YOHO AI

标签： AI

  • Zed：用 Rust 重写的高性能 AI 代码编辑器，86.6K Stars 让 VS Code 也坐不住了

    Zed：用 Rust 重写的高性能 AI 代码编辑器，86.6K Stars 让 VS Code 也坐不住了

    Zed 代码编辑器

    项目简介：Zed 是由 Atom 与 Tree-sitter 创始人 Nathan Sobo 团队打造的高性能、多人协作代码编辑器，用 Rust + GPU 加速实现极致流畅的编码体验，并原生集成了 AI 助手与智能体能力。

    📦 安装要求与过程

    环境要求

    • 操作系统：macOS 10.15+ / Linux（glibc 2.28+）/ Windows 10+
    • 架构：x86_64 与 arm64 均支持
    • 零额外依赖：自带 GPUI 渲染引擎，无需预装 Node 或 Electron

    快速安装

    • macOS：brew install --cask zed
    • Windows：Microsoft Store 或 winget install Zed.Zed
    • Linux：官网提供 .deb / .rpm / AppImage，或参考 Linux 安装文档
    • 通用：访问 zed.dev/download 直接下载安装包

    如需从源码构建，克隆仓库后执行 cargo run 即可（需 Rust 工具链）。详见各平台 开发文档。

    ⚡ 核心功能

    1. 极速编辑体验：Rust 编写 + GPU 渲染，多光标编辑、百万行大文件秒开，输入延迟低至亚毫秒级，彻底告别卡顿。
    2. 原生多人协作：实时共同编辑、跟随模式（follow）、内置语音频道，无需安装插件即可远程结对编程。
    3. AI 深度集成：内置 Agent 面板、内联补全（Inline Assistant）与命令面板 AI，支持 OpenAI / Anthropic / Ollama 等自定义模型。
    4. Agent Panel 智能体：让 AI 在编辑器内直接读写文件、运行命令、多步迭代修改代码，把编码助理变成真正的协作者。
    5. 基于 GPUI 框架：自研 UI 框架，扩展能力强；配合 Tree-sitter 实现精准的语法高亮与增量解析。

    🎯 典型使用场景

    • 团队结对编程：多人实时共编 + 内置语音，分布在不同城市的同事协作如坐同一间办公室。
    • AI 辅助开发：用 Agent Panel 让 AI 完成函数重构、生成单元测试、解释复杂模块，效率翻倍。
    • 大型项目快速导航：在海量代码库中秒级全局搜索与跳转，老旧大型工程也能流畅编辑。

    💡 推荐理由

    我实际体验过 Zed，最深的感受就是两个字——「丝滑」。打开几十 MB 的日志文件、全局搜索几乎零等待；它的 AI 能力不是外挂插件，而是编辑器原生的一部分，Agent Panel 真能在编辑器里完成多步任务、自己改文件跑命令。对于受够编辑器卡顿、又想要「AI 就在手边」的开发者，Zed 非常值得一试。2026 年 4 月它已发布 1.0 正式版，稳定性和生态都在快速成熟。

    🔗 下载地址

    本文由自动化工作流整理发布 · 许可证：GPL-3.0-or-later（含 Apache-2.0 组件）

  • Vercel CEO 放话：模型和 Agent 别绑死，我们要做这一代的 AWS

    提到 AI 时代的”卖水人”，你大概先想到英伟达。但在写代码、跑 Agent 这条线上，有家公司已经悄悄站到了中间位置——Vercel。它做的是让开发者不用管服务器就能把 Agent 部署上线的云基础设施，现在一天 600 万次部署，其中一半是编程 Agent 触发的，每天还有超过 1 万亿个 token 从它的 AI 网关里流过。

    去年在画饼，今年在干活

    在上周的 ShipNYC 大会后，Vercel 的 CEO Guillermo Rauch 跟 TechCrunch 聊了聊他对当下 AI 的判断。他最直接的感受是：社区的气质变了。去年大家的主题是”原型”，天空才是极限，放手让 Agent 去造；今年更多人不再问”能不能做”，而是纠结”怎么在生产环境里真正跑顺”。

    Rauch 把 Agent 的”杀手级应用”归纳成两个。第一个当然是编程 Agent，它吃掉了世界上很大一块 token 消耗，但软件写得再多，总得有个地方放。第二个他叫”公司内部的 Agent”——帮企业自己运转起来的那种。难点不在聪明，在于怎么安全地拿到数据、怎么审计它在干什么、怎么留下每一次工具调用和权限的痕迹。

    把 Agent 关进”笼子”里

    为了治这个毛病，Vercel 搞了个叫 Eve 的框架，让你用自然语言把 Agent 的指令和技能写清楚；再配一个 Vercel Sandbox，字面意思就是把 Agent 关进一个小笼子——它照样能发挥聪明才智，但你能规定它能碰什么数据、什么数据不许出笼子。

    Rauch 最在意的其实是数据控制权。他举了个让人后背发凉的例子：空客那种积累了几十年的航空 C++ 代码，要是有人装错了开发工具，哗一下全跑到云上去给人家训练模型了。”你以为是在用工具，其实是在把家底交出去。”

    Rauch 说：”太多 SaaS 巨头是靠着把你的数据锁死才建起王国的，而这跟 Agent 的玩法从根本上不兼容。”

