🤖 AI 资讯

每日 05:00 更新 · 09-24 · 主站 liuch.name ↗
招聘HR论文AI应用扩散模型大模型搜索RAGGoogle强化学习榜单评测算力芯片Agent智能体模型评测OpenAI开源具身智能开发者生态网络安全微调蒸馏推理思考模型发布提示工程Transformer端侧AIMeta模型安全对齐Anthropic政策监管办公效率NVIDIA融资
全部标签 →
筛选标签：文生图 · 返回个性化推荐 · 清空筛选

82岁知名画家夏葆元辞世，陈逸飞曾说“我们所有人都学他”

澎湃新闻
· 文生图,设计创意,教育学习,招聘HR
AI 资讯

A Hybrid Iterative Deep Ritz Method for Elliptic Interface Problems

arXiv cs.LGarXiv:2609.27325v1 Announce Type: cross Abstract: In this work, we propose a hybrid iterative deep Ritz method (H-IDRM) for a class of interface problems for second-order elliptic operators. It is based on a new mixed formulation of the problem and involves solving a sequence of convex minimization problems. We employ a level-set neural network architecture, featuring a level-set representation of the interface, to accommodate the piecewise smoothness of the solution and the flux. The approach involves only volumetric representations instead of duality pairing on the interface and avoids explicit interface sampling that is inconvenient for complex interface geometries. Further, we present an analysis of the method, including the errors arising from the neural network approximation, Monte Carlo approximation, iterative scheme, and penalty parameters. Numerical experiments indicate that the H-IDRM outperforms existing neural solvers on problems with high-dimensional domains, intricate interface geometries, and lower subdomain regularity.
2026-09-24 04:00:00 · 文生图,论文
AI 资讯

Zero-Shot Object Removal via Attention Masking, Latent Anchoring, and Refinement

arXiv cs.CVarXiv:2609.28342v1 Announce Type: new Abstract: Removing an object from a real image requires more than synthesizing plausible content within a mask: the method must suppress residual object features, preserve the unedited scene, and generate replacement content that is consistent with the surrounding background. This paper approaches object removal from a stage-based perspective and proposes a zero-shot framework for constrained latent inpainting with a frozen pretrained Stable Diffusion model, requiring no task-specific training or model fine-tuning. The method integrates SAM-based mask construction, BLIP image-caption conditioning, DDIM inversion, background-weighted masked null-text optimization, decoder self-attention masking, hard outside-mask latent anchoring, and localized renoise--denoise refinement into a unified pipeline. The method is evaluated through qualitative examples, quantitative local-consistency metrics, and ablation studies. The results demonstrate effective object removal and context-consistent replacement content. The ablations indicate that background-weighted masked NTI is particularly beneficial for structurally complex backgrounds, whereas the no-NTI variant is sufficient in other evaluated examples. Repeated refinement further reduces object remnants and boundary artifacts remaining after the primary editing pass.
2026-09-24 04:00:00 · AI应用,文生图,Transformer,扩散模型,微调蒸馏,预训练,招聘HR,论文
AI 资讯

Gender Bias in Vision-Language In-Context Learning

arXiv cs.CVarXiv:2609.27682v1 Announce Type: new Abstract: In-context learning (ICL) enables large vision-language models (LVLMs) to perform tasks by following patterns from in-context examples, yet its potential to amplify societal biases remains underexplored. We systematically investigate how ICL influences gender bias in LVLMs through VL-BICLE, an evaluation framework comprising six ICL settings, three tasks, and four datasets. Our experiments on six LVLMs reveal that gendered ICL demonstrations act as a directional force, shifting model bias toward the demonstrated gender through a cross-gender mechanism that disproportionately degrades performance on the opposite gender. This effect appears in image captioning and pronoun prediction but not in visual question answering, indicating that gendered ICL influences bias only when the task output involves gendered language. Similarity-based retrieval methods inherit the training pool's gender imbalance and offer no debiasing advantage, while standard quality metrics remain blind to these bias shifts. To mitigate this bias, we replace real in-context images with synthetic ones from stable diffusion models while keeping captions unchanged. This simple intervention reduces gender bias without degrading caption quality.
2026-09-24 04:00:00 · 算力芯片,AI应用,Google,文生图,扩散模型,强化学习,提示工程,招聘HR,网络安全,论文
AI 资讯

Can LLMs Reason About Runtime Behavior? A Repository-Level Dynamic Benchmark

arXiv cs.CLarXiv:2609.28449v1 Announce Type: cross Abstract: Large language models (LLMs) are increasingly used in coding tasks, but their ability to reason about code execution remains unclear. Existing repository-level QA benchmarks mainly evaluate static code understanding and often rely on LLM-based evaluation, while execution-reasoning benchmarks are mostly limited to snippets or functions. We introduce SWE-Flux, a repository-level benchmark for dynamic execution reasoning containing 480 execution-grounded instances across 12 real Python repositories, with gold answers automatically harvested from instrumented test executions rather than written manually or judged by LLMs. The benchmark covers singletest and multi-test questions over control flow, loops, program state, dataflow, exceptions, and program invariants. Evaluating five LLMs shows that this task remains challenging. The best model achieves only 37% accuracy. Models perform better on localized behavior such as invariants, intra-procedural control flow, exceptions, and simple loops, but struggle with dataflow, inter-procedural execution, precise state reasoning, and suite-level aggregation. Finally, we show that the oracle-harvesting pipeline can generate fresh benchmark variants using input perturbation. It successfully harvests valid variants for almost 90% of the selected instances, and the resulting variants are substantially more challenging for the evaluated models.
2026-09-24 04:00:00 · 大模型,文生图,推理思考,模型评测,端侧AI,论文

How Companion.energy Reduced Query Latency 25x & Compressed Terabytes to Gigabytes with Tiger Cloud

Hacker Noon

This is an installment of our “Community Member Spotlight” series, in which we invite our customers to share their work, spotlight their success, and inspire other users in the physical world with new ways to use Tiger Data to solve problems.

In this edition, Tristan Vermeesch, Software Engineer at Companion.energy, shares why his company migrated real-time sensor telemetry from Azure PostgreSQL to Tiger Cloud, unlocking improved query performance, faster ingest, lower storage costs, and a cleaner architecture for future growth.

About the Company & Team

Most energy infrastructure today operates in isolation. A grocery store has solar panels and a battery, but they're not optimized together. An office building has multiple power draw points: HVAC, EV charging stations, lighting, and more. Each one consumes energy independently. A telecom operator managing thousands of antennas pays fixed rates for peak demand even when the grid has cheap power available during off-peak hours.

Companion.energy solves this by gathering continuous data from our customers' infrastructure. We forecast demand and pricing using machine learning, then automatically optimize what can be controlled: charging or discharging batteries, enabling or disabling solar panels, shifting loads, and more. We built Companion.energy to handle data arriving every minute from hundreds of customers' distributed systems. We operate across Belgium and beyond, optimizing everything from large grocery chains to telecommunications infrastructure. We’re a small team, but very knowledgeable about energy infrastructure.

The Challenge

When we started, our entire platform ran on a single Azure PostgreSQL instance with flexible server options. It worked initially, but as data volumes grew—continuous sensor readings from more customers, longer historical records—performance degraded quickly. We tried adding more compute and memory, but the database simply couldn't keep up with the continuous inflow of data. Queries that had been fast became slow. Our customer-facing dashboards began to time out. Customers complained about page load times of two to three minutes.

We quickly discovered that our most frequently-used query (DISTINCT ON meter_uuid for pulling latest meter readings) would never finish on large customer accounts. It timed out consistently. We tried rewriting it, but the new version broke on small sites with only old data. The frontend's automatic 3x retry eventually finished the job. We put a 30-second statement timeout in place as a guard, but that was a band-aid. The proper fix required a database feature we didn't have: skip-scan optimizations on the hypertable physical order. Azure PostgreSQL's Apache 2 licensed TimescaleDB extension didn't include that.

Two months later, in October, Azure patched our production server. There was no advance notice and no way to prevent the outage. We went down 100% for 25 minutes with zero warning. Meanwhile, storage was becoming unsustainable. We were pricing out ways to move raw meter data out of the database just to keep it manageable. We'd written "avoid future database problems (size, performance)" as a line item in our roadmap.

The real problem was deeper. We'd hit a constraint that wasn't just about throwing hardware at it. We were running TimescaleDB on Azure Flexible Server, which gave us the extension but not the full product. We had no compression policies. We had no continuous aggregates. We couldn't access the features designed to solve exactly this problem.

Why Tiger Cloud: The Architecture-First Decision

We spent six months evaluating alternatives. My first instinct was MongoDB, which had just released time-series features. After thousands of engineering hours, we realized their time-series model didn't support the relational joins we needed for cost analytics. We abandoned it. Next we looked at InfluxDB and ClickHouse. Both are optimized for time-series and analytics, but both require significant learning curves. ClickHouse especially demands manual indexing and continuous tuning. That was overhead we couldn't afford as a small team. Neither offered meaningful improvements over what we already had.

