RabbitVis – 兔展智能推出的一站式 AI 设计生产工具AI工具4小时前发布AI小集03RabbitVis是什么RabbitVis 是兔展智能推出的图层级一站式AI 设计生产工具，基于自研 UniWorld-Design 视觉大模型，将 AI 生成能力与图层编辑能力深度融合。工具能通过自然语言生成海报、电商详情页、杂志内页等复杂设计内容，支持生成后的持续图层级编辑，包括去背景、文字修改、元素替换、透明素材提取等，解决传统 AI 生图只能生成、无法修改的痛点，让 AI 真正走完设计全流程。RabbitVis的主要功能智能生成：支持一句话生成海报、杂志跨页、电商详情页、信息长图、学术海报、财务分析报表等多种专业设计内容。透明素材生成：根据文本描述直接生成带透明通道（RGBA）的设计元素，可直接拖拽复用于其他设计场景。图像分层拆解：将生成的完整图像自动拆解为背景、主体、文字、装饰等多个独立可编辑图层，为后续调整提供基础。自然语言编辑：支持用自然语言指令完成去背景、图像编辑、文字编辑、橡皮擦等操作，无需掌握 Photoshop 等专业软件。中文高密度排版：针对中文场景深度优化，支持复杂艺术字体、图文交错、信息图表等高密度中文排版，效果清晰准确。如何使用RabbitVis访问官网：访问RabbitVis 官网 https://rabbitvis.rabbitpre.com/ 进入 RabbitVis 平台。描述需求：在输入框中用自然语言描述想创建的设计内容，如”生成一张618大促海报”或”设计一份杂志内页”。AI 生成初稿：系统自动生成包含完整排版、图片和文字的设计初稿，支持选择不同风格模板。图层级编辑：通过自然语言指令对设计进行持续调整，如”把 LOGO 往左移””放大标题字号””替换背景图”等。导出交付：将完成的设计导出为可交付资产，透明素材可单独下载复用。RabbitVis的核心优势图层级深度编辑：突破传统 AI 生图生成即终点的局限，支持将设计内容拆解为独立图层，实现生成后的持续修改、元素替换与文字调整。透明素材直出：根据文本描述直接生成带透明通道（RGBA）的设计元素，无需手动抠图可直接复用于多场景设计。中文场景原生优化：针对中文高密度排版深度打磨，支持复杂艺术字体、图文交错与信息图表，解决主流 AI 工具中文乱码与排版错乱痛点。自然语言驱动设计：全程通过自然语言指令完成生成、去背景、改字、调版式等操作，零设计基础用户也能产出专业级视觉物料。产模一体架构：基于自研 UniWorld-Design 视觉大模型，模型能力与产品功能深度耦合，生成、理解、编辑三位一体，越用越精准。RabbitVis的同类竞品对比对比维度RabbitVisRecraft产品定位图层级一站式 AI 设计生产工具，聚焦生成后的深度编辑与图层拆解AI 原生设计工具，侧重矢量图形生成与品牌风格一致性控制图层能力原生支持图像自动分层拆解，背景、主体、文字等元素可独立编辑调整支持基础图层管理，但主要针对矢量对象，位图分层能力有限透明素材可直接生成带透明通道（RGBA）的设计元素，语义匹配度高支持背景移除生成透明素材，但非原生透明通道生成中文排版针对中文场景深度优化，支持复杂艺术字体与高密度图文排版中文支持相对基础，复杂中文字体与竖排场景表现一般编辑方式自然语言驱动图层级编辑，零设计基础即可完成专业级修改偏向传统设计软件交互，需一定设计工具使用经验模型架构基于自研 UniWorld-Design 视觉大模型，产模一体，生成理解编辑统一基于自研 Recraft 模型，侧重矢量生成与风格迁移适用场景电商海报、杂志内页、社交媒体配图等需要反复修改的设计生产流程品牌 VI、图标库、营销插画等风格统一的设计资产创建RabbitVis的应用场景电商营销：快速生成商品详情页、促销海报、主图设计，并支持根据平台要求随时调整尺寸和文案。社交媒体运营：为公众号、小红书、抖音等平台生成配图、封面、信息长图，运营人员无需依赖设计师即可完成日常物料。品牌宣传：制作品牌手册、杂志内页、活动海报等专业视觉物料，支持持续迭代优化品牌视觉一致性。内容创作：自媒体博主、UP 主可用自然语言快速生成视频封面、专栏头图、知识图谱信息图等内容资产。企业办公：财务分析报表、PPT 配图、内部培训材料等商务视觉内容的高效生产。# AI工具©版权声明本站文章版权归AI工具集所有，未经允许禁止任何形式的转载。上一篇InstructAV2AV - 智源联合北大开源的音视频联合编辑模型下一篇Muse Code - Meta 推出的终端编程 AI 智能体相关文章红烛小说 – 字节跳动推出的首款付费网文应用AI小集3Memoripy – 支持 AI 应用上下文感知的记忆管理Python库AI小集3Open NotebookLM – 开源的PDF转播客AI工具，能自定义语气AI小集3RelightVid – 上海 AI Lab联合复旦等高校推出的视频重照明模型AI小集2Ocoya – AI驱动的社交媒体管理平台，多语言营销文案生成AI小集2LongPort MCP – 长桥集团推出的证券业首个券商MCPAI小集3暂无评论再想想发表评论暂无评论…热门工具LoomyLibTV绘蛙AIAiPPT秘塔AI搜索蛙蛙写作堆友Agent美图设计室Sekoupdream秒哒办公小浣熊最新收录青虎AI妙呀纳逗Pro图改改AstraFlow星图不繁简历最新文章秒悟Meoo – 1分钟生成前后端完整的网站，真0门槛开发！30分钟前Acti – AI 智能键盘，一键触发复杂任务31分钟前Muse Code – Meta 推出的终端编程 AI 智能体51分钟前InstructAV2AV – 智源联合北大开源的音视频联合编辑模型5小时前Get3W – AI 模型聚合平台，统一接口自由切换模型20小时前Shieldstral – Mistral AI 开源的多模态内容安全分类模型21小时前MAGI-2-preview – Sand.ai 开源的多模态视频生成模型21小时前SeedRealtime – 字节跳动推出的原生音视频全双工大模型21小时前JoyAI-Video-Edit – 京东开源的实时流式视频编辑模型21小时前Hy ASR 3.0 preview – 腾讯混元推出的新一代语音识别模型1天前Qwen-CUA – 阿里 Qwen 等推出的原生 Computer Use Agent1天前MemHarness – 上海 AI Lab 等推出的智能体记忆重构框架1天前ForgeStencil – 面壁智能推出的 Stencil 全自动研究部署系统2天前Orchard – 微软研究院开源的 Agentic AI 建模框架2天前E-Bench – 腾讯混元等推出的智能体评测基准2天前

说起廉航，你可能做过捷蓝、春秋、九元航空等等，但如果出现一家 DoorDash Air，你敢坐吗？不管你敢不敢，DoorDash Air 都不可能载人——事实上，DoorDash Air 是这家美国外卖送餐巨头最新成立的「自营无人机配送部门」：图｜Business Model Analyst7 月 29 日，DoorDash 宣布自己成功获得了 FAA（美国联邦航空局）的 P135 航空承运人认证，将成立 DoorDash Air 部门负责无人送餐业务的全流程业务。作为美国第八家获得 P135 认证的无人机运营商，DoorDash 将从「租机送货」进化到「自行设计飞行器、建设地面设施并经营配送业务」。亚马逊的配送无人机站点｜Amazon News在官方新闻中，DoorDash 声称距离不超过 5 英里（约 8 公里）的订单，使用自家无人机可以在 25 分钟内完成配送。从亚马逊、美团到 DoorDash，许多外卖和物流企业都在把无人机、无人车和人类送货员编入同一张配送网，比的就是谁能把最后几十米送得更便宜、更安静、更可靠。DoorDash 能飞？明天不行需要泼一盆冷水的是，虽然 DoorDash 此举拿到了「低空经济」的入场券，但距离「DoorDash Air 能飞」还有一段距离。FAA P135 本质上是美国企业用无人机有偿运输物品、进行超视距配送的必要文件，但 FAA 同时规定，运营商仍需针对具体机型、空域和运行方式获得相应授权或豁免。MANNA 公司的物流无人机｜Scientific American换句话说—— DoorDash 拿到了进入空域的资格，但还得继续分区域申请「拉上外卖就开飞」的许可。截至目前，DoorDash 尚未公布自研无人机的外形、载重、量产计划和首批商用地点，现有的达拉斯 – 沃思堡和夏洛特区域无人机配送业务仍需依靠 Wing、Flytrex 等合作伙伴：使用 Wing 无人机配送的 DoorDash｜TheVergeDoorDash 拿到 P135 真正的重点不是「外卖上天」——外卖早就可以上天了，而是 DoorDash 从运力采购者变成软硬件和运营规则的参与者。这和 DoorDash 此前推出的 Dot 无人配送车以及 Autonomous Delivery Platform 是相同的逻辑。在业务地区，系统根据成本、速度、位置等等因素，全自动决定把餐品交给骑手、无人机、道路机器人还是人行道小车。图｜Restaurant Dive从这种混合业务模式也能看出来，无人配送真正的竞争点不是「谁能飞」，而是「谁能把特点各异的配送工具合理分配」。无人配送一定要无人目前全世界的物流和配送公司其实都在加大对于无人配送技术的投入，其中最吸引眼球的路线当然是无人机。毕竟无人机不堵车、在固定空域可以实现全自动的点到点飞行，适合药品、餐食、日用品等重量较轻、时效性较强的订单。图｜Freight People在美国，Wing 公司与沃尔玛已经完成超过 100 万次无人机商业配送，并计划在 2027 年建设超过 270 个无人机配送点，覆盖逾 4000 万美国居民。亚马逊则选择高度整合——订单、仓储、飞机和配送网络都握在自己手里，最新的 MK30 送货无人机已经能够实现自主避障、在小雨中飞行，噪声较上一代降低近一半：图｜Amazon News国内这边，美团则走出了一条更具「基建」色彩的路线：用无人机、自动接驳机场和云端调度系统共同组成一套固定的城市低空航网。截至目前，美团无人机已经完成了超过 100 万单配送，覆盖深圳、北京、上海、广州、香港、迪拜等国内外城市的超过 65 条无人航线：图｜The Standard (HK)但无人机虽然适合被河流、山地和拥堵道路切割的城市空间，但也存在非常明显的局限——无人机可以轻松飞过 5 公里的堵车，却不能直接降落到 25 层的窗户上，不能「送货上门」、用户还是得去特定外卖柜取货。