YOHO AI

标签： AI

  • OpenWiki：让 AI 智能体为你的代码库自动写「活文档」的 CLI 工具

    OpenWiki：让 AI 智能体为你的代码库自动写「活文档」的 CLI 工具

    OpenWiki

    项目简介

    OpenWiki 是 LangChain 开源的命令行工具，专为 AI 智能体（Agent）设计，能自动为你的代码库或个人知识源生成并持续维护一份本地 Wiki（知识库）。它把分散在代码、邮件、笔记、社交动态里的信息，用 LLM 合成结构化、可检索、可被编码助手直接引用的文档。

    安装要求和过程

    环境要求

    • Node.js 运行环境（推荐用 npm 或 pnpm 安装）。Windows 上建议避开 bun——它安装时需要本地编译 better-sqlite3 原生依赖，需先装 Visual Studio Build Tools（桌面开发 with C++ 工作负载）。
    • 至少一个 LLM 提供商的 API Key：开箱支持 OpenAI / Anthropic / Gemini / Vertex AI / AWS Bedrock / OpenRouter / Fireworks / NVIDIA NIM 等，默认模型 gpt-5.6-terra。

    快速安装

    # 全局安装
npm install -g openwiki
# 或
pnpm add -g openwiki

    快速开始

    # 代码模式：初始化并配置模型/Key，自动为当前仓库生成文档
openwiki --init

# 进入交互式 CLI，开始生成仓库 Wiki
openwiki

# 带初始指令一次性运行
openwiki "Please generate documentation for this repository"

# 更新文档（可放进 CI 定时跑）
openwiki --update

# 个人大脑模式：从 Gmail/Notion/X 等构建本地知识库
openwiki personal --init

    OpenWiki 提供 两种模式：Code 模式为当前代码库在 openwiki/ 生成仓库文档；Personal 模式从配置的本地仓库、Gmail、Notion、Web Search、Hacker News、X/Twitter 在 ~/.openwiki/wiki 构建”个人大脑”。配置与密钥保存在本地 ~/.openwiki/.env。

    核心功能

    1. 双模式 Wiki：代码库 & 个人大脑

    代码模式下，OpenWiki 不仅生成 openwiki/ 目录的仓库文档，还会在仓库根目录维护 AGENTS.md 与 CLAUDE.md；个人模式则把 Git / Notion / Gmail / X / Hacker News / Web 统一 ingested 成一份本地可问答的知识库。

    2. 为 Agent 而生：把 Wiki 焊进编码助手

    OpenWiki 用 <!-- OPENWIKI:START -->…<!-- OPENWIKI:END --> 注释块向 AGENTS.md / CLAUDE.md 注入指引，且只改写自己的区块、不动你写的内容。结果是 Claude Code、Codex、Cursor 等编码智能体在检索上下文时会直接引用这份 Wiki，而不用把整页代码塞进上下文窗口，显著节省 token。

    3. 多连接器 Ingestion

    内置 git-repo / gmail / notion / x(Twitter) / web-search(Tavily) / hackernews 连接器，同一连接器可配置多个实例（如 web-search-1、web-search-2），用 openwiki auth <provider> 完成 OAuth 登录。

    4. 全模型供应商兼容

    开箱支持 OpenAI（含 ChatGPT 订阅登录，免 API 计费）、Anthropic、Gemini（AI Studio）、Gemini Enterprise（Vertex AI）、AWS Bedrock（IAM 凭证）、OpenRouter、Fireworks、Baseten、NVIDIA NIM、以及任意 OpenAI 兼容端点；甚至支持自托管/代理网关的 ANTHROPIC_BASE_URL 与 OPENAI_COMPATIBLE_BASE_URL。

    5. CI 自动化 + 隐私友好

    提供 GitHub Actions / GitLab CI / Bitbucket 流水线模板，定时自动开 PR 更新文档；数据全部存于本地（本地优先），匿名遥测可一键关闭（OPENWIKI_TELEMETRY_DISABLED=1 或 DO_NOT_TRACK=1）。

    典型使用场景

    场景一：团队代码库”活文档”

