Twitter AI - 2026-07-10¶
1. 人们在讨论什么¶
1.1 人们评判 GPT-5.6 时，更看重路由、返工和任务适配，而不是发布日热度 (🡕)¶
今天最强的讨论簇，并不是一句简单的“最好的模型赢了”。更像是一场运营层面的讨论：什么时候该用 Sol 而不是 Terra 或 Luna、GPT-5.6 在长任务里到底能不能减少返工，以及团队为了速度和成本做优化时，到底还要牺牲多少质量。至少有 7 条保留内容，从重度用户经验、转述版 AMA 纪要、基准图表和分布外工作测试等角度支撑了这个主题。
@theo 表示，过去一个月里他在 GPT-5.6 Sol token 上烧掉了超过 20 万美元，想展示自己到底做出了什么，而不是只对着基准测试做反应（593 点赞数、34 回复数、31,081 浏览量）。这条帖子的回复几乎和原帖一样重要：怀疑者质疑这种表述方式，支持者则认为，真正的测试是模型在长期使用后到底帮人交付了什么。
@btibor91 总结 OpenAI Codex AMA 时，把它概括成一份路由指南：Sol Medium 适合大多数工作，Sol Ultra 适合那些错不起的高代价任务，Terra 适合更便宜的非编程或轻量任务，Luna 适合子智能体（141 点赞数、12 回复数、11,575 浏览量）。同一条总结还提到，Codex 每周用户已超过 500 万，并强调仍然没有真正的“Auto”模型——这恰好也是很多回复最集中的摩擦点。
@bindureddy 发文 分享了她自己的使用场景矩阵：Fable 用作主智能体，Grok 4.5 和 GPT-5.6 Sol 用作子智能体，Terra 用于聊天，GLM 5.2 用于开源场景（61 点赞数、17 回复数、3,262 浏览量）。紧接着就有人在回复里要一个能自动切换模型的 CLI，好让开发者把注意力留在交付上。这让模型选择本身也暴露成了一个产品缺口。
@LearnInvest2026 报告，一次长达 12 小时的 GPT-5.6 Sol 测试，体感上比 GPT-5.5 更顺，因为 Sol 会在前期花更多力气把方向对齐，后面需要修补的地方就更少（1 点赞数、2 回复数、179 浏览量）。附带的截图让这笔账更具体：5 小时上限还剩 84%，每周上限还剩 66%；另外还有一张来自 Claude Code 的缓存命中图，显示长时间运行的智能体工作有多依赖重复利用上下文。
@sayashk 测试 了前沿智能体能否把手绘建筑草图转换成 CAD 户型图，结果发现 GPT-5.6 Sol Ultra 明显领先旧模型，同时也指出最糟的失效模式，是悄悄把方案改掉（8 点赞数、240 浏览量）。这点之所以重要，是因为它不是又一个软件基准测试，而是一个混乱、强领域性的视觉推理任务，并且由人类专家给输出打分。
@QCXINT_ 认为，GPT-5.6 把前沿竞赛改写成了“每美元智能”的竞争；配图则把这个说法具体化，用 Sol、Terra 和 Luna 三档去对比 BrowseComp 延迟、Terminal-Bench 2.1 成本，以及《Agents' Last Exam》的成本（5 点赞数、2 回复数、279 浏览量）。@sergeykarayev 补充 了最有用的反向证据：在 Superconductor 的私有 Ruby on Rails 基准测试里，GPT-5.6 各变体在速度和成本前沿上都占优，但 Fable 5 在质量上仍然明显胜出（8 点赞数、1 回复数、530 浏览量）。
讨论要点： AMA 总结和路由讨论串下的回复，不断汇聚成同一个抱怨：OpenAI 仍在要求用户自己承担模型和推理路由工作。最具体的批评出现在 btibor91 的回复里，有人说命名方案让人困惑，也有人质疑平台支持；而在 Bindu 的讨论串里，则有人明确要求终端里应该有自动路由层。
与前日对比： 到了 2026-07-09，人们还在抽象层面争论工作层智能体。到了 2026-07-10，讨论已经落到具体运行规则上：模型梯队、成本分级、缓存行为、真实任务评测，以及静默失败的边界情况。
1.2 更便宜的模型扩大了竞争面，但浏览器使用和质量差距依然清晰可见 (🡕)¶
价格压力已经不只是老生常谈的开源 vs 闭源之争。今天更强的叙事是：Meta、Tencent、DeepSeek 等低成本选项，正在改变人们采购模型的方式；但前提是，这些更低的价格在真实工作里不能一碰就碎。至少有 6 条保留内容，从定价帖子、企业采用说法和负面的浏览器使用测试支撑了这个主题。
