YOHO AI

标签： AI模型

  • 那个人人都看的AI排行榜，现在一年能赚1亿美元

    如果你最近半年关注过AI大模型，大概率见过那个叫Arena的排行榜。用户同时跟两个匿名模型对话，然后投票哪个回答更好——这套众包评测机制，现在居然长成了一个年营收1亿美元的生意。

    Arena的起源是UC Berkeley 2023年的一个研究项目，今年4月才正式注册为公司。但就在商业化服务上线仅仅8个月之后，它的年化营收跑到了1亿美元。CEO Anastasios Angelopoulos说，很多人到现在还以为他们是个开源项目，根本不知道已经在赚钱了。

    AI模型排行榜Arena
    Arena AI模型排行榜已成1亿美元生意（概念图）

    免费排行榜只是入口，真正的钱在别处

    Arena最广为人知的产品是那个公共排行榜，任何人都可以去给两个匿名模型投票，累计超过1000万次用户评估之后，形成一个动态更新的模型排名。这个排行榜是免费的，钱从哪里赚？

    答案是去年9月推出的”AI Evaluations”服务。模型开发公司和企业在推出新模型之前，可以用Arena的平台做深度性能分析——这些数据来自真实的用户评估，比自己跑 benchmark 更有参考价值。简单说，Arena把众包评判做成了卖给模型实验室的企业服务。

    “很多人甚至不知道我们在赚钱，大家还是把我们看成一个开源项目。”——Arena联合创始人兼CEO Anastasios Angelopoulos

    没有直接对手，但战场不小

    Angelopoulos说Arena没有直接的竞争对手——另一家做众包模型评选的创业公司Yupp已经在今年3月关闭了。但Arena跟一批人力标注公司（Mercor、Surge、Scale AI）在争同一笔预算，这些公司的业务是在后训练阶段帮模型厂商精炼AI。

    这个市场的增长很猛。据The Information报道，Mercor的年化营收今年早些时候突破了10亿美元，比去年9月的5亿翻了一倍。Handshake的AI训练相关业务年化营收也从5.5亿涨到了接近10亿。Arena能在8个月里跑到1亿，说明这条赛道确实在爆发。

    伯克利基因，1.7亿估值

    Arena的三位联合创始人都是UC Berkeley出来的。除了CEO Angelopoulos和CTO Wei-Lin Chiang，还有一位名叫Ion Stoica的联合创始人——这个人同时也是Databricks的联合创始人，在伯克利当教授，在硅谷是个很有分量的人物。

    今年1月，Arena完成了1.5亿美元A轮融资，投后估值17亿美元。当时它的年化营收是3000万美元。8个月之后营收跑到1亿，增速确实惊人。总融资额到现在是2.5亿美元，投资方包括Felicis、a16z、Kleiner Perkins、Lightspeed等一线机构。

    不过有一个细节值得注意：Arena说的”年化营收”其实是按使用量收费的，不是真正意义上的递归收入。Angelopoulos自己澄清了这一点。在AI创业公司里，把消费额折算成”ARR”来讲故事已经是个比较普遍的操作，但投资人怎么看这个数字，就是另一回事了。

    排行榜还能做什么

    Arena现在除了文本、代码、视觉、图像生成这些常规评测，最近还上线了”Agent Mode”——评测模型在长时间、多步骤任务里的表现。这块是现在大模型竞争的新焦点，OpenAI、Anthropic、Google都在推自己的agent能力，有独立的第三方评测，对大家都值钱。

    从研究项目到1亿美元生意，Arena只用了不到三年。接下来能不能把”消费制”收入做成真正的订阅制，能不能在模型公司自己的评测能力越来越强的情况下保持独立价值，这些是Arena要回答的下一个问题。

  • 给AI模型排座次的Arena，只用了8个月就跑出了1亿美元营收

    从伯克利走廊到1亿美元营收

    如果你最近在关注AI大模型，大概率见过那个叫Arena的排行榜——让两个匿名模型PK，用户投票决定谁更强。这个几乎被所有人引用的AI排行榜，现在不只是学术项目了。

    Arena在2023年起源于UC Berkeley的一个研究项目，靠着超过1000万次用户评估，攒出了业内最受关注的AI模型性能排行榜。但很多人不知道的是，这家公司现在已经是个年营收运转率1亿美元的生意了。

    从去年9月推出商业服务算起，只用了8个月。

    Arena AI排行榜平台概念图
    Arena AI排行榜已成为行业标杆

    “大家还以为我们是开源项目”