    把 openwiki-update.yml 放进 GitHub Actions，每次定时运行自动生成/更新仓库 Wiki 并开 PR。新成员和 AI 编码助手都能秒懂项目结构、模块职责与历史决策，告别”文档写完就过期”。

    场景二：个人知识大脑

    连接 Gmail、Notion、X、Hacker News 与本地 Git 仓库，OpenWiki 把它们合成一份可问答的本地 Wiki。想回顾某段技术讨论或某封邮件结论时，直接对话即可，知识不再散落各处。

    场景三：给编码 Agent 减负

    OpenWiki 把 Wiki 注入 AGENTS.md / CLAUDE.md 后，Claude Code 等智能体在动手改代码前会先读 Wiki，避免重复探索、显著降低上下文 token 消耗——这正是”代码库语义化”落地的关键一环。

    推荐理由（个人使用心得）

    “代码库语义化”是 2026 年 Agent 基础设施里最实在的刚需之一。OpenWiki 的巧思在于：它不只是一个文档生成器，而是把生成的 Wiki 直接焊进 AGENTS.md / CLAUDE.md——这是 Claude Code、Codex、Cursor 都会主动读取的文件。换句话说，它让 AI 编码助手在每次开工前自动带上项目上下文，而不是靠把整页源码塞进上下文窗口。

    TypeScript 写的单 CLI、MIT 协议、本地优先、数据不出机器，对个人开发者和注重隐私的团队都很友好；LangChain 出品也意味着模型兼容性与工程质量有保障。唯一的小门槛是需要自备 LLM Key，以及 Windows 上用 bun 装要额外编译原生依赖——用 npm/pnpm 则毫无障碍。如果你已经被”AI 改代码却不懂项目全貌”折磨过，值得一试。

    下载地址

  • 首笔推理芯片抵押贷落地：4亿美元押注AI算力的下一站

    算力生意的下半场

    训练一个大模型要烧掉天文数字的算力，但模型训好之后真正天天在跑的，是”推理”——也就是你每次提问、它给答案的那一下。最近一笔 4 亿美元的融资，把赌注压在了这块过去被忽视的市场上。

    AI 推理云创业公司 General Compute 拿到了 Upper90 的 4 亿美元贷款。有意思的是，这很可能是第一笔拿”推理专用芯片”做抵押的买卖。所谓推理芯片，专门用来高效跑已经训好的模型，不像训练芯片那么贵、那么吃水和电。

    General Compute 推理芯片
    General Compute 的推理芯片主打低功耗、免水冷（图源：TechCrunch）

    General Compute 的 SN50 芯片来自英特尔支持的 SambaNova，主打省电、不用昂贵的水冷，所以能比 GPU 更快铺进各种数据中心。公司声称推理速度能到 GPU 云的 16 倍。问题只有一个：作为一家新公司，怎么搞到足够多的芯片。

    “我们当年第一批给英伟达 GPU 融资时，市场还很低效，早进场的人能拿到风险补偿。”Upper90 的 Billy Libby 说。

    从 GPU 转向推理层

    这就轮到 Upper90 出场了。它的老板 Billy Libby 是个前高盛量化交易员，2021 年就曾给能源型数据中心创业公司 Crusoe 做 GPU 采购融资——他自称那是第一笔拿高端芯片做抵押的贷款。当时传统银行躲得远远的，怕芯片贬值太快；等 CoreWeave 把这种”芯片抵押”做成生意、还顺手搞出个轰动 IPO，大家才反应过来。

    现在 GPU 行情大家都摸透了，甚至有点买过头，Upper90 就把目光转向了 General Compute 这样的推理层公司。这个转向背后有个判断：不是谁都需要超级计算机，但谁都需要推理。开源模型越来越能打——月之暗面刚发的 Kimi K3 在编程基准上已经逼近 Anthropic 和 OpenAI 的旗舰——跑这些开源模型，便宜的推理芯片就够了。Groq、Cerebras 这类芯片公司也因此被收购方和公开市场盯上。

    General Compute 押注英伟达体系之外的芯片，逻辑和 TensorWave 绑定 AMD 类似：当替代方案越来越多，不被英伟达锁死的计算提供商，反而可能在成本上占优。

