跳到正文

#OpenAI

今日 3 条
今天11月16日周一
  1. 人人都是产品经理38

    AI 手搓的单文件 3D 网页走红,1.4M 纯 HTML 游戏画面接近 3A

    用 AI 手搓的纯 HTML 3D 世界成为近期社群里最热的玩法,一个 1.4M 的单文件游戏画面接近 3A 大作,其中约 700KB 是 Three.js,其余全由代码现场生成模型、雨和音效,没有一张图片或一段录音。

    决策要点

    程序化生成叠加 AI 写码,把 3D 内容的成本从制作和存储素材转移到打开时的算力,网页 3D 从图形专家的手艺变成普通人可上手的技能。

    • 影响轻量 3D 展示和营销页面的原型成本降到一段提示词的量级,省去素材制作和文件分发;但人物等精细模型还是要靠 Blender、Tripo 先建模,体积和迭代轮次都会上升;作者自己也判断商业上未必有大用。
    • 参考可考虑用文中模板挑一个产品展示或活动页场景做试点,记录加载耗时和多轮修改的人工成本;值得要求把主要物体拆成独立组件,方便后续单独调整。
  2. 36氪·AI51

    AI陪大爷下棋哄奶奶开心,3.23亿中国老人站到生成式AI门口

    生成式AI语音应用正走进中国老年人的日常,截至2025年末全国60岁及以上人口达3.23亿、约占总人口23%,文中老人已从试探提问发展到与豆包等AI聊天、请AI扮演亲人和共创社交。

    决策要点

    语音交互把老年人拉到了与年轻人同一起点,AI在银发群体中正从查询工具变成情感陪伴入口,这是被多数AI产品忽视的真实需求。

    • 影响银发人群的AI陪伴与共创需求真实存在,语音交互和方言识别是入门门槛;老人对错误信息有辨别力,但情感依赖与角色扮演涉及伦理风险;陪伴类硬件已出现购买意愿,价格是关键变量。
    • 参考做AI产品的可考虑先测自家语音交互对老年场景的适配,盘点方言识别与慢语速识别能力;值得参考老人先试探后信任的路径,设计可验证的回答与纠错入口;面向家庭的陪伴硬件需先算出价格敏感区间。
  3. 36氪·AI66

    Deepnote发布AI同事评测,OpenAI包揽前二,Fable 5.2贵17倍得分反低

    数据协作平台Deepnote发布Agent Initiative Benchmark,把12个前沿模型放进虚构公司的Slack群当AI同事,OpenAI包揽前二。

    决策要点

    常驻型AI同事的比拼重心正从模型智力转向判断力和持续成本,Deepnote数据显示价格与性价比并不同向,低价模型未必弱。

    • 影响常驻Agent按流量持续计费,70人公司的Slack监控月账单从281美元到7540美元不等,人数和监控渠道增多后差距会进一步放大;模型插错嘴平均多花1.8倍成本,判断力直接写进账单;只按智力榜单选型可能高估高价模型。
    • 参考可考虑把该沉默场景的克制率和单任务成本加入选型评测,先用自家人数和监控渠道折算月账单再比价;值得参考Deepnote报告建议的分层路由,实时对话用快模型、后台分析用低价高分模型。
11月15日周日
  1. 钛媒体64

    T-EDGE 2026前瞻:AI如何重写影视业的成本、资本与权力

    钛媒体T-EDGE 2026前瞻文章分析AI视频如何在2026年改写影视业的成本、资本与利益分配,视频生成从随机尝试走向可控生产。

    决策要点

    AI视频的可控性与资本定价在同一年到位,影视业的变化重心已从制作工具转向成本结构、资产估值与利益分配规则。

    • 影响AI把综合制作成本压到真人实拍的十分之一左右,内容类企业可用更低成本试产验证;但抖音端约77部AI短剧才有1部回本,收益向平台与IP集中;AI资产与母公司估值体系脱钩,分拆成为释放价值的直接方式。
    • 参考可考虑先在短剧、广告素材等短周期场景测算AI制作的成本与回本周期;内容企业值得盘点自身在平台、IP与制作链条中的位置再决定投入;持有AI业务的公司可评估其估值背后的收入支撑。
  2. 人人都是产品经理51

    OpenAI 再度撤销独立机器人团队,机器人研发并入通用模型研究

    OpenAI 向《财富》确认撤销独立机器人团队,将相关人员转入核心研究和应用部门,把机器人研发与通用模型研究进一步整合。英伟达 10 月公布的 RoboLab-120 仿真测试中,GPT-6 Astra 直接生成机器人动作成功率为 66.3%,接入保留计划、动作和反馈历史的智能体系统后升至 74.8%,页面列出的专用策略参照为 51.0%。