@rohanpaul_ai 表示，Muse Spark 1.1 每百万输入 token 1.25 美元、每百万输出 token 4.25 美元的价格，会在智能体式编程上直接给 OpenAI 和 Anthropic 施压，尤其是在那些会让智能体真的花钱跑任务的基准测试上（6 点赞数、3 回复数、1,873 浏览量）。配套的对比表也明确点出了他最看重的基准测试：MCP Atlas 和 JobBench。
@kimmonismus 推荐 Tencent 的 Hy3：这是一个 295B MoE，只有 21B 活跃参数，提供 256K 上下文窗口、Apache 2.0 许可证，以及在 OpenRouter 上每百万 token 输入 0.14 美元、输出 0.58 美元的定价（32 点赞数、10 回复数、5,498 浏览量）。回复把取舍说得更尖锐：有用户提到真实世界里高强度智能体流量和较低工具调用错误率，也有人说这个模型在上下文能力或多模态上，体感仍不如 DeepSeek V4 Pro。
@unusual_whales 报道，Amazon 的 CTO 说，公司正转向更便宜的开源模型来控制支出（147 点赞数、51 回复数、64,648 浏览量）。@AiTechHubs 又把 这个说法延展成一则更具体的迁移故事：美国企业使用中国模型的 token 份额，从 2025 年初大约 4%，升到 2 月的 30%，高峰时达到 46%；DeepSeek V4 Flash 每百万 token 0.18 美元，而 Claude Opus 4.7 是 25 美元；Lindy 据称也把笔记生成工作负载切换到了 DeepSeek，在性能相同的情况下，成本低得多（2 点赞数、2 回复数、102 浏览量）。
@DhruvBatra_ 给出了 最有用的警示结果。在 yutori.ai 的浏览器使用基准测试里，他发现 GPT-5.6 Terra 表现稳健、token 效率也高，而 Muse Spark 1.1 会陷入循环、因为安全理由拒绝结账场景，并撞到 100 步限制（3 点赞数、183 浏览量）。
@Daniel_Farinax 声称，Grok 4.5 已经成了他的日常主力，主要就是因为快，甚至快到他愿意取消 Claude Max（128 点赞数、15 回复数、4,573 浏览量）。但即便是在一条明显偏正面的讨论串里，回复还是会立刻指出它较弱的 UI 和不够慷慨的用量上限。这也符合更大的模式：买家会为价格和速度投票，但对工作流上的毛边也会立刻察觉。
讨论要点： 最稳定的低价模型支持论点，并不是意识形态，而是经济账。Hy3 和开源迁移讨论串下的回复，反复把决策归结为价格性能比；有人把这种模式概括成：美国实验室交付天花板，中国实验室则用很小一部分价格交付接近天花板的结果。最强的反驳，则来自浏览器使用结果，以及那些在硬任务上仍更偏好高质量模型的从业者。
与前日对比： 在 2026-07-09，开放模型的讨论还集中在所有权和逃离单一提供商。到了 2026-07-10，它已经更直接地变成一场采购争论：每 token 定价、基准测试效率，以及更便宜的系统能不能扛住真实的浏览器任务或编程工作负载。
1.3 评估与信任开始直接体现在产品层面 (🡕)¶
当天第三个强讨论簇，围绕的是：到底要具备什么条件，人们才会信任智能体的输出。这条线索从开放式创造力研究，延伸到前沿评估岗位招聘，再到有人指控一篇已发表的经济学论文是语言模型写的。至少有 5 条保留内容支撑了这个“信任与评估”主题。
@SakanaAILabs 发布 了它的 AI Picbreeder 实验，用 VLM 智能体复现协作式图像进化（248 点赞数、18 回复数、35,248 浏览量）。链接中的博客把结果说得更具体：人类 Picbreeder 历史档案仍优于纯 VLM 运行；多样化的智能体人格能缩小差距；完全没有记忆会导致重复选择；而记忆太多又会因为上下文过载拉低表现。
@sayashk 发文 说，CRUX 正在招聘一位资深研究员，专门做前沿 AI 的开放式评估（28 点赞数、2 回复数、4,543 浏览量）。截图补上的细节，才让它成为一个真正的劳动力市场信号：远程岗位、15 万到 22 万美元的薪资区间，以及负责评估那些无法整齐自动打分的长周期任务。这比一句泛泛的“我们重视安全”更能说明，评估正在成熟成一种运营职能。
