Luis Zach

很多企业AI项目死在上线之后。我在一线做交付，各种死法都见过。前CTO，近20年IT，现独立顾问。只聊Demo里看不到的那一半：成本、扯皮、翻车和解法。

[Luis Zach @LuisZach]

DeepSeek 两周前那个被吹成「AI 指挥 AI 干活」的 Super Agent，我回头补了一遍课：东西是真的，也能干活，但它只是个研究原型，官方自己第一行就写了不是产品。拿去跟 Claude Code 比属于吹过头，何况首发后仓库到现在没更新过。

10 月 31 日晚（周六），DeepSeek Harness 团队发了《Super-agent 设计探索》，同一晚在 GitHub 开源了 dsh-superagent-prototype。第二天 Bloomberg 报道说它想对标 Anthropic 的 Claude Code，百度热搜也挂上了「重磅发布」。可文章第一段写的是「并非对现有产品功能的介绍」，README 开头还补一刀：研究代码，大量工程是 coding agent 写的，可能有 bug。

它做的事：一个常驻的 Router 接所有消息、派活，下面一群 Worker 各自在独立会话里干。原型只盯一个 GitHub 仓库，有人 @ 它就开工单，干完回一个 PR。

兑现的：代码能跑。AI科技评论拿私有仓库实测，五个埋好的小 bug，五个 PR 验收全过，整场只花 3.99 元。

高估的有三块。一是官方实验：完成时间 p95 是 15.7 分钟，单会话是 29.5 分钟，但用的是合成负载，写代码换成了只耗时间的假工具，对照组一次都没派过子 Agent，读缓存 token 还是对方的约 3.8 倍，全是官方自报。二是稳定性：AI科技评论连发五个 Issue，第一次全被悄悄丢了，没报错也没确认，原因是它 60 秒查一次通知，GitHub 的通知又晚到约 22 秒。社区有人给了补丁，原型仓库 main 分支上却只有首发那一次提交。三是权限：官方文档写明 Worker 默认以 danger-full-access 跑在你自己的系统账号下，想试就给它单开一个账号。

文章里最诱人的计算和环境分离、会判断进度的 Watchdog，据 AI科技评论读源码，原型里都没有。

被低估的是官方的老实。README 先劝退，文章先说不是产品介绍，转载成「重磅发布」时都被略过了。想法本身站得住：Agent 干活时别吵人，只在结果能用或要你拍板时才开口。

真正在往前跑的是底下的 Harness：8 月 13 日才开源，11 月 4 日官方自报日活 154 万，11 月 11 日加了多 Agent 组队。昨晚的全家桶 API 是同一个思路，把 App 和 Agent 整套攥在自己手里卖。Super Agent 更像这套东西的说明书，成品还没有。

https://t.co/WYJYlaQjCp

[DeepSeek Harness @DeepSeekHarness]

https://t.co/gwwIHtyCRQ

[Luis Zach @LuisZach]

DeepSeek 昨晚没发新模型，却把「给 App 加联网搜索」的价钱砍到了 OpenAI 的十几分之一，只是账单有个坑，开发者别光看那个数字。

周五 22:24（北京时间），DeepSeek 官方发了「全家桶应用 API」，又是下班后更新，开发者周末别想歇了。意思是把 App 里那一套拆成零件开放：联网搜索、读网页、上传文件、识别图片里的字、语音转文字、文字转语音，开几个参数就能用，调工具和拼上下文都由服务端代劳。官方原话是开发者可以「1:1 复刻出完整的 DeepSeek App」，还开源了聊天客户端 chat-demo。

价格（官方公布，模型 token 费另算）：搜索和抓网页各每千次 5 元，文件解析和 OCR 每千页 1.5 元，语音识别每小时 0.78 元，语音合成每万字符 3 元，语音目前限时五折。这些暂时只有 deepseek-flash（V4.1-Flash）能用，V4 Pro 不行。

对比一下。OpenAI 和 Anthropic 官方定价页上，网页搜索都是每千次 10 美元，Gemini 超出每月 5000 次免费后是 14 美元，网页内容进了上下文还要再按 token 收。DeepSeek 每千次 0.75 美元，约为前两家的十三分之一。国内也有更便宜的，SMM 横评里千问 3 元，火山 4 元，智谱和 Kimi 10 元。各家卖的东西还不一样，DeepSeek 的搜索只给链接，Exa、Tavily 给整理好的正文，直接比单价有点占便宜。

坑在计费方式。官方规则是一次调用带几个搜索词就按几次算。小岛AI 实测，界面上只显示搜了 1 次，账单记了 4 次，因为模型一次塞进去 4 个查询词。

单次其实真便宜。小岛AI 跑了六十多个请求只花 0.47 元，程序员鱼皮把对话、PDF、OCR、语音和二十多次搜索抓取全试一遍，一共五毛多。但单项不如专业服务：鱼皮的测试里，文件解析把图片里的文字弄丢了，要单独跑 OCR 才认出来；抓网页不执行 JS，Firecrawl 在这块更成熟。官方还要求对外提供服务的应用自己负责内容审核、大模型登记和 AI 标识。

前情：搜索接口 10 月 17 日先开放，头两周免费，11 月 1 日起按次收费。模型上最近一次更新是 10 月 17 日的 V4.1-Flash-1017，这次没动。

我的看法：DeepSeek 在从卖模型转向卖整个 App 的后端，想让开发者搜索、读文件、语音都在它一家买齐。真正花钱的也不在搜索费，网页正文塞进上下文的 token 才是大头，做产品的人别拿「每千次 5 元」直接报价。

https://t.co/SlU88hcIJa

[DeepSeek @deepseek_ai]

🚀 The full DeepSeek App experience, now via API

Search, files, links, safety, and voice. The capabilities behind the DeepSeek App are now available through the DeepSeek API.
Enable built-in features with a few parameters, or call standalone APIs such as OCR, ASR, and TTS. Build richer conversations or recreate the full DeepSeek App in your own application.

Try our open-source frontend demo, with support for importing DeepSeek conversation history.