    “有一批芯片正在起量，总拥有成本惊人地好，速度也比英伟达快，但买家不多。”CEO Finn Puklowski 说，”和 Upper90 合作，不是’一个酷公司拿到钱买算力’这么简单，这是资本第一次组织起来，去敲碎英伟达的垄断。”

    对普通人来说，这事儿离得有点远。但它决定了你以后用 AI 是贵还是便宜：当推理产能不再被一家芯片厂卡脖子，模型跑起来的成本才会真正降下来。

    一句话看清这笔融资

    • General Compute 获 Upper90 的 4 亿美元贷款，或为首笔以推理芯片为抵押的融资
    • SN50 芯片（SambaNova）主打低功耗、免水冷，推理速度号称 GPU 云 16 倍
    • 资本从 GPU 转向推理层：开源模型崛起让低成本推理需求激增，英伟达之外的芯片有了空间
    📎 原文来源：Why the first GPU financiers are turning to inference chips in a $400 million deal（TechCrunch / Tim Fernholz，2026-07-17）

  • Patreon 不再求情，直接拦截 AI 爬虫：创作者的内容不是训练素材

    从”请勿抓取”到直接拉黑

    Patreon 这次是真的忍不了了。7月17日，这家靠创作者订阅活着的平台宣布，它和 Cloudflare 联手，开始直接拦截那些专门为训练 AI 模型而来、又没拿到授权的爬虫。

    以前 Patreon 也设过防线，但主要靠 robots.txt 文件——说白了就是放一张”请勿抓取”的告示牌，靠爬虫自觉。现在它换成了主动封堵：Cloudflare 的 AI Crawl Control 技术会直接把训练型爬虫挡在门外。

    Patreon 标志
    Patreon 与 Cloudflare 合作，主动拦截训练型 AI 爬虫（图源：TechCrunch）

    “同意与否，不该取决于抓取方愿不愿意守规矩。”Patreon 在官方博客里写了这么一句，把话挑明了。

    为什么突然动真格？Patreon 的说法很直白：AI 抓取这两年变精明了，而平台为了推新的发现功能（比如改版过的主页流、类似推文的 Quips），反而把更多内容暴露在了爬虫面前。更关键的是，测试期间那些训练爬虫的周访问量，从”几千次”直接掉到了零——人家压根没理过那块告示牌，该抓还是抓。

    索引放行，训练拦截

    平台也留了口子：单纯做索引、把用户导回 Patreon 的搜索引擎类爬虫，它还是放行的。区分标准很清楚——你帮创作者涨粉，可以；你拿创作者的内容去喂自己的模型，不行。

    这背后是整个内容行业的转向。Cloudflare 早就提供了限制 AI 爬虫的工具，甚至搞了个”Pay Per Crawl”市场，让网站能向爬虫收费。月初它又改了政策，凡是又索引又训练的混合爬虫，在有广告的页面上默认拦截。Patreon 的产品负责人 Drew Rowny 说得挺实在：互联网上大多数创作者为了涨粉，不得不默认接受自己的作品被拿去训练；Patreon 想走另一条路——既能涨粉，也能决定自己的东西怎么被用。

    对靠写文章、做播客、画图吃饭的创作者来说，这事儿的意义不只是少被薅几次羊毛。它把”我的内容归谁管”这个老问题，第一次摆到了台面上：当 AI 公司需要海量语料，创作者的同意，到底值不值钱？

    一句话看清这次变化

    • Patreon 联合 Cloudflare，从”请求别抓”升级为”直接拦截”训练型 AI 爬虫
    • 测试期间相关爬虫周访问量从数千次降至零，说明此前的 robots.txt 形同虚设
    • 保留索引类爬虫，只封训练类；Cloudflare 的 Pay Per Crawl 让网站可向爬虫收费
    📎 原文来源：Patreon stops asking AI bots not to scrape — and starts blocking them（TechCrunch / Sarah Perez，2026-07-17）
  • Hallmark：一个”拒绝 AI 味”的设计技能，让 Claude Code / Cursor / Codex 产出不像模板套出来的页面