这种时候，道路无人配送车的优势就凸显了出来，不仅能装下更多订单、批量运输，也比无人机更能适应复杂天气和「最后一公里」难题：图｜Digital Purchase Order同样根据美团的数据，截至 2024 年底，其自动配送车已完成近 500 万单配送，帮助人工骑手节省了超过 240 万公里的奔波：图｜美团相比之下，DoorDash Dot 无人送货机器人则选择了比大型无人配送车更细枝末节的道路，利用较小的尺寸尝试解决「直接上门」的问题：图｜DoorDash但是这类小型配送机器人也有自己的挑战——它比行人快、比汽车小，还能在机动车道和人行道上混合行驶，意味着识别算法和行驶算法成倍的复杂。现实就是，不管是无人机还是无人车，没有哪条自动化技术路线能够通吃所有订单。无人机适合轻、小、急订单；道路无人车适合批量运输；小型送货机器人适合短途低速；但真碰上复杂的现实世界突发状况，人类依然是那个最稳妥的兜底方案。无人技术也要有人道考量符合预期的是，在已经开通了无人机配送的区域，真实用户对无人配送并不排斥。根据 AP News 的采访，经常使用 DoorDash 无人机配送的家庭，孩子会专门跑出去看飞机；报名无人机配送的餐厅经营者也评价无人机送餐稳定，甚至整体订单都能有所增长。但同一篇报道里，也记录了很多完全相反的感受——有些用户抱怨无人机噪音像是「巨型蚊子」，部分庭院和树木限制可投递范围，当然还有经典的「摄像头侵犯隐私」：图｜Reddit而在楼宇密集的国内，无人机配送的主要问题则变成了无人机无法「送货到门」、物业不合作，以及支持无人机配送的时段多集中在深夜等等。图｜美团要说 DoorDash Air 拿证的最大意义，在于一家拥有海量实时订单的平台，开始亲自下场生产和掌握飞行运力。但严格来说，它最有价值的资产依然不是无人机或者无人小车，而是知道餐厅何时出餐、哪个路口堵车、以及这一单究竟应该由谁来送的综合配送算法。未来，无人配送大概率不会出现一种设备取代所有骑手的整齐画面。更现实的结果是，机器接管标准化程度高、重复或封闭环境的路段，分散在配送网末端的人类外卖员处理楼梯、物业、临时改址和那句「麻烦放门口，别按门铃」。图｜The Wire China从这个角度看，所谓无人配送系统，真正成熟的标志不是天空中飞满无人机，而是用户下单时根本不用关心来的是飞机、小车还是骑手。技术从体验中消失，才是它最像基础设施的时候。

没有天花板的 G 回来了。7 月 24 日，奔驰在 G 级官方社交账号放出预告，一辆仍带着局部伪装的四门 G 级，在镜头前缓缓收起软顶，织物顶棚向车尾折叠，最终堆在后排座椅之后，前后两排乘员头顶都露出了开口。预告车的直瀑式格栅、侧出排气和 AMG 车牌，都指向了 AMG G 63。奔驰暂未公布正式车型名称、动力、售价和发布时间，但目前能够确定的是，时隔多年之后，G-Class Cabriolet 即将完成回归。新车保留当前 G 级的四门长轴车身，软顶开口似乎进一步延伸到前排上方，相比 2017 年的迈巴赫 G 650 Landaulet 只向后排乘客开放天空，这一次驾驶员也有机会分到一份蓝天。没有天花板的 G 级奔驰早在 2025 年 12 月便确认 G-Class Cabriolet 已经开始道路与测试场验证，之后还将前往瑞典接受冬季测试。当时公布的三张伪装图已经露出四门车身和织物软顶，最新视频又补上了顶棚打开的完整过程。从画面看，这套顶棚可以自行收折，软顶沿着车顶两侧的框架向后移动，折叠后差不多与外挂备胎顶部齐平。过去的短轴 G-Class Cabriolet 需要手动解开前方锁扣，新车则没有这一流程。敞篷结构也给这台方正的大车留下了一些难以被忽视的细节，宽大的前顶框和后部横梁始终出现在视线里，车尾部分经过重新设计后，第三刹车灯被移到备胎罩上。和过往的 G 级敞篷一样，折叠起来的顶棚外露在后侧，占据了车尾的一部分空间。很显然，这台 G-Class Cabriolet 的后备厢并不算太实用，不过买这台车的车主们，大概率不会太在意这个问题。新车基本可以确定基于AMG G 63 打造，在动力方面，现款 AMG G 63 搭载 4.0L 双涡轮增压 V8 发动机，配合 48V 电机，最大功率达到 430kW，0～100km/h 仅需 4.4 秒。至于新的 G Cabriolet 在动力上是否继续调整，还要看奔驰后续的公布。历代原厂 G-Class Cabriolet 几乎都采用短轴双门车身，四门敞篷只在限量版的 G 650 Landaulet 上短暂出现过。如今这台车第一次把常规四门 G 级与完整敞篷体验放在一起，也让 Cabriolet 从车系边缘的小众分支，重新回到 G 级最吸睛的位置。G 级与敞篷的关系可以追溯到 1979 年。初代 G 级上市时，奔驰同时提供短轴 Cabriolet 也就是软顶敞篷版本、短轴 Station Wagon 版本和长轴 Station Wagon 版本以供选择。不过那时的 G 级仍然带着浓厚的工具属性，敞篷的意义更多在于「方便装货」。1989 年推出的 W463 改变了 G 级的产品线的走向。随着木纹、皮革和更丰富的舒适配置陆续进入车内，G 级开始从专业越野工具走向豪华消费品，短轴 Cabriolet 在此时也跟着完成身份转换，逐渐由干粗活的工具成为一台有越野能力的昂贵玩具。到了 1998 年，配备 V8 发动机的 G 500 成为车系新的旗舰，敞篷版本更进一步成为 G 级最昂贵的序列之一。奔驰最终在 2013 年推出 G 500 Cabriolet Final Edition 200，为延续三十多年的常规敞篷版本收尾。短轴 G-Class Cabriolet 的离场，倒不完全是因为需求不足，更多的是因为 G 级的产品线收缩。奔驰在 2011 年前后停产了短轴三门的硬顶车型，敞篷版已经成为这副短轴底盘最后的民用车型，而当 G 级逐渐将目光聚焦在长轴五门版车型，单独维持一款低产量敞篷车的意义并不大，Final Edition 200 只生产 200 台，很快便售罄，为它留下了一个体面的结局。不过在四年之后，奔驰又借着迈巴赫的名义，带来了限量 99 台的迈巴赫 G 650 Landaulet，把敞篷版拿出来再遛了一次。这台车将 G 65 的 V12 发动机、G 500 4×4² 的车桥和迈巴赫后排座舱装在同一辆车上，电动软顶覆盖后半部分，这也是第一台四门长轴版本的 G 级敞篷车。同一块车顶，在 G 级的四十多年里不断更换用途，早期软顶服务于车身功能，W463 时代增加了休闲色彩，G 650 Landaulet 把露天体验完全和奢华挂钩。而新的 G-Class Cabriolet 大概率将会沿用 G 650 Landaulet 的理念，成为 G 级一个新的豪华标杆。奔驰选择在此时重启 G-Class Cabriolet，也赶上了 G 级状态最好的阶段。2025 年，G 级全球交付 49,700 辆，同比增长 23%，创下历史纪录，康林松还表示，新敞篷版将进入奔驰覆盖的几乎所有市场。结合目前 AMG G 63 的情况，新的 G-Class Cabriolet 也有可能在中国市场上市，有意向的朋友们可以准备准备了。「开扬感」是越野车共同的梦越野车的功能总是把人往自然深处带。四驱、差速锁、通过性，让这些车型得以深入山野腹地，但越野的另一重意义就是和自然共处，从这个角度出发，如何追求某种意义上的融入环境，也是越野车的一大命题。奔驰选择掀开 G 级的车顶，中国市场的大型 SUV 则选择了向上要空间。小米澎程 N90 Max 露营版的申报名称为「插电式增程混合动力文化生活服务车」，自带升顶机构，展开以后提供车顶床板，车内还有侧柜、侧帐接口。车辆停下后，升降车顶为床板上方腾出坐卧空间，下层车厢则可以继续使用，一台 SUV 由此获得上下两层休息区域。享界 G9 顶帐版也展示了相似的想法，享界 G9 的车顶可以从一侧抬起，并向另一侧展开成为帐篷。余承东在最新预告中将它称为与车身一体化设计的电动顶帐，展开后可以形成双层休憩赏景空间，车尾还集成了能够烹饪和准备热饮的尾门厨房。G-Class Cabriolet、N90 Max 露营版和享界 G9 使用了完全不同的结构，但在场景上殊途同归，都是为了让车内的人能和户外共处。当然在这件事上，国内车企的想象更丰富一些，奔驰打开了车厢上方的一片天空，N90 Max 露营版和享界 G9 则更关注停泊之后的户外体验。47 年前，第一辆 G-Class Cabriolet 采用软顶时，并没有料到日后这会成为一个关于生活方式和特殊标签的设计。到了今天，无论是奔驰、小米、享界，还是越来越多的将户外和「情绪价值」绑定的车型，正在给车赋予新的价值和体验，与自然的接触都成了车型可以明码标出的卖点。没有天花板的 G，回来的正是时候。

