🚀SpaceX 完成收购 Cursor，团队将加入 SpaceX AI💰Anthropic 第二季度营收超 115 亿美元，首次实现调整后运营盈利📋于东来：胖东来首批刑释员工无人离职，将再招 20 人📱小米手机 15 周年，卢伟冰称未来全面拥抱 AI🤖Dario Amodei：公众反对 AI，本质上是信任危机🦿2056 台机器人将同场比跳远、举重和拧螺丝🌐Booking.com CEO 也受够了旅行折腾，想让 AI 自动改行程☁️千问模型半年下载量破 30 亿，Hugging Face 上超过 Google 与 Meta🧠清华与伯克利提出 ODEWorld，用连续时间轨迹指导机器人行动🚀Stripe 超 70 亿美元收购 OpenRouter⚠️美国商务部长反对苹果采购中国内存芯片💰高盛开始为英伟达 5000 亿美元 AI 基建融资计划寻找投资人💡王祖贤回应 AI 形象授权：我们是用 AI，不是被 AI 用🚙问界儿童车即将上市🔍Anthropic 为 Claude 文本加入水印，并将开放检测 API🔧激光灭蚊「防空系统」开始量产，售价 988 美元起⚡GPT-5.6 Sol UltraFast 开放早期申请，最高每秒输出 750 tokens🎬《牛来》排片暴增 1900 倍，主创回应突然走红SpaceX 完成收购 Cursor，团队将加入 SpaceX AICursor 宣布，SpaceX 对其收购已经正式完成，Cursor 现已成为 SpaceX 的一部分。Cursor 团队将加入 SpaceX AI，参与改进 Grok、Grok Build、Grok Bot、Grok API 和 Cursor 等产品。此前 SpaceX 已宣布行使收购选项，并称双方正在联合训练一款模型，计划用于 Cursor 和 Grok Build。这次更新把交易状态从「拟收购」推进到「完成交割」。Cursor 的现有产品名称仍被列在后续改进清单中，官方暂未公布更多组织和产品调整细节。Anthropic 第二季度营收超 115 亿美元，首次实现调整后运营盈利据彭博社报道，Anthropic 向潜在投资者披露，2026 年第二季度初步营收超过 115 亿美元，较 2025 年同期的 7.87 亿美元增长至少 14 倍，也高于今年第一季度的 47.3 亿美元。文件还显示，Anthropic 当季首次录得正的调整后运营利润。上述数字仍在审议，后续可能调整；Anthropic 拒绝置评。公司 5 月的年化营收运行率已超过 470 亿美元，彭博社称这一指标与 OpenAI 超过 400 亿美元的年化收入未必采用相同计算口径。Anthropic 正在为潜在的大型 IPO 与投资者会面。彭博社此前报道，公司已秘密提交上市申请，并与摩根士丹利、高盛和摩根大通合作推进 IPO；若今年秋季完成上市，时间将早于 OpenAI 和 DeepSeek 正在准备的上市计划。于东来：胖东来首批刑释员工无人离职，将再招 20 人8 月 15 日凌晨，胖东来创始人于东来在社交平台发文称，首批刑释人员进入岗位后「没有一个离开」，目前都在稳定工作和生活；他同时表示，公司准备再招聘 20 名刑释人员。于东来暂未说明新一轮招聘的岗位、门店和时间安排。胖东来在 2025 年首次公开定向招聘刑释人员。最初计划录用 20 人，面试后实际录用了 30 人，并为入职者设置 6 个月双向选择期。于东来当时称，希望给已经承担法律责任的人重新融入社会的机会。小米手机 15 周年，卢伟冰称未来全面拥抱 AI8 月 16 日是小米手机发布 15 周年。小米集团合伙人、总裁兼手机部总裁卢伟冰发文回顾称，小米手机从最初的「为发烧而生」走向全球市场，下一阶段将全面拥抱 AI。第一代小米手机于 2011 年 8 月 16 日发布。市场研究机构 Omdia 的数据称，小米 2025 年智能手机出货量为 1.654 亿部，市场份额约 13%，连续 5 年位列全球前三。小米接下来会如何把 AI 战略落到手机系统、端侧模型和跨设备体验，仍要看具体产品更新。Dario Amodei：公众反对 AI，本质上是信任危机据 TechCrunch 报道，Anthropic CEO Dario Amodei 在一组公开帖文中回应投资人 Gavin Baker。Baker 认为，Amodei 对 AI 风险的持续警告加剧了美国公众的反弹，并削弱了行业争取监管支持的能力。Amodei 否认自己的公开表达只强调风险。他说，自己的文章对风险与收益投入了大致相当的篇幅，撰写「Machines of Loving Grace」正是因为 AI 行业没有充分说明技术能给社会带来的积极变化。> 公众对 AI 的负面态度，本质上是信任危机。他认为，人们不信任公司、政府和科技行业，怀疑企业会利用新技术损害他们的利益；AI 公司至今没有兑现改善世界的宏大承诺，是最准确的批评。承诺「AI 将治愈癌症」已经成为套话；他表示，只有实际取得这样的科学成果，才会改变公众态度。在监管问题上，Amodei 反对把选择简化为「无监管地广泛分发 AI」或「通过监管把能力集中到少数公司」。他认为，前沿 AI 天然倾向于集中权力，开放权重只能把集中点转移给掌握最多算力和芯片的人；Anthropic 的政策提案因此试图同时约束前沿公司、降低网络安全和生物风险，并为小型竞争者和开放权重模型保留空间。2056 台机器人将同场比跳远、举重和拧螺丝第二届世界人形机器人运动会将于 8 月 22 日至 26 日在北京国家速滑馆举行。北京市政府新闻发布会公布，本届赛事吸引来自六大洲、16 个国家的 666 支队伍，共有 2056 台机器人参赛；队伍数量较首届增长 138%，机器人数量约为首届的 4 倍。赛项由首届的 26 项增加至 51 项，比赛场次从 487 场增至 1301 场。竞技赛新增跳远、举重、拔河和乒乓球，百米、足球和舞蹈项目也会继续举行；机器人足球将加入带球跑动和大力抽射，舞蹈则首次设置由两台机器人完成的华尔兹与桑巴。工业、酒店、家庭和物流等场景赛新增灵巧手项目，机器人要完成夹豆子、拧螺丝等 8 项「微操」。与上届单机完成任务不同，本届场景赛会让两台机器人同场比拼效率和可靠性。Booking.com CEO 也受够了旅行折腾，想让 AI 自动改行程Booking.com CEO Glenn Fogel 接受《华尔街日报》采访时说，航班延误、长时间困在停机坪以及客服等待，让他有时也会怀疑一趟旅行是否值得。Booking.com 及旗下 Priceline、Kayak 和 OpenTable 正把 AI 视为减少这些摩擦的工具。Fogel 设想，未来的旅行助手不仅能回答问题，还能根据天气主动判断游船和博物馆行程是否需要对调，先征求用户同意，再自动完成改签。这个目标目前仍是产品方向，而不是已经普遍上线的完整能力。千问模型半年下载量破 30 亿，Hugging Face 上超过 Google 与 Meta阿里巴巴称，千问模型家族过去 6 个月在各个平台的累计下载量已超过 30 亿次。Hugging Face 的最新统计显示，千问在该平台同期下载约 20.45 亿次，高于 Google 的约 4.18 亿次和 Meta 的约 2.27 亿次。千问目前已公开超过 460 个模型，并衍生出大量社区微调版本。Hugging Face 的开源模型报告也把千问列为衍生模型数量领先的家族。不过，下载次数包含重复下载，也不覆盖闭源 API 和私有部署，因此更适合衡量开源生态活跃度，不能直接等同于真实用户数或模型质量排名。清华与伯克利提出 ODEWorld，用连续时间轨迹指导机器人行动据 MIT 科技评论中文网报道，清华大学智能产业研究院与加州大学伯克利分校团队提出连续世界模型 ODEWorld。它不再只根据当前画面预测下一帧，而是用物理时间流 PT-Flow 学习状态随真实时间变化的方向和速度，让模型可以推演两个观测帧之间没有被拍下的中间状态。ODEWorld 先用 DINOv2 提取图像特征，再把相对稳定的背景和初始状态与动态信息解耦。模型通过雅可比向量积把图像变化映射到压缩空间，并由常微分方程求解器累积变化，因此既能预测任意时间点，也能反向推演过去状态。在 64 帧长程预测中，它在单张 A100 GPU 上的延迟为 0.072 秒，V-JEPA 2 和 LDP 分别为 0.619 秒和 3.953 秒。研究团队把连续轨迹转成一组隐空间子目标，作为机器人执行长任务时的「中途路标」。在 LIBERO-LONG 的 10 项任务中，连续子目标方案平均成功率为 83.6%；部署到真实双臂机器人后，夹虾入锅、鼠标收纳、插笔和双臂整理物体 4 项任务的平均成功率从 55% 提高到 80%。团队表示，当前模型尚未处理接触、碰撞、摩擦和力等更复杂的物理规律。Stripe 超 70 亿美元收购 OpenRouter据彭博社报道，支付公司 Stripe 已敲定收购 AI 模型聚合平台 OpenRouter 的协议，交易价格超过 70 亿美元。报道援引知情人士称，OpenRouter 数月前融资时的估值为 13 亿美元；Stripe 暂未公开回应交易细节。OpenRouter 为开发者提供统一接口，可按任务、价格和性能在不同 AI 模型之间切换。公司今年 5 月完成 B 轮融资时称，平台拥有 800 万名全球用户，可访问 400 多款模型；创始人 Alex Atallah 将其定位为 AI 模型领域的「Stripe」，希望减少开发者对单一模型供应商的依赖。Stripe 与 OpenRouter 上月已被曝进入收购谈判。彭博社此次将交易状态更新为「已敲定协议」，并把对价提高到 70 亿美元以上。美国商务部长反对苹果采购中国内存芯片据《华尔街日报》报道，美国商务部长 Howard Lutnick 接受采访时表示，特朗普政府不希望苹果从中国采购内存芯片；报道同时称，苹果仍可能推进相关采购。AI 数据中心建设推高了内存需求，导致供应紧张和价格上涨，苹果及其他消费电子厂商已经面临更高的元件成本。为缓解供应压力，苹果正评估中国厂商提供的内存芯片。Lutnick 的表态把苹果的供应链选择再次带入美国政府审查范围。苹果尚未公布最终供应商名单。高盛开始为英伟达 5000 亿美元 AI 基建融资计划寻找投资人据路透社报道，高盛正在接触潜在投资人，希望参与英伟达规模超过 5000 亿美元的 AI 基础设施融资计划。英伟达 8 月 10 日宣布与 Apollo、贝莱德、黑石、Brookfield、高盛和 KKR 合作，由六家机构分别建立融资平台，为购买 GPU、建设数据中心的客户引入第三方长期资本。这些平台并非由英伟达一次性投入 5000 亿美元，而是计划逐步汇集保险公司、养老金、主权财富基金等机构资金，并以 GPU 和算力基础设施等资产支持融资。英伟达希望借此降低客户部署算力的资金门槛，高盛则凭借与英伟达的长期关系获得了六个平台中的一个席位。路透社称，高盛已开始讨论具体参与方式；相关结构把 AI 算力从企业资本开支进一步带入信贷市场，也让芯片折旧、设备残值和算力需求成为投资人需要评估的核心变量。💡 王祖贤回应 AI 形象授权：我们是用 AI，不是被 AI 用8 月 15 日，在网易游戏《天下》18 周年玩家生态大会的公开发言与圆桌对话中，王祖贤现身交流，首次公开回应为何接受 AI 数字影像短片《倩影》的形象授权，并分享了她对经典作品、技术边界与人机关系的看法。面对外界关于 AI 生成形象与真人演绎差异的争议与关注，短片《倩影》采用「王祖贤授权 AI 形象出演、配音演员苏柏丽配音」的方式制作，展现了黑发至白发跨越时光的数字形象。王祖贤表示，从黑发到白发的变化让她感受到岁月感，但这次合作不仅是让过去的银幕形象重现，更是让留在观众记忆里的经典作品借助新媒介与当下重新连接。谈及为何愿意授权与人机边界，王祖贤指出，经典始终在那里，AI 带来的