    Hallmark：一个”拒绝 AI 味”的设计技能，让 Claude Code / Cursor / Codex 产出不像模板套出来的页面

    Bubble 酸面团 App 首页，由 Hallmark 生成

    一、项目简介

    Hallmark 是由 Together AI 开源的一个「设计技能（Skill）」，专门给 Claude Code、Cursor、Codex 这类 AI 编程助手注入一套反”AI 味”（Anti-AI-slop）的设计规则：它会为目标自主挑选宏观结构、从 20 套主题中”着装”、跑 57 道”烂大街”检测闸门加一遍自检，让产出的页面彼此像不同的网站，而不是同一套模板换色。

    二、安装要求和过程

    环境要求：Node.js（用于 npx）、并安装 Claude Code / Cursor / Codex 中的任一 AI 编码助手；也可以纯拷贝文件手动安装，无需额外依赖。

    快速安装（推荐）：

    npx skills add nutlope/hallmark

    随时重新运行即可更新到最新版本。若不想走 npx，也可手动把仓库里的 SKILL.md + references/ 拷贝到对应目录：

    • Claude Code：~/.claude/skills/hallmark/
    • Cursor：.cursor/rules/hallmark.mdc（取 SKILL.md 正文，无需 frontmatter）
    • Codex：~/.codex/skills/hallmark/（个人）或 .codex/skills/hallmark/（项目级）

    三、核心功能

    1. 四大”动词”工作流：默认直接构建新 UI；audit 给现有代码打分挑刺（只列清单不改代码）；redesign 推倒结构、保留文案/信息架构/品牌后重塑；study 从你欣赏的设计里提取”DNA”（宏观结构、字体配对、色彩锚点），并明确拒绝像素级抄袭与付费模板，可输出可移植的 design.md。
    2. 57 道反 AI-slop 检测闸门 + 发布前自检：拒绝每个 LLM 都被训练进的”分布内默认项”——渐变紫、玻璃拟态、千篇一律的圆角卡片网格。
    3. 20 套主题 + 宏观结构引擎：针对每个 brief 自主挑选主题、结构与工艺，不同需求产出截然不同的页面形态，而非同一模板的换色。
    4. Custom 自定主题（新增）：当创意意图超出目录主题时，切换为 Custom 从零设计——量身配色、字体与排版，同样受 57 道闸门约束，底层无模板。
    5. 自包含产物 + 可移植：每个页面都是独立的 HTML + CSS，并在 CSS 注释中盖戳宏观结构；study 还能导出 design.md 交给其他 AI 工具接力。

    Distil 内容抽取 API 首页Cold Snap 唱片厂牌 EP 首页

    左：Distil 内容抽取 API ｜ 右：Cold Snap 唱片厂牌 —— 不同 brief，完全不同的气质

    四、典型使用场景

    1. 给新产品做落地页 / 官网原型：输入一句 brief（如”一个酸面团 App 的首页”），Hallmark 直接产出有独特气质的 hero 页，而不是 ChatGPT 默认那种蓝色渐变卡片。
    2. 给”AI 味”过重的现有页面做体检与改造：用 audit 给老页面打分列出顽疾清单，再用 redesign 保留文案与品牌、推翻结构重做，得到截然不同的”指纹”。
    3. 向优秀设计”借 DNA”而不抄袭：把竞品或灵感图的截图 / URL 喂给 study，提取其结构、字体与配色锚点用于自己的项目，且明确拒绝像素克隆与付费模板。

    五、推荐理由（个人使用心得）

    做 AI 辅助前端最破防的就是”一眼 AI 生成”——紫渐变、玻璃卡片、无限圆角。Hallmark 把资深设计师的”反套路直觉”固化成可复用的规则集，等于给编码助手配了个审美总监。它最妙的地方是”同样的指令、不同的 brief，产出像不同站点”，这对想快速产出有辨识度原型的独立开发者 / 小团队太香了。MIT 许可、一键 npx 安装、可移植 design.md，几乎零门槛。

    注意：它是”设计技能”而非独立 App，需要搭配 Claude Code / Cursor / Codex 使用；审美风格偏编辑 / 杂志 / 独立品牌感，若你要的是中规中矩的企业后台风，它可能”太有性格”。

