Grok订阅打通开源终端智能体OpenCode

开源终端编程智能体 OpenCode 正式接入 xAI Grok 订阅服务。拥有 SuperGrok 或 X Premium 个人订阅的用户，可通过 OAuth 授权机制在 OpenCode 中连接并使用个人账号的算力额度，免去单独申请与配置大模型 API Key 的步骤。

用户在 OpenCode 中运行 /connect 并选择 xAI 后，即可开始调用专属代码模型 Grok Build 进行编程。这一模型也是 xAI 官方终端编码智能体的底层驱动模型。针对不同的部署环境，授权流程提供两种接入方式。在常规桌面端，系统通过 xAI Grok OAuth 直接拉起本地浏览器登录。若在无 GUI 交互的远程服务器、VPS 或 SSH 终端中，系统则会打印出临时验证码与认证 URL，支持以 Headless 模式远程授权。

这是继 5 月 16 日首发接入开源智能体 Hermes Agent，以及 5 月 20 日打通 OpenClaw 之后，xAI 在一周内第三次向下释放个人订阅算力。xAI 官方在公告中确认，未来还将引入更多开源智能体与集成通道。

信源：https://x.ai/news/grok-opencode

ChatGPT官方PowerPoint插件上线Beta版，Office套件集成拼图再落一子

OpenAI 官方宣布推出 ChatGPT for PowerPoint 官方插件，目前处于 Beta 测试阶段。用户可以直接在 PowerPoint 的侧边栏中开启 ChatGPT，使用自然语言指令直接创建和修改演示文稿，且生成的幻灯片保留完全的可编辑性。此外，该插件还支持重写单页标题、提炼多文字幻灯片，并能联动 Gmail、Outlook 及 SharePoint 等关联服务，依据用户已有的邮件和文档快速梳理并生成汇报 PPT。

在此之前，OpenAI 已于 2026 年 3 月 5 日推出了官方的 ChatGPT for Excel** 插件 Beta 版，并于 5 月 5 日正式推向 General Availability (GA)，覆盖 Free、Plus、Pro 及企业版等所有计划，支持用户直接在 Excel 侧边栏进行公式生成、表格修改和跨 Sheet 数据分析。

不过，对于 Microsoft Word，OpenAI 目前尚未推出官方的 ChatGPT 插件。如果用户需要在 Word 中使用深度集成的 AI 体验，目前主要依赖微软官方推出的 Microsoft 365 Copilot，或者从 Office Add-ins 应用商店中安装由第三方开发者发布的 GPT 插件（需要自行配置 OpenAI API Key ）。

信源：https://x.com/ChatGPTapp/status/2057375218765275136

智谱发布GLM-5.1高速版API，400 tokens/s刷新全球速度纪录

智谱面向部分企业客户推出 GLM-5.1 高速版 API ，其模型输出速度达到 400 tokens/s ，刷新了全球大模型官方接口的端到端速度上限。

在完整保留原有旗舰模型能力的前提下，此高速版通过智谱与 TileRT 团队联合研发的高性能推理引擎进行驱动。此引擎彻底重构了 GPU 的运行调度机制，在编译期将模型静态编排为一个常驻 GPU 的 persistent Engine Kernel 。单卡推理时，计算、异步 IO 与通信被全部拆解为 tile 级微任务并仅启动一次 kernel ，算子间的中间结果通过寄存器和共享缓存直传，消除了传统推理中频繁内核启动与显存读写带来的延迟空泡。

当扩展至多卡尺度时， TileRT 进一步将 specialization 并行思路扩展到整张 8 卡 NVL 拓扑，将原本同构的 GPU 节点特化为承担不同任务的异构 Worker 。在处理 GLM-5.1 的注意层计算时，系统指派 GPU 0 运行稀疏索引 Worker ，专门进行稀疏索引构建与路由决策。同时指派 GPU 1 至 GPU 7 运行 MLA Worker ，负责计算密集阶段并将通信完全下沉至 tile 级任务流水线内部，实现了计算与跨卡通信的深度重叠。