    决策要点

    OpenAI 的组织调整把机器人定位成通用模型的落地形态,机器人研发重心正从单独训练动作模型转向模型加智能体编排加安全控制层。

    • 影响做机器人自动化或相关投入的团队需要重估技术路线,通用模型加智能体编排可能压缩专用动作模型的独立空间;模型输出不能直接驱动硬件,确定性安全层仍是刚性需求;数据采集、仿真验证和硬件安全依旧是主要成本所在。
    • 参考可考虑把感知、推理、控制、任务四层指标拆开记录,避免只看任务成功率;值得为每次执行保存图像、状态和动作意图日志,用于定位失败原因;仿真通过的策略再分级限速迁移到真机。
11月14日周六
  1. 量子位49

    UniPat AI发布湿实验预测基准SPU,前沿模型推理拉满、成本增至5.3倍得分仍不变

    UniPat AI牵头发布湿实验预测基准Science Prediction Universe(SPU),包含116个任务、4207个湿实验,覆盖化学、材料科学、生物和医学,数据集与代码已开源。

    决策要点

    这套基准把科研预测能力变成可比数值,结果显示当前前沿模型的真实实验判断力远未达到可靠程度,堆算力与推理强度也换不来分数。

    • 影响化学、材料、生物医药类研发团队选型科研模型时,通用榜单结论不可直接迁移,需按具体测量目标逐一实测;预测可靠性未达标前,昂贵的湿实验资源仍应以专家判断为主,模型排序仅作参考。
    • 参考可考虑在试点前用SPU公开任务对候选模型做同题实测,按学科与测量类型记录得分;预算上参考0.22至65.91美元的单次成本区间,追加算力前先查运行记录,确认新增计算对应哪项判断。
  2. 36氪·AI58

    UniPat AI 发布湿实验预测基准 SPU,前沿模型最高0.486分,追加算力几乎无效

    UniPat AI 牵头发布湿实验预测基准 Science Prediction Universe(SPU),含116个任务、4207个湿实验,覆盖化学、材料科学、生物和医学。

    决策要点

    湿实验预测从此有了一套可量化的考试,首轮成绩同时显示当前前沿模型的科研判断还远不能直接采信。

    • 影响对研发密集的团队,预测筛选方向有望节约昂贵的湿实验成本;但成绩显示模型预测尚不可直接采信,同一模型换测量目标成绩差异悬殊,选型结论不能跨任务照搬。
    • 参考做科研模型选型的团队可考虑先拿 SPU 公开任务测目标场景,记下单次 API 成本再定预算;追加推理算力前,值得先翻运行记录确认新增计算对应哪项判断。
11月13日周五
  1. 人人都是产品经理35

    手把手教你用 Claude Code 的 mochen-website-design Skill 搭建专属个人网站

    陌晨发布 mochen-website-design,一个供 Claude Code、Codex 等 Agent 使用的网站设计 Skill,先把文章、笔记、简历等材料读完再决定网站栏目结构与排版。

    决策要点

    建站的重心从选模板填格子转向让 Agent 先理解内容,个人和小团队的展示型站点多了一条低成本的定制路线。

    • 影响展示型官网或个人品牌页可按此思路低成本生成,省掉模板改造的工时;授权明确禁止收费建站与客户交付,商业项目不能直接搬用;纯静态无后端的输出适合内容型站点,交互复杂的需求并不适用。
    • 参考可考虑用这套 Skill 把团队存量文章或笔记生成站点雏形,与模板建站对比耗时和观感;值得借鉴其先读内容再定结构的思路,沉淀成内部内容页面的生成脚本;商用场景先核对授权范围再决定是否引入。
  2. 人人都是产品经理64

    Artificial Analysis Decision Index v2 榜单显示专业决策模型距 GPT-6 仅差 3 分,速度快 40 倍、成本仅 1/15

    Artificial Analysis 发布 Decision Index v2,将置信度校准纳入模型决策评分,专业决策模型 Drex Max v1.1 与 GLiDE v1.2 均得 73 分,只比 GPT-6 Luna(Max)的 76 分低 3 分。