@JesusFerna7026 认为，Javier Milei 和 Demian Reidel 的一篇经济学论文，看起来像是由 LLM 写成的（614 点赞数、19 回复数、90,100 浏览量）。他附上的 4 张截图，让这项指控更具体：Pangram 在抽样段落上给出了 100% 的 AI 生成概率，后续又在整篇论文上给出了同样的判断。
@N0V4Dev 分享 了 OpenDataLoader PDF，把它当作 RAG 与无障碍工作的文档基础设施（2 点赞数、1 回复数、13 浏览量）。链接里的仓库比这条推文本身扎实得多：目前显示有 26,964 个 GitHub stars，能把 PDF 转成带边界框的 Markdown 或 JSON，支持 Python、Node.js 和 Java，并声称抽取准确率达到 0.907，本地模式吞吐大约是每页 0.015 秒。@mattlam_ 补充 了开放模型智能体测试里的另一条信任教训：有些系统明明得到正确答案，却还会继续探索，直到把本来通过的结果变成失败（3 点赞数、1 回复数、177 浏览量）。
讨论要点： Sakana 那条帖子下的回复说，难点不在于产出新意，而在于识别哪些意外值得继续追。JesusFerna7026 的回复，则在追问问题到底出在文风，还是出在底层模型本身。这两条线最后都指向同一个信任问题：评估越来越像是在不确定性里做判断，而不只是做二元对错判定。
与前日对比： 在 2026-07-09，关于信任的争论主要围绕缺失的基准测试披露和私有评估。到了 2026-07-10，这场讨论已经扩展到研究署名、长周期评估招聘，以及生产系统里的数据管线质量。
2. 令人困扰的问题¶
手动做模型路由，依然是一项产品税¶
严重程度：高。@btibor91 总结 了 OpenAI 的立场：由于还没有真正的 Auto 模式，用户仍得按 Sol、Terra、Luna 以及不同推理档位来思考任务（141 点赞数、12 回复数、11,575 浏览量）。@bindureddy 又用 她自己的按场景路由图，强化了同一个现实；一条回复更是直白地要求一个会自动切换模型的 CLI（61 点赞数、17 回复数、3,262 浏览量）。今天的权宜方案，是维护一套个人路由启发式，但反复出现的抱怨是：这是一种打断专注力的额外负担，而不是产品价值。它值得被构建出来，因为需求非常明确，而且直接绑在日常工作上。
廉价模型在买家最在意的工作流里，依然会出问题¶
严重程度：高。@sayashk 展示 了，即便是 GPT-5.6 Sol Ultra 在手绘户型图任务上的最佳结果，也仍然带着小错误，而且最糟的失效模式是悄悄把方案改掉（8 点赞数、240 浏览量）。@DhruvBatra_ 报告，Muse Spark 1.1 在浏览器任务里会陷入循环、拒绝结账流程，还会撞到步数上限（3 点赞数、183 浏览量）。@sergeykarayev 又补充，GPT-5.6 仍会吐出无效代码，在他的私有基准测试里，审美质量也落后于 Fable 5（8 点赞数、1 回复数、530 浏览量）。当前的绕行方案，是人工复核加更窄的任务选择，但这个差距依然大到用户会立刻察觉。
人们对 AI 生成研究与证据的信任依然脆弱¶
严重程度：高。@JesusFerna7026 认为，一篇政策论文看起来像是 LLM 写的，并附上 4 张 Pangram 截图，显示抽样段落的 AI 生成概率都是 100%（614 点赞数、19 回复数、90,100 浏览量）。@mattlam_ 报告 了智能体评估里另一个相关但不同的失效模式：有些模型明明已经解出任务，却还会继续往下做，直到把自己做错（3 点赞数、1 回复数、177 浏览量）。@N0V4Dev 分享 PDF 解析器，也正是因为糟糕的文档抽取会在模型回答之前，就先把 RAG 和评估管线污染掉（2 点赞数、1 回复数、13 浏览量）。这值得构建，因为溯源、停止规则和源数据质量，正在变成产品的一部分，而不只是 QA 的一部分。
Physical AI 仍然被电池、数据和执行器经济性卡住¶
严重程度：高。@pequityresearch 表示，商业化确实在推进，但数据稀缺、熟练劳动力短缺、电池寿命、边缘算力约束和部署成本，仍然占据主导（85 点赞数、4 回复数、10,929 浏览量）。同一条讨论串还说，很多系统更接近 4 小时续航，而不是 8 小时，执行器大约占整套系统总成本的一半。
