智东西10月9日报道，9月29日，亚马逊云科技宣布Amazon Bedrock AgentCore已在由光环新网运营的中国（北京）区域和由西云数据运营的中国（宁夏）区域正式可用。中国区域用户可登录亚马逊云科技来使用Amazon Bedrock AgentCore。

Amazon Bedrock AgentCore是一款全托管的AI Agent部署与运维平台，贯穿从构建、部署到运维Agent的完整开发生命周期，旨在帮助企业实现Agent的快速构建、安全连接与持续优化。

该平台上线即提供六项核心能力，包括运行时、网关、身份管理、浏览器工具、代码沙箱和可观测性。这些能力集中处理了企业如何让Agent高效、安全、持续行动的难题。

• Runtime：Serverless、基于microVM的安全运行时，按需自动扩展，秒级冷启动，仅按实际消耗的CPU与内存秒级付费，支持任意框架、兼容任意模型，会话间基于硬件级虚拟化隔离，数据安全无交叉污染风险。
• Gateway：将API、Lambda函数及MCP Server统一转化为Agent可用的工具入口，统一安全端点集中接入，让Agent轻松发现和调用各类工具；支持按用户设置请求数、Token和连接速率，轻松实现安全与成本控制。
• Identity：面向Agent的身份与访问管理，支持对接符合OIDC标准的身份提供商以控制Agent调用权限，并代替Agent安全托管访问下游服务的凭证，让Agent能代表用户或以自身身份安全访问各类资源。
• Browser Tools：提供快速、安全的云端浏览器运行时，让Agent能大规模地浏览网页、填写表单、抓取内容，与真实网站自然交互，无需自建浏览器基础设施。仅按实际消耗的CPU与内存秒级付费。
• Code Interpreter：代码沙箱让Agent能在安全的沙箱环境中编写并执行代码，从而完成数据分析、计算、文件处理等复杂的端到端任务，显著提升输出的准确性和解题能力。仅按实际消耗的CPU与内存秒级付费。
• Observability：基于Amazon CloudWatch提供全链路追踪、调试与监控能力。让企业对Agent的工作流拥有完整可见性，可对生产环境中Agent的每一步决策进行追踪、调试和性能监控，快速定位异常行为。

在中国区域，亚马逊云科技也正与来自汽车、医疗健康与生命科学、软件与服务以及零售与消费品等众多领域的行业客户展开紧密合作，共同推进企业级Agent的构建与创新应用，打造行业应用落地方案，将Agentic AI深度融入业务流程，助力企业加速释放AI业务价值。

一、提速Agent开发与部署，支持任意大模型及框架

通过提供全托管Serverless架构、开放兼容框架与全链条安全防护，Amazon Bedrock AgentCore让企业能以更低门槛、更高可靠性构建、托管与扩展Agent，助力企业消除自建Agent基础设施的复杂重负，迅速将Agent的技术验证推向生产部署。

Agent的成本优化从单次调用价格延伸到整条任务链路，少一次无效工具调用、缩短一段不必要的会话、避免重复执行，都可能影响最终整体成本。

Signal65性能分析师Mitch Lewis选取客服、运营与项目管理、市场研究三类示例Agent，分别使用AgentCore以及由独立工具和服务组合而成的自定义方案进行开发。

报告结果显示，使用AgentCore的端到端开发速度达到对照方案的2.1倍，云端部署速度达到5.2倍，基础设施配置与集成所用时间减少75%。

在Agent构建和部署方面，Amazon Bedrock AgentCore保持高度开放，支持任意大模型以及任意框架，通过解耦底层基础设施与上层应用逻辑，让企业能够轻松集成并统一托管多样化的Agent。

在运维方面，AgentCore能根据业务流量自动且即时地实现从零到数十万并发会话的弹性扩缩容，免去企业自建集群与多租户管理的繁重运维负担，并针对复杂的长时间运行任务提供行业领先的运行时支持，帮助企业快速将技术验证推向生产部署。

针对企业Agent任务不均情况，AgentCore Runtime采用Serverless架构，由平台管理底层资源供给与弹性扩缩容，并提供最长可达8小时的运行时支持，用于承接复杂的长时间任务。这有助于让企业减少重复建设，把精力更多放回任务编排和业务逻辑。

二、让企业集中掌控Agent访问权限，保障资源安全可控

Agent接入的工具越多、能完成的任务越丰富，企业需要管理的访问关系也越复杂。
一个员工能够查看哪些客户资料，通常受到岗位和系统权限限制。Agent代表员工访问系统时，也需要保留相应边界。

企业级Agent的安全，贯穿身份安全、访问权限控制、运行时隔离和业务审批。对此，Amazon Bedrock AgentCore构建了全方位的防护体系。

Identity负责身份与凭据托管，可对接符合OIDC标准的身份提供商，并托管访问下游服务所需的凭证，让Agent代表用户或以自身身份访问资源。

Gateway安全网关保障进出安全与策略合规，把API、Lambda函数及MCP Server等连接方式，统一成Agent可以发现和调用的工具入口。这套设计试图减少分散管理带来的负担，使多个Agent访问多个系统时，认证、凭证和工具连接不必全部散落在各个应用中。

Runtime基于microVM硬件级虚拟化隔离技术，为每个Agent会话提供独立的隔离计算环境，降低会话之间的数据泄露和交叉污染风险。

Observability提供全面的可观测性，以便企业追踪Agent的每一项操作，快速定位异常环节和调试问题，并持续优化性能。

通过设置层层护栏，AgentCore将原本分散的工程责任整理成了一套可复用的全面服务。

三、已服务多类业务场景，大幅缩短企业级Agent维修评估周期

Amazon Bedrock AgentCore在中国区的落地将助力国内企业目前聚焦的多种业务场景。

在通用业务领域，该平台实现了从内部提效到外部服务的多场景应用：

• 在数字员工与办公提效场景中，可无缝融入企业即时沟通与办公协作流程，原生托管基于客户自定义框架构建的Agent ，自动化处理入职办理、单据审核等内部事务。
• 在内容生产领域，可助力打造端到端内容自动化生成链路，实现文案拆解、分镜设计与音视频合成的全流程自动化，在保证质量的同时大幅提升内容产能。
• 在智能客服领域，可提供7×24小时自动多轮交互与意图识别，依靠硬件级虚拟化隔离技术保障敏感数据安全，并通过Serverless架构从容应对流量波峰波谷。

在行业垂直应用场景中，Amazon Bedrock AgentCore也能够深入特定业务流程，为企业带来切实的商业价值。

• 在智能家居行业，可打造App内嵌智能助手，让智能硬件“会说话、能操控”，赋能用户通过自然语言交互获取硬件安装与维修指导，并完成设备的远程操控。
• 在汽车行业，可帮助构建汽车服务图谱增强检索方案，基于MCP标准协议将多种核心能力封装为Agent工具，结合由海量维修文档构建的结构化知识图谱，全面推进售后维修的智能化。

对于希望构建企业级Agent托管运维底座的团队，Amazon Bedrock AgentCore提供了统一的多租户隔离、密钥管理与弹性托管服务，避免自建基础设施带来的繁重开发与运维负担。

在全球范围内，众多头部企业已通过Amazon Bedrock AgentCore实现成功生产部署。

爱立信在横跨数百万行代码、涉及数千个互联子系统的复杂研发环境中应用AgentCore，覆盖数万名员工，为工作效率带来了两位数的提升。

索尼集团基于AgentCore构建了覆盖全集团的Agentic AI平台，实现了企业级的安全性、可观测性与可扩展性。

汽车服务提供商Cox Automotive借助AgentCore，不到一年内将17个企业级Agent解决方案成功推向生产环境，新能力部署周期从数月缩短至数天，其内部FleetMate平台将原本需要8至48小时的复杂维修评估大幅缩短至30分钟。

结语：帮企业级Agent过好生产这一坎

Agent越接近核心业务，部署要求就越复杂。企业每天运行任务所依赖的部署和管理能力，则有机会形成持续的服务需求。谁能减少企业将Agent投入生产所需的工程投入、确保Agent长期可靠运行，谁就更有机会进入企业的长期技术架构。

