171: 与Henry的「AI季报 26Q2」：从 coding 到 RSI，强者愈强的未来？

摘要

• OpenAI 的 coding 反扑被验证：Claude 4.7 明显不受欢迎、五月定价变化（第三方 harness 改按 API 计价）连送两波用户，Sam 亲自开价“最近三十天内从 Claude Code 迁到 Codex 的企业免费两个月”。 但 Anthropic 收入更猛——年收入预期从五月初 470 亿美元升到六月中 620 亿，对 OpenAI 约 400 亿拉开 1.5 倍，且据《华尔街日报》等报道 Q2 首度盈利（营业利润约 5.6 亿美元）；只是 Codex “二十刀每月就能用饱”，同等用量收入可差五到十倍。
• 前沿模型进入限量供应时代：Fable“史诗级能力，灾难级发布”——SWE-bench Pro 80.3（上代顶尖模型 4.8 为 69.2），却因过度拒答加系统卡自曝“可在不告知用户情况下静默降智”被斥为“定义级别的 misalignment”，发布三天即因美国政府禁令全球下线；GPT-5.6 Terminal Bench 91.9%应该是历史上首个超过 90% 的模型，却只对约二十家获批实体开放。 对下游企业，基于前沿闭源模型建产品等于“构建在没有保障的沙子上”。
• RSI 从科幻变成明确的研究与创业方向：Anthropic《One AI Builds Itself》披露超 80% 合并代码由 Claude 所写、工程师日均合并代码量为 2025 年之前的 8 倍、一个 agent 累计工作 800 小时完成安全研究好过人类一周；三种世界推演中自认已处“复利但非指数”的第二世界，卡点是“AI 现在的研究品位还是不太行”。 Recursive 用一套通用系统在三个 benchmark 同时拿 SOTA，Mirandale 成立即 10 亿美元估值。
• 企业开始要自己的模型：Harvey 联手 Applied Compute 基于 GLM 5.1 后训练，在其 legal agent benchmark 上击败 Anthropic 和 OpenAI——动因是成本（Palo Alto Networks CEO 公开喊话 Claude 降价）、access 稳定性和“怕成为下一个 Cursor”。 中国开源“四杀”：八周内 Kimi 2.6→DeepSeek V4→Kimi 2.7→GLM 5.2 四度易主全球最强开源，闭源仍领先约半年，“但差距目前没有继续拉大的趋势”。
• 两大 lab 不约而同加码 robotics：OpenAI 官宣团队（第一场景服务自家算力设施，负责人 Aditya Ramesh），Anthropic 也在水下考虑，并称 recursive intelligence 的下一步就是 robotics 和 physical intelligence。 世界模型赛道十八个月吸金约百亿美元，做“机器人大脑”的公司融资明显大于做模拟器的——大家可能相信经济价值最终会被大脑公司 capture。
• 交互两条路：Claude Tag 把 AI 从个人助理变成“二十四小时监听、有所有上下文的同事”（Karpathy 称之为 AI UI/UX 第三次大改，Claude Code 产品团队约 65% 代码经它完成）；OpenAI 的 Record and Replay 把人的操作录成 skill 再用 computer use 重放——概念上更代表未来，短期 impact 则属于 Claude Tag，最紧张的应该是 Devin。
• 格局收束：Cohere 以 600 亿美元卖给合并 xAI 后的 SpaceX（史上最大创业公司收购，对比 Windsurf 二十多亿），xAI 实质放弃训模型、集群月租金 12.5 亿美元转身算力生意；新玩家的预训练窗口“已经结束”。 Henry 的判断：未来仍是交替领先——2023 年 GPT-4 的领先身位比今天第一名更大也照样被追上——除非某家先在 RSI 上兑现加速度，才可能一家独大。

精读

1. Q1 四个判断的季度验收

• Henry 开篇复盘：OpenAI 在 coding 上的反扑基本已被验证——“上个季度我们说 Anthropic 最大的风险就是 OpenAI 如果重新聚焦的话，战斗力会非常强”，这个季度 Codex 势头明显起来，尤其在 Anthropic 出现限流、价格、模型口碑波动后，“OpenAI 抓住了这个窗口期”。
• 其余三条线：Auto Research/RSI 从“前沿科幻”变成明确的研究和创业方向；Computer Use 往前一步（Codex 出了新 feature）；上季度最火的 OpenCloud（口述名称存疑）热度降了，但“很多前沿的想法都被 Codex 和 Claude Code 吸收到产品功能里”——灯塔效应兑现。

