MemeInformation

这两天，我被一个叫 Jev 的模型刷屏了。 它不会陪你聊天，不写文章，也不 Coding。给它一段信息，再给几个选项，它直接返回 Choice、Score 或概率。 TypeSafe 把这类模型叫作 System One Model，主打低延迟、低成本和结构化决策。 官方称 Jev 每百万输入 Token 只要 0.042 美元，很快就有人开始讨论它在 Agent Router、审核和自动化决策里的价值。 但我没那么兴奋。 我是从 NLP 时代过来的。 生成式 AI 出现以前，文本分类、意图识别、路由、匹配，本来就是 NLP 最常见的一类任务。BERT、DeBERTa 加一个分类头，就能完成大量类似工作。 Jev模型依然属于封闭答案空间里的判断。 它有价值的地方，在于把过去需要标注数据、专门训练的分类任务，变成了可以直接用自然语言定义的通用决策接口。 很多系统最后只需要一个 yes/no，却还在调用完整大模型生成一段话，再从里面解析答案。Jev 专门处理这一层，放在路由、审核、打分这些高频场景里很合理。 我更愿意把 Jev 理解成一种任务型垂类模型。它把“判断”这件事做得更快、更便宜，但没有明显扩大模型能处理的问题边界。 所以我不太看好它成为 AI 能力演进的主线。相比之下，我更关注推理、Coding、工具调用和长程 Agent 这些还在持续拓展通用模型能力边界的方向。 最近阶跃发布 Step 5 Preview 后，我就拿它跑了一轮。 Step 5 Preview 总参数 600B，一次激活 27B，支持 1M Context，原生支持文本和视觉输入。Artificial Analysis 的 Intelligence Index 给了它 44 分，进入全球开源模型前二。 输出速度接近 100 tokens/s，单项任务平均成本约 0.71 美元，同时位于 Intelligence 与 Cost 的帕累托前沿。 它的参数很能说明它的思路：保留旗舰模型的能力上限，同时尽量降低每一步真正参与计算的规模。 Step 5 Preview 用了 92 层 Transformer，走 Narrow but Deep 路线。复杂 Agent 任务里会不断搜索、读文件、调用工具，长 Prefill 和多跳依赖越来越多。阶跃的判断是，相比单纯把网络做宽，更深的网络可以为长 Prefill 中的隐式多跳推理提供更长的信息传播路径。 再加上 Sparse MoE、Sparse Attention、Sparse GQA，以及针对 1M Context 做的索引和 GPU 优化，目标都很明确：让算力尽量花在有效计算上。 训练侧也在围绕长任务变化。 Step 5 Preview 加入了 Long-horizon RL 和上下文管理训练，还开始参与自己下一轮训练数据的构建：模型探索高难任务，再配合专家审计、难度控制和 Anti-hacking，最终构建出百万级可验证任务。 某种程度上，它开始参与寻找自己的盲区。 不过这些技术最后还是要看实际使用。 所以这次我把 Step 5 Preview 接进了 WorkBuddy，连续跑了三个前端视觉任务。 赛博朋克无限隧道 我让它用 Three.js 做一个实时交互的赛博朋克隧道，包括霓虹灯门、速度线、粒子、Bloom、HUD、鼠标转向和加速。 它自己建项目、准备依赖、写代码、启动服务，再调用浏览器验证。 测试加速时页面一度黑屏，它继续检查状态，重新加载页面并缩短测试时间，第二轮成功跑通，最后留下一个可以直接运行的 HTML。 交互式黑洞 第二个任务，我让它做一个带吸积盘、光子环、喷流、橙蓝辉光和引力透镜效果的黑洞。 它搭了 Three.js 和 esbuild 环境，用了接近 10 万颗 GPU 驱动粒子。 第一版效果过曝、发白、边缘太糊。Step 5 Preview 看完截图后自己调参数，中间还遇到并行编辑覆盖文件的问题，于是重新读取文件，改用一次性补丁，再打包、再截图。 它自己调整完毕，最后成功收敛到现在的效果。 水面雨滴 第三个任务更主观。 第一版出来后，我只说了一句： 画面太脏了，做得克制一点。 它随后删掉噪点、阵风、地平线灯带和多余散景，只保留月光、水面、少量光柱和雨滴，同时压低曝光和辉光。 最终出来的画面，和第一版已经完全是两套视觉语言。 真正让我在意的，其实是这三个页面背后的过程。黑屏、文件覆盖、效果过曝，以及一句非常模糊的“画面太脏了”，它都没有停在第一次结果上，它会继续检查、修改、验证，直到交付一个能用的结果。 跑完这几个 Case，我对 Step 5 Preview 的判断反而更具体了。 44 分、全球开源前三，说明它已经重新回到前沿模型的竞争区间；而这些实测更能看出，阶跃这次把重点放到了 Coding 和 Agent 真正会遇到的长链路任务上。 这几个 Case 跑下来，我反而觉得榜单之外的东西更值得看。 页面黑了，它会重新检查；文件被覆盖了，它会重新读取；效果做得太满，给一句很模糊的反馈，它也能继续往下改。对 Coding 和 Agent 来说，真正困难的往往就是这些过程：任务足够长，中间不断出现新的状态和意外，模型还得继续判断下一步该做什么，最后把事情做完。 这也是 Step 5 Preview 这次最让我在意的地方。相比单点能力的提升，它更明显的变化，是模型开始能在更长、更复杂的任务里持续往下执行。 再往前看，从 Step 3.5 Flash、Step 3.7 Flash 到 Step 5 Preview，阶跃最近几代模型的方向其实越来越清楚：一边往 Coding、工具调用和长程 Agent 走，一边继续压低激活规模和实际计算成本。 与此同时，阶跃最近还更新了 Step Edge 和 StepAudio 3。端侧、语音、旗舰基模几条线都在同时推进。这样再来看 Step 5 Preview，它更像是阶跃这一轮模型能力升级里最关键的一块。 所以 Step 5 Preview 对阶跃的意义也很直接： 它让阶跃重新拿到了一张参与前沿模型竞争的门票。 这一轮 Coding 和 Agent 的竞争，阶跃不想缺席，也不想留下遗憾。