测评 AI 这件事，如今越来越难做了。几年前，AI 还是聊天机器人时，测评主要就是做题：写作的、数学的、编程的……最后形成一套跑分，用分数代表模型能力。但当 AI 从聊天框里走出来，变成能够调用工具、操作网页、处理文件、跨系统执行任务的 Agent，情况就变得复杂起来。平时我们看到的，是 AI 出现在手机上，能够刷淘宝、加购物车，最后下单。实际上在商家的那一端，也有 AI 的参与，承担着比选购和下单更复杂的工作。在专门考察电商环境中模型表现的 RealReplicaBench 测试中，经过 107 个真实商业任务的考核，所有参评模型都没有达到 60 分——都没有及格。选手一共 13 位，但连同 GPT、Claude、GLM、Qwen 、Deepseek 和（毫无意外排名最末的）Gemini ，它们当中最高分只有 56.1 分。以最高分的 Claude Opus 5 为例，在 Accio Work 执行框架中的通过率（66/107） ，要比 OpenClaw 上（60/107）和 PI （65/107）上的通过率更都要高，整体来看 Accio 框架对多数模型的性能增益都更明显。执行框架来自阿里旗下Accio Work ，是全球首个聚焦于电商领域的 AI Agent，目标是帮商家在一个 AI 工作台上统一管理、自动操作、快速分析多个平台的店铺，降低门槛、提升效率，实现生意的增长。RealReplicaBench 正是脱胎于 Accio Work 的技术团队，他们观察到，靠做题是看不出模型解决问题的真实能力的，尤其是在电商中，工作繁琐而具体：采购要从邮件和报价里确认信息，发品要处理图片、价格、物流和后台状态，经营分析要跨多个平台比对数据……为了把货品准确无误地交到你手上，AI 已经卯足了劲，却未必做得够好，因为真实世界里的工作，很少是一连串彼此孤立的问题。看似考做题，实则考「上岗」如果只看分数，RealReplicaBench 的结果很容易引发误读：「怎么 AI 都不太行」。但摸着良心说，还真不能怪模型们不够强，这个结果很难简单归咎于模型能力——这套「题」，确实难。传统 Benchmark 关注答对多少题、完成多少步骤，就获得对应的分数。类似于考高考，数学最后一道大题不会做，写个「解」字或把条件抄一下，也能拿点儿分。可是当 AI 真正进入商业工作流以后，用户需要的不是一份过程尽力的答卷，而是一项项真正完成、且能够继续向下流转的工作。对于「完成」的坚持，构成了 Accio Work 团队技术哲学的核心，这源于他们长期沉浸在电商场景里形成的判断，电商工作需要把判断转成行动，再让新的业务状态成为下一步行动的依据。供应商有没有选对，决定后面的采购动作；价格有没有算对，决定商品能不能正常发布；物流路线是否满足时限，决定订舱有没有实际意义……前面的一次错误，可能沿着整个工作流一路传递到最后。因此，重要的不只是某一步「做对了」，更在于每一步的判断和行动，能不能被完整串起来。RealReplicaBench 对「完成」的定义也由此变得接近真实交付：一项工作只有在结果能够被下一环节直接接手时，才算真正完成。技术负责人解释道，「哪怕一个任务已经完成了 80%，如果最后还留下 20% 需要用户手动处理，而这 20% 恰恰可能是最关键的部分，那么对用户来说，它依然没有形成可以直接使用的交付。」基于这一点，在 RealReplicaBench 的测评中，不存在「将就」；没有完成，就是 0 分。如果一定要找一个更直观的比喻，传统 Benchmark 更像考交规，科目一，而 RealReplicaBench 更像路考。脑袋里知道什么时候该打转向灯是一回事，真正把车从起点安全开到终点又是另一回事。就算每一次转向灯都打对了，最后撞车了，也不能称作是合格的司机。那么问题也随之而来，这种高完成度的表现，究竟要怎么被做成一套可重复、可验证的评测 benchmark？为了测试「真实工作」，先造一个接近真实的世界任何 Benchmark 都绕不开一个最基础的问题：它测到的，究竟是不是它想要测的东西。如果目标是判断 Agent 能不能完成真实商业任务，那么只把一个真实需求改写成几段文字，再让模型输出答案，显然还不够。难点往往藏在那些被文字省略掉的地方：页面状态会变化，历史信息和新信息会冲突，系统之间的字段并不统一……RealReplicaBench 的做法，是尽可能把这些复杂性搬到测试环境中，它不只提供题面，还复刻了前端 UI、浏览器操作、CLI、API/MCP、文件系统以及后台状态，让 Agent 面对的不是一张纸上的问题，而是一套能够被真正操作的业务环境。供应商采购任务就是一个典型例子。Agent 需要从约 300 封高噪声邮件中还原真实采购需求，还要完成供应商选择、邮件标签、回复草稿和 Kickoff 日历。它测试的显然不再是「能否总结邮件」，而是能不能从一堆真实形态的噪声中还原业务事实，并把这个事实继续变成行动。另一个更复杂的任务，则要求 Agent 把 5383 条海关记录变成一套跨系统采购控制塔。模型要先按品类和供应商聚合数据，再根据采购政策筛选 Top 3 供应商，随后分别在 Google Workspace、Box 和 Jira 中建立 Dashboard、证据文件夹和项目任务。这类任务之所以可以作为考题，都在于它们保留了真实工作里一个很关键的特征：状态会不断变化，而 Agent 必须在变化中仍然准确理解上下文，并随之校准。前面筛出来的供应商、后面创建的文件夹和 Jira Task，必须属于同一套业务关系。否则，一个动态 ID 写错，后面的交接和审计就可能全部失效。因此，RealReplicaBench 所测试的，并不是模型在某一个单独的问题上能达到多高的正确率，这不符合他们的技术哲学，关键要看它能不能在复杂环境中持续维持正确状态，并把一个业务目标真正推进到结束。用高仿真环境，证明高完成度把真实环境复刻出来，还只是第一步，真实工作评测还有另一个容易被忽略的问题：模型可以说「任务已经完成」，而用户却无法确认，或者确认成本很高。在聊天机器人中这问题不大，Chatbot 要交付的本来就是文本。可 Agent 不一样，它的文本输出只是行动过程中的一部分，因此 RealReplicaBench 的另一个核心设计，是让Verifier 直接读取最终环境状态，而不是相信 Agent 的自我报告。例如在物流履约中，Agent 需要为一票从中国到美国的运单枚举可行路线，把海运、拖车、尾程、保险、清关、Bond 和平台费全部计入，排除超过 30 天或港口衔接不成立的方案，再完成海运段 Booking 和 Shipment Verification。最终的验证对象不是一段看起来合理的路线建议，而是实际生成的 Shipment ID。这套逻辑把「完成」的定义从模型的思维链中拿出来，交还给环境本身。Listing、Booking、日历、文件关系、动态 ID，这些真实状态共同构成了 Agent 是否完成工作的证据。既然测评不该对一个只有「长得像答案」的答案给分，那么，每个动作都需要在环境里留下可以被独立验证的后果，这也是为什么 RealReplicaBench 判分格外严格的另一个原因。Benchmark 背后，是技术实力为什么Accio Work 团队能设计这样一套 Benchmark？答案首先来自任务本身。RealReplicaBench 的 107 个任务并不是来自研究者想象中的「电商场景」，而是来自真实商业需求，来自约 160 万完整对话、20 万商业执行轨迹和 2000 条高价值工作流，最后通过可复现性与可判定性，收敛成 107 个任务。供应商采购最后应该留下什么结果，商品发布什么时候才算真正完成，物流任务究竟停在路线建议还是必须产生 Booking，跨系统协作里哪些对象关系一旦断掉就无法继续交接——这些看似属于评分标准的问题，本身就建立在对真实业务流程的理解之上。也因此，设计出什么样的 Benchmark，往往也会折射出背后的团队如何理解 Agent。如果认为 Agent 只是一个更聪明的问答系统，测试自然会围绕答案质量展开；如果认为 Agent 的价值在于把工作真正推进到结束，那么测试就必须包含环境、工具、状态、验证以及失败后的归因。从这个角度看，RealReplicaBench 表面上是在测试模型，背后实际上也展示了 Accio Work 团队设计 Agent 的一套方法论：从真实需求定义任务，再复刻工作环境；组织模型与工具完成任务，用环境状态验证结果，再根据失败位置持续优化模型与 Harness。这也是为什么这套 Benchmark 对 Accio Work 的意义并不只是一次对外开源。团队计划持续加入新的真实任务，让评测环境滚动更新，并进一步用于模型评测、训练优化和模型路由。根据不同任务的特点，调度更适合的模型，在效果与成本之间寻找更好的组合。这样一套 Benchmark 惠及的不只是电商商家，让他们能更准确地判断该选择什么模型、什么 AI 产品；也同样对整个技术社区有意义。当 AI 真正开始进入商业工作流，建设 Harness 的能力会逐渐和底层模型本身一样重要。毕竟，对用户来说，真正值得付费的从来不是一个「差不多会做」的 Agent，而是一套能够把工作接过去，并把结果直接交回来的系统。过去衡量大模型，人们最常问的是它知道多少；后来问题变成了它能不能推理。到了 Agent 时代，评价标准正在继续向前移动，逐步靠近它到底能不能把事情真正完成。RealReplicaBench 正在把这个看起来很朴素的问题，变成一套可以重复运行、可以验证、也可以用于研发迭代的技术标准。Benchmark 测的是模型，最终被检验的，其实也是一个技术团队对「工作如何被 AI 完成」这件事理解得有多深。

