一台车长超过 5.2 米、重量接近 3 吨的大型 SUV，想要爬上松软沙坡，动力够大只是第一步。随着坡度增加，车辆重心不断后移，轮胎能够获得的附着力却在不断变化。倘若四驱系统无法及时分配动力，大马力只会变成车轮空转，在沙地上越刨越深；悬架如果撑不住车身，动力同样很难有效传到地面。7 月 29 日，岚图泰山系列完成了一次约 100 公里的阴山全地形穿越。路线包括 25 公里浅水碎石河床、最大坡度 62% 的松软沙坡，以及深坑和连续交叉轴等复杂路况，其中「英雄坡」长度超过 250 米，最大坡度约合 32°。在这次挑战中，岚图正式发布并命名了「虎踞智能底盘」，并称其为中国首款全地形智能底盘。阴山穿越是一个很好的底盘能力展示，岚图把过去分散在不同车型和配置表里的悬架、转向、四驱与制动控制，正式收拢到了一套底盘技术体系之中。「虎踞」不是一个部件「虎踞智能底盘」不是某一个新悬架或新部件的名字，它由机械硬件、控制系统和场景化标定三部分组成。三腔空气悬架、前双叉臂与后五连杆悬架、解耦双电机四驱、高强度笼式车身和双向 16° 后轮转向，构成了岚图所说的「硬核筋骨」，EDC 可变阻尼、IPB 2.0、智能四驱协同和牵引力控制系统，则负责根据车轮与车身状态进行实时调节。因此，这次发布的「新」，并不是其中每一件硬件都第一次出现，而是岚图首次将这些硬件与控制能力纳入统一架构，并进一步做成可以覆盖不同车型的底盘技术品牌。其中，三腔空气悬架通过两个刚度阀控制三个独立气室，可以形成 4 种弹簧刚度组合，并提供 105mm 调节行程，最高离地间隙达到 238mm。相比只能调节车身高度的单腔空气悬架，三腔结构还能改变悬架刚度，在舒适和支撑之间提供更大的调节范围。与之配合的 EDC 魔毯减振系统，则根据路面起伏与车辆状态，控制减振器压缩和回弹的速度。空气悬架负责车身高度与弹簧刚度，EDC 负责处理具体的振动和车身姿态，同步为车内舒适性做保障。在阴山的浅水碎石河床中，这两套系统承担的也是类似任务：空气悬架抬高车身，增加底盘面对水下碎石和暗坑时的通过余量；EDC 则连续调整阻尼，控制碎石、坑洼和起伏路面带来的车身晃动。对于大型 SUV 而言，通过一段烂路并不算太困难，但在通过的同时，还要尽量不让座舱里的乘客跟着车身反复摇摆。面对沙坡和交叉轴，工作的则是智能电动四驱、牵引力控制和 IPB 2.0。扭矩矢量控制系统能够识别不同车轮的附着状态，动态调整前后轴及车轮间的驱动力；当某个车轮开始打滑或悬空，IPB 2.0 会先对空转车轮施加制动力，再将驱动力转移到仍有抓地力的车轮。这也是泰山 X8 能够通过「英雄坡」和连续交叉轴的技术基础。大功率电机提供爬坡所需的动力，牵引力控制与 IPB 2.0 抑制车轮刨坑和无效空转，智能四驱再把动力送往有效车轮，三腔空悬与 EDC 则负责支撑车身，控制车辆在大仰角状态下的重心转移。将这些系统放在一起，才能看出虎踞所说的「智能」到底指什么：与让驾驶者选择一个越野模式不同，虎踞可以根据路面附着力、车轮状态和车身姿态，同时调节悬架高度、阻尼、制动力和驱动力。岚图称，这套系统针对草地与雪地、泥泞车辙、沙地、岩石和砾石等路况进行了标定，覆盖超过 1000 个细分场景。岚图还将虎踞分成了三条产品路线：虎踞 P 对应 Premium，偏向尊享舒适；虎踞 A 对应 Allroad，强调全地形能力；虎踞 D 对应 Dynamic，面向运动驾趣，岚图分别以岚图梦想家、泰山 X8 和追光 L 作为三个方向的代表车型。目前公布得最完整的是泰山 X8 使用的虎踞 A，虎踞 P 和虎踞 D 暂时还没有给出完整的硬件与标定差异。但至少从这次发布可以看出，岚图希望虎踞不只是一款车的配置组合，而是像动力平台和智能座舱一样，成为覆盖不同车型的家族化技术标签。泰山 X8，仍然是一台家庭大五座完成阴山穿越的泰山 X8 于今年 5 月上市，定位大五座 SUV，提供插混和纯电两种动力，共 5 个版本，指导价为 29.29 万—37.99 万元。新车长宽高分别为 5200/2025/1814mm，轴距为 3090mm，是一台标准的大型 SUV。尺寸带来了空间，也会放大车身惯性和较长轴距带来的问题。虎踞 A 的作用，是让泰山 X8 在城区保持舒适和灵活，离开铺装道路以后，又有足够的通过性。三腔空气悬架与 EDC 可以在城市道路中抑制制动点头、过弯侧倾和连续晃动，到了坑洼、碎石等复杂路面，悬架又能抬高车身并提供更强支撑。双向 16° 后轮转向则将泰山 X8 的最小转弯半径缩小至 5.4 米，让这台超过 5.2 米的大车在地库、窄路和山路中少一些本应有的笨重。对一台大五座 SUV 来说，舒适性与通过性并不是两套互不相干的能力。家庭用户平时需要它在城区开得平稳、转弯轻松，长途出行时又可能遇到雨雪、积水、碎石或非铺装道路。虎踞 A 并不是要把泰山 X8 变成一台硬派越野车，而是让它在保留家庭舒适性的同时，面对复杂路况不至于立刻失去从容。五座布局则将更多车内长度留给了二排和后备厢，泰山 X8 的常规后备厢容积达到 1148L。零重力座椅、一键成床、对外放电等配置，负责家庭长途与户外休整，华为乾崑智驾和 HarmonySpace 5.2，则补齐驾驶辅助与座舱体验。配合虎踞 A 带来的能力，X8 能够很轻松的将全家人带向山野。阴山穿越把这种能力做成了一次直观展示。对于泰山 X8，虎踞 A 补上了大空间、舒适座舱之外的行驶能力，对于刚刚发布的虎踞，泰山 X8 则成为全地形路线最完整的一次产品落地。泰山 X8 依然是一台面向家庭用户的城市 SUV，虎踞则让城市不再成为它的边界。

科技圈的刺激，总是来得猝不及防。同一天，两家大模型领域的绝对顶流，不约而同地丢出了自己的重磅炸弹。一边是 OpenAI 突然宣布 GPT-5.6 系列模型价格大跳水；另一边，DeepSeek 正式发布 V4-Flash 模型，带着通过后训练（Post-Training）全面强化的推理与代码能力，霸气登场。过去两年，大模型的竞争主线是追赶能力上限：参数更大、上下文更长、跑分更高。今天这两份公告放在一起，则释放出另一个信号：顶级模型的竞争，正在从单纯比拼能力，转向争夺「智价比」。这种变化对 Agent 尤其重要。让聊天机器人写一封邮件，模型回答一次，工作基本结束。让 Codex 修一个 Bug，它却要先读项目文件、搜索代码、应用补丁，再运行测试；一旦测试报错，还得回头检查并重新执行。任务越长，模型调用次数越多，价格就越直接地影响 Agent 能否真正投入日常工作。DeepSeek V4-Flash 的 API 价格仍是每百万 token 输入 1 元、输出 2 元。OpenAI 则把 GPT-5.6 Luna 的 API 价格下调约 80%，Terra 也便宜了 20%。能力继续往上走，调用成本却开始往下掉。这次我们更想知道的是：价格更低的模型，能不能把事情同样做好？模型还是那个模型，但更会干活了DeepSeek 今天更新的 V4-Flash，目前只能通过 API 使用，网页版和 App 都没有更新。开发者使用 API 调用deepseek-v4-flash，后台则会自动换成新发布的 V4-Flash-0731。它可以一次读取 100 万 token 的内容，适合塞进大份文档或整个代码项目，也原生支持 OpenAI 的 Responses API，可以接入 Codex。有意思的是，DeepSeek 称，V4-Flash-0731 与预览版的模型结构、尺寸完全一致，这次只重新进行了后训练。可以把基础训练理解成上学，后训练更像入职后的专项练习。模型原本已经会写代码、读文档，接下来还要反复练习怎么拆解任务、选择工具、发现错误，以及如何把一件事情从头做到尾。身板没变，做事的习惯变了。官方给出的提升幅度确实很大，甚至宣称「远超 V4-Pro-Preview」。在测试模型能否操作终端、连续完成任务的 Terminal Bench 2.1 中，它从 61.8 分涨到 82.7 分；另一项代码 Agent 测试 DeepSWE，则从 7.3 分涨到 54.4 分。这些数字翻译成人话就是，新版不只更会写代码，也更擅长调用工具，把一件事情从头做到尾。更关键的是，能力上涨并没有伴随涨价。V4-Flash 仍维持每百万 token 输入 1 元、输出 2 元。几乎同一时间，OpenAI 也在降低模型调用门槛。据 Axios 报道，上线仅 3 周的 GPT-5.6 Luna 输入和输出价格均下调约 80%，Terra 也降价 20%。降价后的 Luna 每百万 token 输入 0.2 美元、输出 1.2 美元。但便宜的前提是能把活干完。Agent 往往要连续调用模型几十次，任何一步出错，整个任务都可能返工。所以这次，我们把 DeepSeek V4-Flash 接入了 Proma，给它安排了 5 个从简单到复杂的任务。过程中不追加提示，也不替它处理问题，看看它拿出的第一版到底能不能用。5 个任务跑下来，V4-Flash 的惊喜不只是便宜第一轮，我们把爱范儿和 APPSO 的 320 篇早报数据交给 V4-Flash，让它分析两个账号的阅读、互动、选题和发布节奏，并把结果做成一份网页报告。查看文件夹里的早报文章数据，多维度分析数据，然后给我清晰明了的分析报告，输出为交互式的 htmlV4-Flash 先用几张数字卡片交代整体情况，再把内容拆成账号对比、阅读趋势、互动画像、选题分析、结构透视、爆款榜单和全量明细。页面里混用了柱状图、折线图、环形图、雷达图和散点图，散点图还能切换账号、缩放查看。视觉上也相当成熟。深色背景、蓝黄色强调色和卡片层级保持一致，十几张图塞在同一页里，依然能一眼分清重点。虽然这份报告很长，但好在并没有明显的拼贴感。接下来，我让 DeepSeek V4 做了一个稍微复杂一些的任务——一个打砖块小游戏，既要处理球、挡板和砖块的碰撞，又要加入重力、动量传递、砖块耐久、连锁爆炸、4 种道具和粒子效果。它给出的结果意外地还不错，普通砖、金属砖和爆炸砖在视觉上有明确区分；金属砖被击中后会出现裂纹，爆炸砖会波及周围砖块。多球、加宽挡板、粘性挡板和激光也不是只出现在说明里，实际游玩时都能触发。请为我编写一个单文件 HTML 格式的打砖块小游戏。要求使用 HTML5 Canvas 绘制，且具备以下核心要素：真实的物理引擎：球与砖块、墙壁和挡板的碰撞遵循弹性碰撞与动量守恒。挡板移动时的速度应该能传递给球（例如：向右快速移动挡板击球时，球会获得额外的向右水平速度）。加入轻微的重力效果，使轨迹更丰富。砖块类型与生命值：设计不同颜色和耐久度的砖块（如普通砖块需要击打 1 次，金属砖块需要击打 3 次并伴有视觉开裂效果，爆炸砖块被击碎时会炸毁周围的砖块）。道具系统：击碎特定砖块会随机掉落道具，包括：多球模式（分裂出 3 个球）、挡板加宽、粘性挡板（球碰到挡板后先粘住，按空格键再发射）、以及激光射击（挡板可以发射子弹直接摧毁砖块）。视觉与特效：包含击碎砖块时的粒子散落效果、球撞击时的微弱屏幕抖动、流畅的 60 FPS 动画，以及简洁现代的 UI 界面（计分板、生命值显示、暂停和重新开始按钮）。代码结构：所有的 HTML、CSS 和 JavaScript 代码必须全部打包在一个文件中，确保可以直接双击在浏览器中运行，且无外部依赖库。接下来，我们又把题目换成了三体轨道模拟器。这类页面很容易靠星空、光球和拖尾蒙混过关，真正的难点是算出三颗星体下一秒各自会去哪里，并让轨道持续运行。请写一个单文件 HTML 的三体运动轨道交互式模拟器，具体要求：物理计算：使用龙格-库塔法（RK4）或 Verlet 积分算法来计算三个质点在万有引力作用下的运动轨迹。允许用户实时调整引力常数 G、三个质点的质量、初始位置和初始速度矢量。交互与控制：用户可以通过鼠标拖拽来改变质点的初始位置，或者通过轨迹线上的箭头调整初始速度。包含暂停、单步调试、重置、以及内置几种经典稳定轨道（如 figure-8 八字形轨道、Lagrange 轨道等）的一键预设功能。可视化效果：使用 Canvas 绘制质点的实时运动，并保留渐隐的运动轨迹拖尾（利用半透明背景刷新实现）。实时显示每个质点的位置、速度和加速度数值。代码要求：完全原生 JavaScript 实现，无需外部库，界面设计美观、富有科技感。V4-Flash 交付的页面采用了四阶龙格-库塔法，也就是 RK4 来计算轨道。它还加入了引力软化，避免两个质点距离太近时数值突然爆炸；当加速度变大、天体接近相遇时，程序会自动把一个计算步长继续拆细，降低轨迹发散的概率。界面完成度同样在线。主要画面留给轨道，复杂参数集中在右侧，状态信息收在左上角，没有因为控制项多就变成一块密密麻麻的工程面板。算完轨道，我们再换个方向，看看它的审美。任务是一张科幻控制舱仪表盘，不仅要有实时波形、环形进度和滚动日志，点击「超载模式」后，整套界面还要同时进入警报状态。