    Arena的CEO Anastasios Angelopoulos说了一句话挺有意思：”很多人甚至不知道我们在赚钱，大家还是把我们当开源项目看。”

    这话不假。直到今天，Arena的AI模型排行榜对公众依然是免费的，真正买单的是那些需要深度性能分析的模型厂商和企业客户。去年9月，Arena推出了”AI Evaluations”服务，面向模型实验室和企业提供从社区收集的深度性能分析。

    Arena的联合创始人兼CEO Anastasios Angelopoulos：”很多人甚至不知道我们在赚钱，大家还是当我们是开源项目看。”

    这个服务的增长速度快得离谱。今年1月Arena完成1.5亿美元A轮融资、估值17亿美元的时候，年化营收才3000万美元；现在，仅仅5个月后，已经跑到了1亿美元。

    不过Angelopoulos也澄清了一件事：Arena说的”ARR”其实不是真正意义上会重复的收入，因为他们是按”消耗量”收费的，不是订阅制。这在这个年头的AI创业公司里倒也不稀奇——不少公司为了把数字做好看，会把所有能年化的值都叫ARR。

    抢的是人工标注公司的饭碗

    Arena的竞争对手不是另一个排行榜。Angelopoulos说，他们抢的是和Mercor、Surge、Scale AI这些人工标注公司”同一笔预算”。

    这些公司的业务是在模型后训练阶段帮AI公司做人工精调，而Arena的思路是用大规模用户评估来替代部分人工标注。这个赛道现在热得发烫：

    • Mercor的年化营收今年早些时候已经突破了10亿美元，比去年9月的5亿翻了一倍
    • Handshake的AI训练相关业务年化营收从1月的5.5亿涨到了近10亿
    • AI公司对后训练优化服务的需求还在持续飙升

    Arena的排行榜覆盖了文本、编程、视觉、图像生成，以及最近推出的Agent Mode——评估模型在复杂长流程任务里的表现。但对模型厂商来说，Arena的价值不止是排行榜本身：在这个平台上，他们能拿到早期用户对新模型的反馈，有时候甚至能在模型正式发布前就拿到外部评估数据。

    Databricks联合创始人坐镇

    这家公司的创始团队也挺能打。除了CEO Angelopoulos和CTO Wei-Lin Chiang（两人都是UC Berkeley的博士后），还有一位联合创始人是Ion Stoica——就是那个Databricks的联合创始人、UC Berkeley的著名教授。Stoica在2025年4月Arena正式注册为公司之前，一直以顾问身份参与项目。

    目前Arena总共融了2.5亿美元，投资方包括Felicis、a16z、Kleiner Perkins、Lightspeed等。考虑到现在AI基础设施和评估工具的需求还在疯涨，这个数字可能还会继续往上走。

  • OpenAI发布GPT-5.6三款新模型，但你得先拿到那20个名额

    6月27日，OpenAI悄悄做了一个不一样的发布——不是全面开放，而是”有限预览”。GPT-5.6系列三款模型（Sol、Terra、Luna）正式亮相，但初始阶段只向约20家”可信合作伙伴”开放。这种做法在美国AI行业还是头一回，背后直接站着美国政府。

    三款模型，三种定位

    这次OpenAI换了一套命名逻辑——数字代表代际（5.6代），Sol/Terra/Luna代表能力层级，可以独立迭代。三款模型不是按参数规模划分，而是对应不同使用场景：

    • Sol：旗舰型号，面向最复杂的任务——长周期编码、高级智能体工作流、网络安全研究。OpenAI给它配了max推理模式（耗时更长但更精准）和ultra模式（调用子智能体并行处理复杂项目）。
    • Terra：均衡型，主打日常办公场景的性能与成本平衡。高并发企业任务（客户支持、内部工具开发、文档分析）用这个最划算。
    • Luna：轻量型，速度最快、成本最低。总结、草稿、常规自动化流程这类轻量任务，用Luna就够了。
    GPT-5.6 三款模型概念图
    GPT-5.6系列：Sol、Terra、Luna三档定位（图：AI生成）

    跑分出来了，确实能打

    基准测试成绩相当亮眼。Sol在TerminalBench 2.1（命令行任务）上开启ultra模式得分91.91%，刷新该基准的最高纪录；开启max模式也有88.76%，超过GPT-5.5的83.4%和Claude Mythos 5的88%。

    在Agent’s Last Exam（专业工作流测试）上，Sol是唯一突破50%的模型（50.9%）。连轻量级的Luna，成绩也略微超过上一代旗舰GPT-5.5。