Amazon Bedrock AgentCore在中国区域上线，为国内客户增加了就近部署与运行的选择。它将Agent落地涉及的共性需求沉淀成一套兼容不同模型与开发框架的全托管服务，来帮助企业更轻松地跨过Agent进入生产后的种种门槛。

智东西10月9日报道，在重置之神Tibo“连续28天新发布或者重置”的第四天，OpenAI改进了转向功能并发布了GPT-6.1 Sol的Ultrafast（极速）模式，智能接近Astra，速度比标准版GPT-6.1 Sol快8倍。

速度快了，价格自然也是水涨船高，现阶段，GPT-6.1 Sol按照速度分三档售卖，标准版价格每百万Token输入2美元，输出10美元，Fast模式速度和价格翻倍。

Ultrafast模式每百万Token输入12美元，输出60美元，足足是标准版的6倍。

不过，拿它与旗舰模型对比，价格又没那么难接受了。GPT-6 Astra的标准API价格为每百万输入Token 10美元、输出Token 50美元，按照相同的6倍极速定价计算，Astra Ultrafast的输入、输出价格将达到60美元和300美元，是Sol Ultrafast的5倍。

接近旗舰级别的智能、相比标准版最高8倍的生成速度，以及仍低于旗舰模型极速版的价格，构成了OpenAI推出这一模式的核心卖点。

但有个问题，既然Sol的能力已经接近Astra，为什么还需要专门花钱买速度？显然极速模式下的Sol价格比Astra标准版还贵点。

与此同时，Tibo本人和OpenAI的官宣贴子下方评论区，简直是大型嘲讽现场，往下随便一划，几乎看不到称赞的声音，全是“没什么用”，或者“骗子”的吐槽声。

而这些问题，背后恰恰对应着GPT-6.1 Sol这款模型的最大痛点——速度极慢，网友实际使用中甚至仅有可怜的30甚至20tokens/s。

一、速度升级了，社区为什么意见这么大？

Ultrafast上线后，社区的反馈几乎是清一色的不满。

有用户认为，Sol标准模式的基础速度本来就偏慢，那么即使极速模式提速8倍，用户需要为Sol支付更高的价格，却未必能获得相对于其他模型足够明显的速度优势。

对于速度，还有开发者提出最重要的事情是提高标准版的运行速度，而不是发布极速版本。

还有用户指出，Ultrafast没有向Pro 200美元套餐开放，也就是说这次更新和大部分用户并不相关。

用户的大多数不满实际上是针对速度和价格之间的关系，OpenAI发布了一个便宜的龟速模型，然后通过极速模式变相涨价，这种行为引起了争议。

有开发者直接指责这就是为什么现在基础模型都很慢，都是用低价高质量来骗人的，为推出高速模式做铺垫。

这些反馈指向了一个现状，也即用户愿不愿意为速度付费，不仅取决于速度提升了多少，也取决于原本的体验有多慢，以及现有订阅权益是否足以满足需求。

这种降低基础体验然后售卖补丁包的模式，让Ultrafast模式看起来更像是营销方式而非新发布。

除了提升速度，Codex的实时纠偏功能也是今天更新的重点之一，让用户能够在模型执行任务的过程中及时介入，从而更快调整方向。

如Tibo所说，这项改进与Ultrafast结合效果会更好，有机会减少无效执行，让Agent更快走向最终结果。

这也恰好回应了社区的一部分抱怨。此前有用户反映，Sol执行任务时会长时间反复尝试，却始终无法完成工作。如果用户能及时改变任务方向，模型又能更快响应，整个工作流的效率才可能得到实质性改善。

二、能力追上旗舰，速度成了巨大短板

要理解OpenAI推出GPT-6.1 Sol Ultrafast模式的目的，还得回到GPT-6.1 Sol这款模型本身。

9月30日，OpenAI在DevDay期间发布了GPT-6.1 Sol。这款模型距离上一代GPT-6 Sol仅相隔一周，主打复杂编程、计算机操作和专业工作场景，核心卖点是以约五分之一的标准Token价格，提供接近GPT-6 Astra的能力。

从官方公布的评测结果来看，Sol确实有不小的提升。

在DeepSWE v1.1编程评测中，GPT-6.1 Sol以最高75.2%的成绩，超过GPT-6 Sol最高推理强度下68.8%的表现。

在OSWorld 2.0计算机操作评测中，Sol最高推理强度下取得71.4%的成绩，与Astra的73.5%相差2.1个百分点，单项任务成本约为Astra的七分之一。

这两项评测分别考察模型在真实代码库中完成复杂软件工程任务的能力，以及Agent在计算机上执行多步骤操作的能力。它们与Sol瞄准的实际工作场景直接相关。

当然，这些数据来自OpenAI公布的测试结果，并不意味着Sol在所有任务中都能达到Astra的水平。但至少在部分复杂工作中，Sol已经具备了以更低成本替代旗舰模型的潜力。

然而，能力提升并不意味着使用体验没有短板。

Artificial Analysis对GPT-6.1 Sol的实测数据显示，Max推理强度下，该模型生成速度仅为54.9tokens/s，简直是龟速。

社区开发者对此也是怨声载道，有开发者用动画形象对比了Claude Opus 5.5、Gemini 3.8 Flash和GPT-6.1 Sol的速度，GPT-6.1 Sol慢得可怜。

还有开发者反映，自己实际使用过程中输出速度仅有27tokens/s，建议改名叫GPT-6.1 Slow。

从用户的抱怨中，也能反映出现阶段大家关注的重点，当模型开始承担长时间编程和Agent任务时，生成速度会直接影响工作节奏。

对于普通问答，几秒钟的等待可能不算什么，但当模型需要连续生成代码、不断调用工具时，等待时间就会成为影响效率的重要因素。

按照OpenAI公布的信息，GPT-6.1 Sol Ultrafast面向对速度敏感的工作场景，包括故障调试、Agent操作应用，以及对实时响应有较高要求的交互体验等。

在这些场景中，如果更短的生成等待时间能够缩短整个任务周期，用户就可能获得更直接的效率收益。

但需要注意，官方所说的“最高8倍”指的是生成速度提升上限，并不等于所有任务都能缩短八分之七的完成时间。实际耗时还会受到推理过程、工具调用、网络延迟和任务复杂度等因素影响。

对于需要频繁调用工具的Agent应用，OpenAI也建议使用WebSocket等持久连接，以减少网络对延迟的影响。

而在价格方面，如果只看单价，Ultrafast显然不适合所有任务。对于普通代码补全、文档整理和不着急得到结果的工作，标准模式可能更划算。

但对于线上故障排查、实时应用和需要连续执行的高价值任务，速度带来的收益则可能抵消额外成本。

在Codex和ChatGPT Work中，Ultrafast目前仅面向Pro 500订阅计划、符合条件的企业用量付费计划，以及基于积分的教育版计划开放，API用户可以直接使用这一模式。

OpenAI这次推出Ultrafast模式，除了是给龟速模型提供加速器，也是将速度从模型的默认体验中拆分出来，做成一项可以付费购买的服务。

结语：是体验优化，还是营销套路？要看实际效果

OpenAI给模型能力划分了更细的价格档位，也把速度变成了一项可以单独收费的服务。

这套逻辑并不难理解。对于需要高频调用模型、执行复杂任务的开发者而言，更快的响应确实有价值。但前提是，标准版不能慢到影响正常使用，极速版也得真正带来与价格相匹配的效率提升。

尤其当AI开始承担编程、工具调用和多步骤任务时，用户买单的标准正在发生变化：模型有多聪明固然重要，能否及时响应、少走弯路并最终完成任务，同样重要。

8倍提速是一个醒目的数字，但OpenAI需要证明的，是用户多付出的成本，能否换来更高的任务完成效率。

如果做不到这一点，Ultrafast就很难摆脱“给基础体验打补丁”的质疑。

智东西10月9日消息，今天，苹果全球营销高级副总裁格雷格·乔斯维亚克（Greg Joswiak）在X上发布预热视频，证实苹果将于10月13日举行主题为“欢迎回家”（Welcome home）的特别活动，多款智能家居新品有望亮相。

▲苹果全球营销高级副总裁官宣智能家居新品发布活动（图源：X）

此次活动将成为苹果新任CEO约翰·特努斯（John Ternus）上任后，在智能家居产品线上的首次重要动作。

科技视频博主马克斯·布朗利（Marques Brownlee）也公开其收到的邀请函。此次“Apple Experience”体验活动将在纽约翠贝卡举行，时间为美国东部时间10月13日上午9点，即北京时间10月13日21点。