We didn't need to migrate databases at all. We needed the full product version of TimescaleDB. We'd already bet on Postgres as a company. We knew it. Every engineer on our team could write SQL. We'd already been running TimescaleDB on Azure, so the question wasn't whether to use TimescaleDB—it was whether to get the full feature set.

Tiger Cloud changed the equation. It gave us the features Azure's Apache 2 edition held back: compression policies, continuous aggregates, and skip-scan. Ultimately, we made the decision to commit our entire platform to Tiger Cloud instead of trying to band-aid Azure.

The Stack: Real-Time Optimization Architecture

All our services connect through Tiger Cloud as the central source of truth. Continuous sensor data arrives from customer equipment and flows through our platform via message queues and pipelines. Multiple internal services consume this stream, processing and transforming data before writing results back to Tiger Cloud. We maintain separate Tiger Cloud instances for operational isolation—one for customer-facing features and one for market data analysis. This separation ensures that high-volume market data ingestion doesn't impact real-time customer features. All services run within a secure Azure V-Net with Tailscale for access control. We query Tiger Cloud via the CLI and MCP interface rather than direct database connections, which feels safer and makes it easier to audit what queries are running.

Companion.energy’s real-time energy optimization stack centers on Tiger Cloud as the source of truth. Sensor data flows left to right through 30-40 microservices, with separate instances isolating market data from customer-facing operations.

Results: From Skip-Scan Timeouts to Microseconds

1. 25x faster queries with skip-scan: Our best result is that meterdata latest/earliest lookups went from 4,950 milliseconds to 202 milliseconds. That's a 25x improvement. Here's what happened: on Azure, we were running queries to pull the latest reading for each monitoring point. The query was slow because it had to scan every chunk looking for the most recent value. When a customer had millions of data points, it timed out. When we tried rewriting it for performance, we broke the small customers with only old data. We needed skip-scan: a feature that uses the hypertable's physical ordering to jump directly to the chunk we need. Azure's Apache 2 edition didn't have it.

On Tiger Cloud, we leveraged TimescaleDB's native skip-scan functions, which use the hypertable's physical ordering to jump directly to the data we need. We also deleted workarounds that only existed to dodge statement timeouts. Those loops added latency and complexity for nothing. Just moving our database there, the performance improvements were immediate and dramatic.

2. 98% compression rate, turning 1.7 terabytes into 39 gigabytes: On Azure, we were continuously adding storage as data accumulated. Our largest data tables were growing unsustainably, together holding approximately 915 GB of raw data. We projected compress

2026-09-23 08:30:02 · 大模型,AI应用,开源,Microsoft,文生图,Agent智能体,搜索RAG,扩散模型,强化学习,招聘HR

这届网友，正逐渐对十级滤镜“祛魅”

钛媒体

（本文作者为 数字力场，钛媒体经授权发布）

文 | 数字力场，作者 | 佘宗明

作家海明威曾说过：Good writing is true writing（好的写作就是写出真实）。将“写作”改成“拍摄”，其实也成立。

这不是无的放矢，而是有感而发：9月23日，《人民日报》推出了纪录片《原来这么美》，讲述了湖南省溆浦县中都乡学校一群孩子“记录家乡”的故事——00后数学老师刘垒，用一台手机做教具，开了一门摄影课，一群孩子用这台手机的原相机拍山野、拍水洼、拍稻田丰收、拍邻里日常，将目之所及的家乡定格成了画面。

没戏剧性冲突、没网红化布景，不狗血、不催泪，这些照片质朴无华，却打动了无数人，也获得了《人民日报》的关注。到头来，孩子们因学习摄影收获了看待世界的新视角，他们的家乡则因他们的呈现被更多人看见。

看完纪录片，我的第一感受也是：原来这么美。

这里的“原来”，意指原本，“天然去雕饰”的乡土，本就自带原生美感；也指居然，我感慨的，是乡村的“妈生脸”被十级滤镜、暴力美颜贻误久矣。

现在看，孩子们白描式记录让无数人为之动容的一幕，也抛出了两个议题：乡村该怎样被看见；真实该如何被留存。

01  乡村之美，无需靠十级滤镜加持

多年来，出现在大众视野中的乡村，总是被困在两种判若天壤的叙事中。

一种是田园牧歌式的：小桥流水、炊烟柴扉、鸡犬相闻、岁月静好……配个慢镜头就能给《向往的生活》做取景，弄个BGM就可以当文旅宣传片，配合“逃离北上广”的流行情绪食用最佳。在这种画风中，乡村只有“诗”，没有“人”。

这本质上就是雷蒙·威廉斯在《乡村与城市》中批判的“怀旧田园主义（pastoral）”：将乡村的内部张力、复杂情境选择性屏蔽，把乡村描绘成给都市人情绪Spa的“世外桃源”。

一种是残酷物语式的：镜头对准的，不外乎破败的房屋、留守的老人、泥泞的道路，配上的音乐是悲情向的、文案都是卖惨型的。在这类镜头下，乡村只有“苦”，没有“美”。

乡村的某些处境确实值得关注，但那种以渲染“悲情”为基点、以呼吁“拯救”为落点的叙述，跟“××滞销，救救我们”的悲情营销路数别无二致，也未尝不是迎合另一种刻板印象。

桃花源式的浪漫化和伤心地式的悲情化，看似取态相反，实则都预设了：乡村的存在价值，依附于城市的想象框架；乡村的美，由外部视角来定义。

哲学家萨义德在《东方学》里说，所谓“东方”不单是个地理概念，更是个被西方建构出来的凝视对象，“他们无法表述自己；他们必须被别人表述。”将这套框架平移到乡村叙事上，乡村又何尝不是某些人眼中的“东方”——被一些人仰视也被一些人俯视，却很少被平视。

平视是什么？平视就是不“加戏”。《原来这么美》里那群少年的记录，之所以特别动人，原因就在于：他们不是在创作作品，只是在记录生活。

在他们的镜头下，山野就是山野，稻田就是稻田，他们作为生活在其中的在场者，不必迎合那些诗意想象，也不必套用那些煽情模板，只是拍下所见所闻。

如此一来，乡村也就不再是被凝视的客体，而是在自我表达的主体，它无需证明“我不穷”，也不必扮演“我很仙”。

这其实就是把乡村叙事权还给乡村：那些山间晚风、田垄暮色、乡民劳作景象，不为什么而美，它们就在那里。它们的美不是凹出来的，因为用不着凹。

这是好事。费孝通说过，“乡土社会在地方性的限制下成了生于斯、死于斯的社会”，他认为乡村自有其完整的意义系统。

过去，这套系统内的声音很难传出去；现在，一个00后老师、一部手机加一群学生，就把“自我表达”的按键交还给了乡村。

而那些不事雕琢、不加修饰的图片自身也会“说话”：乡村之美，本不必靠十级滤镜加持。

02  记录之趣，不必用暴力美颜营造

有意思的是，大众认同溆浦少年记录中彰显的“接纳本真”的集体心态，正跟当下移动影像行业“回归真实”的审美转向，形成奇妙共振。

这些年里，手机行业在影像上卷出了天际，算法自动调教优化几乎成了标准化配置。

随之而来的，是照片越来越“完美”了，反正有磨皮抹平面部肌理，调色拉高饱和度，所以拍出来的皮肤总是无瑕的，光线总是绝佳的，构图总是工整的。

出片当然好，可当“好看”的标准逐渐趋同化，连脸上有颗痘都不能容时，这份标准就成了刻板的“标准答案”。

那种“好看的皮囊千篇一律”的模板化画面，免不了会挑战大众审美疲劳的神经，触碰到公众对“预制朋友圈”的容忍阈值。

也因如此，如今越来越多年轻人意识到：不完美的真实，要好过虚假的完美。像风吹乱的头发、长斑的面孔、灰调的暮色，看似不完美，却恰恰是生活的印记。

上小红书、抖音、微博就会发现，这届网民越来越喜欢发糊照、丑照、素颜照了。与其将这归结为品味降级，不如将其视作审美返璞归真。

吉登斯就认为，晚期现代条件下，自我会变成“反身性规划”。在生活方式、自我形象都获得无限可塑造、可加工可能性的时下，现代人转而追寻本真性，渴望确认何为“真实的自我”，不是偶然。

这里面藏着最真实的社会心态转变：在大众审美趣味被暴力美颜调教得“活人感不足，假面感有余”的当下，很多人希望抵御软性的审美规训，回归真我——哪怕真实必然伴随着缺陷。

“原图直出”成为新社交货币，“活人感”成了最高赞美；过去必须修掉的瑕疵，如今被唤作“有特点”，过去觉得狼狈的瞬间，现在被视作“有生命力”；那些瘦脸瘦成锥子脸、P图把墙P歪了的图片，动辄被吐槽“用了东亚邪术”……网上出现的这股新风向，就是最直观的注脚。