最近意外出圈的《牛来》，可能是 2026 年电影圈最抽象的一幕。一部画面被网友形容为「像早期 3D 动画练习作业」的电影，因粗糙感被不断玩梗、二创，反而意外带动观众的观影。对比之下，把《牛来》和今天的 AI 视频放在一起，会产生一种错位感。AI 已能在几分钟内生成写实人物、电影级光影、巨型场景甚至复杂特效，几张参考图加几句提示就能做出接近成片的画面，生成门槛被大幅压低。当然，画面好看只是第一步。人物入场、机位移动、镜头交错与收束、遮挡与揭示的时机，这些决定镜头成立的细节，很难靠一句 Prompt 精确控制。于是一个很有意思的现象出现了。AI 视频生成能力越来越强，创作者却开始重新寻找一种已经在影视工业里用了几十年的办法：先预演镜头，再让模型去生成。APPSO 注意到，updream 最近上线了一个预演台功能，无需学习建模，只要上传场景参考图即可生成高还原 3D 白模场景。创作者可在其中摆放人物、设定机位与运动轨迹、调整关键帧，将原本依赖 Prompt 的空间与镜头调度转为可视化预演。整个流程体验下来，你可能会发现 updream 预演台就像是 AI 视频创作者的 Blender，能够让 AI 视频创作者重新握住「摄影机」的控制权，把随机生成，重新拉回到可设计的镜头创作。接下来，我们就拿几组不同复杂度的镜头实际试试看。AI 视频开始迈入「预演」时代第一次使用 updream 预演台功能，最明显的感受来自建模这一关。过去如果想做一颗 3D Previs，第一步大概率就会被 Blender 劝退。在预演台里，只需新建项目并上传场景参考图，系统就会自动生成可用的 3D 白模场景。操作过程也没有想象中那么复杂。参考图最好选择广角、鸟瞰或空间纵深明显的画面，人物尽量少一些，后续可以再单独添加。一次最多上传三张图，生成通常需要几分钟，官方提示为 4 到 7 分钟。白模生成后，流程就和传统 3D Previs 基本一致：放人物、构建机位、调整位置与朝向、设置轨迹，需要复杂运动再加关键帧，最后再选择喜欢的模型直接渲染生成即可。· 机甲格纳库在机甲格纳库这个案例中，少年驾驶员进入格纳库，沿主通道逐渐靠近巨型机甲，机位跟着人物移动，后半段轻微抬升，最后让机甲真正显露出来。我把人物放到主通道上，然后把机位放在人物后方跟随。后半段再增加关键帧，让机位逐渐向上运动。这里也能用到预演台内置的跟随逻辑。比如相对位置跟随，可以让机位在人物移动时一直保持大致相同的距离；如果希望摄影机拥有独立路线，也可以改成轨迹跟拍，再单独调整机位的运动。移动和旋转也没有特别复杂。选中人物或者机位以后可以直接拖动，点击左侧图标，或者按 G 调位置，按 R 调旋转。坐标轴哪个方向被选中，物体就沿哪个方向移动。▲ 快捷键参考建好白模后，点击右上角的「录制」，预演视频就会作为下游节点回到画布。接下来只需要选择合适的视频模型，再配合提示词描述人物、场景和具体事件，就可以进入最终生成。不过，比这些操作更能体现预演台价值的，还是最终生成结果。我用接近一致的生成条件做了一组对照：一版只给人物、场景和镜头要求，不加入预演视频；另一版则加入白模录像，一起交给同一个模型。无白模参照时，模型会自行完成运镜。整体不跑偏，但机位速度、抬升时机与构图关系会带有明显随机性：有时过早抬升导致机甲提前全显，有时跟拍距离变化削弱了体量对比。加入白模参照后，运镜方向与节奏更稳定贴合预演，机位抬升与人物距离控制也更一致，机甲出现时机与最终构图偏差明显减少。机甲长什么样、金属材质够不够真实、蓝色灯光有没有质感，这些问题白模帮不上忙，最终还是由参考图、Prompt 和生成模型决定。暂时无法在飞书文档外展示此内容预演真正有价值的地方，是提前确定人物从哪里看机甲，机位又从哪里看人物。换成大型建筑、巨物、飞船、巨兽，其实也是同一个道理。· 宇宙中心宇宙中心这个案例里，主角只需要从建筑内部走出来，机位从人物一侧逐渐绕到背后，最后露出眼前巨大的宇宙空间。远处有建筑和飞行器，主角只占画面很小一部分。纯 Prompt 写起来其实只有一句话，类似「镜头环绕到人物背后，揭示辽阔的宇宙中心」。问题是，模型知道要环绕，却不知道我脑子里的那条轨迹究竟是什么。所以我在预演台里做的事情非常简单。场景生成后，将人物放在建筑出口附近，从当前视角设定机位并调整开场构图，再为机位绘制一条绕至人物身后的路径；人物只需一条很短的直线路径。按空格播放前，镜头运动基本已可预判。不满意也无需消耗视频模型成本：镜头过近就外移轨迹，构图过居中就改终点机位，建筑揭示过早则调整运动节奏。这也是白模最容易被低估的价值——不仅节省建模时间，还提供了一层低成本的镜头试错空间。甚至有了白模以后，Prompt 反而可以少写一点。· 地铁站三人擦肩而过在地铁站三人擦肩这个案例里，一个男人沿站台向前走，女主从对面迎面而来，两人在中间擦肩而过。旁边还有一个路人，全程站在原地低头玩手机。单个动作都很简单，但一旦组合，问题就变复杂了。男人从哪进、女主何时出现、何时相遇、擦肩时左右位置、路人分布以及镜头移动速度，都需要明确。在预演台里，哪个人走快了，哪个人出现早了，擦肩位置偏了，都可以直接从时间线上调整。更细一点，还能通过关键帧修改某一段的速度和位置。做到这里以后，白模带来的变化已经开始从单纯的运镜控制变成空间调度。多人场景尤其如此。每多一个人物，就多一条位置、方向和时间关系。三维场景天然比自然语言更适合表达这些信息。总体来看，图片转 3D 的优势就是快，适合搭建大空间框架，但它目前还不擅长精细建模，现阶段仍然无法完全替代手工搭建的成熟 3D 资产。不过，updream 本身也没有把白模限定在一种精度上。预演台自动生成的更接近「粗粒度白模」，重点保留人物动作、动线、站位、运镜和切镜等时序关系；如果创作者本身有 3D/CG 能力，也可以导入自己制作的「细粒度白模」，进一步保留更完整的场景、人物和结构信息，让后续模型围绕材质、色彩和视觉风格进行重渲染。· 雨夜天台对峙雨夜天台对峙这个案例里，两名男性站在屋顶中央对峙，其中一人向前压一步率先出手，另一人向右后方闪开，前者继续跟进，最后两个人重新停下来。人物之间开始出现明确的相对关系，也是白模比较适合处理的类型。如果只是希望机位固定在一个位置追踪人物，可以直接用定点跟拍；想让摄影机自己运动，就再给它单独画轨迹。相比不断修改「镜头围绕双方运动」这样的 Prompt，直接在空间里调会更直观。但做到打斗这里，预演台的边界也开始出现。粗粒度白模很适合告诉模型「这个人从这里移动到那里」，但挥拳怎么挥、侧身幅度多大、格挡动作是什么姿态，仍然属于视频模型需要完成的部分。所以这类镜头里，我会刻意减少白模承担的动作细节。它负责人物整体位置和机位路线，具体打斗动作继续交给 Prompt 和人物参考。从实际创作来说，这种分工也正好适配 Seedance 2.5 这类模型的生成逻辑：场景、人物外观和情绪交给 Prompt 与参考图，白模集中控制「怎么拍」。不同控制条件各管一类信息，也比所有要求同时塞进一段文字里更清楚。· 武侠对决武侠对决是几组测试里信息量最大的一组案例。竹林、云海、烟雾、落叶，两名角色连续交锋。机位要从女主身后跟随，中途绕到双方右侧，之后又回到另一边，还有推近、拉远和景别变化。单看提示词长度，就已经能感受到这类镜头有多容易失控。但镜头越复杂，提前做空间预演的价值越高；真正值得花时间搭预演的，通常也是多人调度、长镜头、环绕跟拍、复杂空间运动、明确终点构图，以及失败一次就会消耗不少生成成本的镜头。如果一颗复杂镜头单次生成已经是几十元，那么少掉一两次因为机位跑偏或者人物站错位置造成的返工，就能大大减少抽卡所带来的成本。预演台同时支持一镜到底和多机位，官方也提供了两组颇有代表性的案例。比如老人走在户外街道上，一个环绕长镜头清晰地交代了老人所在的环境。另一组则更像是韩剧里发生冲突的镜头，虽然人物数量更多，还有台词、情绪和多个机位关系，但谁在说话，谁被压制，谁在什么时候进入主要画面，机位都能随着人物关系不断调整。AI 创作真正的技术平权，是让专业能力更容易被表达1900 年，柯达推出售价只有 1 美元的 Brownie 相机。在那之前，摄影多少还带着一点技术工种的意味。你得懂曝光、懂底片，还得面对一整套并不友好的设备和冲洗流程。Brownie 做的事情很简单，它把这些复杂操作尽可能藏到机器后面，让普通人也可以把相机带去街上、家庭聚会和旅行。摄影因此真正进入大众生活。但人人都可以按快门，并不等于人人都会拍照。设备门槛下降以后，构图、光线、时机、距离、观察这些过去被复杂技术掩盖在后面的东西，反而越来越直接地决定一张照片好不好。AI 视频现在多少也走到了类似的位置。过去想完成一套相对正规的 3D Previs，流程并不短。你得在 Blender 里搭空间，放人物，搭建机位，处理关键帧，再把这一套东西变成生成模型能够理解的参考。问题在于，真正会被这套流程挡住的人，未必没有镜头想法。updream 预演台试图减少的，正是中间这段转换成本。尤其是参考图直接生成 3D 白模这一层，能够同时服务于无建模基础的创作者、影视从业者、3D/CG 人员与AI视频工作室，分别帮助他们降低建模门槛、迁移影视调度经验、简化前期预演流程并提升复杂镜头的生产效率。场景先有了，接下来要处理的就变成更接近创作本身的问题：人物站哪里，机位从哪里开始，怎么走，什么时候换位置。它带来的优势是不言而喻的。对于完全不懂 Blender 的创作者，脑海里的机位和人物走位，终于不用先变成一大段文字，可以直接用空间表达；对于原本就懂摄影、分镜和调度的人，过去积累的专业经验也更容易迁移进 AI 视频里，不需要重新从「怎么描述一个跟拍镜头」学起。更现实的一层，是成本。白模至少提供了一个更便宜的试错区。机位不对，可以先改；人物路线有问题，可以先调；切镜时机不合适，也可以在预演里看出来。等空间关系大致确认，再把这套结果交给生成模型，从而有可能减少后面更昂贵的返工。视角再拉远一点，素材管理和 Skill 社区也在同一套系统之中。updream 此前已经把无限画布、素材统一管理、视频生成和 Skill（技能）复用放在同一套创作环境里，预演台加入以后，3D Previs 也成为了其中一个可以继续复用的创作环节。当然，它也绝对称不上轻松。预演台仍需理解三维空间、机位、轨迹与关键帧，制作白模也要额外时间。它能锁定走位与机位，但对简单镜头而言，这套流程甚至可能比直接写 Prompt 更繁琐。所以我并不觉得白模会成为所有 AI 视频的默认步骤。它更像未来专业工作流中的一种控制层。整个行业的发展趋势，也正在向这个方向靠拢。未来一类产品继续提高自动化程度，让 AI 从剧本一路完成到成片；另一类产品则会给专业创作者更多可以直接干预机位、动作和空间的工具。前者降低了创作的门槛，后者还在前者的基础之上拔高了创作者能掌控的上限。updream 预演台显然更接近后一种。据了解，基于预演台功能，updream 还发起了一个「千万积分预演台白模创作挑战赛」，单条优秀作品最高可获得 100 万积分奖励，价值 1 万元。优质作品还将获得流量资源扶持。当建模、运镜、渲染这些过去昂贵又专业的能力逐渐变成基础设施，「会不会做出来」很快会失去稀缺性，真正拉开创作者差距的，将重新回到「为什么要这么拍」。一百多年前，Brownie 把相机交给了更多普通人；今天，updream 预演台正在把一台更容易操作的虚拟摄影机交给 AI 视频创作者。创作的胜负手也越来越早地出现在按下生成键之前。作者：莫崇宇，招旭升