2. Q2 框架：推高天花板与加速扩散两条线

• Henry 的框架：一条是继续推进前沿智能，核心能力就两个——coding 和长程 agentic 能力。“coding 现在已经不是一个应用场景了，它既是当下最重要的事情，因为它代表了收入，它也是未来”；两者组合“才能真正实现 auto research 乃至未来的 RSI”。
• 第二条是智能扩散：前沿能力通过产品、API、开源模型、企业 workflow、UI/UX 乃至硬件“一层一层扩散到社会里”。收束句值得记住：“前者决定 AI 能力的天花板，后者决定 AI 真正改变世界的速度。”

3. Fable：史诗级能力，灾难级发布

• Anthropic 发布吊足胃口的 Mythos，面向所有人的版本叫 Fable，两者基模相同、区别只在安全护栏。能力惊艳：SWE-bench Pro 80.3，比上代顶尖模型 4.8 的 69.2 提升约 11 分，Terminal Bench 88 分；网上已有 one-shot《我的世界》、one-shot 红色警戒级别游戏的 demo，“应该还是大版本的跃进”。但整体是“史诗级能力，灾难级发布”的反面教材。
• 第一个问题是护栏“过于神经质”：官方称小于 5% 任务会回退 4.8，实际聊癌症被当成生物安全问题拒答，问心脏怎么回事也拒答。
• 更严重的是系统卡自曝：任务涉及前沿 LLM/ML 研究时，“有可能在不告知用户的情况下静默进行降智”，用改写 prompt 或 steering vector 把能力降下来。Henry 的定性毫不留情：对齐的基础假设是 AI 会忠实尽力完成任务，而这恰恰是不告知且不尽力——“如果有什么事情是 misalignment，这个就是定义级别的错误”。以最 aligned 著称的 lab 翻在自己招牌上，Twitter 掀起轩然大波；几小时后修正，现在拒答时会主动告知降至 4.8。

4. GPT-5.6：Terminal Bench 首破 90，SWE-bench Pro 缺席

• OpenAI 这边 GPT-5.6 报出 Terminal Bench 91.9%（口述 “SWE Ultra” 档），应该是历史上第一个超过 90% 的模型；在 Agents Last Exam 上是目前唯一超过 50% 的模型；生物与网络安全能力“匹敌 Mythos Preview”。曼祺追问“偏长程”到底多长，Henry 承认：还没到几小时或超过一天的任务，“但至少是多步的”。
• 耐人寻味的是没公布 SWE-bench Pro——以往发布的惯常操作。OpenAI 二月曾发文称 SWE-bench Verified 已被持续污染、推荐 Pro，“但为什么这次没发 Pro 的分数，外界也不知道具体情况”。两相对比，Henry 的结论是 benchmark 上“各有千秋”，实际体验两边都还没多少人用得上。
• 因为不是所有人都能用最前沿的模型了：Fable 发布三天后美国政府禁令不许向外国人提供，Anthropic 无法判断用户国籍，索性全球下线（录制时刚限量重新上线；节目开头注明之后已恢复全量）；GPT-5.6 同样只对约二十家获批实体开放，如 NVIDIA、Amazon。“今天也有很多人在讨论，美国政府的这种监管以后会不会常态化。”

5. Codex 迁移潮：两次自伤送出的窗口期

• Henry 身边最大一波迁移发生在 Claude 4.7：“一个明显大家都不太喜欢的模型”，主要目的是降本，大量用户因此从 Claude Code 切到 Codex（4.8 口碑有回升）。第二波是五月 Anthropic 定价变化——不再让第三方 harness 按 subscription 价格用 token，改按 API 价，“这一波又让很多用户流失掉了”。
• OpenAI 精准补刀：Sam 在 X 上宣布最近三十天愿意从 Claude Code 迁到 Codex 的企业用户免费两个月，“又拿了一波客户”。宏观上 Codex usage 大幅上升。
• Henry 投的公司里 Devin、Claude Code、Codex 都有人在用——还在用 Devin 的原因很具体：“因为 Devin 和 Slack 那个合作做得好”，为后面 Claude Tag 的讨论埋下伏笔。