这表明，人们拍照的出发点正在变：从博取他人的喜欢，变为尊重自我的感受；自己喜欢，高于比别人喜欢。

正因如此，有手机厂商前不久将“真实”正式立为未来长期的影像主张，手机采用“哈苏超清原相机”。它踩中的节拍，就是社会审美思潮的结构性位移。

而一台不胡乱加戏的手机与一群不为谁表演的孩子在“记录家乡”上产生交集后，也就催生出了“因真实而动人”的化学反应。

社会心态与影像审美，则由此完成了互文：社会层面，很多人不再要求乡村活成想象中的样子，而是接受乡村本来的样子；审美维度，人们不再要求照片够完美，而是接纳现实本来的不完美。二者内核高度一致：尊重事物本然的模样。

03  当AIGC什么都能造，“真”只会越来越珍贵

问题来了：为什么大家在今天越来越强调“纯天然”，为什么手机厂商今天会将“真实”作为影像主张？

结合现实语境看，答案很清晰：因为我们正处在“假”来得太过容易的时代。

随着AIGC将内容编造门槛打到“一句话××”“一键××”的极简操作层次，信息“含真量”不断被稀释。早些年人们常说“有图有真相”，现在人们非但不盲信这点，反而经常觉得“图”跟“真相”是反的。因为横亘在“图”跟“真相”之间的那条鸿沟，被AI挖得更深了。

在此背景下，“真”的价值分量，俨然正经历从“默认值”到“奢侈品”再到“受保护物种”的三级跳。

鲍德里亚上世纪的预言——拟像将脱离现实原型进入“超真实”状态，不是复制现实而是产出比现实更像现实的东西，含金量正持续上升。

看过本雅明《机械复制时代的艺术作品》的人都知道，在本雅明眼中，原作独有的现场感和附着作品之上的经验痕迹，就是灵韵。

西方的巴特式刺点，日本的侘寂，为何被视作大美？就是因为它们有灵韵，这份灵韵藏在那种不丝滑或不完整当中。

AI生成的图片的确可以轻易制造视觉奇观，可没有灵韵是其致命短板。按照罗兰·巴特“摄影真谛的说法应该是：这个存在过”的观点，它是缺乏灵魂的。

就其根源，在于没有扎根于真实个体的生命体验，也缺少“曾经发生过”的确凿印记。

AI越能制造完美，人们就越会接受不完美；越是被不真实的东西包围，人们就越是渴求真实。这也能解释，为什么“AI味”“尸斑感”之类的网梗会在网上风行。

说白了，这反映的，是人们对“非人感”的本能排斥。

而这番景象，未尝不是在倒逼社会重新思考技术与人的关系：好的技术，究竟该制造“真实的不真实”，还是更多地回归真实？是将人拽到不真实中，还是成为人感知真实世界的工具？

我的个人看法是：在AI可以凭空造万物的时代，“不造假”反而是最需要重申的技术伦理。都说“科技向善”，再往下一步是“科技向真”。因为善是态度，真是底线。

就此看，回归“真实感”，才是手机摄像的正确打开方式。

04  结语：真实还原，就是最高级的滤镜

今年初，河南一大爷用普通手机拍巴黎，将埃菲尔铁塔拍成“电线塔”，将塞纳河拍成“村头水沟”，结果“治好了我的巴黎病”登上热搜。

而今，溆浦一群孩子用无滤镜镜头记录家乡，又狠狠戳中了无数人。

这两件事本质上是同一件：记录——用记录叙说，我真正地去过，我真切地看过，我真实地活过。

完美可以被创造，真实只能被经历。在伪造、生成、合成的内容泛滥，虚假的完美充斥的时下，那些带着生活颗粒感的真切记录，只会愈发可贵。

这也契合安德烈·巴赞的摄影本体论所说的，“摄影的客观性，赋予影像以任何绘画作品都无法具有的令人信服的力量。”换句话说，摄影的力量感来自真实。

真很好。真的，就很好。

若要在融梗的基础上将其归结为一句话，那就是：真实还原，就是最高级的滤镜。

更多精彩内容，关注钛媒体微信号（ID：taimeiti），或者下载钛媒体App

2026-09-24 01:46:49 · AI应用,政策监管,字节跳动,文生图,教育学习,扩散模型,工业制造,营销广告,模型发布,榜单评测

制糖工厂发布小电拼 Core：四口全 AVS，开启超快补能，小巧随行

爱范儿
制糖工厂 CANDYSIGN 推出全新 小电拼 Core。
160 W · AVS × 4 · 自由流® · 4C1A 五口满配。
一颗掌心大小的充电器，装下五个接口；其中四个 C 口，个个支持 AVS。再叠加自由流®动态功率复用，让多设备同时充电不只是「接口更多」，而是让功率能够更快流向真正需要它的设备。
这一次，小电拼把「多设备充电」进一步做小，也进一步做快。

 

四口全 AVS，快充不再挑口

iPhone 18 Pro 的到来，让 AVS 成为新一代快充的重要能力。但小电拼 Core 并没有把 AVS 只放在一个接口上。
四个 C 口，个个都是 AVS。
无论插在哪个 C 口，都能根据设备需求进行动态充电；配合 PD 3.2、AVS、PPS、MiPPS、UFCS 等协议支持，覆盖手机、笔记本、平板、耳机、充电宝以及更多数字设备。
针对 iPhone 18 Pro 系列，测试数据显示：
约 15 min，iPhone 18 Pro 可充至 57%；iPhone 18 Pro Max 可充至 50%。
*数据来自制糖工厂实测，具体结果受设备、环境等因素影响。
四口 AVS，不用找「专属快充口」。

 

AVS + 自由流 ，快上加快

如果说 AVS 让设备获得更合适的动态电压，那么自由流®解决的，则是多台设备同时充电时，功率应该怎么流动。
小电拼 Core 搭载制糖工厂自研 FluxAI 自由流®。
当手机正在补电、电脑持续工作、耳机已经接近充满，不同设备的功率需求始终在变化。自由流®不会把功率一次分完，而是持续感知设备需求，让释放出来的功率重新参与分配。
AVS + 自由流，功率池更快。当设备需要短时补能时，可以更快调动可用功率；当设备需求发生变化时，也能够及时重新分配。
测试结果显示，小电拼 Core 以 160 W 输出能力，2 小时累计输出 296.43 Wh，高于传统 250 W 充电器的 277.9 Wh。
这也是「自由流」真正想解决的问题：
不是把功率做得更大，而是让已有的功率被更充分地利用。

 

以一抵五，样样都能充

小电拼 Core 配备 5 个接口，不挑品牌、不挑机型，手机、平板、笔记本等设备都能接入。支持多设备同时充电与功率动态分配，无需纠结接口，怎么插都能充。
面对 AI 时代越来越多的智能设备，一颗电源，就能轻松应对更多充电需求。

小巧五口，差旅随行

五个接口，并没有换来一颗笨重的充电砖。
小电拼 Core 机身尺寸约 105 × 39 × 39 mm，重量约 280 g ± 30 g。
折叠插脚收起后，更方便收纳；墙插不掉，同时支持 110–240 V 宽电压，方便不同地区出行使用。
设备照带，充电头少带一点。

首创 SDC，一键管理充电

小电拼 Core 基于 SDC（Software-Defined Charger，软件定义充电器） 架构。
它拒绝做一块「出厂即定型」的电源砖，而是把充电器当作一个可以持续进化的系统。
通过全端控制，可以进行远程控制与设备状态管理，并支持多种充电模式，包括自由流、睡眠充、苹果全家桶、独享 C1等。
同时，可以查看充电状态、功率与 2 小时功率曲线，并进行独立端口自定义、定时关机、屏保设置等操作。
从功率调度，到使用方式，都可以由软件重新定义。

 

ingBar 琥珀屏，让状态一眼可见

除了软件控制，小电拼 Core 也把充电状态直接放到机身上。
搭载 ingBar 琥珀屏，可以显示充电功率、时间等状态信息，并支持动态显示效果。
不用打开手机，也能快速知道当前充电状态。
功率、时间，一眼可见。

 

全模 OTA，让充电器持续更新

SDC 的另一层意义，是让硬件不再止步于出厂。
小电拼 Core 支持全模 OTA，已累计持续升级 150+。
从协议固件，到功能策略，再到设备兼容，后续更新都可以继续来到这颗充电器。
买到手，不是终点。
这让充电器第一次真正拥有了「持续更新」的产品生命周期。

2026-09-23 06:37:49 · 自动驾驶,OpenAI,xAI,文生图,推理思考,图神经网络,工业制造,招聘HR,模型发布,产品更新,开发者生态
AI 资讯