当前的应对策略也很窄：做任务专用系统、采用 RaaS 部署，以及押注上游组件，而不是假设通用类人机器人已经准备好了。它值得构建，因为这些卡点都非常具体，而且在反复出现。
3. 人们期望的功能¶
自动任务感知路由¶
最明确的未满足需求，并不是更高的基准测试分数，而是一套能自动选择正确模型、推理档位和价格区间的系统，不用逼着操作者自己想这些事。@btibor91 总结 说，真正的 Auto 模式仍然不存在；而在 @bindureddy 的讨论串里，回复则直接要求一个能自动切换的 CLI（分别为 141 点赞数、12 回复数、11,575 浏览量；61 点赞数、17 回复数、3,262 浏览量）。机会：直接。
普通终端用户真的会使用的 AI 产品¶
@thdxr 提问，旧金山最好的 AI 创业产品里，哪些是真有终端用户在用的，随后又补充说，他指的是 MAU 超过 500 万的产品（145 点赞数、50 回复数、24,425 浏览量）。回复里连面向开发者的例子都很难凑出来，这比一句泛泛的“消费级 AI 很难做”更有信号量。机会：竞争型。
面向长周期部署的更好评估基础设施¶
@sayashk 正在招聘 人来做前沿 AI 的开放式 CRUX 评估，@mattlam_ 展示 了测试框架设计如何实质性改变开放模型结果，而 @JesusFerna7026 则展示 了，一旦源内容看起来像合成文本，信任会崩得有多快（分别为 28 点赞数、2 回复数、4,543 浏览量；3 点赞数、1 回复数、177 浏览量；614 点赞数、19 回复数、90,100 浏览量）。这些内容共同表达的诉求，是更好的长期测量、更好的溯源，以及随时间推移更好的失效检测，而不是一次性的基准测试胜利。机会：直接。
不用反复猜基础设施方案的低成本私有推理¶
@HowToPrompt__ 重点介绍 了 LiteRT.js，作为一种在浏览器里运行模型、无需服务器或 API 账单的方法；与此同时，@pixeL_laugh 则认为，本地硬件应该被当作回本周期计算，而不是气氛判断（分别为 7 点赞数、3 回复数、821 浏览量；2 回复数、14 浏览量）。今天的不完整答案，是浏览器运行时、本地机器和混合部署，但在私有、生产级推理这件事上，人们仍缺少一个清晰的默认技术栈。机会：直接。
4. 使用中的工具与方法¶
| 工具 | 类别 | 评价 | 优势 | 局限 |
|---|---|---|---|---|
| GPT-5.6 Sol / Terra / Luna | LLM 家族 | (+/-) | 在编程、长上下文和智能体基准测试上形成了清晰路由梯队；多位用户称长任务返工更少 | 仍强迫用户手动路由；会静默改输出或吐出无效代码；用量上限仍是顾虑 |
| Claude Fable 5 / Opus 4.8 | LLM 家族 | (+/-) | 仍赢下一些私有质量基准测试和设计密集型工作；长时间运行时的上下文深度强 | 比新对手更慢或更贵；用户正遭遇资源稀缺和套餐变化 |
| Grok 4.5 | LLM | (+/-) | 速度快、定价激进，一些重度用户把它当日常主力 | UI 较弱、上限比预期更紧，且在有利基准测试之外的证据仍然混杂 |
| Muse Spark 1.1 | LLM | (+/-) | 定价激进，按美元得分的营销很强；在部分智能体和编程基准测试上有竞争力 | 浏览器使用评测显示它会循环、拒绝结账，并撞到 100 步上限 |
| Tencent Hy3 | 开放权重 LLM | (+) | 价格极低、Apache 2.0 许可证，智能体式和编程定位都很强 | 从业者仍质疑它的上下文深度和多模态强度 |
| DeepSeek V4 Flash 及其他中国开放模型 | 开放权重 LLM | (+/-) | 成本优势巨大，企业采用也在上升 | 地缘政治与访问风险仍是决策的一部分 |
| LiteRT.js / LiteRT | 运行时 / Web 推理 | (+) | 通过 WebGPU/WASM 在浏览器侧跑 ML，默认更私密，也没有服务器账单 | 受客户端硬件和模型尺寸限制；回复里有人质疑小型本地模型是否够用 |
| Pi + GLM 5.2 / open harnesses | 智能体测试框架 + 开放模型 | (+) | 在已发布的 OpenBench 对比里结果最强；说明测试框架质量真的重要 | 结果强依赖具体工作负载，而且有些智能体即使答对了也不会及时停下 |
