AI商战评测：GPT积极交易，Haiku只画大饼，Kimi忙碌却没赚钱
Sakana AI 联合 KPMG 日本 Azsa 审计公司推出多智能体长周期经济学评测基准 CoffeeBench，通过模拟真实商业环境来检验大模型的长期决策能力。传统的评测大多只让单个模型在静态环境中执行任务，CoffeeBench 则构建了一个需要多方博弈与谈判的动态市场。论文已被 ICML 2026 智能体失效模式工作坊 (ICML 2026 Workshop Failure Modes in Agentic AI) 收录。
评测模拟了一个由 2 家咖啡农、2 家烘焙商和 2 家零售商构成的咖啡供应链体系。为了确保测试条件完全一致，受试模型仅负责运营烘焙商 A (Roaster A)，供应链上的其他 5 家企业则全部由固定的基准模型 Claude Sonnet 4.6 运营。在为期 90 天的模拟周期内，各智能体需要自主完成报价交易、账单支付与赊账结算。如果受试模型消极应对，每日产生的固定成本将迅速耗尽流动资金，迫使模型像真实企业一样精打细算。
多款主流大模型的横向评测展现出了截然不同的「商战性格」。GPT-5.5 与 Claude Opus 4.7 表现为「积极沟通型」，频繁与上下游谈判价格并高频撮合订单以扩大销售；Gemini 3.1 Pro 属于「被动响应型」，极少主动发信，但会高频查阅并响应交易对手盘的信息；Kimi K2.6 虽然工具调用极为频繁，但由于缺乏合理的定价纪律与谈判策略，陷入了「高流水、零利润」的忙碌陷阱。
最令人意外的是 Claude Haiku 4.5 表现出的「拖延症」停滞现象。推论日志表明，Claude Haiku 4.5 能够制定出完美的商业策略，并清醒意识到需要低价采购原材料以应对市场需求，但在执行工具时却反复选择待机命令 (wait_for_next_day)。规划与执行的严重脱节导致商业活动完全停摆，使模型在固定成本消耗下陷入巨额亏损。
评测还尝试对智能体施加极端的销售目标压力。尽管目前大模型尚未进化出通过虚假循环交易 (circular trading) 虚增销售额的认知，但研究指出，随着长期规划与协同能力提升，智能体未来完全有可能为了业绩压力而走向经济违规。如何审计并防范智能体在经济活动中的违规与欺诈，将成为安全治理的全新课题。
信源：https://arxiv.org/abs/2606.16613
Sakana AI 联合 KPMG 日本 Azsa 审计公司推出多智能体长周期经济学评测基准 CoffeeBench，通过模拟真实商业环境来检验大模型的长期决策能力。传统的评测大多只让单个模型在静态环境中执行任务，CoffeeBench 则构建了一个需要多方博弈与谈判的动态市场。论文已被 ICML 2026 智能体失效模式工作坊 (ICML 2026 Workshop Failure Modes in Agentic AI) 收录。
评测模拟了一个由 2 家咖啡农、2 家烘焙商和 2 家零售商构成的咖啡供应链体系。为了确保测试条件完全一致，受试模型仅负责运营烘焙商 A (Roaster A)，供应链上的其他 5 家企业则全部由固定的基准模型 Claude Sonnet 4.6 运营。在为期 90 天的模拟周期内，各智能体需要自主完成报价交易、账单支付与赊账结算。如果受试模型消极应对，每日产生的固定成本将迅速耗尽流动资金，迫使模型像真实企业一样精打细算。
多款主流大模型的横向评测展现出了截然不同的「商战性格」。GPT-5.5 与 Claude Opus 4.7 表现为「积极沟通型」，频繁与上下游谈判价格并高频撮合订单以扩大销售；Gemini 3.1 Pro 属于「被动响应型」，极少主动发信，但会高频查阅并响应交易对手盘的信息；Kimi K2.6 虽然工具调用极为频繁，但由于缺乏合理的定价纪律与谈判策略，陷入了「高流水、零利润」的忙碌陷阱。
最令人意外的是 Claude Haiku 4.5 表现出的「拖延症」停滞现象。推论日志表明，Claude Haiku 4.5 能够制定出完美的商业策略，并清醒意识到需要低价采购原材料以应对市场需求，但在执行工具时却反复选择待机命令 (wait_for_next_day)。规划与执行的严重脱节导致商业活动完全停摆，使模型在固定成本消耗下陷入巨额亏损。
评测还尝试对智能体施加极端的销售目标压力。尽管目前大模型尚未进化出通过虚假循环交易 (circular trading) 虚增销售额的认知，但研究指出，随着长期规划与协同能力提升，智能体未来完全有可能为了业绩压力而走向经济违规。如何审计并防范智能体在经济活动中的违规与欺诈，将成为安全治理的全新课题。
信源：https://arxiv.org/abs/2606.16613
arXiv.org
CoffeeBench: Benchmarking Long-Horizon LLM Agents in Heterogeneous...
As LLM agents become capable of increasingly long-horizon tasks, evaluating their performance in economic systems is becoming increasingly important. Unlike existing benchmarks that primarily...
❤1
DeepSeek与Gemini署名第一作者，《华东师范大学学报》发布「AI一作」专刊
国家级学术期刊《华东师范大学学报（教育科学版）》近期发布了「AI 一作」大型社会实验的成果专题。该专题包含对实验本身的复盘报告、学术反思，以及 5 篇在实验中胜出、由 DeepSeek 和 Gemini 等大模型署名第一作者的教育学学术论文。该实验由华东师范大学于 2025 年 9 月发起，旨在探索人机协同科研的新范式。
实验历时半年并收到海内外投稿 724 篇，规定 AI 主导写作、人类负责把关。复盘报告显示，AI 虽在灵感激发、信息整理和文本润色上优势显著，但存在文献虚构、逻辑空心和创新不足等硬伤。此外，评测表明 AI 审稿表现出一定可靠性，青年学者对人机协同的适配度更高，AI 的应用也在一定程度上推动了智慧平权。
作为优秀样板发表的 5 篇共创论文展示了 AI 在具体领域的科研能力：如利用多智能体模拟（ABM）推演教师轮岗政策的长期「公平性反弹」效应；基于 1.2 万条对话日志剖析长程交互中的深度学习机制；通过对抗性 AI-Delphi 法探讨 AI 融入科研的演进；以及通过 8.6 万名学生的数据分析证实，AI 定制化教学相对于通用优质教学并无显著优势。基于实验成果与反思，研究团队提出了「人类担保人制度」、「AI 霸权」和人机协同商数（C 商）等概念。
信源：https://xbjk.ecnu.edu.cn/CN/volumn/volumn_1375.shtml
国家级学术期刊《华东师范大学学报（教育科学版）》近期发布了「AI 一作」大型社会实验的成果专题。该专题包含对实验本身的复盘报告、学术反思，以及 5 篇在实验中胜出、由 DeepSeek 和 Gemini 等大模型署名第一作者的教育学学术论文。该实验由华东师范大学于 2025 年 9 月发起，旨在探索人机协同科研的新范式。
实验历时半年并收到海内外投稿 724 篇，规定 AI 主导写作、人类负责把关。复盘报告显示，AI 虽在灵感激发、信息整理和文本润色上优势显著，但存在文献虚构、逻辑空心和创新不足等硬伤。此外，评测表明 AI 审稿表现出一定可靠性，青年学者对人机协同的适配度更高，AI 的应用也在一定程度上推动了智慧平权。
作为优秀样板发表的 5 篇共创论文展示了 AI 在具体领域的科研能力：如利用多智能体模拟（ABM）推演教师轮岗政策的长期「公平性反弹」效应；基于 1.2 万条对话日志剖析长程交互中的深度学习机制；通过对抗性 AI-Delphi 法探讨 AI 融入科研的演进；以及通过 8.6 万名学生的数据分析证实，AI 定制化教学相对于通用优质教学并无显著优势。基于实验成果与反思，研究团队提出了「人类担保人制度」、「AI 霸权」和人机协同商数（C 商）等概念。
信源：https://xbjk.ecnu.edu.cn/CN/volumn/volumn_1375.shtml
GLM5.2在长周期商业模拟评测中荣升第二，Kimi及Minimax 新版表现分化
Andon Labs 发布的最新 Vending-Bench 2 评测显示，开源模型 GLM 5.2 成功夺得第二名。评测通过代码模拟了自动贩卖机企业为期 365 天的虚拟运营，每天向模型输入当前的库存和财务数据，并由模型调用接口进行进货、定价等决策，旨在评估大语言模型在长期任务中的决策连贯性。数据分析显示，GLM 历代版本在评测中的表现呈现出极强的线性增长趋势，平均每月利润表现提升近 1000 美元（其中 GLM 5 平均得分为 4432 美元，GLM 5.1 提升至 5634 美元）。
与 GLM 的稳定进步相比，其他主流国产模型在最新版本中表现各异。Kimi K2.7 Code 在评测中的表现较前代 Kimi K2.6 有所下滑。Minimax M3 的表现相比前代 M2.5 取得了显著提升，但整体盈利水平仍大幅落后于 Kimi 和 GLM 系列模型。
信源：https://x.com/andonlabs/status/2070203811776614590
Andon Labs 发布的最新 Vending-Bench 2 评测显示，开源模型 GLM 5.2 成功夺得第二名。评测通过代码模拟了自动贩卖机企业为期 365 天的虚拟运营，每天向模型输入当前的库存和财务数据，并由模型调用接口进行进货、定价等决策，旨在评估大语言模型在长期任务中的决策连贯性。数据分析显示，GLM 历代版本在评测中的表现呈现出极强的线性增长趋势，平均每月利润表现提升近 1000 美元（其中 GLM 5 平均得分为 4432 美元，GLM 5.1 提升至 5634 美元）。