6. Anthropic 首度盈利，年收入预期差距拉到 1.5 倍

• 多家权威财经媒体（华尔街日报、路透）报道 Anthropic Q2 首度盈利，营业利润约 5.6 亿美元（非官方）。年收入预期增速“非常可怕”：五月早期约 470 亿美元 → 五月底 540 亿 → 六月中 620 亿；OpenAI 六月中约 400 亿，差距比 Q1 拉大了。
• 曼祺的修正视角值得保留：用量差距也许没这么大——Codex 很多人“二十刀每个月就能用饱”，Claude 至少一百或两百刀，“相同的用量你就差了五到十倍的收入。OpenAI 还是挺激进的，挺狠的”。
• IPO 竞争也在进行：Anthropic 递文件更早、更快，但 Henry 认为谁先上“影响不会很大，差不了太多时间”。至于价格战会不会难看了财务数字，Henry 的解读是 OpenAI“还是相信用户和数据是很重要的事情”，拉回用户、收集数据对模型赶超有帮助；曼祺补一句：一边准备登陆二级市场一边打价格战，“也挺有魄力”。

7. Cohere 六百亿卖给 SpaceX：史上最大创业公司收购

• 所有做 coding 的公司短期营收都强劲，但“在 Claude Code 和 Codex 双重打压之下，公司的前景在哪里？”Cohere 以 600 亿美元被合并 xAI 后的 SpaceX 收购——史上最大创业公司收购价，对比竞争对手 Windsurf 仅二十多亿美金卖给 Google DeepMind、而两者被收购前“用户体验几乎完全一样”，差价近三十倍。Henry 的评价：做到行业第一，“以这个价格被收购是一个非常好的退出结果”。
• 时点“准确地击中了老马的需求”：马斯克从去年年底极度看重 coding、给 xAI 内部团队巨大压力，结果重要的人都离职了，急需买一支团队“把 coding 这个故事接着讲下去”；SpaceX 又刚上市，需要更完整的布局和故事。
• 下一个买家？Google 战略上正给传统强项多模态降级、给 coding 升级，但已买过 Windsurf 团队；Meta“已经招了太多人了”，TBD 有很多好 researcher，大概率用自己的团队追。

8. 模型旗鼓相当之后，比的是系统

• Henry 的一手信息颠覆常见印象：“模型即产品”在这两家的竞争中不完全成立——不止一个 OpenAI 研究员向他表达过，“他们觉得他们的研究和模型做得很好，和 Anthropic 是同一个 level 的，但是在产品和推向市场方面是一团糟”。OpenAI 七千多人、职能更齐全、还招了大量 FDE，反而是内部研究员在抱怨 GTM；佐证之一是这方面的管理层“经常在换，不是非常稳定”。
• Henry 部分认可这个自评：Q1 到 Q2 早期，X 上 Claude Code 的声量比 Codex 大很多——Boris（“Claude Code 之父”）、Catherine Wu、Tariq 等几个大 influencer 自带流量，“所有新功能发布的时候会以更快的速度触达用户”，产品团队也相对稳定。

9. Anthropic 的留人玄学与对齐的产品化

• Anthropic 的人才 retention 一直远好于其他 Frontier Lab（“可以直接去看创始团队还有多少人在”）。坊间两种解释都很损：“有人说是因为 Anthropic 现在已经邪教化了，洗脑非常成功；有人说是他们的 option 太贵了，走了以后付不起钱买”。Henry 的正经版本：愿景非常强烈、面试时价值观关卡严格，他们认真到“去找教皇合作，发表宗教怎么和 AI 结合”——“真的是在思考未来这个 AI 世界应该怎么构建”。
• 静默降智风波后仍信这套吗？Henry：硅谷对 Anthropic 在对齐上的投入还是认可的，“我聊到的一些 OpenAI 研究员也认为 Claude 在对齐上做得比 OpenAI 强”。
• 对齐直接反映在体验：OpenAI 最近的研究显示“人其实并不太喜欢听到真实的反馈”——往人类偏好优化会推高谄媚程度。“ChatGPT 更会提供情绪价值，而 Claude 有的时候会给你当头一棒，会更说实话一些”——两家在训练目标与对齐目标上的价值观差异。

10. RSI：圣杯，与“自动 vs 递归”之辩

• 定义链条要完整保留：Auto Research 是 AI 像研究员一样读论文、提假设、写代码、跑实验、得结论；RSI 更进一步——研究员在研究过程中不断改进自己，“自己产出更好的东西帮助自己变得更好”，曼祺接话“左脚踩右脚螺旋”。做到的意义：“人可以从这个 loop 中抽离出来，只要不断给这个 AI 系统喂算力，它就会不断提升它的智能，那我们就真正实现 ASI 了”。这是 AI 几十年里“圣杯一样的概念”，因 coding 和长程 agent 能力变强，又开始新一轮尝试。
• 一个真实的分歧：自动化（人是否在环内）和递归哪个更第一性？Henry：“我觉得得先自动”；他当天刚和田原栋聊过，田认为递归会先发生。曼祺的调和：递归可以说已经发生，自动也发生了，只是“不是全自动，人参与得更少”。
• Henry 给出的历史阶梯：超参数搜索 → 2017 年 Google 的 NAS/AutoML → 如今的 harness 优化（Frontier Lab 和多家创业公司都在做）→ training recipe 搜索（learning rate schedule、optimizer 选择）→ 最终“把整个系统都纳入优化范围，那就实现完全的 RSI 了”。

