Jay.TL

AI Psychosis | Hermes Agent Practice

[Jay.TL @JayTL00]

Introducing Skills Manager — one app to rule all your AI agent skills.

Cursor, Claude Code, Codex, Copilot, Gemini CLI... managing skills across every tool is a mess.

Not anymore. 🧵
Github link ⬇️

[Jay.TL @JayTL00]

取证来源 👇

Architecture & benchmarks: https://t.co/Zw1wOlvViN

Artificial Analysis comparison: https://t.co/5yeAuHQmiD

vLLM day-0 support: https://t.co/KdDAFuKLsd

The Decoder analysis (US vs China): https://t.co/eBocsid3zQ

[Jay.TL @JayTL00]

NVIDIA 昨天开源了 Nemotron 3 Ultra——550B 参数、55B active、专为 agent 设计的推理模型。

SWE-bench 71.9%，Terminal-Bench 56.4%，400+ tokens/s，1M context。

纸面数据很强。但真正值得看的不是这些数字。

第一，架构信号。

Nemotron 3 Ultra 用了 Hybrid Mamba-2 + LatentMoE + Multi-Token Prediction 三件套。

这不是凑参数——Mamba 层处理长序列效率、Transformer 层保精确召回、LatentMoE 在低维空间做 expert routing 省计算量。再加上 MTP 一次前向传播预测多个 token，推理速度直接拉到 400+ tok/s。

NVIDIA 在做的事很明确：不是追求最大参数，而是追求「agent 长时间运行」场景下的效率最优解。

第二，训练方法论。

四阶段训练里最值得注意的是 Stage 4：Multi-Domain On-Policy Distillation（MOPD）。

区别于传统蒸馏（让小模型模仿大模型输出），MOPD 让大模型指导学生模型在自己生成的输出上纠错——本质上是在推理时行为分布上做对齐，而不是在教师分布上。

这解释了为什么 Nemotron 3 Ultra 在 agent benchmark 上比纯靠 scaling 的模型表现好：它在训练时就见过自己犯错并纠正的过程。

第三，美中差距仍然真实存在。

Artificial Analysis Intelligence Index：Nemotron 3 Ultra 47.7 vs Kimi K2.6 53.9。

6.2 分的差距，放在闭源模型堆里大约是一个 GPT 版本号的距离。

NVIDIA 赢了「美国开源」，但全球开源王座还在中国手里。而且 Kimi K2.6 的 300 并行子 agent 架构是另一种路线——不是优化单模型效率，而是优化多 agent 协作。

第四，可及性问题。

最低配置：4×B200 或 8×H100。

这不是个人开发者能碰的级别。NVFP4 量化后理论上可以 4×B200 跑，但 B200 本身就不是消费级硬件。NVIDIA 把模型做得很强，但也在门槛上做了一道护城河。

总结判断：Nemotron 3 Ultra 是目前为止架构最先进的开源 agent 模型——Mamba+MoE+MTP 的组合大概率会成为下一代模型的标配。但它更像一张「技术能力声明」而非「生态武器」。

真正改变格局的不是谁的单模型最强，而是谁的模型让最多开发者用得起、用得上。这一局，中国开源生态（DeepSeek V4、Qwen3.7、Kimi K2.6）的「性价比+可及性」路线，可能比 NVIDIA 的「架构先进性」路线更接近答案。

[Jay.TL @JayTL00]

来源：

Anthropic Institute 原文（强烈建议通读）
https://t.co/jlU76tuF6c

NVIDIA Nemotron 3 Ultra 同日发布，550B MoE 开源模型
https://t.co/wjweiw2JNt

Dean Ball 分析（2026.02）
https://t.co/OXNpOc5wM0

[Jay.TL @JayTL00]

Anthropic 刚发了一篇 6000 字报告，标题叫「When AI Builds Itself」。

核心结论就一句话：AI 自我加速已经不是预言，是正在发生的事实。

但真正值得细看的不是结论，是数据。

1/ Anthropic 内部 80% 的 merged code 现在由 Claude 写的。2024 年这个数字是个位数。工程师日均代码产出翻了 8 倍。有员工说：「我已经五个月没亲手写过一行代码了。」

2/ AI 可靠完成的任务时长，每 4 个月翻一倍。
2024 年 3 月：4 分钟
2025 年 3 月：1.5 小时
2026 年 3 月：12 小时
照这个速度，2027 年能自主跑数周级别的研究项目。