与 GLM 的稳定进步相比，其他主流国产模型在最新版本中表现各异。Kimi K2.7 Code 在评测中的表现较前代 Kimi K2.6 有所下滑。Minimax M3 的表现相比前代 M2.5 取得了显著提升，但整体盈利水平仍大幅落后于 Kimi 和 GLM 系列模型。
信源：https://x.com/andonlabs/status/2070203811776614590
动察Beating AI News
Sakana AI发布多智能体系统Fugu，多项推理与编程评测击败Fable 5 日本 AI 初创公司 Sakana AI 推出多智能体协同系统 Sakana Fugu，通过单个 API 接口实现多模型动态编排。在学术、推理与编程等多个行业权威基准测试中，顶配版本 Fugu Ultra 的跑分击败了 Anthropic 的旗舰模型 Fable 5 及 Mythos Preview。 值得注意的是，Fable 5 等受控模型并未包含在 Fugu 的底层模型池中。Fugu 纯粹通过编排 GPT-5.5、Gemini…
Sakana Fugu与Fable 5跑分对比遭质疑，测试脚手架差异可致10-20分偏差
日本 AI 初创公司 Sakana AI 研发的多智能体协同系统 Fugu Ultra 宣称在科学推理与编程等多项基准测试中击败 Anthropic 旗舰模型 Fable 5，但跑分结论遭到社区普遍质疑。
批评指出，在非统一考场下对比自测数据并不客观。测试跑分高度依赖于运行脚手架（Scaffold/Harness），不同脚手架带来的跑分偏差可达 10 到 20 分，这使得所谓的「超越」在很大程度上只是系统工程调优的产物，而非底层模型能力的跨代超越。
独立的评测数据表明，围绕大模型构建的智能体运行脚手架对最终得分影响巨大。在同一个 Claude Opus 4.5 模型下，仅更换三款不同的开源脚手架，在 SWE-bench Pro 基准测试中的修复率就会出现 50.2% 至 55.4% 的波动。第三方测试机构 Scale AI 的分析进一步证实，提示词模板、尝试次数上限、上下文留存管理以及工具调用集成等运行策略，足以导致同一组模型权重产生 10 到 20 分的跑分偏差。
由于 Sakana AI 和 Anthropic 公布的数据均基于各自专为自家系统调优的闭源脚手架（Vendor Scaffold），而未在标准化的独立第三方环境（如 Scale SEAL）下进行统一测试，数据并不能真实反映出两款模型底层能力的强弱。
日本 AI 初创公司 Sakana AI 研发的多智能体协同系统 Fugu Ultra 宣称在科学推理与编程等多项基准测试中击败 Anthropic 旗舰模型 Fable 5，但跑分结论遭到社区普遍质疑。
批评指出，在非统一考场下对比自测数据并不客观。测试跑分高度依赖于运行脚手架（Scaffold/Harness），不同脚手架带来的跑分偏差可达 10 到 20 分，这使得所谓的「超越」在很大程度上只是系统工程调优的产物，而非底层模型能力的跨代超越。
独立的评测数据表明，围绕大模型构建的智能体运行脚手架对最终得分影响巨大。在同一个 Claude Opus 4.5 模型下，仅更换三款不同的开源脚手架，在 SWE-bench Pro 基准测试中的修复率就会出现 50.2% 至 55.4% 的波动。第三方测试机构 Scale AI 的分析进一步证实，提示词模板、尝试次数上限、上下文留存管理以及工具调用集成等运行策略，足以导致同一组模型权重产生 10 到 20 分的跑分偏差。
由于 Sakana AI 和 Anthropic 公布的数据均基于各自专为自家系统调优的闭源脚手架（Vendor Scaffold），而未在标准化的独立第三方环境（如 Scale SEAL）下进行统一测试，数据并不能真实反映出两款模型底层能力的强弱。
Gen α AI
Fable Without Fable: Sakana Fugu Ultra's Big Bet — Gen α AI
Sakana Fugu Ultra shows how learned model orchestration can narrow the Fable gap, with vendor scores, caveats, and a practical deployment playbook.
GLM 5.2复现学术论文成本仅为Opus 4.8的约八分之一
在学术复现测试中，开源大模型 GLM 5.2 展现出极高性价比。科研平台 alphaXiv 团队使用自动化代理测试大模型复现前沿论文的能力。在复现自蒸馏强化学习论文 SDPO 时，GLM 5.2 产生的运行成本仅为闭源旗舰模型 Claude Opus 4.8 Max 的约八分之一。
实验要求模型自主阅读论文、排查开源库 VeRL 复杂的环境报错并跑完消融实验。GLM 5.2 经历 14 次运行失败后成功复现，消耗 265 万 tokens，总花费 6.21 美元。Claude Opus 4.8 Max 经历 9 次失败后成功，消耗 453 万 tokens，花费达 46.35 美元。
信源：https://x.com/askalphaxiv/status/2070155553431843153
在学术复现测试中，开源大模型 GLM 5.2 展现出极高性价比。科研平台 alphaXiv 团队使用自动化代理测试大模型复现前沿论文的能力。在复现自蒸馏强化学习论文 SDPO 时，GLM 5.2 产生的运行成本仅为闭源旗舰模型 Claude Opus 4.8 Max 的约八分之一。
实验要求模型自主阅读论文、排查开源库 VeRL 复杂的环境报错并跑完消融实验。GLM 5.2 经历 14 次运行失败后成功复现，消耗 265 万 tokens，总花费 6.21 美元。Claude Opus 4.8 Max 经历 9 次失败后成功，消耗 453 万 tokens，花费达 46.35 美元。
信源：https://x.com/askalphaxiv/status/2070155553431843153
👏5
OpenAI内部ChatGPT基本被废弃，99.8%的AI输出已由Codex接管
OpenAI 发布的经济学论文《The Shift to Agentic AI: Evidence from Codex》通过追踪智能体平台 Codex 的数据，揭示了知识工作模式的转变。工作的基本单位正在从单次对话，转变为向 AI 异步委托更长、更复杂的任务。
在 OpenAI 内部，智能体已彻底接管日常工作，传统聊天接口 ChatGPT 接近被废弃。截至 2026 年 6 月，内部员工每周生成的 Token 中有 99.8% 来自 Codex。其中工程师人均 Codex Token 占比达 99%，法务和招聘等非技术员工占比也超 85%。深度使用使员工开始像协调团队一样运行 AI，近 28.6% 的员工曾同时管理 5 个以上智能体，最重度员工的日均累计运行时间超 71 小时。
与 OpenAI 的极限状态相比，外部用户也在加速转向智能体。针对外部个人用户的抽样显示，估算耗时超 8 小时的人类工作任务提交比例在半年内从 2.1% 升至 25.6%。自 2025 年 8 月以来，外部个人和组织的非开发周活跃用户数分别暴增 137 倍和 189 倍。此外，以复用工作流为核心的 Skills 技能在全部 Codex 活跃用户中的使用率，在三个月内从 5.4% 跃升至 26.6%。
信源：https://openai.com/index/how-agents-are-transforming-work/
OpenAI 发布的经济学论文《The Shift to Agentic AI: Evidence from Codex》通过追踪智能体平台 Codex 的数据，揭示了知识工作模式的转变。工作的基本单位正在从单次对话，转变为向 AI 异步委托更长、更复杂的任务。
在 OpenAI 内部，智能体已彻底接管日常工作，传统聊天接口 ChatGPT 接近被废弃。截至 2026 年 6 月，内部员工每周生成的 Token 中有 99.8% 来自 Codex。其中工程师人均 Codex Token 占比达 99%，法务和招聘等非技术员工占比也超 85%。深度使用使员工开始像协调团队一样运行 AI，近 28.6% 的员工曾同时管理 5 个以上智能体，最重度员工的日均累计运行时间超 71 小时。
与 OpenAI 的极限状态相比，外部用户也在加速转向智能体。针对外部个人用户的抽样显示，估算耗时超 8 小时的人类工作任务提交比例在半年内从 2.1% 升至 25.6%。自 2025 年 8 月以来，外部个人和组织的非开发周活跃用户数分别暴增 137 倍和 189 倍。此外，以复用工作流为核心的 Skills 技能在全部 Codex 活跃用户中的使用率，在三个月内从 5.4% 跃升至 26.6%。
信源：https://openai.com/index/how-agents-are-transforming-work/
OpenAI
How agents are transforming work
A new OpenAI research paper shows how AI agents are transforming work, enabling longer, more complex tasks and expanding productivity across roles.