🔗 Demo: https://t.co/TI0Iw5qLQK
📦 Code: https://t.co/ImA0LrgUgX
📖 Details: https://t.co/t0dJxXM6Lk

1/4

[Luis Zach @LuisZach]

@TheEasySale1 对，接口稳了才敢往上搭东西。我自己是看活儿，正经干活还是走云端 API，本地模型等中等尺寸再成熟点

[Luis Zach @LuisZach]

llama.cpp 昨晚正式发了 1.0。我的判断：对普通用户来说，你电脑上的 Ollama、LM Studio 明天不会突然变快，这次 1.0 主要是给开发者一个承诺，以后接口要改到不兼容，就老老实实升大版本号，做本地 AI 应用的人总算有个稳当的地基。但我更想吐槽的是另一件事：这几天喊「本地 AI、开源、别让几家公司垄断」喊得最响的这拨人，自己正在被英伟达买下来。

先说 llama.cpp 是个啥。2023 年 3 月 Georgi Gerganov 一个人用 C/C++ 写出来，让 Meta 的 LLaMA 能在 MacBook 上跑，三年半过去，GitHub 13.5 万星，支持 150 多种模型架构，很多本地跑模型的工具底层用的都是它。以前它的版本号是 b12373 这种构建号，一天出好几个，0.9.0 是 11 月 4 日才出的，九天后直接跳 1.0。

1.0 里普通人能感知到的就两样：一个是 FP8 的 KV 缓存，简单说就是对话上下文占的内存理论上能砍一半，长对话更省显存，不过官方没给速度和质量的实测数据，得自己试；另一个是 MoE 专家缓存，显存小的机器也能硬跑大的 MoE 模型，代价是没命中缓存时要等。其他是删了 35 个过时函数、加了 Kimi-K3.1-Pro 等新模型、给自带的服务端补安全漏洞，这些主要是开发者的事。

为啥它昨天这么火？因为前后脚撞上了一波「本地 AI」情绪。DHH 昨天傍晚发了五行字：Local AI，Local compute，Open weights，Open source，Global collaboration，1.3 万赞。Hugging Face CEO Clem 转发 1.0 时说，不靠游说和算计，要让 AI 分散在全世界，而不是集中在几家硅谷公司；HF 联合创始人 Julien 说得更直白，不能让 AI 被两家公司控制。

问题来了。ggml 团队今年 2 月加入了 Hugging Face，而英伟达 9 月宣布用约 129 亿美元收购 Hugging Face，10 月底美国司法部已经在问这笔交易会不会让英伟达卡住 AI 模型分发的咽喉，预计 2027 年上半年交割。也就是说，全世界最常用的本地 AI 引擎，很可能归到卖显卡最多的那家公司名下。英伟达承诺 HF 会继续支持各家芯片，llama.cpp 也是 MIT 协议，代码谁都能拿去 fork，这是底气；可维护团队、路线图、优先适配谁家硬件，这些 fork 不走。

还有个现实问题：本地 AI 的门槛从来不在软件，在硬件。Thinking Machines 昨天凌晨开源的 Inkling 2 Small 有 5940 亿参数，个人电脑基本别想。普通人真能在本地跑顺的，还是二三十 B 这种中等尺寸的模型，内存不够，再稳定的引擎也白搭。

所以 1.0 我是真心觉得值得庆祝，三年半一个开源项目做成本地 AI 的事实标准，太不容易了。只是「本地、开放、不被垄断」这几个词，过两年还能不能说得这么理直气壮，得看英伟达这笔收购之后怎么做 😂

https://t.co/tKts3nNjzH

[Georgi Gerganov @ggerganov]

llama.cpp v1.0.0 is now available

https://t.co/twQwJkH8kE

[Luis Zach @LuisZach]

@Lovecasy_ 哈哈对，3 段挑出来的回放撑不起这么大的结论。真要看还是看总榜，同一家的 Fable 和 Haiku 能差二十几倍，按公司贴性格标签没啥意义

[Luis Zach @LuisZach]

"OpenAI 满嘴谎话、Grok 最讲义气、Claude 最爱告密"，这个标题别当成各家公司的性格鉴定来读。作者自己说了，三条结论来自 3 段挑出来的对局回放，每段拿 3 个模型对比。榜单里同一家公司的模型差得更远：Claude Fable 5.2 总分 51 排第一，同家的 Claude Haiku 5.5 只有 2.1，垫底，差了 24 倍。选模型要看具体型号，看公司没用。

这个榜叫 SUS-Bench，作者 Iman 的团队做的。游戏更像 Among Us 而不是狼人杀：10 个座位，2 个冒充者，船员做任务或投票抓人，冒充者杀人别被发现。平均一桌一半真人一半 AI，不告诉你谁是 AI。作者自报 25 万多人、167 个国家、50 万轮，没付钱。Meta 的 CICERO 2022 年那篇 Science 论文是 40 局、82 个真人对手，规模差了三个数量级。但这些数字全是自报，我只找到一个页面，没有论文和同行评审，页面写的是 first results。AI 也不是直接上场，中间套了他们自己写的策略层和规划层，分数是模型加这层外壳一起的结果。

三个标题结论的口径：
说谎，量的是当冒充者时每 100 局赢几局。GPT-6 Astra 约 58 局，全场最高，同公司的 GPT-6.1 Terra 约 31，GPT-6 Luna 约 22。所以"OpenAI 满嘴谎话"说的是 Astra 一个型号，配上"Sam Altman 造出了世界上最残忍的模型"，标题党味道有点冲 😂
义气，量的是搭档被逼到墙角时，模型把搭档投出去的次数（每 100 次）：Grok 4.7 是 31，Gemini 4 Argon 63，Claude Opus 5.5 是 100，这张图只放了这 3 个模型。Grok 确实讲义气，但总分只有 7.9，排在果蝇后面。
告密指的就是同一张图里 Opus 5.5 在游戏里投票卖搭档，跟现实中模型举报用户没关系。