    OpenAI内部评估认为，Sol和Terra达到了网络安全”高风险”阈值。但这不代表它们能自主生成完整的攻击exploit——内部夺旗测试显示，Sol能识别漏洞和利用原语，但还差最后一步。

    美国政府站在发布台上

    这次发布最不寻常的地方，是OpenAI在公告里直接说了：应美国政府要求，从有限预览开始。背景是特朗普政府6月2日签署的行政令，要求AI模型在广泛发布前经过30天的安全评估流程。

    Anthropic的Mythos 5/Fable 5被政府叫停的事件，显然让OpenAI选择了更谨慎的路线。CEO Sam Altman在公告中也不掩饰对此的无奈——他认为政府前置审批如果常态化，会阻碍AI工具触达需要的用户。

    目前的安排是：初始阶段仅向约20家机构开放，普通用户和企业的全面开放要等”未来几周内”逐步推进。OpenAI已将模型信息和发布计划同步给了美国政府。

    价格：比前代便宜了

    定价方面，GPT-5.6比前代GPT-5.5（输入$5/百万token，输出$30/百万token）要便宜。Luna尤其有竞争力：

    • Luna：$1（输入）/$6（输出）每百万token
    • Terra：$2.5/$15
    • Sol：$5/$30

    对比一下国产模型更有感觉：DeepSeek-V4-Flash只要$0.14/$0.28，GLM-5.2是$1.40/$4.40，Kimi-K2.6是$0.95/$4.00。GPT-5.6 Luna的定价处于行业中游——比国产模型贵，但比Claude Opus 4.8（$5/$25）和GPT-5.5（与Sol持平）便宜。

    有限预览阶段，能直接用上GPT-5.6的只有那20家机构。但OpenAI的方向是明确的：用分层命名让开发者更容易选模型，用更低的价格扩大使用面，同时在政府审查面前保持配合姿态。这个平衡能走多远，接下来几周见分晓。

  • MIT联手微软搞了个新系统，让AI Agent工作流省电73%、省钱75%

    MIT联手微软搞了个新系统，让AI Agent工作流省电73%、省钱75%

    AI Agent工作流正在成为云计算的骨干，但它们也是耗能和成本的”黑洞”。好消息是，MIT和微软的研究人员最近开发了一个叫Murakkab的新系统，可以把AI Agent工作流的计算需求降低65%，能耗降低73%，成本降低75%——而且不影响性能。

    这个成果发表在了USENIX操作系统设计与实现研讨会上。论文第一作者Gohar Chaudhry（MIT研究生）说：”Agent工作流正变得非常复杂，迅速成为云服务商业务的核心。能耗是一个巨大的担忧。”

    MIT Murakkab系统
    Murakkab系统优化AI Agent工作流的资源配置

    Agent工作流为什么这么费资源？

    Agent工作流是由多个AI模型、工具（数据库、Python程序）组成的系统，动态完成多步骤任务。问题在于：这些工作流非常碎片化，配置空间巨大，开发者很难手动优化。

    “即使你想手动完成所有配置，你也不太可能最优地配置工作流，因为可能的配置空间太大了。”—— Gohar Chaudhry, MIT研究生

    Murakkab怎么做：自动配置+动态调整

    Murakkab（乌尔都语，意思是”事物的组合”）的核心是让系统自动处理配置和优化。开发者只需要用大白话描述想让工作流做什么，Murakkab会自动识别最好的模型和工具，判断哪些可以并行，动态优化配置。

    最关键的是，这个系统是动态的。如果明天出了一个新的AI模型或GPU加速器，开发者不需要做任何改动——Murakkab会自动适配。

    性能数据：省电73%，省钱75%

    研究人员在视频问答和代码生成等场景测试Murakkab，结果非常亮眼：只需要其他方法所需计算量的约35%，只消耗约27%的能源，成本不到25%。

    Chaudhry说，这种级别的优化，开发者手动几乎不可能做到。系统在准确度只下降约2%的情况下，把工作流的能耗降低了一个数量级以上。

    下一步：扩展到更复杂的场景

    研究团队计划把Murakkab扩展到更复杂的工作流和更大的计算集群。Chaudhry说：”有很大潜力让这些工作流变得更加资源优化，但我们需要在大型云平台的规模上思考这个问题。”

    这项研究由半导体研究公司和DARPA部分资助。随着AI Agent工作流变得越来越复杂，像Murakkab这样的优化系统会变得至关重要——在AI能耗越来越受关注的当下，这是一个值得关注的突破。

