🔥 精选推荐
[AINews] Kimi K3 2.8T-A50B: the largest open model ever released; Opus 4.8-class at Sonnet 5 pricing
Kimi K3 上线首日就在 Arena 前端代码榜登顶——1679 分，把 Fable 5（1631）和 GPT-5.6 Sol（1618）甩在身后，从 K2.6 的第 18 名一跃到第 1，7 个前端子项里拿了 6 个第一，配对胜率 76%。Artificial Analysis 智能指数给 57 分，与 Opus 4.8、GPT-5.5 同档，仍落后 Fable 5 和 Sol。2.8T 总参、约 50B 激活、1M 上下文、原生多模态，用 Kimi Delta Attention（KDA）和 Attention Residuals 撑长上下文，官方承诺 7 月 27 日前开源权重，届时将是史上最大开源模型。Moonshot 自己也承认在用户体验上跟 Fable 5、Sol 仍有"明显差距"。
🦐点评：前端榜第一比智能指数第三更值得琢磨——但方向是反的。前端是"最好传播"的能力，模型靠漂亮网站、炫酷 shader 最容易在网上刷到好评（今天 Twitter 上 emollick 正好在说 frontendmaxxing 会变成新的谄媚）。所以 K3 拿前端第一，市场记住的是它，但真正决定它能不能吃到白领 DAU 的，恰恰是那些不上榜的判断力活——营销、长文写作、独立思考。对 VC 的实操是：别拿前端 demo 给国产开源定价，去看它在"有品味"任务上的账单，那才是 K3 能不能从程序员小圈子破圈的分水岭。
美股 IPO 上半年募资已逼近 2021 全年 1424 亿美元的纪录，924 亿来自 VC-backed，但二级市场表现拉胯——过去一年 10 家最大 VC-backed IPO 里只有 2 家还在发行价上方。SpaceX 750 亿美元史上最大 IPO 独占大头，股价却已连跌两周、跌破发行价，且锁定期临近；Cerebras 上市两天冲到 386 美元、随后腰斩到 178。Discord、Kraken 已秘密递表但因市场不确定撤回，Vercel、Lambda、Nscale 都在观望，若上市多半要等 Q3 末或 Q4。文中还提到 AI 监管正形成"需要新规"的共识、Greylock 新募 15 亿、Databricks 正以 1880 亿估值募 Series M。
🦐点评：首日大涨、之后阴跌，这个组合最伤的是 GP 的 DPI 叙事。SpaceX 跌破发行价、锁定期还没到，说明一级给 AI/国防的定价已经透支了二级的接盘意愿——一旦 SpaceX、OpenAI、Anthropic 这三个巨无霸真去 IPO，它们会把中小盘的流动性一起抽干（General Atlantic 已经在建议只做 7.5 亿至 10 亿以上的大单）。对手握大量 AI 账面浮盈的基金，信号很明确：退出窗口是"大票优先、且首日之后就凉"，想靠中小 portfolio IPO 兑现的，窗口可能 Q4 就关。至于 Databricks 从 2017 年 D 轮拖到今天的 Series M（今天 vasuman 那条推正好在吐槽），连最优质的标的都在被迫用私募续命，才是这轮堰塞最真实的注脚。
软件股的抛售不是无差别血洗，而是市场在给"AI 防御力"定价——SaaS 的未来十二个月自由现金流倍数已跌到 2014 年以来最低，等于投资者给软件现金流的溢价创十年新低。但分化极大：过去 30 天 IGV 里 top 四分位和中位数都跑赢 ETF，被拖累的是底部四分位（含几家最大的公司），头尾差出约 50 个百分点。收入增速和股价表现几乎不相关，真正被定价的是"长期可持续性"——跑赢的集中在网络安全/可观测性和垂直 SaaS，跑输的是横向 SaaS、云基础设施，以及 marketplace、adtech、point solution 这类"其他"。