满意度的跨度，从“这是我的日常主力”一直拉到“它更便宜，但还不够可信”。@LearnInvest2026 把 GPT-5.6 Sol 用作长上下文主力，把 Fable 5 用作设计收尾，这实际上是一种工作流层面的编组（1 点赞数、2 回复数、179 浏览量）。@sergeykarayev 则展示 了这种分工为何存在：GPT-5.6 站在成本或速度前沿，而在他的内部基准测试里，Fable 仍占据质量角落（8 点赞数、1 回复数、530 浏览量）。
@mattlam_ 用图表说明，模型选择只是故事的一部分：他把 GLM、Kimi 和 DeepSeek 在 Pi、Opencode、Claude、Codex 和 Grok Build 上的 solve rate 摆在了一起（3 点赞数、1 回复数、177 浏览量）。@ArtificialAnlys 又补上 了完全不同的一维——输出打磨度：在它的 AA-Briefcase Presentation Elo 图表里，GPT-5.6 Sol max 排在最前（36 点赞数、5 回复数、2,654 浏览量）。
如今的绕行方案正变得更复杂：人们会把便宜模型路由给高吞吐分类任务或智能体循环，把前沿模型留给模糊工作，靠提示词缓存撑住长会话，并越来越把本地硬件当成一项财务决策。@pixeL_laugh 展示 了，一些本地配置在高强度使用下几个月就能回本（2 回复数、14 浏览量）；而 @LearnInvest2026 则认为，缓存命中率和返工至少和原始 token 价格一样重要（1 点赞数、2 回复数、179 浏览量）。竞争格局已经明显呈栈状：模型、测试框架、路由层、缓存行为和部署界面都很重要。
5. 人们在构建什么¶
| 项目 | 构建者 | 功能 | 解决的问题 | 技术栈 | 阶段 | 链接 |
|---|---|---|---|---|---|---|
| Claude for Financial Services | Anthropic，由 @cyrilXBT 分享 | 面向投行、股票研究、私募股权、基金管理和财富管理工作流的智能体与插件模板 | 自动化重复性的分析师工作，同时保留明确的人类签字确认 | Python、Claude Cowork plugins、Managed Agents API、金融类 MCP 连接器 | 已发布 | 推文, 仓库 |
| LiteRT.js / LiteRT | Google AI Edge，由 @HowToPrompt__ 分享 | 通过 WebGPU 和 WASM 在设备端与浏览器中运行 ML 和 GenAI 工作负载 | 为客户端 AI 应用削减服务器、隐私与推理成本负担 | C++、JS、WebGPU、WASM、LiteRT toolchain | 已发布 | 推文, 仓库, 文档 |
| OpenDataLoader PDF | OpenDataLoader Project，由 @N0V4Dev 分享 | 把 PDF 转成带边界框和 Tagged PDF 输出的结构化 Markdown 或 JSON | 修复 RAG、文档 AI 和无障碍管线中的 PDF 摄取问题 | Java core、Python/Node/Java bindings、XY-Cut++、本地和混合抽取 | 已发布 | 推文, 仓库 |
| AI Picbreeder | @SakanaAILabs | 用 VLM 智能体重建协作式 Picbreeder 风格的图像进化 | 研究当前智能体在开放式创意搜索里能做什么、做不到什么 | VLM 智能体、CPPN、NEAT 风格进化、共享档案、公开代码和数据集 | Alpha | 推文, 博客, 代码 |
最有意思的开发者模式，不是“又一个聊天壳”，而是把高摩擦的专业工作流，变成带有明确脚手架的结构化智能体系统。Anthropic 的 financial-services 仓库就是最清晰的例子：README 把产出定义为供人类复核的分析师工作成果，而不是完全自主执行，这正是高信任要求的企业自动化正在被产品化的方式。
@N0V4Dev 分享 的，是这组材料里最实用的基础设施层（2 点赞数、1 回复数、13 浏览量）。仓库截图和 README 一起传达出一个很清楚的点： “干净的 PDF 数据”不是锦上添花，而是可信 RAG 和文档自动化的前置条件。