▲科技视频博主公开其收到的活动邀请函（图源：X）

据彭博社记者马克·古尔曼（Mark Gurman）等消息源此前报道，苹果计划在10月13日推出全新产品带屏智能家居中枢HomePad、新款智能音箱HomePod mini和新款电视盒子Apple TV 4K，这三款产品有望支持新版Siri AI。

其中，外界暂称为“HomePad”的带屏家庭中枢，是苹果智能家居产品线中的全新产品。它预计配备约6英寸触摸屏，可摆放在桌面或安装在墙上，支持家居设备控制、视频通话和音乐播放等功能，并能识别不同家庭成员、展示个性化内容。

▲HomePad概念图（图源：9To5Mac）

古尔曼还披露，苹果正在与韩国消费电子巨头LG共同开发智能门锁、视频门铃、恒温器和摄像头等家居配件。这些产品预计以LG品牌推出，与苹果的新款家庭设备协同工作，但正式上市可能还需数月。

苹果本月的新品发布或许不止这一轮。据古尔曼和MacRumors等报道，苹果可能在10月27日前后推出OLED版iPad mini、首款搭载OLED触控屏的MacBook Pro，以及搭载M6芯片的iMac和14英寸MacBook Pro。

一、带屏家庭中枢有望登场，可识别不同家庭成员

此次最受关注的新品，是外界暂称为“HomePad”的智能家居中枢。

据古尔曼报道，该设备将采用约6英寸的方形屏幕，提供桌面和壁挂两种版本。其中，桌面版通过金属支臂连接圆形底座，屏幕可手动调整角度，设计类似苹果早年的iMac G4。设备需要持续接电使用，正面配备摄像头，底座内集成扬声器和麦克风。

▲苹果iMac G4（图源：彭博社）

它预计支持智能家居控制、FaceTime视频通话、音乐播放、照片展示，以及查看日历和提醒事项。在厨房场景下，用户还可以通过语音查询食谱。

针对家庭多人共用的情况，古尔曼称，设备能够通过声音或面部识别判断使用者，展示对应的个人内容，并提供隐藏私人信息的访客模式。如果识别失败，用户可以借助iPhone辅助验证。

二、HomePod mini和Apple TV有望换芯，支持新版Siri

据多方消息报道，与家庭中枢一起亮相的，还可能有HomePod mini 2和第四代Apple TV 4K。两款设备预计保留现有外观，通过更快的芯片支持Siri AI；HomePod mini还可能新增粉色、绿色等配色。

▲目前的HomePod mini（图源：彭博社）

古尔曼称，几款智能家居设备原本计划于2024年推出，发布延期与等待新版Siri有关。更大尺寸的HomePod则预计在之后更新。

另外，据MacRumors预测，新款HomePod mini和Apple TV 4K可能搭载苹果N1无线网络芯片，支持Wi-Fi 7、蓝牙6和Thread。Apple TV还可能增加内存、升级处理器。

▲目前的Apple TV（图源：彭博社）

三、苹果被曝与LG共同开发门锁、门铃和摄像头

除了上述三款设备外，古尔曼10月6日披露，苹果正在与LG电子共同开发一批智能家居配件，包括视频门铃、智能门锁、恒温器、温度传感器，以及室内、室外和泛光灯摄像头。

据古尔曼援引知情人士消息，这些配件将使用LG品牌，由LG负责制造和售后支持，并与苹果即将推出的家庭设备协同工作。

部分产品已出现在监管申报资料中，申报产品包括LG有线视频门铃、LG泛光灯摄像头、LG插电式室外摄像头、LG插电式室内摄像头、LG智能门栓锁、LG智能恒温器和LG温度传感器。LG申请将产品照片及更详细的信息保密至明年初。上述申报文件并未提及苹果参与其中。

▲智能门锁结构图（图源：美国联邦通信委员会）

这些配件可能在近期公布，但正式上市还需要时间。古尔曼称，LG配件的开发进度落后于苹果自家的设备，预计至少还需数月才能交付消费者。

结语：家庭设备协同与新版Siri成为主要看点

如果上述爆料落地，苹果将同时更新带屏家庭中枢、智能音箱和电视设备，并通过LG合作补充门锁、门铃及摄像头等配件。

目前，官方已公布活动主题和日期，具体产品仍有待揭晓。除了硬件参数，新版Siri有哪些能力能够随设备一同上线、不同家庭产品如何协同，将是此次活动值得关注的重点。

来源：苹果、X、彭博社、MacRumors、9To5Mac

智东西10月9日消息，刚刚，一加与京东方联合发布了双方共研的第四代东方屏，这块屏幕共有16项全球首发、7个世界第一、11项技术突破，在通透显示、高刷流畅、动态清晰等维度重点升级。

现场一加宣布，第四代东方屏将由10月12日即将发布的一加16系列旗舰机全球首发搭载。

京东方科学家、OLED产品开发中心长安成国现场登台演讲，他提到，第四代东方屏是行业首个全链路按“超高刷标准”定义的产品。

一加中国区总裁李杰称，在第四代东方屏上，两家研发团队从材料、电路到显示体验，把各自优势能力结合，进行了深度共研。

具体到这块屏幕，第四代东方屏搭载一加与京东方联合定制的X4发光材料，引入行业首个三次校准，在色准、通透度、功耗、寿命等维度实现提升，此外，第四代东方屏支持硬件1nit暗光显示。

第四代东方屏搭载了行业首个全链路硬件超高刷方案，日常场景下支持硬件级全局165Hz，适配主流应用；游戏场景下，最高支持185Hz刷新率，进一步提升画面连贯性与操作响应速度。

针对高刷带来的功耗问题，一加与京东方联合研发LTPO超高刷电路，配合X4发光材料带来更优功耗控制，最终实现全局165Hz功耗与上代120Hz屏幕基本持平。

在第四代东方屏上，一加与京东方首次将专业电竞显示器的动态清晰度标准引入手机领域，发布了全球首颗超高刷显示芯片——超级显示芯片P4，基于九项超高刷技术，针对快速滑动、游戏高速运动等场景进行优化，让高帧率画面在运动过程中保持清晰。

护眼能力方面，基于医显共研的技术积累，新一代明眸护眼技术能实现接近自然光的观看体验。配合硬件端1nit暗光显示、3840Hz超高频PWM调光、硬件级低蓝光等技术，第四代东方屏获“小金标”认证。

可以看到，作为OPPO旗下定位游戏性能旗舰的手机品牌，一加长期将屏幕显示作为重点攻克领域，联合显示领域头部厂商，从芯片、算法到上层应用生态都实现了突破，构建起了自身在屏幕领域的技术护城河。

智东西10月9日获悉，近日，深圳大模型厂商扩散智能（DiffuSpace）连续完成两轮融资，总金额数亿元人民币，创下全球扩散语言模型（dLLM）最大规模融资纪录。

这也是该公司首次披露融资，融资由经纬创投、顺为资本、君联资本联合领投，中科创星、华为哈勃、地平线等跟投。

DiffuSpace聚焦以dLLM为核心的下一代基座模型。区别于GPT类自回归模型逐词生成，dLLM采用全局并行扩散生成，天然适配端侧Agent。

据悉，DiffuSpace的融资资金将主要投向模型训练、垂直场景适配和基础设施研发。公司正在训练新一代更大参数规模的dLLM，并计划于10月发布并开源。

DiffuSpace于2026年正式创立于深圳，由港大NLP实验室联合主管孔令鹏教授，以及其博士生龚珊三、叶佳成联合创立。核心团队长期研究扩散语言模型，是全球最早探索该路线的团队之一，在条件生成、离散信号建模、Scaling三大dLLM核心问题上取得全球领先突破。

团队早在2022年就启动dLLM前沿研究，提出了DiffuSeq，开创了扩散模型处理序列到序列文本生成（Seq2Seq）的技术路径。他们第一次让扩散模型能够完成对话、改写、问句生成、文本简化等真实应用。该成果后被ICLR 2023收录，成为早期条件式文本扩散领域的代表性工作。