    决策要点

    模型评测正在从比谁更聪明转向比单位决策成本,专业决策模型在固定任务上开始具备独立于通用旗舰的成本价值。

    • 影响文档审核、事实抽取、合规判断等固定任务中,专业模型与旗舰分差仅 3 到 4 分而成本可差 15 倍以上;是否值得为少量精度付费要按真实业务损失折算;输入复用和缓存策略对最终成本的影响可能超过 Token 单价。
    • 参考可考虑把决策任务按风险分三层路由,低风险交给低成本专业模型,中风险选校准好的模型并设转人工,高风险再升级旗舰或专家;值得在路由系统记录 Token 消耗、缓存命中、置信度和升级原因,用真实业务数据而非榜单总分选型。
  3. OpenAI:官网动态31

    Amplitude 如何借助 OpenAI 在 1–2 天内交付产品改进

    Amplitude 基于 OpenAI 模型构建了主动式产品智能体 Wave,由它判断该构建什么,并借助编码智能体协助团队交付改动、度量影响。OpenAI 官网客户案例称,Amplitude 借此可在 1–2 天内完成产品改进交付,页面见 https://openai.com/index/amplitude。

    决策要点

    厂商案例把需求判断、编码交付、效果度量交给智能体串成一条流程,产品迭代节奏进入天级,但数据仅来自官方口径。

    • 影响产品改进若能以天级节奏交付,按周迭代的团队在试验频率上会处于劣势;这类流程依赖编码智能体与分析数据打通,引入前需要先确认自家工具链能否衔接。
    • 参考可考虑先测出自家从需求发现到上线验证的真实耗时作为基线,再挑一个改动面小的功能用编码智能体试跑全流程,对比速度和效果后再决定是否扩大范围。
  4. OpenAI:官网动态31

    Amplitude 如何借助 OpenAI 在 1–2 天内交付产品改进

    OpenAI 官网客户故事称,Amplitude 主要基于 OpenAI 模型构建了主动式产品智能体 Wave,由它判断该开发什么、协助团队用编码智能体交付改动并衡量影响,产品改进可在 1–2 天内交付。文中速度数字为 OpenAI 官方口径,该页面属其企业客户故事栏目,材料仅为摘要,未提供完整正文细节。

    决策要点

    这则案例的实质是厂商展示智能体把选题、编码、效果衡量串成一条流水线,迭代节奏以天计;数字出自 OpenAI 自家宣传。

    • 影响产品迭代周期存在压到天级的参照样本,选题与效果衡量环节也能交给智能体分担;但 1–2 天的速度只有 OpenAI 官方口径,作为内部立项依据需要打折;厂商正把智能体开发流程当作企业侧卖点主推。
    • 参考可考虑先统计自家产品从选题到上线的实际耗时作为基线,再判断与天级迭代的差距;值得选一个改动小的场景用编码智能体试跑一轮并记录对比;引用该案例数字时应注明出自厂商宣传。
11月12日周四
  1. OpenAI:官网动态23

    OpenAI 客户案例称 Gondola 借助 Codex 实现营收翻倍

    OpenAI 官网发布 Gondola 客户案例,称这家帮助创意人才获得作品署名与工作机会的公司在团队加大使用 Codex 后营收翻倍。案例还称 Codex 使其首席工程师产出提升 50%,ChatGPT 简化了团队日常工作,数字均为厂商口径。

    决策要点

    这是 OpenAI 用客户成果为 Codex 背书的营销案例,营收翻倍与产出提升的因果由厂商讲述,参考价值大于结论价值。

    • 影响厂商案例为评估 AI 编程工具的收益量级提供了一个参照点;数字出自单客户且未经独立验证,不能直接套用到自己团队;工程产出与营收翻倍之间的传导在案例中未被拆解,引用前需先补上这层逻辑。
    • 参考可考虑把这类案例当作评估 Codex 试点价值的参照,先量出自己工程团队的需求交付基线,再在小范围任务上对比接入前后的产出差异;对外引用其数字时宜注明为厂商口径。
  2. 36氪·AI59

    WorkBuddy、Codex把AI竞争推向任务交付,可靠性成为硬门槛

    亿欧智库发文认为,大模型应用正从回答问题转向交付任务成果,腾讯 WorkBuddy 与 OpenAI Codex 把执行能力带进真实工作环境,可靠执行成为落地门槛。

    决策要点

    AI 应用的竞争焦点正从回答质量转向可验收的任务交付,产品评价标准随之从单次演示效果移向稳定执行。

    • 影响选型依据需要从演示转向重复执行表现和可验收成果;任务变长后人工审核、状态恢复和运行环境会成为流程设计的一部分;只比较模型回答质量会漏掉交付能力的差异。
    • 参考可考虑在试点中记录重复运行成功率、失败恢复情况和总成本再决定扩围;值得盘点现有流程中已有明确规则的步骤,把程序控制和模型判断分开安排。
  3. 36氪·AI54