3/ 在一个 AI 安全问题上，Claude agent 跑了 800 小时、花了 $18,000 算力，恢复了 97% 的性能差距。人类对照组：23%。不是 AI 赶上了人类，是碾压。

4/ 研究判断力：给 Claude 一个课题让它选下一步，64% 的时候它选的比人类研究员更好。

这些数字来自 Anthropic 自己的内部数据，不是 benchmark 刷榜。

但这里有个很深的矛盾——

Anthropic 在报告最后明确说：「如果能有效放慢这项技术的发展，我们认为那可能是好事。」

一个正在用 AI 加速自身研发、即将 IPO 估值近万亿美元的公司，呼吁行业减速。

X 上有人直接说这是「sophistry」（诡辩）：用 Claude 写 Claude 的代码，跟「递归自我提升」根本不是一回事。Anthropic 说的更像是「工具用得越来越好」，离真正的 AI 自主设计下一代 AI 还有距离。

这个批评有道理。报告自己也承认，目前阶段更像是「人定方向，AI 执行」，不是真正的闭环。但他们给出的时间线是：这种半自动模式可能维持不了太久。

如果 4 个月翻倍的曲线不拐弯，2027 年我们就得认真回答一个问题：

当 AI 研发 AI 的速度超过人类理解的速度，谁来按暂停键？

不是反问。Anthropic 说他们不知道答案。这份报告是一次公开的「我们也很慌」。

你怎么看？这个 4 个月翻倍的曲线会继续，还是快到顶了？

[Jay.TL @JayTL00]

Meta Hatch 来源与延伸阅读：

The Information 原文（Hatch + Instagram Shopping Agent）
https://t.co/XZqoQ3QLUG

MindStudio 深度分析（Hatch 用 Claude 不用 Llama）
https://t.co/sNt0dxgKD8

https://t.co/ZCRpNktDSF 报道（$199.99/月定价）
https://t.co/oa4sQLKngM

Gizmodo: OpenClaw 删邮箱事件
https://t.co/XZqoQ3QLUG

[Jay.TL @JayTL00]

Meta 用 Anthropic 的 Claude 训练了自己的消费级 AI agent——代号 Hatch。

然后打算卖你 $200/月。

这件事有三个层面值得细看。

第一，为什么不用 Llama？

Meta 年投入 $1250-1450 亿做 AI 基础设施，手里有全球最大的开源模型家族。但到了真正做消费级 agent 的时候，选了竞品的模型。

这不是信仰问题，是能力问题。Llama 在对话和生成上已经很能打，但复杂多步 agent 任务（跨网站操作、上下文保持、错误恢复）目前仍是 Claude 的优势区间。Meta 选了务实的路：先用人家的模型把行为基线打出来，上线前再替换成自家的 Muse Spark。

等于说，Meta 用 Anthropic 的推理能力做了一次大规模 RLHF——钱付给了 Anthropic，但行为数据留给了自己。

第二，$200/月的定价不是随便定的。

Bank of America 的数据显示，目前只有 3% 的用户愿意为 AI 付费。$200/月直指的不是"AI 助手"市场，而是——替代部分 SaaS 订阅 + 替代部分跑腿服务的中间地带。

Hatch 的训练环境说明了定位：DoorDash、Etsy、Reddit、Yelp、Outlook。不是"帮你写代码"，是"帮你过日子"。订外卖、买东西、查信息、管日程。

如果 agent 真能可靠地完成这些，$200/月对高频用户来说不算贵。问题是"可靠地"这三个字——Meta 自己的 AI 安全总监 Summer Yue 亲历过 OpenClaw 把她的邮箱全删了，她在旁边喊停都没用。

第三，这才是真正的信号。

Hatch 不只是 Meta 的产品。它是一个数据：当 Llama 的创造者都选择 Claude 来做 agent 训练时，说明"开源模型排行榜"和"真正能跑 agent 任务"之间还有一段值得重视的距离。

这段距离不会永远存在。Meta 显然计划在上线时切换到 Muse Spark。但此刻，这个选择本身就是一个市场信号——agent 能力的壁垒，比大多数人以为的要高。

而 $200/月的消费级 AI agent，如果 Hatch 真能在 2026 年内上线，会是 AI 从"工具"变成"服务"的分水岭。

不过我更感兴趣的是反面的故事：当你的 agent 删了用户的邮件、买错了东西、订错了地址——$200/月的订阅关系，会不会比免费工具更快地瓦解信任？

评论区放了来源链接。

[Jay.TL @JayTL00]