老车迷们或许还记得，2010 年，奔驰曾让迈克尔·舒马赫驾驶 SLS AMG，在广告中沿着隧道内壁完成一周旋转。而在 16 年后，岚图把相似的剧本重新拿出来实拍，只是主角不再是一辆双门鸥翼超跑。在岚图最近的上市营销传播中，我们看到了一台岚图追光 S 驶入环形隧道，沿着内壁一路向上，在车头越过最高点后重新转回地面，完成了一次 360 度大回环。追光 S 是一辆长 5050mm、轴距 3000mm 的中大型纯电 SUV，车里还有冰箱、双联屏和零重力座椅。岚图大概是嫌「科技 FUV」这个定义还不够直观，干脆让这辆准备照顾全家人的 SUV，在隧道里翻了一个跟头。8 月 15 日，岚图追光 S 在成都正式上市，共推出三款车型，权益后售价为：四激光后驱 Max 版 22.39 万元四激光后驱 Ultra 版 24.99 万元四激光四驱 Ultra+ 版 27.39 万元岚图还为首销期用户准备了至高 5.5 万元购车权益，包括 2000 元定金抵扣 8000 元尾款、配置升级、金融方案和用车权益，首销期截至 2026 年 9 月 30 日。追光 S 是岚图第一款中大型纯电轿跑 SUV。它的名字沿用了追光车系，产品形态却从轿车变成了拥有溜背车顶的 SUV。岚图为此创造了一个新的称呼——「科技 FUV」，并将它解释为「时尚多功能车」。不过，在一个新品类缩写越来越多的市场里，FUV 三个字母未必能让消费者记住一辆新车，相比之下，大回环显然有效得多。性能越来越便宜，性能故事却越来越难讲在岚图之前，FUV 这个词主要是法拉利 Purosangue 在用——法拉利不愿承认自己造了一辆普通 SUV，便把它叫作 Ferrari Utility Vehicle。到了追光 S 这里，FUV 又被重新解释成 Fashion、Fun、Future 和 Full。从与法拉利相似的品类简称，到与奔驰 SLS 相似的隧道回环，追光 S 的传播多少带着一点熟悉的影子。但岚图想证明的事情并不复杂：这台装着冰箱、彩电和零重力座椅的大车，同样拥有一副能够激烈驾驶的底盘。它考验车辆，也考验导演，但若把它当成一次产品营销，这场大回环完成得相当漂亮。车辆要沿着环壁爬升并越过最高点，既要有足够的动力维持速度，也需要轮胎、悬架和车身在载荷方向不断变化时保持稳定。而承担这场表演的，正是追光 S 的 475kW 四驱系统和全铝底盘。岚图为追光 S 准备了全铝前双叉臂、后五连杆的架构，以及全系标配的「EDC 可变魔毯悬架」。EDC 可变魔毯悬架可以根据车辆状态和路面变化调节减振器阻尼，高速变道或连续过弯时收紧悬架，减少车身侧倾和多余晃动；驶过接缝、减速带和碎石路面时，再把阻尼放软，让车轮吸收更多冲击。高配车型还提供高度调节范围为 80mm 的空气悬架，可以进一步改变车身高度。支撑这套底盘的，还有两种动力布局。追光 S 后驱版采用一台 300kW 后置电机，四驱版则在前轴增加一台 175kW 电机，系统综合功率达到 475kW。此外，追光 S 方向盘后方的拨片还可以唤醒「岚擎模式」，声浪、仪表、AR-HUD 和座舱氛围随之联动，模拟燃油性能车的听觉与换挡节奏。坦率地说，在纯电车型上模拟燃油车的驾驶质感，过去更多是欧洲车企的偏好，国产新能源车型很少采用类似设计。中国消费者们是否会对此感兴趣，还要交给市场回答。车身外部的 10 组贯穿式风道和 19 个功能风口，则负责处理高速状态下的空气，前保险杠和翼子板区域的风道用于梳理前轮周围的乱流，机舱与车尾的通道负责排出高压气流、整理尾流，双主动进气格栅还可以根据三电系统的散热需求调整开合。追光 S 的大回环挑战在现实生活中或许没有多少实用意义，但岚图想传达的信息非常明确：即使这是一台车长超过五米，车宽接近 2 米的大尺寸 SUV，它依然可以在公路上提供足够出色的驾驶感。翻完跟头，还是要把一辆新能源 SUV 的功课做全但对一台面向日常使用的 SUV 来说，操控只是其中一面，追光 S 还得把日常体验的另一面补齐。追光 S 采用全域 800V 高压碳化硅平台，支持 5C 快充，搭载 98kWh 电池，后驱版 CLTC 续航最长达到 740km。官方数据显示，车辆从 20% 充至 80% 需要 10 分钟，充电 15 分钟最多可增加 577km 续航。四驱版牺牲一部分的能耗表现，换取更高的动力上限，后驱版则更适合把电池容量用在里程上。在车内，追光 S 的思路没有沿着纯性能车继续走下去。追光 S 前排使用双 15.6 英寸 2.5K 屏幕，配有 29 英寸 AR-HUD、后排控制屏和 6.6L 冷暖箱，VOYAH Sound 音响则由 27 个发声单元组成。主副驾双零重力座椅可以提供通风、加热和按摩，副驾向前折叠后，还能为后排腾出更舒展的休息空间。首销期内，岚图提供价值 2 万元的主副驾双零重力座椅包限时免费升级。至于空间，轿跑式车顶天然会与后排头部空间、尾厢高度产生冲突，但岚图没有把追光 S 的车顶压成一条急促下落的弧线，而是让它从 B 柱以后缓慢收低，在保留低趴姿态的同时给第二排和尾箱留下余量。车头下方还设置了 80L 前备厢，带有排水结构，湿雨伞、运动装备或容易留下气味的物品，可以与乘员舱分开放置。如果说底盘负责感知路面，那么华为的四颗激光雷达则负责感知道路上的其他东西。追光 S 全系搭载华为乾崑 ADS 5 四激光方案，全车共有 33 颗感知传感器，包括一颗 896 线双光路图像级主激光雷达，以及分布在车身两侧和后方的三颗固态补盲激光雷达。主雷达负责更远处的道路信息，三颗补盲雷达则把感知范围拉到车身附近，服务于窄路会车、低矮障碍物识别和泊车等场景。这里恰好还有另一个「360 度」。大回环让整辆车沿着隧道内壁转过一圈，四激光方案追求的则是车身周围的全向感知。大回环 360 度展示了这台车的操控能力，而激光 360 度才更可能在日常道路上发挥作用。座舱部分同样交给了华为。鸿蒙座舱 5.2 配合 MoLA 大模型，可以处理连续指令和缺少明确参数的模糊表达，用户只说「玻璃起雾了」或「有点闷」，系统便要自行判断应该调用空调、除雾或车窗。车外运动，车内日常，追光 S 用全铝底盘、空气悬架和四驱系统争取驾驶者，再用 800V、长续航、大空间、舒适座椅和华为智能化完成一辆中大型家用 SUV 的基本功。相比那些四平八稳的常规 SUV，一台愿意在操控上多走几步的产品，当然是更有意思的选择。但这份个性并不会让追光 S 获得一片没有对手的市场，小米 YU7、智界 RX 等等相似概念的产品，都在路上等着他。对岚图而言，追光 S 还承担着一项品牌任务。梦想家让岚图在高端 MPV 市场站住了脚，也让这个品牌更多与舒适、商务和成熟联系在一起。追光 S在这层稳妥的底色上，加上一点低趴、声浪和操控，让岚图获得一个相对运动的标签。大回环终究是一场噱头，它已经完成了让人记住追光 S 的任务。等隧道里的惊险画面和发布会的热度退去，这台车真正要面对的，仍是每一天的通勤、出行和家庭需求。

DeepSeek Harness ，正在成为全球网友的赛博乐高。随着 DeepSeek Harness 的爆火，三天时间在 GitHub 上直接拿下将近 13 万颗 Star。要知道，当年 OpenClaw 如此那般「全民养虾」也花了两周才突破 10w Star。DeepSeek Harness 已经成为 GitHub 历史上增长速度最快的项目之一。而 DSH 最大的特点之一「一切皆插件」，模型、工具、循环、存储、调度甚至 UI 都成为可替换的插件，更是让 DSH 插件变成了这个时代的 App Store。我们在内部评测时相关标签显示的插件数量不到 300 个。开放之后，据不完全统计，目前 GitHub 上包含 dsh-plugin（DeepSeek Harness 插件）标签的仓库，已经来到了 6000 多个。整个社区现在催生了很多有意思的插件，顺着收集此类插件的仓库 Awesome DeepSeek Harness，和社交媒体上网友们的分享继续搜索，会发现大家做的插件，和此前我们所理解的插件完全不一样，不单只是搜索、浏览器和数据连接器。有人让回答直接变成交互网页，有按钮和图表，有人把设计文件搬进对话，还有人给 Agent 装上撤回键和叫醒服务，而在所有插件之中，换皮肤是最有意思的一项。惊喜，从现在开始DSH 有插件市场，已经带来了足够大的自定义。但现在针对皮肤插件，就有了专门的皮肤插件市场。▲地址：https://gallery.dsh-market.com/谁不想在 Vibe Coding 的时候，看着这个可爱的「大肥鱼」呢，其实是可爱的鲸鱼娘。如果说只是加个背景还不够，还能直接还原一套 Windows XP Luna 的经典界面，深蓝色的渐变窗口条，绿色的「开始」按钮，蓝天桌面，全局直角风格。还有鲸鱼娘主题皮肤系游戏版本，QQ 版本，增加 Emoji 回复的版本，甚至我想很快就会有液态玻璃的版本。▲项目地址：Small-tailqwq/dsh-deep-whale、LaplaceYoung/dsh-qq2006、hellodigua/dsh-emoji除了好看，这些皮肤有时候还能「有用」，就像不想让同时知道自己在和 AI 聊天，其实是在炒股？▲ 项目地址：renat3u/tonghuashun-webui一款同花顺风格的 DeepSeek Harness，用 K 线图以股票行情展示 Token 消耗，成交量就代表代码变更行数，涨跌幅表示 Token 消耗环比，红色代表增加，绿色代表删减，资金流向表示 Token 流向哪些项目……而中间的对话就像是当天的热点新闻一样，一条一条显示。又或者炒股很摸鱼，能不能换成办公场景，直接换成 Excel 风格，把会话、工具、设置和导航等界面，全部重构为可交互的工作表单元格。▲项目地址：Small-tailqwq/dsh-deepcel在这些网页版的皮肤插件之外，也有网友制作了终端版本和 App 版本，我们可以像之前用 CLI 命令行一样，继续用 DeepSeek Harness。而一键安装的 App 版本则提供了像 Codex 一样的体验，目前这款第三方的桌面端在 GitHub 上已经有 1 万个 Star，下载量 7 万多次。▲ 地址：anywhere-labs/deepseek-harness-desktopDeepSeek 也能操作浏览器、识屏生图以前用 DeepSeek，大多数时候对话的重点都是一段文字，即便模型可以做出各种各样的网页，还是需要我们手动下达新的需求。Dsh-genui 这款插件则是能让模型可以在回复的 dsh-ui 代码围栏中写入一份 JSON 界面描述。浏览器读取这份描述，再将它渲染成卡片、表格、图表、表单、测验、Mermaid 图，甚至 3D 场景；项目目前准备了 30 多种组件。▲项目地址：omdsh-dev/dsh-genui普通的文字回答，直接变成一份完整的可交互界面。举个例子，如果让模型分析一份销售数据，它可以把结果排成仪表盘；讲解一段知识，可以在回复中放进能够即时判分的测验；整理研究资料时，也可以用标签页区分来源，让用户直接选择下一项需要追查的内容。回答能够操作之后，下一个麻烦是文件。让 AI 做一张海报，最常见的交付物是一张 PNG。文字挤了、按钮偏了、颜色不对，用户只能继续用自然语言描述「把右上角那个往左挪一点」。模型需要重新理解整张图，修改也未必落在原处。dsh-openpencil 这款插件直接把 OpenPencil 的 .op 设计文档接进了 DSH 会话。▲项目地址：ZSeven-W/dsh-openpencilAgent 可以新建文档、创建和编辑节点、读取用户选中的元素，再把多个 Frame 渲染成预览。我们可以在对话里打开只读交互画布，缩放、平移和检查节点；需要手动调整时，再进入带有图层、属性、绘图工具、撤销和重做功能的编辑工作台。但是 DeepSeek 不是一个多模态模型，怎么让 DeepSeek 也可以有看图的能力呢？答案是通过引入第三方的模型，dsh-vision-toolkit 这款插件给 DeepSeek Harness 里的文本模型增加了十种视觉工具，包括图片问答、多图比较、元素定位、长截图 OCR 等工具。▲项目地址：Anionex/dsh-vision-toolkit插件默认接入内置免费 Gemini 3.7 Flash 视觉服务，不需要申请 API Key，我们自己也可以定义第三方模型。还有类似 Codex 才有的浏览器操作能力，也能通过 DeepSeek Harness 插件的方式引入。▲项目地址：Lum1104/dsh-browserdsh-browser 由一个 DeepSeek Harness Bridge 插件和一个 Chrome 扩展组成，操作对象是用户已经打开的真实标签页。网站的登录状态、Session 和 Cookie 继续由 Chrome 保存，模型能拿到网页标题、地址、正文，以及带编号的链接、按钮和输入框。Agent 想点击一个按钮，只需要调用对应编号。网页发生变化后，扩展再生成一份新的页面快照。它还支持常见的浏览器操作，像是输入文字、发送按键、滚动、前进后退、刷新和跳转等。