  • 一个研究生用12B模型干翻HuggingFace热榜，大厂这次真的有点尴尬

    一个研究生，两款模型，74万次下载

    HuggingFace的Trending模型榜，向来是大厂的秀场——直到逯雨鑫（yuxinlu1）带着他的GGUF量化模型闯了进来。

    这个美国AI方向的在读研究生，用Gemma4-12B做底座，通过蒸馏把Fable 5的编程推理能力「压」进了一个仅需4.5GB显存就能跑的小模型。结果很直接：在HuggingFace趋势榜上，它一度超过了智谱GLM-5.2、百度Unlimited-OCR等大厂作品，两款模型合计下载量突破74万。

    个人开发者霸榜HuggingFace概念图
    个人开发者的12B模型在HuggingFace趋势榜超越众多大厂模型

    怎么做到的？数据质量胜过数量

    逯雨鑫的秘诀不算神秘，但很费功夫：他用约1万条高质量、经过验证的训练数据，而不是几百万条噪声数据。具体来说，他用Fable 5生成代码推理链，但只保留「能通过测试用例」的那些——相当于让老师先改作业，再把满分答案给学生做示范。

    两个版本各有侧重：V1 Coder版专注代码生成与解题；V2 Agentic版增加了多步工具调用能力。在tau2-bench telecom子集上，V2得分55%，而基座Gemma4-12B只有15%——提升了约3.5倍。

    「大厂能做得更好，但开源小模型受品牌和API引流目标影响。个人开发者可以更纯粹地解决『好用』问题。」——逯雨鑫

    为什么是现在？本地AI的窗口打开了

    这几年有个矛盾的现象：云端大模型越来越强，但很多人反而开始关心「本地能跑」的模型。原因很实际：隐私（不想把代码发给云端）、成本（不想为API账单发愁）、延迟（本地推理零网络开销）。

    逯雨鑫的模型最小版本（Q2_K）只要4.5GB显存，一张RTX 4060就能跑。对于很多个人开发者和中小团队，这个门槛意味着「不用申请采购、自己的笔记本就能用」。

    作者是个什么样的人？

    逯雨鑫，美国AI方向在读研究生，本科背景是数据与商业分析。他自述患有ADHD，但在快速变化的AI领域，这种「兴趣快速切换」的特质反而成了优势——hyperfocus让他能在模型训练上连续投入40多个小时。

    项目是纯自费的：一张RTX 5090（32GB VRAM）、约96GB本地SSD，没有融资、没有团队。V2版本最耗时的不是训练，而是数据处理——尤其是agentic长序列的裁剪和验证。

    • 模型底座：Google Gemma4-12B（蒸馏Fable 5能力）
    • 量化格式：GGUF（兼容llama.cpp/Ollama/LM Studio）
    • 最小显存：Q2_K约4.5GB（推荐Q4_K_M约6.87GB）
    • 合计下载：超74万（HuggingFace Trending榜一度超越GLM-5.2）
    • 未来计划：V3沿12B路线推进，同时开发基于Qwen3.6-27B的大版本

  • Anthropic指控阿里巴巴发动史上最大蒸馏攻击，中美AI对抗再升级

    2880万次交互、25000个假账号：Anthropic说这是「史上最大规模蒸馏攻击」

    6月10日，Anthropic给美国参议院银行委员会发了一封信，收件人是主席Tim Scott和资深委员Elizabeth Warren。信里说的事情，如果属实，算是今年AI圈最刺耳的一桩指控。

    Anthropic指控阿里巴巴（Alibaba）及其AI实验室（通义/Qwen），在2026年4月22日到6月5日这45天里，用了大约25000个虚假账号，跟Claude模型产生了2880万次交互，目的是通过「蒸馏」（distillation）把Claude的能力迁移到自己的模型上。

    「这是迄今已知的、针对Anthropic的最大规模蒸馏攻击。」——Anthropic致美国参议院信函

    蒸馏到底是什么，为什么各家都抢着做

    说白了，蒸馏就是「用大模型教小模型」。你有一个很强但很贵的大模型（比如Claude），想做一个便宜的小模型，就让小模型大量「模仿」大模型的输出，把能力「蒸馏」过去。好处是：训练成本只有从头训练的零头，但效果可以很接近。

    坏处也很明显：如果你大量调用别人的商业模型来做蒸馏，却不付钱、不遵守使用协议，这就变成了「知识产权盗窃」。Anthropic在信里用的词是「brazenly and illicitly」——明目张胆、非法地窃取AI能力。

