YOHO AI

标签： AI技术

  • 谷歌把文生图价格打下来了：Nano Banana 2 Lite 四秒出图

    谷歌 Nano Banana 2 Lite 高速文生图概念图
    谷歌新发布的 Nano Banana 2 Lite 主打高速、低成本的文生图能力

    如果你最近在折腾 AI 画图，应该对”又慢又贵”这四个字不陌生。想要一张能用的图，等上二三十秒是常事，批量出图更是烧钱。谷歌这周悄悄把这个问题往前推了一步——6 月 30 日，它发布了 Nano Banana 2 Lite，定位很直白：快，而且便宜。

    四秒一张，价格低到可以忽略

    按照谷歌的说法，这个新模型生成一张图只要大约四秒，比上一代 Nano Banana 2 快了不止一点。价格更夸张，每生成 1000 张图只要 0.034 美元。什么概念？你拿它来反复试稿、批量产出，成本几乎可以当它不存在。它并不是来替代旗舰的——谷歌另外还有更贵的 Nano Banana Pro，以及性能更强的 Nano Banana 2。Lite 干的是另一件事：把”高频、海量、要快”这条路补齐。

    “Building with generative media is often about creative iteration，” 谷歌在博客里写道，”有了这两个模型，开发者能把快速出图和视频创作串成一条完整的流水线。”

    不是更聪明，是更合适

    Lite 牺牲了多分辨率和一些重型能力（只输出 1K 分辨率），把全部算力压在了速度和单位成本上。对电商素材、广告创意快速迭代、自动化内容流水线这类场景来说，这恰恰是痛点。它已经通过 Google AI Studio、Gemini API 和 Gemini Enterprise Agent Platform 上线，并且直接取代了初代 Nano Banana——谷歌现在把初代叫做”legacy model”（遗留模型）。

    图片只是起点，视频才是下一步

    同一天，谷歌还把 Gemini Omni Flash 的开放范围扩大了。这个模型能把静态图直接变成视频，每秒输出收费 0.10 美元。谷歌顺手展示了个叫 Omni Product Studio 的演示应用，能把 Nano Banana 生成的图转成”电影感的电商视频”。换句话说，先用 Lite 极速出图，再喂给 Omni Flash 做视频，一条龙。

    热闹背后，争议没停

    当然，这事没那么干净。AI 生成图被骂成”AI slop”（AI 垃圾内容）的声音一直没断，有研究说 TikTok 上六成视频、YouTube 上两成多的内容都是 AI 生成的。可即便如此，大厂还在往里砸钱。

    谷歌自己也在靠近好莱坞——它刚和文艺片厂牌 A24 签了 7500 万美元的合作，粉丝那边反弹不小。一边是创作社区的警惕，一边是资本和效率的推力，文生图这条赛道只会更挤。

    • 速度：单张 1K 图约 4 秒，是上一代的五分之一
    • 成本：每 1000 张 0.034 美元，规模化出图几乎零边际成本
    • 定位：取代初代 Nano Banana，专注高吞吐工作流
    • 生态：与 Gemini Omni Flash 打通，图生视频一气呵成

  • Mistral也来抢机器人赛道：一个普通摄像头，让机器人在办公室里自己认路

    法国AI公司Mistral，大家更熟悉的是它那些开源大语言模型。但7月8日它悄悄把触角伸到了”物理世界”。新发布的Robostral Navigate是Mistral第一款面向机器人导航的模型，参数只有80亿，却干了件挺反直觉的事：让机器人只靠一个最普通的RGB摄像头，就能在复杂空间里自己走路、认路，不用激光雷达，也不用深度传感器。

    传统方案要让机器人不撞墙，往往得堆传感器——LiDAR、深度相机、好几路摄像头一起上。Robostral Navigate偏要做减法。它接收摄像头画面和一句大白话指令，比如”走出大堂，穿过走廊，进储物间，停在第二个货架正前方”，就自己驱动机器人走完整个流程，连训练时从没见过的人和障碍物都能现场避让。