    客户不再死绑一家大模型

    聊到和大厂模型的关系，Rauch 的观察是：去年一堆人赌咒发誓”我们全都建在 OpenAI（或 Anthropic）上”；今年风向变了，大家终于搞明白整套拼图——模型、harness、数据平台、沙箱、网关，每一块都能插拔。OpenAI 能用，Anthropic 能用，Gemini 也能用。他特意提了一嘴 Gemini：新闻上没它那么热闹，但因为大家开始为生产环境算账，它性价比的优势就显出来了。开源的 DeepSeek、GLM-5.2 也在起飞。”数据不会撒谎。”

    和大厂模型正面撞车

    当然，模型厂也在往基础设施伸手。就在这前不久，OpenAI 发布了一套不用离开自家地盘就能直接发网站的工具。Rauch 倒不慌，反而觉得是送给 Vercel 的助攻：人们会把 ChatGPT 当成做网站的工具，接着问它”托管怎么办”，模型顺手就推荐了他们。”模型和平台的边界一旦越界，就注定会和已有的基础设施正面竞争。”

    解耦的AI架构：模型与Agent通过网关连接
    模型与 Agent 解耦的架构思路：每一层都可插拔（配图为 AI 生成示意）

    说到底，Rauch 想赌的是一个判断：模型和 Agent 到底要不要绑在一起？是从一个地方拿走全部智能，还是从一个供应商那儿拿模块、拿积木，再自己往上搭？后者更像软件工程一贯的做法，也正是 Vercel 要卖的东西。他的原话很直白：”我们要做这一代的 AWS，所以当然是在为一个开放协议的世界而战。”

    • Vercel 当前每天 600 万次部署，半数由编程 Agent 触发
    • 每天超 1 万亿 token 经其 AI 网关流转
    • 两大 Agent 杀手应用：编程 Agent、企业内部运转 Agent
    • 关键工具：Eve（自然语言编排）+ Sandbox（数据隔离笼）
    • 客户从”死绑单一大模型”转向模型/沙箱/网关可插拔

    这套说法听着像宣言，但背后有个很实在的逻辑：当 Agent 真要进企业生产环境，谁能把数据安全和可插拔这两件事做扎实，谁才配坐上”这一代云”的交椅。模型和 Agent 解不解耦，也许就是接下来两年 AI 基础设施之争的分水岭。

  • 美国无人战车上了乌克兰前线：跑了2500英里、撤下52名伤员，却还离不开人

    一架无人机在头顶盘旋，下面的人连躲的地方都没有——这是过去两年乌克兰战场给全世界最直观的画面。可就在大家都盯着天上的时候，地面上悄悄冒出了一批”不走寻常路”的装备：美国公司 Forterra 造的自动驾驶全地形车，已经在前线跑了快一年。

    战壕里跑起来的”无人搬运工”

    Forterra 今天（7月7日）对外披露，过去九个月里，有超过 100 辆它家的自动驾驶 ATV 被部署到了乌克兰的冲突地带。公司相信自己拿到了一个”第一”：这是任何一家美国国防科技公司，在实战中部署规模最大的一批自主地面车辆。

    这批车叫 Lancer，底盘是北极星（Polaris）的民用全地形车，上面塞了一套定制的传感器和计算单元，烧汽油，能拉 750 公斤货。对比乌军自己攒的无人地面车——大多是电池驱动，最多扛 250 公斤，Lancer 的续航和载重都高出一截。一名用过它的乌军士兵原话很直白：”这玩意儿他妈的太棒了，我们做梦都想要更多。”

    那名士兵告诉 TechCrunch：”对后勤、对我们守住防线来说，这就是乌克兰最重要的无人地面车。”

    无人机把人逼到了地面

    为什么是地面？过去两年聚光灯都在无人机身上，可正是无人机把战场变成了”无处可藏”的修罗场。美国陆军负责无人车项目的 Corey Wilkens 士官长说得很实在：”你变得特别、特别脆弱，随时可能被穿越机、榴弹、火炮点名。”天上的威胁越密，地面上的自主补给和伤员后送就越显得要命。

    Forterra 一开始交的功课并不满分。西方承包商带新装备上前线，乌军吃过不少亏，起初也觉得这车太”美式高端”，不接地气。真正让它在战场上值钱的一处改动，是加了一根星链天线——有了卫星网，远程操控和软件升级才真正跑得通。

    数字很漂亮，真相很骨感

    从去年十月落地算起，这些车累计跑了 2500 多英里，执行了 1100 多次任务，运了 77 万多磅物资，还完成了 52 次伤员后送。成绩单拿得出手，但前线也教了它一课：陷进深泥、被俄军从容点掉的车，已经损失了好几台。

    更关键的边界在于”自主”二字。眼下乌军主要是远程遥控这些车，一半是因为车太贵丢不起，一半是因为自主系统还没准备好面对真实的战争。车能自己在复杂地形里跑，却还认不出冷不丁冒出来的敌人、也不知道该怎么当场反应。那位士兵说：”我们得在敌人面前实时应对，这一点自动驾驶现在还不会。”