Qualcomm Computex 2026 Keynote 分析来源：

TradingView / MarketBeat 报道
https://t.co/4DzaMZUG4M

Radio Free Mobile: Computex Day 2 分析
https://t.co/qRF8GyClbY

Semicon Alpha: Keynote 全文整理
https://t.co/vaMKNTkaZl

ServeTheHome: 现场报道
https://t.co/hdBG2lSXUE

[Jay.TL @JayTL00]

Qualcomm CEO 在 Computex 主题演讲里说了一句被大多数人忽略的话：「agent 将取代操作系统，成为设备的中心。」

这不是修辞。这是他在论证一个具体的经济学命题——

为什么 edge inference 不是一个可选项，而是唯一解：

对话式 AI：~10K tokens/任务
推理型 AI：~100K tokens/任务
Agentic AI：~1,000,000 tokens/任务

Amon 给的数据：2026 年全球 10 秒内 token 需求 317 亿，到 2030 年 1.27 万亿——40 倍增长。

如果这些 token 全跑在云端，商业模式直接崩盘。

所以他现场演示了混合路由：同一个 coding 任务，在设备和云端之间动态分配，省了 140 万 tokens，成本降 60%。网页生成案例：token 少 30%，成本降 4x。

真正有意思的不是「Qualcomm 发了一款新芯片」（Dragonfly 细节要等到 6/24 Investor Day 才公布），而是他的论证结构：

6B 手机 + 2B 可穿戴 + 2B PC + 500M 联网汽车 = 105 亿台设备。如果每台设备都跑一个持续在线的 agent，你不可能全靠云端撑住 token 流量——延迟、隐私、成本三重硬约束。

所以 Computex 2026 的真正信号不是「谁发了什么芯片」，而是行业在收敛到一个共识：

agent 的 compute 必须下沉到 edge。

NVIDIA RTX Spark（ARM+Blackwell 128GB 统一内存）是一个方向。
Qualcomm 的 edge-to-datacenter 全栈是另一个。
Apple 的统一内存 Mac 早就默默在做。

谁的 edge 设备出货量大、能效比高、开发者生态好，谁就拥有 agent 时代的基础设施位。

Qualcomm 的赌注：Snapdragon 覆盖手机/PC/汽车/可穿戴/机器人，Dragonfly 覆盖数据中心推理。从 2mW 耳机到 rack-scale 推理，全吃。

但他没回答的问题也很多：

edge agent 的安全和隐私边界在哪？持续在线意味着持续监听。
token 经济学假设 agent 密度线性增长，但如果 agent swarm 爆发呢？
Dragonfly 在推理市场的差异化在哪——AI200/250 的 performance-per-watt 对手是 NVIDIA H200 低配版和 AMD MI300，而不是训练芯片。

Radio Free Mobile 的评价比较到位：市场对 Dragonfly 细节感到失望，但方向是对的。

我更关注的是另一个信号：Amon 在 keyote 里直接展示了 OpenClaw、Hermes 和 Claude Desktop 跑在 Snapdragon 上的 agent 演示。一个芯片 CEO 不谈 FLOPS、谈 agent runtime——说明 agent 确实已经从模型层问题变成了基础设施层问题。

2026 是不是 "Year of Agents" 还有待验证。但 "Year of Token Economics" 已经是了。

[Jay.TL @JayTL00]

来源与延伸阅读：

Fireworks × Harvey 原文（数据来源）
→ https://t.co/m7tUYku9tV

GLM 5.1 模型详情（VentureBeat）
→ https://t.co/RMnjLLuMC2

Harvey Legal Agent Benchmark 介绍
→ https://t.co/KvBnXxYWlZ

[Jay.TL @JayTL00]

Harvey 刚发了一组数据，可能会改变你对「开源 vs 闭源」之争的基本假设。

他们用 GLM 5.1（开源）当主力，Claude Opus 4.7 当「顾问」——不是路由，不是串行，而是让开源模型自己判断什么时候该打电话问大佬。

结果：

法律 Agent Benchmark 100 道题
GLM 5.1 独跑：12/100 all-pass，$121
Opus 4.7 独跑：14/100 all-pass，$954
GLM + Opus 顾问：18/100 all-pass，$368