Accelerating Disaggregated RL for Visual Generative LLMs with Diffusion-Based Parallelism and Trainer-Assisted Generation

arXiv cs.AIarXiv:2606.24369v3 Announce Type: replace Abstract: Reinforcement learning (RL) has become a dominant post-training paradigm, driving the emergence of high-performance RL systems such as veRL for autoregressive large language models (LLMs). In parallel, diffusion-oriented RL algorithms, e.g., DanceGRPO and FlowGRPO, have rapidly expanded the scope of RL from language reasoning to diffusion-based visual and flow-based generation. However, efficient RL systems for diffusion generative LLMs remain underexplored. Existing implementations, e.g., veRL-Omni, still rely on colocated execution, which simplifies synchronization but couples rollout and training resources, limits heterogeneous deployment, and constrains independent scaling. To this end, we introduce DigenRL, a disaggregated RL framework for diffusion-based generative LLMs that supports flexible resource allocation, accommodates heterogeneous GPUs, and facilitates efficient task scheduling. To maximally reduce the execution bubbles in the disaggregated architecture, we propose: 1) a generation-axis pipeline (GAP) and time-step parallelism (TSP) in the diffusion architecture to enable finer-grained pipelining between rollout and training; 2) an elastic trainer-assisted generation (TAG) approach to enable the trainer GPU resources to dynamically assist in executing rollout generations; and 3) a tightly one-step constrained asynchronous strategy to further utilize the tail bubble in the pipeline. Extensive experiments are conducted on three hardware testbeds with 16-32 GPUs using HunyuanVideo-13B, Wan2.1-14B, FLUX.1-12B, and QwenImage-20B generative models. Experimental results show that DigenRL achieves 1.56-2.10x throughput improvements over state-of-the-art diffusion RL systems, veRL-Omni and GenRL.
2026-09-23 04:00:00 · 大模型,算力芯片,阿里巴巴,文生图,推理思考,扩散模型,强化学习,招聘HR,论文,开发者生态

What can you build with Jev

Ben's Bites (Substack)

Hi folks,

Do you remember the site I one-shot with all the ‘forgotten devices’ of the past? Things like the tamogotchi, furby, walkman, og playstation, etc. Well I finally did something with it.

I always see people building cool interactions or experiences and just send them to my agent to link up with an idea or something I want to explore. Remixing and reverse engineering is a great way to play with things for the sake of it.

I also built my token activity tracker which shows which agent apps and models I use daily. It’s got a copyable prompt on the site, so your agent can do the same.

Everyone’s talking about Jev - I’m too overwhelmed with what everyone else is building with it that I’ve not used it for anything properly yet.

Headlines

Jev is now open to everyone. We covered the launch in the last post, but since then people are finding all sorts of uses for it. It’s different from usual LLMs. It is for builders, built to be used inside a tool.

You give it some text and ask questions: is this an ad (yes/no answers), which folder does this belong in (select between choices), how relevant is this result (score something)?

I quickly built a collection of things people are building with it and a short explainer: What is Jev? Some worth highlighting are:

Naturally, a fair share of demos are trying to integrate Jev with modern coding agents. For example, using it for instant compaction. It looks cool, but it’s a terrible idea. It loses the cost savings from prompt caching.

Sidenote: experiments with compaction/dropping tool calls are often a loss these days. Codex’s implementation of compaction is so clean (and good) that the pain to build a custom setup is not worth the tiny gain you can squeeze out for a couple weeks.

— Keshav

Coding agents are also on the mind of TypeSafe’s CEO - he wrote down his thoughts here.

Projects in Claude Code are now a single master chat (instead of a folder) where you can dump your requirements, thoughts, tasks and let Claude spawn new threads to carry out the work you give it. These threads run as cloud sessions, but local support is coming. This new change is in beta and will be live for all users soon.

Also, finally, Claude Code will now support AGENTS.md (via their new feature Claude Mods).

Muse, Meta’s personal AI agent, is getting love from everyone (who has access). It has a Mac app and a developer platform to build connectors, so people can use external services through Muse. And of course, it’s heavily inspired by OpenClaw.

Muse can shop for you - well, it could, until Amazon started blocking it. Meta is working on it, with partnerships like this one with Shopify.

Grok 4.7 is out. It’s a questionable upgrade from Grok 4.6 - It performs better than GPT-5.6-Sol and Opus 5 on benchmarks, but takes a lot more tokens to do that, which takes away from its cost efficiency. I tried it and think it’s 💩. I was excited for it, as Grok 4.6 was pretty good for me in Pi, although I rarely chose it.

Building a voice agent? Agent STT by Speechmatics is powered by Linden, a new speech-to-text model purpose-built for voice agents. $0.30/hour ($0.15 after discounts), 25% cheaper than Deepgram Flux. Try it through Pipecat or LiveKit, or directly via Speechmatics’ API. Claim $100 credit.*

Share Ben's Bites

My feed

2026-09-22 13:01:13 · 大模型,AI应用,开源,OpenAI,Google,Anthropic,Meta,xAI,文生图,代码生成,Agent智能体,搜索RAG,扩散模型,强化学习,模型评测,提示工程,招聘HR,合作,开发者生态
AI 资讯

AI: artificial immigrants

LessWrong

Advanced AI is basically the embodiment of immigration as envisioned in the conservative nightmare:

  1. We are letting a bunch of new agents into our society
  2. They don’t clearly share our values and we suspect a society full of them would be awful by our lights
  3. But we expect them to provide very cheap labor
  4. Which will undercut local wages and leave locals unemployed
  5. They will probably gain power and influence over time—in the economy, politics and culture—and end up controlling everything, sidelining and outcompeting the original population, including those who initially benefited from cheap labor
  6. (Meanwhile, half the local population may become friends with them and try to hand them all this on a platter)

Whether or not you think this is a good description of the situation with foreign humans joining your country, it is a good description of the likely AI to come, and it’s even worse than imagined:

  • their values are potentially radically alien where foreigners presumably share much by virtue of being human, and AI ‘lives’ are probably worthless if they probably aren’t conscious
  • their ability to work more cheaply than locals is unprecedented. They are also likely to be much more competent
  • The scale of the influx will be breathtaking


Discuss
2026-09-22 22:44:08 · 算力芯片,AI应用,文生图,Agent智能体,招聘HR,网络安全

Patti Harrison Had Dreams of a Tech Utopia. Silicon Valley Smashed Them

WiredThe comedian sat down with WIRED to talk about social media, AI, and getting laughs for impersonating Boston Dynamics’ robot dogs.
2026-09-22T10:00:00.000Z · 大模型,具身智能,OpenAI,文生图,办公效率,Transformer,扩散模型,强化学习,招聘HR,网络安全,榜单评测,开发者生态

腾讯混元发布Hy Image3.5 preview 支持文生图和图生图

CnBeta

9月22日，腾讯混元正式发布图像生成模型Hy Image3.5 preview，支持文生图、图生图及多轮对话创作。据官方介绍，该模型经腾讯内部数百名专业设计师GSB盲测，效果较Hy Image3.0提升30%，与Seedream 5.0 pro持平，略优于Nano-Banana Pro和Qwen-Image-3.0 Pro。

阅读全文
· 大模型,AI应用,阿里巴巴,腾讯,文生图,对话助手,设计创意,招聘HR,模型发布

WorkRally 首发接入Hy Image3.5 preview，为专业影视创作开放两周免费体验

雷锋网

9 月 22 日，腾讯混元正式发布 Hy Image3.5 preview。腾讯视频专业影视智能平台 WorkRally 首发接入该模型，即日起两周内向平台创作者免费开放，覆盖剧集分镜、影视物料、角色与场景设定等专业创作场景。

 

 

WorkRally 是腾讯视频推出的首款面向精品内容制作的工业级 AI 平台，覆盖从剧本解析、分镜生成、内容生产到资产管理与团队协作的完整链路，具备专家级 Agent、S+ 级影视动漫技能库与智能流水线三大核心能力，目前已形成 AI 漫剧、专业影视、精品动画三大版本。此次接入 Hy Image3.5 preview 后，模型能力可直接用于概念设计、剧集分镜与影视物料生成等环节，并与平台的资产管理、版本迭代能力打通。

 

创作者只需以微信或手机号注册登录 WorkRally，即可直接调用该模型。平台提供三条调用路径：在首页「无限画布」中由智能导演直接生成画面；或在新建画布后，于生图节点选择 Hy Image3.5 preview，对单个镜头进行反复精调；亦可通过剧集工作流，按剧本批量生成资产和分镜时调用。三条路径分别对应快速试验、单镜精修与整集量产，覆盖从概念设计到成片分镜的主要创作环节。

 

 

 

9 月 20 日在腾讯视频上线的真人出演 AI 精品剧《行镖》，由腾讯视频出品、比喻距离联合出品，采用真人实拍与 AI 生成相结合的制作方式，其中分镜生成、实拍素材与生成内容的融合、多版本镜头迭代等环节均在 WorkRally 上完成。

 

 

此次接入的 Hy Image3.5 preview 是一款高性价比的专业级生图模型，在数百名专业创作者的盲测显示，模型能力对比 Hy Image3.0 显著提升约 30%，支持文生图和图生图，单次最多可上传 5 张图作为参考，最高实现 2K 分辨率输出，在文本渲染与布局、真实感与风格表现力、编辑一致性等维度全面提升。成本方面，该模型腾讯云 API 2K 图像定价为 0.15 元／张图，且仅针对输出图片收费；免费体验期内，创作者在 WorkRally 上调用该模型不另行计费。