    Mistral Robostral Navigate 单摄像头机器人导航
    仅凭一颗摄像头，Robostral Navigate 让机器人在办公空间自主导航（配图由AI生成）

    在R2R-CE这个导航基准上，它在没见过的环境里成功率76.6%，见过的有79.4%。更扎眼的是，它比此前最好的单摄像头方案高出9.7个百分点，甚至比用着深度或多摄像头的系统还高出4.5个百分点——”一只眼”反而赢了”多只眼”。

    怎么做到的：先学会”指路”，再学会”走路”

    核心是一套基于”指向”的导航机制。模型看着当前画面和历史指令，预测机器人下一步该往画面里的哪个坐标走、到了之后该朝向哪边。比起直接给”往前两米、左转25度”这种精确位移指令，这种”指路”的方式天然不挑相机参数、也不挑空间尺度，同一个模型能装在轮式的、腿式的甚至飞行的机器人上。

    训练上Mistral也走了一条省钱的路。整个模型完全在模拟环境里训出来，用6000个虚拟场景攒了大约40万条轨迹。再配上前缀缓存（prefix-caching）的训练算法，把整段任务压成一条序列一次训完，训练token量砍到原来的1/22，原本要几个月的活儿压缩到几天。最后再上一轮在线强化学习（CISPO），成功率又多榨出3.2个百分点。

    为什么这件事值得盯

    对Mistral来说，这只是通向”统一具身智能体”的第一步，但它戳中的是机器人落地最贵、最麻烦的一块——感知与导航。制造业、配送、物流、酒店这些场景里，”让机器自己从A走到B”向来是客户最想要的本事。把硬件门槛从一套传感器阵列降成”一颗摄像头加80亿参数”，意味着更多中小玩家也能碰机器人了。

    • 模型完全自研，不依赖任何开源视觉语言模型，从Mistral自家的 grounding 模型初始化而来。
    • 对相机内参差异很皮实，不同机器人、不同摄像头都能通用，部署起来省心。
    • 团队明确说还没看到性能天花板，更多训练和数据还能继续把数字往上推。

    当然，模型目前还没开源，权重和代码要走商务接洽。但Mistral从语言模型跨界到机器人，信号已经很清楚：当小模型也能用一颗摄像头搞定复杂导航，机器人自主移动的硬件护城河，正在被重新画一遍。

  • Mercor估值冲上200亿美元：雇专家给AI当考官，这门生意两年涨了四倍

    Mercor这家公司最近又成了风投圈的话题中心。彭博7月9日报道，这家从AI训练数据起步的创业公司正在谈新一轮融资，估值直接喊到了200亿美元。要知道去年10月它刚完成3.5亿美元C轮，估值还只是100亿美元——不到一年，数字就翻了一倍。

    更抓人的是创始人兼CEO布伦丹·福迪（Brendan Foody）自己在X上晒的数据：公司年化收入跑到了20亿美元以上，比四个月前整整翻了一倍。一边是收入暴涨，一边是并购动作——上周四Mercor宣布买下Deeptune，一家专门训练AI智能体的公司，对方整个团队一并加入。再加上这轮可能的新钱，看起来年初那场风波已经被它甩在身后了。

    Mercor估值冲上200亿美元
    Mercor靠给AI模型 supplying人类考官，估值一年翻倍（图源：TechCrunch）

    说白了，Mercor干的事听起来简单，细想却有点荒诞：它雇各路专家——诗人、经济学家、程序员、科学家——付钱让他们去评估AI模型的输出到底好不好。那些训练前沿大模型的实验室，需要人来告诉自己”模型是不是真的变强了”。Mercor就是提供这批”考官”的人。

    两个辩论队队友，撑起一个200亿的故事

    这家公司2023年才成立，三个创始人是从高中辩论队里走出来的朋友：福迪、阿达什·希雷马特（Adarsh Hiremath）和苏里亚·米德哈（Surya Midha），福迪今年才23岁。从C轮时大约4.5亿美元的年化收入，到今年中接近20亿，二十来个月里涨了四倍多。背后站着Felicis、Benchmark、General Catalyst这些一线基金，累计融资大约4.92亿美元。