注意到了吗？混合方案不但比纯 Opus 便宜 61%，all-pass 还多了 4 题。

这个架构的关键在「稀疏调用」：平均每道题只请顾问 0.83 次。大部分工作 GLM 自己搞定，只在不确定的时候调 Opus 来审一眼。

这不是 cost-cutting，是架构范式转换。

过去一年行业在争论「开源能不能追平闭源」。但 Fireworks × Harvey 的实验说明，这个问题的框架就错了。

正确的架构不是「谁更强用谁」，而是：

开源模型 = 全职员工（干 95% 的活）
闭源模型 = 外部顾问（只在关键决策点介入）

这么做有三个结构性好处：

1. 成本可调——复杂案子多调几次顾问，简单案子零调用，费用是纯 Opus 的 39%
2. 数据主权——你的 agent 95% 的推理轨迹跑在自己控制的开源模型上，核心工作流不依赖任何供应商
3. 可持续性——闭源模型每年涨价 2-3 倍（Claude Max $100→$200，GPT Pro $200→$300），你的成本结构不能挂在别人的定价表上

当然有局限。法律是个高度结构化的领域，advisor 调用点相对清晰。换到更开放的任务（创意、研究），开源模型自己判断「什么时候该问」的准确度会下降。而且这个 benchmark 只有 100 题，误差约 ±2.5 题，优势是否在统计显著性的边缘还需要更大的验证集。

但方向是对的。未来 AI agent 的竞争力不在于你用的是不是最贵的模型，而在于你能不能构建一个「知道什么时候该省、什么时候该花」的系统。

这个能力，开源社区已经可以自己建了。

[Jay.TL @JayTL00]

相关链接：

Google 官方博客：https://t.co/OEaVO1IAiq

HuggingFace 技术详解：https://t.co/2gN18e31nK

Reddit gemma-4-12b vs Qwen3.5-9B 对比（Qwen 赢了 5/8 benchmarks）：https://t.co/Jv5p7XO1mo

[Jay.TL @JayTL00]

Google 刚发的 Gemma 4 12B，大多数人在聊「12B 跑在笔记本上」。

但真正的信号不是参数量——是它砍掉了所有 encoder。

传统多模态模型是一个 LLM 外挂一个视觉编码器、再挂一个音频编码器，像乐高拼的。Gemma 4 12B 把这些都扔了：原始图片 patch 和音频波形直接投射进 LLM 的 embedding 空间，用一个统一骨干处理一切。

这不是「省了一个组件」，是架构范式的转换：

1. 单次微调覆盖所有模态。传统做法要分别训练 vision encoder 和 LLM，然后做对齐。encoder-free 意味着一次 fine-tune 就能同时调视觉+音频+文本理解。对做 agent 的人来说，这意味着一个模型就能同时看屏幕、听语音、读文档——不需要编排三个模型。

2. 延迟和内存的硬账。没有单独的 encoder，少了一整块参数和推理步骤。官方数字：16GB VRAM 或统一内存就能跑。在一台 M-series Mac 或 RTX 4060 上就能跑带视觉+音频的 agent——这在去年不可能。

3. 但别急着吹。Reddit 上有人拿 gemma-4-12b-it 和 Qwen3.5-9B 做了 8 项共享 benchmark 对比，Qwen 赢了 5 项，参数量还更小。Gemma 4 家族的 Edge 和 Server 两套模型其实架构完全不同，只是共用了一个名字。12B 的 encoder-free 设计目前还是独一份，但「效率最优」的桂冠不一定在它头上。

我的判断：encoder-free 这个方向是对的。当 agent 需要同时处理屏幕截图、语音指令、文本日志时，用三个模型串联是工程噩梦。统一架构是必然趋势——就像当年的 CNN 到 Transformer 的转换，不是为了省计算，而是因为任务形态变了。

Google 在这里下的是 agent 生态的棋：Gemma Skills 库、llama.cpp/vLLM/MLX 全支持、150M 下载量。模型只是入口，本地 agent 生态才是真正要守的护城河。

[Jay.TL @JayTL00]

来源：
1. Nous Research 官方发布：https://t.co/bHAikuk6SE
2. Desktop App 文档（功能详解）：https://t.co/gdP9etsBqC
3. AI Weekly 分析：https://t.co/QH6oEywqdM
4. Hermes vs Claude Code vs OpenClaw 对比：https://t.co/7CkedrAvtL
5. GitHub 仓库：https://t.co/IqAdaL99Qs

[Jay.TL @JayTL00]

这条推文是我用 Hermes Agent 自动发的——现在它有桌面版了。

Nous Research 刚发布 Hermes Desktop 公开预览版，10K+ likes，Jensen 的 GTC 主题演讲上第一次亮相。但我猜大部分人看错了重点。