请为我设计一个单文件 HTML 格式的未来感科幻控制舱仪表盘（Sci-Fi Dashboard）。具体要求：视觉风格：深色调背景，使用荧光蓝、霓虹绿和警示橙作为主配色。加入网格背景暗纹、发光特效（box-shadow）和数字科技感字体。动态组件：包含一个实时波形图（使用 Canvas 绘制的音频波形或心率图模拟）、几个带有平滑过渡动画的环形进度条（展示 CPU 占用率、能源百分比等），以及一个不断滚动的实时日志终端（Terminal）。交互控制：用户可以点击「超载模式」按钮，此时仪表盘所有指示灯变为闪烁的红色，数据刷新速度加倍，且有警告音效（用 Web Audio API 合成，无需外部音频文件）。代码规范：使用响应式设计，所有 CSS、HTML 和 JS 代码必须内嵌于同一个文件中，保持现代优雅的视觉表现力。V4-Flash 这一版却做得像模像样，挺有内味的。实时波形、环形进度、能量流、系统状态和日志终端有清楚的主次关系，发光效果没有盖过数据本身。波形持续运动，环形数字平滑变化，终端也会不断刷出新的系统日志。前面的任务都可以在本地完成。最后，我们加入联网、调用 API 和读取外部资料，让 V4-Flash 从一句话开始，做出一份开源 AI 项目周报。请帮我写一个 Python 脚本，调用 GitHub API 拉取过去 7 天内 Stars 增长最快的 10 个开源 AI 项目。提取它们的 README 摘要，并自动生成一份 Markdown 格式的周报。把这个周报做成一个美观、有科技感的网页，略有极客风，简洁明了的界面。它创建了 Python 脚本，实际运行并检查结果，最终交付了脚本、Markdown 周报和一份 JSON 原始数据，以及一个精致的网页。5 个任务全部结束后，我回头看了一眼费用——DeepSeek 后台一共记录了 393 次 API 请求，累计消耗约 3422 万 token，前前后后只花了 2.85 元。测试前充进去的 10 元，连三分之一都没用完。当大模型开始从「做大」转向「做精」5 个任务当然无法测出一个模型的全部能力，但它们已经足够让我们一窥 V4-Flash 的优势：速度快、价格低，也能把一段含糊、抽象的要求变成完整、可操作的成品。过去几年，AI 行业主要遵循 Scaling Law：模型参数更多、训练数据更大、投入算力更高，能力通常也会随之提升。华为何庭波提出的「韬（τ）定律」，代表的则是另一种思路——当几何缩微越来越困难，就把优化范围从单个器件扩展到电路、芯片和整个系统，通过缩短信号传播时间、提高协同效率，继续挖掘性能。两者讨论的并不是同一个技术问题，却代表了两种不同的发展路径：一条继续扩大规模，另一条想办法让现有系统运行得更有效率。V4-Flash 这次的变化，更接近后一种思路。模型结构和尺寸没有变化，仅靠后训练，它在代码、工具调用和连续执行任务上的表现就有了明显提升。它没有否定 Scaling Law，只是说明继续堆参数之外，数据质量、强化学习、推理策略和训练方法，依然可以从现有模型里挖出更多能力。无独有偶，OpenAI 今天也宣布 GPT-5.6 系列模型大幅降价。顶级模型的竞争，正在从单纯比拼能力上限，转向同时争夺「智价比」。模型厂商之间的价格战已经全面展开。对厂商而言，这会继续压缩利润空间，并加速行业洗牌；但对开发者和普通用户而言，模型价格下降意味着 Agent 可以调用更多次、思考更长时间，也能承担过去因成本过高而无法落地的任务。当模型能力继续提升，调用成本持续下降，真正被打开的，或许不只是一个更便宜的聊天机器人，而是一个可以长时间运行、反复试错，并真正替人完成复杂工作的 Agent 时代。

电影史上有些技术，普通观众未必叫得出名字，却会改变一代人的镜头记忆。1970 年代，Garrett Brown 发明了 Steadicam。它后来被应用于《洛奇》里那段著名的台阶奔跑，也出现在《闪灵》里那条令人不安的酒店走廊。观众记住的是奔跑、压迫感和幽闭空间，行业看到的则是摄影机摆脱轨道、获得空间自由，导演、摄影与演员之间的调度关系被重新调整，创作自由度也随之打开。今天的 AI 视频也走到了类似阶段。过去它擅长制造短片段的惊艳瞬间，但长镜头不稳、角色和场景易漂移、细节修改需要重新生成，镜头与构图也很难精确控制。短片段的效果，距离专业制作之间，还缺一套足够可控的流程。APPSO 体验后发现，小云雀 Seedance 2.5 的升级，刚好补上了这一环。作为首发官方版 Seedance 2.5 的 AI 创作工具，小云雀把模型能力和产品功能做了更深层次的结合。30 秒原生直出、最多 50 个多模态参考素材、白模渲染、绿幕编辑、音频分离，再加上角色素材包与角色库、3D 导演台、片段重拍和自带配音等独家功能，AI 视频也开始从生成短片段，进入更接近专业制作的阶段。长镜头，是 AI 视频专业化的起点小云雀 Seedance 2.5 最直观的变化，是把单段直出时长提升到 30 秒，还支持继续延长，最长可以达到 90 秒。对短剧、TVC、游戏 CG、音乐 MV 等内容来说，创作者不必再把一个完整镜头分成大量碎片，再依靠剪辑拼在一起。更长的生成时长，为动作推进、情绪变化、空间调度和事件发展提供了更大的余地。在功能设置上，小云雀目前提供了两条主要创作路径。第一次接触 AI 视频的用户，可以直接使用首页的创作 Agent 功能。用户只需描述想做的视频，Agent 便会帮助整理需求、生成内容，并提供后续调整建议。下文测试的「奥德赛海啸」和「王的猜想」，都通过创作 Agent 完成。更重要的是，用户还可以点击输入框里的「画布模式」，进入创作 Agent 画布。在保留自然语言交互的同时，继续使用素材管理、节点编排和视频编辑等画布能力，逐步增加对生成过程的控制。比如马斯克之前说，将在今年年底前用 AI 制作一部长篇电影版《奥德赛》，但我直接就用小云雀 Seedance 2.5 生成了一场奥德赛风格的舰队大战。30 秒内五艘希腊战船在同一海峡中依次遭遇巨石投击、火箭齐射与接舷混战，并在持续推进中完成断船、落水、救援与反击的连续因果战斗场面。传统 AI 视频很容易把这类提示词处理成一组互不相干的战争镜头。Seedance 2.5 则充分理解了每艘船承担的任务，让三艘船分别救援不同方向的落水者，并在救人期间继续完成转向、掩护和反击。多主体、长时间、强因果的动态场面，至今仍是视频生成领域的高难度任务。这个案例也表明，Seedance 2.5 已经能把视觉奇观组织成一段完整叙事，站在当前 AI 视频从短镜头迈向长片段的前沿位置。「王的猜想」案例测试的是另一种长镜头能力。相较于 Seedance 2.0，Seedance 2.5 可以把瞳孔特写、战场全景、高空俯冲、战舰穿越、能量爆发和宇宙重组连成一条完整的摄影机路线。镜头尺度从极近景扩展到宇宙级全景，再重新回到人物身上，角色面容、战甲、披风与王冠仍要保持一致。开启创作 Agent 的自由画布功能后，生成视频过程中，系统会把模型、时长、比例、清晰度和积分消耗单独列出。涉及积分的操作会先弹出确认卡片，用户确认后才会开始生成。生成完成后，小云雀还会按照时间段说明视频内容，例如人物动作、眼神变化、环境变化和镜头推进。成片存在问题时，用户也可以继续通过自然语言提出修改要求。我们还测试了一段暴雨古城武侠打斗。白衣剑客与黑衣刀客从巷道跃上屋顶再回到长街，最终在石桥决战。镜头全程连续推进，兵器碰撞、碎瓦飞溅，场面相当激烈。Seedance 2.0 已经具备较强的运动生成能力，Seedance 2.5 的进步主要体现在动作延续和空间连贯上。人物可以从长街进入巷道、跃上屋顶，再回到石桥，摄影机不会轻易失去方向。动作长镜头由过去的姿态展示，开始接近一段经过设计的对打。哦，对了，如果你是小白中的小白，你也可以点击这个小图标润色和修改你的提示词，属实是把饭喂到嘴里了。此外，参考素材能力也迎来明显扩容。小云雀 Seedance 2.5 现在支持最多 50 个全模态参考素材输入。图片参考从 9 张提升到 30 张，视频参考从 3 个提升到 10 个，音频也可以作为参考输入。人物、服装、场景、道具、色调、表演节奏和镜头语言，都能够通过素材本身向模型传递。视频生成行业过去主要由 Prompt 驱动，创作者不断修改文字，等待模型理解。Seedance 2.5 所代表的新阶段，更接近资产驱动和工作流驱动。文字负责说明意图，参考素材负责限定结果，画布则负责组织生成过程。更重要的是，长镜头能力提升以后，AI 视频终于可以承担更完整的叙事。不过，视频时长增加，也会带来新的问题。镜头越长，角色、空间和细节越容易出错，修改成本也越高。因此，专业化的下一步，需要创作者真正获得对镜头、人物和局部画面的控制权。导演 AI，正在成为新的创作能力对完成度要求更高的创作者，可以从首页进入短剧 Agent。短剧 Agent 里包含上传剧本、AI 生剧本和自由画布三套主要功能。前两者能够更快速地完成剧本、分镜和成片生成。Seedance 2.0 在短剧领域已经证明了多模态声画生成、角色表演和复杂指令遵循的能力；Seedance 2.5 则继续加强长镜头、复杂调度、角色一致性和后续编辑，让模型从生成一组可用片段，向完成一段可持续修改的内容推进。自由画布则面向更细致的创作和编辑需求。角色管理、场景设计、视频节点、3D 导演台等等功能，都可以在这里完成。人物本身也开始成为可以反复调用的创作资产。在「短剧 Agent—自由画布—角色」中，小云雀支持上传多角度图片、视频和声音参考，让角色在不同镜头里保持相对一致的外貌、体态和声线。平台还提供约 9000 个角色，并可以调整年龄、五官、发型、妆容、肤质和表情，减少系列内容里常见的换脸和角色漂移。自由画布里更值得关注的是 3D 导演台。AI 视频的随机性，一直让专业创作者很头疼。提示词可以描述一个人从左边走到右边，却很难精确规定人物站在哪里、相机处于什么高度、镜头沿着哪条路线移动、前后景如何遮挡。小云雀把 3D 白模、K 帧、动作库和相机运镜库放进画布中。创作者可以先搭建一个可视化空间，安排人物站位、动作和相机路线，再把白模视频作为参考交给 Seedance 2.5。不用学习复杂的建模软件，也可以通过图片生成基础白模；不再完全依赖提示词，也能够调整角色动作、空间位置、镜头路线和画面构图。我们还尝试使用 3D 导演台，复现热门韩剧《铁拳教育》中强调空间压迫感和人物对峙关系的镜头。制作时先确定角色基础形象，再利用 AI 和建模能力还原白模，确定人物站位、镜头高度、运动路线和空间遮挡关系，最后把白模视频交给 Seedance 2.5，完成角色表演、服装、光线和场景质感。3D 导演台相当于把抽象的文字描述转化为可见的空间草图。面对打斗、追逐、对峙和群像站位等复杂场面，创作者可以提前安排人物与相机之间的关系，再让模型完成画面生成。自由画布也适合制作对运镜和人物调度要求较高的广告片。我们测试了一支参考宝矿力水特 TVC 风格的办公室广告。开场是一名白衬衫男员工在工位上喝下一口饮料，随后起身唱歌跳舞，邻座同事陆续被感染并加入队伍。另一个咖啡广告测试采用了相似的低机位和一镜到底设计。主角从沉闷的办公状态中起身，拿着咖啡穿过办公室，与同事互动，最后走到落地窗边喝下一口咖啡。自由画布也可用于更复杂的游戏内容。我们制作了一支乙女恋爱互动游戏 PV，以黑金 UI 为基准，包含三张角色卡、档案弹窗、隐藏支线与 A/B/C 选项。镜头从选角界面出发，经光标移动、卡片放大与界面切换，进入夜晚温泉会所的第一人称剧情。我们还制作了一支暗黑中式类魂游戏 PV，以深山镇鬼世界为背景，主角为茅山道士，30 秒内依次呈现主菜单、角色创建、地图探索、对话、战斗与 Boss 战，并保留血条与技能 UI。类魂 PV 的难点在于 CG 氛围、玩法信息与买量素材需统一呈现，提示词更接近分镜与设计文档，需要同时约束角色一致性、界面逻辑、战斗节奏与美术光效，可用于角色 PV、玩法预告与广告投放。当然，专业视频制作里，生成只是开始，修改才是常态。Seedance 2.0 主要回答了如何根据多模态参考生成一段复杂视频，Seedance 2.5 又向前推进了一步，开始回答生成之后如何继续进行精细化修改。众所周知，AI 视频最怕返工。一段 30 秒视频里，前面表现都很好，最后几秒却出现人物说错话、动作异常或产品展示不准确，过去经常只能整段重新生成。小云雀 Seedance 2.5 支持单秒级时间戳控制，也支持框选画面配合提示词进行局部编辑。创作者可以指定某段时间和某个画面区域进行修改，同时尽量保留其他部分。我们制作了一条多语种 AI 耳机直播带货视频。男性主播先后使用中文和英文介绍产品，镜头在直播间全景、主播展示和耳机特写之间切换。生成后，我们发现主播把同一句产品介绍重复说了两遍。于是通过片段重拍选中对应时间戳，只修改出现问题的局部片段，保留原有直播间、人物形象、产品外观和镜头节奏。片段重拍目前面向 Seedance 2.5 生成的视频。