 

在 Hy Image3.5 preview 的研发过程中，WorkRally 产品和算法也同时参与了深度共建，针对剧集分镜、影视物料、角色与场景设定等WorkRally专业创作场景，从数据和专业评测等方面进行了定制化升级，推动了模型在美学表现、参考编辑一致性等方向的调优，使生成结果更贴合真实制作场景，从而更好满足WorkRally用户诉求。此外，基于新的基座模型，WorkRally同时自研了多个影视特色图像功能，包括多机位生图、图像重打光、光圈调整、视觉指代编辑等，垂类效果领先。

 

WorkRally 的能力建设来自腾讯视频自身的内容生产实践：“S+ 级影视动漫技能库沉淀了多年精品剧集与动漫制作的审美经验，智能流水线所要解决的生成不稳定、镜头逻辑断裂、资产零散等问题，均来自一线制作流程。AI 正深入创意开发、视觉预演、概念设计、风格探索、后期辅助、宣发素材生成等多个关键环节，将原来高门槛的技术能力逐步工具化、流程化；而真正决定内容长期价值的，仍然是人物、关系、世界观和情感连接。”Workrally产品负责人表示。

 

 

 

此外，出海 AI 创作工具 OnSolo也接入 Hy Image 3.5 并针对会员开放两周限免。OnSolo 主打海外短剧、动画、专业剧集及互动影游/FMV，支持从灵感到剧本、角色设定、分镜、成片的一站式生产；新模型进一步提升角色一致性、文字渲染与单元素精修，注册即可免费使用，会员无限量免费使用，降低个人与独立团队从创作到海外发行的门槛。


2026-09-22 06:05:00 · 大模型,AI应用,腾讯,文生图,Agent智能体,设计创意,模型评测,工业制造,传媒内容,模型发布,产品更新,开发者生态

腾讯、字节、阿里「会战」AI 办公之后：Agent 领域格局已变

极客公园

「这仗打错了，最多是白烧几十亿；但如果不打，可能是生死问题。」

这是创新工场联合首席执行官、管理合伙人汪华对大厂重金押注 AI 办公的判断。

2026 年的这个夏天，中国科技巨头发起了 Agent 时代第一场「战役」：豆包工作正式发布，TRAE、扣子团队整体并入豆包体系。更早的 7 月底，飞书产品团队并入豆包；另一边，腾讯的 WorkBuddy 已经跑出了千万月活，阿里也在整合自己的桌面 Agent、云端 Agent 和钉钉能力。

巨头为何会集体兴奋？AI 办公的背后他们在思考什么？在争夺什么？最近，极客公园邀请了汪华、Floatboat.ai 创始人兼 CEO 谭少卿一起来聊一聊。

今年初那场「小龙虾热」，本质上只是一场极客的自我狂欢。谭少卿说，「它是个过渡产品」，属于三类产品分层中的「极客产品」，从一开始就没打算走大众化路线。模型不够强、配置门槛高、Harness 不成熟，把普通用户挡在门外。

真正的转折发生在最近几个月。汪华认为，国产模型是最近才真正跨过了那道坎。GLM-5.3-Flash、DeepSeek-V4-Flash 这些模型不仅把指令遵循能力做上去了，更关键的是把成本打了下来。

现在，才是中国 Agent 爆发的真正原点。

这里面有一个反直觉的逻辑：移动互联网时代，千万月活根本不值得巨头兴师动众，但这次大厂已经开始了一场「大会战」。

汪华说，背后的驱动力是恐惧。年初 Claude Code 还没到千万月活时，ARR 就已经达到 200 亿美金了。这意味着，未来的高价值经济入口，可能不建立在高日活之上。法律、财务这类高价值的专业工作，一旦被 Agent 重新定义，丢掉的不是用户规模，而是整个赛道的船票。

除此之外，还有另一个因素是算力。C 端产品比如豆包，算力负担极重，只能用压缩的小模型，所以「有时觉得它智障」；而办公 Agent 恰好卡在一个理想区间，既能体现大模型真实能力，又不会因为用户规模过大导致算力扛不住，同时商业模式能跑通。

WorkBuddy 的火热，某种程度上是一场内部赛马的幸存者故事。「它是踩在众多失败项目的尸体上活下来的。」大厂采取的都是内部赛马策略，那些算力成本过高、商业模式不成立的项目自然死亡后，资源自动向幸存者倾斜。

巨头进新战场，常被认为自带优势。但这次不一样。汪华说，「巨头唯一的壁垒其实只有钱，而钱能兑换的仅仅是算力。过去积累的数据和用户，不会自动转化成新赛道的优势，庞大组织架构反而会极大抵消资金优势」。

虽然巨头已经下场，但汪华认为，中国创业者有一个很大优势，距离中国开源模型更近。「大家在一个圈子里，私下交流多，最懂怎么在这些开源模型上做微调、建生态，那就能相对于其他地方的创业者建立一些优势。」

进入 Agent 时代，巨头们都在争夺通往未来的船票。汪华说，「船票」其实只有两张：成为水电煤般的基础设施，以及掌握基础模型。至于用户平台层面的船票，很可能根本不存在了，因为 Agent 本质上「是一种能力、一种智力、一种计算形态」，而不是一个需要被圈养的平台。

谭少卿从产品实践里看到了更远的东西：当 Agent 具备主动性，甚至开始向 CTO、COO 的角色过渡时，连 WorkBuddy 这样的「工作台」形态，都可能只是过渡产品。「模型越聪明，其实越不需要WorkBuddy这种中间层。」

巨头们这一次冲进 AI 办公战场，多少带着一点恐惧：怕错过新入口，怕丢掉下一代生产力的船票。但有意思的是，他们在重兵投入的同时，也无意中完成了市场教育，让更多用户第一次真正理解，Agent 不只是聊天工具，而是能干活的生产力系统。

而创业公司并没有因此被挤到墙角。相反，在巨头照亮市场之后，它们反而看见了更多细分机会：更垂直的场景、更灵活的产品形态。

以下是极客公园创始人&总裁张鹏和汪华、谭少卿的对话内容，部分有删减。

Part 1：中国 Agent 的「ChatGPT 时刻」来了

张鹏：近期腾讯、字节、阿里等大厂在 AI 办公领域的动作非常密集。你们怎么看他们最近的系列动作？

汪华：我觉得这事特别好。有了大厂来推动，包括他们愿意补贴，才能真正开启中国 Agent 领域的「ChatGPT 时刻」。

之前大家用豆包、DeepSeek，体验的是 Chatbot 对话。国内真正用过 Agent 的普通人极少。年初虽然小龙虾火过一阵，但门槛太高，绝大多数人根本没有用起来。它本质上只是极客的狂欢，再加上一点好奇用户的外溢。

现在大厂把 Agent 包装得非常易用，把 PPT、绘画、办公等场景预设好了，花力气把它推给了至少千万用户，相当于给全市场做了一次 Agent 普及教育。除了教育层面，用的人多了，各种应用场景也会被开发出来。

跟今年上半年小龙虾那波相比，还有一个关键不同，是国产模型是最近才真正跨过了那道坎。倒退三个月，国产模型的指令遵循能力还不够。同时，GLM-5.3-Flash、DeepSeek-V4-Flash 这些 Flash 模型把成本打下来了。所以一切水到渠成。

大厂推动 Agent 普及，对创业公司同样是巨大的利好。如果没有大厂去教育市场，创业公司自己拓荒太难了。现在，才是中国 Agent 爆发的真正原点。

图片来源：视觉中国

张鹏：怎么理解从小龙虾到 WorkBuddy，中间的逻辑是什么？毕竟这是两个不同人群的产品？

汪华：小龙虾热的时候我们也聊过，结论是它太复杂了，没法直接给普通用户用。但那波热潮让所有人，尤其是年轻科技爱好者，第一次亲手摸到了科幻小说里的东西。

大家都想尝试，但最后卡在几个地方：一个是模型不够强，当时只有 Opus 4.6 能用但又慢又贵；二是配置门槛太高，普通人搞不定 Linux 环境；三是 Harness 也非常不成熟。

现在完全不同了。模型和 Harness 每一两个月就在飞跃，现在 Opus 4.6 已经被随便「吊打」。更关键的是，普通人需要的是云化，不用自己在本地配置，云端配好直接用。现在的 Codex、Claude Code、豆包工作，也都是帮用户在云端配置好，起码是一个手机或消费品级的体验。

从小龙虾到 WorkBuddy，在用户体验上有一个巨大差别：从极客的玩具，到手机 App、消费品。腾讯在这方面一直做得很好，他们始终把 WorkBuddy 当成一个用户级、消费级的 App 来开发，花了几个月时间就走到了今天这一步。

很多人认为这是创业公司的事，但并非如此。创业公司可以在海外做开源，但如果要做消费级、工业化的消费级产品，还得解决流量冷启动、数据积累这一整套问题，可能还是大厂，他们有流量、有资源。