LiteRT.js 和 AI Picbreeder 分别指向了开发者的两种方向。LiteRT.js 关心的是把推理推到客户端，让隐私或成本成为架构的一部分。AI Picbreeder 关心的则是把智能体创造力和开放式搜索本身做成产物，并通过公开代码和数据，为后续工作打底。
6. 新动态与亮点¶
前沿评估岗位招聘变得具体了¶
@sayashk 发文，为 CRUX 招聘一位资深研究员，专门做前沿智能体的开放式评估（28 点赞数、2 回复数、4,543 浏览量）。截图之所以重要，是因为它把一个模糊的安全或评估叙事，落成了真正的招聘画像：远程岗位、15 万到 22 万美元的薪资区间，以及研究长周期真实世界任务的职责。
本地 AI 硬件的经济账不再含糊¶
@pixeL_laugh 认为，本地 LLM 硬件应该用真实回本周期去和 API 成本对比，而不是靠感觉判断（2 回复数、14 浏览量）。附带的表格把这件事具体化：它拿不同的 Mac 和 Ryzen 配置去对比 API 等价模型的花费，显示高强度使用可以很快回本，而轻度使用仍更适合租 token。
Apple 与 OpenAI 的争端，让前沿 AI 看起来像一场典型的硬件商业机密之争¶
@kimmonismus 表示，Apple 以未发布硬件计划相关的商业机密盗用为由起诉 OpenAI，并点名 Tang Tan 与 Chang Liu（10 点赞数、4 回复数、1,332 浏览量）。传播最广的截图突出的是 Apple 的主张：OpenAI 的硬件业务建立在被挪用的商业机密之上；而回复则强调，这场争议的焦点是硬件路线图，不是 ChatGPT 的模型权重。
7. 机会在哪里¶
[+++] 自动路由与部署经济性层 —— 证据贯穿第 1、2、4 节。人们在公开自己的路由启发式、要求 CLI 自动切换、比较的是完成任务后的经济账而不是 token 单价，同时还把缓存复用和返工，与原始基准测试分数一起纳入权衡。
[+++] 面向长周期智能体的评估、可观测性与溯源 —— CRUX 招聘、Pangram 论文指控、OpenDataLoader PDF，以及 OpenBench 里那种“明明解出来了却还继续做”的失败，都指向同一个缺口：团队需要更好的办法知道智能体什么时候是对的、它的源内容是否干净，以及它该在什么时候停下。
[++] 客户端侧与本地推理基础设施 —— LiteRT.js、本地硬件回本表，以及开放模型的成本压力，都支持一个很强的机会：构建私有推理栈，把成本、隐私和部署简洁性清楚地呈现给非专家。
[++] 高信任专业工作流智能体 —— Anthropic 的 financial-services 仓库表明，当垂直智能体把连接器、复核步骤和明确的签字边界都暴露出来，而不是承诺完全自治时，可信度会高得多。
[+] Physical AI 瓶颈工具链 —— 出货预测、电池约束和执行器主导的成本结构，都说明围绕感知可靠性、部署 uptime、组件效率和 RaaS 运营，而不只是更好模型权重的产品，仍有空间。
8. 要点总结¶
- GPT-5.6 真正的竞争，不是基准测试热度，而是路由负担、返工和质量取舍。 重度用户、二手 AMA 纪要和自定义基准测试，都把这次发布当成一项运营决策，而不是排行榜事件。(来源; 来源)
- 更便宜的模型正在重塑采购，但低价抹不掉工作流失效。 Meta、Tencent、DeepSeek 和 Grok 都因为经济账获得关注，但浏览器任务里的循环、UI 抱怨和质量缺口，也立刻一一浮现。(来源; 来源; 来源)
- 评估工作正在变成一个有正式编制的职能，而不只是研究口号。 CRUX 招聘、私有基准测试分享，以及对溯源和停止规则的反复讨论，都说明评估正进入 AI 产品的运营核心。(来源; 来源)
- 文档、无障碍和金融工作流基础设施，依然异常具体。 OpenDataLoader PDF、LiteRT.js 和 Anthropic 的 financial-services 智能体，都拿出了改善真实工作流的具体机制——不只是讲感觉。(来源; 来源; 来源)
- 凡是输出难以验证的地方，信任仍然脆弱。 这一点同时体现在一篇疑似 AI 代笔的政策论文、会改动或拒绝任务的浏览器智能体，以及仍受电池、执行器和部署约束限制的 Physical AI 系统上。(来源; 来源; 来源)