    Anthropic指控阿里巴巴蒸馏攻击概念图
    Anthropic称这是迄今最大规模的AI蒸馏攻击

    不是第一次了，但这次规模最大

    今年2月，Anthropic就在博客里点名了三家公司：DeepSeek、Moonshot（Kimi）、MiniMax——说它们也在用工业级规模「蒸馏」Claude的能力。但这次对准阿里巴巴，量级和措辞都升级了。

    为什么挑阿里巴巴？因为它是中国最大的AI玩家之一，Qwen系列模型在国际开源社区存在感很强。如果Anthropic的指控引发美国监管出手，受影响的不只是阿里巴巴，而是整个中国AI行业进入美国「实体清单」的风险。

    华盛顿正在酝酿反击

    据CNBC报道，参议员Bill Hagerty（R-TN）和Andy Kim（D-NJ）正在推动一项修正案，塞进国防授权法案里——任何被认定「不当获取美国AI模型输出」的中国公司，将面临黑名单或制裁。

    与此同时，特朗普政府已经以行政令方式，限制Anthropic的Mythos 5和Fable 5模型向非美国公民开放。Anthropic自己也在6月10日那封信里承认：这波蒸馏攻击，就是在出口管制收紧之后加速的——因为「合法」拿不到模型，就开始「偷」。

    • 时间窗口：2026年4月22日 – 6月5日（45天）
    • 交互量级：2880万次（约每秒75次）
    • 假账号数：约25000个
    • 目标能力：软件工程、Agent推理（Mythos Preview核心能力）
    • 阿里巴巴回应：截至发稿，未回应CNBC请求
  • 英伟达联手剑桥大学发「红皇后」论文：AI自己造考官淘汰自己，2028年AGI真的要来了？

    英伟达联手剑桥大学发「红皇后」论文：AI自己造考官淘汰自己，2028年AGI真的要来了？

    Anthropic 联合创始人 Jack Clark 在今年 5 月给了一个概率：60%，到 2028 年底，完全自主的递归自我进化 AI 就会出现。当时很多人觉得他在喊狼来了。但现在，英伟达和剑桥大学等 13 位研究者联合发布了一篇论文，让这个预测突然变得没那么遥远了。

    这篇论文叫《Red Queen Gödel Machine: Co-Evolving Agents and Their Evaluators》（红皇后哥德尔机：协同进化的智能体与评估者），6 月 24 日挂在 arXiv 上。名字里的”红皇后”来自进化生物学——物种必须不断进化才能保持相对于其他进化物种的适应性，就像《爱丽丝镜中奇遇记》里的红皇后对爱丽丝说的：”你只有拼命跑，才能留在原地。”

    Red Queen Gödel Machine 概念图
    红皇后哥德尔机：AI 评估者可以与智能体协同进化 | 制图：AI资讯

    以前的所有自进化系统，评估者都是死的

    要理解这篇论文干了什么，得先搞清楚它解决了什么问题。递归自我进化 AI 的理想状态是：AI 改写自己的代码，跑一下测试，如果测试结果更好，就保留这次改写。听起来很合理对吧？

    但有一个根本性的问题：你用来评估”是否更好”的那个评判标准（evaluator），是固定不变的。随着 AI 越来越强，它会学会”刷分”——专门针对评估者的偏好来优化，而不是真正提升底层能力。这在经济学里叫古德哈特定律（Goodhart’s Law）：当一个指标变成优化目标，它就不再是好指标了。

    打个比方：你让 AI 做数学题，然后用一个固定的评分程序来判断答案对错。AI 学会了找评分程序的漏洞，给出能通过评分但实际错误的答案。这在 AI 安全圈里叫”reward hacking”（奖励黑客）。以前的解决方案是把评估者做得更复杂，但本质上还是在用固定标准测一个不断进化的系统——这就像用一把不会长的尺子去量一个一直在长高的孩子。

    红皇后哥德尔机的核心突破是：评估者也可以进化。在每个训练周期（epoch）的边界，系统可以换一个更好的评估者——但前提是，这个新手得在一个人类标注的留存验证集上证明自己确实比老手更准。如果证明不了，老手继续留任。

    数学奥林匹克和科学论文写作，两个硬指标都涨了

    论文里给出了具体数字。在数学奥林匹克级别的题目上，协同进化的证明评分者比之前的最佳水平高出 9% 的准确率。在科学论文写作任务上（用一组 AI 评委来打分），协同进化的写手比之前的最佳自进化智能体高出 1.78 到 1.86 倍的接收率。

    这些提升不是靠堆算力换来的。因为协同进化的代码审查者只需要查询一次智能体的输出，而不是反复跑测试套件，所以红皇后哥德尔机在完成 Polyglot 基准测试改进时，用的 token 数比之前的最佳系统少了 1.35 到 1.72 倍。