张鹏：小龙虾火了之后，对你们有什么启发？怎么看现在巨头纷纷入场 AI 办公这件事？

谭少卿：我们做得比较早，去年 7 月就发现模型能力在长程任务上已经足够好。但面向普通知识工作者，市场上缺一个原生的「工作台」产品，所以我们就切入了这个方向。

小龙虾今年爆火的价值在于让大众第一次看到，Agent 可以后台 24 小时运行，发个任务就能跑，哪怕经常崩溃、又贵又慢。包括 ClaudeCowork 的发布，这对我们是特别好的事情，它证明了这个方向是可能的，我们第一轮融资就是在 ClaudeCowork 发布之后完成的，我们做的更早，跟它同天发布。

但我们判断当前的 Cowork 类的产品是过渡形态。因为 Cowork 本质上还是以人为中心，随着 Harness 价值的显现，Agent 长程能力越来越强，未来会过渡到以 Agent 为中心，产品形态、交互设计都会不一样。

张鹏：这对投资人的决策有影响吗？

谭少卿：之前从这个角度切入是反常识的，大家觉得这该是个通用赛道而不是垂直 Agent，而且软件演进路径是从软件到 SaaS 到 Agent，从桌面端切入好像是「开历史倒车」。但 ClaudeCowork 发布后，外界对这个路线开始有了认知。

我们把产品分成三类：极客产品、专家产品、大众产品。小龙虾属于极客产品，虽然我们一开始就没打算走这条路，但它让大众看到了可能性。

巨头入场，也是在帮我们教育市场。我们产品今年 1 月公测时，有用户抱怨积分用得太快。但当我们做用户访谈的时候问他任务满不满意，他说很满意，超出预期。再问干了什么工作，往往是实习生需要干半个月的工作量。当时只是没把价格锚定到生产力上，所以大家还是觉得贵。现在各类 Work 产品，让更多人知道了 Agent 真能解决问题，对我们是好事。

汪华：我特别希望这次巨头能教育中国用户交月费。以前，中国用户交月费不能超过 10 块钱，而美国用户为产品付费几十美金是常态，工作类甚至 50-100 美金。中国这么多年的免费模式，导致付费习惯一直起不来，而广告和交易支撑的商业模式，在商业模式上天生就有局限性，不是每种产品都适合这套逻辑。

张鹏：你认为到什么条件下，你会认为付费习惯基本建立起来了？

汪华：现在已经有很好的趋势了。虽然还是一小部分人，但程序员和专家用户，已经能坦然接受 68、98 元这个档位的月费。相比以前，这已经是巨大的进步。

中国用户以前的付费习惯，其实是被巨头抢用户的免费模式毁掉的。中国用户不是不爱付钱，你看 Steam 上 30% 都是中国玩家，巨头的生态是能培养习惯的。

现在大厂做 AI 办公，骨子里还是以前打用户量、算 ARPU、做入口的那套思维，并不是真正的「以 Agent 为中心」。唯一的好处是，因为 Agent 需要算力成本，他们没法再搞纯免费了，必须正儿八经推付费模式。这算是把以前毁掉的习惯又慢慢拉回来了。

谭少卿：确实如此。我们产品一开始主打海外，定价 40 美金一个月，没对国内外用户做价格区分。我们就是想验证，用户愿不愿意为好产品付比较高的价格。结果发现国内用户的付费习惯远超预期。有些重度用户一天甚至能充值两三千块钱，他们是真的把 Agent 当作生产力工具在用，而不是传统软件。

最近我们选了 DeepSeek-V4-Flash，跑了五个主流榜单，并且比官方的 Harness 评分更高。这证明 DeepSeek-V4-Flash 和 GLM 5.2 已经能驱动很复杂的长程任务，配合我们的 Harness 能做得多快好省，就能进入更多的生产力领域，因此推出一个便宜版本。从数据上看，巨头教育市场，对我们的付费率和留存反而都有明显的提升。

Part 2：WorkBuddy 是怎么踩着「尸体」跑出来的？

张鹏：从个人的视角，怎么看 WorkBuddy 这个产品？它是怎么演进的？

谭少卿：这类产品的交互逻辑，基本是从 Coding 场景演变过来的。进去先看到一个 Chat 面板，然后选一个项目文件夹开始工作。但大部分知识工作者的文件系统其实是半结构化的，不会把一份工作相关完全塞进一个文件夹，只有程序员才习惯把所有代码扔进一个目录下面。所以这个交互形态，没什么实质创新，只是把 Coding 的逻辑照搬过来。

真正让大厂资源开始发挥作用的转折点，是把 Skills（包括原来 GPTs 那种形态）包装成「专家」模式。这么做的好处是小白用户更容易理解。小白用户面对一个输入框可能完全不知道该干嘛，但「找个专家」这个概念他能秒懂。虽然这通常会拉低模型智能和 Harness 本身的表现，但也拉低了用户理解产品的门槛。一旦跨过这个门槛，巨头的运营和投放能力就能真正发挥作用。

在这个基础上，WorkBuddy 在易用性上确实做得稍好一点，比刚发布的飞书的豆包办公要更成熟些。

有意思的是，从几家产品官网就能看出各家的文化背景差异：WorkBuddy 官网做得很简单，甚至跟它现有的新版 UI 对不上，说明他们还在快速迭代；千问办公的用词和风格偏工程化，更贴近技术，更像是千问模型的一个管道；豆包办公则更年轻、更酷炫，内容呈现更靠前。这些细节背后其实是各家公司风格的直接投射。

张鹏：我们推导一下，为什么 WorkBuddy 是腾讯先做出来的？而不是字节或阿里？

汪华：实话说，我不知道。年初小龙虾那波热潮，其实是飞书吃到了最大的红利，他们当时也投入了很大精力做相关产品，但确实没跑出来。

其实大厂内部很多团队在赛马，字节有一批，腾讯也有一批，但字节这批没跑出来。

更关键的一点，可能是腾讯在模型选择上更开放。

字节的模型本身有点不够行，这在豆包这种对话式产品里其实无所谓，字节在交互体验上一直做得不错。可一旦到了办公场景，这背后是长程 Agent，对模型智能、指令遵循的要求会更高。而 WorkBuddy 可以自由选择模型，可以接入最好的生态。现在模型更新此起彼伏，「模型即产品」这一点在 Harness 时代依然成立，模型不行，前端交互做得再好，用户体验还是不行。

张鹏：可以选择不同的模型，现阶段是吸引用户的点吗？

谭少卿：坦白讲，对非专家用户来说，选模型这件事其实挺让人懵的。我们从产品早期到现在，一直保留让用户选模型的选项，核心原因是模型之间的差异依然非常大。日常办公用 DeepSeek-V4-Flash 确实又快又好，但如果追求极致效果，比如在 Coding 上，GPT、Claude、GLM 之间的差距依然很大。

只要产品还允许自选模型，就说明模型能力还没有收敛到一家独大。我们判断这会是个比较长期的状态。因为还有新的变量出来。目前，训练和蒸馏技术越来越成熟，任务越长越重要，Harness 越重要。比如很多用户反馈 Fable 5 在编程上不用提示词就特别强，但做非编程任务时会觉得智能下降了，就因为它模型的训练越来越多地对齐在自己的 Harness 上。同时，办公、Coding、世界模型，这几场仗都还没打完。模型厂也不是无限弹药的，专注于当前办公产品的资源其实也有限。

二是供给会越来越充足。大家都可以在基础模型上针对特定领域做后训练，通常都能比原始基模表现更好。我们也接触到一些还没在市面发布的基模，所以供给端只会越来越丰富。

另外，我们在产品协同上选择了和巨头完全不同的「分布式模式」。我们赌的是这次变革本身的特性：AI Agent 的能力不同于以往的技术，它能够根据用户的场景去自我编程、改进，从而让用户不必捆绑于具体的软件和 SaaS 平台。

现在数据其实是分布式的，大家并不关心文档是在飞书、Google Docs，还是存在本地，因为 Agent 全都能访问。所以这些边界被淡化掉了，用户的迁移成本也没那么高了。

正因为如此，分布式的供给才有了可能性。大量中小企业和个人用户，本来就没有谁真心愿意把数据锁死在一个平台上，他们更愿意让数据回归到自己手里。

同时，硬件端也出现了巨大变量。现在的 Mac 顶配电脑跑 27B 甚至 70B 的本地模型已经没问题。我们判断，未来很可能会重演早期 PC 时代的演进路径，算力供给将从中心化回归到个人终端。有可能到年底或明年年初，我们会看到消费级设备上也能跑出可以驱动 Agent 的能力。

张鹏：移动互联网时代，千万月活根本不值得巨头去打会战。为什么腾讯会重金加持？背后的战略思考是什么？

汪华：我觉得首先是恐惧。千万月活确实不多，但你要知道，年初 Claude Code 还没到千万月活时，ARR（年度经常性收入）就已经达到 200 亿美金了。

腾讯的逻辑大概是两点：第一，当年豆包出来，腾讯没重视，结果被做出了一个新入口，所以这次没有哪个巨头敢在一个东西还小的时候就轻视它；第二，大家都害怕未来的新经济形态，生产力、高价值的专业工作，比如法律、财务等，不一定建立在高日活上。如果这波没赶上，可能不是丢了用户规模，而是平白丢掉了高价值的经济入口。这仗打错了，最多是白烧几十亿；但如果不打，可能是生死问题。