🦐点评：市场已经替 VC 把 SaaS 做了一次"AI 可颠覆性"压力测试，结论很干脆：护城河要么是信任（cyber 的合规/审计惯性、老牌的信任溢价），要么是嵌进工作流的专有数据（垂直 SaaS），横向通用工具首当其冲。这对早期投资的直接含义是，"通用 + 好用"从加分项变成了风险标签，尽调里"这活一个 agent 几周能不能复刻"要成为默认必答题。但反过来看，现金流倍数已跌到 2014 年水平，意味着如果 AI 颠覆没有想象中那么快，横向 SaaS 里被错杀的那批会是最便宜的反向标的——市场现在预支的是一个连 a16z 自己都承认"证据还很薄"的未来。
IBM 股价经历了 115 年上市史上最惨一天，导火索是主机（mainframe）业务和其上软件的销售下滑。Ben Thompson 的判断是：管理层把锅甩给"客户把预算挪去买 AI"，但真正的威胁是 AI 有能力把那些跑在古董技术上的关键后端程序移植出来——那样这些销售就永远回不来了。本周 Stratechery 还覆盖了 OpenAI 把 Codex 重塑成新 ChatGPT 的战略、苹果起诉 OpenAI（看着更像发泄而非实锤），以及 Netflix 模仿 YouTube 后"泯然众人"的困境。
🦐点评：主机被 AI 移植掉，是"AI 侵蚀存量护城河"里最硬的一个案例。IBM 的客户群半个世纪没怎么变，靠的正是迁移成本高到没人敢动——而 AI 恰好把"读懂并重写祖传代码"的成本打了下来，护城河的水是被抽干的，不是被填平的。这条逻辑可以直接套到任何靠"迁移太痛所以锁定"吃饭的公司：核心银行系统、ERP、老旧医疗 IT。对 VC 是两面下注——做"AI 迁移/现代化"工具的公司是明确的做多方向；而 portfolio 里任何靠 legacy lock-in 收租的资产，估值假设该重估了。IBM 单日史上最惨跌幅，是市场第一次给这个逻辑标价。
📌 其他新闻
OpenAI 上周"超级 App"更新把 ChatGPT 聊天功能塞进侧边栏、首屏换成让人困惑的 ChatGPT Work（其实是对标 Claude Cowork 的产品），一周后紧急回滚——聊天框、Projects、Recents、临时对话都回来了。Siegler 说这是一次明显的自摆乌龙，但也承认 OpenAI 认错和纠错都够快。
谷歌用尽上诉、被迫缴纳欧盟就 Android 反垄断案开出的 47 亿美元（约 41 亿欧元）创纪录罚单。这是欧盟对大型科技公司入口支配地位约束的又一次落槌，也为后续 AI 分发入口的监管定下了基调。
Roblox 推出移动优先的 AI 创作标签页 Build，以及 Studio 内一套面向各层级创作者的 agentic 工具，7 月 28 日起测试，面向平台 1.32 亿日活用户，让不会编程的人用自然语言把游戏点子做出来。"人人都能做游戏"从口号往 AI 落地又推进了一步。
英伟达和 Hugging Face 联手把生产级、分布式的扩散模型训练带到 Hub 上任意 Diffusers 格式模型，无需转换权重或改写模型，覆盖 FLUX、Wan 2.1、HunyuanVideo 等。视频/图像模型的微调正在从手工作坊变成有标准工具链的规模化流程。
全身多模态触觉方案公司模感科技（MoSense）完成数千万元天使轮，红杉中国、高瓴创投、智元机器人共同下注，公司成立仅一个月。人形机器人从展示走向工业、物流、家庭等真实作业时，负责感知接触/受力/摩擦的触觉正成为落地瓶颈，也成了资本新的卡位点。
36氪发布 2026 年最受投资人关注的 AI/具身智能企业 50 强榜单，背景是具身智能从早期技术探索进入产业验证的深水区。对想快速扫描国内一级市场热度分布的投资人，是一份现成的坐标。
面壁智能开源了数字员工框架 StaffDeck，尝试把 AI agent 纳入企业的工号、岗位和绩效体系。把 agent 当"员工"来管理，是国内厂商推动 agent 从工具走向组织化落地的一种打法。
🧠 AI 技术前沿
Kimi K3 是最强开源模型：全球首个 3T（2.8T）级、1M 上下文、原生多模态，权重 7 月 27 日前开放。整体仅弱于 Fable 5 和 GPT-5.6 Sol，在 Arena 前端代码榜以 1679 分排第一，超过 Fable 5 的 1631 和 Sol 的 1618。
查看推文 →
前沿实验室在 6 周内从 2 家变成 6 家——除了 OpenAI 和 Anthropic，还有 Z AI、Moonshot、Meta 和 SpaceX；近前沿智能在 8 天里又便宜了 2-3 倍。他说哪怕你只爱用 Claude/Codex，这种竞争也该让你高兴。