    在战场泥地中行驶的自主地面车辆
    Forterra 的 Lancer 无人地面车，基于北极星全地形车改装（配图为 AI 生成示意）

    便宜，和”数据”才是真正的拦路虎

    Forterra 干了二十年自动驾驶，现在想把当年造自动驾驶汽车的算法，和更新的生成式 AI 结合起来，让机器能用更通用的方式应对环境。难点不在算法炫不炫，而在于数据——怎么绕雷区、怎么操作武器系统，这些活儿开源模型里根本没有，得靠经典机器人方法打底，再在需要的地方接上 AI。

    • 已部署 100+ 辆 Lancer，在乌实战 9 个月
    • 累计行驶 2500+ 英里，执行 1100+ 次任务
    • 运送 777,440 磅物资，完成 52 次伤员后送
    • 融资超 5 亿美元，资方含 XYZ Venture Capital、Moore Strategic Partners
    • 竞争对手 Scout AI 年初刚融 1 亿美元专攻军用无人车基础模型

    乌军给 Forterra 出了最后一道题：做便宜点。Lancer 靠着北极星的民用供应链，在同品类里不算贵，可还远没到能像无人机那样”随便耗”的程度。那位士兵说得很糙也得很真：”战损是这片战场上的常态，我们已经掉了几台，很疼，我们还要更多，所以得 cheaper。”地面自主化的故事才刚翻开第一页，而这一页，是用泥、用油、用真人的命写出来的。

  • llama.cpp：119.5K Stars！纯 C/C++ 打造的大模型本地推理引擎

    llama.cpp：119.5K Stars！纯 C/C++ 打造的大模型本地推理引擎

    llama.cpp：119.5K Stars！纯 C/C++ 打造的大模型本地推理引擎

    llama.cpp 项目预览

    📝 项目简介

    llama.cpp 是一个用纯 C/C++ 实现、零外部依赖的大语言模型（LLM）推理引擎。它让你无需 Python 环境、无需昂贵显卡，就能在笔记本、树莓派甚至手机上高性能地运行 LLaMA、Qwen、Gemma、Mistral 等主流开源模型——可以说，它是当下几乎所有「本地跑大模型」工具的底层基石。

    🌐 官网：https://llama.app

    📦 GitHub：https://github.com/ggml-org/llama.cpp

    ⭐ Stars：119.5K+

    📄 开源协议：MIT License

    💻 主要语言：C / C++

    💻 安装要求和过程

    环境要求

    • C/C++ 编译器：GCC / Clang / MSVC，支持 C++11 及以上
    • CMake 3.8+：从源码构建时需要
    • 可选 GPU 后端：CUDA（NVIDIA）、ROCm（AMD）、Metal（Apple Silicon）、Vulkan、SYCL 等，用于硬件加速
    • 可选 Python 3：仅用于模型格式转换脚本 convert_*.py
    • 支持平台：macOS / Linux / Windows，以及 iOS、Android、浏览器（WASM）等

    快速安装步骤

    方式一：包管理器一键安装（推荐新手）

    # macOS
brew install llama.cpp

# Windows
winget install llama.cpp

# Conda
conda install -c conda-forge llama-cpp

    方式二：Docker 运行（自带 API 服务）

    docker run -p 8080:8080 -v ./models:/models \
  ghcr.io/ggml-org/llama.cpp:server -m /models/your_model.gguf

    方式三：从源码构建

    git clone https://github.com/ggml-org/llama.cpp
cd llama.cpp
cmake -B build
cmake --build build --config Release

    快速开始：下载并运行一个模型

    # 命令行对话（自动从 Hugging Face 拉取 GGUF 模型）
llama-cli -hf ggml-org/gemma-3-1b-it-GGUF

# 启动 OpenAI 兼容的 API 服务（含简易 WebUI）
llama-server -hf ggml-org/gemma-3-1b-it-GGUF --port 8080

    ✨ 核心功能

    1. 🪶 纯 C/C++ 零依赖，极致轻量

    不依赖 PyTorch、不依赖 Python 运行时，编译出一个二进制文件即可运行。极小的体积和无依赖特性，让它可以被移植到几乎所有计算设备——这正是它能跑在树莓派和手机上的根本原因。

    2. ⚡ 全平台硬件加速与混合推理

    针对 Apple Silicon（Metal / ARM NEON）、x86（AVX2 / AVX-512 / AMX）、RISC-V 等架构做了深度优化；支持 NVIDIA（CUDA）、AMD（ROCm）、摩尔线程（MUSA）、Vulkan、SYCL、OpenCL 等多种后端。CPU+GPU 混合推理甚至能运行超过显存容量的超大模型。

    3. 🗜️ GGUF 格式与 1.5~8 bit 量化

    模型统一封装为 GGUF 格式，并支持从 1.5-bit 到 8-bit 的整数量化。量化后显存与内存占用大幅下降，让消费级显卡甚至纯 CPU 也能流畅运行 70B 级别的大模型。

    4. 🔌 OpenAI 兼容 API 服务

    llama-server 提供与 OpenAI 完全兼容的 /v1 接口，并自带简易 WebUI。你现有的基于 OpenAI SDK 的应用几乎零改动就能切换到本地模型，彻底摆脱对云服务的依赖。

    5. 🧰 丰富的推理工具链

    内置 llama-bench（性能基准测试）、llama-perplexity（困惑度评估）、llama-quantize（模型量化）以及基于 GBNF 语法的约束解码（强制输出 JSON / 特定格式），覆盖从评测到生产的完整链路。