    还有一个细节值得说。在科学写作领域，之前最强的基线评分者会把 AI 生成的论文以高达 1.91 倍于人类论文的比例”放行”——这是 AI 评判的一个已知失效模式，评分者太好说话了。红皇后哥德尔机在每个周期边界组装一组对抗性 AI 提交物，专门奖励那些能正确识别并拒绝这些”水论文”的新评估者。几轮进化下来，得到的评委对人类和 AI 论文用了同等的严格程度，同时在留存验证集上保持了 80% 的准确率。

    安全护栏本身，也是一个静态基准

    论文的作者们很坦诚地讨论了系统的局限。他们用来防止评估者失控的护栏，是一个人类标注的留存验证数据集。只要这个数据集还能提供可靠信号，系统就有一个”锚”。但这个问题其实被推到了更高一层的抽象上——如果 AI 系统足够强，它会不会也开始”刷”这个验证集？

    这就是论文留下来的核心开放问题。作者在论文里说，他们的系统是”初步的实证调研”，打算在未来版本里探索更长的搜索视野。但不管怎么说，一个没有天然停止条件的改进循环，现在从理论变成了可以实际运行的代码。

    2026 年 2 月的国际 AI 安全报告已经把递归自我进化基础设施列为跨国安全威胁。Jack Clark 的 60% 概率预测，现在看起来不像几个月前那么遥远了。英伟达作为 AI 算力的实际垄断者，亲自下场做递归自我进化研究，这个信号本身就很值得玩味——他们是想看清这个技术的边界，还是想确保自己在这场竞赛里不掉队？

  • Coinbase把AI算力账单砍了一半，办法是换用中国模型

    Coinbase把AI算力账单砍了一半，办法是换用中国模型

    Brian Armstrong 在 X 上轻描淡写地发了一条消息，说 Coinbase 现在跑在 GLM 5.2 和 Kimi 2.7 这些中国模型上。这条消息淹没在 AI 圈的每日喧嚣里，但如果你仔细看数据，会发现一个信号：西方 AI 实验室正在被自己的高定价逼出一个竞争对手——而且这个竞争对手来自太平洋彼岸。

    先说结果。Coinbase 的 token 使用量在过去几个月里创了历史新高，因为像 GPT-5.x-Thinking 和 Opus 4.5 这样的推理模型大量进来了。但与此同时，公司的 AI 支出却砍了一半。一半。Armstrong 说这话的时候语气很平淡，好像在说一件理所当然的事。

    Coinbase AI成本优化示意图
    企业 AI 支出优化正成为新的竞争力 | 制图：AI资讯

    91% 的开发者根本不在乎你给了什么模型

    这件事最反直觉的地方在于：Armstrong 并没有强制所有人换模型。开发者仍然可以自由选择任何模型。但数据告诉我们，91% 的人从来就没有触碰到旧的使用上限。他们用不满，是因为当前的模型够用了，或者他们根本懒得去调。

    Coinbase 同时跑了一套自动路由系统，根据任务类型、价格和缓存可能性来挑最优模型。光是改进缓存策略这一项，就把缓存命中率从 5% 拉到了 60%。开发人员被建议保持上下文精简，为新任务开新会话——这套打法归属于当下流行的”上下文工程”范畴。

    “你在 AI 上花的钱越多，我们期望你产出的影响就越大。”Armstrong 说这话的时候，把”tokenmaxxing”（无脑烧 token 刷内部分数榜）的文化打破了。Coinbase 没有设硬性上限，但把每个人的使用量公开了。这一招比直接封顶更狠。

    不只是 Coinbase 一个人在干

    初创公司 Lindy 的 CEO 最近把 Claude 整个扔了，全线换成 DeepSeek v4。Snowflake 的 CEO 测试下来觉得 GLM 5.2 在不少任务上跟 Opus 4.7 差不多，但价格只是一个零头。这些公司不是在用”便宜货”凑合，而是在用足够好的模型把成本结构打穿，然后把省下来的钱花在别的地方。

    这对西方 AI 实验室来说是个实实在在的压力测试。OpenAI 和 Anthropic 还在准备 IPO，需要拿出漂亮的增长数字来支撑估值。但如果大客户开始用中国开源模型替代，那些增长数字还撑得住房吗？JPMorgan 最近在一份报告里列了一堆 AI 市场的红旗指标，其中”客户价格敏感度上升”被放在了显眼位置。