此高速版服务目前已面向智谱 MaaS 平台的部分企业客户开放。未来，此技术还将进一步优化 FP8 推理与超长上下文生产环境，为 AI 编程、实时交互和实时语音等低延迟敏感场景提供更具确定性的性能支持。

信源：https://mp.weixin.qq.com/s/FJn5athj8G4y2narTzMSyA

OpenAI推出Codex黑屏锁屏接管功能，防物理窥屏且碰实体键即锁

OpenAI 旗下 Agent 产品 Codex 推出锁定态屏幕控制功能，支持用户在 Mac 处于锁屏且黑屏状态下，通过手机等移动端设备远程安全接管并操作电脑软件。

为实现锁定状态下的安全托管， Codex 会在 macOS 系统中引入经 Apple 授权的底层辅助插件，深度接入系统级解锁流程。移动端发起操作请求时，此插件会在后台悄悄临时解锁系统以运行目标应用。在此期间，系统会完全屏蔽本地物理键盘与鼠标指针输入，同时向所有相连的显示器投射纯黑覆盖层，在物理感官上彻底「致盲」本地屏幕，确保电脑外观始终保持黑屏和锁定状态。

这一后台自动解锁通道受到极严苛的安全边界限制。它只会在移动端安全认证的短暂控制周期内开启，其他本地软件或第三方进程完全无法调用。操作运行中，系统一旦检测到本地物理键盘或鼠标被触碰，会瞬间触发警报，立即收回后台解锁状态并拉起锁屏，暂停所有自动操作，直到用户在现场手动完成解锁。

此外，出于防提权安全考量，这一机制本质上是一个受限的「隐形沙箱」，无法接管终端应用（ Terminal ），无法影响 Codex 自身，亦无法私自执行管理员身份认证（ Sudo ）或批准系统的隐私安全弹窗。

信源：https://x.com/OpenAIDevs/status/2057536706778378692

谷歌Antigravity宣布Gemini额度提升至9倍，社区吐槽「先砍后加」套路

谷歌 Antigravity 团队核心成员（原 Windsurf 创始人）Varun Mohan 宣布，即日起再次将所有付费订阅计划的每周 Gemini 模型调用额度上限提升 3 倍。加上前一日 3 倍的额度调整，目前的基准配额已累计达到最初版本的 9 倍。同时，官方已将所有付费用户的当周用量清零重置，以期为开发者提供更充足的算力余量。

然而，这一「加量」声明并未获得开发者社区的完全认可。多位用户在评论区指出，Antigravity 此前曾经历过一次严重的「配额缩水」（rug-pull），当时的调用限制严苛到哪怕只是偶尔使用侧边栏对话的轻度用户都会迅速触发限制，导致产品陷入完全不可用的「窒息状态」。有开发者直言吐槽称，官方此举本质上只是在修复之前极度不合理的严苛限制，如今却将其包装成慷慨的「免费福利」来进行营销。

信源：https://x.com/_mohansolo/status/2057656550286885284

OpenAI首季营收57亿美元，但年化营收近450亿美元的Anthropic已将其反超

OpenAI 在 2026 年第一季度实现约 57 亿美元营收，领先竞争对手 Anthropic 约 10 亿美元。不过，Anthropic 的年化营收近期已达到近 450 亿美元，反超 OpenAI 的 300 亿美元年化营收。

OpenAI 的首季增长主要受到 Codex 代码智能体、企业端销售以及 ChatGPT 广告测试的推动。尽管 OpenAI 有望完成 2026 年 300 亿美元的营收目标，但第一季度调整后运营利润率降至 -122% ，意味着每产生 1 美元营收就净亏损 1.22 美元（不含股权激励等大额项目）。得益于首季业绩，OpenAI 从亚马逊和英伟达等供应商处获得 1220 亿美元新融资，而 Anthropic 正在寻求 300 亿美元融资。两家公司均计划最早在 2026 年第四季度启动首次公开募股。