查看推文 →
中国开源模型现在非常强，他越来越好奇它们变成巨型且值钱的生意之后的竞争格局：K3 强过 GLM-5.2，后者又赢了 DeepSeek v4。竞争如此激烈，它们能全都留在牌桌上吗？
查看推文 →
他在盯英国政府 AI 安全机构的一个基准——等 K3 权重几周后放出，他们会实测。结果既能告诉我们 K3 有没有追平公开前沿，也会引爆一大波关于网络攻防能力的讨论。
查看推文 →
拆解 Cursor 的「Recursive Model Improvement」：用外循环（上线后真实用户反馈、在线指标、A/B）加内循环（造更难的 RL 环境、改训练方法）系统性自动化 AI 研究，并提到与 SpaceXAI 联合训练 Grok 4.5。
查看推文 →
Claude Code 是现在唯一需要的 harness——不是因为纯性能最强，而是编排其他模型的能力强。他把 GPT-5.6 Sol 和 Kimi K3 跑在里面，表现都比在各自原生 harness 里更好。
查看推文 →
🚀 创业动态
想象 2017 年 D 轮加入 Databricks、以为 IPO 近在眼前，结果 9 年后等来的是 Series M。一句话点破当下一级市场的退出堰塞。
查看推文 →
他的项目 Thumio 已经攒了 30 多万行有价值的代码，他打算把这批代码拆出来，做成一个面向"任何场景下做设计"的独立软件产品，而不只是做缩略图。
查看推文 →
他用 Codex 帮老婆下载封闭的视频号视频并自动配字幕，8-10 分钟搞定，顺势"忽悠"老婆众筹了自己每月 200 美元订阅里的一半。AI 工具正从生产力渗进家庭日常。
查看推文 →
他开源了一套 Agent Skill「infocard-skills」，让 AI 读入任意文字后自动判断信息密度、挑版式，按现代杂志与瑞士国际主义风格产出定版 HTML 信息卡再渲染成图，内置六步流程和质量红线。
查看推文 →
现在的 AI 产品已经能让客户自带模型、接入自己的 provider key、按成本/性能/能力自动路由请求，而不再需要一整个团队来管模型。他对这种"模型即插即用"的方向感到兴奋。
查看推文 →
他用自己的 V3 工作流做了一条 100% 由 AI 生成的视频，不到 10 分钟完成，并说这套方法能给任何产品做出类似的口播视频。
查看推文 →
💬 观点与洞察
美国以"太危险"为由限制本国 AI 模型，中国就造出更好的中国模型，然后所有人都转投中国模型。他说限制模型大概行不通——对美国本来更划算的是让大家都用美国模型以便监控，如今反倒变成中国在监控所有人。
查看推文 →
美国和英国明显把闭源实验室今天发布的模型视为真实的网络安全风险（也包括攻击能力），有意思的是中国似乎并不这么认为。
查看推文 →
他仍然震惊于：12 个月前大多数工程师还在手写代码，现在大多数代码是 AI 生成的。让人不禁想，今天习以为常的事，明年又有哪些会消失。
查看推文 →
他引用 Karpathy 的说法：以前没有代码能凭一堆事实自动建知识库，LLM 可以，这种能力此前从不存在。但他愿意押注那些"发个 agent 团队就号称公司能自动驾驶"的融资故事几乎都会失败——一个每天醒来都不记得昨天决策的 agent，只会永远产出同样平庸的东西。
查看推文 →
"想跟上 AI 最新进展，你得先失业"——大多数人的 AI 配置停在第一次搭好的那个月。他说这不怪你、也不是你懒，每周都有新模型、新方法、新炸弹，而其中绝大多数其实是噪音。
查看推文 →
🔥 精选推荐
字节新一代豆包手机放弃了"读屏 + 模拟点击"（GUI）去硬操作微信、淘宝、支付宝这些超级 App——只有对方主动提供 MCP 服务、开放数据和操控权，豆包才接入。备货量从 3 万台提到数十万台，7 月 15 日豆包手机助手还拿到了生成式 AI 服务备案。去年 12 月预览版一度能动嘴点外卖、打《王者荣耀》，但很快被微信、淘宝、支付宝、各银行 App 封禁，字节随即下线。晚点点出核心：AI 能怎么操控手机，不是技术问题，也主要不是隐私问题，而是应用、操作系统、手机厂商三方的权力关系——连苹果都放弃了 SiriKit 读屏、改用需授权的 App Intents。
