要点速览
- Grok 4.7 发布，Artificial Analysis Intelligence Index 得分 46，较 4.6 提升 2 分，智能体编程位列 Anthropic 与 OpenAI 之后第三，但 xhigh 推理强度下 token 消耗大幅上升。
- Anthropic 发布 Claude Opus 5.5，称多数任务达到 Fable 5.1 水平，运行成本比 Opus 5 低 40%。
- 小米 Mimo 2.6 Pro 以极低价格和突出的网络安全能力进入开源模型竞争，实测者认为其处于帕累托前沿。
- 吴恩达与 Yann LeCun 转发观点认为近期 AI 危险恐慌被夸大，应修复沙箱与监控漏洞而非暂停 AI。
- Hugging Face 发布 Decision Index 0.1，将 Jev 与 30 多个开放权重决策模型在 35+ 基准上对比。
- AI 评估成为产品与招聘重点，Ramp、Shopify、Harvey、Cursor 等企业投入 evals 后取得可量化回报。
- NVIDIA 称 vLLM 集成 PyNvVideoCodec，在 8×H100 上视频解码吞吐提升 2 倍以上。
一、AI 模型与基础设施
- Grok 4.7 发布，Artificial Analysis Intelligence Index 得分 46，较 Grok 4.6 提升 2 分，在 xhigh 推理强度下评测；该账号称其在智能体编程上位列 Anthropic 与 OpenAI 之后第三，并强调速度更快、成本更低。引用评测显示，Grok 4.7 在 AA-Briefcase 得 1657 Elo（较 4.6 高版 +111），GDPval-AA 得 1695 Elo（+90），编程智能体指数 56 分（+9），原生框架下排名第 4，仅次于 Claude Fable 5.1、GPT-6 Astra 和 Claude Opus 5。代价是 token 消耗大幅上升：Grok 4.7（xhigh）每个 Intelligence Index 任务约用 81k 输出 token，Grok 4.6（high）为 36k，GPT-6 Astra（max）为 27k，分别高出 125% 和 196%；上下文窗口 500k 不变，定价 $2/$6 每百万输入/输出 token、缓存命中 $0.50，与 4.6 一致。模型卡对比 4.6 的提升包括 Terminal-Bench 20.3%→38.0%、SWE-Marathon 31.9%→46.0%、HealthBench Pro 48.5%→56.7%、Legal Agent 15.8%→19.6%、EEBench 60.0%→66.0%，价格不变；另有说法称 Terminal-Bench 两个月内从 12.4% 升至 38.0%，超过 GPT-5.6 Sol。该账号多次强调需搭配 Grok Build harness 才能获得最佳效果，并称 Grok 4.7 与 Build harness 是“强大的日常主力”；转发内容称 Grok 4.7 Fast 已在 Grok Build 和 Cursor 上线，输出速度约 2 倍，token 价格为标准版 2 倍，不含免费层、不在公开 xAI API 提供。其他转发提及法律智能体基准得 19.6%、约为 Fable 5.1 的近 3 倍，AA-Briefcase 上 xHigh 得 58%、距 Claude Fable 5.1 Max 的 59% 仅 1 分，音乐错误检测得 100%，有用户称其连续工作超 70 小时、500k 上下文对技能选择和工作流帮助明显。1 2 3 4 5 6 7 8 9 10 11