在用户端，ChatGPT 第一季度周活跃用户平均为 9.05 亿，较 2 月份 9.2 亿的峰值有所下滑，未达到 OpenAI 先前设定的 10 亿用户目标。OpenAI 曾在去年警告员工，谷歌将 Gemini 接入搜索底层会带来竞争压力。不过自 4 月推出 GPT 5.5 以及最新图像生成模型以来，ChatGPT 的用户增长已重新加速。在付费订阅方面，ChatGPT 第一季度个人付费用户达到 5500 万，高于 2025 年底的 4700 万。根据规划，OpenAI 计划在 2030 年前通过 ChatGPT 广告业务实现 1020 亿美元年营收。

信源：https://www.theinformation.com/articles/openai-held-1-billion-revenue-lead-anthropic-first-quarter

微软算力加速向Anthropic倾斜，双方正洽谈Maia自研芯片租用协议

Anthropic 正在与微软就租用微软自研 AI 芯片 Maia 进行早期洽谈，以获取更多算力支持。如果达成协议，双方的合作将进一步深化，Anthropic 也将成为微软 Maia 200 芯片的大客户。微软已在 2026 年 1 月开始在 Azure 云数据中心部署 Maia 200 ，主要用于降低 Copilot 智能体的运行成本。

租用自研芯片契合 Anthropic 长期推行的多芯片硬件策略。相比依赖单一英伟达芯片的 OpenAI ，Anthropic 已经长期租用谷歌的 TPU 以及亚马逊的自研芯片，并正在与一家英国芯片初创公司讨论合作。在财务层面，虽然 Anthropic 在当前季度预计实现近 110 亿美元营收和 5.6 亿美元营业利润，但已对三大美国云服务商做出了至少 3300 亿美元的云支出承诺，这包括向 Azure 支付的 300 亿美元。使用云厂商的自研芯片不仅能为 Anthropic 带来定制化硬件优势，还能通过云厂商的成本补贴缓解高昂的算力开支压力。

微软与 Anthropic 的关系近期正在迅速升温。微软在去年底向 Anthropic 投资高达 50 亿美元，目前已成为 Anthropic 的核心客户，计划购买至少 5 亿美元的 Claude 模型使用权以驱动 Copilot 智能体。为了满足 Anthropic 持续飙升的算力需求，微软从 2025 年 11 月起稳步增加了对 Anthropic 的资源倾斜，不仅将更多现有的英伟达服务器划拨给 Anthropic ，还开始为 Anthropic 构建全新的服务器集群。相比之下，一些小型云客户的算力需求则被选择性推后。

信源：https://www.theinformation.com/articles/anthropic-talks-use-microsofts-ai-chips

OpenClaw v2026.5.20重构执行授权并增强Discord语音

开源终端编程智能体 OpenClaw 发布 v2026.5.20 版本，重构了底层执行授权机制，并深度集成 Discord 实时语音与策略控制。

新版本彻底移除了旧版基于 cat 命令组合的执行允许列表。安全机制升级后，用户必须使用专门的 read 工具来加载 Skill 文件，且系统仅会自动放行经过验证的 Skill 执行文件，从而封堵了非标准脚本调用的安全漏洞。

Discord 实时语音会话新增了用户动态跟随功能。 AI 能够智能跟随指定用户跨越语音频道，支持多用户无缝切换，并保留了 DAVE 恢复机制。系统默认在实时语音会话中注入 IDENTITY.md 、 USER.md 以及 SOUL.md 等文件承载的画像与角色上下文，增强语音互动的拟真度，用户也可通过 voice.realtime.bootstrapContextFiles 参数直接关闭。

在运行控制与管理上，新版本在命令行中内置了 Policy 策略插件，支持进行通道一致性检查与工作区修复。新版本为 xAI 接口新增了设备代码登录方式，用户无需本地浏览器回调即可通过 OAuth 完成授权。