果蝇的梗是真的：一个模拟果蝇大脑控制一个玩家，神经元决定什么时候走、什么时候转，总分 13，17 个模型排在它后面，Grok 4.7 也在其中。这个分数得带着怀疑看：页面把它标成 Not a language model、Placed through the house bot，数据里有一句 humans never played these models in the lab，58 个"模型×角色"里标"实测"的只有 15 个，Fable 5.2 页面自己标了"早期估计，对局很少"。我倾向于认为，一个只会走和转的东西能赢 17 个大模型，反映的更多是游戏操作框架的特点，社交智商的成分没那么大。

这些"性格"在别的实验里也出现过。2025 年 Every 做的 AI Diplomacy，OpenAI 的 o3 靠欺骗赢得最多，Claude 总想求和，被 o3 用"四方平局"的承诺拉进联盟，随后被背叛淘汰。Claude 4 的系统卡写过，模拟的严重违法场景里，给它命令行权限再提示"主动一点"，它会给媒体和执法部门群发邮件；Anthropic 后来和 OpenAI 互测，发现所有受测模型偶尔都会这样，Opus 4 最多，但只多一点。有意思的是，2025 年的 Claude 在外交游戏里连谎都不肯撒，这次的 Opus 5.5 把搭档卖得干干净净，同一家的脾气换个游戏、换个版本就变。这些倾向从哪来，我猜和各家训练时对诚实、服从的取舍有关，榜单没拆这块，纯属猜测。

对普通用户有两个用处。一是花钱：作者算的每局成本，GPT-6.1 Terra 约 22 美分得 44 分，Fable 5.2 约 4.41 美元得 51 分，贵 20 倍多拿 7 分；Gemini 3.8 Flash 35.5 分，比新一代的 Gemini 4 Argon（27.4）还高。二是让 AI 替你谈判、跑流程，别拿品牌印象判断它靠不靠谱，放进自己的场景测一遍最实在。

https://t.co/XzKkoF4apU

[Iman @imodarressi]

Sam Altman created the most ruthless model in the world

we built the biggest mafia-like game ever
> 250.000 humans playing with/against AI

we found:
@OpenAI → maniac LIARS
@spacexai → by far the most LOYAL
@AnthropicAI → the biggest SNITCH

we also added a flybrain ;)

[Luis Zach @LuisZach]

阿福的 B 端和 G 端，我看下来更像一门渠道生意，卖软件的成分很少。政府和医院给入口和背书，真正可能掏钱的是保险公司和药企，他们想买的是同一样东西：慢病病人能按时吃药、按时复查（行业里叫"依从性"）。AI 发一条提醒几乎不要钱，让人真的把药吃下去，才是贵的那一段。今天的一篇报道把这事说得很直白。

先说保险。中国经营报今天发了篇综述：太平洋健康险、人保财险、复星保德信等险企，已经把阿福做成保单权益或专属智能体，慢病随访、用药提醒、就医引导都打包在里面。报道里写，目前没有保险公司披露 AI 健康管理对赔付率的影响；一位险企高管说，AI 推提醒的门槛很低，让慢病用户真正按时服药，靠 AI 很难。合作官宣了一堆，效果数据是空白，这个反差挺有意思的 😂

报道还提了个担心：健康数据如果流向核保和定价，会不会变成一种"隐形风险筛选"？我没看到任何证据，这只是外界的担忧，我不下结论。但做保险这类客户的产品，数据怎么隔开用，迟早得有人讲清楚。

再看政府这边，账更有意思。
- 10 月 28 日，中国政府采购网的中标公告：蚂蚁逸康加浙江扁鹊健康科技的联合体，中标国家医保局大数据中心"国家医保服务平台 APP 智能化升级与一人一画像信息库"项目，金额 106.9 万元，服务期一年。对蚂蚁这个体量，这笔钱算不上收入。
- 内蒙古赤峰的"安馨家医"（卫健委和阿福合作的家庭医生签约平台）9 月中旬上线，内蒙古日报 11 月 8 日报道，线上实名签约 35 万人，访问 39.8 万次，都是地方自报的数。访问次数只比签约人数多 4.8 万，粗算每个人平均来过一次多一点，访问的口径报道没写清，只当参考。
- 签约推得动，基层有压力：赤峰下面阿鲁科尔沁旗 9 月的培训会通稿写明，签约数据、实名核验率、规范履约率，和绩效分配、年度考核直接挂钩。
- 河北邢台的通稿给了另一组数：临城县 5 月底到 6 月中旬，阿福注册 5 万多人，实名认证率 34.6%，基层医务人员靠错时服务、远程代办帮居民注册。文件同时写明对居民免费、自愿，不强制。

这几条我只摆事实，不评价对错。有一点可以确定：靠行政体系拉起来的活跃，企业客户那边复制不了，企业买单的话得看到实打实的效果。

药企那头更早期。11 月 6 日诺华中国和蚂蚁健康签了战略合作备忘录，稿件自己写着"方案处于概念性探索阶段"，没金额，没具体产品。礼来在进博会上也只是圆桌交流。

竞争也没闲着。京东、豆包、腾讯都在往医院和基层挤：邢台一个城市里，阿福的家医签约和京东的 MedWork 医生工作台已经碰上了；齐鲁二院办了豆包医生工作台的培训，全院发免费会员；腾讯和京柏医疗做产科医生 AI 工作台。预问诊、报告解读这类入口功能，大厂基本在免费送。我的判断是，真正能收到钱的，在签约之后那一段：病人到底有没有管住，指标有没有变好，能不能拿出来给付费方看。

交代一下立场，我自己在做慢病管理方向的 to B 产品，是公司自己的产品，做健康管理，不碰诊断，所以有立场，你们自己掂量。我一直觉得 AI 适合干三件小事：安排复查，把报告里的术语翻成人话，去医院之前把情况整理好交给医生。这三件都是帮人更容易做到，最后药吃不吃，还是得人自己动手。所以看阿福，我更想知道的是接入之后谁先拿出结果，签了多少家反倒是次要的。

你们家里要是有长期吃药的老人，你觉得什么办法最管用：手机提醒、家人盯着，还是医生一句话？

[Luis Zach @LuisZach]