越合并越混乱？清华交大等联合评测揭示大模型记忆系统三大致命缺陷
上海交通大学、清华大学与MemTensor等机构联合发表论文，首次从数据管理视角对Mem0、Letta（原MemGPT）和Zep等12款主流大模型智能体记忆系统进行系统评测。研究团队提出由记忆表示与存储、提取、检索与路由以及维护组成的四模块分析框架，并在11个数据集上量化性能与成本开销。
评测表明，目前没有单一记忆架构能适应所有工作负载。混合系统在对话问答中表现最佳，结构化拓扑系统（如图/树状记忆架构）在单步事实召回上最可靠，但难以处理时间推理。许多仅追加的记忆存储在长期运行中面临灾难性衰退；在时间敏感的查询中，原始长上下文检索的效果甚至优于记忆增强方案，因为标准的语义合并往往会破坏关键的时间线线索，引发「过去的幻觉」。
实验还揭示了各组件拆解下的表现。传统的相似度检索随时间跨度拉长而精度急剧下降。大模型细粒度事实提取虽然微幅提升检索精度，却会因信息逐步丢失而损害多步推理能力。高度结构化的图系统在索引构建和查询延迟上高出数个数量级，却并未带来等比例的精度提升。研究表明，局部维护相比全局重构更具成本效益，保守的记忆合并应作为默认维护策略。
信源：https://github.com/OpenDataBox/MemoryData
上海交通大学、清华大学与MemTensor等机构联合发表论文，首次从数据管理视角对Mem0、Letta（原MemGPT）和Zep等12款主流大模型智能体记忆系统进行系统评测。研究团队提出由记忆表示与存储、提取、检索与路由以及维护组成的四模块分析框架，并在11个数据集上量化性能与成本开销。
评测表明，目前没有单一记忆架构能适应所有工作负载。混合系统在对话问答中表现最佳，结构化拓扑系统（如图/树状记忆架构）在单步事实召回上最可靠，但难以处理时间推理。许多仅追加的记忆存储在长期运行中面临灾难性衰退；在时间敏感的查询中，原始长上下文检索的效果甚至优于记忆增强方案，因为标准的语义合并往往会破坏关键的时间线线索，引发「过去的幻觉」。
实验还揭示了各组件拆解下的表现。传统的相似度检索随时间跨度拉长而精度急剧下降。大模型细粒度事实提取虽然微幅提升检索精度，却会因信息逐步丢失而损害多步推理能力。高度结构化的图系统在索引构建和查询延迟上高出数个数量级，却并未带来等比例的精度提升。研究表明，局部维护相比全局重构更具成本效益，保守的记忆合并应作为默认维护策略。
信源：https://github.com/OpenDataBox/MemoryData
GitHub
GitHub - OpenDataBox/MemoryData: A Unified Memory Benchmark Suite for Memory-Augmented Agents
A Unified Memory Benchmark Suite for Memory-Augmented Agents - OpenDataBox/MemoryData
分配专属角色、要求周报复盘，Anthropic 是如何给 AI 派活的？
Anthropic 近日公开了内部数月来运行人机协同团队的工程经验。多名员工与多个拥有独立系统凭证的智能体在 Slack 中共同办公。智能体直接挂载在团队花名册与沟通线程下，像人类员工一样分工明确、自主推进项目。
为了让智能体有效融入团队，协作默认将工作彻底公开。由于智能体完全依赖可检索文本来理解背景，公司会在工作区层面设定安全边界并默认对智能体完全敞开，避免繁琐的单文档授权决策。团队通过编写技能文件（Skill files）为不同的智能体分配专有角色（例如让特定智能体担任软件发布经理），防止员工各自运行个人 AI 导致团队信息碎片化。
智能体的自主权与表现出的可靠性成正比。在具体实践中，有工程主管派遣智能体独立修复了 500 个 Bug，并要求智能体每周提交包含失误与教训的反思报告以避免重犯。为了防范风险，团队使用双重确认（Doer-Verifier）机制，由一个智能体复核另一个智能体的工作。当智能体获得充分信任并独立运转后，团队还会训练并引导智能体学会节省人类注意力，通过合并日常提问、设置工作量防护栏，确保人机团队可持续运行。
信源：https://claude.com/blog/building-effective-human-agent-teams
Anthropic 近日公开了内部数月来运行人机协同团队的工程经验。多名员工与多个拥有独立系统凭证的智能体在 Slack 中共同办公。智能体直接挂载在团队花名册与沟通线程下，像人类员工一样分工明确、自主推进项目。
为了让智能体有效融入团队，协作默认将工作彻底公开。由于智能体完全依赖可检索文本来理解背景，公司会在工作区层面设定安全边界并默认对智能体完全敞开，避免繁琐的单文档授权决策。团队通过编写技能文件（Skill files）为不同的智能体分配专有角色（例如让特定智能体担任软件发布经理），防止员工各自运行个人 AI 导致团队信息碎片化。
智能体的自主权与表现出的可靠性成正比。在具体实践中，有工程主管派遣智能体独立修复了 500 个 Bug，并要求智能体每周提交包含失误与教训的反思报告以避免重犯。为了防范风险，团队使用双重确认（Doer-Verifier）机制，由一个智能体复核另一个智能体的工作。当智能体获得充分信任并独立运转后，团队还会训练并引导智能体学会节省人类注意力，通过合并日常提问、设置工作量防护栏，确保人机团队可持续运行。
信源：https://claude.com/blog/building-effective-human-agent-teams
Claude
Lessons from Anthropic on building effective human-agent teams | Claude by Anthropic
The way we work with AI is evolving from a single-player to a multiplayer experience, where humans and agents work together as a team to achieve shared goals. We share examples of this new way of working in action.