    有意思的是，估值倍数反而被”压”下来了。100亿对4.5亿收入，是大约22倍市销率；如果按200亿对20亿算，只剩10倍。换句话说，市场一边兴奋于生意盘子变大，一边也在悄悄担心这门买卖到底能撑多久。

    它在训练那个可能取代自己的东西

    这种担心不是没来由。Mercor赚的正是”派人类专家去训练AI模型”的钱，可模型越聪明，对人工评估的依赖理论上就越少。真有一天模型能自己给自己、或者互相打分，那批考官的需求可能就缩水了。

    但福迪在斯坦福的演讲里抛出了另一种看法，他管这叫”agentic data”（智能体数据）：AI能力越强，要它被评估的维度反而越细，而不是越窄。会写诗，就需要诗人来评；能做经济分析，就需要经济学家。需求不是一次性的训练浪潮，而是跟着整个行业一起长。

    • 它给AI实验室供应的是”懂行的人”——这是大厂自己很难内部搞定的一摊运营活。
    • 买下Deeptune，是把盘子从传统数据标注，扩到了更吃香的AI智能体训练。
    • 年初的数据泄露和外包员工诉讼还没完全翻篇，能这么快把收入和估值同时拉回来，说明资本现在愿意为”训练流水线的掌控者”付高价。

    在不少人眼里，谁捏住了数据这一环，谁就捏住了AI往上走的长期价值。Mercor赌的，正是自己能一直站在模型和它所需要的”人”之间。

  • Anthropic把Claude Code的那套，搬进了实验室：Claude Science来了

    Claude Code让程序员爽了快一年，现在Anthropic想把同样的爽感送给科学家。6月底，在一场面向药企高管、生物科技创始人和研究者的活动上，Anthropic正式亮出了Claude Science——一个专门给科研用的AI产品，定位跟Claude Code在软件开发里的位置一模一样。

    它不像聊天机器人那样只会回答，而是能接住一句笼统的指令，自己调用数据库、跑分析、追踪数据溯源，甚至核查计算过程。给它的场景是计算生物学和药物研发：你不用切到浏览器、登网页、复制粘贴、手动查库，很多繁琐的”管线胶水”活儿它替你接好了。

    不是新模型，是一个”科研工作台”

    说清楚一点：Claude Science里没有新模型。它把你已经付费的Claude，接进60多个科研数据库和连接器——UniProt、蛋白质数据库、Ensembl、ChEMBL这些做生信的人天天要查的，全预配置好了；底下还能跑NVIDIA的BioNeMo系列模型做序列和结构预测。Anthropic生命科学负责人Eric Kauderer-Abrams把它和Claude Code、Claude Cowork并列，叫”下一个真正重要的产品”，话里话外是把AI用于科学当成了公司使命的核心。

    “我们的使命是开发服务人类长期福祉的AI，而我们认为，最大的机会就在生命科学。”——Eric Kauderer-Abrams，Anthropic 生命科学负责人

    DeepMind的”科学王座”，有人来抢了

    过去十年，AI for Science几乎是Google DeepMind的专属舞台，Hassabis和Jumper凭AlphaFold拿了诺奖。但最近几个月风向有点变：在编程这种最赚钱的场景上，DeepMind反而成了追赶者；而就在本月，Jumper本人宣布从DeepMind跳槽去了Anthropic。加上Dario Amodei本身就是PhD科学家，Anthropic抢这顶”科学王冠”的底气不差。

    哈佛物理学家Matthew Schwartz估过，靠Claude Code和同类工具，Opus 4.5干科研项目的水平大概相当于一个研二学生。这话听着夸张，但已经有实验室在用：艾伦研究所的神经科学家拿它搭了多智能体审查流程，UCSF的脑肿瘤团队用它加速了胶质瘤分析，诺和诺德也在客户名单里。