    Cinder AI 推理工具首页

    六、下载地址

  • Suno源代码泄露：AI音乐训练数据来自YouTube和Deezer抓取

    AI音乐生成与版权概念图
    AI 音乐生成的繁荣背后，训练数据来源正成为最敏感的命门

    AI 音乐生成平台 Suno 最近被掀了底。据 404 Media 报道、并经多家媒体确认，Suno 此前遭到黑客入侵，泄露出来的源代码把它的训练数据来源摊在了阳光下——那些被唱片公司告了又告的”未经授权抓取”，在代码里写得明明白白。

    黑客用的化名是 ellie.191，早在 2025 年 11 月就通过一次供应链攻击拿到了 Suno 员工的凭证，进而翻出了内部代码。泄露文件里有一组数字格外刺眼：一个叫 youtube_music 的文件夹里塞着超过 200 万段视频片段；从歌词网站 Genius 抓了超过 1.7 万小时歌词；从音乐流媒体 Deezer 抓了超过 1.2 万小时歌曲；就连 Shutterstock 旗下的素材库 Pond5，也被搬走了超过 6.2 万小时音频。

    更讽刺的是，Suno 的爬虫还带了一套筛选机制，专门把非音乐文件过滤掉，好让训练数据”更干净”。一边讲究数据质量，一边用着没授权的歌。

    用户的隐私，也没被漏掉

    泄露的不止是训练数据。黑客还碰到了部分用户资料：邮箱、电话号码，以及通过支付服务商 Stripe 处理的信用卡元数据。Suno 后来回应称，这起事件”主要涉及已不再使用的过时代码”，没有完整卡号泄露，按现行隐私法不需要逐个通知用户——但它 2025 年 11 月出事时，确实没有主动告知用户。

    这下，版权方手里的牌更硬了

    环球、索尼、华纳这几家唱片巨头早就以 RIAA 名义把 Suno 告上了法庭，指控它未经授权用受版权保护的音乐训练模型。Suno 一直用”合理使用”当挡箭牌，说公开网络上能拿到的音乐文件就能拿来训练。今年 5 月，唱片公司把诉讼里认定的侵权歌曲从最初宣称的 560 首，扩到了 6.1 万多首，法院也批了。这次泄露的抓取代码，等于给版权方递上了新证据。

    站在创作者一边的人声音更响。SZA 就说过，她怀疑自己一些还没发布的歌也被拿去用了；作曲人 Kenneth Blume 直接抨击，这是赤裸裸侵犯创作者的权利。有意思的是，Anthropic 和 Meta 去年夏天在一批作者提起的类似诉讼里赢了——同样的”合理使用”辩护，结果并不完全一样。

    • 对 Suno：诉讼阴影没散，反被添了实锤，后续授权谈判和合作关系都会更被动。
    • 对整个 AI 音乐行业：训练数据来源不透明，迟早会被扒出来，监管已在呼吁明确规则。
    • 对普通用户：你喂给 AI 平台的资料，平台自己都未必守得住。

    Suno 自己其实还在扩张，前不久刚完成 4 亿美元 D 轮、估值冲到 54 亿美元。但这次泄露说明，靠”公开网络就能随便抓”撑起来的增长，迟早要面对账单。AI 音乐能不能走得远，先把”歌是从哪来的”说清楚，大概是最基本的一课。

    📎 原文来源：Source Code Hack Reveals Suno’s AI Was Trained on Millions of YouTube Songs（CNET，综合 404 Media / TechCrunch 报道，2026-07-16）

  • 微软教销售唱衰OpenAI与Anthropic，自研AI模型要单飞

    拳击手套与西装，隐喻竞争
    微软与昔日 AI 盟友的正面较量，已经从幕后走到了台前（图源：TechCrunch / Getty Images）

    微软正在悄悄给自家销售团队换一套话术。据彭博社 7 月 15 日报道，在两天前一场名为新财年战略会的内部会议上，公司高管明确要求一线销售：向客户推销微软 AI 产品时，主动把 OpenAI、Google、Anthropic 这些对手的 AI 产品往下踩，重点突出微软自研模型在效率和成本上的优势。