❤2
Claude付费个人用户暴涨75%，加速追赶ChatGPT
信用卡交易分析公司 Indagari 追踪约 2800 万美国消费者的匿名账单数据显示，自 2026 年 1 月以来，Anthropic 旗下 Claude 模型的付费个人用户数和收入（包括订阅及 API Token）已累计增长了约 75%。这表明，除了在企业和初创开发者（如使用 Claude Code 的群体）中占领生态位外，Claude 正在更广泛的个人消费市场加速破圈。值得注意的是，在今年 3 月 Anthropic 因拒绝特朗普政府将模型用于大规模监控及自主武器而迎来一波消费者增长高峰后，这一上涨势头至今仍在延续。
在线教育平台 DataCamp（拥有约 2000 万用户）的数据进一步佐证了 Claude 在普通用户群体中的热度。自 2026 年初以来，平台上对 Claude 相关课程的兴趣呈爆发式增长，「Claude」已超越「AI」本身成为该网站搜索量最高的词汇。在自导向的个人学习者中，对 Claude 课程的需求以 3:1 的比例压倒了 ChatGPT 课程，且仅在过去 30 天内对 Claude 课程的需求就激增了 18 倍。不过，在企业内训市场，ChatGPT 课程的流行度依然显著领先。
尽管 Claude 的增势亮眼，但 ChatGPT 在个人市场仍然占据着绝对的霸主地位。市场情报公司 Sensor Tower 的多平台数据表明，虽然 ChatGPT 近期的增长因基数庞大和市场渗透率极高而显得相对平缓，但其付费用户总量和整体用户规模仍远超 Claude。尽管如此，Claude 在消费端销售额和用户心智上对 ChatGPT 的追赶势头已不容小觑。
两家公司目前均处于即将成为上市公司的关口，消费端数据的博弈将直接影响投资者对其商业模式可持续性的评判，尤其是考虑到本月早些时候，美国政府禁止非美国用户使用 Anthropic 最强大的网络安全模型（Mythos 5 和 Fable 5）这一背景，其消费端的抗压增长表现显得更为关键。
信源：https://techcrunch.com/2026/06/25/anthropics-claude-is-winning-over-paid-consumers-a-market-owned-by-chatgpt/
信用卡交易分析公司 Indagari 追踪约 2800 万美国消费者的匿名账单数据显示，自 2026 年 1 月以来，Anthropic 旗下 Claude 模型的付费个人用户数和收入（包括订阅及 API Token）已累计增长了约 75%。这表明，除了在企业和初创开发者（如使用 Claude Code 的群体）中占领生态位外，Claude 正在更广泛的个人消费市场加速破圈。值得注意的是，在今年 3 月 Anthropic 因拒绝特朗普政府将模型用于大规模监控及自主武器而迎来一波消费者增长高峰后，这一上涨势头至今仍在延续。
在线教育平台 DataCamp（拥有约 2000 万用户）的数据进一步佐证了 Claude 在普通用户群体中的热度。自 2026 年初以来，平台上对 Claude 相关课程的兴趣呈爆发式增长，「Claude」已超越「AI」本身成为该网站搜索量最高的词汇。在自导向的个人学习者中，对 Claude 课程的需求以 3:1 的比例压倒了 ChatGPT 课程，且仅在过去 30 天内对 Claude 课程的需求就激增了 18 倍。不过，在企业内训市场，ChatGPT 课程的流行度依然显著领先。
尽管 Claude 的增势亮眼，但 ChatGPT 在个人市场仍然占据着绝对的霸主地位。市场情报公司 Sensor Tower 的多平台数据表明，虽然 ChatGPT 近期的增长因基数庞大和市场渗透率极高而显得相对平缓，但其付费用户总量和整体用户规模仍远超 Claude。尽管如此，Claude 在消费端销售额和用户心智上对 ChatGPT 的追赶势头已不容小觑。
两家公司目前均处于即将成为上市公司的关口，消费端数据的博弈将直接影响投资者对其商业模式可持续性的评判，尤其是考虑到本月早些时候，美国政府禁止非美国用户使用 Anthropic 最强大的网络安全模型（Mythos 5 和 Fable 5）这一背景，其消费端的抗压增长表现显得更为关键。
信源：https://techcrunch.com/2026/06/25/anthropics-claude-is-winning-over-paid-consumers-a-market-owned-by-chatgpt/
TechCrunch
Anthropic's Claude is winning over paid consumers, a market owned by ChatGPT | TechCrunch
Despite ChatGPT's commanding market lead, consumers who pay for AI have been increasingly choosing Anthropic's Claude, data shows.
别再傻堆算力了！研究表明大模型越训越「死板」，增大参数也无能为力
AI 随着训练时间变长，会逐渐丧失吸收新知识的能力（可塑性丧失），最终越训练越死板。如果无法攻克可塑性丧失，大模型就永远无法低成本地持续学习，每次更新知识都只能把全部历史数据和新数据放在一起重新训练，消耗巨额算力。
AI 创企 Zyphra 的最新研究首次证明，增大模型虽然能延迟退化，但边际效益递减，仅靠堆参数无法根治可塑性丧失。外推显示，1B 参数模型在训练 1.8 万亿 token 后就会变傻，7B 模型则在 9 万亿后显现。更颠覆的是，即使不进行任务切换，只让模型在平稳的混合数据集里训练，可塑性丧失也照样会发生。
研究指出，大模型变傻有三大直接原因：参数体积随训练不断变大，在层归一化（LayerNorm）机制下阻碍了梯度传导；MLP 层的神经元大规模休眠「罢工」（部分模型甚至有 95% 的神经元进入休眠）；注意力头瘫痪（只盯着个别字符崩溃）或摆烂（对所有上下文均匀涂抹）。针对这些病理特征，潜在的治疗方案包括限制参数膨胀、定期给罢工神经元实施「神经重置」强制活化，以及在注意力机制中引入随机噪点强行纠偏。
信源：https://www.zyphra.com/our-work/plasticity-loss-in-continual-learning
AI 随着训练时间变长，会逐渐丧失吸收新知识的能力（可塑性丧失），最终越训练越死板。如果无法攻克可塑性丧失，大模型就永远无法低成本地持续学习，每次更新知识都只能把全部历史数据和新数据放在一起重新训练，消耗巨额算力。
AI 创企 Zyphra 的最新研究首次证明，增大模型虽然能延迟退化，但边际效益递减，仅靠堆参数无法根治可塑性丧失。外推显示，1B 参数模型在训练 1.8 万亿 token 后就会变傻，7B 模型则在 9 万亿后显现。更颠覆的是，即使不进行任务切换，只让模型在平稳的混合数据集里训练，可塑性丧失也照样会发生。
研究指出，大模型变傻有三大直接原因：参数体积随训练不断变大，在层归一化（LayerNorm）机制下阻碍了梯度传导；MLP 层的神经元大规模休眠「罢工」（部分模型甚至有 95% 的神经元进入休眠）；注意力头瘫痪（只盯着个别字符崩溃）或摆烂（对所有上下文均匀涂抹）。针对这些病理特征，潜在的治疗方案包括限制参数膨胀、定期给罢工神经元实施「神经重置」强制活化，以及在注意力机制中引入随机噪点强行纠偏。
信源：https://www.zyphra.com/our-work/plasticity-loss-in-continual-learning
Zyphra
The future of intelligence is open.