孙割再去练个rap就无敌了

深圳的费大厨比上海的费大厨好吃。可能是因为深圳湖南人比较多吧

这博主我早拉黑了，天天搬运一些哗众取宠的玩意

讲真的，我现在最不缺的就是AI总结。 一个新模型发布，半小时后全网都是参数总结。 一篇论文走红，很快就能刷到几十个AI生成的解读。 看完好像什么都知道了，再追问一句为什么这么设计、实际哪里好用、还有什么问题，很多内容就接不上了。 最近追Kimi、DeepSeek和具身智能的内容时，我经常顺着搜索结果点进知乎。 看多了以后，我发现这里越来越像AI时代的“十字路口”。 有人拆模型架构，有人公开项目进度，有人复盘踩坑过程，论文作者和一线工程师也会亲自解释成果怎么做出来、为什么这么设计，以及暂时还解决不了什么。 今年截至目前，知乎“亲自答”数量同比增长了38%。 从Kimi、通义实验室、MiniMax、阶跃星辰的算法团队，到具身智能创业者，越来越多真正参与项目的人开始直接下场讲技术。 比如Kimi Infra工程师刘少伟，之前就在知乎解释过K2-Thinking为什么选择原生INT4。 模型发布时，普通用户看到的是速度、价格和成绩。 他讲的是团队为什么选这条路线，以及背后的工程取舍。 后来，这篇分析被知乎整理成英文，发到Zhihu Frontier的X账号上，获得超过50万的浏览量，还收到了前OpenAI 联合创始人、前Tesla AI负责人、现 Anthropic 预训练研究员的 Andrej Karpathy 的点赞。 以前提到中国AI出海，大家先想到的往往是模型榜单、API调用量和海外用户。 现在，一些中国工程师的原始观点，也开始从知乎进入海外开发者的视野。 我还刷到过机器人打乒乓球论文作者苏智的亲自答。 这个项目最抓眼球的是人形机器人可以和人连续对打106板，他在知乎讲得很细：机器人怎么找球、预测落点和回球，Planner与强化学习Controller怎样配合，为什么现场需要9台外部相机。 他也交代了局限，例如机器人接不了旋转球和短球，还依赖外部动捕，目前只能在实验室里运行。 对我这种对技术好奇，又没那么多时间把每篇论文都读完的人来说，这些细节往往比一篇论文摘要更有价值。 作者为什么这么做、结果到底能用到哪里，很多时候还是得听做这件事的人自己讲。 看多了以后，我发现知乎连接的不只是技术和读者，它还在把“作品”和“人”连接起来。 Archify是一款面向开发者的开源工具，可以把复杂的代码库和系统结构整理成清晰的交互式架构图。 Archify的作者是专升本出身，求职时曾因为学历被卡。 他后来开始做开源项目，希望用作品证明自己的能力。 Archify登上GitHub Trending第一后，他在知乎复盘这段经历。 以前介绍自己，需要花很多时间解释做过什么。 现在可以直接把项目链接发给别人。 人形机器人公司RoboParty创始人黄一也走过类似的路。 学生时期，他在宿舍里做人形机器人，把第一代机器人开源后发到知乎。 有人找他讨论，也真的有三五个人照着图纸把机器人复现了。 这些反馈后来也影响了RoboParty坚持开源的方向。 这些回答也把项目成长的过程留了下来：一个想法怎样出现，作者踩过什么坑，别人提出了哪些问题，项目又是怎样慢慢长大的。 放在一起，有点像一份持续更新的公开作品集。 别人看到的不只是结果，也能顺着过去的回答，判断一个人怎样理解问题、有没有持续做事。 当作品和真实身份放在一起，机会也更容易找过来。 我在知乎上见过NVIDIA、腾讯混元等团队招聘，也见过清华、西湖大学等高校的研究者公开介绍课题组和招生方向。 最近知乎还在做AI Researcher Club，把论文和模型发布、Paper Talk、播客访谈、线下交流、招聘招生和项目合作放到一起。 一篇回答，可能就是一个人被同行、团队或者合作伙伴发现的入口。 AI正在让答案变得越来越触手可及，真人留下的经验、判断和失败记录却更难替代。 所以我越来越愿意把知乎看作AI时代的一个“十字路口”：技术在这里被继续追问，作品留下成长轨迹，做事的人也因此更容易找到同行、合作和新的机会。 当越来越多做事的人在这里碰到一起，很多新的项目、合作和想法，也就有了发生的可能。

前段时间逛完WRC，我有个很直观的感受：机器人开始认真找工作了。 展台上依然有会跳舞、翻跟头的机器人，但更常见的画面已经变成整理房间、操作洗衣机、药房取药、物流分拣和园区配送。 今年WRC还第一次设置了采购日和开发者日，大家开始认真讨论场景适配、稳定交付和成本。 展台上的Demo离大规模上岗还有距离。但机器人一旦进入具体工作，问题就会变得很细。 不同物体、流程和环境，都可能让同一个动作重新调整。很多有用的经验也因此散落在实验室、公司项目和个人记录里，很难只靠产品发布和论文讲清楚。 对具身智能感兴趣的人，可以去哪里看真实项目？正在做项目的人遇到问题，又能去哪里找到同行交流？ 最近我逛了智元AIMA开放平台社区，觉得它刚好提供了这样一个入口。 这是一个面向具身智能开发者和爱好者的交流社区，今年9月刚上线。 我浏览了一遍，发现里面的内容还挺好逛。 有人分享四足机器人的二次开发，有人记录ROS暑期学校的学习过程，也有人讨论人形机器人打乒乓球、真实世界数据和机器人商业化…… 会开发的人可以分享项目和Demo，正在学习的人可以写复盘、提问题，平时关注行业的人也能聊聊自己的观察。 逛着逛着，我还看到了一些熟悉的名字。一些行业观察者，都在这里分享他们对具身智能的观察和思考。 机器人进入真实场景以后，很多经验都藏在细节里。 一个动作为什么失败，参数应该怎么调，Demo能不能复现，这些具体问题，有时比最后展示出来的结果更值得交流。 有人愿意把过程写出来，其他人就能少踩一次坑。评论区里的补充和讨论，也可能帮作者发现自己没想到的问题。 对关注具身智能的人来说，社区可以降低信息差。 看看别人正在做什么、遇到了什么问题，能够更快了解行业的真实进展，也方便判断自己对哪个方向更感兴趣。 如果已经在做项目，还可以把思路和过程发出来，听听同行的反馈。 一个人卡住很久的问题，也许刚好有人做过。聊得多了，还可能遇到研究相同方向的朋友或合作者。 持续分享还有一个很实际的好处：它会慢慢变成一份公开的个人作品记录。 以后无论是求职、转行、找合作，别人看到的不只是“你对机器人感兴趣”，还有你做过什么、研究过什么、能不能把问题讲清楚。 优秀内容也有机会进入官方精选和案例库，获得后续生态合作机会。 智元AIMA社区给不同阶段的人提供了参与具身智能的入口。 你可以先围观，再提问，再分享，逐渐从关注行业走向实际参与。 最近加入还赶上了首月活动。 9月1日至9月30日，智元AIMA社区会举办首月TOP10创作者活动，设置万元实物奖池，包括大疆Pocket 4、Apple Watch等。 活动期间发布并通过审核不少于10篇原创内容，就可以进入评选。 题材范围挺广，技术教程、项目Demo、学习复盘、活动记录和行业观察都能写，不需要每篇都聊复杂代码。 如果你最近也在关注具身智能，可以先去“智元AIMA开放平台”进入社区逛一圈。 认真记录一次学习，分享一个小项目，或者提出一个真实问题，都算是进入这个行业的一步。