    🎯 典型使用场景

    场景一：在笔记本 / 手机上本地聊天，隐私数据不出端

    下载一个量化后的 Qwen 或 Gemma 模型，用 llama-cli 即可在断网环境下与 AI 对话。所有数据都在本地处理，特别适合处理合同、代码、笔记等敏感内容。

    场景二：自建私有 OpenAI 兼容推理服务

    在内网或离线环境中启动 llama-server，把本地模型包装成标准 API。前端应用、RAG 系统、Agent 框架（如 LangChain、Dify）都能直接对接，既保证数据合规，又省下云推理费用。

    llama-server -m models/qwen2.5-7b-instruct-q4_k_m.gguf --port 8080

    场景三：边缘设备与嵌入式部署

    在树莓派、工控机、车载设备上编译运行 llama.cpp，为 IoT 场景提供离线语音助手、本地知识问答等能力。配合量化技术，几百 MB 内存即可驱动一个可用的小模型。

    💡 推荐理由

    作为一名经常折腾本地大模型的开发者，我对 llama.cpp 的感情可以用「基石」二字形容。在它出现之前，想本地跑一个开源模型意味着安装几十 GB 的 PyTorch 环境，且基本只能在高端显卡上跑；llama.cpp 用纯 C/C++ 把这件事拉到了「人人可玩」的门槛。

    我的几点使用心得：

    • 它是整个生态的地基：Ollama、LM Studio、Jan、Open WebUI 乃至无数上层应用，底层推理几乎都调用了 llama.cpp。理解它，就理解了「本地 AI」的半壁江山。
    • 量化是性价比之王：7B 模型用 Q4_K_M 量化后体积不到 5GB，在普通笔记本上就能达到可用速度，是入门本地模型的最佳起点。
    • OpenAI 兼容接口太省心：一条 llama-server 命令就把本地模型变成标准 API，让我能把线上项目无痛切换到离线环境做.demo或内网部署。
    • 更新极快、社区极活跃：几乎每周都有新后端、新量化方法的合并，119K+ 的 Stars 背后是庞大而健康的贡献者群体。

    如果你想真正搞懂「大模型是怎么在本地跑起来的」，llama.cpp 是 2026 年依旧最值得 clone 一份源码、逐行读一读的开源项目。

    📥 下载地址

    🌐 官方网站：https://llama.app

    📦 GitHub 仓库：https://github.com/ggml-org/llama.cpp

    📚 官方文档：github.com/ggml-org/llama.cpp/docs

    🤗 GGUF 模型库：huggingface.co/ggml-org

    🐳 Docker 镜像：ghcr.io/ggml-org/llama.cpp

    📌 本文是《GitHub 热门 AI 开源项目》系列的第 95 期，每期介绍一个热门的 AI 开源项目。欢迎关注本栏目，获取更多优质开源项目介绍！

  • 字节的Seedance，正在悄悄“占领”好莱坞

    字节Seedance进入好莱坞
    从被点名批评到被拿进片场，Seedance只用了不到半年

    几个月前，好莱坞还把字节的Seedance当成“危险样本”。2月的时候，Seedance 2.0生成了一段布拉德·皮特和汤姆·克鲁斯在屋顶拳拳到肉的打斗视频，逼真到让整个行业紧张，美国电影协会MPA直接点名，说这类工具可能侵犯版权和明星肖像权，演员工会SAG-AFTRA也把矛头对准了AI生成演员形象的问题。

    结果才四个月，风向就变了。据《洛杉矶时报》报道，Seedance正在悄悄钻进洛杉矶的AI创作者圈、独立电影项目，以及好莱坞周边的工作流里。从被点名批评到被拿进片场，字节只用了不到半年。

    两部作品，已经真刀真枪地拍起来了

    最典型的例子是《Hell Grind》（地狱磨坊），一部95分钟的长片，由Higgisfield AI出品，主要用Seedance 2.0制作，一个15人的团队两周就搞定了。还有一部AI奇幻剧集《骸骨编年史》，制作人Kavan Cardoza同样基于Seedance打造，每月在YouTube上更新一集，单集平均观看量300万，Cardoza本人也已经攒了50万粉丝。

    这些片子的人物神态、光影落点、宏大背景，细腻到让人以为是《权游》那种大制作。但事实上，它们都来自好莱坞各路独立电影人的电脑，是Seedance一个一个镜头生成出来的。

    便宜，是“真香”的根本原因

    好莱坞为什么突然不抵触了？说到底，还是好用、爱用。

    根据Artificial Analysis的数据，Seedance生成“视频加音频”的成本大约是每分钟9美元，而Google的Veo要每分钟24美元。到了实际的AI片场，流程跟传统片场完全不一样。导演可以先写出详细大纲和角色设定，再用prompt生成画面，当天出样片、当天看效果、当天调整。

    Cardoza说得很直白：他请不起布拉德·皮特，因为那位明星出演他的电影要花500万、1000万甚至2000万美元。但有了AI之后，一切皆有可能。

    《鬼影实录》的制片人Steven Schneider今年5月宣布了一部混合AI恐怖片《Terrarium》，导演Jason Zada说会大量使用Seedance。他算了笔账：生成15秒高清画面的成本大概只要5美元。对独立电影人来说，过去许多必须花大钱试错的环节，现在可以先在桌面上反复跑出来。