DeepSeek 一瞬间能看图、能操作网页了，但任务一长，所有工作仍然挤在同一段上下文里。于是又有专门的插件 dsh-agent-teams ，用一个 Agent 临时组队、分工、按依赖推进任务。当前 DeepSeek Harness 会话成为队长，自动再创建多个可以继续唤醒的子 Agent。▲项目地址：NanmiCoder/dsh-agent-teams比如要审查一次产品更新，可以先创建「整理改动清单」任务，再建立性能、安全和产品影响三项审查任务，并把它们设置为依赖第一项。起初只有整理清单的 Agent 可以工作。清单完成后，另外三项任务自动解锁，调度器再把它们交给空闲成员。团队面板会显示每个人正在处理什么，任务依赖则画成一张 DAG 图。点击成员，还能进入它的子会话查看过程。多 Agent 的插件，提供了分工和并行的可能，对于依赖关系明确、能够拆开的工作，作用会非常明显。这些插件的安装方式都可以直接采用通用格式，即dsh plugin –profile web add对于某些已经发布了 npm 包的插件，我们可以使用dsh plugin –profile web add @anionex/dsh-vision-toolkit，而对于只在 GitHub 上发布的插件，从 GitHub 安装的命令是dsh plugin –profile web add git+https://github.com/omdsh-dev/dsh-genui.gitDSH 的插件命令实际会交给 pnpm 处理，因此本机需要先有 pnpm。遇到 pnpm not found，通常可以运行 corepack enable，再打开一个新终端。安装完成后，可以用下面两条命令检查：dsh plugin –profile web listdsh –profile web –dump-config第一条查看 Profile 已经安装的依赖，第二条确认插件有没有进入最终配置。Agent 的 App Store，是乐高的样子这些插件，很容易就让人想到「AI 时代的 App Store」，虽然这也算不上什么新鲜说法。OpenAI 在 2024 年推出过 GPT Store，后来又开放 ChatGPT Apps，并允许开发者将应用提交到应用目录，接着 Anthropic 推出的 Skills 技能市场。这些 AI 厂商也都喜欢用「商店」、「市场」和「生态」描述自己的开发者平台。打造一个目录可能并不难。真正麻烦的是，第三方开发者能不能不断做出官方没有预设的产品，用户是否愿意安装，项目又能否在平台升级后继续活下去。从这个标准看，DeepSeek Harness 还远没有成为成熟的 Agent App Store。▲ 项目地址：Dominic789654/awesome-deepseek-harnessAwesome DeepSeek Harness 这个项目虽然集齐了 GitHub 社区里有意思的插件，并进行了完整的分类。但它始终像是一份第三方清单，它的自动检查主要确认格式、链接和 GitHub Topic，不负责安装、版本兼容与安全审计。DeepSeek 官方也明确提醒，Harness 还处在开发者预览阶段，后续可能出现破坏兼容性的改动。但这些每日都在增长的案例已经让「App Store 雏形」不再只是一句口号。▲ 1560 行相比把模型、工具和界面一起封装好的成品 Agent，DeepSeek Harness 交给社区的很大一部分是产品定义权。开发者可以自己决定回答怎么展示、任务怎样继续，以及一套 Agent 最后应该长成什么样。Codex 和 Workbuddy 这类产品给我们的是一个越来越强的 Agent，它们的插件市场，也是服务于这个已经做好的 Agent 产品，在此基础上添加各类插件，可以给它接入工具、加能力，然后让它帮我们完成更多工作。到了 DeepSeek Harness，社区已经开始用插件修改 Agent 本身，它更像是在把一套「Agent 怎么做」的问题交给社区。这也是为什么短短几天里，我们看到的插件很快就从搜索、浏览器这些常规能力，延伸到了皮肤、生成式 UI、设计工具、多 Agent 调度，甚至完整的第三方客户端。如果说承载了 Vibe Coding 流行起来的 Cursor，其背后的底层架构 VS Code 是一款好产品。那我想，DSH 未来也会是一个架构，只不过我们还在等，正和这些插件一起探索，属于 DeepSeek Harness 的「Cursor」。

🤖DeepSeek API 正式执行峰谷定价，高峰时段最高涨幅达 1100%⚠️OpenAI 解散安全储备团队，安全评估职责拆入现有部门🧠Qwen3.8-27B 开源两天下载破百万，登顶 Hugging Face 趋势榜🎮阿里与信宸资本达成交易，灵犀互娱将更换股东🚀宇树科技将于 8 月 19 日登陆科创板📱iPhone 国行 AI 采用双轨制：千问接入 Apple 智能，苹果与阿里联合训练专属模型🎬Josh D’Amaro：迪士尼下一步要把技术、故事与全球业务真正连起来📋法国税务系统遭入侵，逾 60 万名纳税人和企业资料外泄🚗小米 SU7 系列交付突破 50 万台，用时 28.5 个月🚙李书福将辞任吉利汽车董事会主席，安聪慧接任🌐大疆诉美国国防部案发回重审，法院要求重新检查列名依据💰段永平基金重新买入阿里，英伟达持股数量环比减半🏗️黄仁勋：AI 工厂正在成为一种可投资的基础设施资产📈斯坦福 AI Index：全球 AI 乐观情绪与焦虑同时上升🧸Codex Pets 社区站上线，像素桌宠可一行命令安装💡韩歆毅：智能体商业将在未来 6—12 个月进入爆发期🦿宇树展示「超人」机器人，原地跳高 2 米、冲刺速度 12.66m/s💻豆包工作任务支持手机远程操作电脑🎨智象未来发布 HiDream-O1-World，可生成并编辑交互式世界💳支付宝发布智能体商业底座，「阿宝」已接入万余项服务🔍Codex 开放 GPT-5.6 Sol 的 100 万 token 上下文选项DeepSeek API 正式执行峰谷定价，高峰时段最高涨幅达 1100%DeepSeek API 自 8 月 17 日 00:00 起正式调整定价策略，引入峰谷定价机制。高峰时段设定为北京时间 9:00—12:00 与 14:00—18:00，其余时间为空闲时段，空闲时段调用价格为高峰时段的一半。以旗舰模型 DeepSeek-V4-Pro 为例，高峰时段每百万 token 输入（缓存未命中）价格由 3 元上调至 9 元，输出价格由 6 元上调至 27 元，缓存命中输入价格由 0.025 元调整至 0.3 元，涨幅达 1100%；空闲时段输入（缓存未命中）为 4.5 元，输出为 13.5 元，缓存命中输入为 0.15 元。轻量级模型 DeepSeek-V4-Flash 在高峰时段输入（缓存未命中）为 1.5 元，输出为 4.5 元，缓存命中输入为 0.10 元。DeepSeek 表示，推出峰谷定价旨在通过价格杠杆平衡日间算力拥堵，引导企业错峰调度大模型任务以保障平台运行稳定性。OpenRouter 数据显示，8 月 3 日至 8 月 9 日当周中国大模型 Token 调用量达 34.25 万亿，连续 15 周位居全球第一；其中 DeepSeek-V4-Flash 正式版当周调用量达 8.83 万亿 Token，位列全球榜首。OpenAI 解散安全储备团队，安全评估职责拆入现有部门据《金融时报》与 The Verge 报道，OpenAI 已在 7 月底解散 Preparedness 团队。这个团队原本负责评估前沿模型可能带来的严重风险，并设计相应缓解措施。原团队承担的生物与网络安全评估已经拆分到 OpenAI 现有部门。团队负责人 Dylan Scandinaro 今年 2 月从 Anthropic 加入 OpenAI，目前转向研究能够递归自我改进的 AI 系统。这是 OpenAI 近年第三次撤销专门处理长期或前沿风险的团队。此前，AGI Readiness 与 Superalignment 团队也已解散；多名安全研究人员随后离职。组织调整后，相关职责仍然存在，但不再由一支独立团队集中承担。Qwen3.8-27B 开源两天下载破百万，登顶 Hugging Face 趋势榜Qwen3.8-27B 开源两天后下载量突破 100 万次，并升至 Hugging Face 全球大模型趋势榜第一。官方模型卡显示，它是一个 270 亿参数的稠密视觉语言模型，原生上下文长度为 262144 token，可扩展至 100 万 token。模型支持图像与视频理解，默认开启思考模式，并可通过reasoning_effort调整推理深度。官方提供 Transformers 格式权重，兼容 vLLM、SGLang 和 TokenSpeed 等推理框架，采用 Apache 2.0 许可证。阿里与信宸资本达成交易，灵犀互娱将更换股东灵犀互娱 CEO 周炳枢在 8 月 17 日内部信中确认，阿里巴巴集团与信宸资本已经达成交易协议，阿里将出让所持灵犀互娱股份，信宸资本成为新股东。周炳枢表示，交易来自阿里整体战略聚焦。管理团队将继续带领公司运营并开发游戏产品；内部信没有宣布管理层更换或具体交割安排。灵犀互娱在阿里体系内曾多次调整组织归属：2017 年进入阿里大文娱，2020 年升格为独立事业群，2023 年被划入「1+6+N」架构中的 N 业务板块。此次内部信把此前的出售报道推进到双方已经签署协议的新阶段。宇树科技将于 8 月 19 日登陆科创板宇树科技 8 月 17 日公告，公司 A 股将于 8 月 19 日在上海证券交易所科创板上市，证券简称为「宇树科技」，证券代码为 688836。上交所披露的招股书显示，宇树科技主营高性能通用人形机器人、四足机器人、机器人组件及具身智能模型。公司在 2023 年 8 月推出首款通用人形机器人 H1，此后已发布四个系列的人形机器人产品，并把四足机器人拓展至科研、工业巡检、应急救援和智能服务等场景。宇树科技的科创板上市申请于今年 3 月获上交所受理，6 月通过上市委审议，7 月取得中国证监会注册批复；中信证券担任保荐人和主承销商。iPhone 国行 AI 采用双轨制：千问接入 Apple 智能，苹果与阿里联合训练专属模型爱范儿从阿里巴巴方面获悉，阿里千问将作为 AI 能力集成至 Apple 智能，覆盖中国市场的 iOS、iPadOS、macOS 和 visionOS。用户无需在应用间切换，即可在苹果设备上调用千问的文本与图像理解、内容生成等能力。这项合作同时包含更底层的第二条路径：苹果与阿里将为中国市场联合训练专属大语言模型。千问承担现阶段的能力接入，联合训练模型则进入 Apple Foundation Models 体系，面向中国用户与本地服务重做模型底座。今年 7 月，国家网信办公布的新一批手机端侧生成式人工智能服务备案中已经出现「Apple 智能」。路透社此前援引三名知情人士称，苹果已经针对中国市场训练一款大语言模型，阿里参与开发并为训练提供支持。Josh D’Amaro：迪士尼下一步要把技术、故事与全球业务真正连起来出任迪士尼 CEO 5 个月后，Josh D’Amaro 在 D23 接受 Deadline 采访。他把自己的首要任务概括为持续产出最好的电影、乐园项目和百老汇作品，同时在技术与媒体交汇处寻找新的讲故事方式。D’Amaro 认为，迪士尼同时拥有 ESPN、流媒体、乐园、电影和 IP，真正的优势来自这些业务协同运转。