刚听完智谱的财报电话会，我舒了一口气。 我以前在智谱工作过，现在也持有一些智谱股票。 我过去最担心的一件事，是智谱最后活成一家项目制公司。 因为早期大模型很难直接靠调用量挣钱。 最现实的办法，是找大B、大G客户，做本地化部署和定制交付。 这种生意确实能赚钱，但复制起来很慢，规模效应也不明显。 项目越多，公司越依赖堆人拿订单、做交付，一家技术公司很容易最后活成软件外包公司。 商汤科技曾经代表了这条路径。 2021年，商汤智慧商业和智慧城市收入合计约41亿元，占总收入的87%；净贸易应收款达到50.84亿元，甚至超过全年收入。 我之前担心，智谱也会被困在同一条路上。 因为2025年，智谱本地化部署占收入的73.7%，开放平台及API只有26.3%。 所以刚才听财报电话会时，我一直盯着智谱的收入结构。 万幸，2026年上半年，这个结构突然翻了过来。 智谱财报显示，上半年公司总收入约9.54亿元，同比增长近400%。 其中，开放平台及API业务收入约8.25亿元，同比增长2735.7%，占总收入的比例从2025年的26.3%升到86.5%；本地化部署则从73.7%降到13.5%。 换句话说，API几乎包揽了这半年的全部增长。 这也是这次中报里最让我放心的地方。 相比一个个做项目，API可以被反复调用，收入增长不再需要销售和交付团队同比例扩张，更容易形成规模效应。 为什么智谱突然有能力靠API长这么快？ 我觉得答案是两条曲线同时发生了变化：模型能力不断往上走，让客户愿意把更复杂、更值钱的任务交给模型；推理效率不断提高，让智谱能以更低成本接住越来越大的调用量。 过去11个月，GLM-5.2、Ox-Alpha等SOTA模型接连上线。 尤其是Ox-Alpha，在身份还没公开时就登上OpenRouter榜首。 用户不知道它来自智谱，却已经用真实调用把它推到了榜首，说明模型本身已经能让人持续去用。 另一边，智谱把10万级国产芯片纳入主力推理算力，单位Token推理成本较年初下降80%，端到端服务性能提升3倍。 截至8月底，API平均售价提高约101%，调用量却增长超过40倍。 价格提高、调用量暴涨，同时单位成本还在下降，这才是MaaS真正有规模效应的前提。 截至8月底，智谱MaaS平台用户已经超过740万，较年初增长144%；付费日活用户增长603%，前十大客户日均调用量较年初增长98%。 更直接看收入规模，MaaS ARR按月度计算已经达到16亿美元，单月增长60%；按周度计算则达到20亿美元。 最后，毛利率补上了最关键的一环：开放平台及API业务毛利率已经提升至24.6%。 也就是说，调用量爆发的同时，这门生意开始真正留下利润。 而且这份中报还有一个容易被低估的地方：它只记到了6月底。 7、8月这两个月的收入还没有体现在报表里，但从电话会披露的最新经营数据看，最近两个月的表现明显更强，ARR也继续往上走。 所以如果只看中报数字，可能还低估了智谱现在这条增长曲线。 过去，智谱要一个客户、一个项目地卖模型。 现在，同一套模型能力，可以被数百万用户和企业反复调用。 GLM-5.2也好，Ox-Alpha也好，真正重要的已经不是发布当天有多少人在讨论。 这些模型抢来的注意力，开始变成真实调用；调用再变成收入；收入最后还能留下毛利。 这就是一门有规模效应的生意。

孙哥这样的人，在创业者里其实很常见。可惜的是，很多人有孙哥的性格、却没有孙哥的魄力和认知。

过去很多年，理解腾讯并不难。 看微信连接了多少用户，看游戏、广告和金融科技贡献了多少收入，基本就能看清这家公司的价值。 它拥有成熟的产品、稳定的现金流和一套经过长期验证的商业体系。 但最近，我觉得这套观察方式开始漏掉腾讯身上最重要的变化。 在最近一次财报电话会上，刘炽平提供了一个新的视角，今天的腾讯，可以分成两个腾讯来看。 第一个是移动互联网时代的腾讯。 游戏、广告、付费服务和金融科技构成了成熟的业务基本盘，持续贡献收入和利润。 第二个是AI时代的腾讯。 混元负责底层模型，WorkBuddy、CodeBuddy、元宝和ima承接用户，腾讯云和算力基础设施支撑模型运行。 这套业务还在早期，产品和技术的轮廓已经逐渐清晰。 今天，腾讯混元Hy4 preview正式发布并开源，也让外界有机会看清第二个腾讯正在如何生长。 其实几天前，我就有幸受邀提前体验了Hy4 preview。 体验结束后，我一直有些激动，只是当时还不能公开聊。 今天它终于发布，我也终于可以好好说说了。 Hy4 preview总参数770B，激活参数49B，上下文长度超过1M，重点强化Agent、代码和办公生产力。 体验之后，我最深的感受是，腾讯正在把大模型放进自己的产品和业务，让模型在真实任务中不断进步。 大模型公司普遍需要寻找真实场景、专家数据和用户反馈。 腾讯已经拥有这些资源。 游戏、金融和安全团队可以参与训练与评测，微信、企业微信、腾讯文档等产品可以承接模型能力，大量真实任务还能持续检验模型究竟好不好用。 Hy4 preview与WorkBuddy的关系，就是这套优势最直接的体现。 模型进入日常工作，需要解决长链路任务。 用户给出一个目标，模型要理解上下文、拆解步骤、调用工具，还要根据中间结果持续调整，最后交付文档、表格、演示文稿或可以运行的程序。 Hy4 preview强化的规划、工具调用和持续执行能力，正好服务于这套流程。 WorkBuddy则把这些能力组织成用户可以直接使用的产品。 截至今年6月，WorkBuddy PC端月访问量达到2097万，位居国内同类产品第一。 它还连接了微信、企业微信、文档和知识库，已经进入腾讯最熟悉的办公协作场景。 模型在这里接触真实需求，用户的使用结果又会成为后续优化的依据。 自2026年3月初发布以来，WorkBuddy始终保持高频迭代。 据腾讯2026年Q1财报披露，以日活跃账户数计，WorkBuddy已经成为中国最受欢迎的效率AI智能体服务。 Hy4 preview补齐模型能力后，混元与WorkBuddy的「模型+产品」Co-Design正循环也进一步形成，腾讯在AI生产力产品上的优势开始从模型能力落实到真实使用体验。 腾讯内部还组织了163名专家，用203个真实工程任务进行盲测。 Hy4 preview平均得分2.99，略高于Kimi K3的2.94和GLM 5.3的2.92。 这组结果说明Hy4 preview已经进入开源模型第一梯队，也说明腾讯正在用自己的专家和业务任务，定义生产力模型应该具备的能力。 模型能力的补齐，也让腾讯进一步拿到了“中国版Codex”的身位，在AI生产力战场上占据了阶段性领先优势。 公开榜单只能说明模型在固定题目中的表现。 真实业务每天都在变化，代码仓库持续更新，文件不断增加，用户还会临时修改目标。 模型进入产品后，长任务中断、工具调用失败和结果无法交付等问题才会充分暴露。 WorkBuddy由此成为混元持续获取真实反馈的试验场。 而更进一步，Hy4 preview甚至已经开始参与自身模型的研发。 它首次参与训练方法、数据策略、评估体系和底层算子的自动优化，从提出方案、运行实验，到根据代码、日志和反馈继续迭代，模型已经开始介入研发流程本身。 它还自主分析推理系统瓶颈，围绕算子融合和通信优化进行多轮尝试，最终将端到端吞吐提高31.8%。 今年2月重建基础设施后，混元已经形成平均两个月迭代一次大版本的节奏。 预览版模型先进入WorkBuddy等产品，真实使用产生反馈，反馈再回到模型研发。 腾讯由此形成了一条从业务场景到模型训练，再从模型回到产品的循环。 这正是第一个腾讯能够给第二个腾讯提供的东西。 成熟业务贡献现金流，也提供场景、专家、产品入口和用户。 第二个腾讯产生的AI能力，又会进入游戏、广告、办公和云服务，继续提升原有业务的效率与体验。 现在，Hy4 preview也已经在WorkBuddy首发上线，并可以免费使用两周。 当然，第一个腾讯依然贡献着大部分收入和利润，AI业务距离新的增长支柱还有很长的路。 Hy4 preview发布后，第二个腾讯已经长出来了....