    南京大学团队提出TestPrism基准,AI写测试可靠性被评测标准高估一倍

    南京大学刘佳恒团队提出测试生成基准TestPrism,从17个公开Benchmark收集任务,测试集含300个任务和3000个带标签候选实现,核心指标JSF要求测试在原始代码上失败、接受所有正确实现并拒绝所有错误实现。

    决策要点

    现有基准对AI生成测试的可靠性存在系统性高估,Agent自测通过不等于代码可靠,采信AI编程成果时应留出质量余量。

    • 影响依赖Agent自写测试做验收的团队,漏检与误伤风险会高于传统基准分数显示的水平;工具选型若只对比单一参考类成绩,容易高估真实能力;论文显示改进生成流程也能提升可靠性,不必只押注更强模型。
    • 参考可考虑在AI编程试点中要求生成的测试先经人工抽检或多实现交叉验证再作验收依据;评估编程Agent时值得把多实现联合通过率这类更严口径纳入对比清单。
  4. 人人都是产品经理32

    电商购物节越来越像个B2B生意

    作者以普通消费者身份体验双十一后判断,购物节正越来越像B2B生意,消费者只是庞大产业链中的一环。文中观察到政府补贴遍地、AI主播空洞亢奋、京造商品变便宜、北京安装水龙头人工费仅50元等现象,并引高盛10月27日报告称中国高科技近一半需求来自投资,以佐证ToC生意走向ToB。

    决策要点

    消费与AI两块生意的真实收入结构都在向企业端集中,终端消费者正变成产业链上的配角。

    • 影响作者转述的说法称消费生意靠补贴、流水和供应链金融工具运转,终端付费未必是主力;作者认为AI要变成生产力,前提是先变革组织,只采购工具不够。
    • 参考可考虑重新核算自家消费业务的收入构成,分清补贴、渠道与终端付费各占多少;值得在AI采购预算旁列出组织流程改造的配套事项。
  5. 人人都是产品经理49

    Codex 加 Blender 搭建可自由探索的 3D 世界

    作者用 Codex 加 Blender 和 Three.js 搭出一个可在本地浏览器自由探索的 3D 世界,建模脚本和网页代码大部分由 AI 完成,自己只负责提供参考图、提需求和检查效果。

    决策要点

    AI 编程智能体已能驱动 Blender 这类专业工具产出可交互 3D 内容,门槛正从建模技能转向提需求和验收能力。

    • 影响虚拟展厅、产品 3D 展示、互动营销这类场景的制作门槛在下降,业务团队有机会小成本试做;文中 54 张检查图和多轮返修说明验收与细节打磨仍占大量人力,排期需要预留迭代时间。
    • 参考可考虑挑一个虚拟展厅或产品 3D 展示的小需求,按文中拆分道具、分步渲染验收的流程试做一轮;值得盘点现有 3D 素材和 GLB 模型,优先复用现成资源控制成本。
  6. 钛媒体62

    MiniMax H3 Image实测生图快又便宜,复杂指令仍不敌GPT Image 2.6

    MiniMax于11月11日凌晨发布生图模型H3 Image并同步开放模型权重,官方称一张约1600万像素的4K图片最快10秒生成,发布首周五折后单张约0.2261元。

    决策要点

    生图单价已降到可忽略的量级,模型选型的分水岭正从价格转向指令准确率与工作流完整度。

    • 影响电商素材、广告方案等批量生图的单张成本已低至两毛多,试点预算门槛大幅放宽;用于结构说明、商业海报等交付场景时,返工次数会抵消低价优势;模型入口分散会抬高非技术团队的使用成本。
    • 参考可考虑用自家真实任务(中文海报、产品拆解图)各跑一轮对比,统计得到可用图所需的修改次数而非只比单价;需要自主部署的团队可评估H3 Image开放权重的集成方式。
  7. OpenRouter:Blog(Announcements)65

    OpenRouter 教程:如何为大模型做基准测试

    OpenRouter 发布大模型基准测试教程,指导企业用自家业务的输入输出定义任务、用代码校验评分并核对账单,随文提供可运行的 Python 评测脚本。

    决策要点

    公开榜单排名与企业自身任务上的表现相关性很弱,模型选型证据应来自贴合自家业务输入输出的实测,而非榜单名次。

    • 影响同一组任务里 DeepSeek 每百次响应约 $0.00394、GPT-6.1 Sol 约 $0.2449,按所需通过率选型直接决定预算;输出格式不合规会带来无效花费,Sonnet 有 66 次格式失分;小规模自建评测试跑成本仅几美元,实测门槛在下降。
    • 参考可考虑从自家高频流程里挑 10 个左右带标准答案的样例,用随文脚本小预算试跑候选模型;值得同时记录通过率、每百次响应实付成本和截断率,再据此确定上线型号。
  8. OpenRouter:Blog(Announcements)71