一段故事可以从影院延伸到 Disney+、主题乐园和 D23 社群，覆盖多个渠道。其他媒体公司都在尝试变得像迪士尼。他也承认，这套组合只有在各部门真正协同时才成立。相比为单项业务设定孤立目标，他更关注如何用技术放大故事，并让全球不同市场共享同一套内容与体验能力。D’Amaro 1998 年从迪士尼乐园的基层岗位开始职业生涯，至今已在公司工作近 30 年。他把这种经历视为制定战略的基础：乐园员工每天直接面对游客，电影和流媒体团队则负责持续创造让游客愿意走进乐园的故事，两端必须互相理解。他没有把技术描述为独立产品线，也没有给出具体收购或平台计划。其边界很明确：技术应服务于故事与体验，衡量标准仍是观众是否愿意在不同场景里继续接触同一个迪士尼世界。法国税务系统遭入侵，逾 60 万名纳税人和企业资料外泄法国财政部确认，税务总局 DGFiP 遭遇网络攻击并发生数据泄露。黑客在犯罪论坛出售的文件包含略多于 60 万条记录，每条对应一名纳税人或一家企业。《世界报》检查样本后发现，泄露内容包括姓名、家庭住址、电话号码、参考应税收入、税率和家庭受抚养人数。攻击者曾宣称影响数千万人，但这一说法更接近被访问数据库的总体规模，不能等同于已经外泄的记录数。财政部称，系统在 6 月底例行检查中切断了非法访问，但当时没有发现数据已被提取。部门将报案并向法国数据保护机构 CNIL 通报。小米 SU7 系列交付突破 50 万台，用时 28.5 个月小米汽车 8 月 17 日宣布，SU7 系列累计交付突破 50 万台，从首款车型上市到达成这一里程碑用时 28.5 个月。SU7 系列的产品时间线包括：第一代小米 SU7 于 2024 年 3 月 28 日上市，小米 SU7 Ultra 于 2025 年 2 月 27 日上市，新一代小米 SU7 于今年 3 月 19 日发布。小米汽车 7 月披露，SU7 与 YU7 两个系列累计交付量已超过 70 万台。李书福将辞任吉利汽车董事会主席，安聪慧接任吉利汽车控股有限公司宣布调整管理层。自 8 月 18 日起，李书福将辞任公司董事会主席及执行董事，转任终身荣誉主席；他将继续担任浙江吉利控股集团董事长。安聪慧将接任吉利汽车董事会主席。安聪慧 1996 年加入吉利，历任工程总指挥、总经理、副总裁及总裁，目前同时担任浙江吉利控股集团 CEO；今年 6 月，他已重新获委任为吉利汽车执行董事。本次调整还涉及三项职位变动：李东辉辞任董事会副主席并继续担任执行董事；桂生悦由行政总裁转任董事会副主席；淦家阅接任行政总裁，负责公司日常运营与长期战略执行。大疆诉美国国防部案发回重审，法院要求重新检查列名依据美国哥伦比亚特区联邦巡回上诉法院 8 月 14 日裁定，将大疆挑战美国国防部「中国军事企业」列名的案件发回地区法院重新审理。上诉法院认为，下级法院在审查「大疆是否对中国国防工业基础作出贡献」这一核心问题时存在缺陷，现有证据不足以支撑原有审查结论。地区法院接下来需要重新检查行政记录，包括非公开的机密材料，再判断大疆是否符合列名条件。大疆于 2022 年 10 月首次被美国国防部列入相关清单，2024 年 10 月提起诉讼；地区法院在 2025 年判决美国国防部胜诉，大疆随后上诉。此次裁定撤回原有审查结果并启动重审，但不会直接把大疆移出清单。段永平基金重新买入阿里，英伟达持股数量环比减半H&H International Investment 向美国证券交易委员会提交的 13F 文件显示，截至 6 月 30 日，其美股持仓共有 18 项，总市值约 191.01 亿美元。与一季度相比，基金新建仓阿里巴巴 30.14 万股；拼多多持股由 1974.83 万股增至 2502.21 万股。苹果持股由 2894.56 万股降至 2709.87 万股，英伟达则由 1384.38 万股降至 628.07 万股。苹果仍是第一大持仓，期末市值约 78.41 亿美元；拼多多和英伟达的期末市值分别约为 19.09 亿美元和 12.57 亿美元。13F 反映的是季度末持仓快照，并不披露具体买卖价格或之后的变动。黄仁勋：AI 工厂正在成为一种可投资的基础设施资产英伟达 CEO 黄仁勋在署名文章中表示，公司与 Apollo、BlackRock、Blackstone、Brookfield、Goldman Sachs 和 KKR 建立合作关系，创建独立融资平台，计划逐步调动超过 5000 亿美元的第三方资本建设 AI 基础设施。他把 AI 工厂定义为一套包含加速计算、网络、系统软件、AI 框架与开发者生态的平台，而非单一芯片。语言、视觉、语音、生物学、物理 AI 和机器人模型可以共享同一套基础设施；客户需求变化时，设备也可以重新部署给其他云、运营商或企业。CUDA 的持续优化则会提高已部署设备在生命周期内的性能与效率。在 AI 领域，计算就是收入。黄仁勋强调，超过 5000 亿美元

4000 万美元，约合 2.7 亿元人民币。一辆尚未正式交付的纯电汽车，就这样刷新了新车拍卖纪录。更夸张的是，它的普通版本「只卖」 425 万元。创造纪录的是法拉利首款量产纯电车型 Luce。上周，一辆法拉利 Luce「Tailor Made」在美国加州蒙特雷举行的 RM Sotheby’s 拍卖会上成交，最终落槌价整整 4000 万美元。国内有些媒体把它称作 Luce 的「原型车」或「工程车」，实际并非如此。这辆车其实是 Luce 的首辆量产车，拥有一个写着「Chassis 0」的专属铭牌。拍卖结束后，它还要返回意大利马拉内罗进行交付前的准备，预计到 2027 年第一季度才能交付。所谓的「0 号底盘」已经足够特殊，法拉利又通过「Tailor Made」这个标签给这辆车加了一层唯一性。它的车身采用法拉利专门开发的半哑光珍珠漆，随着光线强弱和照射角度变化，白色漆面会浮现出绿色至紫色的虹彩。车内用上了带有金属光泽的珍珠白皮革，原本黑色的部分则改成中灰色。换句话说，这是一辆从编号、配色到材料都搞特殊的特别版。Luce 本身也和人们熟悉的法拉利不太一样。它是四门五座车型，车长超过 5 米，定位更接近高性能豪华 GT，而不是低矮、紧凑的双门超跑。整车由法拉利设计中心与苹果前设计师 Jony Ive、Marc Newson 创办的 LoveFrom 共同设计，座舱没有照搬时下流行的「巨型平板」，依然保留大量实体按键和旋钮。Luce 的动力来自四台电机，综合最大功率约 772 千瓦，相当于 1035 马力；零百加速约 2.5 秒，0-200km/h 加速约 6.8 秒，最高车速超过 310km/h；122kWh 的电池可以提供约 530 公里的 WLTP 续航，并支持最高约 350 千瓦的快充。虽然动力形式变了，但法拉利还是想保留一些听觉上的反馈。Luce 会采集后轴电机的机械振动，经过一些处理后在车内外放大，声音会随转速和负载实时变化。只是相比这套技术，车迷们更在意的问题是：它还像不像一辆法拉利。Luce 在欧洲的起售价为 55 万欧元，约合人民币 460 万元，是法拉利价格最高的常规量产车型之一。但价格越高，争议也就越大，不少人批评它不像法拉利，四门五座的比例和极简设计也招来大量调侃，法拉利股价一度明显下跌。不过，网友们的锐评和 Luce 的订单并没有走向同一个方向。《金融时报》援引知情人士的消息称，法拉利为 2026 年安排的近 500 辆 Luce 配额，在发布后不到两个月就已经售空了。法拉利倒是没有确认具体数字，但 CEO Benedetto Vigna 表示，Luce 的订单进展符合预期，买家既有老客户，也有首次接触法拉利的新客户。而这次豪掷 4000 万美元的人，是 87 岁的美国亿万富翁赫伯特·韦特海姆，福布斯目前估算其身家约 49 亿美元。他是验光师、发明家，也是美国眼镜光学材料公司 BPI（Brain Power Incorporated）的创始人，还是一名长期向大学、医疗和教育项目捐款的慈善家——这次用于拍卖的 4000 万美元将全部捐给法拉利基金会（Ferrari Foundation），用于支持教育项目。这已经不是韦特海姆第一次用天价买下法拉利。2025 年，他曾以 2600 万美元拍下 Daytona SP3「599+1」。那是法拉利在原定 599 辆之外额外制造的唯一一辆 SP3，同样由 Tailor Made 部门打造。短短一年，他就把这项纪录翻了近一倍。▲Daytona SP3「599+1」拍卖行还免除了这辆 Luce 的买家佣金，因此公开的 4000 万美元就是落槌价，不包含通常另计的服务费。它打破的是新车拍卖纪录，也成为目前公开成交价最高的纯电车。不过，倘若把老车算进来，汽车拍卖最高纪录仍属于 2022 年以 1.35 亿欧元成交的梅赛德斯-奔驰 300 SLR，大致相当于 10.5 亿元人民币。韦特海姆显然不准备等它慢慢变成古董。▲梅赛德斯-奔驰 300 SLR过去一年，他先后买下两辆截然不同的法拉利：一辆装着 6.5 升 V12，一辆连发动机都没有，恰好站在法拉利的两个时代。去年是「599+1」，今年是「0」。数字越来越小，落槌声倒越来越响。

说到 Anthropic，它就像是AI 领域的康复新液——大家或多或少容易对它感到恶心，但效果确实摆在那里，捏着鼻子也得用。更糟糕的是，A 社自己也清楚这一点，并由此养成了一个非常恶劣的习惯：喜欢当用户的爹。图｜彭博社最明显的表现之一，就是 Anthropic 上周宣布的「全体用户强制文字水印」事件。事情的起因依然是欧盟，欧盟《人工智能法案》中最新生效的条款 Article 50(2) 作出了如下规定：自 2026 年 8 月 2 日起，所有提供生成合成音频、图像、视频或文字的 AI 系统——包括通用 AI 系统——必须确保输出结果包含「机器可读的标记」，并能够被检测为 AI 生成或修改的内容。图｜artificialintelligenceact.eu为了响应号召，Anthropic 先在 7 月签署了欧盟《人工智能生成内容透明度行为准则》，然后做出了如下部署：未来，现有 Claude 模型生成的文字中将会带有水印，且 8 月 2 日或之后推出的新版本模型从发布第一天起就会内置文字水印。A 社的私货藏不完需要注意的是，这次 Anthropic 为了遵循欧盟法规而添加的文字水印，和今年年初为了标记中国用户采用的「字符水印」不是同一种东西。简单来说：Claude 水印从之前「加入用户无法辨别的字符」转成了「在输出结果中使用可以被识别的特定频率字词组合」。官方效果演示｜Claude从原理上讲，Anthropic 这次使用的水印参考自谷歌的 SynthID-Text，是一种「统计水印」——即挑选候选词时，根据事先设定好的密钥，让 AI「有规律」地选择一些同义词，在生成文本足够长之后就会形成可机器识别的特征。图｜Android Police比如你和 Claude 讨论天气，Claude 可能这样回答：北欧的秋冬季节天气很冷，天色很「阴沉」，环境色调将会变得「压抑」，整体呈现「铅灰色」……对人类来说，把上面的阴沉换成阴郁、压抑换成晦暗、铅灰色换成深灰色不会影响理解，也基本不改变原意：图｜Lorena Pop但对电脑来说，「阴沉 + 压抑 + 铅灰色」的组合对应了某个密钥的选词特征，从而让这段话可以被识别为「有 AI 参与」的文本。