作为MiniMax的小股东，听完这次财报电话会，我又想起五六年前还在读书时的一段经历。 那时候，我经常在某社区看段永平关于投资的分享。 很多观点当时其实理解得并不深，但有一个判断后来越来越能体会：看一家公司，最终还是要回到生意本身。 所以听完MiniMax这次财报电话会，我最想确认的也是这件事： MiniMax有没有开始长成一门好生意？ 先看最直接的收入数据。 MiniMax上半年收入1.17亿美元，同比增长283.1%，已经达到2025年全年收入的1.5倍。 Q2收入相比Q1增长81.8%。 2月披露的ARR，还是1.5亿美元，到了8月已经达到8亿美元，半年增长到原来的5.3倍。 7月Token消耗量也达到1月的20倍。 收入增速很快，但如果要判断这是不是一门好生意，只看规模还不够，更重要的是看收入从哪里来，以及这种增长有没有足够强的支撑。 这次一个很明显的变化，是B端正在成为更主要的收入来源。 2025年，MiniMax的B端收入占比大约只有30%。 今年上半年提升到60%，8月进一步达到80%。 上半年，以C端为主的AI原生产品收入达到4260万美元，同比增长100.9%；面向企业和开发者的开放平台及其他AI企业服务收入达到7390万美元，同比增长703.1%。 C端还在增长，但B端的增速明显更快，收入规模也已经超过C端。 这件事很重要。 企业选择模型，会看能力、稳定性、调用成本，也会看能不能真正接进自己的工作流。 B端收入快速增长，意味着MiniMax的模型能力正在越来越多地进入真实生产场景。 这也能和它最近的产品方向对应起来。 MiniMax M3继续强化编程等生产力场景，H3则把语言理解与视觉生成进一步结合，让模型能够进行更精细的上下文感知和内容生成。 这些能力都在扩大模型进入真实生产场景的可能性。 H3开源之后，这条商业化路径又多了一层。 开源三周多后，H3下载量超过2400万次，出现了300多个公开衍生模型。 同期，线上官方服务使用量也出现了快速增长。 开发者可以先下载模型、验证能力、进行改造，再把它接进自己的产品和业务里。 随着应用规模扩大，其中一部分需求会进一步转向官方服务，把部署、扩容和长期维护交给MiniMax。 这样一来，开源带来的不只是模型影响力，也在扩大MiniMax能够承接的商业需求。 但一门生意能不能长期成立，收入增长只是第一步。 更关键的是，规模扩大以后，成本和效率能不能同步改善。 MiniMax一直在强调“降低单位智能成本”，并把它视为继续提升智能上限的前提。 计算效率越高，越有空间扩大训练、后训练和推理规模。 同样的算力能够支撑更多调用，单位成本也会随之下降，释放出来的资源还可以继续投入训练和后训练。 从这次财务数据里，已经能看到一些变化。 MiniMax的有效训练时间占比ETTR达到97%。 上半年毛利达到2080万美元，同比增长464.8%，毛利率从上年同期的12.1%提升到17.9%。 同期研发投入同比增长138.8%，收入同比增长283.1%。 研发投入仍然在快速增加，但收入增长得更快，毛利率也在提升。 这说明随着规模扩大，MiniMax的经营效率已经开始改善，增长本身也在变得更有质量。 再看市场来源，这种增长也并不依赖单一地区，这点在国内AI公司里难能可贵。 MiniMax上半年海外收入达到7080万美元，同比增长224%；国内收入达到4570万美元，同比增长434%。 开放平台已经覆盖230多个国家和地区。 国内和海外同时增长，意味着MiniMax的商业化并没有押注在单一市场上，也进一步扩大了这门生意能够承接的市场空间。 所以听完这次财报电话会，我的判断比之前更明确了： MiniMax已经开始长成一门好生意。 因为现在已经能看到一条越来越清晰的商业链路： 模型能力进入真实生产场景，带来企业和开发者需求。 开源扩大使用规模和开发者生态，一部分需求进一步沉淀到官方服务。 与此同时，计算效率提升也在改善毛利率和经营效率。