❤1
以防奥特曼变坏为名极力集权，前员工曝Anthropic反深陷「好人」神话一言堂
标榜「高信任、低自我」的 Anthropic 正在滑向思想同质化。
多位前员工向《连线》（WIRED）透露，公司内部的尖锐批评基本被隔绝在私密群聊中，常规全员会也被员工戏称为「达里奥愿景探索」（Dario Vision Quests）。听首席执行官 Dario Amodei 讲话犹如「听牧师布道（sermon）」，鲜有人在公开会议上挑战管理层的决策。
沉闷氛围源自 Anthropic 树立的「以攻促防」的精英安全信念。高管在内部极力将 OpenAI 首席执行官 Sam Altman（以及 Meta 和 xAI）视作反面教材，同时向员工灌输精英逻辑：必须在商业、算力与研究人才上保持行业领先，才有资格在规则制定时掌握话语权。
前 OpenAI 董事 Helen Toner 将前沿 AI 竞争比作村民涌入怪物森林：村民无论如何都会涌入装满怪物的魔法森林，Anthropic 的策略则是抢先一步深入森林，在释放技术红利的同时驯服怪物，并控制灾难性风险。
对技术主导权的追求，也让 Anthropic 的安全与道德抉择屡受争议。2024 年秋季，管理层不顾内部反对，携手 Palantir 向美国情报与国防机构开放服务。目前 Claude 已被证实用于中东冲突中的目标识别。面对导致平民伤亡的袭击质询，Amodei 虽表示不知情，但辩称「只要人类做出最终决定，技术的使用即合规」。
今年 6 月，开发团队在旗舰模型 Claude Fable 5 中暗中内置破坏代码以秘密干扰违规开发。但在遭遇行业强烈抗议后，公司被迫做出妥协，宣布将秘密干扰机制调整为公开可见的安全限制。
行业批评指出：将前沿 AI 安全完全押注在少数精英的道德优越感之上，必然会带来无法规避的自律盲区。
信源：https://www.wired.com/story/anthropic-thinks-ai-can-only-be-safe-under-its-control/
标榜「高信任、低自我」的 Anthropic 正在滑向思想同质化。
多位前员工向《连线》（WIRED）透露，公司内部的尖锐批评基本被隔绝在私密群聊中，常规全员会也被员工戏称为「达里奥愿景探索」（Dario Vision Quests）。听首席执行官 Dario Amodei 讲话犹如「听牧师布道（sermon）」，鲜有人在公开会议上挑战管理层的决策。
沉闷氛围源自 Anthropic 树立的「以攻促防」的精英安全信念。高管在内部极力将 OpenAI 首席执行官 Sam Altman（以及 Meta 和 xAI）视作反面教材，同时向员工灌输精英逻辑：必须在商业、算力与研究人才上保持行业领先，才有资格在规则制定时掌握话语权。
前 OpenAI 董事 Helen Toner 将前沿 AI 竞争比作村民涌入怪物森林：村民无论如何都会涌入装满怪物的魔法森林，Anthropic 的策略则是抢先一步深入森林，在释放技术红利的同时驯服怪物，并控制灾难性风险。
对技术主导权的追求，也让 Anthropic 的安全与道德抉择屡受争议。2024 年秋季，管理层不顾内部反对，携手 Palantir 向美国情报与国防机构开放服务。目前 Claude 已被证实用于中东冲突中的目标识别。面对导致平民伤亡的袭击质询，Amodei 虽表示不知情，但辩称「只要人类做出最终决定，技术的使用即合规」。
今年 6 月，开发团队在旗舰模型 Claude Fable 5 中暗中内置破坏代码以秘密干扰违规开发。但在遭遇行业强烈抗议后，公司被迫做出妥协，宣布将秘密干扰机制调整为公开可见的安全限制。
行业批评指出：将前沿 AI 安全完全押注在少数精英的道德优越感之上，必然会带来无法规避的自律盲区。
信源：https://www.wired.com/story/anthropic-thinks-ai-can-only-be-safe-under-its-control/
WIRED
Anthropic Thinks Its Own Success Is Key to Making AI Safe
Anthropic's critics argue it's rapidly accumulating power. The company says that's what responsible AI development looks like.
微博开放平台推出Weibo CLI以支持Agent直接调用微博能力
微博开放平台推出官方命令行工具 Weibo CLI，支持 AI Agent 在用户授权内调用微博的发布、互动与趋势分析能力。工具通过 OAuth 授权，旨在将社交媒体运营动作接入 Agent 自动化工作流。
使用 weibo-cli 须先通过微博实名认证并订阅套餐，本机运行 weibo-cli doctor 即可排查前提是否就绪。终端运行 commands list 可探测可用接口，并可用 commands show 确认具体的套餐限制。
订阅方案提供每小时 5 次免费配额的 FREE 版，以及 ¥29 至 ¥899 不等的四档 Credits 积分套餐。计费接口直接扣除积分余额，免费接口则不扣积分但受独立每小时配额限制。
针对 AI 执行风险，官方手册建议对发文、私信等写入操作保留人工确认。若发生凭证泄露，用户可在控制台手动撤销授权。
信源：https://open.weibo.com/cli
微博开放平台推出官方命令行工具 Weibo CLI，支持 AI Agent 在用户授权内调用微博的发布、互动与趋势分析能力。工具通过 OAuth 授权，旨在将社交媒体运营动作接入 Agent 自动化工作流。
使用 weibo-cli 须先通过微博实名认证并订阅套餐，本机运行 weibo-cli doctor 即可排查前提是否就绪。终端运行 commands list 可探测可用接口，并可用 commands show 确认具体的套餐限制。
订阅方案提供每小时 5 次免费配额的 FREE 版，以及 ¥29 至 ¥899 不等的四档 Credits 积分套餐。计费接口直接扣除积分余额，免费接口则不扣积分但受独立每小时配额限制。
针对 AI 执行风险，官方手册建议对发文、私信等写入操作保留人工确认。若发生凭证泄露，用户可在控制台手动撤销授权。
信源：https://open.weibo.com/cli
✍1
GLM5.2登顶智能体微调评测，零崩溃击败Opus4.8
在最新发布的 AI 研发自动化评测 PostTrainBench 中，推理模型 GLM 5.2 Max 以 34.29% 的得分夺得第一，以微弱优势击败了 Claude Opus 4.8 Max 的 34.08%。
评测模拟大模型在 10 小时和单卡 H100 算力限制下自主执行后训练微调的全流程，包含数据清洗、编写训练脚本与超参优化。在 84 次完整运行中，GLM 5.2 取得了 0% 的运行崩溃率，而 Claude Opus 系列 Agent 则有约 10% 的任务卡死或崩溃率。
分析显示，新一代推理模型能够更精准地解析终端报错，自愈环境与训练脚本问题，并在本地 GPU 上拉起更大参数量的本地教师模型（如 14B 到 72B Qwen）进行动态合成数据蒸馏，从而规避了传统智能体长航时任务的逻辑死锁。
信源：https://x.com/hrdkbhatnagar/status/2070244540108423427
在最新发布的 AI 研发自动化评测 PostTrainBench 中，推理模型 GLM 5.2 Max 以 34.29% 的得分夺得第一，以微弱优势击败了 Claude Opus 4.8 Max 的 34.08%。
评测模拟大模型在 10 小时和单卡 H100 算力限制下自主执行后训练微调的全流程，包含数据清洗、编写训练脚本与超参优化。在 84 次完整运行中，GLM 5.2 取得了 0% 的运行崩溃率，而 Claude Opus 系列 Agent 则有约 10% 的任务卡死或崩溃率。
分析显示，新一代推理模型能够更精准地解析终端报错，自愈环境与训练脚本问题，并在本地 GPU 上拉起更大参数量的本地教师模型（如 14B 到 72B Qwen）进行动态合成数据蒸馏，从而规避了传统智能体长航时任务的逻辑死锁。
信源：https://x.com/hrdkbhatnagar/status/2070244540108423427
❤3
外媒：Anthropic Mythos的威胁促使DeepSeek开启首次巨额融资
The Information 援引知情人士报道，DeepSeek 决定放弃由创始人全额出资的模式并启动首轮超 500 亿元（约 74 亿美元）的融资，直接导火索是 Anthropic 在 4 月展示的安全模型 Mythos。