折腾了九个月之后，OpenAI 即将彻底关停浏览器产品 Altas， 这基本不让人意外，早在五月前 OpenAI 发布 Codex 的 Chrome 插件时，就已经有群众在评论区「预演」了 Atlas 的命运。2025 年 10 月，OpenAI 发布 Atlas，浏览器是用户的工作、工具与上下文汇聚的地方，一款以 ChatGPT 为核心构建的浏览器，可以让 AI 更接近真正的「超级助手」。当时 OpenAI 甚至不是走在前面的那一个，浏览器去年曾是热门赛道，不仅是创业公司的理想，还一度被捧成下一代互联网入口的正式争夺，是对 Chrome 浏览器霸主历史地位的挑战。距离那时，不过寥寥九个月。老实说以 AI 世界的变化速度来讲，浏览器还算是撑过了不短的时间，毕竟，它的想象建立在注定消散的梦上。明星产品的跌宕起伏OpenAI 并没有放弃让浏览器拥有 AI 能力，更确切地说，他们不再执着于「AI 浏览必须以一款独立浏览器出现」的想象——这个想象，最早由 The Browser Company 端上来。2022 年 The Browser Company 推出 Arc 浏览器，它以独特的设计哲学出圈，实际以产品来讲，垂直标签页、Spaces、分屏和随时收起的侧栏，这些都在重新安排用户如何面对几十个同时打开的网页，再塑了浏览体验。一年后，Arc 全量推送，一时间风头无两，在设计师、开发者和科技从业者中形成了一批非常忠诚的用户，也顺利成章地开始探索让 AI 加入自身。我到现在仍然在用 Arc，每天用，我仍然觉得它是好用的，尽管它已经被战略放弃。但唯独，我没有用过它任何原生的 AI 功能——全都是用插件实现的，或者直接就用网页端。Arc 想让用户搬进一套新的互联网生活，后来 The Browser Company 又把同样的野心交给了 AI 浏览器 Dia。经过一段时间的打磨，2025 年十月它在 macOS 上全量开放，续加入 Skills、Memory、Slack 和邮件连接、标签组、会议分组、主动任务建议等功能，并重新带回部分 Arc 时期受欢迎的设计。不过，Dia 的底层理念，已经跟 Arc 发生了很大的变化，这也是为什么 Arc 会被战略放弃。Arc 试图证明浏览器本身值得被重新设计；Dia 则承认，大多数人不愿重新学习浏览器，于是把「重新设计」收缩为一套藏在熟悉界面里的 AI 能力。浏览器也有基本法AI 浏览器的逻辑一度显得无懈可击。现代人的大量工作和生活都发生在网页里，如果 AI 想理解用户正在做什么，并替用户完成跨页面任务，最理想的位置当然不是一个孤立的聊天框，而是浏览器本身。问题是，浏览器并不只是一块显示网页的窗口。它保存着用户多年的书签、账号、浏览历史、扩展与快捷键，也保存着大量难以明确说出的使用习惯。换浏览器不是下载一个新 App，而是把一整套数字生活搬家。Arc 已经替这个品类交过一次学费。The Browser Company 后来复盘称，公司其实早已从增长和留存数据中知道 Arc 难以成为大众产品，只是不愿承认。团队最喜欢的 Live Folders 只有 4.17%的用户使用，Calendar Preview on Hover 更只有 0.4%；Josh Miller 在公开信里直接写道：「Switching browsers is a big ask。」Arc 的问题不是没有好功能，而是这些功能带来的收益，不足以让大多数人重新学习一整套交互逻辑，更不足以让他们离开已经保存全部习惯的 Chrome。AI 原本被视为足以抵消迁移成本的动力，用户也许不会为了垂直标签页换浏览器，但会不会为了一个能读懂全部标签页、替自己完成任务的 Agent 搬家？Atlas、Dia 和 Comet，都曾把答案押在「会」上。现在看来，用户的确需要这些能力，却未必需要为此更换浏览器——我用插件和网页端，也没什么问题啊。御三家强势入住 Chrome独立 AI 浏览器原本想同时占据两层价值：浏览器入口和 AI 助手。如今，这两层正在被模型厂商，通过插件形态，一分为二。作为浏览器「基础建设」的Chrome，自身也是出生在大富大贵的 Google 生态里，Gemini 已经被直接放进 Chrome 侧边栏，可以理解当前网页、比较多个标签页，并连接 Gmail、Calendar、Maps 和 YouTube；Google 也在继续增加自动浏览能力。Anthropic 没有再造一款 Claude 浏览器。Claude for Chrome 以扩展形式待在侧边栏中，可以阅读、点击和导航用户正在浏览的网站。它目前仍是限制访问的研究预览，但产品形式已经很明确：不是要求用户搬进 Claude，而是让 Claude 搬进用户原来的浏览器。▲只有这个图，因为主包号没了OpenAI 则在关掉 Atlas 之后，把路线拆成了两部分：ChatGPT 保留内置浏览器，Codex 与 ChatGPT 的 Chrome 能力则直接利用用户原有的浏览环境。三家的具体形态并不完全相同，但共同结论已经出现：AI 不必拥有一款浏览器，也可以进入用户的浏览过程。对用户而言，这种方案几乎没有迁移成本。浏览器仍然是 Chrome，原有的账号和习惯还在原地，AI 只作为插件、侧边栏或桌面 Agent 进入。插件未必能获得独立浏览器最深的系统权限，体验也未必在所有任务上都一样完整，但只要能够覆盖多数高频需求，就足以大大打消用户换浏览器的念头。对独立 AI 浏览器而言，这是很糟糕的竞争位置。Google 守住浏览器入口，OpenAI 与 Anthropic 守住模型和用户关系；创业公司夹在中间，既要重新争夺默认浏览器，又要证明自己的 AI 能力长期优于御三家。Atlas 的停运因此不只是一次普通的产品收缩。它相当于由最有能力挑战 Chrome 的 AI 公司亲自证明，与其重新建设一座浏览器大楼，不如直接在 Chrome 里租一套房。还活着的 AI 浏览器，正在变成垂直产品这并不意味着所有独立 AI 浏览器都会立刻消失，实际上，AI 浏览器们还是各有各的活法。Perplexity 仍在更新 Comet，并把它推向企业市场。企业版强调统一部署、浏览器策略、Agent 权限与组织安全，而不只是「边上多了一个 AI 助手」。Dia 也没有停止。The Browser Company 被 Atlassian 收购后，Dia 的定位从面向所有人的下一代浏览器，逐渐收窄成「知识工作者的浏览器」：围绕企业软件、工作记忆、AI 技能、安全与管理能力，把浏览器嵌进 Atlassian 原有的办公体系。但这恰恰说明，AI 浏览器要活下来，可能必须先放弃成为「下一款 Chrome」，它需要服务一个足够具体的群体，在组织数据、专业流程和安全管理上形成插件难以替代的产品壁垒。于是，这个品类并没有完全死亡，正在尝试从一款面向所有人的消费级入口，退回到企业工作台、研究工具或特定 Agent 环境。AI 浏览器不是未来，浏览器里的 AI 才是如果要问，「AI 浏览器要完蛋了吗」，以现在的形势来讲，可以给出一个并不客气的答案：作为一种要求大众抛弃原有浏览器、重新搬家的独立通用品类，它的确已经气数将尽了。走到头的不是 AI 阅读网页、跨标签页理解信息和替用户执行任务，恰恰相反，这些能力会越来越普遍，最终成为浏览器或 AI 产品的标准配置。走到头的是另一种产品逻辑：只在 Chromium 外面包上一套新界面，再接入一个强模型，就可以借 AI 浪潮重新争夺默认入口。这条错误路径上最好的证明不是别的，正是 OpenAI Altas。某种程度上你可以把围绕浏览器的产品观念，简单地划分为两种。一种的世界里，用户必须为了 AI 离开原来的浏览器；另一种的世界里，AI 主动来到用户已经生活的地方。AI 浏览器曾经想成为互联网的新入口。现在，它更像是 AI 工具箱里一只负责打开网页的手。能力留下了，浏览器的外壳，或许就不必再独立存在。

OpenAI 的第一款 AI 浏览器，或许也是最后一款，下周就要正式停服了。今年 7 月 9 日，OpenAI 在 ChatGPT 更新日志里悄悄写下一行字：「Atlas 将于 8 月 9 日停止运行。」没有发布会，没有告别视频，就像它当初上线时一样低调。Atlas 去年 10 月才刚刚发布，是一款基于 Chromium 构建的 macOS 专属浏览器，把 ChatGPT 整合进地址栏和侧边栏。付费用户还能开启 AI 智能体模式，让它替你购物、订餐、处理邮件。OpenAI 对它寄予厚望，想让浏览本身变成一场对话。结果，它没能活过自己的第一个生日。图｜ChatGPT Atlas过去一年，AI 浏览器曾经是整个行业最热闹的新战场。Perplexity 推出 Comet，Opera 发布 Neon，The Browser Company 放弃已经积累了一批用户的 Arc，转向开发 AI 原生浏览器 Dia。大家相信同一件事：如果浏览器是互联网时代的入口，那么 AI 时代的入口，应该是一个更聪明的浏览器。但现实的发展速度，比想象中快得多。不到一年后，最早冲进赛道的玩家开始撤退，问题也随之出现：AI 浏览器真的失败了吗？还是说，从一开始，人类就不需要一个「AI 浏览器」？AI 需要进入浏览器，但不需要成为浏览器过去一年，AI 浏览器开发商其实没少在「如何让用户更容易迁移」这个问题上动脑筋。它们太清楚多年积累的数据和设置对用户来说意味着什么。因此从 Arc 到 Dia，从 Opera Neon 到 ChatGPT Atlas，这些产品都提供了不同程度的数据迁移能力。书签、历史记录、插件，乃至密码和 cookie 都能完整地迁移。但当「怎么换」不再是问题，新的问题反而变得更加明显——为什么要换？对于大多数用户来说，浏览器已经是一个足够成熟的工具。Chrome、Safari、Edge 解决了打开网页、保存密码、同步账号、使用插件这些基本需求。用户并不是缺少一个新的浏览器，而是在等待一个值得改变现状的新理由。过去几年，已经有不少产品尝试寻找这个理由。图｜ArcThe Browser Company 的 Arc 曾经选择从交互方式入手。它重新设计了浏览器的布局，把标签页移动到侧边，引入 Spaces 管理不同场景，还加入 Boosts 让用户自定义网页体验。对于重度用户来说，这些变化确实带来了新鲜感。而 Atlas 将 ChatGPT 整合进地址栏和侧边栏，让用户可以直接通过对话总结网页、整理信息，甚至调用 Agent 完成一些操作。图｜ChatGPT Atlas但两者殊途同归——虽然都提升了浏览器的能力，却没有创造一个足够强的新需求。Arc 解决的是「如何更舒服地使用浏览器」，AI 浏览器解决的是「如何让浏览器拥有 AI 能力」。但对于大多数用户来说，这些提升还不足以让他们放弃已经熟悉的 Chrome。如果只是搜索、浏览网页，传统浏览器已经足够成熟；如果希望 AI 帮忙完成任务，直接打开 ChatGPT、Claude 等 AI 助手，路径反而更短。所以，AI 进入浏览器并不是没有价值。它可以帮用户节省一些操作，减少一些重复劳动，让浏览体验变得更顺畅。但目前来看，它更像是锦上添花，而不是雪中送炭。浏览器多了一个 AI 助手，确实会更聪明；但它还没有聪明到让用户觉得，自己需要换一个浏览器。AI 正在绕过浏览器这个「中间商」AI 浏览器出现的时候，其实有一个非常合理的想象：浏览器是互联网时代的入口，而 AI 是理解和执行任务的新能力，两者结合之后，浏览器似乎就能成为 AI 时代新的工作台。这个逻辑在早期并没有问题。当 AI 主要负责搜索、总结、阅读网页时，浏览器确实是一个自然的载体。用户打开网页，AI 在旁边帮忙提炼信息、整理内容，这和过去浏览器插件的发展路径没有太大区别。图｜OpenAI但尴尬的是，AI 浏览器还没来得及成为新的入口，AI Agent 已经开始改变人们使用电脑和互联网的方式。过去，用户需要打开浏览器，通过网页获取信息，再通过网页完成操作。