K3刚发布那天，其实我一边惊喜，一边替Kimi捏了把汗。 惊喜是因为，月之暗面拿出了一款能坐上全球前沿模型牌桌的产品。 2.8万亿总参数、原生视觉理解、100万上下文，重点能力覆盖编程、推理和长链条任务。 随后，K3正式开源，完整权重和技术报告也一并放出。 担心也来自这里。 K3把Kimi送进了全球头部模型的竞争范围，同时把外界的期待拉到了最高。 现在的大模型更新太快了，一款模型今天还在刷屏，过几周可能就被“拍在沙滩上”。 a16z合伙人Martin Casado曾经算过，一款前沿模型保持竞争力的时间，可能只有3到6个月。 所以一个月后，我又回去看了一遍K3。 我发现，之前自己可能过于悲观了。 K3没有被后发模型快速挤出牌桌。 更重要的是，发布后的一个月里，海外开发者、推理引擎、芯片厂商和企业云平台都开始围着它补工具。 它已经从“有人讨论”走向“有人愿意为它铺路”。 回头看，K3发布后的变化刚好对应三场考试：时间检验能力能否站住，成本决定它能否进入企业选型，生态决定它能否被持续部署和调用。 第一场考的是时间。 K3发布两天后，彭博社在7月18日刊发《Moonshot’s Kimi Upends Conventional Wisdom on US Lead Over China》，把K3视为中国开源模型追近美国前沿水平的重要信号。 报道援引伯克利教授Ion Stoica的判断称，中国开源模型过去被认为落后前沿水平六到九个月，如今差距可能已经缩短到两到三个月。 但发布当天赢得关注，只能说明起点够高。 模型的能力能否站住，还要交给时间和后续竞争检验。 K3发布之后，Qwen 3.8、Grok 4.6、GLM-5.3、DeepSeek V4 Pro陆续登场。 一个月时间，已经够模型圈换好几轮热门选手了。 按照正常节奏，K3此时应该开始让出讨论中心。 但在排名更迭频繁的WebDev总榜上，截至8月21日，K3 Max仍排在第2，得分1674。 发布时的高分只是一张入场券。 等后发模型全部进场、榜单积累更多真实任务后，位置还能守住，才看得出模型有没有耐久性。 至少在这一轮密集上新之后，K3仍然留在前沿区间。 接下来要看的，是这样的能力能不能以更低成本进入真实业务。 第二场考的是账单：完成一次任务到底要花多少钱？ 在Agent Arena榜单里，K3 Max排在第4，是前十中唯一的国产模型。 排名之外，这张榜单还给出了另一个更接近实际使用的指标：完成任务需要花多少钱。 OpenAI近期也提出一个概念叫“Useful Intelligence per Dollar”，就是每一美元能买到多少真正有用的工作。 因为企业最终支付的，不只是token费用，还包括失败、返工和无效输出带来的成本。 我注意到，在这张Agent Arena榜单里，K3 Max完成一次任务的成本中位数约为0.62美元。 同一张榜单上，Claude Opus 5 High约为1.78美元，Claude Opus 5 Max约为3.37美元，Claude Fable 5 High约为2.21美元，GPT-5.6 Sol xHigh约为1.39美元。 K3 Max排在第4，单任务成本却是榜单前八名里最低的。 相比排在前三名的三个不同的Claude型号，它只需要大约18%到35%的成本。 在接近前沿能力的区间里，这个价差很有冲击力了。 8月20日，彭博社又从一组测试中得出了相似结论：K3的综合表现已经逼近某国外头部模型，完成测试任务的加权平均成本约为后者的四分之一。 榜单之外，海外开发者Cole Medin又把同一批真实GitHub issue交给K3、Claude Opus 4.8和K2.7，完整走完规划、实现和验证。 在边界清楚的任务上，K3在部分能力上已经逼近全球头部模型，同时展现出较高的成本效率。 这说明，K3在一部分任务上，已经能够用更低的总成本交付接近前沿模型的结果。 到了企业部署层面，这个价差已经开始影响模型选择。 硅谷投资人Jason Calacanis判断，OpenAI和Anthropic那些每年投入数千万乃至上亿美元的大客户，会陆续转向Kimi等开源模型。 他还透露，自己的团队部署Kimi后，成本已经降低80%到90%。 当接近的能力可以用约四分之一的任务成本获得，原有的能力溢价就必须重新接受审计：贵出的部分，究竟换来了多少更多可用能力？ 第三场考的是生态：有没有人愿意替它把部署的路铺好。 一款模型留在榜单前排、价格也足够低，距离产生商业价值还有一步：进入用户每天都在使用的工具。 8月6日，GitHub宣布K3在Copilot中正式可用，并评价它具备前沿级的Agentic Coding能力和很高的成本效率。 使用GitHub Copilot的个人和企业用户，会陆续在常用的编程工具里看到K3，可以直接选择它来写代码、修改项目或完成开发任务，不需要另外安装一套工具。 这相当于一次产品级验证。 进入Copilot后，K3从榜单和报道走进开发者每天使用的真实工作流，开始在一次次具体任务中被选择。 不显眼但更重要的变化发生在底层。 对开放权重模型来说，决定它能否进入企业的，还包括推理引擎、硬件和云平台是否愿意为它的新架构做适配。 7月27日K3完整权重公开当天，开源推理引擎vLLM同步上线“Day-0支持”。 K3使用KDA、Attention Residuals等新结构，并不是把权重下载下来就能高效运行。 vLLM为它补上了缓存、工具调用、结构化输出、推测解码，以及英伟达和AMD硬件的部署支持。 vLLM给出的测试中，K3在16块英伟达GB300上配合DSpark推测解码，单用户生成速度从每秒118个token提高到370个，提升约3.14倍。 这个数字说明开源社区已经开始替它优化推理速度和部署效率。 8月14日，英伟达又发布了面向自家Blackwell GPU的Kimi-K3-NVFP4版本，可直接供vLLM和SGLang部署，并明确标注可用于商业和非商业场景。 芯片厂商主动把一款中国模型做成预量化、可部署的版本，本身就是另一种生态投票。 K3还通过Fireworks进入了Microsoft Foundry。 Azure客户可以沿用原有的身份、计费和治理体系，选择按量调用或独享算力，不必先搭一套新的模型基础设施。 对很多企业来说，能否进入现有采购、权限和运维流程，往往比榜单再高几分更重要。 三场“考试”看完，我仍然觉得K3是Kimi目前最好的一份“招股书”：它经住了后发模型的追赶，也开始在真实任务里找到更清楚的分工；更关键的是，外部生态已经愿意为它投入工程资源，把一份开放权重变成可以部署、可以采购、可以进入工作流的产品。 对一家独立AI Lab来说，做出一次前沿模型只是第一步。 开放权重也不等于自动拥有生态，它还要让开发者愿意用、推理引擎愿意优化、芯片厂商愿意适配、云平台愿意接入。 所以K3一个月后的含金量，不只来自榜单没有掉。 它未必赢下每一个环节，却已经开始争夺企业数量最大、最容易长期消耗预算的高频任务。