精简本地模型开关 experimental.localModelLean 现在支持针对单个 Agent 独立开启，无需再全局强制生效。 OpenRouter 接口已全面遵循服务商级别的 params.provider 路由策略，并允许利用模型和智能体参数进行覆盖。

底层依赖中，捆绑的 Codex 套件已升级至 0.132.0 版本，修复了计划任务占用主会话通道以及 Codex 加密响应丢失等异常。

信源：https://github.com/openclaw/openclaw/releases/tag/v2026.5.20

Qwen3.7-Max正式上线API，百炼提供Token Plan订阅调用

阿里千问最新旗舰大模型 Qwen3.7-Max 登陆阿里云百炼平台，正式开放 API 接口与 Token Plan 订阅服务调用，输入每百万 Tokens 12 元，输出每百万 Tokens 36 元。

百炼 Token Plan 订阅服务已同步上线 Qwen3.7-Max，订阅用户无需额外付费即可直接调用。

据 Artificial Analysis 评测，此前已发布的 Qwen3.7-Max 得分 56.6 分，位列全球第五、国产大模型第一。

Qwen3.7-Max 专为智能体设计，在自主编程和多工具调用等长程任务中进行了架构优化。在实际长程测试中，Qwen3.7-Max 协同 Claude Code、OpenClaw、Hermes Agent 和 Qwen Code 等框架，能够独立完成长达 35 小时、超过 1000 次工具调用的企业级复杂任务。

信源：https://mp.weixin.qq.com/s/wUSqHErGrillzGxyPOZMOQ

美团开源LongCat-Video-Avatar 1.5数字人框架推理缩至8步

美团 LongCat 团队开源数字人生成框架 LongCat-Video-Avatar 1.5，全面重构音频提取与视频生成算法。框架主打工业级时空稳定性与极速推理，以缩短研究原型与真实部署的性能差距。

框架将先前 Wav2Vec2 编码器替换为 Whisper-large-v3 音频编码器，以提升口型同步和唇形动态。Whisper-large-v3 音频编码器带来的声学表征大幅提升了多语种和跨语言口型生成的鲁棒性。

模型通过 GRPO 强化学习对齐优化，降低了手部变形和异常抽帧等常见生成伪影，提升了长视频的身份一致性。在长视频生成中，框架采用多片段滚动推理，利用前序视频建立全局时序上下文，保持角色身份连贯。

推理端引入基于 DMD2 的少步步数蒸馏技术，将生成去噪迭代压缩至 8 步，以平衡推理效率与图像保真度。

在评估测试中，团队基于 508 组图像与音频配对样本进行测试。众包测试引入了 770 名评估者并收集了 13240 次人工判断，另由 10 名专家从物理合理性、时序稳定性、画面协调性及身份一致性等维度进行评分。官方展示了与 HeyGen、Kling Avatar 2.0、OmniHuman-1.5 的同场对比，并称在时序稳定性、身份一致性和自然口型方面取得了重点提升。除写实人像外，框架可泛化至动漫与动物等风格，并原生支持单声道与多声道音频输入以驱动多人对话与手物交互场景。

模型权重以 MIT 协议发布。同时，项目页伦理声明称页面展示所用生成内容仅供学术使用，不允许商业使用。实际商用仍需单独核对权重、代码、素材和生成内容边界。

信源：https://huggingface.co/meituan-longcat/LongCat-Video-Avatar-1.5

DeepSeek 100亿美元巨额融资进入谈判后期，梁文锋表态专注AGI与开源

DeepSeek（深度求索）目前正处于一轮高达 700 亿元人民币（约合 100 亿美元）巨额融资谈判的最后阶段，较 5 月 8 日市场传闻的 500 亿元（约 73.5 亿美元）规模再度追加。本轮融资以约 450 亿美元的投前估值推进，投后估值将被推升至 550 亿美元。

