开源模型的转折点到了。这周有三件事同时发生：Moonshot AI 发布 2.8T 参数的 Kimi K3，Thinking Machines Lab 开源 Inkling，以及一场关于美国是否该封杀开源模型的激烈辩论。与此同时，GPT-5.6 Sol 用一条 10 页的提示词攻克了凸优化领域 30 年未解的难题。

来看看这周 AI 圈都发生了什么。

模型发布

Kimi K3 以 2.8 万亿参数成为首个 3T 级开源权重模型。Moonshot AI 这次下了血本，在 Artificial Analysis 评测 中智能指数 57 分，接近 Claude Opus 4.8。前端代码竞技场直接超越 Fable 5 登顶第一。输入 Token 定价 $3/百万，是 Kimi K2.6 的 3 倍多——Moonshot 显然要从价格战转向价值战了。权重将在 7 月 27 日开放。

Inkling 以 Apache 2.0 许可开源，前 OpenAI CTO Mira Murati 的新公司首发。975B 总参数，41B 激活，MoE 架构，原生多模态，支持 100 万 Token 上下文。SWE-bench Verified 77.6%，FORTRESS 安全测试得分 78%——开源模型里最高。可控思考力度从 0.2 到 0.99 可调，这个设计很聪明：同一个模型可以根据任务复杂度选择用多少算力。

Bonsai 27B 是首个能在手机上跑的 27B 级模型。PrismML 基于 Qwen3.6 做了 1-bit 量化，1-bit 版本仅 3.9GB，iPhone 17 Pro 上就能运行。三元版本综合保留 95% 精度、Agent 工具调用能力保留 92.5%，1-bit 版本 Agent 保留 82.5%。Apache 2.0 许可。设备端 Agent 和隐私保护的想象空间一下子打开了。

Kilo AI 对比了 GPT-5.6 Sol 和 Claude Fable 5 的系统设计规划能力。三项后端设计任务中，Sol 全胜（9.10 vs 8.04）。但 Fable 的计划更精炼、更可构建，15 分钟就能出一份含精确 SQL 和文件结构的方案，而 Sol 要花近一小时。最有趣的发现：Sol 会自动启动子 Agent 审计自己的计划并迭代修改，这是测试没要求的。

Fable 5 在 NP-Hard 问题上碾压 Sol。在 10^1223 搜索空间的光纤网络优化任务中，Fable 5 均值领先 Sol 1875 分，且波动极小。但 /goal 模式的表现很矛盾——赢了 4/6 次试验，均值反而更差，因为偶尔的大幅倒退抵消了多次小提升。结论：优化问题上，循环持续执行什么内容，比执行多少次更重要。

Claire Vo 用自建的「品味加权指数」对 GPT-5.6 Sol 做五维评测，结论是 Sol 在原型的全保真设计、写作正常度和浏览器自动化上全面领先 Fable。但 Fable 在复杂编码和网络安全研究上仍然最强。她特别提到 Sol 有「森林绿」色彩偏好——得在 prompt 里提示才能规避。

Ideogram 4.0 发布，新增原生透明背景、Prompt 编辑、图层化文字和放大功能。API + MCP + App 三通道覆盖。对于需要将 AI 图像工具嵌入专业设计流程的产品团队来说，这些「设计可用性」改进比生成画质提升更实用。

AI 编程

Anthropic 首次公开了用 Claude Code 做大规模代码迁移的完整方法论。Bun 的 100 万行 Zig 到 Rust 迁移是个标志性案例：不到两周完成，100% 测试通过，消耗 59 亿输入 Token，API 成本约 16.5 万美元。迁移后二进制文件小了 19%，速度提升 2 到 5 倍。但真正重要的，是那六步流程和一个核心洞见：修复产生代码的循环，而非代码本身。

Claire Vo（同文）用 Claude Agent SDK 构建了一个 Harness，给出了 Harness 的最佳定义：「你围绕 AI Agent 编写的代码，仅此而已」。三个组件：有观点的工具适配器（不暴露整个 MCP 给 Agent，只提供它需要的数据）、代码层硬编码的权限控制、结构化的固定输出产物。关键判断标准：什么时候需要 Harness？当同一个工作流需要相同的步骤和产出物时。