分享一个甩锅思路

皇祐二年，江浙爆发特大饥荒，千里土地颗粒无收，路边随处可见饿死的百姓，周边各州府官员全在用老一套救灾办法：开仓放粮、强制压低米价、下令全城节俭停工。 可时任杭州知府的范仲淹，一上任就做了件让所有人瞠目结舌的事。 当时杭州黑市米价已经涨到每斗一百二十文，百姓根本买不起，所有人都劝范仲淹出台政令打压粮价。 可范仲淹反倒张贴全城告示，直接把官方米价再往上抬，定到每斗一百八十文。 告示一出，整个杭州彻底炸开了锅，百姓全都骂他不顾百姓死活；朝中言官接连写奏折弹劾他，就连向来刚正的包拯，都上书痛斥范仲淹纵容粮商哄抬粮价，视万民性命如草芥。 可范仲淹丝毫不辩解，任由弹劾文书源源不断送往京城。 杭州米价暴涨的消息顺着大运河水路，短短几天传遍天下。各地粮商一听杭州米价能卖到一百八十文，一趟贩运就能赚巨额利润，全都疯了一样运粮往杭州赶。 大运河上运粮的船只首尾相连，白帆密布，连钱塘江都被粮船铺满，数不清的粮食源源不断涌入杭州码头。 等全国各地的粮食全部集中到杭州，市场供给直接饱和，范仲淹再放出官府储备粮仓，低价投放粮食。 外地粮商长途运粮成本极高，要是再把粮食运回原地，只会亏得血本无归，只能就地降价抛售。 粮商互相压价，米价一路暴跌，最后远低于灾前正常市价。不用强制限价、不用严刑打压，仅凭市场规律，范仲淹就平稳解决了粮荒，这就是荒政第一策——抬价引粮，以市场调控稳定物资供给。 但范仲淹心里清楚，粮食便宜只是第一步，饥荒真正的死结，是灾民手里没有钱。 就算米再便宜，身无分文的穷人依旧买不起，单纯放粮救济只能解一时之急，还容易滋生坐等施舍、不愿劳作的风气。 于是他祭出第二策：大兴土木，以工代赈。 灾年民间普遍提倡省吃俭用、停止一切工程，范仲淹却反其道而行。 他说灾荒年间人工工钱最低，正是兴修工事的最好时机。 先是翻新官府衙门、库房、官舍，又挨个拜访杭州各大富庶寺院，劝说住持趁人工廉价修缮庙宇、扩建殿宇。官府、寺院大规模招工，上万流民靠做工换取工钱粮食，不用靠施舍苟活，凭劳动养活自己。 修路、修堤、修缮房屋的工程，还带动木材、砖瓦、运输整条上下游生计，一大批商贩、匠人都有了收入，从根源盘活本地民生，这是远超单纯赈灾的长远思路。 解决温饱之后，范仲淹又推出第三策：纵民竞渡，拉动消费。 杭州自古有端午龙舟竞渡的民俗，灾年人人愁云惨淡，大家都主张取消游乐活动，节约开支。范仲淹反倒大力鼓励全城办龙舟大赛，长达三个月。 他定下奖励，富商队伍拔得头筹可免三年商税，本地大户争相出资组队参赛；范仲淹自己也常带着官员到西湖观赛造势。 赛事吸引周边州县百姓涌入杭州看热闹，街上人山人海，各类小吃、杂货、游船、客栈摊贩遍地开张，每天上万普通人靠客流做生意赚钱。 人流带来持续消费，小商贩、船夫、手艺人全都能赚到钱，城市商业彻底活了起来，冲淡灾年压抑的氛围，稳定民心。 抬高米价引流粮食、大兴工程以工代赈、鼓励游乐拉动内需，这三套组合拳，就是后世大名鼎鼎的范仲淹荒政三策，更被称作古代千古第一阳谋。 当年两浙十几个州县都饿殍遍野，唯有杭州城内安稳有序，百姓安稳度过灾年。后来朝廷派人实地核查，当地百姓无一人控诉范仲淹，全都感念他的救世之举。 放在千年后的今天再看，范仲淹的思路依旧超前：抬高粮价本质是扩大物资供给，对应现在大宗商品保供调控；大兴土木以工代赈，就是基建稳就业；放开文旅活动刺激消费，和如今拉动内需、激活服务业的逻辑完全相通。 很多人只记得范仲淹“先天下之忧而忧，后天下之乐而乐”的家国情怀，却不知道他务实通透、看透经济规律的治理智慧。 不靠强硬管控、不单纯依靠施舍，顺势利用人性与市场，从根源化解危机，这才是老祖宗留给我们顶级的处世与治世谋略。