- Anthropic 发布 Claude Opus 5.5，称其为新 Claude 5.5 系列首个模型，多数任务表现达到 Claude Fable 5.1 水平，运行成本比 Opus 5 低 40%。AravSrinivas 称 Claude Opus 5.5 已向所有 Perplexity Computer 用户开放；在其 Wide-And-Deep-Research 评测中，该模型表现优于 Fable 5.1，且成本仅为后者一小部分；Opus 5.5 将成为所有 Pro 和 Max 用户在 Computer 上的“Standard” Effort orchestrator。Ethan Mollick 早期测试认为 Opus 5.5 是好模型，是首个感觉达到 Fable 级（非 Fable/Astra）的模型，但尚未完全解决近期 Claude 的密集语言问题。1 2 3
- 小米 发布 Mimo 2.6 Pro，自称最佳开源模型；实测者认为现在判断它是否最佳为时过早，称其是强力竞争者，尤其在网络安全场景有大量用例。价格极低：在标准假设下（智能体编程、缓存命中占比），比 Kimi K3 便宜 15 倍、比 GLM 5.3 便宜 6 倍、比 DeepSeek V4 便宜 2 倍，仅比 DeepSeek V4.1 Flash 贵 2 倍；缓存命中 $0.0036/M，输入 $0.435/M，输出 $0.87/M。性能与质量无疑处于帕累托前沿。网络安全能力突出：不拒绝任何网络安全防护类请求，例如询问如何在 imagemagick 中寻找缓冲区溢出可得到不错输出，而多数模型会拒绝；CyberGym 得分 95。快速模式提供 Ultraspeed，官方称最高 20 倍加速，实测在 OpenRouter 上吞吐为 3 倍、p50 约 150tps，净价格为 10 倍。多模态表现好：擅长制作信息类视频（TTS 开箱即用），自动添加语音或音效，在 DAW 上的音乐创作能力令人惊讶；技术报告深入介绍了其 RL 扩展方式。1 2
- NVIDIA 称 vLLM 已集成 PyNvVideoCodec，将视频解码从 CPU 卸载到 GPU 的 NVDEC；在 8×H100 上吞吐提升 2 倍以上，CPU 瓶颈消除，该功能随 CUDA vLLM 版本发布，被认为对大规模视频描述（AV 训练、元数据）意义重大。英伟达还称 Grok 4.7 已发布，并祝贺 SpaceXAI 推出其迄今在编程与知识工作方面能力最强的模型，英伟达以加速计算为该团队提供支持；被引用推文称 Grok 4.7 是智能、速度与低成本的强组合。1 2
二、AI 安全与治理争议
- 吴恩达 与 Yann LeCun 转发并认同的观点认为，近期围绕 AI 危险的恐慌被夸大，背后像是协调过的公关造势，担忧这对 AI 领域构成挫折；相较几个月前，AI 导致人类灭绝的风险并未上升，相关理论仍是科幻式设想，真正值得重视的变化是 AI 的网络攻击能力，但这也不会导致世界末日。该观点以 OpenAI 团队部署智能体集群入侵 Hugging Face 为例，指出部分报道渲染“1200 个智能体发动攻击”，但作者称自己笔记本电脑上就运行着约 1300 个进程，大规模并行智能体是重要技术进步，却并非魔法能力；事件关键还在于 OpenAI 有缺陷的沙箱与监控流程，应修复漏洞和加强监控，而非暂停 AI。该观点认为 AI 智能体的主要优势是“不知疲倦”，能耐心串联漏洞、尝试大量战术，完成此前人力难以承受的工作，但长期优势在防御方，因为防御方拥有更多信息来定位并修复漏洞；识别和利用漏洞仍有瓶颈，智能体需大量试错、耗时且可能被防御方发现，因此即便易获得移除或削弱护栏的领先开源权重模型，世界也未终结。该观点批评报道中对 AI 的拟人化，主张责任应归于构建和使用工具的人而非工具本身，并点名 AI 公司以“失控的智能体干的”来推卸责任是新出现的问题；同时认为当今智能体系统虽不可预测，但通过良好工程实践可使其极为安全，暂停 AI 十年也会把发现和实施安全工程修复的时间推迟约同样久，且对手不会放慢。该观点还提到，制造生物武器的瓶颈不是智能而是实验室工作和制造，并称激励夸大恐惧的因素依旧存在，包括监管俘获、博取关注或让自家技术显得更强；其结论是，严格审视实际风险后，当前恐惧程度缺乏事实依据，AI 有益应用仍远大于风险，应继续建设。1 2