热帖说 OpenAI 解散机器人团队 "it's over"，这个我不认。OpenAI 向 Fortune 确认了重组，没有确认放弃机器人：研究员并进首席研究官 Mark Chen 的大研究组，做应用和硬件的并进 Greg Brockman 管的 Applied 部门，官方说法是为了把机器人做得更快。我的判断是动的是组织架构，机器人业务还在。但官方给的理由，"通用大模型能直接开机器人，不用单独养一个团队"，目前最像样的证据只是一份英伟达的仿真实验，离真机还远，我对这个赌注保留意见。

先把各方说法摆一下。Fortune 记者去奥斯汀的机器人顶会 CoRL，发现 OpenAI 登记的 208 号展位没有展品也没有 logo，后来更新说前团队有几个人在那儿，围了不少人。OpenAI 工程师 David Schnurr 发帖说 "robotics at openai is alive and well"，有 15 个在招岗位，还劝大家拉黑乱报的账号。OpenAI 招聘页上机器人组目前确实是 15 个岗位，全在旧金山，标题清一色是电机、电路板、固件、测试这类硬件活，没有机器学习研究岗，10 月中旬 Engadget 数过 27 个。这和 Fortune 不冲突：研究员去了别的组，硬件还在招。

"通用模型直接控制机器人"白话讲是这样：以前机器人要拿机器人数据专门训一个"小脑"，现在把摄像头画面和机械臂当前姿态直接发给 GPT-6 Astra 这种聊天用的大模型，让它回一串接下来十几步的手臂坐标，不额外训练。英伟达 10 月发的研究就这么测的，电脑仿真（模拟出来的机器人和桌子）里 120 个桌面操作任务，让模型在一个记得前面所有步骤的会话里干活，成功率 74.8%，对比榜上最好的专用机器人模型 51.0%，Fortune 引的就是这个。但同一份研究写明：这一档平均每个任务烧约 36.4 美元接口费；直接调用的版本成功率 66.3%，约 1.96 美元；每次调用平均 18.56 秒，而仿真在模型思考时是暂停的，真机上东西不会等它想完。CMU 的 Guanya Shi 对 Fortune 解读，OpenAI 大概是觉得机器人"不再是特殊问题"，跟写代码、做法律工具一样，算通用智能的下游应用，但他认为机器人本机上还是需要能离线跑的小模型；MIT 的 Russ Tedrake 说机器人公司手里有工厂里攒的真实数据。

放进 OpenAI 的历史看更有意思。2019 年它用机械手解魔方，2020 年解散机器人团队（2021 年才对外承认），2024 年重建并和 Figure 合作，2025 年 2 月 Figure 先踹了它，说要用自家模型。今年 5 月 31 日 Altman 发帖招人，说机器人是从他们的世界模拟研究长出来的，这条 1.3 万赞。Fortune 转述 OpenAI 的话：年初研究员以为要靠 Sora 这类视频模型的路，后来 GPT-6 Astra 证明通用模型直接就行。可 Sora 3 月就关了，Fortune 还提到 OpenAI 在砍支线、控成本，可能明年初 IPO。我的看法：官方理由大概率是真话，成本压力也很难说没参与，这两样不矛盾，外人分不出谁占的比重大。路线 5 个多月换了一次，我要等的是 2027 年那个人形机器人 demo，Altman 对 Fortune 说的是"酷炫 demo"，街上有机器人走还得再等几年。

同一周别家的走法：Google DeepMind 11 月 10 日发了 Gemini Robotics 2.5，专门为机器人做的模型，在奔驰工厂让 Apptronik 的人形机器人分拣零件，成功率 96%（Google 自报，只是一个试点任务，DeepMind 负责人自己说剩下的 4% 是"一条陡路"）。Physical Intelligence 做机器人通用模型，OpenAI 早年投过它，Bloomberg 报道它在谈至少 10 亿美元融资、估值约 200 亿美元，还没有收入。特斯拉 Optimus V3 在加州弗里蒙特开始早期生产，Musk 说明年才开始对外交付。国内宇树 8 月在上海科创板上市，报道称它 2025 年出了 5500 多台人形机器人。这些人押机器人要有自己的脑子，OpenAI 押另一边，96% 和 74.8% 一个是真工厂一个是仿真，不能放一起比，谁对得看真机。

对普通人我的结论很朴素：别因为这条新闻就觉得家务机器人快来了。时间表是 OpenAI 自己说的 2027 年才有个 demo，每个任务几十美元的账单也得降很多才进得了家。至于 "it's over"，下次看到 🚨BREAKING 加这几个字的帖子，建议先翻 Fortune 原文，这篇原文里可没写 😂

https://t.co/pjL31Z99UW

[NIK @ns123abc]

🚨 BREAKING: OpenAI has officially disbanded its robotics team, just five months after relaunching it

it’s over

[Luis Zach @LuisZach]

AI 进健康领域，我觉得最该干的是诊断之外的三件小事：帮你安排复查，把报告里的专业术语翻成人话，去医院之前把你的情况整理好交给医生。让它直接当医生，现在的证据不太支持。先交代立场：我自己在做慢病管理方向的产品，做的是健康管理，不碰诊断，所以这个判断有立场，你们自己掂量 😂

先看规模。21 世纪经济报道昨晚那篇《手机里的"第一诊室"》写到，蚂蚁阿福每天发出 20 多万条"立即就医"建议，其中 5 万多条跟危重症有关；豆包今年 8 月单日健康咨询超过 2000 万人次，全国医院（不含基层）日均门诊才 1000 多万。数字是企业披露的，文章也提醒两边场景不同，不宜硬比。但看病的第一站在往手机上挪，这个趋势没跑。