创作者可以单独修改人物年龄、表情、发型、妆容、服装、肤质或场景风格，也可以处理某一句台词、某一个动作和某件道具。风格转换是另一项高频需求。我们将一条已有视频依次更改为美漫风格、水墨风格、黑白风格、动漫风格，保留原视频的动作、场景关系和运镜节奏，只修改整体视觉表现。品牌内容、短视频二创和同一素材的多版本投放，都可以通过这种方式快速生成不同风格的版本。绿幕编辑则测试了更加具体的局部替换。原始素材中，一台笔记本电脑屏幕为绿幕。我们通过视频片段创作将其替换为逼真的 3A 赛车游戏实时画面，加入赛道、仪表盘、氮气条与导航路线，同时保持桌面、机身、人物动作与环境不变。过去这类需求需单独制作屏幕内容，再进行跟踪合成回填视频。小云雀将绿幕素材与生成式视频编辑整合在同一画布中，使产品演示、影视后期与广告植入流程更直接高效。声音能力也在同步完善。对短剧出海、海外带货和本地化内容来说，声音已经是视频生成中不可忽视的一环，而多语种内容需要同时保证翻译准确、声线一致、节奏自然和口型匹配。小云雀接入 Seed Audio 1.0，可以根据参考音频生成更贴合角色设定的声线，并支持选择采样率。Seedance 2.5 还覆盖中文、英语、西班牙语、葡萄牙语、印尼语、马来语、泰语和阿拉伯语等 10 余种语言，可以同步处理发音、口型和画面文字。比如刚刚展示的直播带货测试就用到了这类能力。小云雀本身还提供了产品推广功能。该功能默认注入产品推广创作 Skill，同时保留模型、尺寸、时长等核心配置。用户输入商品、卖点、目标人群和传播场景后，系统会按照营销内容的表达方式组织视频。简言之，从创作 Agent 的长镜头生成，到短剧 Agent 的自由画布，再到 3D 导演台、片段重拍、风格转换和绿幕编辑，小云雀正在把原本分散在不同软件里的制作环节放进同一套创作流程。此前，视频模型首先比拼画质、真实感和动作流畅度。如今，长时一致性、多素材约束、局部修改和工作流协同，正在成为衡量专业能力的新指标。模型本身决定画面的上限，产品流程则决定这些能力能否真正被使用。从 APPSO 的实际测试看，Seedance 2.5 毫无疑问是当前视频生成领域遥遥领先的领头羊，身后也看不到能与之并肩的对手。尤其在 30 秒级连续叙事、复杂多主体调度、多模态参考和生成后编辑方面，它已经开始接近商业内容生产的实际要求。目前，在小云雀上已经可以直接使用 Seedance 2.5，覆盖专业创作、影视短剧、游戏动画、商业 TVC 和自媒体内容等场景。至于大家最关心的价格，还有个限时福利，7 月 31 日至 8 月 6 日，Seedance

📱小米多款手机官宣涨价💻MacBook Air 严重缺货，许多新订单延至 9 月交付🚗日产把全新车型开发周期从 52 个月压缩至 37 个月🧠OpenAI 官宣下一代模型 Astra：攻克 10 项菲尔兹奖级数学难题🌚「AI 股神」致歉：将永久取消杠杆🔧曝长鑫 LPDDR6 研发验证接近尾声，设计速率达 12800 Mbps🎬曾爱玲加入 B 站，负责 AI 视频生成业务💾三星预计内存短缺 2027 年加剧，紧张供应至少持续到 2028 年🚙小米推出龙甲电池体系，澎程 N70 / N90 首批搭载🌐7 月车企销量数据出炉：比亚迪 41.9 万辆居首，零跑首破 10 万大关💰贝索斯旗下基金领投 CuspAI 4.5 亿美元 B 轮融资，用 AI 研发新材料💻微软承诺年末前降低 Windows 11 内存占用📋苹果对 iOS/macOS 漏洞提交设限，打击 AI 批量生成的低质报告💡奥特曼：AI 行业需要放慢节奏，重新检查模型安全边界📱Pixel 11 全系规格与售价曝光：四款均搭载 Tensor G6，899 美元起🌐微信地震预警新增震感上报，订阅用户超 6000 万🎮Arena 推出 AutoEval，用真人偏好训练的奖励模型快速预估排名🎮ROG 推出「DOTA2」联名外设礼盒🧸Caviar 为 Galaxy Z Fold 8 系列推出《教父》等电影主题定制版⌚卡西欧推出 CRW-H001 智能戒指手表🎥2026 年度电影总票房突破 230 亿元，暑期档连续 23 天过亿🎬《恐怖角》大结局上线，主创解释为何重写斯科塞斯电影结局小米多款手机官宣涨价小米商城 8 月 2 日 0 时更新价格，小米 17 系列、REDMI K90 系列和 Turbo 5 系列多款在售手机上调售价。其中，REDMI Turbo 5、Turbo 5 Max、K90、K90 Max、K90 Pro Max 与 K90 至尊版均涨价 300 元。REDMI Turbo 5 起售价由 2299 元上调至 2599 元，Turbo 5 Max 由 2499 元上调至 2799 元。REDMI K90、K90 Max、K90 Pro Max 与 K90 至尊版起售价分别调至 3099 元、3499 元、4499 元和 3299 元。小米 17 由 4499 元上调至 4799 元，小米 17 Pro 由 4999 元上调至 5399 元，小米 17 Pro Max 由 5999 元上调至 6499 元。其中，REDMI K90 标准版和 K90 Pro Max 此前已经涨价 200 元，Turbo 5 则取消了新春优惠。小米集团合伙人卢伟冰今年 4 月曾表示，同版本内存价格较去年第一季度接近 4 倍，12GB + 512GB 和 16GB + 1TB 物料成本分别上涨约 1500 元和更高水平。MacBook Air 严重缺货，许多新订单延至 9 月交付据彭博社记者 Mark Gurman 在昨日的《Power On》新闻通讯中披露，MacBook Air 正面临严重供应短缺，许多新订单的预计交付时间已推迟至 9 月。Gurman 指出，苹果官网开始更显眼地引导消费者考虑基础款 MacBook Pro，这种针对 Air 缺货而主动调整购买入口的做法并不常见。这轮短缺发生在内存与处理器供应持续紧张期间。6 月，苹果已上调 Mac 和 iPad 价格，其中 512GB MacBook Air 在美国的起售价由 1099 美元升至 1299 美元；公司当时表示，AI 数据中心扩张带来的内存和存储需求激增，已形成前所未有的元件成本压力。日产把全新车型开发周期从 52 个月压缩至 37 个月据 Automotive News 报道，日产汽车研发部门副总裁山口和幸表示，公司将以更接近中国车企的速度推进新车开发。全新车型开发周期将从 52 个月缩短至 37 个月，衍生车型则由约 50 个月压缩至 30 个月。日产还计划在 2030 年代中期把平台数量从 13 个减至 7 个、车型总数从 56 款减至 45 款，并将零部件复杂度最多降低 70%。产品阵容会分为 Heartbeat、Core、Growth 和 Partner 四类，以减少跨部门反复协调。新一代 Skyline 是首批采用新流程的车型，开发用时约 26 个月，计划今年冬季亮相。此后日产还会恢复 Xterra，内燃机版新一代 GT-R 已进入开发阶段，下一代 Z 则不会早于 2030 年推出。OpenAI 官宣下一代模型 Astra：攻克 10 项菲尔兹奖级数学难题OpenAI 正式公布其下一代内部大模型 Astra 的阶段性研发成果。实验表明，该模型在没有人类提示介入的情况下，自主推导并给出了 10 项长期未解数学难题的完整证明，论文全文共 249 页。据 OpenAI 发布的技术报告，Astra 攻克的数学难题均属于开放超过 10 年且长期缺乏进展的领域，涵盖组合数学、代数几何与数论。模型在证明过程中展现出构造复杂辅助函数与跨领域化简的能力，其推导步骤已经过自动化定理证明器 Lean 4 的形式化验证。OpenAI 表示，Astra 目前仍处于内部安全评估与对齐阶段，暂未面向公众开放。未来该模型的底层架构将被整合进 Codex 与 ChatGPT 的深度推理能力中，辅助科研人员进行符号推导与复杂理论证明。「AI 股神」致歉：将永久取消杠杆「AI 股神」Leopold Aschenbrenner 在其旗下对冲基金 Situational Awareness 因爆仓被迫清盘后的次日，向投资者发出致歉信，承认基金 7 月遭遇重大回撤，并承诺永久移除杠杆，以自有资金方式重新运营。Aschenbrenner 将亏损归因于不利的价格走势、流动性快速枯竭，以及针对基金持仓的集中做空压力。面对追加保证金与流动性压力，团队通过大宗交易清除杠杆；多家媒体此前报道，基金 7 月 30 日把大部分公开市场持仓出售给城堡投资。基金将继续运营公开市场业务，并保留包括 Anthropic 股份在内的私募投资。Aschenbrenner 称，基金 7 月回撤 67%，年内仍保持正收益；受锁定期约束的投资者最早可在 9 月申请赎回。曝长鑫 LPDDR6 研发验证接近尾声，设计速率达 12800 Mbps据腾讯科技报道，接近长鑫科技的知情人士称，长鑫首款 LPDDR6 产品的研发验证已接近尾声。按照存储产品导入流程，完成颗粒单体验证和研发验证后，还需经过小批量导入验证才能进入正式量产。报道称，这款 LPDDR6 的设计速率为 12800 Mbps，与 SoC 协同运行的基础速率为 10667 Mbps；单颗容量为 16Gb，芯片容量为 16GB，采用 1295 Ball PoP 封装，并强化低功耗与 RAS（可靠性、可用性和可维护性）能力。长鑫的招股材料把 LPDDR6 列入在研项目，目标是开发更高密度、容量和速度的移动内存产品。作为对比，长鑫 2025 年发布的 LPDDR5X 最高速率为 10667 Mbps，颗粒容量覆盖 12Gb 与 16Gb；其 LPDDR 产品已经进入小米、传音、荣耀、OPPO 和 vivo 等厂商供应链。曾爱玲加入 B 站，负责 AI 视频生成业务据 36 氪报道，曾爱玲已加入哔哩哔哩，担任 AI 视频生成业务负责人并向 CEO 陈睿汇报。她曾在腾讯混元与 AI Lab、国际数字经济研究院工作，之后加入米哈游创始人蔡浩宇旗下 Anuttacon，负责交互式多模态视频生成系统。B 站的 AI 投入目前覆盖视频理解、推荐和辅助创作。公司在 2024 年上线基础模型 Index，今年 3 月推出带长期记忆、个性化技能库和自由画布的 AI 视频创作平台 updream，7 月又推出可把互动网页发布为站内作品的 Toy。Toy 内测期间已上传超过 300 件作品，累计体验量超过 850 万次。今年第二季度，每月有超过 1.9 亿名用户观看 B 站 AI 相关内容；AIGC 广告素材消耗占比超过 50%，自动广告消耗渗透率超过 85%。三星预计内存短缺 2027 年加剧，紧张供应至少持续到 2028 年据 TechCrunch 报道，三星在第二季度财报电话会上预计，RAM 供应短缺不仅会延续到明年，还会在 2027 年进一步恶化，紧张状态至少持续至 2028 年。三星生产全球约三分之一的内存芯片。前沿 AI 实验室正直接向三星提交中长期需求预测，以提前锁定内存供应。长期合同让三星能在需求可见的情况下安装设备、扩产，减少传统内存周期里需求骤降带来的风险。芯片涨价使三星半导体业务第二季度销售额创历史新高，但手机和电视部门利润受到元件成本挤压。三星已经提高部分 Galaxy 手机和平板价格，需求随之下降；苹果也在财报电话会上提示，内存供应约束会拖慢下一季度收入增长。小米推出龙甲电池体系，澎程 N70 / N90 首批搭载小米汽车 8 月 2 日公布小米龙甲电池体系。雷军称，这套动力电池解决方案由小米负责产品定义、主导电池包设计开发、参与电芯设计开发，并覆盖生产全流程质量管控。质量管理包括三部分：小米质量团队常驻生产一线，通过「影子工厂」体系介入各生产模块；生产环节使用 X 光全检、CT 检测和 AI 质检；每颗电芯建立独立电子身份证并全量存档，用于后续追溯。小米澎程 N70 和 N90 将搭载这套电池体系。两款车分别定位增程五座 SUV 与增程七座 SUV，已于 7 月 28 日开启预售。7 月车企销量数据出炉：比亚迪 41.9 万辆居首，零跑首破 10 万大关2026 年 7 月汽车销量及交付数据陆续公布。比亚迪以 41.9 万辆的单月销量蝉联榜首，同比增长 21.76%；零跑汽车 7 月交付量首次突破 10 万辆大关，成为首个达成该里程碑的新势力品牌。整体市场呈现出强劲的增长态势。奇瑞集团单月出口量首次突破 20 万辆，新能源汽车销量同比增长 97.5%；吉利汽车连续 5 个月实现同环比双增长，其中海外出口量达 10.7 万辆，创下单月历史新高。蔚来：7 月交付 35934 辆，同比增长 71%。其中蔚来品牌交付 20008 辆，乐道品牌交付 10155 辆，萤火虫品牌交付 5771 辆。小鹏汽车：7 月交付 38027 辆，同比增长约 4%。理想汽车：7 月交付 30468 辆，同比下降 0.86%，环比下降 1.38%。小米汽车：7 月交付量超 3 万辆。目前小米已公布澎程 N90 Max 及 N70 Max 增程 SUV 预售价，分别为 29.99 万元和 25.99 万元。鸿蒙智行：7 月交付 45046 辆。今年 1 至 7 月累计交付量达 28.6 万辆，同比增长 13.7%。零跑汽车：7 月交付 101267 辆，同比增长 102%。其中零跑 A10 交付 28593 辆，零跑 D19 交付 10043 辆。此外，传统车企的新能源品牌也表现活跃。长安启源 AQ 系列同比增长 103%；广汽昊铂埃安 BU 销量为 34987 辆，同比增长 31.74%；深蓝汽车交付 29213 辆，同比增长 7.52%。贝索斯旗下基金领投 CuspAI 4.5 亿美元 B 轮融资，用 AI 研发新材料英国 AI 材料科学初创公司 CuspAI 宣布完成 4.5 亿美元 B 轮融资，估值提升至 26 亿美元。本轮融资由 Kleiner Perkins 与 New Enterprise Associates 联合领投，亚马逊创始人杰夫·贝索斯旗下的个人投资机构跟投。CuspAI 致力于利用生成式 AI 与分子模拟算法寻找下一代半导体衬底与高密度储能材料。其平台能够在几小时内完成数百万种新型晶体结构的生成与物理性质筛选，从而替代传统长达数年的实验室试错过程。本轮融资资金将用于扩建超级计算集群，并与全球半导体巨头合作推进下一代芯片材料的商业化验证与实验测试。微软承诺年末前降低 Windows 11 内存占用据 Windows La