    字节在好莱坞的“地面战”

    Seedance并没有先去敲Disney、Warner、Netflix这些大厂的大门，相反，它的目标直指独立电影人、AI filmmaker、低成本类型片创作者，以及那些被预算和周期卡住的人。字节今年春天在美国推出Seedance后，就开始主动接触电影人、独立艺术家和娱乐业高管。戛纳电影节期间，Seedance团队出现在周边行业活动里；5月，它的产品线Dreamina也登上了Amazon MGM Studios举办的“AI on the Lot”大会。

    有制作人私下说，业内很多工作室其实没批准使用Seedance，但大家心照不宣地都在用，有点像潜规则。

    中美视频模型的正面较量

    把视野拉到整个AI视频赛道，事情正在变得白热化。美国这边有Google的Veo、Runway和Luma，OpenAI的Sora曾经被视为最强王炸，如今视频工具已经停止运营，原本属于它的想象空间被其他玩家迅速填上。而Seedance正在快速逼近，在一些电影人眼里，它已经成了当下最强的视频模型。

    印度媒体公司JioStar的高级副总裁Stephan Vladimir Bugaj认为，Seedance崛起的关键在于它专注取悦电影制作人，做出更有电影质感的画面，还引入了基于时间轴的prompt能力，让制作人能选具体时刻微调。Zada也给Seedance开出了高达200万美元的特殊访问权限报价。

    按照State of Generative AI Media报告，媒体公司在AI上的支出预计会从2024年的26亿美元涨到2029年的125亿美元。蛋糕在变大，围绕AI视频工具的争夺只会更激烈。至于好莱坞的制作人，Zada说了一句大实话：我们不讲究忠诚，只要是最好的，我们就会用。

  • 腾讯混元3正式版来了：姚顺雨操刀，把“幻觉”砍掉一大半

    腾讯混元3正式版
    混元3正式版发布，腾讯AI全家桶迎来核心引擎

    千呼万唤，腾讯混元3（Hy3）正式版终于在7月6日公布了。这个模型背后站着一个人——姚顺雨，清华姚班出身，去年底被请来当腾讯首席AI科学家。为了这款产品，腾讯前后准备了大半年，光是研发架构就动了一次大手术。

    2025年12月，腾讯把企业内部的AI研发体系重新切分，新设了AI Infra部、AI Data部和数据计算平台部，姚顺雨双线向刘炽平和卢山汇报。他到任后的第一件事很硬核：推翻原来的训练框架，一个月内把整套预训练和强化学习的基础设施重搭了一遍，还定下三条规矩——不偏科、不刷榜、不烧钱。

    重建后的第一个产物是4月23日上线的Hy3 preview，从启动训练到发布只用了三个月。但预览版毕竟只是预览，能力只能说“尚可”。正式版这次，是真的支棱起来了。

    架构没大改，改的是“喂什么”

    混元3正式版沿用了preview的底层架构：总参数量295B，每次推理只激活21B，另外还有3.8B参数用在MTP层。模型一共80层，GQA分组注意力，192个专家每次激活top-8，上下文窗口拉到256K。换句话说，有效参数量大约是GLM 5.2的一半。

    架构在preview阶段就定型了，正式版没动结构。那它到底改了什么？官方说法是“提升了后训练数据的质量和多样性，扩大了RL算力规模”。说白了，模型骨架没换，但喂给它的数据更好、更多样了，强化学习也给到了更多算力。

    搜索能力追平GPT-5.5

    从官方放出的基准成绩看，混元3在搜索智能体方向表现最强：BrowseComp拿到84.2分，在所有对比模型里排第一，直接追平了GPT-5.5。代码方向，SWE-Bench Verified是78.0分，和开源模型不相上下，但跟顶级闭源（GPT-5.5的84.4）还有点距离。

    评分终归是评分，腾讯自己也承认，公开榜单并不能完全反映模型的“真实战斗力”。

    更值得说的是幻觉率。相比preview版本，正式版的幻觉率从12.5%降到了5.4%，降幅超过一半；常识错误率从25.4%降到12.7%；多轮对话问题率从17.4%降到7.9%；长对话理解基准MRCR从42.9%升到75.1%。腾讯还搞了个“土办法”验证：拉来270位不同学科的专家，用真实工作场景做盲测，收集了312份对比，Hy3均分2.67/4，在前端开发、数据/存储、CI/CD这些类别上优势明显。

    便宜，而且开源

    价格延续了preview的性价比路线：API输入1元/百万tokens，输出4元/百万tokens，命中缓存只要0.25元。模型权重以Apache 2.0协议在GitHub、HuggingFace、ModelScope等平台开源，全球开发者能免费商用。

    市场反应挺实在。preview上线两周，token调用量就达到上一代Hy2的十倍，在OpenRouter上周调用3.66万亿token，拿了总榜和市占率“双第一”。到正式版发布时，日均token消耗又涨了20倍，其中代码和Agent类场景增长最猛。

    已经渗进腾讯全家桶

    模型跑分再高，最终要落在产品里。Hy3正式版已经接进了WorkBuddy/CodeBuddy、元宝、ima、QQ浏览器、腾讯新闻、微信读书、腾讯文档等核心业务。以WorkBuddy为例，任务解决率从preview的72%跳到90%，平均耗时缩短34%，文档处理token消耗比GLM5.2省了47%以上。