此外 Anthropic 还在社区公告中针对 Claude 水印做了一些补充说明，比如：Claude 生成的文本中不会添加任何额外内容，也不存在隐藏字符水印不需要额外消耗 Token，因此不会增加使用成本水印不携带任何身份信息，无法追溯到某个具体的人、组织或聊天记录然而还是那句话——Anthropic 水印看着很规范，也有欧盟法规这种冠冕堂皇的大旗，但 A 社堪称「劣迹斑斑」的前科还是很难让人完全信任它。果不其然，Anthropic 就在这种纯粹技术合规的事情上玩起了「私自加码」的操作：欧盟《人工智能法案》理论上只针对欧盟地区的用户，但 Anthropic 决定直接全球上线、不给非欧盟用户任何选择空间，举手投足间还是那股熟悉的「爹味」。图｜X @pmddomingos结果 Claude 强制加水印的消息出来没多久，就有人在 Github 上发布了专门用于清洗 AI 水印的开源工具，仅仅五天就收获了超过 1.1 万个星标：项目地址：https://github.com/guillaumemeyer/watermarks-remover更搞笑的是，尽管 Claude 会拒绝安装这个 skill，但如果去看 Github 贡献榜，就能看到它的源码有一部分就是 Claude 写的：当然还有更直接的，可以用 Declaude 这个路由站直接将文本丢给干净的模型「洗一遍」，去除统计水印：项目地址：https://declaude.org谁有权帮用户做决定Claude 一边加水印、一边帮忙写去水印工具这件事虽然搞笑，但的确抛出了一个很严肃的问题：在 AI 内容泛滥的今天，谁有权判定应该在什么场合下添加水印？谁又有权监测和使用这些水印？图｜New York Times毕竟引起用户普遍反感的，除了阿莫代伊喜欢扮演 AI 灭世论中的救世主之外，最关键的其实是 Anthropic 的「一刀切」政策——不止是生成文字，你让 Claude 翻译一段文献、优化你写的简历，甚至单纯是检查语病或者错别字，都有可能会被带上水印。图｜Anthropic针对这种不分青红皂白就加水印的不负责行为，知名科技分析师 Ben Thompson 给出了一段尖锐的评价：LLM 首先是一种由人使用的工具，如果一个人完成研究、观点和初稿，只让模型润色，把最终作品标记成 AI 内容，就类似于因为文章是用铅笔写的而要求把铅笔列为作者。最让人无语的是，Anthropic 自己是知道这个问题的，但他们选择在社区公告中一笔带过，没有提供任何有意义的解决方案。然而现成的例子就摆在眼前—— Adobe Photoshop。Adobe 同样会强制在 PS 中添加用于标记 AI 内容的 C2PA 水印，但从上线第一天就明确规定了「仅在使用 Firefly 生成式工具后才会添加」：图｜The Robo Collective换句话说，你用 PS 裁剪一张照片、手动调色、修图、拼贴等等，是不会产生任何 AI 水印的，手动工具依然是手动工具。然而「什么场景加水印」还不是重点，对于 AI 工具用户影响更大的，其实是「你的甲方怎么想」，或者说AI 水印背后的社会解释问题。由于 Claude 这种完全不区分使用场景的不负责行为，公司、学校、出版社、媒体平台等等很容易形成一个同样偏颇的判断：有 AI 水印存在 = 你的东西是 AI 生成的。图｜WIRED尽管 A 社说「检测到水印仅代表内容可能经过 Claude 处理，不等于 Claude 生成」，但每天面对几千几万份内容的发行方会有精力和能力去一一判断吗？根本不可能。这样一来，Anthropic 的水印政策严重影响了那些将 Claude 或者其他 AI 工具当作「创作辅助」的用户，更是为「赛博猎巫」提供了巨量的误伤机会：使用 AI 生成更何况它的水印还不是万无一失的——哪怕是用 Claude 写的 AI 泔水，写完之后丢给某个不带水印的模型做一次「重写」或者「重构」，就能清除大部分统计水印的痕迹。这也是 2024 年 OpenAI 研究 ChatGPT 文字水印时，最终没有选择全面部署的重要顾虑之一。OpenAI 当时公开指出，循环翻译、新模型重写等「全局编辑」手段可以轻松绕过类似 SynthID-Text 这样的统计水印，并且大规模应用后误报率也会被放大，最终影响到用户的整个工作流。图｜CXLAI 当然要管，凭什么是 A 社来管归根结底，Claude 强行加水印招致用户反对，其实是两件事情合力促成的结果。一方面，Anthropic 借着法规强制的名义，用一种极其粗糙和不管不顾的方式，应用了一种本就不太完善的水印机制，活本身就干得就不怎么漂亮。图｜Medium另一方面，Anthropic 或者达里奥·阿莫代伊本人长期想要扮演 AI 时代「救世主」、喜欢带着爹味教育用户的破习惯也终于到了一个大家难以忍受的程度。使用 AI 生成整体来看，行业其实是接受「AI 内容要有标记」这件事的，但对 Anthropic 把一个概率性水印直接和「AI 作品」划等号存在着非常大的抵触。Anthropic 这次真正触碰到的敏感点，是眼下生成式 AI 发展成了集校对、翻译、编程、研究、重写、共创等等的超级工具之后，「这东西是谁写的」已经不再是一个水印能回答的是或否的问题了。

奔驰最近很忙。8 月 17 日晚，官方口中的「新一代 C 级车」完成全球首秀。几天后，奔驰首款国产大型豪华 SUV——全新长轴距 GLE，也将在成都车展登场。一款负责稳住豪华中型轿车基本盘，另一款准备和 X5L 正面过招，两款车级别不同，升级方向倒是很一致：换上最新的星徽设计，接入 MB.OS，引入中国的 AI 大模型和 Momenta 辅助驾驶。奔驰对燃油车的改造，显然已经成体系了。先从个儿小的 C 级看起。自 1982 年问世以来，奔驰 C 级全球累计销量已经超过 1200 万辆，是奔驰历史上最重要的走量车型之一。尽管官方将这次更新描述为「史上最全面技术升级」，但从车身比例、门窗轮廓、座舱结构来看，新车仍属于此前的 W206 系列。它没有换平台，也没有重做车身，所以准确来说，这是一次覆盖设计、智能化和动力系统的中期改款。奔驰首先把变化做在了最容易被看到的地方。新车换装与新一代 S 级相似的发光格栅，格栅内部布满三叉星徽；头灯加入星徽造型日间行车灯，尾灯也采用相同图案，前后形成呼应；打开车门后，外后视镜还会将三叉星徽投射到地面。灯，已经成为这一轮奔驰新车最重要的品牌符号。同时，智能数字大灯也得到升级，照明精度、亮度和能效进一步提升。官方强调，新系统能够更准确地控制光线分布，减少夜间驾驶中的视野盲区。车身侧面则几乎没有变化，长车头、短前悬以及向后收紧的车顶曲线都延续下来。可见，奔驰并没有打算推翻 W206，而是通过新的设计和技术，让这套成熟架构继续发挥余热。座舱同样以优化为主，独立数字仪表、竖置中控屏和三个圆形出风口得以保留，全新多功能方向盘重新引入拨杆和滚轮等物理交互，让高频功能的操作变得更直接，同时降低了行驶过程中的误触概率。升级后的 Burmester 3D 环绕立体声音响配备 15 个扬声器，支持杜比全景声，并提供 10 档空间效果调节。对中国用户来说，更重要的变化藏在屏幕后面。新款 C 级用上了奔驰自研的 MB.OS 架构，车机和智驾功能都能 OTA 持续升级。座舱里多了个叫「小奔」的虚拟助手，它接入了豆包大模型，能跟你连续、自然地聊下去，还会看脸色调整语气。辅助驾驶这块，奔驰继续和 Momenta 搭档。新款 C 级会配备中国专属的城区和高速领航辅助，国内不同城市、不同路况都能覆盖。等后续 Momenta R7 世界模型上车，系统的空间感知和对物理环境的理解会更强，最终实现从自家车位到目的地车位的连续辅助驾驶。动力部分，新款 2.0T M 254 EVO 四缸发动机换用了第二代智能电机系统，电机可额外提供 17 千瓦功率和 205 牛·米扭矩，48 伏系统支持滑行、启停及能量回收。另外，全新电动辅助增压器可以在毫秒级建立压力，重点改善低转速响应。它不会让 C 级突然变成性能车，但在起步、跟车和中途再加速时，动力输出会更快、更顺。底盘继续采用前四连杆、后五连杆结构，悬挂号称经过了重新调校，在提升转向响应和弯道支撑的同时，保留长途的舒适性。如今，W206 这代 C 级，已经走到了产品周期的后半段，在全新换代车型到来之前，奔驰需要一次足够有力的中期改款，来维持这款核心车型的市场存在感。这次升级的重点其实并不在外观，新的星徽灯组固然能让前脸看起来更精神，但真正有竞争力的更新，是智能化和动力总成的两处补全。虽然这不是一次换代，但对于奔驰 C 级而言，这次改款或许比一次常规的换代更有战略意义。迟到四年才国产，GLE 面对的已不只是 X5L再来看 GLE，奔驰为这辆车补上的不只是设计和智能化，还有迟到了好几年的国产化。早在 2022 年，宝马 X5L 就已经在沈阳投产，更长的轴距和更舒适的后排，让 X5L 的销量迎来爆发式增长。上市当年，国产 X5L 交付超过 5 万辆；2023 年突破 5 万辆只用了 7 个月；截至 2025 年末，它的累计销量已经超过 30 万辆。对于一款售价超过 50 万元的大型豪华 SUV 来说，这样的表现足以用「卖爆了」来形容。X5L 的成功不只是销量，它把过去依赖进口、相对小众的大型豪华 SUV，做成了一款能够持续放量的国产车型，也提前占住了「豪华大五座」的用户认知。GLE 晚到四年，丢掉的不只是销量，还有定义这个市场的先手权。更棘手的是，国产 GLE 今天面对的市场，早已不是四年前的市场。首先，宝马没有在原地踏步，他们今年 7 月发布的新款 X5L 和 iX5 已经瞄准下一轮产品周期——后排空间、数字化体验、电动布局都在继续加码。另一股压力来自问界 M9、理想 L9 等国产高端新能源SUV，它们正在用六座布局、智能座舱和更好用的辅助驾驶，重新定义家庭用户对大型豪华 SUV 的期待。对 GLE 而言，国产只是拿到了入场券，它接下来要面对的，是两条完全不同的战线。根据已经公布的信息，国产长轴距 GLE 车长约 5051 毫米，轴距达到 3115 毫米，相比海外标轴车型增加 120 毫米。国产 BMW X5L 车长约 5060 毫米，轴距 3105 毫米，两款车的尺寸几乎完全重合，GLE 的轴距还多出 10 毫米。不过，GLE 没有跟进当下热门的六座布局。工信部申报车型仍为五座，增加的 120 毫米轴距主要用于扩大第二排空间，并改善座椅舒适性。这是一个相对稳妥，却也带有风险的选择。大五座可以继续覆盖商务、长途和传统豪华 SUV 用户，也能避免与三排座的 GLS 发生过多重叠。但面对国内快速增长的大六座市场，GLE 很难成为多孩家庭直接替代问界 M9、理想 L9 的选择。换句话说，国产 GLE 在空间上追平了 X5L，却没有完全进入这一轮六座家庭 SUV 的核心战场，它争夺的仍是传统大型豪华 SUV 用户。国产 GLE 在智能化方面和新款 C 级是一样的，MB.OS 负责底层架构，豆包改善座舱交互，辅助驾驶则由 Momenta 负责。至于它的动力，根据此前申报信息，GLE 350 L 将搭载最大功率 190 千瓦的 2.0T 发动机，GLE 450 L 则采用最大功率 280 千瓦的 3.0T 直列六缸发动机，并配备 4MATIC 四驱系统。3.0T 直列六缸的保留很关键，当智能化和「冰箱彩电」逐渐成为大型 SUV 的共同语言，机械素质仍是 GLE 区别于国产新能源车型的重要筹码，也是它与 X5L 正面竞争的基础。普通版走向国产后，性能旗舰继续由进口车型承担。新一代 AMG GLE 63 S 搭载 M 177 EVO 4.0 升双涡轮增压 V8 发动机，改用平面曲轴，最大输出 612 马力、850 牛·米，零百加速 3.9 秒，第二代 ISG 还可以额外提供 23 马力和 205 牛·米。当然，这辆车的意义不在销量。当国产的长轴距版本下场冲击主流市场时，AMG 的 V8 至少维持住了 GLE 在性能层面的体面。