2025年，团队推出的Dream 7B模型首次全面超越同参数规模的自回归模型，并在规划能力上比肩671B的DeepSeek-V3，在Hugging Face上获得超过250万下载量。

基于Dream 7B，团队又陆续推出视觉语言模型Dream-VL、视觉-语言-行动模型Dream-VLA、DreamOn等垂类模型，进一步验证dLLM在多模态、Agent及具身智能等场景中的应用潜力。

2026年以来，dLLM在技术突破、产业关注和资本热度上持续升温。2026年前8个月，相关论文总数已达2025年全年的2.4倍。Google、Inception、蚂蚁集团等科技企业及研发团队持续加码，dLLM正从前沿研究加速走向工程化验证与应用探索。

近期报道显示，DiffuSpace已与亚洲智能体计算平台公司Acrab达成合作。借助dLLM的并行生成与全局建模能力，端侧Agent运行速度可提升5倍。双方将继续推动扩散语言模型在AI PC、智能汽车、机器人及智能家居等场景落地。

智东西
作者 | 陈骏达
编辑 | 云鹏

智东西10月9日报道，今天凌晨，在Gemini at Work 2026大会上，谷歌云正式推出企业通用智能体Gemini Agent，试图将原本分散在办公软件、数据平台和开发工具中的任务，交给一个能够自主规划、调用工具并持续执行的智能体。

Gemini Agent的能力不再局限于回答问题或生成一段文本。用户可以直接用自然语言描述最终目标，让智能体自行拆解任务、调用企业数据、编写和运行代码、生成文档与多媒体内容，并在云端持续推进复杂工作。

面对大型任务，它还能够组织多个子智能体协同执行，甚至以拥有独立企业身份的数字同事参与团队协作。

以准备PPT材料为例，用户可以直接要求Gemini Agent制作PPT、搭建收入预测模型，并生成配套宣传视频。智能体需要自行理解目标，调用相应的技能、企业数据和生成模型，完成各个环节，再将结果交付给用户。

在这一过程中，用户仍然可以检查进度、调整要求并决定是否授权关键操作，但不必一直守在电脑前，逐步指导每个执行步骤。

为了让智能体进入企业日常工作，谷歌云还围绕Gemini Agent补齐了四重记忆机制、跨平台协作、企业数据访问、安全隔离和成本控制等能力，形成一套能够将企业任务从指令推进到执行结果的智能体系统。

Gemini Agent的这一产品形态让人联想到国内的豆包工作、腾讯WorkBuddy和阿里的千问办公等产品，同样是办公智能体平台，同样主打“自主拆解任务、调用工具、持续推进工作”。

不过，需要注意的是，Gemini Agent是一款企业级产品，目前尚未公布具体的正式商用日期与定价方案，仅面向部分企业用户开放预览。

一、从对话到执行，Gemini Agent要做企业的通用同事

过去，企业中的AI能力通常分散在不同产品中：有人使用聊天机器人撰写文案，有人借助编程助手处理数据，还有人通过办公软件中的AI功能制作演示文稿。

Gemini Agent希望把这些能力整合到统一的智能体中，让同一智能体能够处理知识问答、文档生成、代码执行和多媒体创作等不同任务。

在使用入口上，谷歌云其延伸至Web、移动端、桌面端和命令行等环境，并推动智能体与Google Workspace、Microsoft 365、Slack等工作工具协同，还可以通过MCP接入其他服务。用户可以在日常工作环境中调用智能体，而不必每次都从头交代背景。

Gemini Agent还面向金融服务和法律行业提供专业化的版本，能更好地完成相关领域的任务。

长跨度任务是Gemini Agent试图突破的另一道门槛。

普通聊天机器人通常围绕当前对话工作，一旦任务涉及多个系统、较长执行时间或反复验证，就需要用户不断跟进。Gemini Agent则依托云端运行环境维持任务状态，使部分复杂工作能够在用户离开电脑后继续推进。

例如，数据分析任务可以经历数据提取、代码生成、模型训练、结果检查和报告整理等多个阶段。智能体不必在每一步完成后都等待用户重新下达指令，而是可以按照既定目标继续执行，并在遇到需要判断或授权的环节时寻求用户介入。

谷歌云还为Gemini Agent引入动态多智能体协同机制。当任务规模较大时，系统可以将工作拆分给多个子智能体，分别处理数据、代码或内容生成等环节，再汇总执行结果。

除了由员工主动发起任务，谷歌云还提出了数字同事（Coworker Agent）的概念。

这类智能体可以拥有独立的企业邮箱、专属存储空间和公司目录身份，并参与邮件与文档协作。借助相应的授权机制，它能够以团队成员的工作身份承担持续性任务，而不只是等待员工打开聊天窗口后才开始工作。

例如，企业可以将某些周期性的资料整理、信息汇总或邮件准备工作交给智能体，让它按照既定规则持续推进。

二、四重记忆让智能体理解企业，支持Gemini、Claude等模型

要让一个智能体长期参与企业工作，仅能理解当前指令还不够。它还需要记住用户正在处理什么任务、企业内部如何定义业务指标，以及过去的工作流程通常怎样执行。围绕这一问题，谷歌云提出了四类记忆机制，并将模型选择与具体任务进一步解耦。

四类记忆分别解决不同问题：

第一类是会话记忆（Session Memory），用于保留当前任务或对话的上下文，避免用户反复解释同一件事。

第二类是语义记忆（Semantic Memory），用于组织企业知识和业务概念，帮助智能体理解公司内部的术语、数据定义与知识关系。

第三类是程序记忆（Procedural Memory），用于沉淀工作流程和执行方法，让智能体能够复用经过定义的任务步骤。

第四类是情节记忆（Episodic Memory），用于记录与过去任务有关的经历和结果，为后续工作提供参考。

这四类记忆并非简单地把所有历史对话存进一个更大的上下文窗口，而是尝试区分不同类型的信息，让智能体在需要时调用相应背景。

例如，当员工要求生成一份销售分析报告时，智能体不仅需要理解本次指令，还需要知道公司对销售额、利润率等指标的定义，了解报告应采用的格式，并参考相关历史任务中的执行经验。

对企业而言，这类能力的价值在于减少重复交代背景的成本。不过，记忆能否准确、持续地发挥作用，仍取决于企业知识质量、权限设置和信息更新机制。

在模型层面，谷歌云则希望避免企业智能体被某一个模型完全绑定。

Gemini Agent支持在谷歌自有模型以及Anthropic Claude等第三方模型之间进行选择，并通过智能路由将不同任务分配给适合的模型。相对简单的工作可以交由成本更低的模型处理，复杂推理任务则可以调用更强的模型。

谷歌云称，采用智能路由后，相关任务的综合运行成本可以降至全部使用前沿模型时的1/3，执行速度提升40%。

在底层模型方面，谷歌也提到了上周发布的Gemini 4 Argon。该模型面向复杂推理和长跨度软件工程任务，在相关基准测试及谷歌内部工程应用中取得进展，为智能体执行复杂工作提供模型能力支撑。

三、企业数据不再只是存储资产，谷歌云补齐智能体的数据底座

影响智能体能否投入生产环境的，还有它能否准确调用数据、持续执行流程，并在整个过程中遵守企业规则。

谷歌云为Gemini Agent打造了多个面向具体场景的Skill。运营报告Skill可以让用户通过简单的对话了解企业运营数据，机器学习Skill则可以在AI开发场景中发挥作用。

智能体需要自主执行任务，就必须能够理解和使用企业数据。然而，大量企业信息仍然散落在数据库、云存储、办公文档和业务系统中。即使模型本身足够强大，如果无法理解数据含义或获得适当访问权限，也很难完成端到端的业务任务。

谷歌云此次为Gemini Agent整合了Knowledge Catalog、Smart Storage和Borderless Lakehouse等能力，试图降低智能体使用企业数据的门槛。

Knowledge Catalog的重点，是帮助智能体理解数据背后的业务语义。

企业中的同一个指标，可能在不同系统中采用不同字段名称或计算方式。例如，员工提出查询“净利润率”，智能体不仅需要找到相关数据，还需要知道企业对这一指标的具体定义，以及相应的数据来自哪里。