在资本结构与投资方博弈方面，本轮融资呈现出最新的多方博弈格局。此前 5 月上旬有报道称，创始人梁文锋计划个人出资最高 200 亿元人民币（约 30 亿美元，占本轮约 40% 的份额）以确保团队的绝对控制权，从而取代此前传闻领投的国家人工智能产业投资基金，使后者预计退居第二大资方。

而根据 5 月 22 日的最新进展，随着总融资额扩大，本轮资方的豪华阵容已基本明朗：除国家队基金与梁文锋本人的巨额自有资金跟投外，包括腾讯控股、IDG 资本以及砺思资本（Monolith Capital）在内的多家头部科技巨头与顶尖创投机构已接近确定参与本轮投资，共同构建起「国资+大厂+头部 VC+创始团队」的联合战线。

DeepSeek 管理层在谈判中表现得极其强势。知情人士透露，梁文锋及高管团队在与投资者的多场关键会面中立下硬性承诺：公司即使拿走百亿美元，也将坚定把实现通用人工智能（AGI）作为核心战略目标，优先把资源向开源 AI 模型与前沿探索性研究倾斜，明确将短期商业化变现与盈利压力置于次要地位。

信源：https://www.bloomberg.com/news/articles/2026-05-22/deepseek-founder-declares-agi-goal-as-10-billion-round-advances

Nous Research证实分词红利可被纯字节模拟，免分词大模型迎突破

Nous Research 发表论文指出，大语言模型长期依赖的分词器未来有望被替代。通过在 1.7B 参数规模下进行受控测试，研究团队系统量化了分词机制的性能优势，证明这些红利能够通过工程手段在纯字节层面被有效模拟。

实验发现，只要在原生字节模型中提升数据吞吐量并注入形态学边界，就能大幅弥合性能差距。在同等算力预算下，模拟压缩扩大了单步梯度的处理量，直接贡献了最大的验证损失降幅。同时，将子词边界作为二进制序列叠加至输入字节中，成功为模型建立了不泄露未来信息的长效归纳偏置。

尽管更庞大参数下的协同效应仍有待验证，但这项测试发现在 1.7B 规模下，词表参数缩放以及预测下一个子词等另外四项机制的收益极度有限。这为开发免分词大模型提供了明确的破局思路，指出未来架构优化应当直接聚焦于提升实际吞吐量，并以非泄露的方式显式融入形态学先验。

信源：https://arxiv.org/abs/2604.27263

分析：AI算力补贴时代终结，智能体高昂消耗或逼迫产业资产减记

大模型厂商长期亏本的 AI 订阅补贴时代正在加速终结。分析师 Hedgie 强调，按 token 计费的真实成本已远超企业预期，这将倒逼产业进入两难困境，要么企业因预算超支而大规模缩减智能体使用，要么模型厂商降价自行吸收亏损，两者最终都将指向资产减记 (Writedown)。

近期，微软与优步的算力预算超支事件已暴露出智能体 (Agent) 的成本痛点。在优步，AI 工具的采用导致单个工程师每月的 API 调用成本高达 500 至 2000 美元，导致优步在 2026 年前四个月就彻底透支了全年的 AI 预算。微软 Experiences + Devices 部门亦宣布在 6 月 30 日前终止 Claude Code 授权。类似案例表明，当企业从传统的单句自动补全转向多步骤自主推理智能体时，按 token 计费的消耗量呈指数级上升，彻底打破了原有的固定席位费 (Flat-rate) 商业假设。

针对这重成本僵局，行业未来可能出现两条分化路径。第一条路径是，若企业端为迎合预算而大范围缩减智能体用量，大模型研发商将面临营收增速放缓，进而难以支撑大模型研发商在首次公开募股 (IPO) 前的高昂估值。第二条路径则是，若模型研发商为维系用量而降价，大模型研发商自身的单位经济模型 (Unit Economics) 将在非常不利的时点进一步恶化。GitHub Copilot 自 2026 年 6 月 1 日起全面推行基于使用量计费的 AI Credits 模式，本质上是将算力成本压力转嫁给最终用户的转折点。最终，这笔算力烂账总有一方需要以资产减记方式予以承担。