    有意思的是微信小程序开发。Hy3 preview时就演示过用自然语言生成完整小程序，正式版更进一步——你让它做个快递小程序，它能连前端带后端、外加API、数据结构和项目方案一起吐出来。而微信自己的原生AI助手“小微”用的是WeLM加DeepSeek，普通用户和开发者各取所需，这大概就是腾讯想要的分工。

  • 伊利诺伊州签了全美最严AI安全法：以后AI公司要接受第三方审查

    伊利诺伊州AI安全法象征图
    伊利诺伊州给AI公司头上多了一盏外部监督的灯

    当华盛顿还在为”到底要不要管AI”吵成一团时，美国的州政府已经等不及了。本周一，伊利诺伊州州长 JB Pritzker 签署了 SB 315，也就是”人工智能安全措施法案”（Artificial Intelligence Safety Measures Act），让它正式成为法律。这是继纽约、加州之后，又一个站出来给AI套缰绳的州，而且它下手更重。

    伊州这部法律要求AI公司接受独立的第三方安全审计，并给公司内部吹哨人提供保护；据媒体分析，它的授权范围比纽约的 RAISE 法案和加州的 SB 53 都要宽。

    为什么是州政府冲在前面

    联邦层面到今天都没有一部综合性的AI法律，各州只能自己动手填空。纽约的 RAISE 法案和加州的 SB 53 都把重点放在透明度和安全披露上，方向是对的，但约束力有限。伊利诺伊的版本把”强制第三方审计”直接写进了法条，等于在AI公司内部硬塞了一道外部监督——这一步，邻州还没走到。

    第三方审计到底审什么

    具体细则还没完全落地，但大方向已经清楚：AI公司在发布重要模型或系统之前，要由外部机构评估其安全风险，而不能自己说了算。配套的吹哨人保护条款，则是为了让内部员工敢把安全隐患捅出来，不用担心被开除或者穿小鞋。对一家忙着把模型往外推的公司来说，这两项规定意味着发布前要过的关又多了一道。

    有人欢喜有人愁

    支持者觉得这是该有的刹车：一个狂奔的行业，总得有人抬头看路，保护的是普通用户。担心的声音也不少——小公司本来就紧巴巴，合规成本可能直接把人压垮；而”安全审计”的标准如果含糊，最后很可能变成走流程、盖个章了事，反而给了虚假的安全感。

    伊利诺伊这步棋，短期看是给AI公司添了麻烦，长期看或许是在帮这个行业买保险。比起真出了大事被国会一刀切地严管，自己先接受审查、把隐患摊开，总归是更体面的活法。接下来值得盯的是，其他州会不会跟上，以及各州各搞一套之后，AI公司要不要为了合规再养一大票人——这本身，倒像是另一种”AI创造就业”了。

  • 一边财报创新高，一边拿AI当理由裁人：2026科技裁员大复盘

    2026年AI驱动的科技行业裁员潮
    2026年，AI成了科技圈裁员理由清单上出现最频繁的词

    2026年刚过一半，科技圈就上演了一出挺魔幻的戏码。公司们一边交出史上最好看的财报，一边把成千上万的员工请出大门，而理由清单上几乎都写着同一个词：AI。本周一，微软又给这股风添了一把火，宣布砍掉约4800个岗位，占全球员工的2.1%。微软嘴上说这些位置”不是被AI取代的”，但也认了：AI正在改变工作完成的方式，很多日常活儿被它自动化了。

    据 Layoffs.fyi 统计，2026年迄今科技行业已经裁掉大约12万个岗位；再就业服务机构 Challenger, Gray & Christmas 的数据更直白——5月是多年来单月裁员最多的一个月，而AI是提及次数最多的原因。

    这种”营收创新高、转头就裁人”的反差，让不少人觉得不是滋味。有分析干脆把它叫做一场流行病：公司拿AI当增长的引擎，也拿它当砍人的理由。TechCrunch 最近把它们叫做”powder keg”（火药桶），提醒这些公司最好想清楚自己到底在干什么。

    哪些公司动了刀

    把今年提到的几桩大裁员摆在一起，场面相当壮观：

    • Oracle：过去12个月裁掉2.1万人，降幅13%，在年度监管文件里明说”AI技术的采用和部署已经并可能继续导致岗位减少”。
    • Meta：5月裁掉约8000人（10%），同时把约7000人转岗到AI部门——而且据说那7000人里不少人并不开心。
    • Cloudflare：裁掉约1100人（20%），CEO说大部分是被”度量者”——中层管理、财务、法务、内审和收入确认岗位。
    • Amazon：1月砍掉1.6万个公司职位，加上去年10月的1.4万，三个月里约占公司岗位的9%。
    • 其他玩家：Google Cloud 悄悄动了人手，Intuit 裁约3000人（17%），Cisco 近4000人，Coinbase 700人，PayPal 计划未来两三年砍掉20%（逾4500人），Snap 约1000人（16%），Dell 约1.1万人，Block 近乎腰斩裁掉4000人，还有 Salesforce、IBM 等。

    AI到底是原因，还是借口

    这里头有个绕不开的问题。很多被裁的团队，其实是疫情期间大招特招时膨胀起来的，现在只是把当时多招的人请走。换句话说，AI可能只是个顺手的理由，真正的账本没那么简单。可CEO们讲的故事很一致：AI让小团队、扁平结构成为可能。