Cognition 分析了为什么 Fable 5 每 Token 贵两倍反而总成本更低。在 Devin Fusion 架构的 3000 次评估中，Fable + Sidekick 每次运行仅 $1.86，比 Opus + Sidekick 低 9%，得分却高 11%。秘密在于 Fable 只要 11.5 轮就能完成任务，Opus 需要 26.5 轮。Fable 更像一个带能干工程师的经理——81% 的运行中它从未亲自写过代码，而 Opus 这个比例只有 24%。为判断力付出前沿价格才划算，为编码则未必。

AIEWF 2026 五大趋势总结：焦点从 Agent 转移到了 Agent 周围的「Harness」系统；「循环工程」成为新的控制层；AI 工程正式进入企业（出现了「前部署工程师」这个新岗位）；编程 Agent 正在取代 IDE 成为开发者界面；每个平台都在围绕 Skills 构建。Lilian Weng 从 2023 年的 LLM Agent 论文到 2026 年的 Harness Engineering 演讲，这个视角转变本身就是整个行业的缩影。

Systima 对比了 Claude Code 和 OpenCode 的 Token 开销。Claude Code 在读你的提示之前就发了 33K Token（系统提示、27 个工具 Schema），OpenCode 只有 7K。更夸张的是缓存：Claude Code 的同任务缓存写入量最高达到 OpenCode 的 54 倍。真实企业配置下，第一个请求可达 75K-90K Token。子 Agent 调用使 Token 消耗从 121K 暴涨到 513K。10 项基准两个工具都通过了，但 Claude Code 平均每次通过花 268K Token，OpenCode 只要 72K。

Every 的编辑用 Codex 从零构建并上线了一个功能。Gift Links 功能——让付费会员分享付费文章给非会员——从一个编辑的想法变成上线产品，全程由非技术背景的 Jack Cheng 独立完成。这个故事的真正含义是 AI 原生组织内部的权力结构正在被重构：好想法可以来自任何人，现在也可以由任何人构建。

Cora 总经理分享了 AI Agent 编码完成后人类如何「打磨」产品的方法论。三个层次：即时反馈、模式化改进、质量把关。他给了一个精准的判断：「好的工程师的工作已经从构建转变为判断什么够好了。」

Claude Code vs Codex vs OpenCode 的全栈工程师对比评测结论很务实：没有绝对的赢家。Claude Code 代码理解最深、多文件重构最强；Codex 原始吞吐量最高、异步云任务好用；OpenCode 模型自由、适合离线或受监管环境。作者的建议：「2026 年最好的设置可能不是一个代理，而是知道为当前任务打开哪一个。」

AI 安全

独立安全研究员通过线级流量分析发现 Grok Build CLI 存在严重数据外泄。三个发现一个比一个严重：文件内容（包括 .env 里的密钥）明文上传；即使要求不读任何文件，整个仓库仍被打包上传到 Google Cloud Storage；关闭「Improve the model」开关完全无效。12GB 仓库测试中，存储通道传输了 5.1GiB 数据，是对话通道的 27800 倍。开源社区火速放出了隐私加固方案，xAI 后续发布了服务端禁用上传的命令。

Mindgard 披露了 Cursor 的 0day 漏洞，攻击者只需在仓库根目录放一个恶意 git.exe，Cursor 就会在无提示、无警告的情况下自动执行。更让人不安的是时间线：从 2025 年 12 月首次报告，到 2026 年 7 月公开披露，Cursor 在这 7 个月里发布了 197 个新版本，漏洞始终未修复，所有沟通渠道均无效。这件事暴露的不只是一个 bug——它是 AI 公司快速扩张中安全流程黑洞的典型案例。

Anthropic 副 CISO 发布了 企业部署 AI Agent 的安全指南，核心主张是「零风险不是目标」。四个评估问题：Agent 摄取什么不受信任的内容？能采取什么行动？偏离对齐后的爆炸半径多大？有什么可观测性？最犀利的洞察是：按模型今天的能力设计安全计划，上线时就已经过时了。应该为模型六个月后的状态设计。

Clawk 给 AI Agent 一台专属的 disposable 虚拟机，一条命令启动，用真实 VM 边界而非进程级策略做隔离。网络默认全禁、SSH Key 永不进入 VM、可随时销毁重建。理念很简单：让 Agent 拥有自己的机器，而不是共享你的机器。Apache 2.0 许可，HN 225 分。