    真正让实验室放心的一点是数据不出门

    科研人员最怕什么？把敏感数据传到别人的云上。Claude Science特意设计成能直接跑在实验室自己的基础设施上——本地Mac、Linux、SSH连到院里服务器、HPC集群都行，重活还能临时调用Modal的GPU从一块扩到几百块。生成蛋白质或化学结构图时，它会一并把代码、运行环境和自然语言说明都交出来，方便你改、也方便复现。

    一个有趣的转向是：当所有公司都在卷”更通用的模型”，Anthropic选了更务实的路——先把AI嵌进具体行业的日常流程，再做深。Claude Code钉住开发者，Claude Science钉住科研者，接下来金融、医疗、法律大概也跑不掉。

    Claude Science 界面
    Anthropic 将 Claude Science 定位为科研版的 Claude Code（图：MIT Technology Review）

  • 微软砸25亿美元、派6000人驻场：AI圈开始卷”落地”了

    过去两年，几乎每家大公司都在试生成式AI，但真要问”到底帮我省了多少钱、多赚了多少”，多数CFO都答不上来。微软这周的一个动作，说明它也想通了：与其继续卖模型，不如直接派人进去帮你把AI用起来。

    7月2日，微软宣布成立一家叫 Microsoft Frontier Company 的独立运营实体，砸下25亿美元启动资金，还要把大约6000名工程师、行业顾问和技术销售直接塞进客户公司内部。这不是传统的软件授权，也不是远程顾问打几个电话就走人——这些人会长期驻扎在你的团队里，跟业务、研发、安全部门坐在一起，现场设计、搭建、然后持续迭代AI系统。

    不是卖模型，是派人进去帮你用

    这套打法在圈内有个名字，叫”前沿部署工程”（Forward Deployed Engineering，FDE）。但微软商业业务CEO Judson Althoff特意撇清：”这超出了所谓的FDE，我们要做业内规模最大、最以业务成果为导向的工程组织。”翻译一下就是：别人派几个工程师，我派一整支队伍，而且KPI不是交付了多少代码，而是你到底拿到了什么可衡量的结果。

    Althoff在公告里写得很直白：微软投资25亿美元，把6000名专家嵌进客户现场，”共同设计、创新、大规模部署并持续改进基于可衡量业务成果的AI系统”。

    亚马逊和OpenAI也在做同一件事

    微软不是第一个动这个念头的。就在两天前，AWS刚宣布拿出10亿美元建自己的FDE体系；OpenAI和Anthropic也各自拉着私募股权搞了类似合资。大家心照不宣：当模型能力越来越像、价格越卷越低，真正的利润池正在从”卖脑子”转移到”帮人把脑子用上”。

    微软的底气在于它已经把工程师铺进了大半个财富500强。这回点名的早期伙伴包括伦敦证券交易所集团、联合利华、Land O’Lakes和埃森哲。有意思的是，微软强调平台对模型保持开放——OpenAI、Anthropic、自家模型、开源乃至垂直行业模型都能接，摆明了不逼客户绑死在某一家。

    客户最在意的两件事：产权和数据

    企业为什么迟迟不敢把AI真正接进核心业务？说到底就两件事：做出来的东西归谁，我的数据会不会被你拿走。微软这次干脆把话挑明：客户保留所有开发成果和知识产权的所有权，而且不用把结果回传给微软。对金融、快消这类把数据当命根子的行业，这条比什么都重要。

    这场仗的对手其实不只是亚马逊。当硅谷开始重写Palantir的剧本——卖的不再是软件，而是”带着人一起把系统跑起来”的服务——AI竞争的维度已经悄悄换了。模型只是门票，能不能帮客户把ROI算清楚，才是下半场的门票。