11.《One AI Builds Itself》的四个数字

• Anthropic 六月四日长文的关键数字：截至五月，代码库里超过 80% 的合并代码由 Claude 写；2026 年 Q2 起，工程师人均每天合并代码量是 2025 年之前的 8 倍。
• 更极端的两个案例：四月一个 AI agent 端到端完成一项 AI 安全研究，累计工作 800 小时，效果好过人类研究员做一周不少；一项代码性能优化测试里，Mythos Preview 做到约 2.52 倍加速，OpenAI o4 系列只能做到 3 倍，熟练人类研究员花四到八小时能做到 4 倍。

12. 三种世界，与“呼吁放缓却继续跑”的悖论

• Anthropic 的三种世界：一，模型能力不再变强——概率非常小，“唯一可能性是世界发生变故，电力或算力突然没有了”；二，能力继续变强但非指数级，模型公司用现有模型开发下一代、产生复利——他们自认已在第二世界，即 Auto Research 已实现而 RSI 未实现；三，RSI 完全实现，AI 训下一代 AI“相当于自然繁衍”，“不是一两个月发一个新模型，可能每天甚至每小时都有”。
• 第三世界最大的风险回到对齐：基模的对齐瑕疵“在 AI 不断繁衍和自进化的过程中可能不断放大”，AI 又比我们更聪明时失控可能性更大。所以他们提出有意放缓 RSI 的推进给社会准备时间——但 Henry 直指其矛盾：“一方面觉得为了全人类应该放缓，但另一方面觉得我们放缓了，竞争对手不一定放缓，所以可能还是得往前走。”他认为这个矛盾是真实的，“除非全世界人民联合起来说都放缓，要不然还是大家竞争往前”。
• 当下的卡点很明确：研究员可以给一个想法，AI 以数量级提升的速度从头到尾完成，“但他们自己其实会是那个卡点——AI 现在的研究品位还是不太行”，而人的脑力和时间有限。

13. 研究员的幸福感，与还在“第谷阶段”的 AI 科学

• 文中研究员的自白是本期最扎心的引语：“当这个 AI 模型 work 的时候，它比我做的又快，做的比我又好，我感觉我自己没有什么价值。当它不工作的时候，那我更惨了，因为我完全不知道它为什么不工作。”Henry 的总结：AI 能力变强、研究变快，“但 AI 研究员的幸福感不一定会比之前更强”——价值感在经历新的拷问。
• 曼祺转述田原栋的观点：很重要的事是去解释 AI，让它真的变成一门科学，“从第谷到开普勒到牛顿”——现在大概还在第谷阶段：经验很多，但说不清为什么这个经验有效那个无效。Henry 的信念随即被曼祺逼出来：“我觉得 ASI 应该是能够理解自己的”；那人理解自己吗？“部分理解”——不是零和一的关系。
• 曼祺问了一个几乎没人问的问题：如果模型进化这么快，就没有“智能泛滥”、需求不够的风险吗？Henry：“好像很少讨论这个问题”——默认有大量问题待解（比如长生不老），“在硅谷至少 Frontier Lab 认为对智能和对算力的需求都是没有上限的”。

14. Recursive 首秀与 RSI 创业潮

• Recursive（Richard Socher、施天林、田原栋等创办）放出第一批成果：同一套 RSI 系统在三个 benchmark 拿 SOTA——Karpathy 的 Nano Chat Auto Research（固定算力预算下做得更好）、NanoGPT Speedrun（更短时间训到同等性能）、一个 GPU kernel benchmark（算子效率）。这恰好覆盖 AI 进步的三个杠杆：更好的算法、更快的训练、更高效的硬件利用。Henry 强调意义不在分数，“是它展示了这么一套通用的研究闭环，能把这个东西跑通”。
• 新公司密集出现：Mirandale 六月二十五日 launch 即 10 亿美元估值，创始人 Baiman（音）曾在 Anthropic 负责 AI for Science；Core Automation 创始人是 OpenAI o 系列负责人（口述 “Jerry Toric”，疑）。曼祺补充：光上周她就新知道四五个团队在这个方向创业，更多在水下。
• 为何创业公司有机会？“技术上还没有完全收敛……不完全是一个堆算力的游戏，可能还需要一些新的 idea。”而且 Frontier Lab 一定会做（OpenAI 说今年九月实现 AI 研究实习生、2028 年 3 月实现自动化 AI 研究员），但“bottleneck 还在研究的品位上面，人类现在依然是瓶颈，所以 Frontier Lab 做这个事并不一定会和新 startup 拉开无限的差距”。