通过Knowledge Catalog，谷歌云希望将业务概念与底层数据结构关联起来，并兼容Databricks、dbt、Looker建模体系及SAP等企业数据环境。这样，智能体在执行分析任务时，就能依据企业已有的业务定义定位数据，而不是完全依赖字段名称猜测含义。

在大会演示中，数据科学智能体根据自然语言指令提取数据、生成代码并训练XGBoost模型，展示了从业务问题到机器学习分析结果的自动化流程。

Smart Storage则将AI能力延伸至非结构化文件。图像、PDF和扫描文档通常缺少可直接用于检索的结构化信息，企业即使保存了大量资料，也不一定能快速找到真正有用的内容。

谷歌云希望借助Gemini对这些文件进行上下文理解与标注，让智能体能够从存储中的资料提取相关信息。

例如，Snap将Prism智能体与存储归档连接，用于技术诊断和故障排查。谷歌云披露，该方案将相关排查时间从30分钟缩短至30秒。日立则利用HMAX智能体比对生产现场工序前后的接线照片，帮助一线人员识别差异，获得30%的生产力提升。

另一项能力Borderless Lakehouse，针对的是企业跨云数据分散的问题。谷歌云希望在不要求企业统一搬迁数据的情况下，联合查询Amazon S3、Azure Data Lake、Salesforce和Workday等不同数据源，并减少跨云数据移动带来的成本与复杂性。

企业不必先将所有数据迁移到单一平台，再开始部署智能体，而是可以逐步让智能体访问现有数据资产。

四、智能体自主行动后，安全与成本成为关键

当AI从生成内容走向调用工具、运行代码和操作业务系统，企业面临的风险也随之变化。

一个只能回答问题的聊天机器人，通常不会直接修改生产系统；一个能够持续执行任务的智能体，却可能在获得权限后访问文件、调用接口、运行程序，甚至触发跨系统操作。

因此，谷歌云将身份管理、执行隔离、网络流量控制和成本管理纳入Gemini Agent的企业治理体系。

首先，每个智能体都可以拥有独立的身份与相应权限，其执行操作能够被记录并纳入审计，包括调用虚拟机运行代码等环节。这使企业有机会追踪智能体做过什么、访问了哪些资源，以及相关操作发生在何时。

其次，谷歌云还为Gemini Agent配备了Agent Sandbox和Agent Gateway。前者用于隔离智能体执行任务的环境，后者负责管理智能体进出系统的网络流量，并对恶意指令和不符合权限要求的数据访问进行拦截。

例如，企业可以针对特定文件设置访问限制，避免智能体因收到不当指令而读取无权访问的敏感资料。对于需要运行代码的任务，隔离执行环境也有助于降低不受控操作对其他系统的影响。

成本控制同样重要。智能体执行长跨度任务时，可能反复调用模型、工具和云端运行环境。如果没有预算约束，复杂任务很容易产生难以预估的费用。

谷歌云提供了项目级实时支出上限（Spend Caps），管理员可以设定预算阈值，并在触及上限后暂停相关任务，再根据情况恢复执行。结合模型智能路由，企业可以尝试在任务质量、响应速度与运行成本之间取得平衡。

结语：谷歌云补齐拼图，但真正的考验才刚开始

谷歌云此次发布的Gemini Agent，补齐了他们在企业级智能体赛道的业务布局。此前，OpenAI和Anthropic等AI模型企业已经先行一步押注了企业级智能体赛道，并抢占了一定的用户心智。

要在这一竞争激烈的市场里拿下更多份额，谷歌云需要证明Gemini Agent能在权限治理、跨系统集成、成本透明度等企业用户关心的场景，做出经得起生产环境检验的答案，而不只是发布会上的演示。

智东西10月8日报道，全球首批搭载NVIDIA RTX Spark N1X超级芯片的本地智能体AIPC——联想YOGA Pro 15 RTX Spark笔记本电脑，于今日9:00正式开启全网盲约。

在联想YOGA家族的产品矩阵中，Pro系列始终坚持“专为创作打造”的基因，代表着专业表现。这款新品面向AI创作、开发以及研学（学术科研与数据分析）等高算力需求人群，助力用户提升个人生产力。

联想YOGA AIPC产品专为既追求实用性与工作效能，又不妥协生活品质的高质量人群精心打造，具备高颜值的外观设计与轻便易携的设计，搭配卓越的性能与高端配置，无论是高效办公、沉浸式娱乐还是创意创作，都能游刃有余，满足多元化需求。

一、搭载RTX Spark N1X超级芯片，本地AI算力多达1PFLOPS

联想YOGA Pro 15 RTX Spark由英伟达RTX Spark超级芯片驱动，将英伟达AI与RTX图形技术集成到一台纤薄且功能强大的Windows PC中。

这枚芯片内部集成了高达6144核的英伟达Blackwell RTX GPU与高达20核的英伟达Grace CPU，可在端侧释放高达1Petaflop FP4的本地AI运算性能。

同时，作为全球AI加速软件标准的NVIDIA CUDA平台可在设备上原生运行，为前沿AI工具与模型开发提供坚实底座。

在硬件规格层面，联想YOGA Pro 15 RTX Spark配备至高128GB统一内存与至高2TB极速存储。

英伟达RTX Spark N1X超级芯片将GPU、CPU与统一内存深度融合，从硬件底层打破传统端侧AI面临的显存墙，让超大参数模型本地常驻、复杂多任务并发处理不再受限。

搭配80W满功耗调校与出众能效表现，整机无论在运行高负载大模型推理、高分辨率视频渲染、大型项目代码编译等场景下，均能保障持续稳定的强劲输出。

二、搭载天禧AI智能体，自带35B本地大模型开箱即用

联想YOGA Pro 15 RTX Spark搭载天禧AI。天禧AI是由联想推出的个人超级智能体，是用户的专属超能搭档。其全新推出的超能模式能够让用户在YOGA Pro 15 RTX Spark上完成多种类型的复杂任务，实现私密的本地工作流，不受网络及Token的限制。

天禧AI超能模式聚焦核心生产力场景，支持接入多款生产力工具，能够生成视频、网页、文档等多种类型的产物，满足用户日常工作需求。

用户可在本地模式和标准模式之前灵活切换，完成私密任务时使用本地模式处理。

天禧AI超能模式已针对YOGA Pro 15 RTX Spark进行优化。依托RTX Spark，天禧AI不仅可提供稳定的AI不间断运行能力，还能自主规划、执行、交付可交互编辑的实用成果，让用户享受随时待命的高阶生产力。

YOGA Pro 15 RTX Spark支持本地运行超千亿参数大模型，并出厂自带35B本地大模型开箱即用，无需繁复配置，即可实现毫秒级本地响应。

这种深度集成的端侧智能，带来了“断网即用与零Token成本”、“隐私与资产安全”、“智能体自主协同”三大核心优势。

端侧AI全程本地运算，即便处于脱网环境依然可以调度大模型，规避云端API的Token消耗与服务订阅费用，实现随时随地自由调取算力，达成使用上的“零成本”；端侧AI数据留存本地，规避云端数据可能带来的信息泄露风险，保障用户的资产安全。

而在天禧AI的加持下，端侧AI改变以往单一指令的被动问答模式，实现了AI 与AI的智能体协同、任务的自助执行，提升了用户个人效率。算力不受网络与付费规则限制，核心资产不再妥协于云端泄露风险。

三、专为AI创作、开发、研学打造，内置92.5Wh高密度大电池

在毫秒级端侧AI算力加持下，联想YOGA Pro 15 RTX Spark针对AI创作、开发、研学这类高算力需求实现了深度工作流重塑：

本地生成脚本、文生图、音视频素材、三维建模与UI设计，无需等待网络延迟，灵感通过AI创作实时落地。

离线端侧AI更适合开发，这种安全环境下进行私有代码仓审查、智能代码补全、重构与调试，安心又高效。

针对科研工作者，联想YOGA Pro 15 RTX Spark内置的天禧AI可实现论文精读提炼、本地文献解析，以及海量科研数据的本地清洗与建模推演，有效加速科研进度、投稿效率。