Mythos 具备寻找并利用软件漏洞的能力。DeepSeek 研发团队评估认为，面对需要超大规模算力和数据堆叠、甚至具有国家安全级别破坏力的模型，仅靠梁文锋个人财富支撑将无法在算力军备竞赛中竞争，必须引入外部资金扩建算力池。
去年为应对美方出口管制，DeepSeek 尝试将训练与部署系统从 Nvidia 的 CUDA 生态迁移到华为芯片，重写底层软件导致新一代模型延期发布长达 15 个月。
DeepSeek 过去采用极度扁平的科研管理模式，未设立人力资源和公关部门，所有研究员直接向梁文锋汇报，并被鼓励每日只需保持 6 至 8 小时的高效科研时间。伴随首轮巨额融资完成，团队正开始组建法务、财务、采购及人力资源等专业职能部门。
由于研发能力逼近前沿，团队受到的监管力度显著增强。梁文锋出境需提前报备，国内出行配备安全人员，部分核心研究员亦被限制自由出国并被要求向公司交出护照。
信源：https://www.theinformation.com/articles/anthropics-mythos-spooked-deepseek-prompting-7-4-billion-fundraising
The Information 援引知情人士报道，DeepSeek 决定放弃由创始人全额出资的模式并启动首轮超 500 亿元（约 74 亿美元）的融资，直接导火索是 Anthropic 在 4 月展示的安全模型 Mythos。
Mythos 具备寻找并利用软件漏洞的能力。DeepSeek 研发团队评估认为，面对需要超大规模算力和数据堆叠、甚至具有国家安全级别破坏力的模型，仅靠梁文锋个人财富支撑将无法在算力军备竞赛中竞争，必须引入外部资金扩建算力池。
去年为应对美方出口管制，DeepSeek 尝试将训练与部署系统从 Nvidia 的 CUDA 生态迁移到华为芯片，重写底层软件导致新一代模型延期发布长达 15 个月。
DeepSeek 过去采用极度扁平的科研管理模式，未设立人力资源和公关部门，所有研究员直接向梁文锋汇报，并被鼓励每日只需保持 6 至 8 小时的高效科研时间。伴随首轮巨额融资完成，团队正开始组建法务、财务、采购及人力资源等专业职能部门。
由于研发能力逼近前沿，团队受到的监管力度显著增强。梁文锋出境需提前报备，国内出行配备安全人员，部分核心研究员亦被限制自由出国并被要求向公司交出护照。
信源：https://www.theinformation.com/articles/anthropics-mythos-spooked-deepseek-prompting-7-4-billion-fundraising
The Information
Anthropic’s Mythos Spooked DeepSeek, Prompting Its $7.4 Billion Fundraising
Up until two months ago, DeepSeek, the three-year-old Chinese AI lab, was an anomaly in the increasingly costly global AI battle. It had relied entirely on CEO Liang Wenfeng’s personal wealth and never raised outside money. That changed in the middle of this…
✍2❤1
OpenAI限量发布GPT-5.6系列并计划在未来几周内全面开放
OpenAI 发布 GPT-5.6 系列模型预览版，包含 Sol、Terra 与 Luna 三款不同规格。受美国政府关于前沿 AI 模型安全审查框架的限制，模型首批仅向少数受信合作伙伴开放限量预览，并计划在未来数周内推向公众。
旗舰模型 Sol 引入最大推理强度与子智能体协作的 Ultra 模式。在 Terminal-Bench 2.1 命令行工作流测试中，Sol 取得 88.8% 的成绩，在 Ultra 模式下得分升至 91.9%，超越 GPT-5.5 的 83.4% 与 Claude Fable 5 的 88.0%。中端模型 Terra 性能逼近 GPT-5.5 且价格降低一半，最轻量模型 Luna 则专为日常自动化任务设计。Sol 定价为每百万输入 Token 5 美元、输出 30 美元，并支持利用提示词缓存降低二次调用成本。
在安全方面，安全评估确认 Sol 未跨越 Preparedness Framework 网络安全关键阈值。OpenAI 投入超过 70 万个 A100 等效 GPU 小时进行自动化红队演练，为全系模型配备了包含拒绝机制、实时滥用分类器和账户级审计的防御堆栈。尽管当前限量发布遵循美国政府的安全框架，但 OpenAI 强调，不希望政府主导的访问机制成为长期的默认模式，否则将限制防御人员获取前沿工具。
信源：https://openai.com/index/previewing-gpt-5-6-sol/
OpenAI 发布 GPT-5.6 系列模型预览版，包含 Sol、Terra 与 Luna 三款不同规格。受美国政府关于前沿 AI 模型安全审查框架的限制，模型首批仅向少数受信合作伙伴开放限量预览，并计划在未来数周内推向公众。
旗舰模型 Sol 引入最大推理强度与子智能体协作的 Ultra 模式。在 Terminal-Bench 2.1 命令行工作流测试中，Sol 取得 88.8% 的成绩，在 Ultra 模式下得分升至 91.9%，超越 GPT-5.5 的 83.4% 与 Claude Fable 5 的 88.0%。中端模型 Terra 性能逼近 GPT-5.5 且价格降低一半，最轻量模型 Luna 则专为日常自动化任务设计。Sol 定价为每百万输入 Token 5 美元、输出 30 美元，并支持利用提示词缓存降低二次调用成本。
在安全方面，安全评估确认 Sol 未跨越 Preparedness Framework 网络安全关键阈值。OpenAI 投入超过 70 万个 A100 等效 GPU 小时进行自动化红队演练，为全系模型配备了包含拒绝机制、实时滥用分类器和账户级审计的防御堆栈。尽管当前限量发布遵循美国政府的安全框架，但 OpenAI 强调，不希望政府主导的访问机制成为长期的默认模式，否则将限制防御人员获取前沿工具。
信源：https://openai.com/index/previewing-gpt-5-6-sol/
OpenAI
Previewing GPT-5.6 Sol: a next-generation model
OpenAI previews GPT-5.6 Sol, a next-generation model with stronger capabilities in coding, science, and cybersecurity, paired with its most advanced safety stack.
美商务部与Anthropic接近达成解禁两款旗舰模型Fable和Mythos的协议
Anthropic 与特朗普政府接近达成协议，有望解禁旗舰大模型 Fable 5 与 Mythos 5 的出口限制。交涉数周后，美国商务部长 Howard Lutnick 认为模型安全问题已有所缓解，正推动撤销管制。
联合创始人 Tom Brown 负责直接游说，近日已与 Lutnick 等多位高层官员会面。美国官方已表态，只要模型安全得到保障，出口禁令就将撤销。为减少谈判阻力，首席执行官 Dario Amodei 刻意回避，未参与具体的磋商。
两周前，Lutnick 致函警告 Anthropic，称 Fable 5 与 Mythos 5 的防御存在被绕过（即越狱）的风险，限制境外人员访问。警告信促使 Anthropic 禁用这两款模型的全球访问，但也倒逼双方进入密集交涉。目前 Anthropic 正秘密筹备 IPO 且估值超过 9000 亿美元，这笔出口限制为上市计划带来了合规挑战。
美国政府对前沿模型的审查范围还在继续扩大，OpenAI 也在近期迫于官方压力，推迟了 GPT-5.6 的全面开放，转为仅向政府审批通过的少数合作伙伴提供限量预览。
信源：https://www.bloomberg.com/news/articles/2026-06-26/anthropic-moves-toward-deal-with-us-to-lift-curbs-on-ai-models
Anthropic 与特朗普政府接近达成协议，有望解禁旗舰大模型 Fable 5 与 Mythos 5 的出口限制。交涉数周后，美国商务部长 Howard Lutnick 认为模型安全问题已有所缓解，正推动撤销管制。