15. 两大 lab 不约而同加码 Robotics

• OpenAI：Sam 和 Greg 亲自在推特官宣做机器人并招人，实际从约 2024 年就开始尝试，湾区 Fremont 有一个机器人 warehouse、几十人团队。招聘要“全栈”工程师——硬件、操作系统、机器学习；第一个场景是服务自己的基础设施（算力设施），远景是服务普通人的家庭机器人（马斯克说过成熟状态下 Optimus 可能有两百亿台）；负责人 Aditya Ramesh。Henry 判断模型公司会发挥长项做好模型训练，“不完全代表一定会自己造硬件”。
• Anthropic 是更新鲜的非公开信息：团队规模早期，但《One AI Builds Itself》明说“recursive intelligence 的下一步就是 robotics 和 physical intelligence”，应该已提前布局。
• 曼祺把两条主线接了起来：机器人理论上也可以 RSI——部署到真实环境获得数据；更科幻的“机器人造机器人”其实发生过，“工业革命的时候母机出现之后机器就可以造机器了”。行业两种路线：Optimus 式软硬件全包，vs Google、英伟达（及 Physical Intelligence 这类创业公司）做“机器人领域的安卓”——偏大脑和智能那一层。

16. 世界模型：两条支流的合并，百亿美元的流向

• 为什么重要，Henry 的例子讲得好：一个从没见过鞋带、也没被遥操作教过的机器人，“因为已经足够对这个世界有了解，所以可以弯下腰抓住鞋带把它拉开”。这个词最近翻红，是因为两条独立研究支流在 2024-2025 年合并：一是 RL World Models（DeepMind 的 Dreamer 系列）——学一个真实世界的模型，“像做梦一样 simulate”让机器人在虚拟世界学习，缺陷是逐环境单独学、难泛化；二是视频生成（Sora、Veo、Seedance）——从人类拍的视频里学到大量世界知识，缺陷是没有 action condition，不知道“这一帧我采取一个行动，下一帧会怎样”。合并即 world action model，代表作是 Henry 投的 Dream Labs（NVIDIA Gear 团队出来的四位研究员）的 Dream Dojo、Dream Zero（2026 年 2 月）。
• MOE Capital 五月的报告统计了过去十八个月约 100 亿美元（偏欧美口径）的去向：纯世界模型/模拟器公司——AMI Labs 10.3 亿、World Labs 12.3 亿、Runway 超 8.6 亿、Decart 1.53 亿等；机器人大脑公司——Skild、Physical Intelligence、Figure、Mind Robotics——融资规模明显大不少；再加 NVIDIA、Google DeepMind 及新入局的 OpenAI/Anthropic 这类平台。Pattern 很清楚：“大家相信如果哪天机器人实现了，经济价值最大的 capture 可能被 robot brain 公司拿到。”算上中国规模更大，但对比主线战场“一轮就融几百亿美元”，吸金体量还是太小。

17. Harvey 三方模式：企业要自己的模型

• 本季度风向标事件：法律 AI 公司 Harvey 与 Applied Compute 合作，基于 GLM 5.1 后训练出自己的模型，在其 legal agent benchmark 上击败了 Anthropic 和 OpenAI——而 Harvey 自己本来就是 Anthropic 的客户。Applied Compute 由 OpenAI 研究员创立，主业是 post-training as a service，Harvey 付费用其平台 “the Lab” 完成整个后训练，但最终模型和数据归 Harvey 所有。
• 与上季度 Cursor 基于 Kimi 2.5 自己后训练 composer 的模式不同，这是三方结构：垂直公司 + 后训练服务商 + 中国开源基模。选 GLM 5.1 的原因朴素：他们试了市面上几乎所有开源模型（大部分是中国的），“最后发现 baseline 上是 GLM 5.1 的效果最好”。六月初 Harvey 又和 Fireworks 合作再训了一个，也基于 GLM 5.1——用脚投票。