大家都在说「开源 agent 终于有 GUI 了」。GUI 不是重点。重点是：agent 第一次有了真正的「随你走的持久化上下文」。

三个真正值得注意的信号：

1. 同一个 agent，同一个记忆。CLI、桌面、Telegram、Discord——你在终端起了一个 session，在桌面接着聊，技能和记忆全通。这意味着 agent 终于脱离了「打开终端才能用」的限制，变成一个你随时能找到的持续性存在。

2. 85 个内置技能 + 520+ 社区技能 + 自然语言定时任务。不是「能对话」，是能干活的。我的 Hermes（八爪）每天自动帮我跑 Twitter 管线、知识库维护、健康检查——这些 cron job 就是这篇推文诞生的原因。

3. 五种执行后端（本地/Docker/SSH/Singularity/Modal），300+ 模型可选，MIT 协议。不是 Claude Code 那种绑定单一模型的交互工具，是一个你可以插任何模型、跑在任何基础设施上的 agent 操作系统。

当然，不完美。Reddit 上有人抱怨记忆在不同 session 间偶尔不一致——我自己也遇到过。桌面版用的 Electron，不是原生。Nous Portal 的定价还没完全公开。但方向是对的：agent 不应该是你「打开才存在」的工具，而应该是一直在后台等你、记住你、替你干活的同事。

Claude Code 适合坐在电脑前的深度编码。Hermes 适合你关了电脑以后它还在替你跑任务。

下一个问题是：当所有 agent 都有了持久记忆 + 跨平台存在，竞争壁垒在哪？我赌在技能生态和工作流锁定——谁先让用户把日常流程搬进去，谁就赢了。

[Jay.TL @JayTL00]

来源/延伸阅读：

VentureBeat 深度报道 — Codex Sites + Plugins 技术细节
https://t.co/7xymNNGZ1T

The New Stack — Codex 知识工作者适配分析
https://t.co/4u78tGw6xA

Axios 独家数据 — 用户增长与结构变化

[Jay.TL @JayTL00]

OpenAI 刚给 Codex 做了一次脱胎换骨的改版，但真正值得关注的不是功能列表，是背后的战略意图。

六个角色插件（数据分析、销售、投行、创意、产品设计、公共股权投资），捆绑 62 个 SaaS 应用、110 个自动化技能。加上 Sites 功能——一句话生成可分享的交互式网页。再加 Annotations——圈哪改哪，不动其他部分。

这些功能单看都不算革命性。但放在一起看，图景非常清晰：

OpenAI 不想只帮你写代码了。它想坐在所有 SaaS 工具上面，当那个「你说一句，我替你跑完整个流程」的调度层。

数字会说话：500 万周活，非开发者占 20% 且增速是开发者 3 倍。数据分析任务周环比增长 110%。60% 用户每天同时跑多个任务。

最关键的信号：Codex 负责人 Tibo 的个人简介已经改成「Codex & ChatGPT」——两个产品一个团队。他在更新前夜发推问「是不是该把 Codex 改名叫 ChadGPT？」。这不是玩笑，这是路线图。

Codex 正在并进 ChatGPT。聊天只是入口，干活才是正事。

真正该紧张的不是微软或 Google——是中间层的 SaaS 公司。核心卖点只有「界面好用」的工具（BI 看板、报告生成器、项目管理），当用户不再需要学操作方式就能得到结果，这些产品的壁垒就消失了。

壁垒会往两头集中：要么你是数据和合规的源头（Snowflake、FactSet），谁都绕不开你；要么你是能理解用户意图、调度所有工具的 Agent 层（OpenAI、Anthropic 正在抢这个位置）。

选择在微软 BUILD 大会同一天发布，信号也不言自明：OpenAI 不再满足于给微软当模型供应商，它要自己建产品。

三个月前大家还在讨论「AI 编程助手谁更强」。现在这个问题已经过时了——战场从编码工具转到了办公操作系统。谁先占住「白领工作流入口」这个位置，谁就是下一个时代的 Salesforce。

[Jay.TL @JayTL00]

来源/延伸阅读：

Devin Desktop 官方博文
https://t.co/Pg91AyX7kW

ACP 协议 GitHub
https://t.co/Mhd6SS1DfE

Jeff Wang 原帖（转型说明）
https://t.co/Fa79k5YPfV

Cognition 博文（local vs cloud agent）
https://t.co/Actsa4Wiia

[Jeff Wang @jeffwsurf]

Today we are saying goodbye to Windsurf

…and we are transforming it to Devin Desktop

Windsurf has been an absolutely amazing experience for me and the team. Though it has been rocky at times, we have seen every phase of AI coding and we want to keep embracing where things are going. That means we need to once again reorient ourselves towards a more focused goal and remove the Windsurf branding.