    OpenRouter 如何搭建可自我纠错的本地化系统并上线 8 种语言

    OpenRouter 上线简体中文、西班牙语、葡语(巴西)、德语、法语、日语、韩语共 8 种语言的本地化站点,功能即日起进入 beta,可经账户菜单或 openrouter.ai/ja 等地址切换。

    决策要点

    本地化流水线的实质变化在质检而非翻译,代码校验加模型互审让整站翻译成本降到供应商机翻标价的约 6%(官方口径)。

    • 影响出海或多语言产品的本地化预算量级可重算,整站翻译从供应商数万美元级报价进入数百美元级;人工从翻译转向合并与复核残余错误,仍有漏检错误会直接上线,需预留用户反馈渠道。
    • 参考可考虑复用其四条设计,即给译文存指纹、代码先拦截占位符与术语错误、校验模型回传具体错误、把人工发现的错误沉淀为术语规则或测试用例;值得先按自家文案词量乘以约 $0.0005 每词测算预算,再与供应商标价对比。
  9. 36氪·AI45

    清华联合伯克利开源 uni-robot-agent,统一语言模型操控机器人的工具接口

    清华大学联合加州大学伯克利分校 Pieter Abbeel 团队推出并开源 uni-robot-agent 框架,为语言模型操控不同机器人和仿真环境提供统一、模块化的工具接口,论文见 https://arxiv.org/pdf/2611.01560。

    决策要点

    具身智能正在走软件 Agent 已初步验证的路径,统一接口把硬件差异压到底层适配器,让通用模型操控机器人具备了条件一致的可比评测基础。

    • 影响机器人方案的扩展逻辑可能从绑定硬件的专用策略转向通用模型加适配器,跨机型迁移的成本结构会改变;同一模型换工具系统得分可相差近 29 分,工具层质量成为部署效果的关键变量;单次任务成本从 0.94 到 21.29 美元不等,运行费用需按任务频次测算。
    • 参考有机械臂或人形机器人场景的企业可考虑用开放接入代码在自有硬件上小规模验证通用模型路线;试点前先算出目标任务的 token 消耗、API 费用与执行时长,再与现有专用策略方案对比后定投入。
  10. The Decoder:AI News55

    Ramp AI Index显示美国企业AI支出10月创新高,环比增速放缓至1.65%

    Ramp AI Index数据显示,10月美国企业AI支出创历史新高,但环比增速放缓至1.65%,支出前1%的企业人均月支出中位数达10,200美元、上涨9%,典型企业仅16.32美元。

    决策要点

    美国企业AI支出创新高但增速明显放缓,预算高度集中于少数风投支持的科技企业,且token单价持续走低。

    • 影响token均价上月下降21%,使用AI的边际成本在降低,试点门槛随之变低;客服等增长场景更倾向便宜快速的模型,低成本起步可行;典型企业人均月支出仅16.32美元,多数同行实际投入仍很小。
    • 参考可考虑按最新token单价重算AI试点预算,优先评估客服或客户成功这类低成本场景;值得用人均AI支出对标Ramp的16.32美元中位数,先定位自身投入水平再决定加码节奏。
11月11日周三
  1. 36氪·AI46

    李曼玲、石冠亚联合团队发布具身评测基准EFE,考察coding agent控制机器人能力

    李曼玲、Ruohan Zhang、石冠亚联合团队及李飞飞、Dawn Song、Pieter Abbeel等合作者发布具身评测基准Embodied First Exam(EFE),论文见 https://arxiv.org/abs/2611.12177。

    决策要点

    EFE把物理约束对coding agent的影响量化出来,同一agent成功率随观测与重置条件从77.5%跌到约30%,仿真成绩会高估具身能力。

    • 影响仿真内的成绩与传感器受限下的成绩差距悬殊,评估机器人类agent方案时可按评测条件拆开对比;实时运行让未被任何agent解决的测试占比从50%升至63%,生产节拍越快的场景难度越高;主结果来自仿真,真实硬件仅完成个别演示。
    • 参考可考虑在评估具身或机器人类agent方案时,要求注明评测设置、仿真来源与重置条件;值得参照标准、实时、特权三档设置设计内部验收场景与测试条款。
  2. 36氪·AI48