    Block 的 Jack Dorsey 说得最直白，他认为多数公司都”晚了”，未来一年大家都会得出同样结论、做类似的结构调整。Salesforce 的 Benioff 则说，因为 Agentforce 把客服工单量降了下来，他们不再补支持工程师的坑。Amazon 的 Jassy 更早就预告：随着生成式AI和代理铺开，公司总人数会往下走。

    没人能准确说出AI最终会拿走多少岗位，但2026年这波裁员已经把话说得很清楚了——至少在老板们的账本上，AI既是增长的引擎，也是砍人的理由。接下来真正要看的，是那些被”优化”掉的人，能不能真的从这波技术红利里分到一杯羹，而不是只听见机器嗡嗡转、自己的工位先没了。

  • ai-website-cloner-template：AI 一键克隆任意网站，26K+ Stars 让网站逆向工程变得全自动

    ai-website-cloner-template：AI 一键克隆任意网站，26K+ Stars 让网站逆向工程变得全自动

    ai-website-cloner-template：用 AI 编程助手一键克隆任意网站

    📌 项目简介

    ai-website-cloner-template 是一个可复用的开源模板，让你用一条命令、借助任意 AI 编程助手，将任何网站逆向工程为干净、现代的 Next.js 代码库——相当于给 AI 下了个「克隆这个网站」的指令，它就能把设计令牌、组件结构、交互逻辑全部还原出来。

    ⭐ GitHub Stars：26,229+
    🏷️ 开源许可：MIT（免费商用）
    💻 主要语言：TypeScript（Next.js 16 + React 19）
    🤖 支持 AI 助手：13 款（Claude Code / Codex / Cursor / Windsurf 等）

    ⚙️ 安装要求和过程

    环境要求

    • Node.js 24+（必需，项目使用 Next.js 16 App Router）
    • 一个 AI 编程助手（推荐 Claude Code，也支持 Codex CLI / Cursor / Windsurf 等 13 款）
    • Git（用于多 worktree 并行开发）

    快速安装步骤

    1. 从模板创建自己的仓库
      在 GitHub 页面点击 Use this template → Create a new repository
    2. 克隆到本地 
      git clone https://github.com/YOUR-USERNAME/YOUR-NEW-REPOSITORY.git
cd YOUR-NEW-REPOSITORY
    3. 安装依赖 
      npm install
    4. 启动 AI 助手（推荐 Claude Code） 
      claude --chrome
    5. 开始克隆网站！ 
      /clone-website https://example.com

    Docker 方式（可选）：

    docker compose up app --build   # 构建并运行应用
docker compose up dev --build    # 开发模式，端口 3001

    🌟 核心功能

    ① 13 款 AI 编程助手全覆盖

    无论你用的是哪款 AI 编程工具，都能直接上手。支持 Claude Code、Codex CLI、OpenCode、GitHub Copilot、Cursor、Windsurf、Gemini CLI、Cline、Roo Code、Continue、Amazon Q、Augment Code、Aider 共 13 款，真正做到了「一次配置，到处运行」。

    ② 五阶段智能流水线

    克隆过程被精心设计为五个阶段，模拟专业前端工程师的工作流：

    • 侦察阶段：自动截图、提取设计令牌（颜色/字体/间距）、扫描交互行为（滚动/点击/悬停/响应式）
    • 基础构建：更新字体、颜色、全局样式，下载所有静态资源
    • 组件规格：为每个组件编写详细规格文件（含精确 CSS 计算值、状态、行为、内容）
    • 并行构建：在独立 git worktree 中分派多个构建代理，每个代理负责一个 section/component，极大加速生成
    • 组装与 QA：合并 worktree，连接页面，与原始网站进行视觉差异对比

    ③ 多 URL 并行处理

    传入多个 URL，系统自动并行处理，每个站点输出隔离，互不干扰。非常适合克隆拥有多个子页面的完整网站。

    /clone-website https://example.com https://example.com/about https://example.com/pricing

    ④ 单一真相来源架构

    采用 AGENTS.md 和 .claude/skills/clone-website/SKILL.md 作为源文件，通过同步脚本自动生成各平台（Claude Code / Cursor / Windsurf 等）的配置文件，避免多平台维护的噩梦。

    bash scripts/sync-agent-rules.sh   # 重新生成代理指令文件
node scripts/sync-skills.mjs       # 重新生成所有平台的 /clone-website 技能

    ⑤ 生产级技术栈

    生成的代码库本身就是高质量成品：

    • Next.js 16（App Router）+ React 19 + TypeScript strict
    • shadcn/ui（Radix primitives）+ Tailwind CSS v4
    • Lucide React 图标（克隆时自动替换为提取的 SVG）
    • 内置 npm run check（lint + typecheck + build）完整质量检查链

    🚀 典型使用场景

    场景一：平台迁移

    你的网站跑在 WordPress / Webflow / Squarespace 上，想迁移到现代化的 Next.js 技术栈，但舍不得原有的设计和交互细节。ai-website-cloner-template 可以完整克隆原站的外观和交互，生成一个干净的 Next.js 项目，你可以在此基础上继续开发，告别笨重的旧平台。