    微软总部
    微软将AI落地服务做成了一门独立生意（图：TechCrunch / NurPhoto）

  • 福特把350名老工程师请了回来：AI质检，没那么神

    福特最近干了件挺打脸自己的事。公司高管公开承认，前几年太依赖 AI 和自动化质检系统，结果质量没上去，翻车了。于是他们又把大约350名资深工程师请了回来——有的本来就是福特老员工，有的是从供应商那边挖的。

    首席运营官 Kumar Galhotra 跟记者说的是大实话：福特“越来越依赖自动化质检系统”，但结果“令人失望”。所以公司把技术专家召回来，让他们“在零件还没上生产线之前，就把故障点揪出来”。

    “我们一度以为，喂个设计要求进去就能出好车”

    车辆硬件工程副总裁 Charles Poon 的话更直白：“我们错误地以为，只要把人工智能搬进来、把现有的设计要求喂进去，就能造出高质量的产品。”这话听着像句废话，但恰恰是很多公司上 AI 时的真实心态——以为模型是魔法箱，设计要求一倒进去，好东西自己就出来了。

    “人工智能是个好工具，但它好不好用，全看你拿什么数据训练它。”Poon 后来补了这么一句。福特的坑在于：最有经验的老师傅们在公司把他们知识留下来之前就走了，自动化系统接手的，是一堆还没沉淀好的东西，最后反而把老毛病固化了。

    有意思的是，福特并没有因此把 AI 一脚踢开。这350名被叫做“白胡子工程师”的老将，现在的任务是带年轻工程师、主持设计评审，顺手把那些不好使的 AI 和自动化质检工具重新调教一遍。换句话说，人工不是来替掉 AI 的，是来给 AI 兜底和纠偏的。

    这笔钱，省得真金白银

    效果摆在那儿。CEO Jim Farley 说，保修和召回成本的下降，今年给福特带来了“实打实好几亿美元的成本顺风”。更直观的是，在本周发布的 JD Power 新车初始质量调查里，福特拿下了主流品牌第一——这是它16年来头一回登顶，每百辆车的问题数从193降到了152。

    福特工厂与资深工程师
    福特返聘资深工程师强化制造质量管控（图源：TechCrunch / Getty Images）

    当然，福特依然是全美召回次数最多的车企（2025年创纪录地发了153次召回），公司自己也说召回数有滞后性，得等按新流程造的车占比上来才会缓。但至少方向上，他们认准了一件事：AI 能帮忙，可老师傅脑子里那点“手感”，短时间还替代不了。

    • AI 不是万能药：自动化质检翻车，根子在数据和经验没沉淀好
    • 老师傅回来了：350名资深工程师带新人、修 AI 工具、提前排雷
    • 账算得过来：一年省下数亿美元，质量排名也回了血

  • 谷歌又甩出一颗“轻量香蕉”：4秒出图，单张成本压到3分钱

    谷歌这两天悄悄把 Nano Banana 家族里最便宜的一颗“香蕉”推到了台前。名字叫 Nano Banana 2 Lite，6月30号上线，主打就两个字：快、便宜。

    它到底有多快多便宜？官方说法是，生成一张图大约4秒钟，单张1K分辨率的图像成本只要0.034美元——算下来一千张图才34美元。对于要做广告素材、电商图、A/B测试这种需要批量生产的活儿，这个价格和速度确实挺诱人。谷歌把它定位成“高吞吐工作流”的首选，专门给那些要一口气甩出成百上千张图的人用。

    从“香蕉”到“香蕉 Lite”，谷歌在搭一个三层货架

    其实 Nano Banana 这条产品线已经迭代好几轮了。最早的 Nano Banana 去年夏天跟着 Gemini 3.1 Flash 一起出来；今年2月又发了 Nano Banana 2，图像更真实；现在再加上一颗 Lite，还有一颗更贵更强的 Pro 专门给专业场景。谷歌现在明摆着是搭了个三层货架：Lite 管速度和成本，2 是“全能主力”，Pro 管精度和4K画质。

    顺带一提，初代 Nano Banana 已经被谷歌自己划进了“legacy（旧版）”行列，官方建议还在用的人直接换成 Lite。这种产品线的重新分类，平时没人注意，但对每一个要付账单的开发者来说，差别可大了。