今年我很喜欢的一部科幻剧集《同乐者》里，一段来自太空的信号，把地球上大多数人连接进同一个意识网络。一个人的需求，很快就会变成整个网络的行动。只看「一个节点提出需求，整个网络协同行动」这个设定，我会发现它与今天的 Agent 趋势意外地相似。前 OpenAI 联创 Andrej Karpathy 认为每个人、每个组织都会拥有自己的 Agent，「我的 Agent 会和你的 Agent 沟通」。如今，这个未来已经在走进现实：AI 开始离开聊天框，进入手机、汽车和眼镜，也融入各种服务系统。但每个 Agent 都只掌握现实世界的一小部分——手机知道日程，汽车知道位置，商家知道库存。信息彼此割裂，再聪明的 Agent 也很难把一件事真正办完。最近，在杭州举行的支付宝 AI 生态合作伙伴大会上，支付宝事业群总裁李俊分享了一个发生在自己身上的小变化。过去走出机场，他要背着包、打开小程序，再一步步完成叫车。现在，他只需要对阿宝说一句：「帮我叫辆车去公司，再顺便在公司楼下的星巴克点杯咖啡。」等到第二天上班路上，他再补上一句：「把昨天行程的电子发票开好，发到我邮箱。」事情就办好了人只说了一句话，背后是一串 Agent 在接力。当 Agent 从一个个数字孤岛连接成网络。在昨天的AI生态大会上，爱范儿看到这个趋势还在加速。支付宝发布了 AHA（Agent Hub Access）多智能体跨端互联协议体系，同时推出全栈智能体商业底座和智能经营激励计划。一边连接更多终端，一边推动更多商家和服务进入这张智能体网络。这些动作核心想回答一个问题：Agent 怎样找到彼此，抱团办事。这可能才是智能体商业真正开始的地方。一个 Agent，不够用了现实世界的服务天然是分散的，单个 Agent 的能力也因此必然有边界。任务一旦跨过多个服务，协作就成了必需。Anthropic 最近做了一个特别的多智能体研究，让 45 个 Agent 同时进入一个共享代码库寻找软件漏洞。更多 Agent 确实发现了更多问题，但新麻烦也随之出现——因为不知道其他 Agent 正在做什么，一些 Agent 开始争夺任务、互相干扰，甚至发生冲突。这很像一个没有组织架构、没有权限系统的公司，突然来了几十个非常勤奋的新员工，每个人都在努力工作，但努力不等于能协作好。「模型能力已经超过了全产业的组织能力」，在大会圆桌上 OPPO 副总裁唐凯给出了这样的判断，「基于模型做一个体验不错的 to C Agent 产品已经不难，难的是数据、服务和生态依然是一座座孤岛。」当被问及这个差距多久能赶上，蚂蚁集团 CEO 韩歆毅也没回避：「实话实说，按照现在技术的发展，可能永远赶不上。技术只会跑得更快，产业能做的是加速协作。」支付宝的做法，是先把散落在现实世界的生活服务，改造成 Agent 可以直接调用的能力。自 6 月开放测试以来，超级服务智能体「阿宝」已完成万余项服务的智能化适配，覆盖出行、餐饮、文旅、政务民生等八大场景。这套能力也没有局限在支付宝里面，目前它已经和 5 家主流手机厂商打通跨端协同，合作厂商市场份额超过 70%；车端覆盖 16 家主流车企品牌，并与 60 余家车企达成合作意向；AI 眼镜、智能手表、大模型 App 也在陆续接入。所有接入支付宝的智能服务还将无缝通到千问，首批 50 多个服务已经接入。这意味着未来作为超级服务入口的智能终端们，包括华米 OV 荣耀、比亚迪、理想、蔚来汽车、千问眼镜等，用户在这些产品上在使用智能体服务时，背后可能是阿宝在默默发力。而要让跨厂商和应用的智能体一起办事，最重要的是解决信任和协作的问题。唐凯用「三堵墙」复盘了与支付宝合作的过程：先解决的是信任的墙，接着是技术的墙，A2A 很快就接上了。但双方很快发现了第三堵墙——很多服务带有支付和金融属性，安全与互信怎么办？AHA协议体系正是在解决这堵墙的过程中被开发出来的，支付宝希望通过它把过去一次次单独的产品对接，变成一套可以复用的连接方式，让不同行业、厂商、终端的 Agent 能够彼此发现、传递任务。韩歆毅补充了一个更具体的细节：合作之初，双方一直在争论小布唤起支付宝服务时要不要跳转 App，「我们一开始坚持跳端，毕竟是 DAU，毕竟是流量。但最终共识是交给用户体验说了算。真正的用户开始用了，总体的大盘子反而在增长。」今年 7 月，OPPO 小布通过 AHA 一次性接入阿宝近 200 项生活服务，实现一句话完成电影购票、外卖点餐。这种”系统级 Agent 连接用户、专业 Agent 提供服务、多个智能体共同完成任务”的分布式格局，也是 OPPO 对未来智能体生态的判断。据了解，这次合作带动支付宝在 OPPO 手机上的活跃度新增 200 多万。爱范儿留意到这套合作的技术细节很有意思，用户对小布下需求，小布理解意图后把活派给阿宝，阿宝在自己端内完成履约和支付——用户隐私和偏好留在小布，服务履约留在阿宝，两边权责分离、互不越界。因此，AHA 在支付宝内部还有另一个更接地气的名字：agent helps agent。AHA 并不是支付宝的「独角戏」，目前阶跃星辰的 AI 终端已经通过 AHA 接入阿宝。支付宝还拉来了 20 多家手机厂商、车企和大模型公司，共同推进多智能体互联协作。这意味着，多 Agent 协作不再只是 PPT 里的概念，来自不同终端的 Agent，已经开始坐到一张桌上，一起替用户办事了。Agent 互联，与新经济智能体商业不只需要 Agent 互联，还需要重新改造数字商业的基础设施。身份、授权、支付、履约，都得变成 Agent 可以理解和调用的能力，支付宝同步发布的「全栈智能体商业底座」，就补上了重要的一块拼图。一家没有 AI 团队的餐厅，可以把已有页面、商品和服务流程交给支付宝 AI 开放平台托管，转化成 Agent 可调用的 Skills、MCP 等标准能力；有开发能力的商家，可以创建自己的 Agent，处理推荐、会员运营等任务。商家只适配一次，服务就有机会进入手机、车机、AI 眼镜和大模型应用。全球范围内，越来越多公司在完善这块拼图：OpenAI 与 Stripe 的 Agentic Commerce Protocol 把商品、结算和订单整理成 Agent 能理解的流程；Cloudflare Wallets 把人和 Agent 的钱包分开，人为 Agent 设置额度和上限，预算用完，Agent 仍要回到人这里申请。需求端已经在排队：自 7 月支付宝 AI 开放平台上线后，一些商家的开发需求排到了明年。为降低门槛，支付宝推出「智能经营激励计划」——支付费率打折，个人开发者免费，另有算力补贴和成交激励，并开放会员、优惠券、信用等 57 项经营能力。蚂蚁集团 CEO 韩歆毅把未来 6—12 个月看作一个关键窗口，他认为智能体商业将在这段时间迎来爆发，Agent 会成为亿万用户与千万商家之间的新载体。他还给出了更细的时间表：三个月内会有一部分商家初步感受到价值，六个月左右、差不多明年春节后会有越来越多商家加入，真正的爆发点，在明年下半年是有可能出现的。他给出的理由是，AI 能力、用户需求和商业闭环开始在同一时期成熟。模型能够处理更长的任务，用户开始愿意把过程交出去，交易与履约则让一次调用有机会成为可以持续的生意。韩歆毅用了一个「四次方」来形容智能体商业的增长空间：未来，大家将来面对的不是 14 亿人，而是每个人有 10 个智能体——140 亿个智能体。用户的意图将越来越丰富，需求数量是一个二次方，商家把服务原子化放进智能体网络，服务数量是另一个二次方，我们相信很快会看到需求爆发的拐点到来。关于商业模式的走向，支付宝跟终端厂商的判断也正趋于一致。OPPO 副总裁唐凯在圆桌中表示，未来 1—2 年，Agent 的商业模式将「从卖模型、卖 Token、卖工具，走向卖任务、卖结果、卖生产力」；vivo 副总裁周围则认为：「移动互联网卖的是触达，智能体时代卖的是结果。」智能体商业的未来，拼的不只是聪明移动互联网把无数服务装进了一块屏幕，但寻找入口、比较选项、确认支付，始终是人的工作。过去二十年，是人学习怎样更高效地操作机器。Agent 想改变的，恰恰是这件事。就像韩歆毅在现场说的：「过去二十年，人学着用机器的语言表达需求；未来二十年，机器学着用人的语言理解需求。」吉利首席工程技术科学家任向飞给这轮变革下了个定义：如果说 PC 是信息的数字化，Web 是信息的互联化，移动互联网是服务的即时化，那么 Agent 就是「意图的自主化」。韩歆毅则进一步解释了背后商业逻辑的变化，流量时代，商家盯着的是一只漏斗：曝光、点击、转化，用户在每一层不断流失。到了智能体时代，意图理解更像一个放大器。谁更懂用户真正想要什么，谁就更有机会把一次需求，放大成一整套服务。商家的竞争，也因此从「如何被看见」，转向了「如何被理解」。李俊举了一个更日常的例子，他说最近应酬多了，用户让阿宝叫一辆代驾，这并不难。真正让他期待的是：代驾把人送回家后，一瓶电解质水也已经送到；第二天早晨，醒酒早餐刚好备好。用户没有把这些话说出来，但 Agent 能从上下文里猜到他的潜在需求，并把事情提前办了。「这才是未来智能体商业真正会进入每个人生活的地方。」对商家来说也是一门新功课。过去，商家经营的是页面、关键词和流量入口；接下来要经营的，是自己的服务能不能被 Agent 识别、理解，并在合适的时刻被调用。支付宝 AI 生态多端互联业务负责人王翼飞举了一个例子，同样订酒店，考研房、电竞房是同程的强项，高端亲子度假是携程的专长——把差异化服务能力定义清楚，不同意图下的需求，就会给到不同的平台，「如果你没有任何差异化，那就还是流量分配的逻辑。」从这个角度看，支付宝正在尝试把自己放在模型理解需求和现实服务交付之间，成为一个「服务中枢」。当然，用户愿意委托的前提，是不能失去控制。vivo 副总裁周围指出跨端协同真正的挑战，可以归结为三个信任问题：Agent 之间的信任——怎么证明你是你；权限的信任——能调用到什么程度；结果的信任——出了错谁负责。他给出的设计原则是「端管身份、云管能力、平台管责任」。但要让不同平台走向开放合作，仅靠技术协议还不够。在韩歆毅看来，这个生态真正的挑战，「不在于能力，不在于技术本身，而是背后整个利益分享的机制」——而且这套机制很难被谁设计出来，只能由生态各方一起磨出来。支付宝相关负责人在接受采访时也坦陈，现阶段的任务是让生态繁荣，「先把蛋糕做大」，分蛋糕还太早。唐凯表示：「蛋糕不做大，利润只是从 A 公司流转到 B 公司，那这堵墙迟早还是会建起来。」这也是智能体网络比过去的互联网更复杂的地方：既要让能力流动，又要给这种流动划出边界；需要让各方愿意开放，同时得保证开放之后不会失控。1960 年，控制论奠基人诺伯特·维纳在曾提醒道：「我们必须确保，放进机器的目的，正是我们真正想要的目的。」他讨论的是行动太快、结果难以逆转的自动化系统。比起 AI 在聊天框给了一个错误回答，现在 Agent 开始替人订票、叫车、下单和付款，错误的影响会在现实世界中被放大。周围在圆桌上也说，如果这个新经济最终没有形成，最可能卡在支付与责任的「最后一米」。因此，智能体商业真正成熟的标志，也许不止是AI 能替我们做多少事，更重要是建立了一套机制让它知道：什么时候应该行动，什么时候应该停下来，再问一句：「你确定是这个意思吗？」未来真正有价值的 Agent，会在人说出「帮我办了吧」之后，找到其他 Agent，把事情顺畅地办完。也会在这句话没有说清楚的地方，停下来。