    执行副总裁 Jay Parikh 在会上撂下一句挺直白的话：别人卖的只是零散零件，我们卖的是一整套端到端系统，2027 财年所有人都要把这个故事讲出去。另一位负责 Copilot 的执行副总裁 Jacob Andreou 走得更远，直接在演示里把 Copilot 和 Anthropic 的 Claude 拉到一起比，声称在微软的办公应用里，Claude 更慢、更不准，还缺必要的安全集成。

    “Everyone else is selling parts — we’re selling the full end-to-end system.” 别人卖零件，微软卖系统，这成了 FY27 对外统一的主叙事。

    从合伙人到对手，只隔了一纸协议

    教销售唱衰对手，本身不算新鲜事。真正值得玩味的是，微软这次瞄准的，恰恰是自己过去几年最依赖的模型供应商。早些时候就有报道说，微软正把 Word、Excel 等旗舰应用里的 OpenAI、Anthropic 模型悄悄换成自家模型，理由是省钱——在微软这个体量，绕过第三方按 token 计费、改用自研模型，省下的可不是小数目。

    放在两年前，这几乎不可想象。微软和 OpenAI 曾有一段形影不离的关系：微软出钱出算力，换 OpenAI 的 API 和模型独家使用权。但今年 4 月双方修订协议，拿掉了独家条款，OpenAI 从此可以把模型卖给微软的竞争对手。关系的松动，正好解释了这个财年销售话术的转向。

    微软想通吃的，不止是模型

    过去一年微软股价承压，投资者一直在问：砸在 AI 基建上的巨额开支，到底什么时候能回本。把自家产品的竞争力摆在台面上讲，既是商业动作，也是给市场递一颗定心丸。说白了，微软不再满足于做别人智能的分发层，它要自己掌握整条技术栈。

    这股风不只是微软在刮。Google 用 Gemini 把 Workspace 和 Cloud 串成一体，亚马逊借着 AWS 推自己的 Titan 和 Nova，同时还在转售 Anthropic。大模型行业的竞争焦点，正从”谁的基础模型最强”挪向”谁掌握全栈”。

    • 对微软来说，论点是”单一整合供应商更安全、更省、更可控”，比起东拼西凑不同家的模型更稳。
    • 对 OpenAI、Anthropic 来说，最大的金主正在变成竞争对手，原本稳稳的企业客户渠道出现裂缝。
    • 对企业买家，十八个月前不存在的选择，现在真摆在了面前。

    这套说辞到底能不能立住，关键看一件事：微软自研的 MAI 模型，能不能在基准测试上追上 OpenAI 和 Anthropic 设下的线。独立验证那些”更慢、更不准”的指控，会是接下来一整年的重头戏。可以肯定的是，微软和 OpenAI 那种 inseparable partners 的叙事，已经散了。

    📎 原文来源：Microsoft is reportedly training salespeople to talk down OpenAI and Anthropic（TechCrunch / Lucas Ropek，2026-07-15）

  • 月之暗面 Kimi K3 即将发布：2-3 万亿参数，追平 Anthropic Opus 4.8

    Moonshot Kimi 大模型
    月之暗面（Moonshot AI）旗下 Kimi 系列（图源：TechCrunch / Getty Images）

    中国大模型公司月之暗面（Moonshot AI）的下一代 Kimi 模型 K3，据《金融时报》援引匿名信源，性能预计能和 Anthropic 的 Opus 4.8 打平甚至超过。如果成真，这会是迄今中国对外发布的最大开放权重模型。

    从 K2 到 K3，差距在肉眼可见地缩小

    Kimi 的 K2 系列在开源圈口碑不错，benchmark 排得上号，离最前沿的闭源模型也没差太远。K3 要走得更远——FT 说它的参数规模在 2 万亿到 3 万亿之间，会在”未来几天”放出。对一个一直被拿来和 GPT、Claude 比的中国实验室来说，这是第一次真正站到同一起跑线附近。

    估值跟着水涨船高

    趁着这股势头，Moonshot 正在新一轮融资，估值据称冲到 315 亿美元。今年五月它刚以 200 亿估值拿了 20 亿美元——不到两个月，账面上就多了一百多亿。资本用脚投票，显然相信”中国开源模型能追平前沿”这件事不是空话。