    和 Lite 同一天来的还有个 Gemini Omni Flash，做视频的，0.1美元一秒。谷歌的算盘很清楚：你先用 Lite 飞快出图，再丢给 Omni Flash 把静态图变成能继续改的视频，一条图像到视频的流水线就串起来了。

    背后是一场和字节的价格肉搏

    别看谷歌发得低调，这步棋直接冲着字节跳动去的。第三方数据一对比就明白：字节的 Seedream 5.0 Lite 单张大概0.035美元、出图要45秒出头；Lite 这边0.034美元、4秒出图。单张差那一美分可以忽略，可一旦调用量上去了，延迟和成本会被成倍放大。文生图这个赛道，价格战是真的打响了。

    有意思的是，尽管外界对“AI 垃圾图”（AI slop）的吐槽没停过，大厂往图像和视频生成里砸的钱一点没少。谷歌特别爱把自家的模型包装成“帮你做广告”的顺手工具。

    谷歌 Nano Banana 2 Lite 图像模型
    谷歌新发布的 Nano Banana 2 Lite 图像生成模型（图源：TechCrunch）

    不过这里头有个拧巴的地方。就在这颗 Lite 上线的同时，谷歌刚跟独立电影厂牌 A24 签了7500万美元的合作，粉丝那边已经骂声一片。好莱坞和 AI 公司的关系越来越紧，创作者社区和普通观众的不安也在跟着涨。

    • 对开发者：4秒出图+极低单价，适合做素材工厂和实时预览
    • 对竞争对手：直接贴着字节 Seedream 打，价格战进入肉搏阶段
    • 对普通人：AI 生图会更便宜，但“AI 味”的内容也会更泛滥

  • Cloudflare 要给 AI 爬虫立规矩：9 月 15 日起，混着用的默认挡掉

    Cloudflare CEO Matthew Prince
    Cloudflare 联合创始人兼 CEO Matthew Prince（图源：TechCrunch）

    互联网上跑的流量，第一次有一半以上不是人。Cloudflare CEO Matthew Prince 抛出这句话时，顺手给整个 AI 行业下了道最后通牒：从 2026 年 9 月 15 日起，凡是把「搜索、智能体、训练」搅在一起抓取的爬虫，在挂了广告的页面上默认挡掉，除非站长自己改设置。

    简单说，以前一个 Googlebot 既帮你做搜索收录，又顺手把内容喂给 Gemini 训练，以后这招在 Cloudflare 保护的站点上行不通了。新规矩覆盖新客户、老客户新建的站点，以及所有免费用户——Cloudflare 手里管着全球约五分之一的网站流量，这一刀切下去，影响面不小。

    爬虫比人还多，旧契约破了

    Prince 口中的「旧契约」很朴素：我让你爬内容，你给我带流量。可生成式 AI 把这笔账搅黄了。模型厂商派代理替用户实时取网页，站长既没拿到广告曝光，也没收到订阅费，内容倒先被拿去训练了。Cloudflare 自己的数据更扎心：AI 爬虫的抓取流量里，超过一半是在反复拉取没变化的老页面。

    「既然互联网上多数流量已经不是人类产生的，我们就得走得更快、更远，好让一个可持续的生态长出来。」—— Cloudflare CEO Matthew Prince

    不只要挡，还要按次收费

    光挡不够解气，Cloudflare 把 2025 年推出的 Pay Per Crawl 市场升级成了「Pay Per Use」：站长不再只是「被爬时收钱」，而是当自己的内容真的在 AI 回答里产生价值时才收费。首发搭档是 Ceramic.ai 和 You.com——前者在 AI 搜索结果里露出内容就付费，后者碰到付费墙内容才结账。