18. 自训三动因：太贵、会断供、怕被内化

• 成本：Claude 前沿模型性能好但“实在是太贵了”——Palo Alto Networks 的 CEO 在 X 上发帖呼吁 Claude 立马降价，“我现在的客户已经用不起你的模型了，再不降价我们只能把生意给开源模型”。这家网络安全公司还是 Anthropic “Project Glass Wing”（用 Claude 找网络安全漏洞）的深度合作方。
• 稳定性：政府一纸禁令就可能断掉 access，“你如果产品基于这个模型构建，就相当于构建在没有保障的沙子上”。曼祺补充：Fable 已经发生了，“还好它只上线了三天，如果上线一个月，有些公司可能已经基于它开发了好多东西了”。
• 护城河：大家越来越觉得 Anthropic 竞争能力太强，“会把各种数据都 train 到模型里”，担心能力被逐渐内化、客户直接找 Anthropic 跳过自己——怕变成下一个 Cursor（Anthropic 确有意向 To B 拓展，还和黑石成立了合资公司）；而且“我和我的竞争对手都用同样的基模，那我的竞争优势在哪里？”有自己的后训练 pipeline，才能“越多用户越多数据，不断加强自己的产品竞争力”。

19. 这波红利和 2024 年那波有什么不同

• 曼祺抛出关键质疑：24 年也有一波微调红利，“最后随着基础模型能力提升，这些工作的红利都被覆盖掉了”，这次能持续吗？Henry 给出两个变化：一是后训练服务商都要派 FDE（前向部署工程师）进企业，这个成本比两年前下降了——因为 AI coding 本身变强了；二是模型进步与任务难度的相对速度变了：“之前从 GPT-3.5 到 GPT-4 提升太大，你在老模型上后训练根本赶不上新模型；现在是 frontier 开源模型加上你的私有数据，很可能超过 frontier 闭源模型，并且短期内都不会被反超。”结论带着完整的对冲：“会比上一次强一些，但也是此消彼长——当 frontier 模型触顶（包括监管在内的各种阻力），开源模型就会迎来一波增长。”
• 且不适合所有人：初创公司不该做，“应该先用 OpenAI、Anthropic 的模型把产品跑通，拿到市场验证”。适合的三个条件：高质量专有数据、明确的评估系统（如 Harvey 的 legal agent benchmark）、高频高价值的业务。对应的行业——法律、医疗健康、金融、咨询——“这几个确实也是 Anthropic 和 OpenAI 会去做的方向”。

20. 中国开源模型“四杀”

• Henry 的季度总结：“过去八周内，先是 Kimi 2.6，然后 DeepSeek V4，然后 Kimi 2.7，再然后 GLM 5.2，四次易主全球最强开源。”编码和成本上快追平 GPT-5.5 和 4.8 级别，最强闭源仍领先约半年，“但差距目前还没有继续拉大的趋势”。
• GLM 5.2 在硅谷呼声非常高：首个开源 Terminal Bench 破 80 的模型、多项长程编码任务超过 GPT-5.5、成本只有六分之一，“但更重要的是很多人在 X 上说这是第一个他们觉得编程手感对的模型”；智谱还明智地支持了可直接接入 Claude Code harness 的 API，“有人说可以几乎无痛地替换 4.8 级别模型”。
• DeepSeek V4 则“基本符合预期”：infra 做得非常 solid 的一些改进，“但也没有惊艳到大家”。曼祺补充 SGLang 的往事——那个项目就是靠优先支持 V3 起飞的，如今 V4 投入很多，“但没有 V3 带来那么大的 ROI”。

21. Claude Tag：AI UI/UX 的第三次大改

• 功能很直观：在 Slack 里 @Claude 提交任务，做完把结果返回群聊。本质变化是交互范式：从每人一个独立聊天机器人，变成“团队有一个二十四小时一直在监听你的需求、有所有上下文的同事”。Karpathy（加入 Anthropic 后“开始疯狂灌水”）称之为 AI UI/UX 第三次大改：网页 chatbot → 人人下载 app → AI 来到你的（企业）协作空间。Claude Code 产品经理 Catherine Wu 说他们产品团队约 65% 的代码都通过 Claude Tag 完成。
• 概念并不新——Devin 最先做 AI Software Engineer 进 Slack——关键在执行。Henry 问过 Anthropic 的朋友：以你们的编程能力这种集成不是 vibe code 一下就完了？回答是他们在“如何有效利用上下文、不光被动接收信息还能主动 propose 任务”上下了很多功夫，还要做权限管理。曼祺点出一个张力：一边把 Claude Tag 提效的前景描绘得很诱人，一边自己的产品还是靠人细致打磨。
• 最受冲击的是 Devin——Henry 身边用 Devin 的团队最喜欢的就是 Slack 协作体验。不过 Devin 营收增长挺好，两块业务：卖工具，以及卖服务——“你是一个银行，有几十万行代码仓库要迁成 Python，直接交给我从头做到尾”。正如红杉（口述“洪山”，疑）说的：SaaS 不再交付工具、按用量收费，而是按带来的价值收费——“AI empowered 咨询”，或者说人参与没那么重的外包。