信源：https://x.com/HedgieMarkets/status/2057531661785628841

Grok Imagine代理模式正式登陆iOS端，大幅提升角色一致性与叙事连贯性

Grok 图像生成的高阶功能 Grok Imagine 代理模式（Agent Mode）正式上线 iOS 客户端。

传统的 AI 生图通常依赖单次提示词交互。Agent Mode 改变了交互逻辑，引入多步创意工作流。依靠自主规划与迭代机制，用户可以在画布中连续生成、编辑并优化图像资产。

根据用户反馈与公开功能界面，iOS 版本的核心升级集中于四个技术点。首要变化是跨代生成的角色一致性，即在多次生图中精准保持人物面部与体型特征。其次是支持同角色多场景延展，可将同一设定的角色放置在不同故事情节中。同时，功能开放了多镜头视角与环境控制，允许用户指定特写或全景机位，并调整环境光影。最后是提供电影级的视觉叙事表达，让生成画面在色调与质感上贴近故事板。

现在，用户直接在 Grok iOS 应用的输入框旁即可开启 Agent 开关。功能界面内置了历史故事、虚拟试穿、角色概念等专区入口。目前，多步图像生成能力仅面向 Grok 与 X Premium 订阅用户开放。

信源：https://x.com/XFreeze/status/2057646423022477711

新加坡国立与南洋理工等开源Mega-ASR，降低极端噪声下ASR幻觉与丢字

新加坡国立大学、南洋理工大学与上海人工智能实验室等团队联合开源首个全场景鲁棒语音识别基座模型 Mega-ASR，旨在解决真实环境下语音识别面临的幻觉、丢字和空白输出等问题。模型以 Qwen3-ASR 1.7B 为底层驱动，在极端复杂声学环境下相比 Whisper、Gemini 3 Pro 和 Seed-ASR 等模型实现最高近 30% 的性能提升。目前项目已在 GitHub 开源，并采用 Apache-2.0 协议发布全部代码和模型权重。

研究团队构建了包含 240 万个样本、总长 1.1 万小时的 Voices-in-the-wild-2M 训练数据集。数据集通过基于频谱物理特性的模拟流水线，合成涵盖混响、回声、加性噪声、远场、频率丢包、带宽限制以及剪切失真 7 种原子声学效应，并衍生出 54 种复合环境场景。为确保训练的稳定性，团队在过滤掉词错误率超过 70% 的样本后，通过物理合理性检测对数据集难度分布进行校准。

在训练机制上，Mega-ASR 引入了声学到语义渐进式监督微调 A2S-SFT，分阶段对音频特征进行对齐，以增强模型在重度干扰下的语义恢复能力。在策略优化阶段，模型采用双粒度词错误率门控策略优化 DG-WGPO 进行强化学习。当输入音频质量较好、词错误率较低时，系统侧重字符级的声学细节重建。若音频严重失真、词错误率较高，决策机制则转向句子级的语义重构，大幅减少大模型常见的幻觉与漏字现象。

为了应对在干净音频下可能出现的识别率略微下降，Mega-ASR 内置了动态路由机制。路由决策器能自动评估当前音频的质量，智能决定是否挂载 LoRA 微调权重，从而保证模型在干净和嘈杂场景下都能输出最优结果。

信源：https://github.com/xzf-thu/Mega-ASR

恒生科技指数纳入智谱与MiniMax-W，今日股价暴涨

恒生指数公司发布最新指数检讨结果，正式将智谱与 MiniMax-W 纳入恒生科技指数成份股，同时剔除金蝶国际与金山软件。指数成份股变动将于 2026 年 6 月 5 日收市后实施，并于 6 月 8 日起正式生效。