    企业要么买自己的开源模型（比如 DeepSeek、Z.ai 或 Moonshot 的），按自己的需求训一遍；要么就继续给闭源实验室交那份越来越贵的租子。

    大背景：大家开始怀疑”租 AI”值不值

    K3 的消息，撞上了一场正热的讨论——花大价钱买 OpenAI、Anthropic 的闭源模型到底值不值。纳德拉那句”付两遍钱”的警告还在发酵，行业里不少人担心，你喂给 ChatGPT、Claude 的数据，最后会被实验室悄悄吸进自家模型里。于是一些高管开始推自己的替代方案，或者干脆建议企业用便宜的开源模型，自己训练来用。

    开放权重这条路，中国走得最坚决

    Kimi K3 如果按 FT 说的规模落地，会成为迄今最大的中国开放权重模型。这背后是同一股潮流：当算力被少数闭源巨头攥着，开放权重给了企业一条不用仰人鼻息的路。月之暗面的打法很清晰——用越来越能打的开源模型，把”生产环境里真正跑业务”的那块蛋糕从闭源手里切下来。

    当然，FT 的消息来自匿名信源，参数和发布时间都还没官宣。但方向已经清楚：中国大模型和美国前沿之间的那道缝，正在被 Kimi 这样的模型一点点焊上。对用得起、也想自己掌控数据的企业来说，这比又一场”谁的参数更多”的军备竞赛更有看头。

  • 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。

  • herdr：17.3K Stars 的终端 Agent 复用器，在命令行里同时”放养”一群 AI 编程智能体

    herdr：17.3K Stars 的终端 Agent 复用器，在命令行里同时”放养”一群 AI 编程智能体

    herdr logo

    herdr 是一款用 Rust 写成、直接跑在你现有终端里的「Agent 复用器（agent multiplexer）」——把 Claude Code、Codex、Cursor、Copilot 等一众 AI 编程智能体并排塞进真实的终端面板，统一监视、分屏、脱离与重连，让你在命令行里就能”放养”一整群 Agent。

    一、项目简介

    herdr = terminal agent multiplexer。它不是一个封装 AI 的 Web 界面，而是一个单文件 Rust 二进制（无 Electron），把多个 AI 编程智能体的真实终端会话聚合到同一个 TUI 里：每个 Agent 的工作状态（阻塞 / 进行中 / 已完成）一目了然，你可以像用 tmux 一样分屏、点击、脱离，而 Agent 们还在后台继续干活。

    二、安装要求和过程

    环境要求

    • 任意现代终端（macOS / Linux / Windows 终端均可），无需图形界面；
    • 单个 Rust 静态二进制，无 Electron、无运行时依赖；
    • 支持通过 ssh 远程接入，会话在重启后依然存活；
    • 可选：本地有 Claude Code / Codex / Cursor 等任一 AI 编程助手即可配合工作。

    快速安装

    # macOS / Homebrew
brew install herdr

# 一键安装脚本（Linux / macOS）
curl -fsSL https://herdr.dev/install.sh | sh

# 版本管理器
mise use -g herdr

# Windows（测试版）
powershell -ExecutionPolicy Bypass -c "irm https://herdr.dev/install.ps1 | iex"

# 或直接从 GitHub Releases 下载对应平台的预编译二进制
# https://github.com/ogulcancelik/herdr/releases

    启动与使用

    # 在代码目录直接启动
herdr

# Ctrl+B Q 脱离（Agent 继续跑）
# 之后任意终端再输入 herdr 即可重连

    源码构建：git clone https://github.com/ogulcancelik/herdr && cd herdr && cargo build --release

    三、核心功能

    • 一眼掌控所有 Agent：阻塞 / 工作中 / 已完成，展示的是真实终端视图，而非被封装过的”解释版”界面。
    • 脱离不中断：Agent 在后台继续运行，可随时从任意终端或 ssh 重连，会话在系统重启后依然存活。
    • Agent 也能用 herdr：提供纯 Socket API，Agent 可以自己起面板、读输出、彼此等待，官方还配了 agent skill。
    • 键鼠并重：tmux 风格前缀键 和 鼠标点击 / 拖拽 / 分屏同时是一等公民，按当下场景随时切换。
    • 插件生态：可扩展面板与工作流，官方维护插件市场（herdr.dev/plugins）。