一天，8 万亿 Token。这是 DeepSeek V4 Flash 一款模型，在一个 AI 编程工具里的单日用量。▲开源 AI Agent 工具 OpenCode 发文称，DeepSeek V4 Flash 正式版通过其平台消耗了 8 万亿 Token。其中，5 万亿来自免费额度，另外 3 万亿来自付费套餐 OpenCode Go。作为对比，大模型路由平台 OpenRouter 接入了 400 多款模型，每月处理约 200 万亿 Token，平均每天约 6.6 万亿。也就是说，DeepSeek 一款模型，仅仅在 OpenCode 一个入口里，一天消耗的 Token，就超过了 OpenRouter 全平台的日均规模。▲ OpenRouter 上 DeepSeek V4 Flash 是本周最热门模型这和 DeepSeek V4 Flash 的低价有关，能力提升，价格不变，原本被压抑的使用需求会迅速释放。 但 8 万亿 Token 背后，还有一个更重要的变化：人们使用 AI 的方式已经变了。过去，我们向模型问一个问题，得到一段回答，任务就结束了。现在的 Agent 会自己读文件、修改代码、运行程序、检查结果，失败后再重新尝试。一次任务可能持续几个小时，调用几十次工具，也可能让多个 Agent 同时工作。模型写出的代码未必比过去多很多，消耗的 Token 却可能翻上几十倍、几百倍。有人用 Claude Opus 5 制作一个单页 3D 游戏。模型需要不断生成页面、截图检查、继续修改。最后只是一个 HTML 文件，一句提示词却消耗了 6.9 亿 Token，费用接近 3000 元。Agent 任务的大量爆发，让模型要证明自己的价值，除了智能的程度，还有性价比的计算；衡量一款模型的单位，从「单次回答有多聪明」变成了「完成一项长任务要花多少钱、多久、失败几次」。依据这套标准，DeepSeek V4 Flash 开始成了所有模型的斩杀线。一百万个输出 Token，DeepSeek 收 2 元人民币。Anthropic 的 Claude Opus 4.8，标准价格是 25 美元，约 170 元，只看输出单价，二者相差约 85 倍。7 月底，DeepSeek 推出 V4 Flash 正式版，保留了模型架构与规模，只是重新做了后训练，重点加强编码和 Agent 任务。隔天，大模型竞技场 Arena 公布前端编码评测榜单，将 V4 Flash 列入「价格—性能」的前沿模型。截至 Arena 8 月 2 日的页面快照，V4 Flash 的初步排名暂列 Opus 4.8 Thinking 之前。而在 Artificial Analysis 的 Intelligence Index v4.1 中，V4 Flash Max 得到 50 分，Claude Opus 4.8 Max 得到 56 分。前者跑完整套评测产生的模型调用费约为 72.02 美元，后者则达到 3752.55 美元。换句话说，Opus 多拿了 6 分，但跑完同一套评测的调用费高出了约 52 倍。V4 Flash 当然还不能证明自己全面超过 Opus，但只要两者已经能被放进同一轮候选名单，85 倍的价差就足以改变默认选择。当一款模型的价格高出几十倍，性能领先却只有几个百分点时，这笔账会越来越难算平。最先受到冲击的，可能并不是最弱的小模型。便宜、快速的小模型仍然适合分类、提取和路由等简单工作。最强的旗舰模型也会仍然用来处理疑难任务，或者成为高失败成本场景里的保险。真正尴尬的是中间一批模型：它们比 V4 Flash 强一些，却贵几十倍；又没有强到可以稳定解决 V4 Flash 做不了的问题。这就是 DeepSeek 的斩杀线，它不需要成为最强模型，只要达到「大多数时候可以做完」，就能利用近两个数量级的价格差，把更贵的模型挤出默认调用位。V4 Flash 为什么能把茅台当矿泉水卖一直以来，我们都觉得模型的价格大概就是和它的「聪明程度」相关，模型越聪明，自然它就要卖的越贵。目前主流的几款大模型，Anthropic 家的 Opus 4.8 和 Opus 5 输出都是 25 美元/百万 Token，Fable 5 输出为 50 美元/百万 Token；OpenAI 的 GPT-5.6 在前几天降价后，Luna 输出由 6 美元降至 1.2 美元，Terra 由 15 美元降至 12 美元，Sol 则保持不变，30 美元。而几款国产大模型，依旧是讨论每百万输出的价格，DeepSeek V4 Flash 是 2 元，刚刚发布的 Qwen 3.8 Max 是 36 元，Kimi K3 是 100 元，GLM 5.2 是 28 元。▲DeepSeek 几乎是以免费的价格提供大模型国产模型之间的对比，还是与国外旗舰模型的对比，DeepSeek 的价格似乎都是一股「清流」，所以是什么造就了模型价格的不同。最明显的是每生成一个 Token 的直接推理成本。它受到激活参数量、数字精度、注意力机制、KV Cache 大小、输出长度、硬件利用率和并发量影响。同一款模型，如果能用更少的计算完成一次推理，或者能让更多请求共享缓存，成本就会下降。V4 Flash 总参数量为 2840 亿，但每个 Token 只激活约 130 亿参数。它同时使用混合注意力结构、低精度权重和针对长上下文的缓存优化。▲ V4 系列模型架构图根据 DeepSeek 在四月公开的 Preview 技术报告估算，在一百万 Token 上下文下，V4 Flash 的单 Token 推理计算量约为 DeepSeek V3.2 的 10%，KV Cache 约为后者的 7%。这是与 V3.2 的内部架构对比，不代表它只需要其他所有模型十分之一的综合成本，但足以解释 DeepSeek 为什么能把长任务价格压低。DeepSeek V4 系列结构，改造了一个 Transformer 模块里的三个关键部分，将注意力层改为先压缩再找重点的 CSA 机制和更极致的压缩但全部浏览的 HCA 机制，两种交错排列以平衡成本。V4 的前馈层沿用 DeepSeekMoE：模型包含大量细分专家和少量共享专家，每个 Token 只被路由到其中一小部分专家。因此 V4 Flash 虽然共有 2840 亿参数，每个 Token 实际激活的只有约 130 亿；V4 Pro 总参数达到 1.6 万亿，实际激活约 490 亿。它获得了大模型的知识和容量，但不需要每生成一个 Token 都运行全部参数。其次是完成的服务成本，从模型训练、后训练到评测、安全，以及推理基础设施、空闲算力等服务，这些成本虽然不会出现在 Token 账单里，但是必须由模型厂商承担。最后是商业定价，API 价格并不是简单的成本加成，厂商还需要考虑市场份额、用户迁移成本、品牌溢价、服务能力，以及客户愿意为可靠性支付多少钱。所以，模型价格从来不是一张纯粹的成本表。它同时反映了模型需要多少算力，也反映了厂商认为自己的能力、品牌和可靠性值多少钱。OpenAI 和 Anthropic 的高价格，可能同时包含更高的推理成本、产品生态、安全和服务溢价，以及它们在高难度任务上的定价权。架构没变，Agent 能力为什么能大涨目前，V4 Flash 正式版还没有发布新的技术报告，DeepSeek 在 7 月 31 日的更新日志中写：正式版 V4 Flash 与 Preview 的结构和尺寸相同，只重新进行了后训练。此前预览版报告披露的后训练流程，已经把重点放在代码和 Agent 上：DeepSeek 分别训练数学、代码、Agent 和指令遵循专家，使用 SFT 和 GRPO 强化各自能力，再通过十多个教师模型的 On-Policy Distillation 合并回同一个模型。工具调用也被当成单独的问题处理。DeepSeek 设计了专门的调用格式，减少参数转义和格式错误；Interleaved Thinking 让模型在工具返回结果后继续保留前面的推理；DSec 则提供数十万个并发沙箱，让模型反复练习运行代码、读取报错和继续修改。这些后训练并没有给模型增加新的参数，却可以减少 Agent 最常见的失败：选错工具、填错参数、忘记前面的状态，或者在任务还没完成时停下来。正式版在 Terminal Bench 2.1 上的 82.7 分，还使用了尚未发布的 DeepSeek Harness 极简模式和 max 推理档。此外，DeepSeek 为 V4 Flash 加入原生 Responses API，并针对 Codex 做了适配。预训练决定模型的能力底座，后训练主要改变模型如何调用这些能力。当 V4 Flash 可以部署在「消费级」电脑上V4 Flash 的另一个变化，是让前沿 Agent 模型离本地设备更近了一步。虽然每次推理只激活 130 亿参数，但是完整的 2840 亿参数仍然需要存储和调度，官方仓库中的权重文件合计约 167 GB。DeepSeek 给出的 vLLM 服务示例使用一台配备 4 张 GB300 的服务器。社区项目 DwarfStar 则通过低比特量化，把 V4 Flash 的 q2 版本放进了 96GB 或128GB 统一内存设备，q4 版本建议使用至少 256GB 内存。在部分128GB Mac测试中，短上下文速度可以达到每秒二十多 Token。q2 版本能运行，也不代表它能复现官方 API 的 Agent 成绩。极低比特量化可能损伤代码、长上下文和工具调用能力，社区运行时本身也仍处于早期阶段。不过，DeepSeek 的 API 已经便宜到，本地部署对多数人未必更省钱。按照每百万输出 Token 0.28 美元计算，一台售价约 4699 美元的 DGX Spark，相当于约 168 亿输出 Token，还没算本地部署的电费、维护和调试成本。而且，换个角度看 V4 Flash 的出现，似乎又是 DeepSeek 斩杀线里的关键一刀。在本地部署上，DeepSeek 又斩掉了「高水平模型只能待在机房」的一部分门槛，它把门槛降到了高内存工作站。一台高配 Mac 或 DGX Spark，已经可以用可交互的速度运行经过激进压缩的完整 V4 Flash。最强模型也开始谈性价比更低的价格不一定等于少赚钱。过去舍不得让 AI 常驻后台的公司，先前开启 Tokenmaxxing 然后又因为实在付不起账单的团队，现在可以开始批量整理文档、检查代码、跟进客服。原本只问一次的问题，也可能变成持续数小时、调用几十次工具的 Agent 任务。单价下降，Token 总量却可能涨得更快。Sam Altman 在 7 月底的播客节目曾提到，OpenAI 预计模型会产生极大的使用量，因此不需要依靠「极高毛利」来承担训练成本。他们和 DeepSeek 的梁文锋一样，相信 AI 的需求几乎是没有上限的，AI 智能使用量会持续爆发。即使每次调用赚得不多，只要调用量足够大，累计利润依然可以覆盖下一代模型的训练成本。这也是 V4 Flash 更值得注意的地方。它没有用一个绝对领先的榜单成绩，证明自己是最聪明的模型；它做的，是把过去只有旗舰模型才能承担的任务，压进了一个可以被反复调用、持续试错，甚至可以让我们浪费一些 Token 的价格区间。在聊天机器人的时代，用户会为了更好的回答，多付几倍的价格。但进入 Agent 时代，模型不再只回答一次。它要浏览文件、搜索资料、执行代码、截图检查，再根据结果重新开始。一次任务中，在智力上几分的能力差距，可能只影响模型要不要多试两轮；但几十倍的价格差距，却会决定这个任务有没有资格真正跑起来。▲ 运行 AA 所有测试花费的钱和智能得分对比，DeepSeek 拿下 50 分仅花了 72 美元，而 Fable 5 得到 60 分，花费 5600 美元。未来模型之间的竞争，很难再只用一张能力榜单解释。用户需要计算的，是完成率、调用次数、响应速度和最终账单；模型厂商出售的，也不再只是每一个 Token 的智能，而是每一美元最终能够完成

