AI made writing almost free. Reading is still expensive. That’s the hidden cost of AI-generated content: the reader pays with attention.

GPT-6 Sol and Luna are a bigger deal than just another model release. The real story is price. OpenAI says the new models bring much of the GPT-6 family’s capability into cheaper, more scalable options. GPT-6 Sol is priced at $2/M input and $10/M output tokens, while GPT-6 Luna drops to $0.10/M input and $0.50/M output for standard short-context usage. That changes the competitive landscape. The AI race is no longer just: Who has the smartest model? It’s increasingly: Who can deliver high-end capability at a cost low enough to use everywhere? Cheaper models mean more coding agents, more automation, more experimentation — and a much lower barrier for startups and individual developers. Frontier intelligence is becoming a commodity faster than most people expected.

Anthropic just made the AI race more interesting. Last week, Dario Amodei argued that we need to “pace the frontier” — slow AI progress enough for safety practices and institutions to keep up. Now Anthropic has released Claude Opus 5.5. And it’s not a cautious release: ~40% lower cost vs. Opus 5 30%+ faster output stronger coding and tool use better long-running agent performance stronger safety evaluations That tension is the real story. Anthropic is effectively saying: Yes, frontier AI may need to slow down. But while the race continues, we still have to run it. That raises a much bigger question than benchmarks: Can frontier labs meaningfully “pace” AI while still competing to ship stronger models?

Attention may be the most scarce resource in the AI era. Not information. Not content. Not even intelligence. We already have more of all three than we can process. What’s scarce is the ability to decide: what deserves your attention — and what doesn’t. Recommendation feeds, notifications, short videos, AI-generated content, endless summaries — all compete to shape what you see, think about, and remember. And that matters because: what you repeatedly pay attention to eventually shapes how you think. The next important AI skill may not be prompting. It may be protecting your attention.

Xiaomi’s MiMo V2.6 is more interesting than another benchmark win. The bigger story is how it was trained. MiMo V2.6 comes in Pro + Flash multimodal models, but Xiaomi also ran 6 days of public live RL training, generating roughly 750,000 trajectories — then released the technical report, training environment, and RL code. That’s unusual. Frontier model training is normally a black box. Xiaomi is starting to open part of that box. The real question isn’t: “Who did MiMo beat?” It’s: “What happens when frontier-model training itself becomes more open and reproducible?” That may matter far more than one leaderboard score.

复制粘贴这个动作，可能真的要被 AI 重写了。 看到 Marcus 做的这个Jaste智能剪贴板，第一反应不是“又一个 AI demo”，而是： 50 年没变过的 Ctrl+C / Ctrl+V，第一次像是长了脑子。 过去我们处理一段混合文本： 姓名、电话、地址、邮箱混在一起， 想填进表单，往往要在两个窗口间来回切十几次： 复制 切换 粘贴 再回来 再复制…… Jaste 的厉害之处在于： 你只需要复制一次整段原始文本， 然后进入不同输入框继续按“粘贴”： 到姓名框 → 粘贴出姓名 到电话框 → 粘贴出电话 到地址框 → 粘贴出地址 而且它靠的不是笨重的聊天模型， 而是 毫秒级 decision model。 这件事真正让人兴奋的地方不是“又多了一个 AI 工具”，而是： AI 开始进入操作系统层的人机交互。 真正的下一代交互，未必先是一个更能聊的聊天框。 它可能先是： 剪贴板、快捷键、输入框、表单 这些你已经用了几十年的东西，突然开始理解上下文。 这才是真正让人头皮发麻的地方。

Qwen Image 2.1 发布了。 这次值得关注的，不只是“画图更好看”。 它正在把 AI 图像模型从“生成图片”，推进到真正的创作工具： 文生图 + 图片编辑统一 支持多张参考图 可做局部精细修改 支持透明背景输出 更适合商品图、设计稿和内容生产 我觉得这个方向很重要。 过去 AI 图片模型更像：输入一句话 → 得到一张图 现在正在变成： 参考 → 生成 → 修改 → 保持一致性 → 再编辑 也就是说，竞争开始从“谁会画”，转向： 谁更接近真正的设计工作流。 这可能才是 AI 图像模型真正进入生产力阶段的开始。

最近，一枚名为 __obi 的 Cookie 引发隐私争议。 简单说： ChatGPT / OpenAI → __obi Cookie → OpenAI Pixel → 第三方网站上的转化与跨站行为关联 这不等于“ChatGPT 在监视你访问的所有网站”，但它说明了一件更重要的事： AI 平台正在从“回答问题”，进入“广告归因 + 用户行为分析”阶段。 刚刚我们还在讨论 ZuckOff：用工具发现身边可能存在的相机眼镜。现在另一边，AI 平台本身也开始进入更复杂的广告与追踪体系。 AI 时代，真正越来越值钱的，可能不只是智能。 还有：知情权、隐私权，以及你对自己数据流向的控制权。