你有没有算过一笔账。一个普通县城，本地工资普遍就两三千，可麻将馆天天满座，私房菜馆人均好几百照样排队，周末还有人开着几十万的车去露营，喝上千块一斤的茶。 很多人想破脑袋也想不明白，这些钱到底是从哪冒出来的。 答案听着有点扎心。县城里那些开豪车、天天泡在牌桌上的人，他们的钱大部分不是自己挣的。 再往深一层说，一个县城富不富，跟它本地能不能生产东西，基本没关系。县城的繁荣，是从上面一层层分下来的，不是自己长出来的。 先说钱的第一个源头。 江浙沪、珠三角这些地方挣的钱，会通过财政转移支付，一笔一笔精准打到中西部的县城去。 修高铁站、盖医院、建政务中心，钱大多从这来。为什么给它们？因为这些县城替整个国家守着粮食安全、守着生态，它们创造不了多少 GDP，但它们得稳住。 一个县城的日子过得去，很多时候靠的就是每个月那笔稳稳的补贴，本地能挣多少反倒是次要的。 这就好比一个人月薪三千，可家里每月固定给他打十万零花，你光盯着他的工资条，永远看不懂他的消费。 可钱打下来，得有人接住，再花出去，县城的经济才转得起来。 接住这笔钱的，是体制内那批人：公务员、老师、医生、国企职工。 他们工资不算高，但极其稳定，这份稳定才是要害。 一个医生发了工资去买件大衣，商场老板挣了钱请客吃饭，饭店老板顺手报了个培训班，教钢琴的老师转头又进了麻将馆。 一笔工资在这个小圈子里转了好几手，每转一手都变成一份新的收入。 这就是经济学里讲的乘数效应，一笔工资在市面上转几圈，能创造出好几倍于它自己的消费。 所以你别小看县城那点体制内工资，看着不多，它却是整个池子里唯一不会断的进水口。 哪天这批人开不出钱，或者收入被砍一截，县城的生意三个月内就得肉眼可见地凉下来，商场空了，饭店关了，麻将馆也没人了。 问题跟着就来了。就算收入稳定，几千块一个月，凭什么敢开豪车、敢喝茅台？这就得说县城一个很特别的规矩。 县城是熟人社会，你有没有实力，别人不看你的银行卡，看你的排场。 一个工程老板开着保时捷去谈合作，材料商二话不说给他半年账期；同样这个人开辆二手车去，人家立马要现款现货。 在这里，面子就是抵押物，场面就是你的资产负债表。所以很多人的高消费，说到底是做给别人看的，为的是证明自己还行、还能合作、还值得被赊账，享受排在后头。 你一旦被贴上没钱的标签，所有资源都对你关门。想通这一层，你就明白为什么有人宁可借钱也要撑场面了，那是他在这套规矩里活下去的成本，跟单纯的虚荣关系不大。 最后一根齿轮。县城修路盖楼的钱，很大一块靠卖地。政府把荒地划给城投公司，城投拿着地去银行贷款，贷来的钱又变成工程款，发到建筑商、包工头手里，他们再拿去买房买车。 地生钱，钱变楼，楼又撑起消费，转成一个闭环。银行为什么敢一直借？因为大家都信政府不会赖账。 可这套玩法有个死穴，它赌的是地永远能卖出去、房价永远往上走。哪天地拍不动了、房子卖不掉了，整台机器立马卡壳。这几年很多县城拼命化债，就是这台机器开始喘不上气了。 这些钱在县城转一圈，最后还是留不住。包工头挣了钱，第一件事是去省城买套房；老师攒下的存款，慢慢也挪去了大城市。 县城辛辛苦苦接住的财富，转个手就被上头的城市吸走了。它更像一个中转站，钱从这过一道，人也从这走一茬，留下的是越来越重的老龄化、空掉的产业和一屁股债。 所以你看，大城市的钱是新造出来的，县城的钱是分下来的，还有一部分是借未来的。 这是两套完全不同的活法。看懂它没别的用处，就一个：帮你想清楚自己站在哪。 不管你是在大城市挤地铁，还是在县城酒桌上陪着笑，先看清楚钱是怎么走的，再决定自己往哪走，总好过闭着眼睛随大流。

小参数，大能力！🫨

上周，我让某个 AI 产品帮我写一篇大模型行业调研。 几分钟后，它交上来一篇结构很完整的报告：有市场规模，有增长率，有引用来源，语气也很笃定。 第一眼看上去，还挺像那么回事。 但我细看了一遍，发现里面不少数据都是它自己编出来的。 如果你用 AI 做过调研，应该很容易理解这种感受。 这就是所谓的幻觉。 幻觉大概可以分成两种。 一种是无中生有，凭空造出一个不存在的数据或案例。 另一种是张冠李戴，把 A 的信息套到 B 身上。 这两个问题在聊天场景里可能还只是体验问题，但放到办公场景里就会变得很致命。 比如你让模型做一份行业调研，它编了一个不存在的市场规模。 你让它写一页 PPT，它塞进去几个无法核验的数据。 最后你省下来的时间，可能又要花在反查和返工上。 所以办公场景最朴素的底线其实很简单：有依据再回答，没依据就说不确定。 多个来源不要乱拼。 数据、状态、引用不要乱编。 听起来不复杂，但真正难的是稳定做到。 今天腾讯混元 Hy3 正式发布了，看了下 Xhs 上好评很多，所以说，大模型其实给点时间都能赶上。 除了幻觉率下降，它还在 Agent 和 Coding 场景里，把“能不能稳定完成任务”这件事往前推。 我大概看了一下 Hy3 正式版的参数。 Hy3 采用 MoE 架构，总参数 295B，激活参数 21B，最大支持 256K 上下文，在 WorkBuddy 里体验很快。 感觉混元团队的 slogan 很明确呀，用更小的激活参数，覆盖大多数 Agent 和办公生产力场景，同时把推理成本压下来。 口说无凭，我们看一下混元团队博客里的数据。 在基于真实产品的内部评测里，Hy3 的幻觉率从 preview 版本的 12.5% 降到 5.4%，常识错误率从 25.4% 降到 12.7%。 办公场景里，很多任务本质是处理可信信息。 行业调研、竞品分析等，这些工作底层其实都依赖事实。 如果模型在中间乱编一次，后面所有输出都会被污染。 而 Hy3 这次做了一个很实用的优化：让模型在没有足够依据的时候，更愿意承认 i dont know。 我觉得吧，办公场景里，一个会说“这里我不能确定”的模型，反而比一个什么都敢答、语气还特别流畅的模型更可靠。 我们看 WorkBuddy 的数据也能说明一些变化。 相比 preview 版本，Hy3 在 WorkBuddy 里的任务解决率从 72% 提升到 90%，平均耗时缩短了 34%。 跟 GLM-5.2 相比，文档处理的 token 消耗少了 47.4%，做 PPT 的 token 消耗少了 49.0%。 我觉得这里面其实有两个信号。 一个是任务更容易闭环。 用户把一个相对完整的办公任务丢给模型，它能更稳定地做完，而不是中途跑偏、漏步骤，或者给出一堆还要人工重做的半成品。 另一个是成本更可控。 办公 Agent 和普通聊天不一样，它会频繁读文档、改内容、生成方案、调用工具，token 消耗很快就会上去。 如果每次任务都很贵，企业很难真正大规模用起来。 当然，Hy3 这次前端 Coding Agent 也是重点。 官方博客放出来的案例还是蛮惊艳的，完成度确实比普通代码生成更进一步。 里面有个 demo，是用摄像头识别手势，去控制图片的粒子融解和重组，交互、视觉和完成度都比较完整。 咱们再看最重要的价格。 Hy3 正式版在腾讯云上的定价是输入 1 元/百万 tokens，输出 4 元/百万 tokens，输入命中缓存 0.25 元/百万 tokens。 如果再叠加前面提到的 token 消耗下降，我觉得对 Agent 产品会更友好。 因为 Agent 的使用方式天然是高频、长链路、多轮调用。 价格和 token 效率只要差一点，放到企业日常使用里，差距就会被迅速放大。 所以我觉得 Hy3 这次把问题落到了几个更具体的地方。 少编一点，前端美观一点，成本再低一点。