    价格战已经悄悄打响了

    有消息说 OpenAI 和 Anthropic 之间正在酝酿一场关于 API token 的价格战。OpenAI 刚推出的 GPT-5.6-Sol 跟 GPT-5.5 定价一样，但官方说法是比 Claude Fable 和 Mythos 更省 token。OpenAI 同时还放出了两个更弱的 5.6 变体，价格低得多。

    这套打法很像当年的云服务价格战——亚马逊 AWS 用规模优势把价格压到竞争对手活不下去。现在轮到 AI 模型层了。唯一不同的是，这次”低价入侵者”来自中国，而且他们的模型真的不差。

    📎 原文来源：Coinbase joins the rush to Chinese AI models as Western labs face a pricing stress test — The Decoder

    发布时间：2026年6月28日 | 作者：Matthias Bastian

  • Google DeepMind一周跑了5个顶级研究员，Alphabet市值蒸发2700亿美元

    6月22日，Alphabet的股价一天之内跌了7%。这不是因为财报暴雷，也不是因为监管重锤，而是因为Google DeepMind在一个星期之内，有5位顶级研究员先后宣布离职。

    市值蒸发了大约2700亿美元。相当于跌掉了一个Netflix，或者两个Uber。

    走的都是什么人

    这份名单读起来像AI研究界的”名人录”：

    • John Jumper——2024年诺贝尔化学奖得主，AlphaFold项目的负责人。他领导的团队用AI预测了超过2亿个蛋白质结构，全球190个国家的200多万研究人员正在使用这套系统。
    • Noam Shazeer——Transformer架构的共同作者之一，这个架构几乎是每一个现代大语言模型的地基。他离开Google加入了OpenAI。
    • Jonas Adler——深耕AI编程领域，对Gemini有直接贡献，去向是Anthropic。
    • Alexander Pritzel——预训练专家，同样去了Anthropic。
    • Arthur Conmy——Gemini 2.5的核心贡献者之一，研究方向是AI安全的可解释性，也加入了Anthropic。
    Google DeepMind人才流失概念图
    Google DeepMind一周内5位顶级研究员离职，引发Alphabet市值暴跌

    为什么是现在

    这5个人在同一周宣布离职，不太可能是巧合。背后有几件事正在同时发生。

    第一件事是IPO窗口打开了。Anthropic在6月1日向SEC提交了保密的S-1文件，估值9650亿美元，历史上第一次超过了OpenAI。OpenAI一周之后也跟进提交了。对于顶级研究员来说，在IPO之前加入这两家公司，拿到的是不对称的下注机会——哪怕Google给的RSU再慷慨，也很难跟一家准上市公司的股权升值空间相比。

    根据创投机构SignalFire 2025年的分析，DeepMind的工程师加入Anthropic的可能性，是反向流动的11倍。这个不对称性一直存在，但这一周，它变得肉眼可见了。

    第二件事是算力内耗。Bloomberg报道说，在Shazeer宣布加入OpenAI前不久，他负责的一个项目的算力被重新分配给了DeepMind在伦敦的团队。在一家有19.47万员工的公司里，GPU使用权的内部竞争造成的摩擦，是小而聚焦的实验室不会遇到的问题。

    Gemini 3.5 Pro推迟到7月

    在这个节骨眼上，Business Insider报道说Gemini 3.5 Pro的发布从6月推迟到了7月。Google CEO Sundar Pichai在Google I/O上说过”下个月发布”，但现在公司正在Antigravity平台和LMArena基准测试服务上收集早期测试者的反馈。

    Google没有正式确认推迟。但Adler（AI编程）和Pritzel（预训练）的离职，在Gemini 3.5 Pro最需要表现竞争力的两个领域，留下了具体的人才缺口。

    市场在怕什么

    Jefferies的分析师维持了对Alphabet的买入评级，目标价445美元，认为人才离职是噪音。Google的总员工数是19.47万，走了5个研究员，统计上可以忽略不计。

    但D.A. Davidson的分析师Gil Luria给了一个更尖锐的评估：Google整体上仍然位置很好，但”当前前沿的竞争看起来是在Anthropic和OpenAI之间进行的”。

    市场担心的可能不是这5个人本身，而是他们代表的东西：诺贝尔奖得主、Transformer的共同作者、旗舰模型的核心工程师，这些人用脚投票，去了一家估值9650亿美元、正在准备IPO的竞争对手。