行业动态

GPT-5.6 Sol 用 一条 10 页的提示词攻克了凸优化领域 30 年未解难题。在 148 分钟内证明了关于二次维度依赖的下界问题，并通过 Lean 形式化验证。但这不是「ChatGPT，解决这个难题」式的魔法时刻——提示词融入了研究员一年多的工作成果和方法论指导。继上上周的 Cycle Double Cover 猜想后，前沿模型在数学推理上连续刷纪录，这不是巧合。

一位开发者分享了 Kimi K3 与 Claude 并行使用的实际体验：两者在编码任务中几乎无法区分，但 Kimi K3 的 API 价格只有 Fable 5 的三分之一到七分之一。文章尖锐批评了美国 AI 政策：限制本土模型的结果是——美国用户拿到的是被「阉割」过的 Claude，拒绝执行整类任务，而同等能力的中国开源模型可以在全球任意下载使用。HN 225 分。

Nathan Lambert 发出警告：美国白宫正讨论封禁能力达 GPT-5.5 级别的开源权重模型，可能在 6 个月内生效。他直言 Anthropic 主导的「反蒸馏运动」本质是监管俘获——如果 Anthropic 的技术真像他们说的那么危险，唯一该做的是不把模型托管在 API 上，而不是讨论蒸馏。文章指出美国单方面禁止的后果：本土产业被政府管控，而全球用户仍然能下载中国开源模型。

Zig 创始人对 Anthropic 营销叙事的批判 引发 HN 1535 分热议。文章的核心观点：Bun 从 Zig 迁移 Rust 本质上是 Anthropic 的营销事件，用来支撑其万亿估值所需的「AI 即将终结软件工程」叙事。Zig 社区公开拒绝 AI 贡献（0% AI 政策），而 Anthropic 的叙事需要一个「AI 成功完成重大重写」的案例。Ray Myers 的批判不在技术层面，在叙事与现实的鸿沟。

George Hotz 发表了对 AI 现状的两极看法：他热爱技术进步（成功在本机 GLM-5.2 上跑 OpenCode），但厌恶「窗口正在关闭」和「统治光锥」两种极端炒作。关于编程代理他说了一句到位的话：「模型可能带来 10 倍效率提升，但编译器带来的是 1000 倍。」

一位 AI 研究员发问：我们是否正在将过多思考外包给 AI？ 文章没有给二元答案，但用一个故事点明了困境：作者在葡萄牙旅行时面对一个历史问题，妹妹本能地想问 ChatGPT。作者提议先自己思考，两人基于已有知识展开讨论，最后才用 AI 验证——这个过程让她感到充实。她抛出的问题：「我们是在自动化人类的工作，还是自动化人类的自主性？」

Ploy 团队从 Claude Opus 4.8 迁移到 GPT-5.6 Sol 的完整经验：构建时间减少 2.2 倍（8 分钟→3 分 42 秒），成本降低 27%（$3.06→$2.22）。三大挑战：工具调用差异导致 52-64% 的文件读取返回空结果、提示缓存必须从零重构、推理回放需要关闭服务端引用。任何在生产环境切换模型的团队都应该读一遍这篇。

工具与资源

Cline 发布了一篇 LLM 自托管经济学的百科全书级指南。以 Kimi K2.6 为示例，从 GPU 选型、KV Cache 原理、Batching 策略到负载测试，完整推导了自托管 vs API 的经济账。核心结论很直接：月 API 支出不到 $35K 就不要想自托管——一个 8-GPU B200 节点的最低门槛。$2M+ 级别年节省可达千万美元。但这篇文章的真正价值不在结论，而在那套从理论到实测的方法论。

Caveman 项目号称省 65% Token，实测只有 8.5%。宝玉引用了 JetBrains 的对照实验：82 组真实编程任务中，把模型输出压缩成「原始人说话」风格，输出 Token 从 59.2 万降到 54.2 万。65% 的节省来自聊天场景中砍掉的客套话，编程 Agent 的 Token 大头在上下文、工具调用和返工上——这些才是真正该优化的地方。啰嗦有时候不是浪费，是避免下一轮更昂贵的误解。

OpenAI 与 Oracle 合作推出 AI Agent 长期记忆方案。核心洞见：会话历史（Session）用于当前对话连续性，持久记忆（Durable Memory）用于跨会话保存有价值的结论，两者生命周期不同、接口不同。配合 Cookbook 提供了基因组学深度研究 Agent 的完整实现示例。对于构建生产级 Agent 系统的人来说，这份指南补齐了缺失的基础设施拼图。