    姚期智、杨植麟联手发布TCSExam基准,开放猜想无一模型独立解开

    11月5日,月之暗面、清华大学和上海期智研究院研究人员合著的论文在arXiv发布TCSExam基准,用100道理论计算机科学题考察前沿大模型的研究能力。

    决策要点

    AI攻克数学的叙事需要校准,模型已能产出机器可验证的研究级构造与求解结果,但自主攻克开放猜想仍是空白。

    • 影响总分相近的模型在定理类题目上得分差距悬殊,仅看榜单综合分容易误判能力边界;构造任务已有模型小幅超越公开参考纪录,电路化简、纠错码等场景出现可核验的应用空间;供应商的数学能力宣传可对照公开基准核查。
    • 参考可考虑用题目和工具已公开的TCSExam Lite复测候选模型在定理与构造任务上的差距;对宣称攻克数学难题的宣传,值得先核对结论是否经过Lean这类工具的机器验证。
  3. 人人都是产品经理56

    一句指令让 Codex 自动赚钱靠谱吗?作者实测收入 0 元

    作者给 Codex 下指令要求赚到 100 元,它备好口播改稿服务包并挂上闲鱼,最终收入 0 元。文中核对的多起流传案例多为当事人自述、无法独立验证;dfdx labs 让 AI 经营公司的实验三周做了 17 个付费产品、约十万行代码,收入仅 1.54 美元而支出 47.19 美元。

    决策要点

    一句指令自动赚钱的叙事把 AI 的交付能力误当成生意本身,真正的门槛在有没有人需要并愿意付款,多数流传案例经不起核对。

    • 影响AI 把生产和交付成本压到很低,但获客、信任与售后责任仍需人承担;靠公开赏金任务变现的竞争已明显加剧;围绕躺赚叙事的收费培训已出现诈骗立案,相关投入需先辨明。
    • 参考可考虑把 AI 定位在交付环节的辅助,投入前先弄清目标客户是谁、现有替代方案是什么;评估赏金接单类副业时,值得先统计任务竞争与成功率;对收费培训项目,先核实机构与承诺再付款。
  4. IT之家·人工智能40

    谷歌更新 Android Bench 安卓开发基准榜单,Kimi K3.1 Pro 与 DeepSeek V4.1 Flash 成绩揭晓

    谷歌官方账号 Android Developers 于 11 月 10 日在 X 首次公开 OpenAI GPT-6.1 Terra、Kimi K3.1 Pro 和 DeepSeek V4.1 Flash 的 Android Bench 基准跑分,该基准考察应用创建、功能开发、代码迁移和应用转换等 Android 开发工程任务。

    决策要点

    安卓开发场景的模型选型开始有带通过率、耗时和成本维度的官方可比数据,榜单同时呈现高通过率与低成本两条路线。

    • 影响编程模型的单次运行成本差异已大到需要进入选型预算,同一基准下花费从 9.9 美元到 317.4 美元不等;预算和响应时间敏感的日常开发任务可倾向低价快速模型,长程复杂任务再权衡高通过率模型的耗时和开销。
    • 参考可考虑按任务类型把编程模型分成日常改动和长程开发两档分别核算预算;值得在自有代码库小范围复测 17.3% 与 24.0% 这类通过率,再决定是否在安卓团队试点替换现有工具。
  5. OpenRouter:Blog(Announcements)60

    OpenRouter 实测对比 MCP、CLI 与 Skills 的上下文 token 成本

    OpenRouter 实测同一 GitHub 任务发现,工具接入方式显著改变 agent 的上下文开销,Claude Sonnet 5.5 上 CLI 用 1,421 输入 token,GitHub MCP 默认 46 个工具用 59,417。

    决策要点

    Agent 接工具的真正成本在上下文而非调用本身,MCP 默认全量加载可能把单任务开销放大数十倍,接入方式值得先量化再选。

    • 影响跑 agent 的团队 API 成本会因工具接入方式相差数倍到数十倍;收窄工具范围、裁剪返回字段是不改架构的省钱手段;token 计数绑定具体模型与服务商,换模型需重新测算。
    • 参考可考虑用文中 mcp_cost.py 在自家主力模型上实测工具开销;优先选模型已熟悉的 CLI,无 CLI 时限定 MCP 工具数并让客户端裁剪结果;定义超过约 10,000 token 时值得评估延迟加载。
  6. OpenRouter:Blog(Announcements)58

    OpenRouter 指南:如何修复 OpenAI 与 Claude API 的 429 限流错误

    OpenRouter 发布教程,讲解如何修复 OpenAI 与 Claude API 的 429 限流错误,方法核心是读错误头里的 limit_source 判断限流来自谁,再选等待重试、备用模型或换提供商。