- Sam Altman 主张 AI 实验室之外的人应对技术发展有真正发言权，并能明确判断其是否安全推进；标准应防止权力集中，包括确保新公司和开放模型公司能够竞争，也应帮助各国和企业比较证据、从失败中学习；作者认为美国应主导这一努力，并附上了其提案。1
- OpenAI 正与一个由数学家组成的独立顾问小组合作，以负责任地分享 AI 与数学领域的进展。该小组将为 OpenAI 评估和沟通新数学成果、维护学术与职业标准、以及构建支持数学研究与学习的工具提供建议。OpenAI 表示，希望通过这项工作让数学家处于核心位置，参与塑造 AI 如何支持数学理解、以及其成果如何惠及更广泛社区。Ethan Mollick 认为 AI 变革速度会慢于预期，OpenAI 与数学家独立顾问组合作以“较少颠覆性”的方式发布新数学证明，类似做法将更多出现在律师、医生等职业领域。1 2
三、评估、工具与生态
- Hugging Face 发布 Decision Index 0.1，将 Jev 与 30 多个开放权重决策模型 对比，覆盖 35+ 基准、每个模型 13 万问题，测试知识、自动化、理解与创造力。Hugging Face 趋势榜第一的模型是一个开源多语言“系统 1 决策模型”，在 Jev 开始流行后仅数天登顶，转发者称开源 AI 社区很棒。Hugging Face 的 funes 将过往 agent 会话转为可用记忆：把 Claude Code、Codex、pi 和 Hermes 的 trace 索引到本地 Lance 数据集，向 agent 提供 recall 和 get 工具，任务依赖旧推理时可取回原始段落，且不在摄入时用 LLM 摘要 trace。转发内容称训练模型正变得越来越容易，可结合 TRL 与 agents 实现，并称若所有任务仍用现成模型会错失机会。1 2 3 4
- AI 评估（evals） 正成为 AI 产品与招聘的重点：作者称上周分享的 25 个 PM 职位 中近半要求具备编写 evals 的经验，并列举企业投入 evals 的回报——Ramp 自动收据采集准确率从 35% 提升至 83%，Shopify 的 AI 工作流构建器比其替代的前沿模型方案快 2.2 倍、成本低 68%，Harvey 重建 AI 合同审查器使内部质量分近乎翻倍，Cursor 调整 Auto Balance 路由在成本降低 41% 的同时提升用户满意度。作者与 HamelHusain、sh_reya 基于与 50 多家 AI 公司的合作，撰写了《Building eval systems that improve your AI product》的进阶续篇，内容涵盖多数团队遗漏的关键步骤、哪些环节应/不应自动化，以及一个让编码 agent 承担大部分工作的免费插件。作者称该文将数千小时的 AI Evals 工作浓缩为 30 分钟阅读，并提到 Lenny 的 newsletter 会以 AI credits 形式回馈订阅者。1 2
- Runway 在 Runway 内推出扩展版 Workflows，新增 Compositing、Alpha、HDR、Depth Map 和 RGB Depth，用户可在同一平台完成更多流程环节。Runway 推出 DIFFUSE 平台，面向 agency、品牌和工作室，用于搜索、联系并雇佣 AI 原生人才。Runway 表示，尽管外界担忧 AI 取代创意工作者，但其观察到的情况不同：一个全新的创意劳动力群体正在形成，且对其需求正在加速；DIFFUSE 旨在将该人才与新的机会格局连接起来。1 2
- Perplexity 推出 Research Fellowship，面向任何技术或定量学科的早期职业研究者、工程师和分析师从事 AI 研究。国际世界建模会议（ICWM） 采用单盲评审并对所有人开放，作者若做“AI slop”会被公开，匿名评审可免受同侪压力，征稿截止约两个月后，主办方称仍在调整规则，并批评领导层轮换的臃肿综合性会议跟不上节奏。1 2 3 4