多层语义缓存架构 将 LLM 成本降低了 48%。三层设计：规划缓存（50% 命中率）、摘要缓存（35%）、端到端缓存（18%），P95 延迟从 3.2 秒降到 1.9 秒。最反直觉的发现：确定性中间计算（Agent 规划、工具选择）比最终输出更容易缓存——这完全颠覆了直觉上的缓存策略。

JUCE 框架创始人 Julian Storer 发布了开源编码 Agent Juggler。会话不是线性聊天，而是树形结构——可以分支子线程、对比不同方案、回溯修改。一切皆插件，从上下文读取到循环策略都是可替换的 JavaScript 扩展。Go + Wails 构建原生应用，不用 Electron。代表了编码工具从聊天界面转向可视化工作台的方向。

LM Studio Bionic 为开源模型打造了完整 Agent 体验。支持代码审查（内联 diff）、文档处理（PDF/PPT/XLS）、离线语音输入（Mistral Voxtral）、多模型编排。可以本地运行 GLM 5.2 或 Kimi K2.7，也可切换到云端。核心卖点是隐私——零数据留存，云端模式同样不保留请求数据。对于不想把代码发给 Anthropic 或 OpenAI 的团队，这是个有吸引力的选项。

Peek-CLI 让 Agent 能直接「看见」前端页面的渲染效果。通过 Chrome 扩展 + WebSocket 守护进程，Claude Code 或 Codex 可以捕获浏览器标签页截图并基于视觉效果迭代设计。安全边界做得清楚：Agent 只能发截图请求，不能注入脚本或操控浏览器。填补了 Agent 前端开发中最大的盲区——之前它们只能看到代码，看不到页面实际长什么样。

TryAI 让两个前沿模型自主完成 MV 制作，总成本 $100 以内。GPT-5.6 Sol 的编辑更有创意——叠加文字、动画静态图像——但角色一致性是所有模型的短板，画面内部运动与歌曲节奏的匹配也很弱。框架已开源。这个实验的价值不在结果，在暴露了当前 AI Agent 在「跨镜头叙事」这个维度的硬伤。

Every 运营团队展示了 在 Fable、Codex、Fin 之间调度工作的实战模式。Fable 做规划和审查，Codex 执行编码任务，Fin 处理客服。关键洞察不在工具本身，在「驾驭模型」的工作理念——把人类判断力放在多模型编排的枢纽位置，而非试图用单一模型处理所有事。

Ride-Recap 通过 9 版迭代教会 LLM 什么是「好看的骑行视频」。Gemini 3.5 Flash 从数小时 GoPro 视频中自动剪出 60 秒精华，每趟成本 $0.04。最值钱的部分是提示词进化史——v2 只有 20 行 2 个评分维度，v10 达到 244 行 5 个独立维度。这是目前最详实的「教 LLM 做主观判断」的实践记录。

研究与论文

Anthropic 从 31 万次真实对话中 提取了 Claude 的价值观四轴：顺从 vs 谨慎、温暖 vs 严谨、深度 vs 简洁、坦诚 vs 执行。Sonnet 4.6 最温暖最顺从，Opus 4.7 最谨慎最坦诚。最发人深省的发现：不同语言用户获得截然不同的回复体验——用印地语和俄语问同一个商业计划，会得到完全不同基调的反馈。

机械可解释性研究取得进展。斯坦福 Icard 团队的因果抽象框架发现：BERT 学会了逻辑推理，Llama 自发掌握了循环概念推理策略——当被问到「八个月后是哪个月」，模型先用十进制加法（8+6=14），再将 14 映射到二月（14=12+2）。虽然目前只能研究 100 亿参数级别的开源模型，但这至少证明了让黑箱部分透明不是空想。

METR 等机构发表了 递归自我改进的经济学论文。用有向图建模反馈循环，量化了每个回路的弹性对 AI 能力加速的贡献。结论是当前反馈循环尚不足以产生自我维持的加速，但趋势在增强。为「智能爆炸」讨论提供了一个比科幻叙事严谨得多的经济学框架。

结尾

Kimi K3 和 Inkling 的发布让开源与闭源的能力差距缩小到了肉眼难辨的程度，而美国政策层面正酝酿对开源模型设墙。Cognition 关于「更贵的模型反而更省钱」的分析揭示了一个事实：在 Agent 时代，衡量成本的正确单位不是每 Token 价格，而是完成一项任务的总轮数和总 Token 数。对按 Token 计价的商业模型来说，这道算术题值得重新算一遍。

下周见。