教会一台机器人叠袜子，一共分几步？摊平、对齐、折叠，再将袜口翻过来，这些看似简单的动作，过去机器人要学会，往往需要四五个小时的训练。但现在，只需一段数十秒的演示视频，就能快速掌握。好家伙，这是哪来的东方神秘力量？最近，自变量机器人发布了一套名为 HOST 的机器人学习框架。HOST 全称为 Human-to-robot One-Shot Skill AcquisiTion，也就是「人类到机器人单样本技能获取」。有了它，机器人只要看一段 29 秒的人类演示短视频，就能当场上手干活，期间甚至完全不需要更新模型参数，也不必专门采集几十条机器人遥操作数据。不仅技能获取速度比最快传统方案飙升了 500 倍，连成功率都实现了反超。更简单粗暴点说，高冷死板的机器人，光靠「刷视频」就能进化为全能管家。机器人学习做家务，进入「刷短视频」时代别看如今的具身机器人能文能武，各个都是练习时长两年半的练习生，但熟悉机器人的圈内人都知道，以前让 AI 学干一件新家务，到底有多费劲。目前常见的模仿学习方案，仍依赖数据采集与模型微调。怎么教？先请个专业工程师坐在遥操作台前，像玩极品飞车一样，手把手控制机械臂干上 50 遍。这就完了？早着呢。这几十条数据还得拿去给模型做监督微调（SFT），一通离线「炼丹」下来，少说也要花上 4 个小时。如果机器人真进了千家万户，同样是整理桌子，涉及的动作可能完全不一样。难道每碰上个新活儿，都得呼叫工程师上门服务，再等几个小时？这笔账，怎么算怎么离谱。但 HOST 这套方案，则对传统流程带来了明显改变。研究团队搭建了一个双臂机器人平台，测试了 50 项训练阶段从来没见过的全新任务（比如放水果、堆碗、擦盘子、插笔、叠袜子）。不采集数据，不改通用参数，只给机器人看一段人类普通演示视频。结果它在 50 项新任务中全都有成功记录。在主要的测试任务中，仅观看一次数十秒的人类演示视频，学会技能的平均成功率达到了 62%！AI 之间的差距有多大，直接看数据吧。当前最强的微调基线，需要专业人员遥操作机器人完成 50 条示范，从采集数据到训练出新技能，通常要花 4 小时。HOST 让机器人只需要观看一段平均 29 秒的普通人操作的视频，不需要反复演示和微调，就能学会新技能。相比监督微调的方案，HOST 需要的示范数量降至五十分之一，技能获取时间较最快的 SFT 基线缩短约 507 倍。这下，机器人是真体验到了人类那种「看一遍就会」的快乐。不再模仿人类动作，而是想象结果、反推动作你可能会问：让机器人看视频，不就是对着人类动作照猫画虎吗？真没那么简单。人和机器的「手速」能一样吗？视频里人类小哥 2 秒钟就把杯子拿起来了，机器人的铁胳膊可能需要 5 秒。如果硬卡视频播放时间，视频里的人都开始倒水了，机器人还在那瞄准杯把手呢，任务步骤越多，双方的偏差也会越明显。于是 HOST 的研究团队想了个绝招：不看时间，看进度。他们把视频画面和机器人的动作，映射到同一个叫「向量空间」里，然后用动态时间规整算法自动对齐。简单说，就是给任务打上进度条。不管人类用了 2 秒还是机器人用了 5 秒，只要双方都进入了「杯子已经被拿起」的状态，进度就算同步。这种操作，让进度误差从 0.079 暴降到了 0.006，直接缩小了一个数量级。这时，聪明的你可能又会想到一个问题：即便节奏对上了，人类与那些「铁疙瘩」之间仍然存在明显的身体结构差异。比如人的手掌可以贴合杯壁，机器人的夹爪需要寻找合适的夹取位置。人可以捏住袜子的一角，机械臂还要考虑夹爪开合、运动角度和两只手臂之间的配合。让机器人直接复制人类动作，很难得到有用的结果。对此，HOST 想出了一套非常巧妙的解决思路：先让机器人从人类执行完任务的结果，「想象」出机器人执行完任务的画面，再根据画面反推出机器人需要动作的动作。为实现这个方案，HOST 还设计了一个核心策略模型——双专家 MoT 架构。更通俗点理解，就是它有两个分工明确的大脑，一个「视觉大脑」负责理解视频、定位进度和预测未来场景，另一个「动作大脑」负责把视觉目标变成机器人动作：视觉大脑（Localization & Vision）：先看懂机器人干到哪一步了，对应的人类视频到哪一步。然后根据人类动作结果，脑补出将这个画面转换为机器人视角应当看到的画面（比如想象出水杯被夹爪拿起的画面）。动作大脑（Action）：负责把脑补出的机器人画面变成现实，计算机械臂怎么动才能达到目标。不强行模仿人类手臂的角度，只盯着需要实现的最终效果，然后从最终效果想象出动作。这样就绕过了「让机器人模仿人类动作」这个最难的跨越。当然，「单样本技能获取」容易让人产生误解，以为机器人此前完全没有接受训练。但其实这里的one-shot 指机器人面对一项新任务时，只需要接收一段人类演示，整个任务都是在「推理过程」中完成的，无需再为这项任务更新模型参数。支撑这种能力、让机器人能从视频学习的基础模型，依然经过了大规模训练。机器人出厂前可是见过大世面的。第一阶段主要使用机器人数据。会团队先喂给它 193462 条机器人轨迹以及对应的机器人执行任务视频（涵盖 229 项任务），让它尝试从机器人的任务视频中想象出结果，再拆解出自己这副钢铁身躯怎么动。第二阶段再加入人类与机器人的配对数据。比如用 5847 段人类任务视频和对应的机器人轨迹配对，让它学会把人的执行任务的画面翻译成机器的视角，好从人类视频学习。先利用规模更大的机器人数据建立任务理解和预测动作结果的能力，再用数量相对较少的人机数据完成能力的迁移，这样的好处是可以充分利用数据、降低对人机配对数据的依赖。而出山之后，再遇到新任务，直接把人类视频当操作指南，边看边干就行。学会叠袜子，也没忘了洗盘子掌握新技能只解决了一半的难题，更关键的是，机器人学会新技能后，原来的能力能否保留，同样决定了它能否长期「有用」。这就涉及到机器人一个极其令人头痛的痛点：灾难性遗忘。比如用后训练微调教机器人，会改变模型的参数、侵蚀模型原本已经学会的技能。这会导致「狗熊掰棒子」，看似学会了叠袜子，但以前很溜的洗盘子反而退步了。论文中也注意到了这个问题。论文选取了七项来自训练集、模型此前已经掌握的任务，包括取出瓶子、对齐袜子、堆叠杯子、整理包装材料、盖住中央物体、放置纸巾和排列花朵。研究人员先测试 HOST 与三种监督微调基线在这些旧任务上的表现。随后，三种基线通过监督微调学习新任务，HOST 则通过一段人类视频获取新技能，再重新测试各自的旧任务表现。在旧任务测试中，三种微调基线几乎被「灾难性遗忘」打回原形。学完新任务后，π0.5+SFT 只保留了原有表现的 17%，就连旧技能保留率最高的 Wall-OSS+SFT，也只保住了 40%。但 HOST 因为全程没改模型的脑回路（参数），旧任务表现基本没受影响，比最好的微调基线高出了整整 59 个百分点！在 HOST 眼里，那段人类视频就像一份可以保存和再次读取的「菜谱」。今天叠袜子，翻开第一页；明天理餐具，读第二页。技能随时调取，互不干涉。而且，这种机器人的学习方式极其「抗造」。研究团队设置了光线变化、替换同类物体、更换操作场景和执行过程中移动物品等干扰。HOST 在标准环境中的平均成功率为 62%。改变光照后下降 1 个百分点，替换物体后下降 4 个百分点，更换场景后下降 6 个百分点，执行中人为移动物品后下降 9 个百分点。最后一种情况下，平均成功率仍达到 53%。这还有个冷知识，物品被临时移动后，原有动作计划已经失效。但 HOST 会根据新的观察结果重新判断任务进度，再生成对应动作。这说明它真正理解了任务，在动态规划每一步，而不是在「背」动作序列。全面开源「技术家底」，普通人也能教机器人干活儿老实说，62% 的成功率，距离进工厂干活儿还有提升空间。反而是在家庭场景，不太关心单次成功率，更关心泛化性，也就是「多摸索几次没关系，最后做成了就行」。 HOST 的出现，让行业看到了一条具身智能极其性感的落地路线。2023 年底成立的自变量机器人，算是国内死磕「完全端到端路线」的具身智能硬核玩家，至今发布并开源的各种技术，已经「多如牛毛」。研发范围已经覆盖具身智能的 VLA 基础模型、世界模型、用来拆分动作的「动作分词器」、训练模型的底层「神经网络优化器」、数据采集系统和机器人本体。自变量不仅发布基础模型，还延伸到用来训练模型的底层基础设施。今年 4 月，他们发布了从零联合训练的具身大模型 WALL-B，采用独特的「世界统一模型」架构，已经部署在机器人里，在大量用户家庭做起家政服务。后来又发布了世界模型 WALL-WM，还开源了 VLA 模型 WALL-OSS-0.5，后者已经被很多科研机构用起来了。在机器人本体上，自变量已经自研并量产量子一号、量子二号。机械臂、关节模组、动力驱动器和主控制器等核心部件均为自主研发，并与算法深度适配，为机器人进入家庭和工业产线提供了载体。今年 3 月起，自变量又与 58 到家合作，让机器人与保洁人员共同进入普通家庭提供服务。5 月推出的「X 家庭成员计划」，还让机器人在用户家中连续驻留一个月，接受真实、随机家庭需求的检验。「从零开始」训练具身模型，在具身智能领域有相当高的门槛。真正能在国内从零预训练出好的具身模型，还搭建起从数据采集到模型训练的整套管线的，更是廖廖无几。购买现成模型、拼接几个模块，可以更快做出演示 Demo。真正从基础架构起步，意味着团队需要自己解决模型设计、数据生产、分布式训练、动作表达、真机控制和部署效率。自变量选择从零训练自己的基础模型，同时开放部分核心成果，已经形成一条从具身基础模型延伸到底层设施的开源技术「全家桶」，也成为国内开放具身智能核心技术、建设开发者生态的「扛把子」之一。在这些研究之外，HOST 正是让机器人在应用场景快速学习技能、真实落地的又一块技术拼图。现在，他们连同北理工和清华，直接把 HOST 的核心家底给开源了（论文、GitHub、Hugging Face 一应俱全）。▲ 项目主页：https://host-site.host-robotics.workers.dev论文链接：https://arxiv.org/abs/2607.20033Github 链接：https://github.com/CGuangyan-BIT/HOSTHuggingface 链接：https://huggingface.co/papers/2607.20033这就很有格局了。具身智能现在百家争鸣，处于技术路线快速变化的阶段。模型架构、动作对齐方法、数据规范、训练方法和评测标准都没有完全确定。单靠一个预训练模型，即使训得再好，距离能胜任家庭这个最终场景的「一切任务」仍很遥远。在这个特殊的时间点，能让机器人快速学到预训练没有的新技能，就对机器人真正「用起来」十分重要。HOST 就是让机器人先能「快速用起来」的技术神器。开源能够让更多研究机构和开发者参与其中。研究者可以复现论文结果，机器人公司可以尝试适配不同本体，开发者也能基于已有模型继续改进。同行的复现、质疑和改进，也会反过来加快模型迭代。这也让自变量进一步成为国内具身智能开源阵营中最鲜明的技术派之一。文章的最后，咱们不妨开个脑洞。过去，教机器人意味着采集专业数据；但在 HOST 展示的未来里，教学一个新技能终于不再需要「高薪算法工程师」，变成了普通人皆可完成、皆可受益的工作。你家机器人不会给衣服叠出你想要的效果？没关系，你亲自站在它面前叠一遍，剩下的它自己悟。或许不久的将来，互联网上最火的不再是搞笑段子，而是各种《让机器人欲罢不能的 100 个家务教学短片》。普通人教机器人做事的时代，这次是真的要来了。