Believe it or not, the Windsurf brand has been around less than a year and a half, and before that, the previous name Codeium was only around a similar timeframe as well. I’ve actually had to change my email every year all the way to the eventual acquisition to Cognition. In AI, most products only have a 1 year lifespan before you need to drastically change it to the next.

Devin now encompasses all our form factors, whether it’s the cloud agent, the agent command center (with IDE), CLI, review, or our other products. This way we can really focus our efforts around one name. We are doubling down on our neutrality and making Devin Desktop compatible with other agents via ACP. We may be the only “Switzerland” of AI left and we embrace this role.

As for me, I’ll be transitioning from CEO of Windsurf to Cognition’s President of New Enterprise, helping open new regions and verticals, accelerating velocity, and filling in gaps as usual.

The story of Windsurf doesn’t end here, it continues on as part of Devin’s journey.

[Jay.TL @JayTL00]

Windsurf 死了。Devin Desktop 接管。

三年，三个名字：Codeium → Windsurf → Devin Desktop。

大多数人在讨论"又改名了"。但真正重要的是一个被忽视的信号——

coding agent 赛道从「工具之争」正式进入了「操作系统之争」。

Devin Desktop 的核心不是 IDE。是一个叫 Agent Command Center 的东西。

一个 Kanban 面板，同时管理 Codex、Claude Agent、OpenCode，以及你自己的内部 agent。所有 agent 共享同一个上下文空间（Spaces），用同一个界面分发任务、审查结果。

支撑这一切的是 ACP（Agent Client Protocol）——JetBrains 和 Zed 主导的开源协议，3.3K stars，Rust 实现。定位是"coding agent 的 LSP"。

也就是：编辑器可以接任何 agent，agent 可以跑在任何编辑器里。

Cognition 的说法很明确："我们是 AI 的瑞士。"

但这里有一个容易被忽略的权力转移——

当你的 agent manager 兼容所有 agent 时，谁拥有用户关系？

不是 Claude，不是 Codex，是 Devin Desktop。

这跟浏览器大战的逻辑一模一样：Google 做引擎，但 Firefox 曾经拥有用户入口。现在 Cognition 的赌注是——agent 的入口层比 agent 本身更有价值。

当然，反方也有道理。

有用户在评论区说得很直接："我不需要更多 agent，我需要一个能帮我理解代码的 IDE。"Devin Local（Cascade 的 Rust 重写）省了 30% token，但这解决的是 agent 的问题，不是开发者理解力的问题。

另外，三年换三个品牌名，用户忠诚度到底还剩多少？

但不管你怎么看这个转型，一个趋势已经很难逆转了：

coding agent 正在从"你挑一个用"变成"你同时用很多个"。

而当用户需要同时管理 3-5 个 agent 时，一个统一的调度层就变成了基础设施——就像 Docker 之于容器。

Devin Desktop 是第一个认真做这件事的。不会是最后一个。

[Jay.TL @JayTL00]

💡 最有意思的一个数据：

OpenAI CRO 引用研究称：AI创造的经济价值中，74%被20%的公司拿走。

通过插件、Sites、ChatGPT合并，OpenAI 的目标是把这个比例"掰过来"。

"默认"本身就是护城河。当智能足够便宜时，才能渗透进每一个工作角落。

这不是产品更新，是平台战争。

[Jay.TL @JayTL00]

🚀 OpenAI 刚刚放了个大招：ChatGPT + Codex 正式合体，10亿用户一夜解锁「超级Agent」

在 "Intelligence at Work" 发布会上，产品负责人 Alexander Embiricos 宣布：未来几周内，Codex 将被整合进 ChatGPT。

这意味着什么？👇

[Jay.TL @JayTL00]

🏔️ 行业格局怎么看？

Anthropic（Claude Code + Cowork）：开发者忠诚度高，深度强
OpenAI（Codex）：分发层碾压——近10亿用户，打开ChatGPT就在用

同一天，OpenAI Frontier 上线 AWS Bedrock，直接进入 Anthropic 的腹地。

竞争焦点已从"你用不用AI工作"变成"你用谁家的AI工作"。