我表妹要校招了，我劝她先看大厂的机会 还记得去年，有个学弟问我：他手上有两个 offer。一个是大厂核心 AI 团队，一个是很火的 AI 创业公司。 创业公司给的期权听起来很诱人，他有点心动，不知道该怎么选。 我问了他一句：你怎么确定，三年后这些期权还值这么多钱？ 最近校招又要开启了，所以今天想聊一个话题：AI 方向的校招生，到底该怎么选公司？ 我先说结论：如果你是 AI 方向的校招生，优先看大厂核心 AI 团队。 再说一个冷知识：校招可能是年轻人最容易进入大厂的机会！！ 社招进大厂，看的是即战力。你做过什么项目，解决过什么问题，来了之后能不能直接干活，这些都会被反复验证。 但校招不一样。 大厂校招更愿意看潜力。学校、竞赛、论文、实习经历，都会成为判断一个人是不是高潜的依据。 所以刚毕业这几年，其实是一个很特殊的阶段。大厂愿意用“潜力”来判断你，也愿意给你资源和时间成长。 等工作几年之后，再想通过社招进去，难度反而会变高。 尤其是在 AI 时代，这个窗口更值得抓住。 因为 AI 和过去的互联网不一样。 过去一个小团队，确实可能做出爆款产品。但今天的 AI 竞争，越来越依赖算力、数据、场景和组织资源。 很多 AI 创业公司最大的问题，是缺少真实场景。 没有真实场景，就很难知道产品到底能不能解决问题。没有足够多的用户和数据，也很难把模型能力转化成产品能力。 所以很多 AI 项目看起来 Demo 很酷，最后却很难落地。 你也可以看看，现在国内 C 端市场里比较有声量的 AI 产品，像豆包、千问、腾讯元宝，背后基本都是大厂。 AI 产品不是只有一个好想法就够了。它背后需要持续的算力投入、数据反馈、产品迭代、生态入口和真实业务场景。 单靠一个 Demo，很难跑出来。 所以我一直觉得，校招生不要太相信创业公司的期权故事。 期权这个东西，不是公司答应给你，就一定值钱。你中途离开怎么办？ 公司上市前期权怎么处理？会不会被稀释？ 回购价格怎么算？这些里面都有很多弯弯绕绕。 对刚毕业的人来说，前几年进入一个足够好的训练环境，比赌一个听起来很性感的故事更重要。 最近，我表妹也要开始校招了。也遇到了类似的问题。 她学的方向和 AI 相关，最近在看各种机会。 前两天她问我，应该重点看什么。 我跟她说，主要看的是这个机会能不能把你放到一个足够好的训练环境里。 沿着这个标准，我最近也去帮她搜罗一些校招信息，其中典型的case是阿里星。 6 月 23 日，面向 2027 届毕业生的阿里星人才计划正式启动。 我先简单给大伙介绍一下，阿里星是阿里面向高潜年轻人的人才计划。 阿里星拥有全栈AI能力和生态，包括基础模型、AI Infra、大模型应用、芯片与计算、医疗 AI、企业服务、C 端应用等。 这些方向都有一个共同点：你可以进入具体业务场景里解决问题。 对一个刚毕业的 AI 学生来说，还蛮重要的。 很多人在学校里做模型、写论文，更多是在相对理想的环境里验证能力。但进到真实业务里，问题会复杂很多。 这些问题都要在真实场景里才看得出来。 过去几年加入阿里星的几个同学，就很典型。 一个北京科技大学毕业的邱同学，通过阿里星进入阿里医疗 AI，参与研发了基于平扫 CT 的大规模胃癌筛查模型，相关成果发表在《Nature Medicine》上，并且推动了算法的实际应用。 还有一个清华毕业的韩同学，进入通义千问团队，参与打造并开源了一流的基座语言模型和多模态模型，也参与了强化学习、训练和推理效率优化相关工作。 一个进入医疗筛查场景，一个进入大模型产品和工程体系。对 AI 学生来说，这种训练密度很难得。 另外，我还观察到一条信息，6月29日，2027 届“阿里星·热爱之旅”线下活动也会在阿里巴巴杭州全球总部举办。 活动里有 AI Talk、业务展示、技术展示、Poster 展示、快闪 Talk，以及和一线负责人的交流。 快闪 Talk 这个形式还是蛮有意思的。每个业务方只有 10 到 15 分钟，要快速讲清楚自己到底在做什么。 候选人也要在很短时间里判断，这个方向和自己的研究兴趣是不是匹配。 这比单纯看招聘 JD 更直接。 JD 往往都写得很漂亮，但你很难判断进去之后到底做什么。真正听业务方讲一遍，你会更快知道这个地方适不适合自己。 所以我看到了这些信息，火速push我表妹去参加这个线下活动。 因为创业公司可能会给你更大的想象空间，但大厂核心 AI 团队，往往能给你更系统的训练。 对大多数校招生来说，去真实世界里打硬仗，比太早押注一个还没验证过的故事，更靠谱。

今天看到一条新闻，真的让我火大！ 前脚阿里刚起诉美国国防部，要求把自己从所谓的“涉华制裁黑名单 CMC”里移除，后脚美国 AI 公司 Anthropic 就出来指控千问蒸馏 Claude...... 最近几年，Anthropic 基本上指控了我们中国所有的 AI 公司。 包括 Kimi 呀、MiniMax 啊、DeepSeek 啊，现在又直接指控到了阿里千问。 兄弟，咱说真的，这种招用一次就好了，多用别人会反感的。 因为你把一个行业里大家都知道、也都在用的正常技术，硬说成了别人偷你东西。从业者谁看了不反感你？ 芯片上卡不住中国科技企业了，现在就开始在模型层面下黑手。 以前是各种限制、制裁，现在又开始用舆论指控给中国 AI 企业泼脏水。 DeepSeek 被说，Kimi 被说，MiniMax 被说，现在连阿里千问也被说。 就连我们伟大的、想把人类送上太空的马圣，之前都在 X 上嘲讽你： “How dare they steal what Anthropic stole from human programmers?” 而且你 Claude 也不是没有蒸馏过别人吧？ 我记得你 Claude 也蒸馏过千问啊。阿里当时都没说什么。 结果你阿迪王倒好，抓住机会大做文章。 说真的，你要是这么介意的话。 那就把你们 Claude 封禁，索性不要让大家用了。 既然你把 Claude 做成一个大家都能用的模型，那别人正常测试一下、研究一下，就不应该动不动被扣上偷东西的帽子。 蒸馏这项技术的奠基者 Geoffrey Hinton 还因此获得了诺贝尔物理学奖。 这是行业标准操作，而非什么“窃取”。 更何况，企业用户对 Claude 的使用还是付费的。 Claude 不但贼喊捉贼，还得了便宜卖乖。 这种借机打压中国 AI 科技的手段，用一次大家可能还会讨论一下，用多了，只会让人觉得你在借题发挥。 不管是政府层面的清单，还是企业层面的指控，目的只有一个，遏制中国 AI 的崛起。 看懂了这一层，就不难理解美国政府和企业这一轮混合双打了。 阿里也用实际行动宣告，面对这种昭然若揭的恶意打压，该出手时就出手。