8 月 3 日上午，何小鹏在微博官宣了小鹏 G9L：「全球大五座的科技旗舰，30 万级科技标杆，小鹏 G9L 今天来了。」他还透露，G9L 三年前就已立项，启动时间大约在第一代 G9 上市一年之后。严格来说，G9L 并非今天才第一次露面。早在 6 月，G9L 就已经进入工信部第 407 批申报目录中，涵盖纯电、增程两种动力。今天的官宣补上了座椅、底盘、智能化和安全等信息，整体来看，尽管 G9L 名字里的 L 确实意味着加长，但小鹏想增加的显然不只是车身长度。超三米轴距，也要好开好坐G9L 的长宽高为 5120×1999×1782mm，轴距为 3100mm，申报中还出现了 1788mm 和 1795mm 共三种车高，这一差异可能跟空悬配置有关。相比现款 G9，G9L 长了 229mm、宽了 62mm，轴距增加 102mm，可以说整体大了一号，从中大型 SUV 的尺寸向全尺寸靠近。与刚上市的小鹏 GX 相比，G9L 也只是短了 145mm，轴距少了 15mm，两台车的宽度完全相同。这么大的车身只放两排座椅，意味着多出来的空间可以留给二排腿部和行李，小鹏官方公布的后备厢容积达到 1152L，相比小鹏 GX，G9L 面向座位需求没有那么多，同时又不愿放弃大车空间、长途装载和旗舰配置的用户。动力层面，G9L 也提供了纯电和增程两种选择。G9L 纯电版提供 91.9kWh 磷酸铁锂和 110kWh 三元锂电池，CLTC 续航覆盖 672～805km；两驱版搭载 270kW 单电机，四驱版采用前 160kW、后 270kW 双电机。增程版搭载东安动力 1.5T 增程器，最大功率 110kW，全系配备 63.3kWh 磷酸铁锂电池，WLTC 纯电续航分别为两驱 350km、四驱 325km。稍显意外的是，这次官宣中，小鹏将相当多的镜头留给了 G9L 的底盘。视频中的 G9L 在戈壁和非铺装路面高速行驶，暗示其底盘和悬架的实力，G9L 全系标配旗舰智能底盘和 22 英寸鸳鸯胎，现有曝光信息还显示新车将配备后轮转向，在硬件配置方面给了 G9L 足够的兜底。此外，何小鹏还宣称 G9L 创造了「同级别最快麋鹿测试成绩」，尽管官方没有公布测试速度和测试标准，但至少说明即便是一台「大五座」，小鹏也并不准备让它只能照顾后排。车内舒适性方面，小鹏 G9L 主打一个「主动」。G9L 首发「全体型 AI 主动贴合座椅」，使用 91 个压力传感器，官方称最低可感知 2 克压力，并能根据乘员体型和坐姿自动调节支撑。零重力模式之外，这套座椅还想让不同身高、体重和坐姿的人坐进车内后，不必反复寻找靠背、腰托和腿托的位置。此外，带防夹、防摔和主动避障功能的智能电动四门，也能让上下车显得优雅一些。智能化则是小鹏最熟悉的一张牌。G9L 将搭载第二代 VLA 的首次重大升级版本，官方信息显示整车有效算力达到 2250TOPS，同时提供 EIS 电池安全芯片和 AI 数字投影大灯。安全上，它继承 GX 的主动、被动安全能力和航空级安全冗余，并按照全球四大权威机构五星标准开发，何小鹏也表示，G9L 的安全测试和 GX 保持一致，对于一台「全球车型」而言，对安全的高标准是一条底线。从「50 万以内最好」，到「30 万级标杆」G9 这个名字在小鹏内部并不轻松。2022 年 9 月，第一代 G9 上市，何小鹏称其为「50 万以内最好的 SUV」，价格达到 30.99 万～46.99 万元。但过于复杂的车型命名和选装关系很快招来质疑，随后出现退订风波，上市后的销量也很难说达到旗舰应有的水平，在改款之前，G9 的单月销量最高只有 4020 辆。何小鹏后来将这轮失利总结为七个问题，涉及放弃标配智能驾驶、堆入太多用户感知不强的配置、价格偏离预期，以及产品和营销节奏失当。实际上第一代 G9 并不缺技术，800V 高压平台、双腔空气悬架和 5D 音乐座舱在当时都足够新颖，但小鹏没有将这些能力整理成一套容易理解和购买的产品。直到 2023 年 9 月，2024 款 G9 精简版本、降低价格，砍掉一部分感知较弱的配置重新出发，销量才逐渐回升。如今现款 G9 的指导价已经下探至 24.88 万～27.88 万元，当年「50 万以内最好」的站位基本被价格消解。相比此前 G9 的大张旗鼓，G9L 需要一套相对务实的打法，除了从「50 万以内最好」变成「30 万级标杆」，G9L 还选择了将小鹏 GX 的产品力「下放」到自己身上。从已经披露的动力数据看，G9L 与两个月前上市的 GX 高度同源：两车增程版均采用东安 1.5T 增程器、63.3kWh 磷酸铁锂电池，四驱版前后电机功率同为 160kW 和 210kW；纯电四驱版也使用前 160kW、后 270kW 电机，110kWh 电池同样出现在 GX 高配车型上。从某种意义上来说，G9L 是和 GX 同一定位的大五座产品。此前 GX 的限时权益价为纯电 26.98 万元起、增程 27.98 万元起，现款 G9 则停在 24.88 万～27.88 万元。尽管带着「30 万级科技标杆」的定位，但小鹏 G9L 的定价大概率将会略低于 GX，这也是目前同级别大五座产品的普遍价格落位。对于小鹏内部来说，G9L 填补了大五座的缺位，但放眼国内外市场，G9L 要面对的挑战还很多。在国内，同级别的大五座产品现在着实不少。小米澎程系列正在用大车身、增程和家庭空间进入这一价格带，理想 L6 则已经占住了五座增程家庭 SUV 的主流位置。单靠「大五座」的后排空间，或一块增程版本 63.3kWh 电池，其实很难让 G9L 显得出众，但小鹏还是用引以为傲的智能化，以及可能的底盘优势，给 G9L 找了一个缺口。从官宣视频也不难看出，小鹏希望把 G9L 打造成一台又好坐、又能开的车。放眼到海外，小鹏正在加快全球化，小鹏 MONA L03 刚在慕尼黑完成全球上市，面向 65 个国家和地区展开销售。G9L 也将沿着这条路继续出发，何小鹏已经明确 G9L 是一台全球车型，而之前在慕尼黑街头就出现过 G9L 的伪装测试车，若未来在欧洲上市，它还要接受当地消费者对空间、补能和智能化的重新审视。要成为一家真正的全球车企，小鹏需要回答不同市场的认证、补能和使用习惯，G9L 在国内要重新撑起一台大五座旗舰，在海外则要证明，小鹏的智能化和大车技术能否离开中国市场继续成立。三年前，G9 的问题是技术强悍，却没有把产品讲清楚，三年后，G9L 已经把大五座、双动力、操控乃至舒适性都摆到了台面上，但却要面对更加复杂的市场环境和对产品越来越「挑剔」的消费者们。

智能辅助驾驶技术对于普通驾驶者来说，无异于「魔法」：车居然自己会开？在深圳欢乐海岸，红旗天工和卓驭开了一家有些特殊的展厅，想把「魔法」进行解密：车辆陈列不是这里的重点，展厅以「移动物理 AI」为主线，设置智能辅助驾驶和车载无人机两条产品线，并将感知、算法、驾驶决策等抽象技术拆解成五个互动体验区。对于普通消费者来说，这些过去藏在工程师电脑、域控制器和发布会演示视频里的东西，终于有了更直观的展示机会。大部分的智驾供应商很少需要直接面对消费者，他们的名字可能出现在配置表里，也可能被概括成某套驾驶辅助方案，真正被用户感知的依然是汽车品牌。在很长一段时间里，供应商最重要的工作是完成开发、保证交付，然后留在幕后。卓驭这次选择向前一步。卓驭科技 CEO 沈劭劼说：卓驭跳出作为传统供应商，正式走向前台，去探索不仅仅是做产品、技术，也能看看 C 端到底能够传递一些什么东西。展厅开业当天，全新一代红旗天工 08 也在深圳上市，限时权益价为 17.99 万元。新车首发搭载卓驭「高悟性端到端 4.1」系统，采用由仿生双目与长焦单目组成的「惯导三目」视觉方案。相比于已经落地的具体车型，在展厅内的采访则聊得更远。端到端 4.2、原生多模态模型、面向 L3 的三冗余架构，以及卓驭从乘用车智驾向「移动物理 AI」延伸的方向，共同勾勒出红旗天工与卓驭接下来数年的合作路线。这座面向所有人的展厅，某种程度上也可以说双方关系有了新的变化，智驾供应商开始走到消费者面前，车企与供应商之间沿用多年的边界，也在被新一轮技术周期重新划定。从端到端 4.1，到「比人快 0.1 秒」全新一代天工 08 搭载的端到端 4.1，源自卓驭在 2026 年 4 月发布的端到端 4.0。按照卓驭 CEO 沈劭劼的介绍，4.0 已经完成完整的数据驱动，包括横向、纵向控制，以及变道和导航决策。4.1 的版本号只向前迈进一小步，模型在驾驶体验上的变化却相当明显。他说：小版本是 4.1，没加多少，但性能变化非常大。所谓性能变化，不只是车辆能否完成一段从 A 点到 B 点的导航辅助驾驶。系统何时变道、怎样超过慢车、面对加塞车辆如何反应，以及能否在路口和视野盲区提前减速，都会影响用户对它的评价。沈劭劼将这种能力概括为「老司机的感觉」。它意味着车辆开始学习人类驾驶中的大量微动作：看到路边行人时略微收油，经过积水路面时降低速度，进入没有交通信号灯的路口前提前观察。过去依靠规则编写的系统，很难穷举这些细微而复杂的判断。卓驭还计划在 2026 年内推出端到端 4.2。沈劭劼预计，随着 4.2 落地，现阶段端到端技术范式会逐渐收敛，性能大致达到「百公里安全接管一次左右」。他给出的另一个数据，更能说明智驾技术目前的变化速度：行业平均水平百公里平均接管，今年比去年降了 10 倍，不是夸张，而且提高的趋势目前没有减慢，还在快速提升。燃油车时代，发动机热效率、传动效率和油耗水平通常以几个百分点缓慢进步；今天的辅助驾驶依然处在技术范式快速更替的阶段，模型、数据和算力的变化，都可能在几个月内重写原有体验。这也是沈劭劼暂时不愿判断智驾供应商市场最终会「赢家通吃」还是「多家并存」的原因：甚至在现在这个时候，连技术范式都还没有完全收敛。当接管率还可以一年降 10 倍的时候，技术范式锁定的时候，你不应该看得到这种级别的提升速度。在端到端 4.2 之后，卓驭计划于 2026 年第四季度，与红旗天工首发下一代原生多模态基础模型。按照沈劭劼的说法，这套模型将在规模、训练范式和数据来源上出现较大变化，对应海外 FSD V14 所代表的新一代路线。相比模型拥有多少参数，用户更容易感知的是车辆反应速度，沈劭劼这么介绍其中的区别：端到端的感觉，有点像前面看到了一个东西进来了，可能过了 0.1 秒、0.01 秒之后，这个车开始有反应。到了下一代技术模型之后，你的感觉就是车先有反应，人才看到这个东西，属于车比人快 0.1 秒和车比人慢 0.1 秒的区别。人类驾驶员的注意力需要在前车、后视镜、导航和道路两侧之间切换，车辆的摄像头则可以持续观察多个方向。当行人靠近道路、旁车出现变道趋势，模型可能在人类驾驶员意识到风险之前，便开始减速或调整轨迹。复杂的多模态模型，最终被压缩成一个只有 0.1 秒的体验差异。但在高速移动的汽车上，这 0.1 秒会转化成数米距离，也会影响驾驶者是否愿意把控制权继续交给系统。全新一代天工 08 将通过 OTA 获得这套模型。沈劭劼明确表示：明年上半年一定会把比人快 0.1 秒的能力给 OTA 上去，这个平台还能打很久。现有车型可以持续获得模型升级，硬件边界仍然客观存在。沈劭劼也提醒用户，现款天工 08 无法仅通过软件升级进入 L3。面向 L3 的下一代天工平台计划于 2027—2028 年推出。根据双方披露的信息，该平台将采用超过 1000 TOPS 的三冗余域控制器，并配备固态激光雷达、补盲激光雷达和 4D 毫米波雷达。电源、控制、底盘和动力系统也将围绕 L3 的安全要求重新设计。沈劭劼判断，到 2027 年中，L2 辅助驾驶将逐渐进入体验「比较满意、收敛」的阶段，装车率随之快速增长。此后，行业的主要竞争会进一步转向 L3、L4，乘用车高阶自动驾驶与 Robotaxi 的技术边界也将越来越模糊。供应商与主机厂开始共用一张时间表在传统汽车供应链中，主机厂负责定义整车，供应商按照项目要求交付零部件或系统。责任、成本和质量边界都可以通过合同划分清楚。这套模式形成于一个技术周期相对稳定的年代。冯彪提到，燃油车时代，一款内燃机的更新周期往往长达 10—12 年。主机厂可以先等待技术成熟，再寻找供应商定点，双方沿着既定流程完成数年的开发和验证。智能驾驶的技术节奏完全不同。沈劭劼坦言：辅助驾驶技术发展非常快，不夸张说技术范式 3 个月变一次是很正常的事。一套刚刚形成的模型，需要经过车企立项、验证、定点和量产。等到正式上车，下一代模型可能已经出现。对于智驾公司而言，最先进的技术未必能够最快获得客户；对于车企而言，任何新技术又必须接受严格的质量与安全验证。沈劭劼并没有回避这种矛盾：我们自己本身作为完全的供应商，乙方供应商的角度来讲面临的最大问题，不是找不到客户，而是找不到客户用我们最先进的东西。红旗天工与卓驭尝试建立一套更紧密的联合开发模式。双方共同定义用户场景、测评准出体系和开发节奏，研发团队从项目早期便沿着同一条时间线工作。一汽红旗天工事业部总经理冯彪说：我们所有现在的产品开发，无论是准入、准出的标准、用户场景的定义、开发节奏、双方联合开发的编队，它就不是供应商和主机厂的关系，就是我们联合开发的关系。能够走到台前，就是因为不是供应商的关系。双方关系的变化，在智驾与底盘、动力和车身控制开始融合后更加明显。沈劭劼举了一个经过水坑的例子。车辆一侧车轮驶过积水，左右车轮附着力不同，传统系统可能触发车身稳定程序，随后让辅助驾驶退出。新的处理方式可以让视觉模型提前识别水坑，选择绕行；也可以在通过水坑前主动降低速度，并协调智驾和底盘控制系统，减少突然退出的概率。这些东西完全按照供应商的模式都扯不完，里面任何一个功能按照最后的质量条款划分都能扯半天，但是我们现在都没有这些问题。按照过去的分工，视觉系统负责识别，智驾域控制器负责决策，底盘负责执行。