    四、典型使用场景

    • 多 Agent 并行开发：在同一个项目目录里同时跑 Claude Code、Codex、Cursor，分屏对照、统一监管进度，谁卡住一眼看清。
    • 远程 / 后台长跑任务：ssh 登录服务器起 herdr，下班时脱离，第二天从任意终端重连查看结果，会话不丢、无需 nohup 折腾。
    • Agent 自组织协作：主 Agent 通过 Socket API 派生子 Agent 到不同面板，让它们互相等待产出，搭出多智能体流水线。

    五、推荐理由

    我自己用下来最打动的三点：

    • 够轻、够原生：一个 Rust 二进制、无 Electron，和你现有的终端 / ssh 工作流无缝融合，不像某些”AI 终端”还要起一套 Web 服务。
    • 真实终端视图：Agent 的报错、进度、交互提示都是原样可见的，而不是被二次渲染成温和的摘要——排错时这点太重要了。
    • 脱离 / 重连体验极佳：长任务的”离开—回来”几乎零成本；而 Socket API 让 Agent 反过来调度 herdr，是迈向真正 agent runtime 的一步，想象空间很大。

    六、下载地址

    许可证：AGPL-3.0（双许可，商业用途需购买商业许可）。当前约 17.3K Stars，Rust 实现，2026 年 GitHub Trending 常驻热门。

  • Google Photos 上线 Video Remix：几秒把废片改成水彩画

    谷歌给 Google 相册塞进了一个新玩具，叫 Video Remix。它背后是 Gemini Omni 模型，用法简单到有点离谱：在”Create”标签页里挑一段视频，选个模板，剩下的交给 AI。

    Google Photos Video Remix
    Video Remix 把视频编辑变成几步点击的模板游戏（图源：TechCrunch）

    它能干啥

    最核心的三类玩法：一是电影级重新打光，把拍暗了的片段自动提亮；二是换背景，把平淡的墙换成咖啡馆或者海滩日落；三是艺术滤镜，把视频涂成水彩、素描本或者油画的样子。你不用碰时间轴，也不用调色轮，点几下就出片。

    “做出好看的视频片段，不该需要专业技能，也不该耗费几个小时。”谷歌在博客里这么写，”现在用 Photos 里的 Video Remix，几步点击就能把普通视频变成值得分享的瞬间。”

    实际限制也挺明确：视频总长得在 60 秒以内，而且你只能挑其中 1 到 10 秒的片段来做变换；素材还得已经备份到 Google 相册里。

    门槛藏在订阅里

    这个功能只对成年人开放，而且不是免费用户能碰的——它绑在 Google AI Plus、Pro、Ultra 这几个付费档上，首批开放的市场包括美国、日本、韩国、印度等 14 个国家。免费相册用户暂时和它无缘。

    • AI Plus 每月 4.99 美元（今年 6 月刚从 7.99 降下来），带 400GB 存储，能用 Video Remix；
    • AI Pro 每月 19.99 美元，5TB 存储；
    • AI Ultra 每月 100 到 200 美元，面向重度用户。

    把”生成式视频”关在付费墙后面，说明谷歌的算盘和存储费一个逻辑：好用，但跑在云端烧钱，所以按量计费。此前 Magic Eraser、背景虚化这些相册 AI 工具都是免费的，这次是个明显的转向。

    谷歌想把相册变成创作入口

    Video Remix 不是孤立的。谷歌近半年往 Photos 里塞了一连串 AI：照片转动图、Photo Remix 把静图变成 3D 动画和漫画风、AI 修图、甚至一个数字衣橱帮你试穿搭。它的野心很清楚——相册不该只是备份仓库，而要成为你不用跳出谷歌生态就能修图、生成、玩创意的地方。这跟苹果 iOS 的回忆视频、Adobe 的 AI 剪辑、Meta 的 Muse Image，抢的是同一批想偷懒又想出片的人。

    顺带一提，用 Gemini Omni 生成的视频会打上 SynthID 水印，方便溯源是不是 AI 做的。