很多人用AI写作，第一步就是： “帮我写一篇……” 但真正更有效的方式，可能刚好相反。 观点、经历、第一稿，最好还是由人来写。 AI 更适合做后面的工作： 删废话、找逻辑漏洞、调整结构、让表达更清楚。 因为现在真正稀缺的，已经不是“生成一篇像样的文章”。 而是：有没有自己的判断、经历和表达方式。 所以，比“让 AI 替你写”，更好的方法可能是： 你负责写，AI 负责编辑。 AI 可以让文字更好。 但最值得保留的，恰恰是那些不像 AI 的部分。

Jev 已经从一个新模型发布，变成了一个值得关注的新 AI 叙事。 TypeSafe 的 System One Models 不追求更会聊天，而是直接面向软件做决策： 复杂状态输入 → 结构化判断 + 概率输出。 不写长答案，不逐 token 生成，也不需要再从一大段文字里解析结论。 真正的问题其实很简单： 软件真的需要 AI“说话”吗？ 很多真实任务只需要判断： 这笔交易有风险吗？ 这个请求该路由到哪里？ Agent 下一步该调用哪个工具？ 传统 LLM 更像： Human ↔ AI ↔ Text Jev 想做的是： Software → AI Decision → Software 这可能比“快 100 倍还是 200 倍”更重要。 因为如果这条路线成立，未来数量最多的 AI 调用，可能根本不是聊天—— 而是藏在每个软件流程里的“智能判断”。 目前 Jev 仍是 early access，性能和成本数字还需要更多独立验证；但它已经成功提出了一个很难忽略的问题： AI 的下一阶段，真的还需要围着聊天框转吗？

AI Agent 的下一步，已经不只是“帮你完成一个任务”。 Andon Labs 推出的 Pion，目标更激进： 让 Agent 持续运营一家真实公司。 它给 AI 接上邮箱、电话、浏览器、Terminal、银行账户、银行卡，甚至让它协调员工、客户和供应商。 这和普通 Agent 最大的区别是： 任务会结束， 公司不会。 今天库存不足，明天客户投诉，下周现金流变化——AI 必须记住过去、持续决策，并承担之前决策带来的后果。 所以真正值得关注的，不是“AI 能不能当 CEO”。 而是： AI 正在从「完成任务」，走向「经营组织」。 Model → Agent → Workflow → Autonomous Organization 这可能是 Agent 真正跨进现实经济的一道边界。

AI 的下一步，可能不是更会聊天，而是更会“判断”。 TypeSafe 推出的 System One Models / Jev，不是传统聊天模型。它更像软件里的“智能 if”： 交易是否可疑？ 请求该交给谁？ Agent 下一步做什么？ Jev 直接返回结构化判断，而不是生成一大段文字。 如果这条路线成立，未来数量最多的 AI，可能根本没有聊天框。 ChatGPT、Claude、DeepSeek 是“人和 AI 对话”； Jev 代表的方向，是“软件和 AI 对话”。 AI 正在从一个产品，变成软件底层的一层智能。

窗外一只鸟叫了，墙上的画就变了。 这个小项目用本地 BirdNET 识别鸟叫，再把对应鸟种的 19 世纪自然史插画显示在电子墨水相框上。 没有聊天框。 没有 prompt。 甚至不需要主动“使用 AI”。 AI 只是在后台听懂环境，然后让产品自然发生变化。 这可能才是 AI 真正进入生活后的样子： 不是所有东西都变成聊天机器人， 而是 AI 慢慢消失在产品里。 最好的 AI 产品，可能不是让用户感受到“AI 很强”，而是让人根本忘了里面有 AI。

一个很值得注意的趋势正在出现： Temporal 刚融资 5.5 亿美元，估值 125.5 亿美元。 它不造大模型，解决的是一个更现实的问题： 怎么让 AI Agent 在真实业务里连续工作几小时、几天，甚至几个月，而且不掉链子。 这说明 AI 的竞争正在发生变化： 过去比的是——谁的模型更聪明。 接下来比的可能是——谁能让 AI 真正进入业务、持续运行、创造价值。 Demo 已经越来越容易。 真正稀缺的是： 把 AI 从“会做”，变成“能稳定做完”。 下一波 AI 红利，未必只属于模型公司。 更可能属于那些真正把 AI 变成生产力的人。

Fable 5.1 最近被要求自己寻找一个尚未解决的历史密码。 它选中了一个流传约 370 年的谜题，连续工作约 44 分钟、消耗约 17.6 万 tokens，最后找到了一套高度可信的解法。 但真正重要的，可能不是“AI 会破密码”。 而是： AI 不会无聊。 很多“未解决问题”也许并不是难到没人能解，而是找资料、试假设、写脚本、反复验证太耗时间，最后没人愿意继续追。 AI 正在改变这一点。 它正在让“人类没空解决”，变成一种越来越弱的障碍。