为承载这套高效工作流，联想YOGA Pro 15 RTX Spark在硬件、交互与生态层面进行了全方位专业级定制。

首先是专业级超感视觉，15.3英寸2.5K OLED 165Hz触控屏，兼具高刷新率流畅度与专业级高色准，呈现“所见即准”的精准画面表现。

其次是更符合直觉的多模态交互能力，依托全域妙写数位板与专用手写笔交互生态，带来“写、画、点、说，皆达AI”的交互体验。

还有全能软件生态支持，原生适配上千款专业创作应用，深度兼容NVIDIA Studio平台和RTX核心加速，全面赋能3D渲染、视频剪辑与AI创作工作流。

外观设计上，联想YOGA Pro 15 RTX Spark采用质感内敛的雷霆灰配色，机身轻薄便携，兼顾移动办公与极简美学；内置92.5Wh高密度大电池，保障全天候移动使用不断电。

结语：将顶级AI算力塞进笔记本，离线状态下智能体亦能协同

作为全球首批搭载NVIDIA RTX Spark N1X超级芯片的本地智能体AIPC，联想YOGA Pro 15 RTX Spark将顶级AI算力与智能体能力沉淀于端侧，智能体可以在离线状态下协同，个人创作与研发的效能瓶颈已被打破。

联想YOGA Pro 15 RTX Spark有望助力用户获得自主协同的本地智能体体验。追求灵感落地的AI创作者、开发者与科研工作者可抢先锁定首批体验席位。

过去几年，AI的发展都集中在云端：越来越多的参数，越来越强的模型，越来越费电的算力中心。如今一个更深层的变化正在发生：AI开始明显地从云端向终端设备扩散。机器人、自动驾驶汽车、智慧视觉设备等越来越多的终端正在拥有自己的AI能力。

这一趋势并不难理解，终端是AI抵达真实世界的关键入口：摄像头、麦克风、传感器就长在设备上，物理世界的数据由终端源源不断产生。云端的模型和算力再强，进不了终端，就无法触及真实世界。可以说，AI竞争的下一个战场，就在端侧。

在这个节点上，上海海思给出了一个鲜明的判断：每个IoT终端都值得被重构成轻智能终端，成为AI的泛在入口。通过端侧AI与云端协同，实现小算力大智慧。围绕这个判断，一套从战略到执行的完整架构也随之铺开：一方面，凭借全系列的端侧芯片捕捉端侧AI产业爆发的机会；另一方面，通过HiSpark开发者生态社区，加速构建一套面向端侧AI的新一代开发者生态。

一、端侧已进入轻智能时代

一个常见的共识是：云端大模型越来越强，下一阶段AI的发展必然会走向真实的物理世界。而这过程中，必定会遇到几个硬约束。

首先是实时响应。以典型的云端指令为例，常见的云端语音指令一发一收最快也要1000毫秒左右的通信时长，正常交互问题不大，但时延压力极大的高速决策场景根本无法容忍这样的延迟。

再者是多模态感知：摄像头、麦克风、传感器就长在设备上，终端能够持续、实时地获取物理世界的数据，这是云端拿不到的。最后，考虑到隐私保护与数据安全，数据和指令不出终端，天然规避了大量风险。

因此，云侧与终端侧需要深度协同，才能构建起完整的业务链路。端侧能力越强，能够采集和处理的数据越多，对云端的需求也越高。云端模型能力提升，又会进一步推动终端升级，两者形成持续增强的协同关系。

上海海思把这一终端演进趋势定义为“轻智能”。所谓“轻”，是让终端设备以较低的成本和功耗，一站式实现“有联接、有智能、有感知、有交互”，改变过去AIoT终端缺乏真正“AI”的局面。 特别是端侧AI能力的引入重新定义了终端产品，让全新的“轻智能”终端，成为AI真正走进日常生活的最大载体，也是彻底激活AIoT行业的一把钥匙。

▲上海海思HiSpark开发者生态社区

这种变化最终会落到具体产品体验上。我们尝试设想一下，给智能牙刷装上微型摄像头和端侧算力芯片，实现边刷牙边扫描牙齿，判断哪里需要重点清洁甚至就医；吹风机也不再是固定冷热档位的功能型产品，而是能够根据发质、干湿程度动态调节风温和风速的完整智能产品。上海海思生态与伙伴发展部部长闪罡认为，轻智能终端不是创造一个全新的“物种”，而是让消费者已经熟悉的传统产品获得全新的、断代的智能能力。

二、算力易得、落地难为，生态支持成现实需求

然而，端侧AI能不能跑起来，不能只看芯片算力。闪罡提出，端侧AI面临一个非常现实的困难：“算力易得，落地难为。”算力集成容易，硬件成本很低，但企业拿到算力之后，真正的考验才刚刚开始。

第一关，是“想不清”算力能干什么。这要求企业拥有深厚的行业Know-how，对本行业产品的功能场景和深层次用户需求有充分的洞察和认知，要深刻地理解问题，又要合理地定义体验，这个关卡就已经把大量企业挡在了门外。

而即便想清楚了算力能干什么，第二关，还要想好模型如何落地。端侧AI涉及一整套环环相扣的工程链条，对于大量中小企业而言，真正稀缺的并不是算力，而是把算力变成产品的能力。

在嵌入式开发中，开发者始终要在算力、功耗和成本之间寻找平衡：算力高了，功耗和发热可能上升；功耗降下来，又可能牺牲性能，内存、功耗、算力、成本等方面都有严苛约束。

软件与模型侧，如何把云端训练的模型通过量化、剪枝、压缩等方式最终部署到端侧设备上，又要如何针对不同芯片优化推理框架和底层算子，都是极为复杂的挑战。

这套软硬件适配和算法研发的能力，过去更多掌握在拥有大规模研发团队的大厂手中。而端侧AI是一个天然碎片化的市场，其中有不少参与者都是中小企业、方案商和个人开发者，对他们而言，独自打通全链条的成本难以承受。那么，对于广大开发者而言，路在何方？

AI编程的兴起，似乎正为降低端侧AI开发工程的门槛提供新的路径启示。逻辑上，开发者可以让大模型生成代码、调用工具，甚至辅助完成整个开发流程。但嵌入式开发面对的是具体芯片、具体硬件和具体工程环境，通用大模型并不能直接解决这些问题。它们可能不了解具体芯片的BSP、SDK和信号管脚，也难以及时掌握不断更新的版本、接口和勘误。

更关键的是，嵌入式开发并不只是写代码。模型还必须理解算力、功耗、成本等硬件约束，生成的代码即使逻辑正确，也可能因为内存、性能等问题无法真正上板；到了调试阶段，还要接入日志、逻辑分析仪、示波器等工具，形成完整的“人—模型—硬件”闭环。

这意味着，通用的AI编程可以降低一部分开发门槛，却无法单独补齐端侧AI落地所需要的工程体系。

如何让大多数企业都能获得打造端侧AI产品的系统工程能力？这是轻智能浪潮中必须有人回答的问题，也是上海海思给自己立下的命题——毕竟，芯片再能算，海量开发者用不起来，也是枉然。

要回答这个命题，靠芯片本身是不够的。既然瓶颈在工程链条，竞争的主战场就必然从单一的芯片或模型能力，延伸到工具链和开发生态，芯片厂商的角色也要随之改变。过去，芯片厂商提供芯片、SDK和技术支持；如今，开发者需要的是从芯片、模型、工具链到Demo的全链条支持，厂商需要陪着开发者走完从算力到产品的全程，最终成为端侧AI开发平台的提供者。

▲HiSpark开发者生态社区网站

这也是上海海思正在推进的方向：以四大生态为基座，提供丰富的芯片的产品和方案，持续开放芯片、工具链、模型以及工程能力，做好硅基黑土地，让更多的伙伴和开发者在这片肥沃的土地上，释放创新潜能。HiSpark社区这一轮升级，也正是围绕这一思路展开，从提供芯片和SDK，进一步向完整的端侧AI开发生态延伸。

三、首创XDAS四维框架，面向AI把开发者生态重做一遍

上海海思可能是国内开发者可以触及的芯片序列完整度和丰富度最高的原厂之一，这张底牌就是全系列、全档位的芯片家族：感知、联接、显示、算力等芯片正逐步面向开发者深化开源开放，并以统一的算子库、统一的工具链拉通不同芯片，让开发者在不同算力档位之间低成本迁移。