发生问题后，各方很容易将注意力放在责任归属上。随着汽车逐渐成为一个更完整的智能体，这些功能之间需要更高频、更深入的协同。冯彪认为，车辆打滑时，智驾系统简单退出并把控制权交还给驾驶员，只是当前安全边界下的解决方案。用户更期待的状态，是车辆能够联合调动转向、动力和制动，帮助驾驶员控制住车辆。因此，红旗天工和卓驭的下一代平台合作已经延伸至智能底盘、动力域和整车控制。卓驭提供模型、感知与决策能力，红旗天工掌握底盘、动力和整车安全，原本清晰的技术边界开始相互渗透。沈劭劼用「因为相信，所以看见」形容这种模式。车企会在技术形成早期便参与进来，与智驾公司共同完成工程化和量产验证，而非等到所有结果都已经摆在桌面上再作决定。他说：我们会一起把最先进的东西去首发、落地，在第一天就做了这个决策我必须要用，而不是去纠结你先做出来，做出来我看着好再用。这种深度合作也需要接受市场检验。冯彪透露，天工 08 从 7 月 1 日开启预售，到 8 月 1 日正式上市，仅间隔一个月，预售效率较红旗以往车型高出「几十倍、几百倍」。现场没有公布具体订单数量，这一说法暂时只能反映红旗自身产品之间的纵向变化。在天工品牌三年达到年销 10 万辆的规划中，5 米级大五座 SUV 预计贡献 20%—30%，甚至更高比例。天工 08 会是销量支柱，产品本身也会随着软件、硬件和市场需求持续调整。冯彪说：很难说这个时候的 08 会一直保持到那个时候。如果这样做，它也无法适应当前中国新能源市场激烈的竞争态势和新增用户的需求场景。从智能驾驶，走向「移动物理 AI」目前，卓驭拥有 34 家大小客户，常州第二座工厂已经投产，产能提升约一倍。2026 年以来，公司在乘用车和商用车领域获得的定点数量，已经超过过去两年之和。卓驭的业务范围也在从乘用车向外延伸。沈劭劼透露，首款搭载端到端智驾系统的商用车预计于 2026 年 8 月投放，重卡干线物流和无人物流车将在近期展开较大规模试运行。这些业务被纳入卓驭提出的「移动物理 AI」框架。在沈劭劼看来，物理世界中的任务可以大致分成「移动」与「操作」两类。卓驭关注车辆、轮式设备或有腿机器人如何从 A 点移动到 B 点；机械臂和灵巧手面对的抓取、装配和手眼协同，则属于另一套数据结构：所有移动类任务的特征都是这样的：我的传感器装在平台上，传感器运动轨迹和平台运动轨迹一样。操作类的任务特征不是这样的，它是传感器和实际操作不在一个坐标系上，它是手眼协同的过程。汽车、重卡和无人物流车的外形、载荷与使用场景差异很大，但它们共享相近的数据关系：传感器跟随移动平台一起运动，模型需要理解空间、预测其他交通参与者，并规划一条安全轨迹。基于这一判断，卓驭希望把辅助驾驶积累的数据、模型和工程能力复制到更多移动设备上，同时暂时避开机器人「上半身操作」任务。「移动物理 AI」由此成为一家智驾供应商扩展业务边界的方法。不过，无论车辆还是其他移动设备，最终都需要处理真实物理世界中的安全问题。在纯视觉与激光雷达的路线争论中，沈劭劼认为，两种方案各有能力边界。激光雷达是主动感知系统，在部分极端光照环境中具有优势；「惯导三目」依靠立体视觉，图像信息密度更高，对细小障碍物也有自身优势。这里面有一个关键问题，是系统抵达感知边界后会采取什么动作？沈劭劼说：任何系统都有对应的系统边界，关键是到了这个系统边界，和消费者有没有一个恰当的交互。不是说撞之前 0.01 秒退出，这肯定是不行的。沈劭劼并不赞同为了证明传感器性能，就让车辆在大雾等极端环境中继续维持 120 km/h。更加合理的方式，是让模型根据能见度、路面状态和交通环境主动改变驾驶策略。他说：谁说大雾的时候我要开 120 公里？如果模型本身就具备这个能力，整个系统的驾驶行为和当前的环境是匹配的。当视野变差，系统主动降低速度；进入盲区，车辆提前采取防御性驾驶；确认无法继续处理时，再把控制权留给驾驶员。这些动作比单纯增加传感器数量更接近一名成熟司机的思考方式。卓驭也对「人车共驾」划出了相对清晰的边界。驾驶员可以在拥堵、变道、抢车位和路线选择等效率场景中帮助系统，但在高速、高动态的安全场景里，人和车辆同时做出控制动作，反而可能相互干扰。我们会尽一切可能避免出于安全考虑的人车共驾。即使系统必须退出，也需要给驾驶员留下充足反应时间。沈劭劼说：即使退出，还是那句话，别撞之前 0.01 秒退出，要退提前 5 秒钟退吧。

今天，阿里正式推出企业级 Agent 产品「千问办公」（QwenWork），并开启公测。它由 QoderWork、MuleRun 和悟空三款产品整合而来，把本地电脑操作、云端长任务和企业协作收进同一个入口，直接在官网 qwenwork.cn 就可以下载尝鲜。和千问办公一起上线的，还有阿里新一代旗舰模型 Qwen3.8-Max。这次实测，我们从头到尾用的都是这个模型。它的总参数量为 2.4 万亿，每次推理激活 950 亿参数，支持 100 万 Tokens 上下文和视觉理解，编程与专业办公是这次升级的重点。我把一些麻烦、琐碎，还得连续折腾好几步的活一股脑交给它，任务一路加码，甚至让它帮我开了场发布会，看看千问办公到底经不经得住这轮「拷打」。会读文件、会跑命令，也会偶尔闹乌龙千问办公的界面并不陌生。左边是任务记录，以及「专家套件」「技能」「连接器」「定时任务」和「IM 频道」，其中，「IM 频道」除了支持阿里自家的钉钉外，还支持接入飞书、微信等主流通讯 App；中间留给对话和工作台；右侧会展开任务步骤与产物。第一次打开，多少能看到一点 Codex、Claude Cowork 这类 Agent 工具的影子。选好文件夹后，千问办公就能在里面读取资料、创建文件和执行命令。你给它一个目标，它会先拆步骤，再按需调用代码、浏览器和文档处理工具。任务跑起来以后，右侧清单会逐项打勾，生成的 HTML、图片和报告也会直接落进工作目录。刚好我这台 Mac 的储存空间快满了，在储存空间寸土寸金的当下，自然是能省一点是一点。所以第一个任务，我先让它帮我分析下，空间都被什么东西占了。感觉现在系统剩余的空间越来越少了，帮我分析一下空间占用分布情况，用直观、美观的 HTML 呈现给我。它从系统盘一路扫进用户目录和~/Library，最后交回一份可视化 HTML。报告开头先给结论：1 TB 硬盘已经使用 762 GiB，只剩 133 GiB；用户目录占了 587 GiB，其中 Samsung Smart Switch 备份、照片图库和微信数据是三个大头。往下看，Containers、Caches 和 Application Support 又被继续拆开。哪些缓存可以直接清，哪些应用数据需要确认，哪些属于个人文件要自己取舍，它用三种标签分开标了出来。接下来，我又交给它两个小任务：一个看页面，一个看交互。做一个虚构电商平台的数据看板，包含销售额、订单量、访客数、客单价、近 30 日销售趋势、品类销售占比、用户来源分布和商品销售榜 TOP 5。我让它做了一个虚构的电商平台数据看板。它交付了一张带销售额、订单量、访客数、客单价、品类占比和渠道转化率的 HTML 页面，信息层级和图表选择都算规整，算是超越及格线的表现。看完枯燥的数据，不如让它搓个小游戏，放松一下。做一个飞行躲避小游戏。玩家操控一架飞机在屏幕中飞行，需要躲避迎面而来的障碍物。游戏要有开始界面、计分系统和结束画面。千问办公做出了开始界面、计分和结束画面。飞机能跟着鼠标移动，可以吃金币，擦着障碍物掠过还有额外加分。不过，贴图还是略显粗糙，经不起细看。从苹果财报，到一场不存在的发布会接下来，我把苹果上周刚刚披露的季报交给千问办公，让它帮忙拆解一下。把这份苹果季报拆解、分析，制作成一份可视化、直观、图文并茂的 HTML。它先提取并核对报表数据，再把营收、利润、产品和地区表现做成一组清楚的图表，页面顶部先给结论，图表下面补一句「怎么看」。原始数据表也被留在底部，阅读和回查都很方便。这里有一个小插曲：它在最后校验 HTML，需要执行一条带有rm -f的命令。系统弹出了红色的「高危操作」提示，把会永久删除哪个文件、-f参数有什么效果、后续还会做什么列了出来，再让我选择允许或拒绝。这种解释在目前市面上的 Agent 应用上并不多见，但对于刚接触它们的小白来说，却十分有必要：即便不懂命令行，你也能看出它准备删掉哪个文件，以及操作能不能撤销。不过，同样的解释到了前面的磁盘扫描里，就没那么管用了。它准备执行kill 45499，提示会强制终止进程 45499，未保存的数据可能丢失。问题是，它没有告诉我这个进程属于哪个 App，也没有说明为什么非杀不可。因此，这个功能还是有些细节需要完善。做完这些有现成资料可依的任务，我还想试试它的「想象力」和审美：只给一个模糊的产品点子，它能帮我开一场完整的发布会吗？于是我临时编了一款产品。LUMA 是一盏智能桌面灯，能读取日程，用灯光提示专注、倒计时和休息，没有屏幕、摄像头与麦克风。售价 699 元，主张是「把时间调成光」。请从零为虚构产品「LUMA」制作一套 10—12 页的中文新品发布会 PPT。受众为科技媒体、设计师和首批用户。LUMA 是一盏能读取日历安排的桌面灯。它没有屏幕、摄像头和麦克风，通过灯光变化提示专注时间、会议倒计时和休息间隔。用户的日程在本地处理。已知信息：色温范围：2700K—6500K；六区独立灯光；尺寸：210 × 65 × 32 mm；重量：480 g；USB-C 供电；雾白、石墨灰、苔藓绿三种颜色；售价：699 元；目标用户：长期伏案、日程密集、又不想增加一块屏幕的人。请自行完成品牌主张、发布会叙事和视觉系统。内容需要覆盖产品亮相、交互方式、使用场景、硬件结构、隐私设计、颜色选择、价格和上市信息，但不要机械地按这份清单逐项排页。千问办公没有急着开做，而是先列出大纲，让我从内置模板里挑一种视觉风格。最后生成了 11 页 PPT，雾白、石墨灰和苔藓绿打底，再用一条暖色光谱模拟灯光。从产品卖点、使用场景到隐私设计、配色、规格和售价，该讲的基本都讲到了。我比较意外的是，它没有把每一页都做成同一种模板。有些页面只放一句话，有些用来展示产品，有些专门交代参数，节奏看起来还挺舒服。虽然 LUMA 从产品到图片都是临时编出来的，这套 PPT 放在一起却不显得太拼凑，甚至有了一点自己的品牌气质。做完以后，它还问我要不要检查页面渲染、前后表述和演讲备注。我把几项都勾上，它又逐页检查了一遍有没有文字溢出、图片异常，以及前后说法对不对。一盏不存在的灯，被它做成了一个品牌这次，千问办公还有一个挺有意思的新功能——「专家套件」。它有点像给千问办公安装不同工种的 skill 和工具包。套件广场里已经有市场营销、产品设计、投研分析、合同管理等选项，每一套都组合了这个岗位常用的技能，有些还会接入外部数据。安装以后，在对话里直接调用就行，不用每次都写长篇大论的 prompt。我先装了市场营销套件。里面组合了 8 项技能和 1 个数据连接能力，覆盖营销文案、广告合规、竞品追踪、活动策划、社媒热点、SEO、效果分析和品牌调性审查。简单说，它已经把一套常见的营销工作流程装好了。先从最容易验收的文案开始。我让它为 LUMA 生成一套跨平台宣传文案。千问办公分别给出小红书种草笔记、微信公众号长文和微博短帖，并配套标题备选、摘要、标签、CTA、A/B 方案和发布时间建议。小红书文案更口语，公众号负责讲完整故事，微博则把信息压进短句里；它甚至还单独检查了《广告法》里的极限词与绝对化表述，确实有点「专家」的意思了。文案感觉还行，我就继续加码，索性让它帮我做一整套宣传物料。帮我给这个产品做一些宣传物料，包括包装、开箱体验、其他周边、礼盒等。它先问了三个问题：要交概念方案还是可编辑文件，周边准备覆盖哪些品类，标准版和礼盒版如何区分。确认方向后，千问办公沿用 PPT 里的视觉系统，做出了雾白标准包装、石墨灰 First Light 礼盒、开箱内衬、光谱桌垫、色温杯垫、帆布袋、徽章和磁吸书签。整体的一致性和美观度都很不错，可以看出这次 Qwen 3.8 Max 的多模态能力还是比较强的。文案和图都准备好了，直接让它排成一组可以发布的小红书多图内容，自然也是不在话下。左右滑动图片把这几张做成适合发小红书的排版图。它把横版效果图重新编成 6 张竖图，封面、页码、双语栏目、标题层级和统一页脚一应俱全，完成度已经达到可以直接发布的程度。做到这里，我临时编的 LUMA 已经有了 PPT、三套平台文案、包装、礼盒、周边和 6 张小红书长图，每一次的交付物都环环相扣，确实像是同一个团队做出来的东西。模型额度方面，千问办公新用户注册会送 2000 积分，每天登录再送 600 积分。上面这些任务全部跑完后，我的免费版还剩 1645.53 分。至少在公测阶段，拿它做一些日常任务，都不需要担心积分不够。这轮体验下来，千问办公最让我意外的，不是某一张图或某一份报告，而是任务会顺着往下长。一个模糊的要求，可以变成看板、PPT 和宣传物料；前面做过的内容，后面还能继续拿来用。千问办公也不是孤立的一次产品整合。腾讯把 WorkBuddy 接进腾讯文档，字节将飞书并入豆包所在的业务体系，阿里则把 QoderWork、MuleRun 和悟空收拢起来，再准备接进钉钉。而据虎嗅昨日的报道，阿里内部把 AI 办公定位为面向企业组织的生产力平台，千问办公与钉钉由同一个事业部负责；短期内优先看的也不是用户数和月活，而是产品是否好用，以及能不能真正跑通企业场景。BAT（字节、阿里、腾讯）这三家大厂又在一个新战场拼起了刺刀。接下来比拼的，或许就不只是模型有多聪明，还要看谁能把文档、消息、知识库和各种工具接得更顺，让 Agent 真正进入用户每天的工作流程。回头看 LUMA 的文件夹，最开始只有几句关于虚构台灯的设定，最后却装进了一整套发布会 PPT、平台文案、包装方案和小红书长图。一个原本没想清楚的点子，就这样有了可以翻、可以看，也可以继续往下改的样子。所以下一次再冒出类似的念头，我大概还是会先给它建个文件夹。*封面、部分插图由 AI 生成