    • 对出版商：终于能把「我的内容值多少钱」摆上谈判桌，Cloudflare 还配套了 Attribution Business Insights 面板，直接告诉你每个爬虫带回多少引流和商业意图。
    • 对 AI 公司：想白嫖，门儿都没有；老老实实把搜索、代理、训练拆成不同的 bot，反而能拿到更透明的抓取许可。

    被架在中间的 Google

    这纸新规，明里暗里都在戳 Google 的痛处。Cloudflare 点名说，那家「全球最大的搜索引擎」因为把搜索和 AI 绑在一起，掌握的信息量比头部 AI 公司多出约一倍，小站长想被搜到就不得不把内容也交出去训练。Google 当然不服，搬出 Google-Extended 这个可单独 opt-out 的训练爬虫说事，但现实是：就算你挡了 Extended，内容照样会出现在 AI Overviews 里，因为它吃的是 Googlebot 为搜索抓的料。

    Cloudflare 的算盘很清晰：它要的是结构性的分离——每个爬虫干嘛来的，站长心里得有数，再决定放不放行。公司放话要在 2027 年中把「混合用途爬虫」的流量占比从如今的三分之一压到零。对靠语料吃饭的模型厂商来说，这不只是一次设置调整，而是一场关于「内容到底归谁」的重新谈判。

  • 大模型都在说同一套话？这家澳洲小公司偏要打破「群体思维」

    LLM 同质化示意图
    ChatGPT、Claude、Gemini 在开放性问题上给出的回答越来越像（图源：MIT Technology Review）

    你随手打开一个聊天机器人，让它「给我一个 1 到 10 之间的随机数」，大概率会得到 7。再让它「再来一个」，往往是 3 或 4，接着是 8 或 9。这个被 MIT Technology Review 记者 Will Douglas Heaven 反复验证过的小把戏，揭开了大语言模型一个有点尴尬的秘密：它们比我们以为的更可预测，也更没创意。

    写代码、做检索时这种「规整」是好事，可一旦你想头脑风暴、规划旅行或者起个乐队名，所有模型都往同一个方向靠，就很扫兴了。问题不在于模型笨，而在于主流模型几乎是在同样的数据上、用同样的方法、为了同样的任务训练出来的，于是它们连「犯错」都犯得一模一样。

    一家澳洲小公司的「反套路」模型

    澳大利亚初创公司 Springboards 想换个活法。他们基于阿里开源的 Qwen 3 微调出一个叫 Flint 的模型，专门在被问到开放性问题（比如「欧洲去哪玩」）时，给出比 ChatGPT、Claude 更跳脱的答案。CEO Pip Bingemann 有句挺反常识的话：「大多数模型都在对抗幻觉，我们欢迎幻觉。」

    Bingemann 当着记者的面演示：ChatGPT 和 Claude 都给了 7，Flint 也甩出 7，他耸耸肩说「7 也是合法答案嘛」；重开一轮，ChatGPT 还是 7，Claude 还是 7，Flint 给了个 3.7916。

    换成「说一种车型」，ChatGPT 和 Claude 果然报出丰田、本田，Flint 蹦出一辆福特 F-150；让三个模型给新百伦跑鞋写 slogan，前两个齐声 ‘Run your way’，Flint 来一句 ‘Built to last, run to win’。不惊艳，但至少不一样。

    「时间是一条河」困住了所有模型

    这种趋同不是错觉。去年 11 月一篇拿下 NeurIPS 最佳论文奖的研究《Artificial Hivemind》做了个实验：让 25 个不同大模型各写 50 次「关于时间的比喻」，1250 条回答里绝大多数都是「时间是一条河」或「时间是一位织布工」的变体。CTO Kieran Browne 说，聊天界面设计得像个一对一私聊，大多数人根本没意识到自己拿到的东西和别人一模一样。

    • 起乐队名，模型爱用 glass / neon / velvet / static 这套词，蹦出 ‘Glass Harbor’、’Static Empire’ 也就不奇怪了。
    • OpenAI 的回应很实在：为了可靠和连贯，模型天然会往高概率答案靠，硬要标新立异常常换来更弱、更不可靠的输出；而且那篇论文研究的是 2024 年的旧模型。