而且对国内公司来说，现在算力已经没法像海外那样大规模投，美国那几家一年 CAPEX 就是 2000 亿美金级别。相比之下，国内打应用层的仗，真不算什么大的负担。

张鹏：这个视角很有意思。巨头需要把投资变成未来的资产和能力，否则护城河就会变矮或消失。那应用层是一个很好的选择？

汪华：而且办公场景还有一个巨大的好处：算力可控。

像豆包那种面向几亿 C 端用户的产品，算力负担极重，只能用压缩的小模型，所以大家有时觉得它「智障」。如果算力充裕，按照字节的秉性，肯定愿意给 C 端放开更强的模型，但现实是不允许的。

而办公 Agent 处于一个完美的平衡点：既能体现大模型的能力，又有实际价值和未来的高溢价空间，同时用户规模又不会像 C 端产品那样失控。加上它还能收点费，跑通商业模式，这确实是一个非常合适的战场。

我觉得并不是腾讯一开始就想得有多清楚。他们内部肯定有很多团队在

2026-09-16 06:39:11 · 大模型,算力芯片,AI应用,开源,融资,OpenAI,Google,Anthropic,字节跳动,阿里巴巴,腾讯,DeepSeek,智谱,文生图,代码生成,对话助手,Agent智能体,办公效率,设计创意,金融,教育学习,微调蒸馏,世界模型,提示工程,模型安全对齐,端侧AI,法律,工业制造,营销广告,招聘HR,基础设施,模型发布,产品更新,财报,榜单评测

卢伟冰谈小米18 Pro涨价：大家会觉得合理；剪映发布 Hub 及 AI 助手「小映」；苹果或 10 月推出智能家居设备｜极客早知道

极客公园

B 站上线 AI 无限竞技场测评榜：GPT-6 Astra 现居榜首

9 月 20 日，B 站宣布上线「AI 无限竞技场」大模型测评榜，并同步公布了首轮模型排行榜。据 B 站介绍，「AI 无限竞技场」是一个汇集了 B 站 UP 主 AI 大模型测评的竞技广场，由各领域 UP 主对上百个大模型的真实场景实测构成，涵盖代码、推理、协作、知识等多种测评主题。

其中 GPT-6 Astra 在 10 个 UP 主测评中拿下榜首，打败 GLM-5.3 获得榜首次数冠军；前 5 名中，国产大模型占据 3 席。

不同于传统跑分评测，B 站 AI 无限竞技场不设主题或测评维度限制，来自各个分区的 UP 主们以真实工作流、专业应用、趣味脑洞等自主命题，在同题 PK 中直观呈现各模型的实际表现差异。

榜单涵盖 DeepSeek、Kimi、ChatGPT、Claude、Gemini、豆包、千问、Hy、MiniMax 等主流模型对比测评，排名实时更新，持续面向全站 UP 主开放报名。（来源：ITBears）

iPhone 18 Pro 上市首日出现死机问题，苹果回应正调查

9 月 20 日，据 CNMO 科技从韩媒获悉，苹果新款手机 iPhone 18 Pro 系列被曝出现设备突然关机后自动重启的「Panic Full」现象，反映相关问题的用户接连不断。

据业内人士 9 月 20 日透露，在拥有约 241 万会员的 iPhone 用户社区「阿沙莫」中，接连出现 iPhone 18 Pro 和 iPhone 18 Pro Max 遭遇 Panic Full 现象的帖子。Panic Full 现象是指iPhone设备停止响应后自动关机并意外重新开机的现象。

一名用户称，在进入需要 Face ID 认证的银行应用或照片应用「最近删除」项目后，反复使 Face ID 识别失败，即可重现设备关机现象。该用户表示，用手遮住 Face ID 传感器部分尝试认证，反复进行放手再遮挡的操作后，屏幕出现「请重试」提示，随后设备即自动重启。该用户称经多次测试，同一现象反复出现。

科技 YouTube 频道「ZUYONI」也表示，在收到 iPhone 18 Pro 用户举报后检查了正在使用的产品，确认发生了 Panic Full。该频道称，日常使用中尚未遇到，但在特定情况下 iPhone 会出现重启现象，在相册回收站查看或金融应用 Face ID 识别失败后立即重试再次失败时，Panic Full 便会发生并导致关机。（来源：CNMO）

 

Anthropic 计划将 IPO 推迟至 11 月，上市估值约 2 万亿美元

9 月 20 日，据《华尔街日报》报道，Anthropic 计划将首次公开募股（IPO）推迟至 11 月进行，晚于许多投资者此前预期的 10 月。

知情人士透露，部分 Anthropic 顾问认为，推迟至 11 月可以让公司有时间展示第三季度财务数据，以证明其竞争地位。知情人士表示，将 IPO 目标定在 11 月的决定是在 Anthropic 前研究员发出公开警告、引发关于 AI 发展速度是否过快辩论之前作出的。这一时间安排仍可能发生变化。

投资者此前预计 Anthropic 上市估值约为 2 万亿美元（现汇率约合 13.44 万亿元人民币），募资额最高可达 1,000 亿美元（现汇率约合 6,721.85 亿元人民币），两项数据均将超越 SpaceX 在今年 6 月创下的纪录。

Anthropic 正考虑推出一款新的人工智能（AI）模型，以应对 OpenAI 自发布 GPT-6 Astra 以来所形成的势头。根据企业支出管理平台 Ramp 的最新数据，GPT-6 Astra 约占该平台追踪的企业 AI 支出的 13%，Anthropic 旗下 Claude Fable 则约占 8%。这引起了一些原本有意投资 Anthropic 的投资者的担忧。 （来源：IT 之家）

 

英伟达黄仁勋驳斥 AI 末日叙事：吓唬人不负责任，部分人士意在摆脱现有法律约束

9 月 21，英伟达联合创始人兼首席执行官黄仁勋昨日接受 CBS News 采访时表示，他不认同某些研究员提出的「AI 可能在几年内灭绝人类」说法。他觉得这类说法是 AI 末日叙事，已经被过度渲染。

黄仁勋表示：「2030 年不会是世界末日，2030 年即是世界末日的可能性为 0%。吓唬人不负责任，也没有必要。」

据悉，黄仁勋此番言论是在回应前 Anthropic 研究员雅各布 · 考克森的看法。这名研究员此前表示，Anthropic 和 OpenAI 两家公司的做法都不负责任。它们争相开发能够自我改进的超级智能，拿人类生命做赌注。

黄仁勋表示：「我们公司的成功与产品服务、安全部署息息相关。如果我们不能持续保持安全，我们的价值就会降低。」他认为，美国现有产品责任法以及针对未授权侵入网络的法律已经足够完善，因此没有必要再立法监管 AI 开发商。他还表示，自己赞同美国总统的观点，即 AI 行业不需要额外监管措施。

「网络安全和损害责任法律已经涵盖了各种情况，首先就应该执行这些法条。不要让末日叙事，成为某些人摆脱现有法律约束的理由。」（来源：IT 之家）

卢伟冰谈小米 18 Pro 系列手机定价：是会涨，但相信大家会觉得合理

9 月 20 日消息，小米 18 Pro 系列手机官宣 9 月 23 日 19:00 发布。有网友表示，现在小米 17 Pro 是 5699（元起），今年小米 18 Pro 这配置还得涨多少？

小米集团合伙人、总裁，手机部总裁，小米品牌总经理卢伟冰下午回应称：「是会涨，但相信大家会觉得合理。」

卢伟冰此前发文表示，「这是小米数字旗舰系列，升级幅度最大的一次。性能、背屏、屏幕、影像四大核心体验，全面大升级。」

小米 18 Pro 系列手机官宣搭载 2nm 旗舰移动平台、徕卡双 2 亿超清影像系统、新一代超级像素屏幕（全新 M11 发光体系）、0.99mm 极窄边屏幕设计、32% 超高硅小米金沙江电池。

其中，小米 18 Pro 搭载 7000mAh 金沙江电池，小米 18 Pro Max 搭载 8500mAh 金沙江电池。（来源：IT 之家）

 

京东汽车与张雪机车达成战略合作：在京东下单送装一体，带一公升汽油上门

9 月 20 日，第二十四届中国国际摩托车博览会在重庆开幕。京东汽车与张雪机车宣布达成战略合作，上线京东自营旗舰店，推出送车上门服务。

据都市现场报道，京东汽车摩托车业务负责人邢洪梅接受采访时表示，把重点放在如何把摩托车送到用户家里，「在京东下单张雪机车，送装一体，带一公升汽油上门」。

所谓「送装一体」，即用户下单后，物流师傅与上门技师一同到户，现场送货、安装、组装，用户确认满意后再离开。邢洪梅特别提到「带油运输」，通过专业防爆罐随车供油，解决新车到户后无油、需手动推到加油站的问题。「直接把油带到消费者家里、加满，收到就能骑。」邢洪梅说道。