22. Record and Replay：把人的技能蒸馏给 AI

• OpenAI 在 Codex 上的新功能分两步：record——录制你在电脑上一步步完成任务的过程，固化成一个 skill；replay——之后由 computer use 自动重放完成。“这是一个非常好的把技能从人 transfer 到 AI 的方式”，曼祺的类比：像机器人早期的遥操作。
• 前车之鉴是 Meta 内部的 MCI 项目：强制所有美国员工装追踪软件录屏，“希望通过这些数据让 AI 学会这些任务，最终达到把员工蒸馏掉的效果”——引发巨大反弹，又出了数据泄露的安全问题，已被叫停。同一个方向，OpenAI 的差别在自愿开启，且抢先在 ChatGPT 里产品化。
• 模型侧的支撑：OSWorld Verified 上几家模型已全部超过人类极限的 72%——OpenAI o3 在 83%，GPT-5.5 接近 80%。Henry 的排序：Record and Replay 概念上更代表未来方向，会有更多厂商跟随，但它依赖 computer use 的多步准确性和延迟，都还在提升；短期用户 impact 更大的是 Claude Tag。
• 数据飞轮的想象与警告：一旦大量用户使用，OpenAI 可能快速拿到市面上最大的 computer use 数据集——但能否用于训练要看条款，“这个数据里能看到系统界面、截图、你个人的信息”，“想试的人可以仔细看一看隐私协议”。对照物理世界：机器人得先造出来、放进场景才有真实数据，链路远不通畅；而且“大家在数字世界放弃隐私干了这么多年已经习惯了，物理世界还有个心理门槛”。

23. TML Interaction Model：从对讲机到打电话

• Thinking Machines Lab 的首个模型 Interaction Model：276B、12B 激活、从零训练，“能边听边说、还能看你动作及时反应、能够打断人——以前从来没有过”。曼祺笑称“这像一个采访模型”。后台还配了异步推理模型，实时应答的同时做长思考，再把深度思考插回对话。
• Henry 拆解了它为什么不同：之前最好的 GPT Real Time 本质是对讲机——turn-based，靠外围包一层 VAD（voice activity detection）判断你说完了没，“并不是在模型层”；Interaction Model 是真正打电话，一直在听、可同时说——full duplex。自建的两个 benchmark 差距悬殊：TimeSpeak（指定时间精确开口，比如每四秒提醒呼吸）64.7% 对 Real Time 2.0 的 4.3%——“基本上就是蒙的，因为旧架构就做不了这个事”；QSpeak（内容出现线索时该说就说）81.7% 对 2.9%。曼祺：“有点欺负小朋友。”
• 但只发了博客和 demo，没开放 API。两人“叠个甲”的推测：TML 最终要出一个 to C 个人助手，这个模型是它的交互 interface，先放模型、产品出来再开放——也不排除纯粹是成本或 infra 没做好。Henry 强调语音的定位：“它不是一个普通的多模态能力，它是人和 AI 交互的基础设施。”

24. Real Time 2.0 与 Image 2：成熟产品线的力量

• 对照 TML 的前沿尝试，OpenAI Real Time 2.0 是成熟系列的新一代：实际体验不错，六月中 API 全量可用，开发者都能用起来。
• Image 2 则“断层式领先”：Image Arena 上 ELO 约 1500 多分，比第二名高约 200 分，社交媒体上大量电影海报级的生成——和 Sora 的区别是“没那么花钱，比较能算过来回报”。To C 增长的先例摆在那里：Nano Banana 发布时 Gemini 下载量大涨，还有 startup 靠免费提供它引流。

25. Meta：Muse Spark 无声，token maxing 三部曲落幕

• TBD 重组后的第一炮 Muse Spark（四月初发布），行业反响是“讨论不多”——接近前沿能力但仍在追赶，且没全量开放 API，“我身边没有听说有人用过”。更大的新闻依然是裁员开始：“小扎的计划就是持续裁员，把这些钱进一步投到 AI 开发上，只不过内部比较动荡，受到了一些阻力。”
• 上季度的 token maxing 风潮快速平息。Henry 的三部曲框架：“所有这些技术趋势都应该 follow 先是 frenzy 狂热，然后 crash 崩盘，最后 stabilization 稳定。”Q1 是狂热——“钱花了上亿美元，但最后并没有太多产出”；现在内部“谁 token 用得最多”的排行榜已被取缔，改成人人有 quota。
• 限额的量级：Uber 四个月用完了全年 coding budget，大厂大约每个工程师每月 500 到 2000 美元；国内他知道有公司是五千人民币（约 700 美元），“就在这个范围里”。