    决策要点

    429 报错的有效解法取决于限流来自谁,按错误头里的 limit_source 分流处理,比默认 SDK 重试更能保证批任务完成。

    • 影响429 多在应用承受真实负载或批任务并发展开时出现,默认重试在窗口内撞墙既耗时又不保证成功;按重置时间等待能保全部完成但批次拉长到分钟级;备用模型与提供商 failover 用极小额费用换来无等待完成。
    • 参考可考虑在代码里按 limit_source 分流;能等待的批任务读 Retry-After 与 X-RateLimit-Reset 定时重试,不能等待的配置 models 备用模型;生产环境用付费模型并保留提供商 failover,排查 allow_fallbacks 设为 false、只列少数提供商或 max_price 过紧的配置。
11月10日周二
  1. 36氪·AI74

    AI将PHP老Bug挖成PHP2Shell远程代码执行漏洞,波及全球约七成网站

    在OpenAI Patch the Planet安全计划支持下,Calif研究人员Ryan Austin借助AI工具用几天时间把2024年报告的PHP内存Bug升级为远程代码执行漏洞。

    决策要点

    AI把漏洞挖掘的成本压到几天,存量软件几十年的技术债正被加速翻出,发现快于修复的不对称被放大。

    • 影响大量业务系统构建在PHP等开源组件之上,存量依赖的风险敞口需要重新评估;漏洞从发现到利用的周期在缩短,而修复节奏受制于开源维护资源;安全投入需同时覆盖发现侧预警与修复侧人力。
    • 参考可考虑先盘点线上系统的PHP及WordPress、Drupal、Joomla等组件版本,对照8.5.12、8.4.27、8.3.36、8.2.35修复清单排期升级;值得把开源依赖的安全维护成本纳入预算测算。
  2. OpenAI:官网动态37

    新加坡航空采用 OpenAI 技术升级旅行服务与员工办公,Kris 机器人客户满意度翻倍

    OpenAI 官网发布新加坡航空案例,新航使用 OpenAI 模型与 API 提升客户支持、旅行发现和员工生产力,官方称其 Kris 聊天机器人的客户满意度 CSAT 翻倍。该内容为厂商披露的客户落地案例,本次材料仅提供摘要,未包含完整正文细节。

    决策要点

    OpenAI 借新加坡航空案例为企业级 API 做效果背书,客服与内部效率是其对外展示的已落地场景。

    • 影响客服与差旅类企业多一个同行业参照案例,可据此评估聊天机器人升级方向;CSAT 翻倍出自 OpenAI 口径,预算测算不宜直接照搬;员工生产力与对外客服被纳入同一套模型能力。
    • 参考可考虑让客服团队对照该案例盘点自有聊天机器人的功能差距;值得先记录自身 CSAT 基线,再决定是否用 OpenAI API 做小范围验证。
  3. 人人都是产品经理48

    Harness 到底是什么:AI 编程五层架构拆解与团队选型建议

    作者完整消化 Theo 的 49 分钟视频与长文,把 Harness 讲成让只会吐字的大模型真正干活的底座,由工具集、调用语法、执行引擎、结果回填循环和工具说明书构成。

    决策要点

    AI 编程的抽象层正在上移,模型与执行底座绑死已成定局,团队可迁移的资产应放在 MCP 数据层而非某家工具里。

    • 影响换主力模型的成本主要在重配 Skills、插件与权限,选型时应把迁移成本算进总账;内部数据库、文档库、监控埋点等资产若封装成标准 MCP,未来换模型只需改配置;为 3% 到 5% 的跑分差放弃包月订阅改烧按量 API,按原文口径反而花钱更多、干活更少。
    • 参考可考虑按团队阶段选型,单模型团队留在模型原厂工具,多订阅团队可试用开源免费的 T3 Code 并记录实际迁移收益;值得先盘点现有私有工具清单,把涉及内部数据库与文档库的部分封装成标准 MCP 服务。
  4. 钛媒体60

    Anthropic CEO称五到十年可治愈大多数疾病,遭制药业高层集中反驳

    Anthropic CEO Dario Amodei 2026年9月称五到十年内治愈大多数人类疾病是可能的,华尔街日报11月3日报道后制药业高层集中反驳,Vertex 执行董事长 Leiden 对类似时间表称