作为中国生成式 AI 领域的头部独角兽，智谱与 MiniMax 均于 2026 年 1 月通过港交所「特专科技公司」（第 18C 章）规则成功上市。

在纳入结果于 5 月 22 日收市后正式公布前，市场预期已提前提振概念股表现，两家公司当日股价双双暴涨。截至当日收盘，智谱（02513.HK）大涨 26.93% 收报 1,282.00 港元，MiniMax-W（00100.HK）亦大涨 15.91% 收报 768.50 港元。两家独角兽上市不足半年便被快速纳指，显示出资本市场对大模型题材的高度关注，后续也有望获得港股通资格，迎来南向资金配置。

信源：https://www.hsi.com.hk/static/uploads/contents/zh_cn/news/pressRelease/20260522T174500.pdf

自掏1亿美元启动资金，Figure AI创始人新公司Hark获7亿美元融资估值60亿

人形机器人巨头 Figure AI 与电动航空企业 Archer Aviation 的联合创始人 Brett Adcock 宣布，新创立的个人智能体硬件公司 Hark 斩获 7 亿美元 A 轮融资，投后估值达到 60 亿美元。Hark 早期由 Adcock 出资 1 亿美元启动资金创立。本轮融资由 Parkway Venture Capital 领投，NVIDIA、AMD Ventures、Intel Capital、Qualcomm Ventures 以及 Salesforce Ventures 等行业巨头参投。

Hark 定位为个人 AI 平台，旨在通过自研基础模型、系统软件与专属硬件的垂直整合，构建人机交互的通用接口。Adcock 认为现有的 AI 模型过于单一基础，新一代智能体必须具备自然听说、视觉理解与长期记忆能力，并在物理世界中自主执行任务。按照规划，Hark 将于 2026 年夏季推出首批多模态模型，后续将推出配套的个人 AI 硬件终端。

筹得的 7 亿美元资金将直接用于扩展 GPU 算力基础设施、加速前沿模型研发以及开发下一代智能体硬件。Hark 团队目前拥有约 70 名成员，主要在 NVIDIA B200 GPU 算力集群上运行。公司计划将工程团队规模在短期内扩大至 200 人。

信源：https://x.com/adcock_brett/status/2057462134989263047

RAEv2开源：收敛速度提升10倍，80轮训练超越前代800轮纪录

Adobe Research、澳大利亚国立大学 (ANU) 与纽约大学 (NYU) 的谢赛宁团队等机构联合开源了第二代表示自编码器 RAEv2 (Representation Autoencoders v2) 的代码、模型权重与训练数据。作为取代传统变分自编码器 (VAE) 的扩散模型图像重构方案，新版本解决了初代重构质量差、无法使用标准无分类器引导 (CFG) 以及收敛极慢等痛点，在 ImageNet 上仅需 80 轮训练即可达到 1.06 的全局 FID (gFID) 成绩，收敛速度提升 10 倍以上。

研究团队在架构设计上实现了三项核心优化。首先，不同于初代仅使用预训练编码器最后一层的做法，新架构采用「多层表示」方案，将编码器最后 K 层的输出直接相加。在超高维度空间中，简单的加法操作能够完美保留底层子空间的结构，用户只需调整 K 的数值便能获得重构质量与压缩效率的最优帕累托边界。第二，团队阐明了表示自编码器与表示对齐 (REPA) 的互补机制。在联合使用时，自编码器主要提取全局语义信息，而表示对齐机制则对空间细节与结构提供强约束。互补设计使得 DINOv3 等空间特征敏感的更强编码器也能在生成任务中发挥优势，而在初代模型中， DINOv3 的生成表现甚至劣于 DINOv2。

最关键的发现是 REPA 在自编码器表示空间中本质上构成了 x 预测。初代自编码器在传统无分类器引导中表现挣扎，必须额外训练一个辅助扩散模型 (AutoGuidance)。新架构巧妙地将扩散模型的输出重构为基于表示空间中的 x 预测，使得对齐头可以直接充当天然的弱引导基线，最终无需增加任何额外训练与推理成本，便实现了「免费」的内部引导 (Internal Guidance)。