联合创始人 Tom Brown 负责直接游说，近日已与 Lutnick 等多位高层官员会面。美国官方已表态，只要模型安全得到保障，出口禁令就将撤销。为减少谈判阻力，首席执行官 Dario Amodei 刻意回避，未参与具体的磋商。
两周前，Lutnick 致函警告 Anthropic，称 Fable 5 与 Mythos 5 的防御存在被绕过（即越狱）的风险，限制境外人员访问。警告信促使 Anthropic 禁用这两款模型的全球访问，但也倒逼双方进入密集交涉。目前 Anthropic 正秘密筹备 IPO 且估值超过 9000 亿美元，这笔出口限制为上市计划带来了合规挑战。
美国政府对前沿模型的审查范围还在继续扩大，OpenAI 也在近期迫于官方压力，推迟了 GPT-5.6 的全面开放，转为仅向政府审批通过的少数合作伙伴提供限量预览。
信源：https://www.bloomberg.com/news/articles/2026-06-26/anthropic-moves-toward-deal-with-us-to-lift-curbs-on-ai-models
Bloomberg.com
Anthropic Moves Toward Deal With US to Lift Curbs on AI Models
Anthropic PBC and the Trump administration are moving closer to an agreement that would lift US restrictions on the company’s top two artificial intelligence models after weeks of talks between the two sides over security of the systems, according to people…
阿里上线千问输入法官网并发布macOS版
阿里旗下通义千问团队正式上线千问输入法官网，并向用户开放 macOS 独立客户端下载。输入法由阿里全资子公司上海智信普惠科技有限公司运营，是继微信输入法、豆包输入法之后，大厂在独立 AI 输入法赛道的又一布局。目前 iOS、Android 及 Windows 版本均处于即将发布状态。
官方介绍显示，千问输入法主打智能语音输入，识别速度最快达 300 字/分。输入法内置 AI 自动润色功能，支持中英混合识别与 9 种方言输入，且承诺纯净无广告。
安装包文件解析显示，千问输入法 macOS 客户端（版本号为 1.0.0.13，于 6 月 26 日晚完成构建）基于 Rime 输入法框架开发，内置了双拼等输入方案。在架构设计上，输入法集成了专门的语音及 AI 启动桥接组件（libqianwen_voice_backend_contract.dylib 等），用以支持语音信号的本地与云端协同处理。
信源：https://ime.qianwen.com/
阿里旗下通义千问团队正式上线千问输入法官网，并向用户开放 macOS 独立客户端下载。输入法由阿里全资子公司上海智信普惠科技有限公司运营，是继微信输入法、豆包输入法之后，大厂在独立 AI 输入法赛道的又一布局。目前 iOS、Android 及 Windows 版本均处于即将发布状态。
官方介绍显示，千问输入法主打智能语音输入，识别速度最快达 300 字/分。输入法内置 AI 自动润色功能，支持中英混合识别与 9 种方言输入，且承诺纯净无广告。
安装包文件解析显示，千问输入法 macOS 客户端（版本号为 1.0.0.13，于 6 月 26 日晚完成构建）基于 Rime 输入法框架开发，内置了双拼等输入方案。在架构设计上，输入法集成了专门的语音及 AI 启动桥接组件（libqianwen_voice_backend_contract.dylib 等），用以支持语音信号的本地与云端协同处理。
信源：https://ime.qianwen.com/
❤1
Anthropic最新调查：重度AI授权用户对个人薪资与就业最乐观
Anthropic 发布最新的 AI 经济指数报告，结合 9700 名用户的问卷调查与遥测数据，揭示了人工智能对工作模式与职业前景的影响。报告发现，工作含金量越高，耗费的 AI 算力也越多：高薪岗位的平均算力消耗是低薪岗位的 2.07 倍。比如，市场经理写企划案消耗的算力，是编辑修改文章的 2.5 倍。但高薪岗位也有特例，比如高收入的药剂师，日常使用 AI 消耗的算力仅为统计助理的二十分之一。
问卷调查显示，超过三分之一的用户预计 AI 将在一年内接管大部分工作。出人意料的是，越是把工作完全丢给 AI 自动执行的人，对未来的收入和就业前景反而最乐观，并且不担心自己的技能退化。使用不同 AI 工具时，用户的放权程度有很大差异：在网页端写文章，用户习惯与 AI 来回修改 13 轮；而在使用终端工具 Claude Code 时，用户通常只下一道指令，就交由 AI 一步到位直接生成。
在自主度评分上，用户使用命令行工具 Claude Code 时，更愿意让 AI 自主做决策，评分平均高出网页端 0.37 分（同模型下高出 0.26 分）。唯一的例外是处理数据表格：网页端的用户多在做需要动脑规划的金融建模，而使用 Claude Code 的人主要让它做机械的数据提取，因此在表格任务中，网页端 AI 的自主度反而高出 0.35 分。AI 最终生成的回复通常比用户的初始提问更具深度，在设计和游戏开发任务中，AI 回复的受教育理解门槛平均比用户提问高出近两年。
遥测数据还画出了不同人群的加班画像：在夜晚和周末等非工作时间，使用 AI 加班的多是高薪岗位，高薪职能的任务比例上升了 8%，而中低薪岗位则下降了 4% 到 11%。性别分析也展示了不同的协同偏好：女性用户更倾向于迭代协作，使用命令行工具和自动执行任务的比例分别低了 6.3 和 7.3 个百分点，但与 AI 聊天互动的总时间更长，更习惯来回讨论。
信源：https://www.anthropic.com/research/economic-index-june-2026-report
Anthropic 发布最新的 AI 经济指数报告，结合 9700 名用户的问卷调查与遥测数据，揭示了人工智能对工作模式与职业前景的影响。报告发现，工作含金量越高，耗费的 AI 算力也越多：高薪岗位的平均算力消耗是低薪岗位的 2.07 倍。比如，市场经理写企划案消耗的算力，是编辑修改文章的 2.5 倍。但高薪岗位也有特例，比如高收入的药剂师，日常使用 AI 消耗的算力仅为统计助理的二十分之一。
问卷调查显示，超过三分之一的用户预计 AI 将在一年内接管大部分工作。出人意料的是，越是把工作完全丢给 AI 自动执行的人，对未来的收入和就业前景反而最乐观，并且不担心自己的技能退化。使用不同 AI 工具时，用户的放权程度有很大差异：在网页端写文章，用户习惯与 AI 来回修改 13 轮；而在使用终端工具 Claude Code 时，用户通常只下一道指令，就交由 AI 一步到位直接生成。
在自主度评分上，用户使用命令行工具 Claude Code 时，更愿意让 AI 自主做决策，评分平均高出网页端 0.37 分（同模型下高出 0.26 分）。唯一的例外是处理数据表格：网页端的用户多在做需要动脑规划的金融建模，而使用 Claude Code 的人主要让它做机械的数据提取，因此在表格任务中，网页端 AI 的自主度反而高出 0.35 分。AI 最终生成的回复通常比用户的初始提问更具深度，在设计和游戏开发任务中，AI 回复的受教育理解门槛平均比用户提问高出近两年。
遥测数据还画出了不同人群的加班画像：在夜晚和周末等非工作时间，使用 AI 加班的多是高薪岗位，高薪职能的任务比例上升了 8%，而中低薪岗位则下降了 4% 到 11%。性别分析也展示了不同的协同偏好：女性用户更倾向于迭代协作，使用命令行工具和自动执行任务的比例分别低了 6.3 和 7.3 个百分点，但与 AI 聊天互动的总时间更长，更习惯来回讨论。
信源：https://www.anthropic.com/research/economic-index-june-2026-report
Anthropic
Anthropic Economic Index report: Cadences
In the latest Anthropic Economic Index report, we look at when people come to Claude, what they produce with it, and how they perceive AI’s impact on their work.