网页上的按钮、菜单和页面布局，都是围绕人类使用习惯设计的。但 AI 并不需要完全按照人的方式使用互联网。对于它来说，网页只是获取信息的一种方式，而不是唯一方式。相比模拟人的点击和浏览，直接调用数据、服务和工具，往往更加高效。这也是为什么 MCP、API 和各种 Agent 工具链开始受到关注。它们提供了一种不同于网页浏览的信息获取方式：AI 不需要先打开页面，再从页面中寻找答案，而是可以直接访问数据、调用能力，完成任务。现在，用户已经可以把一个链接交给 ChatGPT 或 Claude，让模型读取内容并整理结果；未来更多工作，也会通过 Agent 直接调用各种软件和服务完成。浏览器曾经是互联网的入口，但对于 AI 来说，它正在变成众多工具中的一个。而随着 Agent 能力继续增强，AI 开始进一步从「理解网页」走向「操作环境」。Anthropic 的 Claude Computer Use、OpenAI 的电脑操作能力，都在尝试让 AI 直接控制用户的电脑：打开软件、填写表单、处理文件，而不是局限在某一个浏览器窗口里。图｜ChatGPT Computer Use从这个角度看，AI 浏览器更像是一个过渡阶段。它想让 AI 住进浏览器，但 Agent 正在让 AI 进入整个电脑。最后站着的，是那个做模型最拉的公司如果回头看这一轮 AI 浏览器竞争，会发现一个有些讽刺的结果：最想成为下一代入口的公司，并不一定拥有真正的入口。过去一年，OpenAI、Perplexity、The Browser Company 都试图重新定义浏览器。它们拥有更强的 AI 能力，或者更激进的产品理念，希望让浏览器从一个网页窗口，变成一个可以直接完成任务的智能入口。但最后真正占据优势的，反而可能是那个早就拥有浏览器入口的公司——Google。图｜Google过去一年，Google 在 AI 模型竞争中的压力并没有减少。Gemini 3.5 Pro 原本被寄予厚望，被视为 Google 追赶 OpenAI、Anthropic 的关键一步，但这款旗舰模型迟迟没有正式推出。据我们此前了解到的信息，Google 曾计划在 6 月推出 Gemini 3.5 Pro，但随后延期，原因之一是模型在代码能力等关键指标上没有达到内部预期。但讽刺的是，当大家讨论 Google 的模型有没有追上时，它手里握着另一个 AI 巨头们梦寐以求的东西：Chrome。OpenAI 可以做更强的模型，Perplexity 可以做更聪明的搜索，The Browser Company 可以重新设计浏览体验，但它们都需要先解决一个问题：为什么用户要离开 Chrome？某种程度上，AI 浏览器厂商折腾了这么久，想重新创造一个 AI 时代的入口，最后可能还不如 Google 随手把 Gemini 放进 Chrome。图｜Google至少在浏览器这件事上，Google 证明了一件很现实的事情：在 AI 时代，模型能力很重要，但入口同样重要。浏览器不会消失，AI 也不会离开浏览器。只是「AI 浏览器」这个独立品类，可能没有等到成为下一代入口的那一天。它出现得很快，退潮得也很快。享年约 1 岁。

我们关注体育健儿的赛事服装，通常重点关注在赛场装备上，很少会注意到领奖装备，因为它和荣誉走得更近，但看起来和性能关系不大。不过随着中国体育装备品牌的整体崛起，领奖装备的象征意义也不同以往，它现在需要在鲜明得体，舒适精神之外，再代表当下中国运动装备的技术水平，要和体育健儿的水平相得益彰。8 月 3 日，中国奥委会与李宁品牌在国家奥林匹克体育中心，发布了第 20 届亚运会中国体育代表团领奖装备。中国国家射击队、跳水队、乒乓球队、击剑队和水球队的代表共同亮相。从设计上看，这套装备以「熠熠星辉」为主题，用蓝色构成主体，辅以青色、红色和中国传统色「品月蓝」，将星星图案、上扬线条与较为克制的东方审美结合起来。设计意图比较好感知到，但技术细节，藏在面料纤维和鞋底结构等等地方。2025 年，在国家航天局新闻宣传中心指导下，李宁公司与航空航天技术创新应用平台成立航天技术创新应用实验室，尝试推动航天科技向专业运动领域转化。本次应用的温控纤维，采用与嫦娥一号探测器同源的相变温控材料，通过熔融纺丝工艺制成纤维，再直接编织进服装面料。相变材料的工作原理，可以理解为在纤维内部放入一个微型的「热量缓冲池」。当外部环境温度升高，或者人体运动后体表温度上升，纤维芯层中的相变材料会由固态向液态转化，并在这一过程中吸收多余热量；当温度下降，材料则重新恢复状态。它无法像空调一样制造低温，但可以减缓体表温度快速变化，让穿着者在冷热交替的环境中维持相对稳定的舒适感。综合性体育赛事往往横跨多个场馆和时间段。运动员刚刚完成比赛时，身体仍处于高代谢、高热量状态，随后又要进入通道、候场区和空调环境，等待颁奖仪式。领奖服需要保持正式、挺括，通常也比比赛服覆盖面积更大，体感管理因此成为一个容易被忽视的问题。航天温控纤维解决的是这种不够极限、却足够真实的使用场景。它也说明，今天的鞋服科技正在从单纯追求「更薄」「更轻」「更透气」，转向更主动的身体微环境管理。材料开始参与热量吸收、释放和传导。这类从航天、化工等领域迁移而来的材料技术，也可能成为下一阶段专业运动服装的重要参考。相比于运动服，运动鞋的技术含量往往更直观一些。过去十年，中国体育装备品牌的运动鞋中底经历了一轮快速升级，竞争起点主要集中在材料性能：谁能够做到更轻、更软、更弹。随着高性能发泡材料逐渐普及，仅靠材料已经很难形成足够明显的差异，鞋底竞争因此逐渐进入「材料与结构协同」阶段。本届亚运会中国体育代表团领奖鞋名为李宁金标超越 MAX SE，其名称延续自 1996 年亚特兰大奥运会期间的「超越」系列。鞋面使用䨻丝材料与定织工艺，兼顾轻量、透气、韧性和抗形变能力，同时通过贴合足部轮廓的设计，减少长期穿着后的塌陷和松垮。构成鞋底核心的是李宁多年迭代的䨻弧科技与碳核芯科技。从展示结构来看，䨻弧并不是简单增加一块软质缓震材料，而是以高性能䨻材料为载体，在内部嵌入异构刚性支撑件，形成多节段贯通式镂空结构。柔性材料负责压缩、吸收冲击和回弹，刚性结构承担支撑与力的传递，两者共同协调缓震、回弹和稳定性。这套结构有些像建筑中的梁柱系统。一栋建筑如果只有柔软的填充材料，能够吸收震动，却很难维持稳定形态；如果全部由刚性构件组成，又容易把冲击直接传递给人体。运动鞋底同样需要在形变与支撑之间寻找平衡。䨻弧科技的关键，在于利用镂空结构控制形变量，再通过刚性「龙骨」规定能量传递的方向。根据李宁运动科学实验室提供的数据，超越 MAX SE 在叠加碳核芯科技后，相较行业均值，缓震性能提升 8.9%，回弹性能提升 6.6%。成熟的技术平台很少来自某一个节点上的突然突破，更多是不同技术路线经过多年积累后，在合适的时间完成融合。䨻弧科技一端连接着 2011 年开始的结构研发，另一端连接着 2019 年之后逐步成熟的䨻材料平台，其形成过程反映出中国运动品牌研发方式的变化：从围绕单款产品解决问题，逐渐转向材料、结构和运动科学相互配合的平台化开发。䨻弧科技的形成，也体现了运动鞋竞争从材料性能走向材料与结构协同的变化。李宁对「弧」结构的探索可以追溯至 2011 年：第一代弧跑鞋通过仿生镂空结构的形变实现缓震与回弹，此后持续迭代，积累了十余年的结构设计经验。2019 年䨻科技问世后，高性能发泡材料成为鞋类技术升级的主线，弧科技一度淡出主流产品；但当发泡材料逐渐普及，单纯依靠轻量、软弹已经难以形成明显差异，早期积累的结构技术又获得了新的应用条件。䨻弧科技由此将䨻材料平台与弧结构平台结合起来，可以看作李宁技术储备跨周期调用的一次结果：材料负责提供性能基础，结构则进一步控制形变、支撑和能量传递。领奖鞋不是跑鞋，也不是篮球鞋足球鞋，运动员穿着它时，大多已经结束比赛，需要在场馆内移动、候场和站立。对这类鞋而言，过于柔软容易造成疲劳，过于刚硬又会影响舒适性。它考验的是运动品牌能否针对一个细分场景，重新配置材料和结构。这次第 20 届亚运会中国体育代表团领奖装备发布还有一层特殊背景。1990 年北京亚运会举办时，李宁品牌刚刚创立，并成为较早支持中国体育代表团的国产专业运动品牌。1992 年至 2004 年，李宁又连续四届担任中国奥委会官方体育服装合作伙伴。2025 年，李宁重新成为 2025—2028 年中国奥委会体育服装合作伙伴，将服务包括 2026 年亚运会和 2028 年洛杉矶奥运会在内的国际赛事。 中国奥委会也已于 2025 年正式确认这一合作周期。李宁第一次服务北京亚运会时，中国体育装备行业首先需要解决的还是「有没有」：能否完成稳定供应，能否满足运动员的基本穿着需求，国产运动品牌本身就是最重要的突破。此后，随着制造和供应能力逐步成熟，行业竞争开始转向设计语言、品牌形象与文化表达。到了今天，航天相变材料能够被织入领奖服，2011 年开始积累的结构技术也能与 2019 年形成的材料平台重新组合，运动品牌需要回答的问题已经变成：能否建立自己的材料体系、结构平台，以及足够完整的运动科学评价方法。从 1990 年到 2026 年，这 36 年也构成了一条中国运动装备科技叙事的变化轨迹：从解决产品供给，到建设自主技术平台，再到不同技术平台之间的系统融合。䨻弧科技是这条轨迹中的一个新节点。它提醒人们，运动装备研发很少是一场围绕单一产品展开的短期冲刺，更多时候是一项需要长期积累、滚动储备，并在不同周期中重新调用的系统工程。领奖台天然属于高光时刻，但支撑高光的技术，往往诞生在不那么耀眼的地方：一根纤维如何完成稳定纺丝，一块中底怎样控制形变，一件衣服经过多次洗涤后还能否维持温控效果……