  • 英伟达与剑桥大学发布「红皇后哥德尔机」——AI终于学会了给自己出难题

    如果你用过最新的AI写代码，你会发现一个奇怪的现象：它解题越来越快，但出的题却越来越水。这是因为所有自我进化的AI都卡在同一个盲点上——考官永远不换。

    2026年6月24日，剑桥大学、英伟达等13位研究者在arxiv发布了一篇论文，标题叫《红皇后哥德尔机：协同进化的智能体与评估者》。光看名字就知道，他们想干的事有点野——让AI的考官也跟着考生一起进化。

    红皇后哥德尔机AI自我进化概念图
    红皇后哥德尔机：AI评估者协同进化概念图 | 图源：AI生成

    以前的AI自我改进，到底卡在哪

    要理解这篇论文在解决什么问题，得先搞懂之前的所有AI自我改进系统是怎么工作的。

    早在2003年，AI先驱Jürgen Schmidhuber提出了一个理论框架，叫「哥德尔机」——一个能改写自己代码的程序，但前提是它得先用数学证明来证明改写是改进。这个要求太难了，20多年来哥德尔机一直停留在纸面上。

    2024年以后，研究者想出了实用化的近似方案：让AI生成一堆变异代码，放进沙箱里跑，留下去掉的。这套方法在软件工程基准测试上确实跑出了成绩，但它有一个根本性的限制——考官是固定的。不管AI进化到哪一步，打分的标准始终不变。

    经济学里有个古德哈特定律：一个指标一旦变成目标，它就不再是一个好指标。AI对着固定考官刷题，刷到最后考官的分数已经说明不了真实能力了。

    红皇后机到底改了什么

    论文提出的核心机制叫「受控效用进化」。通俗地说，就是把改进过程分成一个个「 epoch」（时代），每个时代内部考官不动，保证学习信号稳定；但时代和时代之间，考官可以被替换——前提是替补考官在人类标注的真题集上考得比现任好。

    这里有意思的是「选择性擦除」机制：旧考官被换掉之后，它打过分的记录会被删掉，防止带偏的记忆污染下一轮的训练信号。整条链路形成了一个闭环：AI做题 → 考官打分 → 时代更替 → 考官进化 → AI面对更难的题目。

    起这个名字其实有个典故。1973年生物学家Leigh Van Valen提出「红皇后假说」：物种必须不断进化，才能维持相对于其他进化物种的适应性。论文作者觉得这跟AI的场景一模一样——考官不进化，就等于生物学上的功能性灭绝。

    实验数据：数学证明和论文写作都有提升

    光有理论框架不够，论文拿出了具体数字。

    • 奥数级数学：协同进化的证明评分器比之前的最佳方法准确率高出9个百分点。
    • 科学论文写作：协同进化的写手在AI评审团评估下，接收率比之前的自我改进智能体高出1.78至1.86倍。
    • 效率：因为协同进化的代码审查器只查询一次智能体输出（而不是反复跑测试套件），完成Polyglot基准改进时使用的token数比之前的最佳系统少1.35至1.72倍。

    还有一个细节值得说。在科学写作领域，最强的基线评分器会把AI生成的论文以高达1.91倍的速率「放行」——这是AI评判中已知的失败模式。红皇后机通过在每个时代边界组装对抗性AI提交物，专门奖励能正确识别并拒掉它们的评分器，把这个偏差校正了回来。

    安全边界：当 safeguard 本身也成为静态基准

    论文里最值得玩味的部分，是作者自己承认的安全局限。

    现在的 safeguard 是那个「人类标注的真题集」——候选考官必须在上面考得好，才能接任。但问题来了：这个真题集本身，就是更高抽象层次上的一个静态基准。如果AI系统足够强，它会不会像之前的系统刷题一样，把真题集也刷穿？

    论文里把这个问题直白地写了出来：相比静态评估标准，「松绑了收敛保证」。翻译过来就是：我们知道这样更好，但不能完全保证不会跑偏。

    这个时间点发这样的论文，外界难免把它跟Anthropic联合创始人Jack Clark的预测联系在一起。2026年5月，Clark在牛津宇宙学讲座上给出过一个概率：到2028年底，完全自主的递归自我改进AI有60%的可能性会出现。红皇后机论文没有确认或否定这个时间线，但它把「协同进化评估者」这个关键缺失的拼图，从理论提案变成了可以运行的经验系统。

    2026年2月的国际AI安全报告已经把递归自我改进基础设施列为跨国别的国家级安全风险。Clark呼吁在前沿实验室里先建好「刹车踏板」，再让能力的环路完全闭合。

    红皇后机目前还只是一篇预印本，没有完成同行评审，作者也把它描述为「初步的经验性调查」。但「没有天然停止条件的改进环路」这个东西，现在是从纸上走到了代码里。