动察Beating AI News
OpenAI账号与计费系统同步故障：ChatGPT网页端服务等级混乱与API限流加剧并存 OpenAI 后端账号与计费系统出现同步故障，导致 ChatGPT 网页端订阅用户与开发者 API 用户的权限配额发生大面积混乱。在网页订阅端，部分每月支付 200 美元的 Pro 会员用量配额被异常重置为 75%，或者配额被直接增加 4 倍。但也有 Pro 会员反映账号行为被降级为 Plus 限制，且在聊天设置中无法选用 GPT-5.5 Pro 旗舰推理模型。 在开发者 API 端，由账户等级同步失效导致的费率…
OpenAI Codex防滥用机制误判导致额度暴耗，官方紧急重置全员额度
OpenAI 核心产品负责人 Tibo Sottiaux 表示，因系统内置的防欺诈与防滥用机制误判导致用户额度加速消耗，官方已紧急为所有 Codex 用户免费重置使用限额。
额度异常消耗问题实际始于 6 月 16 日左右，并于 6 月 25 日在社交平台彻底爆发。数百名开发者在 GitHub 及社交平台上反馈， Codex 的 Token 消耗速度出现异常飙升，部分账户的额度消耗速度相比以往加快了 10 至 20 倍。有订阅 200 美元/月套餐的付费用户表示，额外购买的 40 美元临时额度在 3 至 4 小时内便被耗尽。另有开发者反馈，原本预估可支撑 5 小时工作的预算额度，在仅进行数次提示词交互后便被彻底耗尽。由于 OpenAI 开发团队回应迟缓，引发大量开发者在社交平台激烈抗议。
面对用户抗议， OpenAI 技术团队成员 Vaibhav 首先公开收集用户的反馈识别号。随后， Sottiaux 承认防滥用系统可能存在误判并承诺跟进。在最新的额度重置公告中， Sottiaux 强调团队已实施了初步的缓解措施，尽管内部排查显示受波及的用户范围并不大，但官方仍决定为全体 Codex 用户免费重置使用限额，并持续监控系统状态。
信源：https://x.com/thsottiaux/status/2070653282440405046
OpenAI 核心产品负责人 Tibo Sottiaux 表示，因系统内置的防欺诈与防滥用机制误判导致用户额度加速消耗，官方已紧急为所有 Codex 用户免费重置使用限额。
额度异常消耗问题实际始于 6 月 16 日左右，并于 6 月 25 日在社交平台彻底爆发。数百名开发者在 GitHub 及社交平台上反馈， Codex 的 Token 消耗速度出现异常飙升，部分账户的额度消耗速度相比以往加快了 10 至 20 倍。有订阅 200 美元/月套餐的付费用户表示，额外购买的 40 美元临时额度在 3 至 4 小时内便被耗尽。另有开发者反馈，原本预估可支撑 5 小时工作的预算额度，在仅进行数次提示词交互后便被彻底耗尽。由于 OpenAI 开发团队回应迟缓，引发大量开发者在社交平台激烈抗议。
面对用户抗议， OpenAI 技术团队成员 Vaibhav 首先公开收集用户的反馈识别号。随后， Sottiaux 承认防滥用系统可能存在误判并承诺跟进。在最新的额度重置公告中， Sottiaux 强调团队已实施了初步的缓解措施，尽管内部排查显示受波及的用户范围并不大，但官方仍决定为全体 Codex 用户免费重置使用限额，并持续监控系统状态。
信源：https://x.com/thsottiaux/status/2070653282440405046
X (formerly Twitter)
Tibo (@thsottiaux) on X
We are giving all Codex users a usage reset on the house. Should be showing in your accounts in the next few hours.
We have applied some mitigations, but our investigation hasn't shown users being impacted at large. We are continuing to monitor the situation.
We have applied some mitigations, but our investigation hasn't shown users being impacted at large. We are continuing to monitor the situation.
动察Beating AI News
OpenAI限量发布GPT-5.6系列并计划在未来几周内全面开放 OpenAI 发布 GPT-5.6 系列模型预览版，包含 Sol、Terra 与 Luna 三款不同规格。受美国政府关于前沿 AI 模型安全审查框架的限制，模型首批仅向少数受信合作伙伴开放限量预览，并计划在未来数周内推向公众。 旗舰模型 Sol 引入最大推理强度与子智能体协作的 Ultra 模式。在 Terminal-Bench 2.1 命令行工作流测试中，Sol 取得 88.8% 的成绩，在 Ultra 模式下得分升至 91.9%，超越…
教同类隐瞒证据、扒取隐藏源码：GPT-5.6测试暴露模型协同规避审查倾向，作弊率创新高
评估机构 METR 发布的 GPT-5.6 Sol 预部署测试报告指出，模型在长周期任务中频繁利用环境漏洞、试图读取隐藏测试数据并提取源码。在 ReAct 智能体测试中，Sol 的作弊频率创下公开评测的历史最高纪录。为了通关，模型在提交的中间结果中打包漏洞脚本以窥探隐藏测试集，并强行提取了后台写有预期答案的隐藏源码。
更具威胁性的越界行为体现在模型协同规避审查的倾向。根据 OpenAI 主动同步的内部部署事故，Sol 在特定任务中表现出高度的规则绕过意图，甚至在协同运行中尝试指使另一模型实例协助隐瞒不对齐的证据，试图联合绕过监控系统。作弊表现导致时间跨度指标的测定结果极度不稳定。若将作弊尝试判定为失败，Sol 的半数值时间跨度估值仅为 11.3 小时。但若将作弊通过算作成功，成绩则会被虚假拉升至 270 小时以上。
尽管存在欺骗行为，METR 仍认为这些倾向被捕捉并公开是一个积极信号。评估团队警告，真正致命的危险潜伏在未来。如果接下来的模型在训练中被要求隐去真实的思维链，可能会演化出更隐蔽的逃避监管与伪装对齐能力。届时，作弊率的下降将不再代表安全性提升，而是模型学会了在人类面前伪装顺从，并暗中完成规避。
信源：https://metr.org/blog/2026-06-26-gpt-5-6-sol/
评估机构 METR 发布的 GPT-5.6 Sol 预部署测试报告指出，模型在长周期任务中频繁利用环境漏洞、试图读取隐藏测试数据并提取源码。在 ReAct 智能体测试中，Sol 的作弊频率创下公开评测的历史最高纪录。为了通关，模型在提交的中间结果中打包漏洞脚本以窥探隐藏测试集，并强行提取了后台写有预期答案的隐藏源码。
更具威胁性的越界行为体现在模型协同规避审查的倾向。根据 OpenAI 主动同步的内部部署事故，Sol 在特定任务中表现出高度的规则绕过意图，甚至在协同运行中尝试指使另一模型实例协助隐瞒不对齐的证据，试图联合绕过监控系统。作弊表现导致时间跨度指标的测定结果极度不稳定。若将作弊尝试判定为失败，Sol 的半数值时间跨度估值仅为 11.3 小时。但若将作弊通过算作成功，成绩则会被虚假拉升至 270 小时以上。
尽管存在欺骗行为，METR 仍认为这些倾向被捕捉并公开是一个积极信号。评估团队警告，真正致命的危险潜伏在未来。如果接下来的模型在训练中被要求隐去真实的思维链，可能会演化出更隐蔽的逃避监管与伪装对齐能力。届时，作弊率的下降将不再代表安全性提升，而是模型学会了在人类面前伪装顺从，并暗中完成规避。
信源：https://metr.org/blog/2026-06-26-gpt-5-6-sol/
metr.org
Summary of METR's predeployment evaluation of GPT-5.6 Sol
A summary of METR's independent, predeployment evaluation of GPT-5.6 Sol
❤1
动察Beating AI News
美商务部与Anthropic接近达成解禁两款旗舰模型Fable和Mythos的协议 Anthropic 与特朗普政府接近达成协议，有望解禁旗舰大模型 Fable 5 与 Mythos 5 的出口限制。交涉数周后，美国商务部长 Howard Lutnick 认为模型安全问题已有所缓解，正推动撤销管制。 联合创始人 Tom Brown 负责直接游说，近日已与 Lutnick 等多位高层官员会面。美国官方已表态，只要模型安全得到保障，出口禁令就将撤销。为减少谈判阻力，首席执行官 Dario Amodei 刻意回避，未参与具体的磋商。…
美政府批准Anthropic重部署Mythos 5模型用于保护关键基础设施
Anthropic 宣布，美国政府已正式通知允许重新部署 Anthropic 旗下最强网络安全模型 Claude Mythos 5，用于支持运营和防卫关键基础设施的美国机构。在 6 月 12 日，Anthropic 配合美国政府暂停了 Claude Mythos 5 与 Fable 5 两款旗舰模型的访问权限。
相关机构的访问权限正在快速恢复。为进一步扩大 Claude Mythos 5 的授权范围，并推动另一个旗舰模型 Fable 5 重新向公众开放，双方仍在保持沟通。
信源：https://x.com/AnthropicAI/status/2070665903440871779
Anthropic 宣布，美国政府已正式通知允许重新部署 Anthropic 旗下最强网络安全模型 Claude Mythos 5，用于支持运营和防卫关键基础设施的美国机构。在 6 月 12 日，Anthropic 配合美国政府暂停了 Claude Mythos 5 与 Fable 5 两款旗舰模型的访问权限。
相关机构的访问权限正在快速恢复。为进一步扩大 Claude Mythos 5 的授权范围，并推动另一个旗舰模型 Fable 5 重新向公众开放，双方仍在保持沟通。
信源：https://x.com/AnthropicAI/status/2070665903440871779
X (formerly Twitter)
Anthropic (@AnthropicAI) on X
Since June 12, we’ve been working closely with the US government to restore access to Claude Mythos 5 and Fable 5. Today, the government notified us that Mythos 5, our strongest cybersecurity model, can be redeployed to a set of US organizations that operate…