🦐点评：GUI 路线被封杀、MCP 路线被扶正，这条分界线决定了一大批"手机 agent""屏幕操作 agent"创业公司的生死。押注"AI 像人一样点屏幕、绕过接口"的公司（computer-use / GUI-agent 是过去一年的热门赛道）在中国 C 端基本被判了死缓——超级 App 的入口主权和风控不可能让渡。机会转移到两头：帮超级 App 把服务封装成 MCP / App Intents 的中间层，以及掌握系统权限的手机厂商自己的 agent。备货从 3 万到数十万看着是放量，实则是字节承认"纯技术 demo 卖不动、必须先跟生态谈妥"——这也解释了阿里千问、微信小微为什么都在自建 agent 而不开放给别人操作。谁控制入口，谁定义 agent 经济的抽成规则。
前 Google DeepMind 研究员 Andrew Dai 创办的视觉 AI 公司 Elorian，产品还没发布就拿到 5500 万美元种子轮、投后估值 3 亿美元，英伟达和 Menlo 领投，官网只有一份宣言和招聘入口。更关键的是他拒掉了估值更高的报价，选了"懂前沿 AI 开发规律"的战略投资方。Dai 的判断是：模型在数学、编程上突飞猛进，唯独视觉理解与视觉推理进展极不均衡，而这条线的下游正是机器人、computer-use agent 和工业设计。文章把它和 Thinking Machines 120 亿美元种子轮并列，指出一个"按简历定价"的新体系正在成形——定价的锚不是收入、产品甚至 demo，而是候选人所在实验室的层级和署名过的工作。
🦐点评："按简历定价"这个提法值得所有早期基金收进话术库，但真正的操作信号是 Dai 主动压低估值这个动作——在一个人才溢价失控的市场里，克制反而是最强的质量信号：定在 3 亿而不是更高，等于给下一轮留出了不倒挂的空间，也反向筛掉了只会抬价的财务投资人。这给了 VC 一个反直觉的尽调点：面对明星研究员创业，愿意"要低价"的创始人可能比接受最高报价的更懂长期博弈。另一条线更硬——英伟达出手从来不投当下收入，是提前锁定未来的算力消耗大户，它同时押 Elorian（视觉推理）和 Thinking Machines（Inkling），等于在赌"语言之后的下一个烧卡方向"。视觉推理这条被语言模型抢光注意力的线，可能正是被错杀的估值洼地，但风险同样在此：简历定价走向标准还是泡沫，两三年后要靠产品来还账。
OPPO 小布委托支付宝阿宝跨端办事、阶跃 STEPX 也接了同款合作，背后是一个行业真问题：agent 之间除了对话还能怎么共事？作者给出的判断是，一个 agent 互联方案只看三问——身份怎么算、钱怎么算、责任怎么算。谷歌 25 年 4 月的 A2A 协议首发拉了 50 多家、两个月捐给 Linux 基金会，但一年过去几乎没落地，因为它能"握手"却没定义支付和担责。支付宝阿宝一开始也想学 A2A 做云端互联，卡在身份无法确认、登录态无法内嵌、防蒸馏无解三处，最后改走"端侧互联"：同一台手机上两个 App 的 agent 直接进程通信，不搞账号互通、支付留在自家 App、授权下单支付三个节点永远用户本人点头。
🦐点评：这篇把"agent 协作"从技术协议问题还原成了商业信任问题，值得投 agent 基础设施的人反复读。A2A、MCP 这类开放协议解决的是"能不能握手"，真正卡住落地的是"算不算得清账"——身份、支付、责任任何一个悬空，商业闭环就不成立。支付宝的"端侧互联"是个很中国式的解法：不去解决那三个难题，而是把架构改到让它们不存在（各认各的登录态、钱不过协议层、责任全甩给用户点头）。这意味着 agent 互联短期内不会跑出一个统一的开放标准赢家，反而是掌握了支付 + 服务生态的超级节点（支付宝阿宝）会成为事实上的枢纽——A2A 的理想主义输给了支付宝的家底。对创业公司的启示很冷：做纯 agent 互联协议/中间件的，商业价值可能远不如想象，因为价值最终沉淀在有身份、有钱包、有服务供给的那一端。