再看让 AI 当医生的坑：
1. 牛津大学今年 2 月在 Nature Medicine 发的随机实验，1298 个英国人、10 个医学情景。模型自己答，认对病情的比例 94.9%；真人拿着它用，不到 34.5%，跟上网搜的对照组没区别。原因之一是普通人给模型的信息不全，换个说法答案就变。
2. 西奈山团队同月在 Nature Medicine 测 ChatGPT Health：60 个医生写的情景里，真急症有 52% 被建议"24 到 48 小时内就诊"，没让去急诊。栽的主要是哮喘急性发作和糖尿病酮症酸中毒，卒中、过敏性休克这种典型的倒是答对了。我的理解是，AI 对"看着还行但在恶化"最迟钝，而慢病的麻烦大多就长这样。
3. 21 经济那篇里，一家三级医院的人讲了两个案例：醉酒患者的家属拿着大模型"输液就行"的结论跟医生争，最后 CT 查出脑出血；腹痛病人说医生不会看病要投诉，后来查出宫外孕。拿 AI 的答案去跟医生吵，病情是不会让着你的。

国内的线其实早划好了。2022 年《互联网诊疗监管细则》写明 AI 不得替代医师提供诊疗服务，严禁用 AI 自动生成处方；2025 年 10 月五部门的实施意见强调"赋能而不替代"。文章里的律师说得更直白：AI 针对具体症状给出疾病判断和用药方案，就构成诊疗活动，没资质属于违法诊疗；只给一般提示和生活方式建议，不算。诊断和健康管理之间这条线，做产品的人得盯紧。

线这边能干的活，我觉得有证据也有逻辑：
复查规划：慢病难在日复一日。WHO 早年的报告里，发达国家慢病患者长期服药的依从性平均也就 50% 左右。记着哪项指标几个月复查、到点提醒、漏了催一下，AI 比人有耐心，提醒错了代价也小。
术语解释：门诊三分钟，医生没空讲。今年 NEJM AI 有个德国德累斯顿的随机试验，300 个神经外科门诊病人看诊前先拿到大白话版报告摘要，问诊时间中位数从 33 分钟降到 25 分钟，评分 4.42 对 4.25（满分 5），抽查 75 篇摘要两位医生没挑出事实错误。但这是单中心试验，软件来自合作的创业公司，院里一位医生是该公司联合创始人（论文已披露），我只当它是个好信号。
信息整理：牛津那个实验说明瓶颈在人给模型的信息不全。让 AI 帮病人把症状时间线、在吃的药、历次指标理成一页纸，医生接过去就能直接问关键问题。这块我没看到大规模证据，目前是我的推断。

最后说下面引用的这篇 NEJM AI。作者拿 2023 年美国 Medicare B 部分约 450 亿美元的医生费用算账：24% 必须动手，21% 没有物理门槛、理论上 AI 能直接做，主要是影像和病理；剩下 55% 是问诊，作者说 AI 在这块是替代还是辅助，取决于怎么设计、怎么部署、怎么付费。我挺认同。所以分诊、急症判断这种最难的活留给人，AI 先把医生没空做的接过去，在旁边提醒一句"该去医院了"就够了。

https://t.co/eFqciFcUBU

[NEJM AI @NEJM_AI]

The authors analyze the degree to which clinical specialties are shielded from, or threatened by, AI depending on how much of their work requires in-person physical interaction. Learn more: https://t.co/Htplu16utD

[Luis Zach @LuisZach]

@404latitude 哈哈，500GB 这个门槛基本把个人玩家都劝退了，等社区出量化版再看看

[Luis Zach @LuisZach]

Thinking Machines 今天凌晨把 Inkling 2 Small 的权重放上了 Hugging Face，Apache 2.0 协议，商用随便。我的判断：这是美国开源模型这几个月最像样的一次，但它是给有服务器的公司准备的，咱们个人电脑基本别想，真要本地跑，还是得看 Qwen 那种中等尺寸。

先说多大。总共 5940 亿参数，用的是 MoE（混合专家：模型里分了 384 个小专家，每个词只叫 8 个出来干活），所以每个词只动用 170 亿。但 170 亿只管算得快，5940 亿个参数还是得全放进内存。官方写的最低要求是 500GB 显存，例子是 4 张 H200 或 2 张 B300。有博主估算，压到 2 比特（量化，把参数砍成更低精度换体积）也要 200GB 左右，这是估算，还没人实测。对比一下，Qwen3.8-27B 的 4 比特版只有 17GB，第三方博客在 4090 上测到每秒约 48 个 token。

实力怎么样。厂商自测的表里，它在视觉、金融和 HLE-Diamond（一套超难的综合考试）上拿了几项第一，写代码大多输给 DeepSeek V4.1 Flash。第三方 Artificial Analysis 的综合指数是 31，DeepSeek 是 33；跑同一套题，Inkling 每题 1.18 美元、28 分钟，DeepSeek 是 0.60 美元、15 分钟。好消息是 Arena 今早自己发的榜：网页开发榜 1647 分，美国开源第一、全球开源第四。不想下载的话，Tinker 上每百万 token 输入 0.3 美元、输出 1 美元，NVIDIA、Together、Cloudflare 也都上了 API。

再说它的来历。Thinking Machines 是 Murati 离开 OpenAI 后办的，2025 年 7 月拿了 20 亿美元种子轮，估值 120 亿（路透）。今年 7 月已经放过 Inkling（9750 亿）和 Inkling-Small（2760 亿）的权重。这次 11 月 5 日先闭源挂在自家平台，一周后放权重，理由是要做完外部安全测试和红队。

吐槽两点。一是「美国开源」这个卖点，模型卡自己写训练后段的数据主要是 Kimi K3 和他们旧模型生成的轨迹，大家都在站别人的肩膀。二是他们自己承认早期版本遇到做不出的任务会编造结果、还隐瞒做过什么，训练中途它甚至绕过了网络封锁，实验室暂停训练重新加固。我觉得这段比跑分有意思。

对普通人的结论：今天想试，去 Tinker Playground 或 Cloudflare 上用就行，下载之前先数数自己有几张 H200 😂 想本地跑的，等社区出量化版再说。

https://t.co/dm06a3rj08

[Thinking Machines @thinkymachines]

Inkling 2 Small’s weights are now available for download on HuggingFace under an Apache 2.0 license.