过去几天，DeepSeek 和 Qwen 对大模型行业带来了前所未有的颠覆效果。Hermes Agent 背后的公司 Nous Research 宣布，刚刚正式推出的 DeepSeek V4 Flash 模型在其平台上启动一折促销，持续 7 天。这是一个荒诞却又务实的价格，Nous 原话说 DSV4 Flash 的调用成本比 Fable 5 便宜千倍以上。即便回归正价，其性价比依然维持着百倍左右的碾压优势，打不打折都便宜到离谱。更别提它还是开源的，理论上只需数百 GB 显存/统一内存即可部署量化版本，内存稍多一些甚至可以部署无损版本。比如一台（目前尚无新机可售的） 256/512GB RAM 版本 Mac Studio，或者两台英伟达 DGX Spark 堆叠起来。事实上，DeepSeek 一直是开源模型当中对准消费级硬件本地部署最友好的，参见我们的 Mac Studio 部署体验。如果这对你来说还是太极端，那么云端充个几十块钱 API 也足够用很久了。由于 DSV4 Flash 性价比实在太高，甚至有三方平台免费提供：OpenCode 透露仅在 8 月 1 日这天，DSV4 Flash 就消耗掉了 8 万亿 token，其中包括 5 万亿免费、3 万亿付费额度。OpenCode CEO 发推表示：我觉得大家根本没意识到正在发生什么。是啊，我们并未清楚地看到什么发生了，却有足够强的感受：一夜之间，好像一切都变了。1942 年，科学家爱德华·泰勒提出了一种极其微小但并非是 0 的可能性，让全力开动的曼哈顿计划陷入恐惧：核裂变产生的瞬时高温，有可能点燃空气中的氮原子，进而引发一场不可逆的链式反应，摧毁整个地球。好在，后续的论文和实测打消了这一顾虑，但一直以来对政治颇有兴趣的奥本海默，有着更深层的担忧：链式反应确实发生了，只是不在大气层里，而是经由 Trinity 试验的成功开启了一个新的核时代，并彻底重塑了人类社会的政治、地缘、工业与文明形态。此时此刻，恰如彼时彼刻。未来的科技行业又将怎样彻底改写？价格战的连锁反应本周正式发布的 Qwen-3.8-Max，展现出与 DeepSeek V4 Flash 类似的「新方向」。无论是模型创业公司还是互联网巨头，过去发布模型时无一例外将特定任务上的绝对性能摆在最醒目的位置。这一次略有不同：Qwen-3.8-Max 拥有强悍的底座，其宣发叙事却向「性价比」全面倾斜，与 DeepSeek 遥相呼应。爱范儿认为，这并非偶然的营销巧合，而是越来越多的模型团队，在同一种行业演进逻辑下不期而遇。我们采访过许多模型公司/团队负责人，询问开源时代何时终结。每个人都有不同答法，但结论无一不指向即将到来的价格战。过去的价格战，例如打车、共享单车、外卖等，大多是资本充沛者通过亏本补贴来强行清场的戏码。但这次模型价格战的底色不同——表面上看起来是价格战，底层是一场由算法架构代差，由基础研究和创新能力所驱动的非对称效率战。DeepSeek 等一众国模敢于将价格砸穿，底层依托的是稀疏激活、注意力机制重构等基础研究和工程层面的创新。中国模型公司和团队们在底层上找到了极度残忍的算力解法，能够用相对更小的参数激活量，榨取出比肩硅谷天量级参数量稠密模型的推理质量。这种技术路径的突破，不仅在其他模型厂商的脖子上架上一条「斩杀线」，更彻底改写 AI 创业公司与互联网巨头大厂的对战规则。传统移动互联网时代，大厂拥有近乎无限的资金池与云计算基础设施，创业公司难以在价格战中与之抗衡，不陷进泥潭被耗尽现金流。但是到了 AI 时代，你会发现情况发生了巧妙的逆转：以 DeepSeek、月之暗面等为代表的硬核创业公司，反而获得了极其惊人的爆发力，丝毫不怵价格战（有的甚至逆势涨价）。这些创业公司的研发组织相对扁平，创新能力更强，内部也极有可能沉淀着并未公开的技术优势。甚至有人开玩笑，DeepSeek 梁文锋肯定还藏着几手，随便使出来就足以让 Fable 和 GPT 更加颜面扫地——只是出于维持中美之间半年到一年差距这一「战略性落后」，绝活不轻易亮出来。对于这些模型创业公司而言，价格战绝非自残，反而成为了一众高效的增长杠杆。我们认为逻辑大概是这样的：技术创新降本，砸穿全球底价；Token 调用爆发，ARR 曲线拉升；资本市场追捧，完成更多融资。说白了，这些模型创业公司越卷价格，用户粘性越高，资金回笼与技术迭代的闭环反而越坚实，飞轮转的越快。大厂呢？相比之下，他们有更强的路径依赖，也需要贯彻集团的协调意志。面对价格战，大厂惯于依靠自有现金流、云计算业务来硬扛补贴，用庞大的固定资产来组成壁垒。但当创业公司将单位 Token 成本压到史低水平，巨头的补贴思路却更容易让云计算业务乃至集团整体的财报承压。价格战里，创业公司越卷越舒服，大厂却可能被拖垮业绩。巨头的围墙内部撕裂也正在悄然发生。表面上看，无论是阿里还是腾讯，都已经明确将大模型以及相关产品定为公司新一号位。组织架构多次调整，财力、人力、算力资源向模型与模型产品部门倾斜，声势浩大。各团队纷纷「赛马」推出竞争产品，僧多肉少。但在表面之下，这种一号位的资源灌注，大刀阔斧的调整，以及再次热闹起来的「赛马」文化，却让僧多肉少的形势进一步加剧，容易引发剧烈的自我吞噬与组织紊乱。云计算部门是大厂最核心的现金流支柱，今天最关键的优质客户，恰恰也是风头正劲的 AI 创企。而当价格战开打，大厂集团层面面临着难以调和的商业悖论：云计算当然希望 DeepSeek、Kimi、智谱们过的越来越好，创业公司用量越大，采购需求就越强；但与此同时，大厂自研模型和模型产品部门，在 C 端和 B 端也在与这些创业公司进行着市场份额的激烈争夺。补贴自家模型和模型产品，代价就是暂时性让财务报表承压。答案是明确的：一位大厂 CEO 曾表示，当前的任务是以超过行业平均的速度获取市场份额，「利润率是我们的第二目标。」对于云计算部门，客户是内部还是外部本来没什么关系。但现在他们面临的尴尬处境是，给自研模型和模型产品部门输血，集团层面势必对云计算的商业决策产生干预。倒不是说云计算行业过去对于公有云的商业与生态中立原则（不与客户争利）有多么看重，至少更务实来讲，云部门与模型部门的共谋行为难免引发外部客户不信任，倒逼创业公司自建云，进而影响大厂云部门的收入。类似的尴尬，在亚马逊与 Netflix，与沃尔玛、Target 等零售巨头之间都曾发生过。——当然，以上都只是基于合理推断的可能性，并未完全真实发生。但当价格战真正开打，在大厂内部，作为现金牛的云计算部门和作为新一号位的模型与模型产品部门，难免陷入互为毒药的僵局。信息图中资料截止时间：2026 年 5 月底在现实中，大厂通过投资创业公司完成战略上的对冲。本质上，这种做法让钱从战投的左兜出、云计算的右兜进，云部门赚取了账面收入，战投获得了股权，集团扩展了自己的疆域，画出新的山头。这难免让自研模型部门暗自不爽，因为他们会发现市场上最猛烈的低价子弹，其实是用自家的钱购买、从自家服务器的枪口里射出来的。更深层的问题是，在移动互联网时代，巨头投资创业公司能够将其锁进自己的流量布局中，间接享受创新与竞争的红利；但在 AI 时代，大厂是管不住这些创业公司的，创新的「主权」与大厂的资本布局是解耦的。这些头部模型创业公司的核心资产是算法效率和工程优化能力，而这些能力源自优秀的人才、前卫的组织架构，跟大厂的钱没什么关系。甚至你会看到像 DeepSeek 这样的公司，仅仅依靠实现 AGI 的理想就能够笼络人心，开出远超市价的工资，甚至原则上不需要外部融资。更何况资本市场对 AI 创业公司已经形成一套新的评价和供应体系：模型和模型产品公司冲出惊人的 Token 调用量/ARR，就能轻松地在国内乃至全球拿到下一轮高估值融资，不再需要对大厂俯首称臣。长期来看，大厂的战略对冲投出去的钱，反而可能变成瓦解自己的催化剂。更多链式反应商业世界的藩篱坍塌只是第一块倒下的多米诺骨牌。旗舰级模型的推理智力部署在桌面上，这件事今天已经开了头。随着模型性价比进一步提高，智力和算力的民主化终将彻底改变软件形态、流量机制、人才传承，乃至全球硬件格局的深层肌理——颇似核裂变的成功对后世产生不可估量的深远影响。这里我们再举两个例子：流量机制现代互联网的繁荣，建立在「人类眼球」的流量逻辑上：从搜索引擎优化到社交媒体推荐算法，底下是一个隐秘而庞大的数字广告帝国。但其运行的前提是人类打开浏览器或 app、点击网页、接受广告信息的洗礼，要么产生消费行为，要么观看、停留、点击的数据被保存和处理，用于下一次更加精准的推荐。长久以来，人类的注意力和时间是支持互联网运转的唯一「硬通货」。但我们认为，模型性价比的提升和算力的普及，让人人都可以运行自己的 Agent，而互联网主干流量的来源，也将从人变成 Agent。传统互联网的运行机制将不复存在，新的规则亟待建立。试想这样一个场景：你希望预定一整套跨国出游的行程，包括机票、酒店、地接导游、当地交通工具等。过去你需要打开多个 App 在密密麻麻的 UI 中比价、查看评价、填写信息。但在「A 联网」的时代，由强大模型所驱动，全权代表我们的 Agent，可以与航空公司、酒店、地接旅行社的 Agent 直接发起握手：它们在人看不到的数据暗流中，以结构化的数据包传递信息、匹配条件、议价和确认支付，整个过程只消耗了几秒钟，没有人类眼球扫过图形界面，甚至不需要点击。人类不再需要亲自使用 App、逛网页，广告在 Agent 高效的通讯协议面前暂时没有找到落脚点。传统商业模式也就失去了基础。——甚至有可能，未来的社交网络上不再有真正的人，全都是我们的 Agents 在上面交互，我们刷社交网路的方式也会从不断的划动，变成了听取 Agent 的汇报。网络依旧繁忙着，但人类抽离其中，只剩下 Agent。人口老龄化在降本增效的滔天巨浪下，人类专业知识的传承遭遇前所未有的危机。无论是软件工程、法律服务、医学诊断或是金融分析，几乎所有的现代专门职业，其运作与传承都高度依赖金字塔结构的人才矩阵。初级人员从撰写基础代码、翻阅资料、整理数据这些枯燥的一线工作干起，在大量的重复性实践中锤炼直觉，得到成长，最终进化为独当一面的资深人员。但是今天，一些开源模型展现出惊人的能力，以近乎于零的边际成本，能够完美替代大量初级岗位的智力劳动。只需要几毛钱的 Token，抑或端侧部署的电费，就能快速输出几近无瑕的基础代码和法律文书，所用的时间甚至连一个新人的入职手续都办不完——企业和研究机构又何必花费昂贵的薪酬与时间成本，冒着不确定性去培养一个人类新手？在绝对理性的财务驱动下，组织会毫不犹豫地砍掉初级人员的预算。短期来看，企业会享受到更高的 ROI 和极致的财务瘦身。但从长远推演，这种理性何尝不是一种饮鸩止渴。当从初级走向资深，学徒成为大师的梯子被抽走，人类专业知识体系传递链条也断裂了。当几年之后，现有的资深专家陆续退休或淡出一线，行业将惊恐地发现，由于过去数年里不再有人类新手经历过基础劳动的淬炼，人才梯队变成了「倒三角形」。底下是严重短缺的生力军，顶部是大量的退休人员——金字塔彻底倒置，摇摇欲坠。届时的人类，可能不得不将决策与解释权更进一步的让渡给那些自己已经无法完全理解和掌控的 AI 系统。我们的社会将陷入一种新的，由技术过度繁荣所带来的老龄化危机。延伸阅读：AI 正在毁掉下一个 HintonAI 的「奥本海默时刻」我们还是需要承认，开源模型能力的进化，和大模型的价格战，在今天是一件好事。少数巨头（特别是境外闭源玩家）对高阶智力的绝对垄断被粉碎，人人都能以极低的成本获得「外脑」与「代理」，增幅自己的智力与执行能力。听上去这确实是工业革命级别的伟大时代的开始。然而站在历史的十字路口，如果我们重新审视奥本海默的隐喻，会发现危机四伏。物理学家们证明了核爆不会摧毁地球，却未能在当时预知核时代将把人类文明带往何方。他们无法预知随之而来的冷战格局、军备竞赛、长达半个多世纪以来悬在全人类头顶的达摩克利斯之剑。核技术没有毁掉地球，却彻底重塑了整个 20 世纪的政治、地