这套统一还延伸到端云之间：上海海思的端侧平台与CANN体系共架构，CANN是昇腾体系的全栈开发生态，端侧芯片相当于把这套生态一直延伸到了最小的智能终端上。随着生态工作的不断推进，从日前发布的昇腾960到海思仅有1T算力的Hi3516CV610，未来都有望共用同一套算子库、工具平台、模型库与推理框架。

在芯片的底座之上，HiSpark社区首次提出了XDAS开发者生态四维框架，把生态能力系统性地归纳为四个维度：AI for Development（D）、AI for Application（A）、AI for Support（S）、EXperience for AI（X）。前三维解决“开发者怎么用AI”，X解决的是“AI怎么用社区”——当社区的服务对象从人扩展到AI，生态的基建本身也要重做一遍。

▲XDAS开发者生态四维框架

拆开来看，在AI for Development方面，上海海思正帮助开发者利用AI提升嵌入式开发效率。他们已经把SDK、接口文档、参考工程、成功经验全部结构化、向量化，建成实时刷新的专属知识库，再把芯片开发能力抽象成原子化的Skills集合释放出来，通过MCP服务和CLI工具链接入真实开发环节。

有了这些知识，生成代码、编译、烧录到读取日志和仪器数据等环节都可以交给AI自动迭代，人只负责开头提需求和结尾验收。上海海思首批打造的五大领域Skills已完全开放到HiSpark社区，实验室实测效率提升约76%，过往需要1个工程师2周左右的工作量，现在借助AI Skills，在1天内即可搞定。

▲AI辅助嵌入式开发

面向AI for Application，也就是应用落地，上海海思创新性地提出了“五步法”的解题思路，帮助开发者实现从想法到产品的临门一脚。HiSpark社区把应用落地拆解为“案例→算法→数据→训练→部署”五个环节，针对性提供支撑。

旅程第一步从案例中心开始，开发者可以学习既有案例、阅读开发指南，获得开发灵感。

有了想法，就可以前往HiSpark的模式与算法市场匹配需求，这里提供大量开源算法与模型，目前Hi3403芯片已开放15个品类、70多个开源算法，年出货过亿的Hi3516CV610未来三个月也将开放40多个算法。

接下来进入训练与部署环节，HiSpark社区提供了模型量化剪枝、压缩转换等工具，今年年底还将上线在线训练平台，小团队不用再自建训练服务器，上传数据即可拿到模型。

五步法铺平了从想法到产品的路，但开发者真正动手时，仍会在无数具体问题上卡住。如何让技术支持快起来、准起来？这正是XDAS框架中“AI for Support（S）”所要解决的问题。

随着端侧AI开发生态不断丰富，传统人工FAE要处理的问题越来越多，往往无法以最快速度响应。而上海海思内部统计发现，开发者遇到的85%以上的问题，其实都是前人解决过的重复性问题。

因此，HiSpark社区近期正式开启数字FAE公测，提供7×24小时服务，覆盖芯片选型、技术指导、资料检索、根因分析与解决方案等场景，还能通过MCP接入开发者自己的IDE；遇到AI无法解决的问题，系统会自动整理对话并转给真人FAE。

上海海思特别强调，数字FAE不是普通智能客服：开发者更看重准确性和效率，一个错误的硬件能力判断可能带来高昂的试错成本，因此系统宁可不答，也不能乱答，背后依靠的是严格圈定的知识体系和持续勘误。

而当开发者开始越来越多地使用AI，一个新的问题浮出水面：社区本身，对AI友好吗？这对应的是XDAS框架的最后一维——EXperience for AI（X）。HiSpark社区数据显示，Markdown格式文档的申请量已经超过半数，其中接近70%来自智能体，社区服务对象正在从“人”逐渐转向“AI”。

为此，HiSpark社区一方面要求文档、SDK、接口和工程参考做到“人可读、AI亦可读”，另一方面开放接口，让开发者可以直接在自己的Agent中调用社区能力，同时通过数据治理保证信息准确、干净和实时更新，避免错误知识被AI反复传播。

上述四个维度的重构，正在带来看得见的改变。截至2026年9月，HiSpark社区下载量较去年提升10倍，UV提升8倍，但上海海思对社区的建设目标，并不以开发者数量或日活为核心，而更看重社区健康度、产品体验和伙伴能否真正成功。

闪罡强调，社区的价值不是“获取开发者”，而是“服务和支持开发者”。未来，社区甚至不必以一个独立网站存在，数字FAE、MCP服务和开发能力可以直接进入IDE、Agent等开发环境，这或许才是端侧AI生态，真正融入开发流程的状态。

结语：给端侧AI，修一条人人可走的路

轻智能时代已至，这一点正在产业内形成共鸣。从传统安防到智能家居，从消费电子到工业制造，大量从业者在这一轮浪潮中重新看到了机会。

中国拥有全球最丰富的终端品类和最活跃的开发力量，千千万万中小企业正是这一市场最广泛的参与者。过去，智能化升级往往意味着高门槛、高投入，只有头部企业玩得起；而当生态把门槛一层层压低，让一个小团队也能做出AI产品，技术的红利才真正开始流向千行百业、惠及千厂万商。

这正是上海海思在做的事。它以全系列芯片为底座、以HiSpark开发者生态社区为载体，把知识、工具、模型、服务全面开放，试图为中国端侧AI行业，修一条人人可走的路。

智东西10月8日报道，今日，腾讯旗下AI办公智能体WorkBuddy正式上线独立文件浏览器，用户无需先将本地文件上传至聊天框，直接在电脑中右键选择WorkBuddy，即可打开文件，并调用AI进行分析、修改和后续处理。

此次更新支持Word、Excel、PPT、PDF、Markdown、HTML等多种文件格式，用户可以在独立窗口中查看文件，并通过右侧的Buddy对话框调用AI能力。

对于支持编辑的文件，用户还可以直接修改内容，并将结果保存回原来的本地文件。

并且该功能无需单独下载，更新WorkBuddy后即可使用。

一、本地文件右键打开，AI直接参与编辑

此前，用户想通过WorkBuddy处理本地文件，通常需要先打开应用，再将文件上传到对话框。此次新增的独立文件浏览器则简化了这一流程。

用户只需在电脑文件夹中找到目标文件，右键选择“打开方式”中的WorkBuddy，即可在独立窗口中打开。

对于经常使用WorkBuddy处理文件的用户，还可以将其设为默认打开方式，之后双击文件便能直接进入。

独立文件浏览器采用左侧文件、右侧AI对话的布局。用户可以一边查看文档，一边让Buddy总结内容、分析数据或修改文件。

例如，打开一份几十页的PDF后，可以让Buddy提炼其中的重点；打开Excel表格后，可以要求其分析不同产品或区域的销售表现。

此外，独立文件浏览器支持多标签页，能够同时打开多份文件。每份文件都有独立的Buddy对话，切换文件时，对应的AI对话也会同步切换。

此次更新还将WorkBuddy此前推出的“人机双写”能力引入独立文件浏览器。

以Word为例，用户可以直接要求Buddy简化某段文字，也可以选中指定内容，让AI进行改写、润色或补充。

AI修改后的内容会通过黄色色块标注，方便用户查看改动。

Excel和PPT同样支持在当前文件中进行编辑，并调用Buddy协助处理。

值得注意的是，修改结果可以直接保存回本地原文件。Word、Excel、PPT支持通过保存按钮或快捷键保存，Markdown编辑内容则会自动保存，HTML在退出编辑状态时自动保存。