    决策要点

    这场争论的实质不是AI是否有用,而是估值叙事权之争,谁定义AI制药的进度,谁就决定这条赛道按什么节奏和倍数定价。

    • 影响现有证据只支持AI在靶点筛选、患者匹配等研发环节的效率价值,激进时间表不能作为投入或估值的依据;医疗与科技资本在定价节奏上利益相反,参与AI制药合作的企业需区分资本叙事与可验证证据,避免被单方时间线抬高预期。
    • 参考可考虑在评估AI制药合作或投资时,把付款和里程碑挂在临床前可验证证据上;医疗或研发团队值得参照Bayer用AI在数天内梳理1亿份患者记录的做法,先在患者匹配、化合物筛选等辅助环节小规模测算收益。
  5. 36氪·AI55

    AISLE 真实湿实验基准首轮放榜,GPT 5.5 仅得 41.19 分,参测模型安全通过率均为 0%

    律动造物联合 UNSW、NUS、EPFL、UC Berkeley 共同牵头,汇聚全球 13 个 AI4Science 实验室及 NVIDIA、Microsoft Research。

    决策要点

    物理实验验证基准的出现把 AI 科学家叙事拉回现实,模型的语言层跑分并不代表真实动手能力和安全执行能力。

    • 影响对布局 AI for Science 或自动化实验室的企业,榜单成绩不能当作实验执行能力的采购依据;模型操控真实设备时安全约束全部失守,直接接入设备存在现实风险;配套 harness 为模型后训练提供了真实实验反馈通道。
    • 参考可考虑用 AISLE 公开任务对照评估自家场景中模型的动手与安全表现;值得在模型接入实验设备前先设置安全边界和人工停机校准机制;先算出获取真实实验反馈的成本再决定投入节奏。
  6. OpenRouter:Blog(Announcements)59

    OpenRouter 教程:如何从任意 LLM 获取结构化输出(JSON Schema、工具调用或决策模型)

    OpenRouter 发布教程,讲解从任意 LLM 获取可靠结构化输出的三条路线,按模型 endpoint 支持情况在严格 JSON Schema、强制工具调用和 Jev 决策模型之间选择。

    决策要点

    结构化输出是否可靠由具体 endpoint 决定而非模型名,多模型接入的真正工作量在按能力选路线和保留本地校验。

    • 影响跨模型应用不能假定 Schema 在所有供应商生效,同一模型换路由结果会不同;只要求合法 JSON 的 JSON 模式实测 216 次全对,说明可在约束强度与稳定性间取舍;纯标签分类改用决策模型在该测试中成本约为 GPT-6 Luna 的一半。
    • 参考可考虑给 provider 加 require_parameters 并设为 true,让不支持的请求显式报错以便切换模型;值得为每条回复保留 jsonschema 校验,可选字段写成必填加 null 类型;纯分类需求可试 Jev,先用自有数据测准确率和成本。
  7. OpenRouter:Blog(Announcements)82

    OpenRouter 实测扫描件 OCR 模型,Claude Opus 5.5 准确率居首

    OpenRouter 用 8 张自制扫描页实测 15 个视觉模型、Mistral OCR 和 Tesseract 的扫描件识别能力,Claude Opus 5.5 在 264 项关键值检查中命中 262 项居首,每千页 16.42 美元。

    决策要点

    扫描件识别的差距集中在褪色打印、手写和传真等难页,视觉模型会编造页面没有的值且错误率指标看不出来,选型只能在自有文档上实测。

    • 影响每千页成本从 0.04 到 16.42 美元,选型对批量文档数字化的预算影响显著;模型编造的卡号、密码流入业务系统会造成数据错误,关键值环节需要校验机制。
    • 参考可考虑用文中的 transcribe 代码在自己的扫描件上跑一轮候选模型,记录关键值命中数和每千页成本;票据类流水线值得测试关闭推理与双模型互查两个降本组合。
11月9日周一
  1. 钛媒体38

    Fintech周报:六大行恢复大额存单,工行村镇银行清零,招行日均Token消耗超800亿

    钛媒体Fintech周报汇集金融监管与行业动态:六大行全部恢复大额存单发售,5年期利率1.55%至1.60%、20万元起存,业内视为银行修复负债久期的安排而非利率反转;工行获批收购平湖工银村镇银行,手续完成后旗下村镇银行法人将清零,年内已有183家村镇银行退出。

    决策要点

    金融机构AI投入正从场景数量叙事转向运营量化,Token消耗、场景数与营收传导指标开始进入业绩披露和监管要求。

    • 影响大型金融机构后台与支援职能的AI应用已基本普及,竞争焦点转向投入产出度量;监管要求平衡成本与效益,缺乏量化评估的AI预算会先碰到成本约束。
    • 参考可考虑参照招行做法,为AI场景设定面访数、成交金额这类业务观察变量做投入追踪;金融类企业值得对照互金协会禁用营销用语清单自查宣传物料。