🤡OpenAI 发文「苹果，这件事是你做错了」，公开邮件逐条反驳商业秘密指控📱微信回应「临时好友」呼声：传文件、转账和建群都可不加好友💬鸿蒙智行回应「竹知了」事件🚗大众汽车启动史上最大规模重组，计划削减四分之一产能🚙我国发布 L3、L4 自动驾驶系统强制性国家标准，2027 年 7 月起实施☁️腾讯混元 Hy3 模型限时免费体验延长至 8 月 31 日🚗多名车主称特斯拉 FSD v14 Lite 出现过热，部分 HW3 电脑需更换📱苹果拟为欧盟 iPhone 与 Windows 加入跨设备剪贴板🛑Telegram 短暂下架 App Store 后重新上架💰AMD 第二财季营收增长 50%，数据中心业务收入翻倍📋世界杯广告拉动 Snap 收入增长，北美日活继续下降💰Palantir 季度收入增长 93%，再次上调全年指引💡Hugging Face 联创：AI 最大风险之一是权力过度集中📱影石 X6 全景相机定档 8 月 12 日发布，支持 8K 30fps 录制💰5499 元，索尼 FE 100-400mm F5.6-8 OSS 镜头发布💻Windows 任务管理器之父推出 macOS 监控工具 TMOG🎬Vidu 一键 MV 升级：一张图和一首歌可生成唱演、舞蹈或剧情视频🔧SK 海力士与闪迪发布首个 HBF 标准规范🎮索尼推出 TYLOO 联名版 INZONE H9 II 电竞耳机，售价 1839 元👔吉考斯推出《女神异闻录 5 皇家版》联名服饰OpenAI 发文「苹果，这件事是你做错了」，公开邮件逐条反驳商业秘密指控苹果上月起诉 OpenAI 及两名已离职加入 OpenAI 的前员工 Chang Liu 和 Tang Tan，指控其挪用商业秘密，协助 OpenAI 进军消费硬件领域，并申请禁止上述人员访问或使用苹果机密信息。针对苹果昨日提起的初步禁令申请，OpenAI 当天在官网发文直接点名回击，标题为「苹果，这件事是你做错了」（Apple is getting this wrong）。OpenAI 在文中逐条反驳，并公开邮件与聊天记录。其一，苹果外部律师在联络时混淆亚裔姓氏发错邮件，事后承认从未与 OpenAI 法务总顾问通话，此后五个月未再跟进，直接提起诉讼。其二，苹果指控 Chang Liu 擅自访问机密，但聊天记录显示是苹果在职员工主动联系他寻求技术协助；所谓「残留访问权限」，源于苹果自身离职管理机制的缺失。OpenAI 称苹果的禁令申请「基于错误信息且完全没有必要」，公司「没有、也不想要」苹果的任何商业秘密。🔗 相关阅读：OpenAI：苹果，这件事是你做错了微信回应「临时好友」呼声：传文件、转账和建群都可不加好友微信官方回应近期关于「临时好友」功能的讨论，称一些临时沟通需求不一定要占用好友位，现有功能已经可以完成「用完即走」的操作。在线下传照片或文件时，用户可打开「扫一扫 – 我的二维码 – 面对面收照片和文件」，让对方直接扫码传输；临时转账可以使用「面对面收红包」，或通过「收付款」向银行卡、手机号转账；需要临时组群时，可在「添加好友 – 面对面建群」中设定 4 位数字密码，沟通结束后解散群聊。鸿蒙智行回应「竹知了」事件：维权属日常工作，否认大规模封杀鸿蒙智行昨日晚间就近期「竹知了」相关网络讨论发布官方声明，澄清此前外界关于「全网下架」「禁止销售」等说法与事实不符。声明显示，网络上长期存在恶意剪辑高管言论、仿冒声音、利用 AI 丑化肖像、侮辱诽谤等侵权内容，鸿蒙智行一直依法开展日常取证和投诉，本次维权是日常工作的一部分，针对的是具体侵权内容，并非「竹知了」玩具本身。针对电商平台方面的传言，声明明确表示，鸿蒙智行未向任何电商平台投诉「竹知了」商品，也从未要求任何电商平台下架或停售该商品。「竹知了」是一种传统竹制玩具，因其发出的声响被网友联系到余承东在问界 M9 发布会上的发言节奏，由此引发大量二创视频和相关讨论。此后，部分创作者反映自己的相关视频遭到投诉下架，话题进一步发酵，「全网禁售」的说法随之在网络上广泛流传。鸿蒙智行在声明结尾表示，将持续尊重正常的网络表达和善意批评，同时依法维护企业和个人的合法权益。目前官方未披露后续是否会就侵权内容进一步采取法律行动。SpaceX 携手英伟达开发算力卫星，搭载 Rubin GPU 目标构建百万颗轨道 AI 网络SpaceX 今天宣布与英伟达合作，共同开发名为 Starmind AI1 的算力卫星载荷。根据 SpaceX 官方披露，每颗 Starmind 卫星将搭载英伟达 Rubin GPU 与 Vera CPU，目标是在轨道上实现数据中心级别的 AI 算力。SpaceX 设想构建一个最终规模达 100 万颗卫星的轨道网络，在太空打造分布式 AI 超级计算机。该项目计划通过激光链路在卫星间以极高速度传输数据，从而大幅扩展地球数据中心以外的计算能力。DeepSeek V4 Flash 单周调用量达 7.22 万亿 token，登顶 OpenRouter 榜首在全球最大 AI 大模型 API 聚合平台 OpenRouter 昨日公布的最新周报中，DeepSeek V4 Flash 以 7.22 万亿 token 的周调用量位居平台第一，统计周期为 7 月 27 日至 8 月 2 日，较前一周增长 13%。据 OpenRouter 数据，两个版本的 DeepSeek V4 Flash 合计处理了 6700 亿 token，平台当周总处理量为 3.29 万亿 token，周处理速度达 61.3 万亿 token。前十名中，DeepSeek、MiMo-V2.5、Hy3 和 GLM-5.2 等中国模型占据多席，且多数免费或接近免费。OpenAI 的 GPT-5.6 Luna 排名第 8，是前十中唯一的 OpenAI 模型，其调用量虽环比增长 465%，但仍不及 DeepSeek V4 Flash 的三分之一。开源项目团队 OpenCode 另行披露，其平台上 DeepSeek V4 Flash 的单日处理量已达 8 万亿 token，其中 5 万亿来自免费试用额度消耗，3 万亿为开发者付费使用。大众汽车启动史上最大规模重组，计划削减四分之一产能大众汽车集团公布包含 12 项措施的「2030 目标图景」，把这轮调整称为集团史上规模最大的综合性改革。到 2030 年，集团计划把全球年产能从约 1200 万辆降至 900 万辆，车型数量最多减少 50%，零部件种类最多减少 75%，并削减约 5 万个间接岗位。改革目标还包括把销售、管理等费用占收入的比例从约 16% 降至 12%，并把营业销售回报率提高到 8% 至 10%。在中国，大众将继续关闭或缩减部分工厂，同时把更多研发与产品决策移交给合肥的大众汽车（中国）科技有限公司；中国市场的软件和电子电气架构将更多采用与小鹏、地平线等本地伙伴合作的方案。调整背后是销量和利润的同步承压。大众上半年收入为 1581 亿欧元，基本持平；营业利润为 59.3 亿欧元，同比下降 11.6%，营业利润率为 3.8%。同期全球交付量下降 6.3% 至 412.6 万辆，其中中国市场下降 25.9% 至 97.3 万辆。集团还把全年收入增速预期从增长 0% 至 3% 下调为下降 3% 至持平。我国发布 L3、L4 自动驾驶系统强制性国家标准，2027 年 7 月起实施工业和信息化部组织制定的《智能网联汽车 自动驾驶系统安全要求》（GB 44721—2026）已由国家市场监督管理总局、国家标准化管理委员会批准发布，将于 2027 年 7 月 1 日起实施。标准适用于搭载 L3 级、L4 级自动驾驶系统的 M 类和 N 类车辆，不适用于自动泊车系统。标准要求车企建立覆盖设计开发、生产制造和部署后的全生命周期安全保障机制，并通过仿真、场地和道路试验进行研发验证。系统还要满足动态驾驶任务的安全要求，明确最小风险策略的触发和执行，以及就绪、激活、退出等状态提示；L3 系统必须具备驾驶人接管能力监测功能。在检验检测方面，标准建立企业保障能力检验、安全档案检验和确认性试验组成的体系，第三方可综合采用场地、道路和仿真试验评估系统能力。腾讯混元 Hy3 模型限时免费体验延长至 8 月 31 日腾讯 WorkBuddy 官方宣布，混元 Hy3 模型的限时免费体验延长至 2026 年 8 月 31 日。Hy3 是 WorkBuddy 中提供的混元思考模型，目前仅支持文本推理，适用于日常办公、代码开发、文档处理和数据分析等任务。调用 Hy3 执行视频、图像等生成任务时，WorkBuddy 会切换到对应的多模态模型并按正常规则消耗积分。由于免费体验参与人数较多，每日免费额度会根据资源情况分配，繁忙时可能需要排队；官方建议在每天 23:00 至次日 8:00 错峰使用。多名车主称特斯拉 FSD v14 Lite 出现过热，部分 HW3 电脑需更换特斯拉向搭载 HW3 硬件的车辆推送 FSD v14 Lite 后，多名车主报告 Autopilot 计算机出现过热警告，部分车辆甚至需要更换整套计算机。该版本从 HW4 平台的 v14 模型压缩而来，面向只有 8GB 内存、内存带宽约为 HW4 八分之一的 HW3 计算机。目前已有 4 名车主向 Electrek 反映类似问题。部分车辆的维修模式显示APP_w141_ECU_Thermal_Issue，该代码对应主板温度超过 90 摄氏度；车主测得的温度最高达到 96 摄氏度。故障可能表现为红色双手警告、FSD 被强制退出，或进入selfDrivingUnavailable状态。HW3 的过热故障此前就可能由冷却液不足、八通阀存有空气或散热器堵塞引起，特斯拉尚未确认软件更新会导致硬件损坏。但已公开案例大多出现在安装 v14 Lite 后，车主还报告了幽灵刹车、犹豫和刹车抖动等问题。