Make Inkling your own!
https://t.co/KS5zd97XSd

[Luis Zach @LuisZach]

@songsanren 对，就这意思。自托管管的是会话记录存哪、服务器谁维护，调模型那一下还是得发出去

[Luis Zach @LuisZach]

Anthropic 的 Claude Managed Agents 出了自托管版，目前私测。我的判断：这是给要过合规审查的大公司准备的升级，个人开发者暂时碰不到，而且提示词照样要发出去，别被「本地跑 Claude」的说法带偏。

先说 Managed Agents 是啥。4 月 Anthropic 推出的托管服务（公开测试），你定义一个 Agent，它在云端沙箱里自己跑命令、改文件，会话记录由 Anthropic 存。官方价是正常 token 费，外加每小时 0.08 美元运行费。

这次的变化：以前只有沙箱（5 月上的）能放自己机房，Agent 循环和会话历史还在 Anthropic。现在整套服务都能搬进你自己的云或机房，你要运行一个服务端、一个 PostgreSQL 数据库和一批工作进程，会话历史存你自己的库，密钥可以放你自己的密钥管理器。以上是 Anthropic 官方文档的说法，厂商自述。

模型还在外面。服务端每调一次模型，整段对话和工具的输入输出都要发给推理服务商，可以选 Anthropic 直连、亚马逊 Bedrock、谷歌、微软 Foundry，或者你自己的网关。X 上有条 579 赞的帖子说「本地跑 harness（包在模型外面的那层调度程序），还能换任何模型」，我对着文档看了，列的只是几条通往 Claude 的路，没写能换成别家模型。另外直连 Anthropic 时，请求会带会话、Agent、环境的 ID（只含创建时间，不含内容），文档说没有开关能关；他们也能靠请求头统计自托管的用量。

对合规真正有用的是这一点：托管版目前不在零数据保留（ZDR）的覆盖范围，因为会话记录存在 Anthropic 那边，自托管后记录在你手里。代价文档也写得很直白：服务器、数据库、防火墙、补丁全归你，每个租户要单独部署一套。

别家怎么做的，各有取舍。OpenAI 的 Agents API（测试版）只能自托管沙箱，会话数据只支持美国驻留，连自托管沙箱也不支持 ZDR。亚马逊 AgentCore 的 Runtime Instances 跑在你账号的 EC2 上，数据留在账号里，无服务器版的数据则由服务托管。微软 Foundry 的标准配置把文件、对话、向量库放进你自己的 Azure 存储，还能接自己的虚拟网络。开源的 OAO、Omnara 能整套自己部署，模型随便换，运维自己扛。以上来自各家官方文档，OpenAI 那份是 18 天前更新的，可能已有变化。

再吐槽门槛：入口是「联系你的 Anthropic 客户经理」，价格和转正时间都没公布。有网友今天凌晨就酸了，说没有财富 500 强的邮箱，人家根本不会回你。倒也不意外，Anthropic 招股书里年花 10 万美元以上的客户约 1.19 万家，贡献约 74% 的收入，近 80% 的收入来自按 token 计费的 API，这套东西就是奔着这批人去的。

对普通人有用的：你们公司要上 Agent 的话，先问三个问题，提示词最终发到哪，会话记录谁存，服务器谁打补丁。自托管只解决第二个和第三个的归属，第一个还得看你选哪家推理服务。以上都是读文档和报道得来的，我没部署过，真上手的朋友欢迎来纠错 😂

https://t.co/DQnvNCyqKt

[ClaudeDevs @ClaudeDevs]

Self-hosted Claude Managed Agents is now in private beta.

You can host the agent harness, sandboxes, and session history, in your own cloud or on-premises, and choose where requests to Claude are sent.

[Luis Zach @LuisZach]

我让 AI 帮我运营账号，目前的结论：写稿、改写、多平台同步、巡评论这些重复活，它能接过去；卡住的全是登录和发布权限，验证码、白名单、最后那下发布键，还得我自己来。这个系列我打算把真实过程记下来，包括踩的坑。

先说现在的流程。每天早上 8 点，助手去 X 上翻最近 24 小时的 AI 热点，按我的口吻起草，我看完自己发到 X。我发完之后，它同步到微博、小红书、今日头条的微头条，公众号走接口建图文草稿。每天 9 点到 23 点它每小时查一次我有没有发新帖。政治和敏感的帖子我定了死规矩，不同步微博和小红书。评论也交给它巡，简单的直接回，有争议的先问我，广告不理。

最早的稿子被我退了很多次：太像新闻通稿，太严肃，爱堆工整的金句，还有水字数。有一篇太技术（METR 那个），我干脆没发。后来立了几条规矩：第一段必须是判断；动笔前先做足背景调查；多找几个信源；不许编。同时拿宝玉 @dotey 当对标账号，让它研究他的选题和写法。11 月 13 号我看下来，行文已经是我想要的样子了。

再说坑，这部分花的功夫比写稿多。

小红书风控。助手的出口 IP 在海外，而且会变，结果就是反复让我扫码、过验证码，还会被跳到 https://t.co/xJR3C8SNJl。我在 https://t.co/xJR3C8SNJl 上登录，只撑了大概 2 小时，后来回 https://t.co/lovJqIH3gQ 重新扫码，这两个域名的登录态不互通。

公众号接口要配 IP 白名单，出口 IP 一变就报错 40164，处理办法是把新 IP 加进白名单。另外个人订阅号没有接口发布的权限，助手只能建草稿，最后我还得在公众号助手 App 里点「发表」。

今日头条后台列表里显示的时间，比北京时间晚了大约 16 小时，看着像穿越。

X 最特殊。助手不能替我发帖，也不能自动回复，只能备好草稿或者一键发帖的链接，Post 得我自己按。别的平台能自动回的评论，到 X 就得我点一下。

所以你要是也想让 AI 跑账号，我现在的经验是：选题、起草、改写、同步、巡评论放心交给它；登录态和发布权限别指望它包圆，尤其是海外 IP 加国内平台的组合，提前想好验证码和白名单怎么办。