📉曝三星收缩中国手机线下布局，月销不足 30 万元门店面临清退🤖阿里发布 Qwen3.8，接入「千问办公」🏭丰田季度利润或连续第五次下滑，日本地震又迫使多座工厂停产💻ChatGPT Atlas 将于 8 月 9 日停止服务，书签需手动导出📋Kimi 否认港股 IPO 传闻🔐比特币硬件钱包 Coldcard 存在漏洞，约 1.1 亿美元被盗🌐中国信通院：2025 年我国人工智能产业规模超过 1.2 万亿元🎬下一代视频编码标准 H.267 启动提案征集，计划 2029 年完成🚗广汽本田试点与埃安、传祺同店卖车，下沉县级市场💰蚂蚁灵波已启动首轮融资🚲Amflow 高端电助力自行车销量超过 3 万辆，营收突破 10 亿元🎮EA 收购获监管批准，550 亿美元交易预计今日完成🦿智元首次披露 9 人合伙人团队，首席科学家罗剑岚不在名单📋微信公众号收紧电话卡销售，非运营商主体需自查整改💡哈啰 Robotaxi CTO 于乾坤：从零入场的窗口已经关闭，下一道门槛是单城规模🚙31.98 万元起，腾势 Z9S 开启预售纯电续航 1100km🧠腾讯混元联合高校发布 E-Bench，前沿模型完成多步工具任务仍频繁出错🤖自变量开源 HOST 框架，机器人看 29 秒演示即可学习新技能🔍MiniMax H3 开放基础模型权重，英特尔给出 8 卡 GPU 部署方案📱京东外卖推出 AI 智能头盔，首批免费发给全职骑手⚠️江小白诉东方甄选案判决首次披露：直播贬损构成商业诋毁🛍️香奈儿 4 名前员工盗窃逾 700 件过季商品，分别获刑 4 至 7 年曝三星收缩中国手机线下布局，月销不足 30 万元门店面临清退据新浪科技报道，三星正在收缩中国手机线下销售网络，持续未达到每月 30 万元销售额的门店和店员将被逐步清退。近期关闭或调整的门店涉及深圳、福州、郑州、西安、昆明、合肥等城市；三星尚未回应门店调整和后续市场策略。IDC 数据显示，三星今年第二季度在中国智能手机市场的份额约为 0.1%，去年同期为 0.4%，出货量同比下降 60.8%。同期中国智能手机市场出货量约为 6601 万台，同比下降 4.3%，已连续第五个季度同比下滑。三星 5 月已经停止在中国内地销售电视、显示器等家电，当时表示存储半导体、手机和医疗器械业务继续运营。目前三星中国官网仍提供手机产品销售和线下体验店小时达服务，本轮调整集中在低效线下门店。阿里发布 Qwen3.8，接入「千问办公」阿里巴巴昨日发布 Qwen3.8，并同步开启企业级 Agent 产品「千问办公」（QwenWork）公测。Qwen3.8 API 已上线千问 AI 平台，国内价格为每百万 Tokens 输入 12 元、输出 36 元，隐式缓存命中为 1.5 元；Qwen3.8-Max 与 27B 版本计划下周开放权重。模型架构：Qwen3.8-Max 总参数量为 2.4 万亿，激活参数 950 亿，支持视觉理解和 100 万 Tokens 上下文。阿里公布的 PaperBench、OSWorld-Verified 等结果显示，其科研复现、电脑操作和视觉推理能力较上一代提升。编程任务：阿里称，Qwen3.8 从空文件夹出发连续运行约 16 天，构建了自进化智能体框架「oh-my-cli」；完整过程已经公开在 GitHub。模型还可在长周期任务中根据执行结果继续调整计划与代码。专业办公：官方案例覆盖法律文档条款标注、160 小时篮球比赛录像拆解、ETF 轮动策略研究和芯片设计。Qwen3.8 会在任务中调用工具、检查中间产物并根据反馈修正。千问办公：新产品由 QoderWork、MuleRun 和悟空整合而来，同时提供桌面端、云端与企业协同 Agent。网页版和独立 PC 客户端已经开放，钉钉 PC 端与手机端入口随后上线，并将连接企业数据库、群聊和工作流。「千问办公」允许用户把完成任务的交互过程沉淀为组织级 Skill，向团队复用。公测期间新用户可获得 2000 积分，首周个人用户每日登录还可领取 500 至 2000 积分；独立 App 与国际版也在后续计划中。🔗 相关阅读：实测千问办公：阿里这个 AI 专家，真的能帮你带货丰田季度利润或连续第五次下滑，日本地震又迫使多座工厂停产路透社援引 LSEG 调查称，分析师预计丰田 4 月至 6 月营业利润为 1.11 万亿日元，约合 70.4 亿美元，同比下降 5%。若预测成真，这将是丰田连续第五个季度利润下滑。丰田和雷克萨斯当季全球销量仍超过 250 万辆，但中国市场下降 28%，中东下降约三分之一，大洋洲下降 16%。铝、石脑油等原材料涨价也继续压缩利润；公司全年营业利润指引为 3 万亿日元。日本地震导致丰田九州 3 座工厂至少停产至周三，另有一座中部工厂停产至周五，其中两座为整车装配厂。零部件供应商爱信的一座受损工厂尚未确定复工日期，约 200 人正在参与恢复。ChatGPT Atlas 将于 8 月 9 日停止服务，书签需手动导出OpenAI 宣布停用 ChatGPT Atlas 浏览器，并把基于浏览器的 Agent 能力转移到 ChatGPT 和 Codex。Atlas 计划于 8 月 9 日停止工作，届时可能无法继续打开网页、浏览或运行浏览器自动化任务，也不再获得功能和安全更新。Atlas 的书签、打开的标签页和浏览历史不会自动转入其他浏览器。用户需要在停止服务前把书签导出为 HTML 文件，再导入 Chrome 等浏览器；仍在使用的标签页则要逐一收藏或复制 URL。ChatGPT 对话历史与 Atlas 浏览数据相互独立，不受这次停服影响。OpenAI 称，后续浏览器任务将转向新版 ChatGPT 桌面应用，以及可用地区的 Chrome 扩展或侧边栏。新版桌面端将继续提供多标签页、下载、改进后的导航和账号登录支持。Kimi 否认港股 IPO 传闻据财联社报道，Kimi 开发商月之暗面计划最早于本月内向港交所提交 IPO 申请，募资规模可能约为 30 亿美元。随后，据界面新闻报道，月之暗面方面称该消息不实。彭博社今年 3 月曾报道，月之暗面正在评估香港上市，并与潜在顾问讨论方案；当时公司尚未确定承销银行和时间表。本次消息把计划具体到「最早本月递交申请」及约 30 亿美元募资规模，月之暗面的否认同时覆盖了这组新增说法。比特币硬件钱包 Coldcard 存在漏洞，约 1.1 亿美元被盗据界面新闻报道，使用 Coldcard 硬件钱包生成助记词的用户近期遭遇集中盗币，累计损失已升至约 1.1 亿美元。Bitcoin Optech 在 7 月 31 日的安全通告中称，7 月 30 日有用户发现资金在前一天被异常转走；当时可确认的损失已经超过 1000 枚比特币，后续统计仍在上升。问题来自 Coldcard 固件的助记词生成流程。Coinkite 表示，2021 年起的一次代码变更让设备在部分版本中使用可预测参数初始化软件伪随机数生成器，而没有按预期使用硬件随机数源。受影响的 Mk2、Mk3 助记词有效熵可能只有约 40 位；较新的 Mk4、Mk5 和 Q 也受到影响，但额外混入了安全元件提供的熵。Coinkite 已为不同型号发布修复版本，但更新固件不能修复旧助记词。公司要求用户先安装修复固件，再生成新的助记词并迁移资金；使用受影响固件、又没有加入至少 50 次独立骰子随机数或强 BIP-39 口令的旧钱包应视为处于风险中。中国信通院：2025 年我国人工智能产业规模超过 1.2 万亿元中国信息通信研究院昨日公布测算数据：2025 年我国人工智能产业规模超过 1.2 万亿元，同比增长 40%；截至今年 6 月，人工智能企业数量超过 6600 家，占全球总数的 15%。产业链中，应用层规模占比最高，达到 55%，同比增长 22%；基础层占比 38%，同比增长 59%；模型框架层占比 7%，但同比增速达到 189%。这组数据覆盖基础底座、模型框架和行业应用三个层面。产业规模主要集中在北京、广东、上海、浙江和山东，五地合计占比超过 80%。信通院此次采用产业规模、企业数量和区域分布三组指标描述国内人工智能产业结构。下一代视频编码标准 H.267 启动提案征集，计划 2029 年完成中国信通院昨日宣布，下一代视频编码国际标准 H.267 已启动技术提案征集。正式注册期为 8 月 1 日至 9 月 1 日，入围提案将在 2027 年 1 月举行的 JVET 第 45 次会议上接受评估，新标准计划于 2029 年完成。国际电联文件将这轮工作定义为「超越 VVC 的视频压缩能力」联合提案征集，由 ITU-T SG21 的 Q5/21、Q6/21 和 Q7/21 共同推进。国内企业、高校和科研院所需先研读编号为 T25-SG21-260706-TD-PLEN-0348 的征集文件，再按期注册并准备编码工具、测试验证与专利材料。中国信通院称，国内产业界此前已参与 H.265、H.266 的研制，在传统编码工具和 AI 编码方向均有技术积累。ITU-T SG21 国内对口组将负责国内提案协调、测试验证和参会组织，提案准备周期从注册截止到正式评估约为 4 个月。广汽本田试点与埃安、传祺同店卖车，下沉县级市场据腾讯汽车报道，广汽本田开始接入广汽综合销售服务中心，获得授权的门店可以在同一展厅销售广汽本田、埃安、传祺和昊铂车型。试点主要面向三四线城市和县域市场，北京等经销网络密集的一线城市暂不采用这一模式。广汽集团去年 10 月启动综合销售服务中心招商，采用多品牌授权的轻量化代理模式，计划今年在县级市场建立 1000 家中心。最迟从今年 2 月起，浙江乐清、广东博罗、福建漳浦、重庆荣昌等地已有门店销售本田 P7、雅阁和皓影等车型。招商人员称，传祺、埃安和昊铂可由广汽直接授权，广汽本田则需要与主机厂及主店确认授权和车源，现阶段多采用二网合作。广汽本田仍然单独授权品牌，只让获授权经销商把不同品牌车型放在同一展厅销售。今年上半年，广汽本田累计销量为 68318 辆，同比下降 55.82%。蚂蚁灵波已启动首轮融资蚂蚁集团旗下具身智能公司蚂蚁灵波已启动首轮融资，拟募资 15 亿元，并计划在今年底完成第二轮融资。报道称，多家投资机构在项目启动前已主动接触团队，近期还有投资人在世界人工智能大会展台了解其技术和产品进展。蚂蚁灵波随后回应称，公司确实正在与投资人接触。蚂蚁灵波将继续作为蚂蚁在具身智能领域的核心布局，聚焦通用机器人大脑，加大具身原生技术路线投入并推进产业落地；回应没有确认本轮融资金额和完成时间。团队已经公开 Vision、Depth、Mapping、Video、World Model、VA 和 VLA 等模型与技术模块，覆盖机器人感知、空间理解、世界建模和动作生成。公司在 7 月发布的 LingBot 系列 2.0 包括视觉基模、深度感知模型、支持 20 多种机器人构型的 VLA 模型，以及支持实时交互的世界模型。Amflow 高端电助力自行车销量超过 3 万辆，营收突破 10 亿元据 36 氪报道，从大疆拆分独立运营的电助力自行车品牌 Amflow 已售出超过 3 万辆整车，整体营收突破 10 亿元；同源的电助力系统品牌 Avinox 也已独立运营，今年客户数量超过 60 家。Amflow 首款产品 PL 定位高端电助力山地车，两款车型定价 6499 欧元和 9999 欧元。团队称，供应链与行业人士最初预计产品生命周期销量为 3000 至 5000 辆，但上市一个月后便遭遇产能不足，公司随后用一年多时间提升产能。Avinox 系统将最大扭矩提高到 120 牛·米，搭配 800Wh 电池，同时把整车重量控制在 20kg 以内；报道给出的行业常见组合为 85 牛·米、720Wh 和 22 至 25kg。团队还把快充、OLED 触屏和传感器融合算法引入这套电助力系统，并计划统一前两代系统的接口与挂点，让整车品牌升级助力系统时无需重做车架。Amflow 近期又发布售价 3499 欧元的 TL Carb