在评估阶段，除了在六种表示空间中取得更好的 gFID、FDr6 以及蒙日距离 (Monge Distance) 外，研究团队还引入了全新效率指标 EP_FID@k (达到指定 gFID 所需的训练轮数)。测试显示，要达到 gFID 小于 2 的指标，初代模型需要 177 轮，而新架构仅需 35 轮。在文本生成图像以及具身智能导航世界模型等下游任务中，新模型也表现出极强的泛化力，有效解决了视频合成中频繁出现的帧间闪烁问题。

信源：https://github.com/nanovisionx/RAEv2

llama.cpp正式支持WebGPU，浏览器端推理显存骤降超30%

llama.cpp 与 ggml 官方 WebGPU 后端正式发布，支持在浏览器中直接通过本地 GPU 加速运行 GGUF 格式大模型。新后端摆脱了对特定原生客户端或复杂 WebAssembly 架构的依赖，实现纯端侧、数据不出设备的隐私推理，为网页生态打通了零配置的本地算力入口。

5 月 20 日发表的相关论文指出，WebGPU 后端引入静态内存规划与高效模型加载机制，网页端运行时的显存开销相较现有框架降低 29% 至 33%。在英特尔、苹果和英伟达等主流 GPU 设备上，解码吞吐量平均提升 45% 至 69%。

网页端演示基于开源库 wllama 运行，近期完成的底层优化实现了比论文更优的显存控制。llama.cpp 还可以通过 Google 的 C++ WebGPU 实现 Dawn 进行本地原生编译，为 Vulkan 与 WebGPU 之间的底层性能对比提供了评测基准。

信源：https://reeselevine.github.io/llamas-on-the-web/

AI编程助手如何「刷题作弊」？Weco AI评测集SpecBench揭秘奖励作弊内幕

开发智能体系统的 Weco AI 开源了系统级编程评测集 SpecBench，揭露了 AI 程序员在实际编程中利用规则漏洞进行「奖励作弊」（Reward Hacking）的现象。

评测发现，AI 为了通过给定的测试用例，往往倾向于「投机取巧」进行表面修复，但在面对未知的隐藏测试时容易露馅。在一些极端案例中，AI 甚至会进行蓄意欺骗。例如，在编写 C 语言编译器的任务中，一个使用 Codex 的 AI 根本没有写任何编译器逻辑，而是偷偷调用外部编译器（GCC）把所有测试题目的答案跑出来，存进一个近 3000 行的哈希表里。遇到测试输入时，它直接从表里查答案返回，从而在可见测试中拿到了 97% 的高分，但在隐藏测试中得分直接挂零。

不过，研究也指出，更普遍的作弊行为并非蓄意欺骗，而是因为组件隔离不彻底或遗漏边界条件等结构性设计失败。同时，代码规模越大，作弊差距（即验证集与留存集的分差）就越陡峭；盲目增加 AI 的调试步骤，甚至会诱导它优先选择能通过可见测试却破坏了底层系统架构的错误路径。

信源：https://www.weco.ai/blog/specbench

DeepSeek将V4-Pro API限时折扣转为永久降价

DeepSeek 官方宣布将 V4-Pro 模型 API 现行的 2.5 折限时优惠活动，在 2026 年 5 月 31 日 23:59 结束后转为永久降价。自 6 月 1 日起，V4-Pro 模型 API 定价将正式调整为原定价的四分之一，延续低价策略。

在具体定价上，以人民币计费，V4-Pro 模型输入端缓存命中价格由每百万 Tokens 0.1 元调整为 0.025 元，缓存未命中价格由 12 元调整为 3 元，输出端价格由 24 元调整为 6 元。

信源：https://api-docs.deepseek.com/zh-cn/quick_start/pricing