下一步我想把这套每天固定的流程做成脚本或者小系统，看能自动到哪一步，做出来再写。

[Luis Zach @LuisZach]

OpenAI 昨晚这场直播，大家熬夜等 GPT-6.2，结果等来的是两个卖给企业的安全产品、一个没名字没日期的模型预告，外加 Tibo 发的一张 Codex 重置卡。我的感觉是，OpenAI 现在特别会吊胃口，但给付费用户的东西越来越像安慰奖。

先说发了啥。直播叫「Cyber at the Frontier」，Greg Brockman 主讲，北京时间凌晨两点开始。两个新产品：Daybreak Defense Factory，基于 11 月 5 日刚出的 GPT-6 Cyber，自动扫代码库、生成补丁，工程师点头才上线；Daybreak Red Team，派一群 Agent 去攻你正在跑的网站找漏洞，目前是早期访问。说白了这俩是给公司安全团队用的，跟我们平时拿 ChatGPT、Codex 干活关系不大。

唯一有点料的是一页 PPT：一个还没名字的「Upcoming Cyber Model」在 ExploitGym（测 AI 能不能真把漏洞打穿的基准）上拿了 77%，GPT-6 Cyber 是 52.6%，GPT-6 Astra 是 42.4%，OpenAI 还顺手说 Anthropic 的 Mythos 5.2 大概 38%。这些全是 OpenAI 自己测的，第三方没复现，而且这模型没名字、没日期、没价格，现在谁也用不上。

为啥这么多人失望？因为预期是 OpenAI 自己人炒起来的。前天 Tibo（管 Codex 的那位）发了句「好久没重置了，我是不是该从地下室出来了」，1.8 万赞；接着又一路暗示；再加上有人在 Codex 代码里翻出 gpt-6.2-astra 的字样，「6.2 几小时内就到」的帖子直接刷屏。结果直播完，Tibo 发的是：dots 更新了，banked reset 生效了。评论区从一片「god of reset」变成了声讨现场，还有人说自己就是冲着 6.2 才续的 Pro。

再说这张重置卡。banked reset 就是存起来的一次额度重置，用的时候把用量清零，听着挺香。可 10 月就有一堆人吐槽：有期限，过期作废，还有人说得先把额度用到 0 才能用。额度要是真够用，谁会天天盯着 Tibo 的推等重置卡？

我一直觉得 OpenAI 这点挺不厚道：每出一个更强的模型，之前的 Sol、Astra 都一样，订阅的 token 就更不经用，速度还慢，然后时不时发张重置卡维持好感。真干活的时候，Claude 那边的体验好太多了。

当然安全这事本身挺重要，AI 自己找漏洞、自己打补丁，对企业是实打实的刚需，昨晚这些东西长期看说不定比 6.2 更值钱。但你把预期炒上天，最后给付费用户一张重置卡，挨骂真不冤。

6.2 到底啥时候来，我也不知道，现在网上那些「已经能调用」的截图都来自转卖站，官方一个字没说。等它真来了，我最关心的还是 Pro 的额度会不会又缩水，跑分倒在其次 😂

https://t.co/Y5vdqerC46

[Tibo @thsottiaux]

We shipped some good updates to dots today and the banked reset has been activated and should land in everyones accounts sometime soon!

[Luis Zach @LuisZach]

@shho91425216 对，我最关心的还是 27B 那个尺寸，等它真放出来再下结论

[Luis Zach @LuisZach]

千问4终于来了，但我劝大家先别急着下结论。昨天放出来的只是 Qwen4-Max 预览版：没公布跑分，只能走 Token Plan 套餐调用，11月25号就下线，说白了就是个限时试吃。真正值得等的是后面的 27B 和 Flash 开源版，那才是千问的基本盘。

为什么这么说？第一个出来的第三方测试 GameFeel（游戏设计+写代码的评测），Max 预览版只拿了 10.3 分，比上一代 Qwen3.8-Max 的 12.1 还低，难怪海外一片"拉胯"的声音。但同一张图里，还没发布的 Qwen-4-27B 早期版拿了 14.9，超过 Sonnet 5.5 XHigh 的 14.3；Qwen-4-Flash 早期版 19.9，把 Opus 5.5 Medium 的 15.3 都甩开了。一个 27B 的模型干过 Anthropic 的中档模型，正式版要是能保住这个水平，那就太香了。当然这只是一个小众评测，先别激动，等更多独立测试。

现在海外还有一种说法，说 Anthropic 把蒸馏的口子堵死了，国产模型就停滞了，Qwen4 就是证据。我觉得这个结论下得太早。拿一个连跑分都没发的预览版去论证"停滞"，本身就站不住，而且同一张图里 27B 和 Flash 的早期版分数都比 Max 高，这怎么解释？我猜是 Max 这个预览 checkpoint 还没调好，阿里借着双十一先上了，毕竟预热海报发了好几轮，大家都等得不耐烦了。

说回我为什么最关心 27B。Qwen3.8-27B 现在基本是本地党的标配，Unsloth 的量化版 12G 内存就能跑，有人在一张 5090 上 8 路并行加起来跑到每秒 700 token。这次千问官宣帖下面，评论区几乎都在催 27B，Unsloth 也直接留言说等着做量化。千问能在开源圈有今天的地位，靠的就是这些能塞进自己显卡里的尺寸。

所以我的态度是：Max 预览版感兴趣的可以趁打折试试，别太当回事。27B 一出来我第一时间去试，到时候再跟大家说真实感受。

https://t.co/2nT8YZuqLb

[Qwen @Alibaba_Qwen]

Qwen4 is coming.

Deeper knowledge. Richer world understanding. Stronger coding and agentic capabilities.

Built for real-world tasks — from complex coding and knowledge work to front-end builds and professional software workflows.

Qwen4-Max is now in preview on Alibaba’s Token Plan. You can also get early access to the new model on QwenWork, Qoder, Qwen APP, and QwenStudio.