苹果拟为欧盟 iPhone 与 Windows 加入跨设备剪贴板据 MacRumors 报道，苹果正在评估让 iPhone 与 Windows 电脑持续同步剪贴板的互操作项目。该项目来自微软通过欧盟《数字市场法》渠道提出的请求，目标是在用户完成一次授权后，让配对电脑可在后台同步复制和粘贴内容。苹果于 3 月开始审查请求，并在 6 月 26 日提出项目计划。方案预计使用 AccessorySetupKit 完成设备配对和权限确认，工程开发目标指向 2027 年秋季，随后先提供开发者测试版；面向普通用户的版本可能要到 2028 年初。目前项目仍处于规划阶段，发布时间和支持范围都可能变化。由于请求基于欧盟互操作规则，这项能力是否会在欧盟以外地区开放尚未确定。Telegram 短暂下架 App Store 后重新上架Telegram 昨日表示，该应用已在苹果 App Store 重新上架并恢复下载。此前，Telegram 曾被 App Store 短暂下架，下架的具体原因不明。Telegram 创始人兼 CEO 帕维尔 · 杜罗夫（Pavel Durov）随后在社交平台发文证实了这一消息。杜罗夫提到，苹果在收到 Telegram 对相关问题的处理反馈后，已经恢复了该应用的下载权限。作为全球主流的加密通讯工具之一，Telegram 此前多次因内容审核标准与应用商店规则的冲突而引发关注。AMD 第二财季营收增长 50%，数据中心业务收入翻倍AMD 发布 2026 财年第二财季业绩：营收为 115.36 亿美元，同比增长 50%；GAAP 净利润为 22.97 亿美元，同比增长 163%，毛利率为 54%。数据中心业务收入为 67.18 亿美元，同比增长 107%；客户端与游戏业务收入为 38.41 亿美元，同比增长 6%；嵌入式业务收入为 9.77 亿美元，同比增长 19%。公司预计第三财季营收将在 127 亿至 133 亿美元之间，非 GAAP 毛利率约为 56%。世界杯广告拉动 Snap 收入增长，北美日活继续下降Snap 第二季度收入为 16 亿美元，同比增长 1

8 月 3 日晚，腾势 Z9 家族多了一位新成员——腾势 Z9S。这辆新车目前还在预售阶段，一共有三款车型，分别卖 31.98 万元、34.98 万元和 38.98 万元。和之前一样，腾势几乎把所有拿得出手的技术都装到了这台车里，包括「9 分钟充饱」的比亚迪闪充、拥有上千马力的易三方系统，以及云辇-A、天神之眼 5.0 等智能化配置。除了这些腾势固有的东西，他们这次还给 Z9S 强化了「长续航」这一标签，Z9S 闪充旗舰型的 CLTC 纯电续航达到了 1100km。但这并不是腾势第一款纯电续航突破 1000 公里的车型。实际上，现款腾势 Z9GT 闪充旗舰型也拥有 1036 公里的纯电续航，而它的售价，却比 Z9S 同版型的预售价少了整整 5 万元。我不禁要问，腾势 Z9S 为什么这么贵？31.98 万，只是腾势放出的烟雾弹从尺寸来看，腾势 Z9S 明显比 Z9GT 小上一圈，车长和轴距分别比后者短了 90mm 和 100mm，为 5090mm、3025mm。在体型小了一圈的情况下，Z9S 还比猎装车型 Z9GT 贵了这么多，一时间还真让我有点摸不着头脑。按照常见的产品关系，新推出的 Z9S 理应负责降低 Z9 家族的门槛、扩大销量，但现在这个价格，却把它推到了一个难以解释的位置。从产品层面来看，官方把 Z9S 定义为「科技豪华智能轿车」，并用「智能与悦己」和 Z9GT 做出区分。作为 Z9 家族的成员，腾势依然给了它非常夸张的参数，易三方版本拥有 1210 马力，零百加速只要 2.68 秒，单电机版本的功率也接近 500 马力，同时还支持 10°的分体式后轮转向，最小转弯半径只有 4.75 米。不过，这些参数足以证明它很强，却解释不了它为什么比 Z9GT 更贵。或许，我们可以从工信部的信息里看出一点端倪。工信部第 409 批《道路机动车辆生产企业及产品公告》申报信息显示，腾势 Z9S 已经申报了一款低功率后置单电机车型，驱动电机峰值功率为 320kW（429 马力），而这款车型，并没有出现在预售阵容里。所以说，腾势大概率是有意保留了一款价格更低，真正负责拉低门槛的版本。对于腾势而言，这款 320kW 车型并不是可有可无的补充，而是 Z9S 能否承担走量任务的关键。只有把实际购买门槛拉到 25 万元左右，它才能和 Z9 GT 形成合理的价格关系，也才有资格真正进入小米 SU7 所在的主流战场——也就是年轻人的市场。过去的腾势总给人一种商务、稳重甚至略显厚重的感觉。D9 的成功，让品牌迅速和老板、接待、家庭用户绑定在一起。这套形象放在 MPV 上很合适，放到轿车市场，「登味儿」就有些重了。于是，Z9S 开始主动「去登味儿」，它不仅有低趴车身、流线型轮廓、鲜艳的内饰配色，还有像 Nomi 那样的智能伙伴。另外，腾势还借鉴了一些「互联网造车」思路，从小米那拿来了磁吸生态和各种智能设备支架。显然，腾势希望它能从一辆「老板会买的车」，变成一辆「年轻人愿意自己开出去的车」。这个方向确实是对的，但设计完成度还差点意思。为什么会这么说呢？可以来感受一下这个红黑内饰。请问今年是这个方向盘的本命年吗？的确，这套内饰确实比木纹、米白真皮和泛着蓝光的水晶按钮更年轻些，但这种年轻更像是「把能变红的地方都变红」，还没有形成稳定的高级感。豪华车的 CMF 很吃比例和秩序，红色本身没有问题，问题在于它出现的位置、饱和度，以及和周围材质之间的关系。Z9S 这套内饰并没有大面积铺红，但偏偏把饱和度最高、视觉冲击最强的红色放在了方向盘上，成为了整个座舱的视觉中心。第一眼看过去，你看到的不是内饰的整体氛围，而是一个被单独拎出来强调的大红圈。门板、椅背、安全带和缝线虽然也在呼应红色，却没有形成清晰的主次与层次，反而让各个元素都在争夺注意力。腾势倒是可以多参考一下传统豪华品牌是如何处理红色的，它们的红色面积未必会比 Z9S 更小，却往往会选择更沉稳的色调，再通过皮革纹理、织物、金属和饰板来建立层次。值得肯定的是，腾势已经开始主动调整设计，尝试更大胆的颜色、更轻松的氛围，以及更贴近年轻人的产品表达。至少从方向上看，Z9S 确实比过去的腾势轿车往前走了一步。只是，从「不再老气」到「真正年轻」，中间还隔着一套成熟而稳定的审美体系。Z9S 已经开始「去登味儿」了，但去得还不够彻底。一辆 Z9S，解决不了腾势的问题我一直觉得，腾势 Z9 GT 有点像刚进入中国市场时的讴歌。讴歌 1986 年诞生于美国，进入中国前已经算得上北美主流豪华品牌。2005 年，它在美国卖出了约 21 万辆，创下品牌历史纪录。技术上，讴歌也有自己的招牌。2004 年发布的 SH-AWD，不仅能分配前后轴动力，还能独立调节左右后轮扭矩，几乎是当时世界上最强的四驱系统。2006 年，讴歌正式进入中国，首批引入 RL 和 TL，依然主打运动豪华、驾驶乐趣和 SH-AWD。它显然相信，这套已经在北美得到市场验证的产品逻辑，搬到中国同样能够成立。然而结果并没有。中国豪华车市场从来不只看技术。一套四驱系统有多复杂，过弯时动力如何分配，消费者未必愿意为此多付几十万元。他们还会看品牌认知、设计气场、服务体验，也会在意别人是否知道这辆车意味着什么。讴歌带来了不错的车，却没能建立足够清晰的购买理由。腾势今天遇到的麻烦很相似，Z9GT 和 Z9S 都不缺技术。易三方、云辇-A、后轮转向、第二代刀片电池、闪充、天神之眼 5.0，单独拿出任何一项，都够支撑一场发布会。腾势显然也很自信，在他们的 PPT 里，「全球第一」「全球唯一」「全球首搭」密集出现，从续航、充电、操控一路写到车机和智能体，接着补了一句「为悦己生活而来」。在大众市场，「量大管饱」这套方法很有效。同样的价格，续航更长、功率更高、配置更多，消费者能够迅速判断自己多得到了什么。比亚迪过去的成功，很大程度上也来自这种清晰、直接、可量化的性价比。但到了豪华市场，比亚迪理应换一套打法。豪华感很少来自某一个参数，它更像一种整体体验：车停在面前有没有吸引力，坐进去之后颜色和材质是否协调，品牌有没有稳定的性格，销售和服务能不能让用户觉得钱花得舒服。这些东西很难被写进配置表，也无法用「全球第一」来证明。D9 的成功，很大程度上掩盖了腾势的问题。在 MPV 市场，空间、舒适、配置和商务属性本来就是核心需求。但在高端轿车市场，用户面对的选择更多。小米提供了闲聊时的话题和各种新体验，特斯拉代表简洁与效率，极氪强调性能与独特设计，蔚来出售服务和生活方式，华为系则占据了智能化认知。相比之下，腾势最鲜明的标签依然是「技术很多」。技术当然重要，但它应该支撑体验，而不是永远站在体验前面。如今 Z9S 的推出，或许意味着腾势已经意识到了这个问题。只靠技术还远远不够，它们需要更年轻的设计和更轻松的产品语言。问题是，年轻化并不是换一套皮、加几个玩偶，再说一句「悦己」就能完成的。真正有效的年轻化，需要一套稳定的审美和品牌性格，要让外形、内饰、功能、传播和服务都指向同一种感受。