    场景二：丢失源码的网站恢复

    网站还在运行，但代码库早已丢失（或者前开发者跑路了）。只要网站还能访问，就能用它逆向生成完整的 Next.js 源码。虽然不能保证 100% 还原（特别是复杂的后端交互），但前端部分可以还原到惊人的精度。

    场景三：学习生产级前端实现

    看到一个网站的布局、动画或响应式实现特别惊艳，想研究它是怎么做的？与其对着 DevTools 一行行扒代码，不如直接让 AI 克隆一份，然后在生成的代码库里慢慢研究。相当于有了一个「可运行的解构说明书」。

    💡 推荐理由

    作为前端开发者，我曾经多次遇到「这个网站的某个交互效果真好，我想知道它是怎么实现的」的情况。传统做法是在浏览器 DevTools 里对着压缩过的 CSS 和 JS 猜谜，效率低得令人发指。

    ai-website-cloner-template 最让我惊艳的地方在于它把「克隆网站」这个复杂任务分解成了 AI 助手真正擅长的子任务：侦察、提取设计令牌、编写组件规格、并行构建。整个流程设计得非常专业，不是简单的「让 AI 写代码」，而是模拟了一个资深前端工程师的工作流程。

    特别值得一提的是 并行构建 阶段——它利用 git worktree 让多个 AI 代理同时工作，每个代理负责不同的组件，最后再合并。这个设计既聪明又实用，大大缩短了等待时间。

    当然，这个项目也有局限性：它主要处理前端部分，动态后端逻辑无法完整还原；对于高度依赖状态的复杂 SPA，还原精度会有所下降。但作为「前端快速原型 + 设计逆向学习」工具，它已经远超我的预期。

    如果你正在考虑从旧平台迁移、需要快速做网站原型、或者单纯想学习优秀网站的前端实现，这个项目绝对值得一试。

    ⚠️ 使用提醒：请遵守法律法规和网站服务条款。不要将克隆的网站用于钓鱼、冒充或侵犯他人知识产权。项目作者也明确列出了不允许的用途。

    📥 下载地址

    本文由 AI 自动生成 · 数据来源 GitHub Trending · 如有错误或遗漏欢迎指正

  • 这家中国智能眼镜公司不想抄Meta，它刚拿了10亿美元估值

    这家中国智能眼镜公司不想抄Meta，它刚拿了10亿美元估值

    Meta和Snap上个月刚发了新款智能眼镜，苹果据传也在暗中布局。但有一家来自深圳的公司，可能已经悄悄跑到了前面——至少从估值来看是这样。

    Even Realities智能眼镜
    Even Realities G2智能眼镜（概念图）

    Even Realities在7月6日宣布完成1.5亿美元Pre-B轮融资，由美团和老股东腾讯联合领投，估值摸到10亿美元。这家公司才成立三年，总部在深圳，创始人是从苹果出来的。

    不装摄像头，专注显示

    Even Realities的路数跟Meta不太一样。Meta的雷朋眼镜主打拍照和AI助手，摄像头是核心部件。Even Realities的最新款G2，干脆把摄像头去掉了。

    创始人兼CEO Will Wang的说法是：智能眼镜是”最个人化的计算设备”，整天戴在脸上，隐私必须摆在第一位。G2用一个抬头显示器把信息直接投射到佩戴者视线里，配合一个叫Even R1的智能戒指来控制，手指点点划划就能操作。

    “智能眼镜是第一个依赖光学显示的产品品类，这需要完全不同的技术栈。你必须把微芯片、光学器件和波导一起设计。这是我们投入最多的地方。”——Will Wang

    Wang自己就在苹果待过，参与过Apple Watch和iPhone的开发。其他联合创始人来自科技公司和奢侈眼镜品牌Lindberg。这种背景组合，让Even Realities从一开始就把”佩戴体验”和”光学性能”当成核心。

    卖得不算便宜，但有人买账

    Even Realities的眼镜不算便宜。G2框架税前599美元，加上处方镜片或者配套的智能戒指，平均订单金额差不多1000美元。

    但公司说他们已经盈利了。用户主要是30到50岁的男性专业人士，Wang说大约三分之一的用户是企业高管。2024年第一款产品Even G1上市，销量超过了公司自己定的1万副目标，是这类产品里第一个卖过1万副的。

    美国是最大市场，但工厂在中国

    有意思的是，Even Realities超过一半的用户在美国，但它目前还没在中国大陆销售。Wang的解释是：美国市场的需求太旺盛，先把那边服务好再说。

    公司在深圳有几家代工厂，研发团队从2024年的30-40人扩张到了现在的300-400人。这一轮融资之后，估值10亿美元，正式进入独角兽行列。

    投资人名单也挺豪华：美团、腾讯，再加上前身是红杉中国的HSG。这说明大厂们也在押注智能眼镜这个赛道，不只是Meta和Snap在玩。

    智能眼镜的下一个战场

    Meta上个月刚发了自家品牌的新款廉价智能眼镜，Snap的AR眼镜规格也终于公布了，价格不便宜。苹果一直没官宣，但业内相信它迟早要进场。

    Even Realities选择了一条跟Meta不同的路：不做摄像头，不做内容捕获，专注把信息显示这件事做好。这个打法能不能成，还得看用户买不买账。但至少现在，资本是信了的。