「消费者下一台摩托车订单，背后承载的东西非常多。」邢洪梅表示，整车配送依靠京东物流能力，可覆盖市县、乡镇及区县；摩托车安装、组装则由京东到家技师团队完成。

邢洪梅还表示，带油、送装、上门维修等服务均有成本，目前由京东承担，相当于在售后服务环节给用户让利。张雪机车创始人张雪近日透露，夺冠后摩托车热销，原计划 2026 年产量为 5~6 万台，已提前在 8 月完成，预计到年末能完成 10 万台产量。（来源：IT 之家）

 

西贝起诉罗永浩即将开庭，「理记」质疑其借野人事件重塑舆论形象

9 月 20 日，微博大 V「理记」发文透露：「西贝已对罗永浩提起诉讼，案件即将开庭。」。

他进一步分析指出，罗永浩近期就「野人先生」事件发声，实为一石二鸟之举：一方面与钟薛高品牌近期复出形成话题联动；另一方面试图通过淡化自身角色，将公众认知导向「我只是普通消费者表达吐槽」的叙事框架，以重构历史语境。（来源：DoNews）

 

马斯克预言：AI 将使明年美国 GDP 增速翻番达到 4%

9 月 20 日，马斯克预言，人工智能（AI）将大幅加速美国经济增长，他认为人工智能明年可能会使美国经济增长率从大约 2% 翻一番，达到 4%。不过，主流经济预测对 AI 拉动增长仍偏悲观。（来源：财联社）

苹果最早将于下月推出智能家居屏幕设备

9 月 20 日，知名科技记者马克·古尔曼撰文称，苹果预计最早将于下月推出智能家居屏幕设备。这款产品将成为特努斯执掌苹果初期最受期待的发布之一，将整合所有联网设备控制、视频通话、对讲功能和媒体内容，同时让用户访问苹果服务和应用。

设备内部代号为 J490，将搭载一套围绕 Siri AI 打造的新操作系统，目前正在苹果员工家庭中进行广泛测试。设备屏幕大约呈方形，可以放置在底座上，外观类似于被切成两半的 HomePod mini，也可以安装在墙上。设备的一项主要功能是通过前置摄像头系统实现面部识别，并根据用户身份个性化显示内容。苹果能够在没有 Face ID 级深度传感器的情况下实现这一功能，说明未来可能也能在 iPhone Duo 上实现面部识别（目前依赖 Touch ID），而无需传统面部识别所需要的物理空间。（来源：格隆汇）

 

剪映发布 Hub 及 AI 助手「小映」，覆盖脚本、素材生成和视频剪辑

9 月 20 日，剪映在「AI 新创作发布会」上推出一站式创作工作台剪映 Hub、智能创作 Agent「剪映助手」及移动端 AI 助手「小映」，并上线新的 AI Ultra 会员订阅方案。

剪映 Hub 由无限画布和多轨道编辑器组成。用户可以从一句话、参考视频或文档开始整理思路、生成脚本，并调用即梦、小云雀等平台生成图片、视频和音频素材，随后在多轨道编辑器中继续调整。剪映助手则可通过对话完成素材整理、口播删减、字幕纠错和视频包装，并支持创作者自定义 Skills。

移动端的「小映」可以根据用户提供的文字需求和素材，调用图片、视频、音乐及 AI 生成功能制作可继续修改的初版视频；商家也可上传商品图片，由其提炼卖点并生成不同平台的营销素材。

剪映还升级了「剪同款」功能，用户可通过自然语言修改模板内容和情节。剪映表示，目前每年约投入 1.5 亿元用于创作者激励，并将推出模板作者 AI 助手及「剪映创作合伙人」计划。（来源：雷锋网）

 

稚晖君发布启元 Q1 和 T1 人形机器人：外壳随心改换、人形四足秒切换，首发接入腾讯 WorkBuddy

9 月 20 日，在 2026 启元机器人全球产品发布会上，启元机器人发布启元 Q1、启元 T1 两款人形机器人。

据上纬新材料科技股份有限公司董事长、智元机器人联合创始人兼首席技术官彭志辉（稚晖君）介绍，启元 Q1 主打自定义特性，支持自定义设计互动动作、3D 打印改造外观，用户可自由调整机器人的外观造型、性格特质、动作姿态与语音音色。

启元机器人是上纬新材旗下品牌上纬启元推出的消费级人形机器人品牌，2025 年底，稚晖君宣布公司以该品牌进入个人机器人领域。（来源：IT 之家）

 

阿里千问开源 Qwen-Image-2.1 图像模型：可生成、编辑透明图像，支持最多 10 张参考图

9 月 20 日，阿里千问宣布，开源千问图像系列当前兼顾生成效果、推理效率与使用成本的开源图像模型 Qwen-Image-2.1。

Qwen-Image-2.1 将文生图与图像编辑整合在同一模型中，视觉生成部分仅有 7B 参数，并原生支持透明图像的生成与编辑。

官方表示，本次更新的主要特色包括四个方面：

  • 小模强效，极致价比：轻量的模型结构与推理优化，在生成质量和计算成本之间取得平衡。

  • 原生透明，创改一体：根据提示词生成普通图像或透明图像，并支持透明图层编辑与抠图。

  • 全能编辑，多局保全：支持最多 10 张参考图，增强局部编辑、人像与商品保真，并覆盖多种编辑任务。

  • 真实质感，字雅人美：提升文字排版、人物光影与细节表现，让生成结果更具美感。（来源：IT 之家）

FBI 局长称该局 AI 使用量增长 605%，拦截多起枪击案

9 月 20 日，美国联邦调查局局长卡什・帕特尔近日在接受福克斯新闻采访时表示，在其推动下，FBI 对人工智能技术的使用量增长了 605%。他称，AI 可用于筛选和分类数据，并曾帮助调查人员跟进线索，阻止北卡罗来纳州及另外六个州发生枪击事件。

不过，帕特尔并未解释 605%的统计对象和计算方式，也未披露相关枪击事件的具体情况，目前缺少公开数据对上述说法进行独立验证。

美国司法部今年 2 月公布的 2025 年度 AI 应用清单显示，FBI 当时共有 50 个 AI 应用案例，其中 9 个被列为「高影响力项目」。FBI 首席人工智能官凯蒂・诺伊斯今年 8 月表示，该局获批使用的 AI 项目已增至 139个。FBI 此前还发布采购文件，计划投入 8800 万美元购买 AI 服务器。

帕特尔此前介绍，FBI 已使用 AI 转写通话录音、生成摘要、梳理人员关系并关联报案线索，同时将人脸识别等技术用于寻找失踪儿童和调查虐童案件。（来源：IT 之家）

2026-09-21 01:01:53 · 大模型,算力芯片,AI应用,具身智能,开源,融资,政策监管,OpenAI,Google,Anthropic,NVIDIA,字节跳动,阿里巴巴,腾讯,DeepSeek,xAI,月之暗面,智谱,小米,京东,文生图,文生视频,语音音频,对话助手,Agent智能体,推理思考,办公效率,翻译字幕,设计创意,金融,模型评测,提示工程,法律,传媒内容,营销广告,物流供应链,AI for Science,招聘HR,网络安全,模型发布,产品更新,合作,财报,版权诉讼,榜单评测

AI短剧征集倒计时：申报者想讲钟馗、科幻、历史，更想“定义标准”

澎湃新闻
· 算力芯片,AI应用,融资,政策监管,百度,商汤,文生图,对话助手,办公效率,翻译字幕,设计创意,工业制造,传媒内容,AI for Science,招聘HR,模型发布,合作,版权诉讼
AI 资讯

Do you use :visited on links?

Lobsters

Comments

· 文生图,招聘HR
AI 资讯

Gradient-estimator design overcomes trainability barriers in neural-network-based variational optimization

arXiv cs.LGarXiv:2609.22342v1 Announce Type: cross Abstract: Neural networks provide expressive representations for scientific computing. However, even sufficiently expressive networks can suffer training failure in weak-gradient regimes, limiting their practical use in quantum many-body physics and ab initio quantum chemistry. Here we derive an unbiased direct gradient estimator and introduce the adaptive minimum-variance phase (AMVP) estimator for neural-network variational optimization. By improving the signal-to-noise ratio of weak gradients, these methods enable reliable scientific calculations where training previously failed, while substantially reducing computational cost. The framework enables compact networks to outperform larger and fine-tuned default standard-estimator models with over an order of magnitude less GPU time on correlated flux models, and ultimately exceed the density matrix renormalization group (DMRG) accuracy. It further achieves chemical accuracy in N$_2$ bond breaking and, for the first time, in heavy-element I$_2$ with explicit spin-orbit coupling. These results demonstrate that gradient-estimator design expands the capabilities of neural-network variational methods for accurate scientific computing.
2026-09-22 04:00:00 · 算力芯片,文生图,微调蒸馏,论文
继续滚动加载更多…