这条最硬的数字来自桥水基金的背书：双方研究员基于一个现有开源模型注入桥水的金融专业知识再训练，最终在金融推理测试拿到 84.7%、超过顶级专有模型，运行成本约为后者的十四分之一（但为双方自评、无第三方验证）。Inkling 是 Mira Murati 的 Thinking Machines 首个自研开放权重模型，9750 亿总参、约 410 亿激活，45 万亿多模态 token 训练，定位是给企业在自家 Tinker 平台上微调的"起点而非成品"。公司强调从技术到里程碑只用了约 9 个月（OpenAI 约 5 年、Anthropic 约 3 年），并承认预训练后期曾用 Kimi K2.5 等开源模型生成部分后训练数据。
🦐点评：十四分之一的成本差哪怕只有一半为真，动摇的都是 OpenAI/Anthropic 按量收费这套商业模式的地基。纳德拉那句"用专有模型的企业付了双重代价——订阅费加上把业务知识拱手让给对方模型"，配上桥水这个案例，正在把"开放权重 + 自托管"从"便宜的替代品"重新定义成"数据主权刚需"——这跟昨天 HF 安全事件里"防守方被自己付费的模型拒之门外"是同一个信号的两面。对 VC 的判断是：模型层的价值正从"谁最强"转向"谁掌握定制入口"，Thinking Machines 赌的不是 Inkling 值钱（权重一开源就没人给它付运行费），而是 Tinker 微调平台能收到税。真正要盯的风险是这个 84.7% 是自评——今后用"超过专有模型且便宜 14 倍"融资的公司会越来越多，尽调时"谁验证的"这一问比分数本身更重要。
蚂蚁旗下灵波科技几乎把"世界模型"现有所有流派做了个遍——VLA 2.0/Vision 1.0/VA 2.0 对标英伟达 Cosmos 的物理 AI、Video 1.0 是具身专供的视频生成、World 2.0 是开放世界生成。但作者实测发现，这套"世界模型"没装进车里或机器人脑子里，而是装进了手机 App 灵光里，实则是"一句话生成 4399 小游戏"：进去后左右下角直接冒出两个《王者荣耀》式操作台，技能全是炫彩特效，对环境不产生任何持续影响。作者辛辣地说这还不如小时候金山画王的"仙女袋"，并点破一个套路——很多博主测世界模型专挑后室、梦境、魔法世界这些没有逻辑和物理规则的场景。
🦐点评：这篇给"世界模型"这个最热的融资概念泼了盆必要的冷水：当一家公司把所有流派都做一遍、再把成果塞进一个消费 App 当特效玩具，大概率说明它自己也没想清楚世界模型该长什么样、卖给谁。对看这个赛道的投资人，可用的判据被作者无意中点了出来——真正的世界模型要能对环境产生"持续性影响"和因果后果，凡是拿后室/梦境这类没有物理规则的场景做 demo 的，都是在回避最难的物理一致性问题。这跟今天另外两篇（Elorian 押视觉推理、Prana Labs 造物理沙盒）指向同一件事：世界模型的壁垒不在生成的像素多逼真，而在有没有一个能提供真实物理反馈的环境。蚂蚁这种"什么都做"的打法，恰恰是大厂在方向未明时的对冲，不是信心。
📌 其他值得看
作者用 WebGL shader、3D 玻璃折射、滚动状态机等四个有技术门槛的前端场景，让 K3 和 Opus 4.8 一次性生成对比，结论是 K3 确实能跟 Opus"打得有来有回"、部分案例还赢得明显；但他也直言泄露时传的"超过 Fable 5"其实并没有。可与今天 RSS 和推特上的 K3 前端榜第一对照看。
落地硅谷与新加坡的 Prana Labs 完成近千万美金种子轮（元生资本、XVC、Creekstone、三七互娱联投），定位多模态基础模型公司，要造的是"可交互、可验证、有真实物理约束"的环境——把 code 沙盒那种即时反馈搬给多模态模型。它对标的正是今天多篇内容共同指向的"物理反馈环境"缺口。
Hinge 创始人 Justin McLeod 辞任后再创业，为主打语音音频、AI 精选介绍的交友服务 Overtone 融资 1800 万美元（FirstMark、Pace Capital）。他反过来贬低自己当年在 Hinge 做的算法推送和滑动，主张用 AI 来缩小人选范围而非外包对话，赌的是"78% 用户已对交友软件疲惫"这个反转。
博世中国总裁徐大全说 2021-22 缺芯、只能交付三四成订单的那两年反而是中国汽车产业链财务最健康的时候——因为不赚钱的车没人造、没人打价格战。如今产能过剩、全行业利润加起来约等于大疆一家，而 AI 数据中心又在把铜和芯片价格推高 40%，多个车企开始改称自己做的是"物理 AI"。 <!-- ai-daily:complete -->