的概念图
    AI 智能体彼此监督：当 AI 接管要紧岗位，谁来替企业把关合规

    不按小时，按结果

    最反传统的其实是收费方式。整个行业都在按小时计费，Norm 偏要按「结果」收费。它创始人说，这样 AI 带来的效率和质量提升，能直接落到客户头上，而不是变成律所和模型厂商的计时小费。目前它的客户管理着超过 30 万亿美元的资产，把 Norm 的 AI 智能体直接用在自家法务团队里。

    法律赛道为什么突然挤破头

    Norm 不是孤例。Harvey、Legora 这两年都冒了出来，盯着同一块肥肉：把合同审阅、尽调、合规这些又繁琐又烧钱的活儿自动化。但 Norm 的打法更激进——它不只是在工具层面帮忙，而是干脆自己下场开了一家 AI 律所，把「人机协作 + 结果计费」做成了整套运营模式。在监管越来越重、企业又怕 AI 乱来的当口，这种「既用 AI、又有人兜底」的叙事，恰好戳中了大买家最在意的信任问题。

  • 一家AI代理公司让自家Agent去拉融资：130个投资人，它一个人都没见

    AI代理自主融资概念图
    AI代理SivaClaw主导Lyzr的1亿美元融资路演（概念图）

    这事儿巧得有点剧本感。据彭博的报道，一家叫Lyzr的新泽西创业公司，干了件挺绝的事：它自己是帮企业搭AI代理的，结果这一轮融资，它让自己的AI代理去拉。系统叫SivaClaw， reportedly 对接了130多个投资人，起草投资备忘录，甚至还能追踪哪些slide投资人停留得久。

    它把自家产品的路演，变成了产品演示

    Lyzr是个成立三年、base 在新泽西Jersey City的公司。这一轮是1亿美元的B轮，估值大概5亿美元。SivaClaw基本扛起了整个融资的”前锋”角色——回答问题、写材料、盯数据，一条龙跑完。对一家卖AI代理的公司来说，没有比”用自家代理融到钱”更顺滑的广告了。

    最耐人寻味的不是它干了多少活，而是创始人几乎没费腿脚。Lyzr对彭博说，他们从硅谷、中东和金融圈捞到了4亿美元的意向，全程没有哪个创始人飞出去，去Sand Hill Road挨家挨户喝咖啡、找人暖场介绍。

    真正的主线，是钱多到追着AI跑

    把这事单独看，是个很酷的产品故事；放到大环境里看，它其实在说另一件事。当下追着AI下注的资本实在太多，以至于一个有真实traction的创始人，连办公室椅子都不用离开，就能把九位数的钱聊下来。SivaClaw只是把这种”钱追项目”的失衡，用一种戏剧化的方式演了出来。

    AI代理正在一口口吃掉过去的白领工作，这点我们已经听了很多遍。但融资这件事，历来靠的是人脉、信任和一次次面对面磨出来的化学反应。当一个代理能代创始人去应对投资人、起草备忘录，说明连这块高度依赖”人”的地盘，边界也在往后退。

    但拍板的那一下，AI还替不了

    冷静一点看，这里头也有需要打个问号的地方。SivaClaw能写材料、能问答、能统计slide停留时长，可投资人最终掏钱，靠的是对创始团队的信任——这种信任往往是酒会、邮件往来和一次次坦诚沟通攒出来的，暂时还不是代理能生成的。

    资本愿意为”AI替我跑融资”这个故事买单，本身就已经说明市场热到了什么程度。比起 agent 真的解放了多少劳动力，更值得盯的是：这股热钱会不会把”会讲故事”和”真有产品”混为一谈。

    对Lyzr来说，最值钱的不是那1亿

    回到公司本身，这笔融资最划算的地方，是把它”产品能真干活”这件事，变成了活生生的案例。一个帮企业造代理的平台，自己先用代理跑通了最难的融资关，这套叙事拿去敲任何企业客户的大门都好使。

    不管你信不信”代理能替人融资”，Lyzr这波操作都给所有AI公司提了个醒：在资本这么拥挤的赛道里，最好的产品演示，可能就是你拿它把自己最头疼的那件事给办了。