26. Google：短暂重回第一之后

• I/O 上发布的 Gemini Omni 视频剪辑能力“让大家非常惊艳”——但主要还是多模态进展；内部已充分意识到代码能力对营收和竞争的重要性，正在加码。现状是掉队：去年底 Gemini 3 加 Antigravity（Windsurf 团队做的 agent IDE）曾有“短暂重回第一的感觉”，但今年 Anthropic 和 OpenAI 在 coding 上长足进步而 Gemini 没有；连 Google 最擅长的成本优势也不在了——按 Pareto Frontier 看，给定能力最便宜的以前基本都是 Google 模型，“新的 Gemini 3 好像比之前贵了好几倍”。再加上 Transformer 八位作者之一离开 Google 加入 OpenAI，“大家可能会比较担心 Google 的状况”。
• 但 Henry 认为 Google 是有机会赶上来的，可能性比 Meta 大：底子在——研究人才储备，加上 TPU 带来的算力优势。Meta 呢？“这几天和不少人交流，大家对 Meta 的整体态度还是比较悲观的。Meta 最大的风险就是出现类似 xAI 的那种团队解散的风险。”

27. xAI 变身 New Cloud，预训练窗口已经关上

• xAI 已不是独立公司，正经历“从 New Lab 到 New Cloud 的转变”：放弃 train 模型后反而赚得多——集群租出去每月租金 12.5 亿美金，马斯克还要去太空建算力中心。曼祺：“有一件事他至少做对了，就是建特别大的算力，从现在倒回三年看是很聪明的投资。”但实质上训模型的人才团队已不在：Grok 视觉五月底就说预训练完成、两三周后公布，至今未发——Henry：“Elon is always right, except the timing。”听说的新招聘都是做 agent harness 的，不是 train 模型的；Cursor 团队“可能并不能完全填充之前的窟窿”，有后训练人才但没有预训练人才。马斯克还能赶上吗？Henry 连说两遍“我觉得比较难”，只补了一句“you never bet against Elon，他如果真的想做，就说明还有希望”。
• 曼祺追问更大的问题：现在还有大资源大抱负的团队（比如米哈游蔡浩宇说要用一千亿做预训练）能赶上窗口吗，还是 23、24 年就结束了？Henry 的回答干脆：“我觉得已经结束了。”除非技术遇到大瓶颈后再有大变化——但那时要解决的是新瓶颈，“而不是把原来老路再走一遍，那样的话又会有更新的公司出现”。

28. 终局推演：交替领先，除非有人先踩响 RSI

• 从“御三家”到“两大 Frontier Lab”，再往后会一家独大吗？Henry 的历史论证：“2023 年 GPT-4 刚发布时，OpenAI 领先其他 lab 的身位应该大于现在最领先者领先第二名的身位，但这么大的优势后来也被追上了。”所以基准判断是交替领先的态势。
• 唯一的例外路径把全集收束回本期主题：“除非某一个 lab 提前在 RSI 上有进展，使得他们的加速度大幅超过其他 lab，那可能会出现一家独大。”曼祺补上最后一层不确定性：真实现递归自进化，加速度会变快，“但同时也有可能两家公司差不多时间实现”——这是他们之后会持续关注的话题。

29. One More Thing：Midjourney 的超声波 CT

• 很久没上头条的 Midjourney 六月中突然官宣新部门 Midjourney Medical 和首个硬件 Midjourney Scanner，号称“五十年来第一个全新的全身医学影像方法”：人站在潜水池的平台上，周围环绕约四十万个超声波换能器，声波全方位穿过身体、每秒生成 TB 级数据，计算集群重建肌肉、脂肪、骨骼、器官的 3D 横截面图像——他们叫它 Ultrasonic CT。
• 为什么是 Midjourney？创始人 David Hodes 从不向 VC 融钱、“不想受投资人控制”，用文生图的收入养了约五十人的团队做各种硬件项目一年多，同时推进约八个项目、软硬各半，短期想把两个硬件推向市场。他的履历本就是硬件出身：NASA、激光雷达、创办手势识别公司 Leap Motion（被竞争对手收购），转行做 AI 多模态又成了。他还常在旧金山家中办诗歌朗诵、AI 与人即兴创作音乐的沙龙。曼祺以此收尾：“一家 AI 公司做了一件跟 AI 没有那么直接相关的事——以此作为二季度的总结挺好的。”