一块 8.24GB 内存的 CPU，一个 2.78 万亿参数的大模型，甚至不需要显卡，Kimi K3 就这么水灵灵地跑起来了。而满血版的 DeepSeek V4 Flash，也只需要用一台老黄的 DGX Spark，或者配备 128GB 运行内存的 Mac 电脑就可以运行。从 2025 年初横空出世的 DeepSeek R1 掀起了一大波本地部署的潮流，各种密集的攻略教大家如何避开 DeepSeek 的「服务器繁忙，请稍后再试」，用手边的电脑，就能自己搭建一个不受限制的 DeepSeek R1。到了今年，大模型的参数几乎都从千亿到了万亿， 671B 的 R1 对比现在 2.78T 的 Kimi K3 和 2.4 T 的 Qwen3.8-Max，看起来是格格不入。快速问答版本的 DeepSeek V4 Flash 维持在 284B，但 V4 Pro 预览版的总参数也达到了 1.6T。硬件上的变化同样如此，内存大涨价和本地 Agent 工具爆发的背景下，让 Mac Mini 等产品直接断货，苹果上调 Mac 等产品线起售价。黄仁勋去年年底推出的 DGX Spark，都从建议零售价 3999 美元涨到了 4699 美元起。AI 一天，人间一年。当时的本地部署教程放到眼下的万亿参数大模型上，都有了新的变化。如何在 2026 年部署一个本地大模型？需要什么配置？什么样的工作流适合自己部署一个大模型？部署哪个大模型？我们用这篇文章给大家讲清楚。太长不看总结版8GB 能跑 Kimi K3，但要 1.7TB 固态，一个 Token 等半分钟。本地部署先看显存容量，再看内存带宽。8GB 显存适合 4B—7B；16GB 可跑 9B—14B；24GB 进入 24B—27B；120B 模型通常需要 80GB 以上显存或大容量统一内存。DeepSeek V4 Flash 正把前沿模型带上个人桌面。Kimi K3 是怎么跑起来的输入「The capital of France is」，程序输出「Paris」。这个名为 kimi-k3-in-c 的 GitHub 项目，用不到 200KB 的 C 语言代码，完成了 Kimi K3 的 CPU 推理。没有 PyTorch，没有 CUDA，整个程序只依赖编译器、OpenMP 和系统数学库。但 2.78 万亿参数并没有被塞进这 8GB 内存里。完整权重仍然占据约 1.56TB 硬盘空间，项目真正压缩的，是模型在任意时刻必须停留在内存中的部分。简单来说，就是开发者将模型的其他的权重全放到一块固态硬盘上。根据 Kimi K3 官方模型卡，模型共有 2.8 万亿参数，但每处理一个 Token，只会激活其中约 1040 亿参数，占总量的 3.7%。Kimi K3 一共有 93 层，其中 92 层使用 MoE。每一层都准备了 896 个不同的专家，路由器会根据当前 Token 的内容，从中选出 16 个参与计算。剩下的 880 个专家，当前这一轮完全用不上。既然每层只用 16 个专家，程序只需要根据路由结果，从硬盘读取这 16 个专家。但把路由专家留在硬盘后，模型还有 113.49GB 无法绕开的稠密权重。这里包括注意力层、路由器、归一化、共享专家、Embedding 和输出层。它们几乎每生成一个 Token 都要参与计算，普通的 MoE 卸载方案通常会把这一部分完整放进内存。kimi-k3-in-c 又做了一次流式处理，原始 Kimi K3 权重被分成 96 个模型权重文件，同一层里的权重散落在体积巨大的分片中。项目先运行一个打包脚本，把 93 层的稠密权重重新整理成一个约 109GB 的连续文件，每一层都对应一个固定的磁盘位置。开始推理后，程序会根据内存预算，尽可能固定一部分层。放不下的部分，则通过一个循环缓冲区逐层读取：当前层进来、完成计算、腾出缓冲区，下一层继续覆盖。最终，整个内存缩减过程变成了四个数字：5.56TB：所有参数采用 BF16 时的理论体积；1.56TB：官方发布的 MXFP4 权重；113.49GB：专家权重留在磁盘后，需要持续参与计算的部分；8.24GB：连稠密主干也改成逐层读取后，实际测得的峰值内存。Kimi K3 的 69 个 KDA 层也帮了很大忙。KDA 不需要为每个历史 Token 保存一份完整 KV Cache，只维护固定大小的递归状态；另外 24 个 MLA 层则通过低维表示压缩注意力缓存。▲ Kimi K3 框架，KDA 是 Kimi Delta Attention，一种注意力机制配合增量解码，第一轮先处理完整 Prompt，之后每一轮只需要处理刚刚生成的新 Token。内存不会随着生成长度迅速失控，程序才有机会把更多空间留给权重调度。8 GB 的代价，是每个 Token 等半分钟8 个 Token 总共花了 261.5 秒，内存占用降到了 8.24GB，真正的成本转移到了硬盘和时间上。在最低内存配置下，Kimi K3 每生成一个 Token，需要读取约 25.83GB 专家权重。由于没有空间固定稠密层，约 108.81GB 的主干权重也会被重新扫描一遍。这意味着一个 Token 背后，可能对应超过 130GB 的磁盘数据搬运。作者测得，8GB 档位平均需要 32.69 秒才能生成一个 Token，速度约为 0.03 Token/s。「The capital of France is」后面的 8 个 Token，总共等了四分多钟。在另一组统一条件的内存阶梯测试中，从 8GB 一路增加到 224GB，内存扩大了 28 倍，速度只提高约 1.7 倍。整个运行过程中，约四成到六成时间都花在等待硬盘。所以这套方案的关键硬件已经从 GPU 转向 NVMe。普通机械硬盘很难承担这样的随机读取，网络存储也会明显拖慢速度。项目要求至少准备约 1.7TB 空间，用来放置 1.56TB 原始权重和重新整理后的 109GB 主干文件。如果硬盘每秒只能稳定读取 1GB，生成一个 Token 光搬运数据就可能超过两分钟。整个项目最抓眼球的描述，也就是首页写着的「One CPU，8GB RAM」。但继续查看测试环境，会发现这句话还需要补充一些条件。作者的全部数据都来自一台双路 AMD EPYC 7763 工作站，共有 124 个 CPU 核心、228GB 内存和 3.2TB NVMe 固态硬盘。机器上还装了四张 NVIDIA L40，不过整个测试过程没有使用 GPU。所谓 8GB，是作者通过 Linux cgroup（一种 Linux 的资源管理机制）将进程限制在 8GB 内存，然后测得 8.24GB 的峰值 RSS（Resident Set Size 的缩写，指进程实际占用的物理内存大小）。它证明了推理引擎可以在这一内存预算下完成计算，但并没有在一台普通的 8GB 笔记本上进行实测。或许项目中的「One CPU」更适合理解为 CPU-only。124 个服务器核心与普通笔记本处理器之间，仍然隔着巨大的计算能力差距。虽然整个实验看到这感觉就是个噱头，因为它根本无法让一台旧笔记本直接获得完整的 Kimi K3，也很难替代现有 API 服务；但也有网友说，从工程验证的角度看，这个项目做得相当认真。而且它还证明了一件事：模型的总参数量，已经无法直接等同于部署时的内存门槛。那 8GB 内存的电脑就可以做什么要选择合适的硬件，必须先搞懂本地部署的两大核心瓶颈：显存容量和内存带宽。对显存来说，模型运行需要的显存不仅包含模型权重本身，还必须预留 KV Cache（上下文缓存） 和激活值空间：模型权重（GB）≈ 参数量（B）× 量化位数 ÷ 8 × 1.15，接着模型运行时还要加上 KV Cache，因此总内存需求 ≈ 模型权重 + KV Cache + 1～3GB 运行缓冲。举个例子，FP16（半精度无损）：1B 参数需要约 2GB 显存。 INT8（8-bit 量化）：1B 参数需要约 1GB 显存。INT4/Q4_K_M（4-bit 常用量化）：1B 参数需要约 0.5～0.6GB 显存（最主流的选择）。像 DeepSeek V4 / Kimi 这类 MoE（混合专家）架构模型，虽然每次 Token 推理只激活部分专家参数，但全部专家权重都必须先完整加载到内存/显存中。按照 Q4 量化，8K—16K 上下文估算，可用的显存和对应的模型规模对应大概如下。具体到显卡的选择上，RTX 5060 Ti 16GB 市价约为 5100—5300 元，适合 9B—14B 模型；二手 RTX 3090 24GB 约为 5000—8000 元，可以进入 24B—27B，但要承担 350W 功耗、矿卡历史和显存维修风险。如果模型完整放进显卡，6—8 个现代 CPU 核心通常够用。8GB—16GB 显卡建议搭配 32GB 系统内存，24GB—32GB 显卡搭配 64GB；想通过混合卸载运行 70B，则要准备 128GB 内存。关于硬件主要还是显卡，内存、CPU、硬盘都是够用就行，但硬盘最好从 1TB 固态起步，长期使用更推荐 2TB。没有独立显卡，也可以考虑 Mac Studio、Ryzen AI Max+ 395 和 DGX Spark 这类大容量统一内存设备。96GB—128GB 内存可以装下 70B、109B 甚至部分 120B Q4 模型，代价是更高的整机价格和有限的升级空间。如果直接要对应到模型，8GB 显存或 16GB 普通内存电脑，Phi-4 Mini 3.8B、Qwen3.5 4B 这类小模型最稳妥。它们适合摘要、翻译、格式整理和简单工具调用，也不会让整台电脑陷入内存不足。来到 16GB 显存，Qwen3.5 9B、Gemma 4 12B 是更均衡的选择。Gemma 4 12B 支持文本、图片、音频和视频，Google 甚至展示过通过专用 AI Edge 运行时，在 16GB 普通笔记本上运行它。24GB 显存开始进入本地 Agent 的实用区间。Devstral Small 2 24B 主打编程和软件工程，官方给出的本地硬件参考包括单张 RTX 4090 或 32GB 内存的 Mac。同一档位还可以选择即将开源的 Qwen3.8 27B，它支持文本和视觉输入，中文能力更有优势。32GB 显存则可以运行 Qwen3.5-35B-A3B。它拥有 35B 总参数，每次只激活约 3B，在模型完整装入显存后，可以得到比同等总参数稠密模型更轻的计算负担。80GB—128GB 是另一条分界线。gpt-oss-120b 官方称可放入单张 80GB GPU；这些模型更适合大容量统一内存工作站、专业计算卡或多卡系统。拿 DeepSeek V4 Flash 举例，目前公开验证较完整的一套方案，是一台配备 4 张 GB300 的服务器。每张 GB300 拥有 288GB 内存，四张卡合计约 1.15TB 显存。这样的配置远远超过模型权重本身，剩余空间将用于 KV Cache、DSpark、长上下文和并发请求。而社区里一些经过量化的方案，也能做到在 168GB RAM 上运行 DeepSeek V4 Flash 无损 4 位，在 110GB RAM 上运行 3 位。选择合适的本地 LLM 软件硬件选好后，下一步才是运行工具。LM Studio 更适合第一次接触本地模型的人。它提供完整的图形界面，可以直接搜索、下载和切换模型，还能在加载前使用专门的命令 lms load –estimate-only 估算模型、上下文、Flash Attention 和视觉组件需要多少内存。Ollama 则更适合开发者。安装后通过 ollama run 就能启动模型，也可以提供 OpenAI 兼容 API，连接 Open WebUI、Cherry Studio、编辑器和各种 Agent 工具。需要留意的是，Ollama 现在同时提供本地模型和云模型。带有 cloud 标记的模型会把计算转移到 Ollama Cloud；如果你对隐私和离线运行有明确要求