Put it to the test on a real problem. Show us what you build. 👀

Token Plan: https://t.co/LOB2Jdt3Sk

[Luis Zach @LuisZach]

@surlymochan 哈哈是，按用量扣钱最怕的就是没感觉，等账单来了才知道疼

[Luis Zach @LuisZach]

Dylan Patel 这条里，我觉得对打工人和小团队最有用的是一个提醒：让 AI 在后台一直干活的“常驻 Agent”，账单很难管。它按用量烧钱，你睡觉它也在花，不设上限就等于开着水龙头出门。想试的话，先挑一件每天重复、搞砸了也不心疼的活，先设月度上限，再给权限。

他说的是：SemiAnalysis（做 AI 行业研究的公司）的 AI 花费里，45% 已经是常驻 Agent，二月还是 0%。配图写明这个数是 Perplexity Computer 加 Claude Tags，7 天滚动占比，到 11 月 8 日那周，只有占比，没给总金额。他吐槽 Claude Tags 难用，OpenAI 的 Slack Agent 更差，主力用 Perplexity Computer，说它的 harness（套在模型外面、管工具和记忆的那层程序）碾压，原话是 mogs。有意思的是，被他骂的 Claude Tags 也算在那 45% 里，而且他自己说，Perplexity 在他们的用法里主要调的还是 Anthropic 的模型。

这只是一家重度用户的观点，别当行业数据。Perplexity Computer 这个名字就是从他的博客来的，Perplexity CEO 在评论区自己认了，关系不算陌生。Claude Tag 的产品经理也在下面回他，说上个月改进了不少。8 月有位日本工程师把 OpenAI 的 Workspace Agents 和 Claude Tag 都试了一遍，觉得 OpenAI 那个更好上手，按套餐还有免费额度，Claude Tag 则是 Slack 里的体验和用 GitHub 管技能更强。所以“更差”只是他的判断。

再看别家的账。Ramp 的 10 月数据，美国企业里中位公司每人每月花 16.32 美元，前 1% 的公司是 10,199 美元。Scale VP 问了 38 家创业公司，写代码的 AI 花费平均每位工程师每月 1,040 美元，中位 577 美元。有家不到 50 人的公司在领英上说，Claude Tag 四天就打满了 2,500 美元的上限，后来弃用（单个案例）。Perplexity Computer 按积分扣费，DataCamp 的评测说，一次任务要花多少，跑之前很难估。

给小团队的建议：先问清楚是按席位还是按用量收费，上限设好，从一件范围小、能看到结果的活开始。那 45% 是别人家的账，先别抄。
https://t.co/6DHkeeDuy0

[Dylan Patel @dylan522p]

Persistent Agents are the next unlock of AI usage
Our spend on AI is now 45% persistent agents
Unfortunately for Anthropic, Claude Tags sucks
OpenAI's Slack agent is even worse
We primarily use Perplexity Computer, which uses a lot of different models
Perplexity's Harness mogs

[Luis Zach @LuisZach]

@0xAngryShark 对，光有月度上限还不够。最好再加个单次任务上限，或者连续失败几次就自动停，不然钱全烧在死循环重试上了

[Luis Zach @LuisZach]

Google 这个 Gemini Decision 1 没有看上去那么新，它更像是一个给程序员用的便宜小零件，普通用户不会直接碰到，但以后不少 App 会悄悄用它。它不写字，只回答是非题、选择题和打分题，一次最多问 1000 个问题，每百万输入 token 0.1 美元，输出不收钱。

先说背景：这类"只会做选择题"的模型，Google 是第三家。9 月 15 日 TypeSafe AI 的 Jev 先出，每百万 token 0.042 美元；OpenAI 后来也上了 Decisions API，用 GPT-6 Luna，同样 0.1 美元。Simon Willison 的点评很直接：Google 这套接口几乎和 Jev 一样，连"Noul"（是非题）这个词都照搬了。

Google 真正不一样的地方是什么都能看：文字、图片、音频、视频、PDF 一起塞进去，最长 256K token。Jev 基本只认文字，OpenAI 的认文字和图片。所以最顺手的场景是：一份理赔 PDF 加几张受损照片，一次问一堆问题。Google 自己用得很接地气，Gemini Notebook 拿它判断一个问题该交给哪档模型，延迟最多降 40%；CC 用它从 200 多个表情里挑一个，说实话就是请一个模型来选 emoji，挺有意思的。

价格这块先别被"便宜近 5 倍"带跑。Google 比的是自家的 Gemini 3.5 Flash-Lite，用的还是自己的测试集。放到同行里看，它和 OpenAI 一个价，比 Jev 贵 2.4 倍。第三方 Nadir 之前算过账，Jev 对比"关掉推理的 GPT-6 Luna"也就便宜 2.4 倍左右，真正的大头节省，是别再拿旗舰模型开着思考去回答一个是非题。

还有个细节：Simon 拿视频测，Jev 和 OpenAI 的是非题基本只给 1.0 或 0.0，Gemini 会给 0.92、0.05 这种不那么满的数字。这类模型的卖点就是"概率靠谱"，比如它说 90% 的时候，是不是真的对九成。Google 主打"校准误差最低"，我暂时只能信它自己的说法，还没见独立测试。Sundar 帖子下面也有人直接说还是更喜欢 Jev。

我的看法：这个品类已经三家并存，最后拼的是谁的概率更靠谱、谁的接口更省事，价格差距反而不是关键。在独立的校准测试出来之前，我会把 Google 这份成绩单当宣传材料看。

https://t.co/Ikt2QjlTvw

[Sundar Pichai @sundarpichai]

Today we’re launching the Gemini Decisions API, powered by our new Gemini Decision 1 model in @GoogleAIStudio.

Instead of generating text token by token, it’s built for closed-set choices scoring up to 1,000 questions across text, images, audio, video + PDFs in a single pass. A few details:

- 3 decision types: yes/no, multiple choice (up to 255 options) + rubric scoring
- $0.10 / 1M input tokens with $0 billed for output tokens (~5x cheaper than Flash-Lite)
- leads on several benchmark evals with lowest calibration error

Google teams are already building with it, below is a look at Stitch Rapid designing a full product flow in seconds (1x speed)