    不是调高温度那么简单

    有人会说，把「温度」调高不就行了？Springboards 试过，把 OpenAI 某个模型的温度拉满，它一句英文没说完就切成了代码。温度是个粗暴的旋钮，全段一起加随机性，往往会把人带沟里。Flint 的笨办法是：先学会判断「这句话里哪一两个词值得抖一下」，只在那儿注入一点随机，其余地方保持正常。

    营销人 Zoe Scaman 拿它做过测试：给几个模型同一个 MBA 案例——怎么为年轻人重塑一家金融公司。主流模型异口同声「用有趣的方式教理财素养」，Flint 却说「不如把『攒钱』这件事整个重新包装」。广告公司 Uncommon 的 Maximilian Weigl 说得更直白：「总被拉回平均值的工具，搞不出破圈的东西。」但他也补了一句大实话：十次里有九次，平均值其实就够用了。

    Flint 现在主要服务广告和营销客户，毕竟那是 Springboards 的饭碗。但 Bingemann 和 Browne 都觉得，回答太雷同，是每一个用聊天机器人的人都该操心的事。给点选择权，剩下的交给人来判断——不然满屏都是机器吐出的、灰扑扑的「标准答案」，挺没劲的。

  • Figma 买下一家“氛围编程”团队，想把画布变成写代码的工厂

    买下的是人，不是产品

    Figma 最近又出手了，这次买下的是 Bud 背后的团队。Bud 你可能没听过，前身叫 Orchids，是一个 YC 孵化的”氛围编程”平台，后来转型成能跑任务的 AI 智能体。Figma 没公布价格，但有一点很清楚：Bud 和 Orchids 两款产品会在 7 月 18 号前关掉，用户得赶紧把项目搬走。

    换句话说，Figma 要的是人，不是那个独立产品。Bud 的 CEO Kevin Lu 在 X 上发帖，把这次收购说得挺浪漫，说 Figma 是”我们这个时代最具代表性的产品公司之一”，是新一代工作方式天然的归宿。

    Figma 想占住的，是产品被”造出来”的地方，而不只是被”画出来”的地方。

    从画板到能跑的代码

    这桩收购其实顺理成章。过去一年 Figma 一直在往”不只是设计工具”这个方向挪：去年推出 Figma Make，能直接生成网页应用；今年又接上了 Codex、Claude Code 这类外部编程智能体，自己也在画布上放了 AI 助手。它想让设计师不只在静态稿子上构思，而是能直接把想法变成能跑的东西。

    为什么是现在

    氛围编程这条赛道，从新鲜玩意儿到淘金热，大概只用了十八个月。光是做 prompt 转应用的 Lovable，今年初 ARR 就冲到 4 亿美元，六月还传出要按 120 亿美元估值融资的消息。Figma 当然不想只当那个”画图然后交给工程师”的角色。

    设计画布与AI代码生成融合的科技插画
    设计画布与 AI 代码生成融合（配图由 AI 生成）

    不过 Bud 也不是没包袱。今年早些时候 BBC 援引一名安全研究员的说法，指出 Orchids 上生成的应用容易被攻击。这其实是个行业通病，今年好几轮独立审计都发现，AI 生成的应用十有八九至少带一个安全漏洞。Figma 把人收编进来，顺手也接过了这份”生成的东西默认不安全”的麻烦。

    • 收购 Bud（原 Orchids）团队，交易价格未披露
    • Bud 与 Orchids 将于 7 月 18 日前关停，用户需迁移
    • Figma 今年 Q1 营收 3.33 亿美元，同比增长 46%
    • 约六成年付超 10 万美元客户每周使用 Figma Make

    画布和代码之间的那道墙，正在被一家家公司和一股股收购慢慢推平。Figma 这一步，说小是补了个团队，说大是给自己在”AI 造软件”的时代抢了个身位。

    📎 原文来源：Figma acquires team behind a vibe-coding app（TechCrunch）