如果用户在其他应用中修改了同一份文件，WorkBuddy也不会自动覆盖，而是提醒用户选择刷新至最新版本，或将当前内容另存为副本。

二、支持基于现有文件生成新内容，微信端也能处理

除了查看和编辑，WorkBuddy还支持围绕现有文件执行后续任务。

例如，用户打开一份Excel表格后，可以直接要求Buddy根据其中的数据制作网页版汇报。

AI生成的新文件会默认保存在原文件所在目录，用户可以直接在独立文件浏览器中打开，并继续查看、修改。生成结果也可以进一步分享，或上传至资料库、腾讯文档进行协作。

针对AI生成内容中常见的Markdown和HTML格式，此次更新也进行了适配。

在电脑端，Markdown文件可以直接以排版后的形式打开和编辑，同时支持Markdown语法输入与实时渲染。

HTML文件则默认以网页形式预览，用户可以切换至编辑状态，手动修改内容或调用Buddy进行调整，再切换回预览模式查看效果。

在移动端，用户通过微信收到Markdown或HTML文件后，也可以选择使用WorkBuddy小程序直接打开预览，无需额外切换至其他编辑软件。

预览后的文件还可以通过小程序页面直接转发。

如果需要进一步处理，也可以将文件加入Buddy对话，让AI总结、改写或润色。

目前，WorkBuddy小程序单次支持处理一个文件，文件预览本身不消耗积分。

关于使用成本，WorkBuddy官方称，查看和编辑本地文件不消耗积分，只有调用AI进行总结、改写、生成等操作时，才会根据实际任务消耗积分。

在文件访问权限方面，官方称，独立文件浏览器只会读取用户主动打开或添加的文件，不会遍历或扫描电脑磁盘。

结语：本地文件成为AI办公的新入口

此次更新，WorkBuddy进一步简化了用户调用AI处理文件的操作流程。用户可以直接在原有文件上查看、编辑和保存内容，减少了文件上传、下载以及反复切换应用的操作。

与此同时，AI也可以围绕当前文件持续执行分析、修改和内容生成任务。结合此前推出的人机双写、资料库等功能，WorkBuddy正尝试将AI更直接地嵌入日常文件处理流程，让用户无需改变原有的操作习惯，就能随时调用AI协助办公。

智东西10月8日消息，刚刚，Manus母公司蝴蝶效应宣布近日已完成超5亿美元（约合人民币33.52亿元）新一轮融资。这是国内Agent原生创企获得的最大一笔融资。

本轮融资由博裕投资、IDG资本领投，老股东腾讯、红杉中国、真格基金继续加持。

今年9月，外媒彭博社就曾报道，蝴蝶效应计划以40亿美元（约合人民币268.3亿元）估值融资5亿美元（约合人民币33.5亿元），较此前20亿美元的估值，多了整整一倍，预计将会使Manus的母公司蝴蝶效应成为中国估值最高的AI Agent创企。

就在9月29日，Manus发布了Manus 2.0版本，以及多Agent群聊应用Cue。这是其9月1日正式恢复独立运营后的第一次大版本更新。

今年9月1日，Manus宣布正式恢复独立运营，Manus的三位联合创始人CEO肖弘、首席科学家季逸超、产品合伙人张涛将继续领导公司，并透露创新成果即将问世。

Manus 2.0采用自研Agent框架Cascade，依托这套框架，用户创建的项目从起步阶段就能保持轻量化，仅在任务有实际需求时，再调用对应的专业能力。

在一项测试配置中，与Manus之前的系统相比，Cascade的Token消耗减少23.2%，任务完成时间缩短28.2%，运行成本降低32%。这说明该架构下，任务完成的效果更好，损耗更少。

官宣推文中，蝴蝶效应称，其正在面向海内外招聘17个岗位。

去年12月30日至今，Manus从被Meta收购被叫停，再到如今恢复独立运营，融资、产品发布回归正轨。

结语：Manus要直面巨头与开源项目双重夹击

蝴蝶效应此番获得大额融资折射出全球资本对AI Agent赛道的押注重心正在发生转移，其更关注“能执行、可落地”的智能体产品入口。

从蝴蝶效应的投资方也可以看出，头部机构扎堆加注，也意味着具备全球化产品能力、已经跑通初步商业化的创业企业正在收获更高的估值溢价。

如今Agent领域的竞争愈发激烈，一边是OpenAI、Anthropic等海外巨头将Agent能力内置进主力产品，挤压初创公司的生存空间；另一边开源Agent项目持续迭代。如今Manus拿到资金后，既要在全球市场和巨头正面竞争，也要持续证明高估值对应的长期商业价值。

智东西10月8日消息，今日凌晨，Anthropic发布其迄今最便宜、最快且功能最强大的迷你模型Claude Haiku 5.5，平均运行成本比Claude Haiku 4.5低约75%。

Anthropic的官方博客称，Claude Haiku 5.5适用于高吞吐量且对成本敏感的任务，可以处理快速且重复性的工作负载，例如摘要生成、数据整理、数据库查询、分类任务、实时客户支持以及浏览器相关操作等。Haiku 5.5也可以和Sonnet 5.5搭配，作为编程工作的子智能体使用。

在Artificial Analysis上， Haiku 5.5在AI分析指数上得分为43，在最高性能模式下，得分略高于GLM-5.3 Flash（42分）、Gemini 3.8 Flash（41分）和GPT-6 Luna（38分）。

Claude Haiku 5.5的定价比Claude Haiku 4.5低90%，适用于请求量不超过10万个token的情况；而超过10万个token的请求可享受50%的折扣。在Claude Haiku 4.5版本中，有90%的请求属于上述范围。

此外，Anthropic还对全系模型性价比进行了优化，其将Claude Sonnet 5.5的缓存读取操作价格下调至一半，即每百万个token只需支付0.1美元（约合人民币0.67元），在大多数智能体任务场景下，其运行成本降低约20%；Claude Max和Team订阅用户还将拥有新的月度API积分奖励。

Claude Haiku 5.5现已可在所有平台上使用，包括Amazon Web Services、Google Cloud和Microsoft Azure。在Claude平台上，开发者可以立即开始使用claude-haiku-5-5。

一、动画效果实测惊艳，但部分场景比GPT-6 Luna贵12倍

不少开发者实测对比了Claude Haiku 5.5和GPT-6 Luna的表现。

一位开发者生成了斑马在奔跑的动画，其中从斑马的花纹、形态到背景，Haiku 5.5生成的画面都更为和谐自然。

另一位网友实测了Haiku 5.5和Sonnet 5.5作为子智能体协同使用，在下方的案例中，两个模型协同只花了不到1分钟就完成任务。

有开发者对比发现，Claude Haiku 5.5在相同场景下的成本是GPT-6 Luna的12倍。

下图中两个项目的API价格相同，在Claude Haiku 5.5平台上构建同一个动画化的体素式3D宝塔岛屿需要24.96美元（约合人民币167.27元），在GPT-6 Luna平台上为1.91美元（约合人民币12.8元）。

另一位开发者使用Haiku 5.5与GPT-6 Luna生成了夜班列车动画。GPT-6 Luna在54.6秒内以低于0.01美元（约合人民币0.07元）的价格，生成了上面的内容，列车在夜间的森林里运行，摄像机还会切换远景、近景。

Haiku 5.5则使用了5分钟12秒，成本为0.03美元（约合人民币0.21元），但开发者放出的案例中Haiku 5.5只生成了一张火车的静态图。

综合来看，Haiku 5.5在绝大多数上下文不超过10万token的自动化任务、浏览器与计算机操作、轻量智能体场景下可以实现更优的综合收益。但面对更为复杂，需要重度编程、极高复杂度的多步规划任务时，其能力仍存在短板，这类场景依旧需要选用更高阶模型来保障输出质量。

二、相比上代模型得分几乎翻倍，整体可对标GPT-6 Luna

Anthropic放出的基准测试表中，对比了Haiku 5.5与Haiku 4.5、GPT-6 Luna、Sonnet 5.5在知识工作、计算机操作、多学科推理、智能体编程、视觉推理等方面的表现。

8项基准测试中，Haiku 5.5的表现均超过了Haiku 4.5、GPT-6 Luna。其中相对于上一代的Haiku 4.5，Haiku 5.5的知识工作得分几乎翻倍，Terminal‑Bench智能体编程得分从0%上涨到39.2%，这说明Haiku 5.5已经具备较强的智能体能力。

整体来看，Haiku 5.5综合性能相比GPT-6 Luna更强，尤其在OSWorld电脑操作测试中具有明显优势。Haiku 5.5距离高端模型Sonnet 5.5仍有差距。

Haiku 5.5是Anthropic首款支持可调算力档位（adjustable effort setting）的Haiku系列模型。用户可以自主选择优先优化成本，或是优先优化模型智能度。

▲Haiku 5.5在不同算力档位下，三项基准测试的表现。

定价方面，Anthropic称，当提示词长度不超过10万token时，Haiku 5.5的性价比尤为突出。

下图展示了Haiku 5.5与Anthropic更先进模型之间的关键差异。

对于需要复杂智能体编程任务的场景，如那些通过Terminal-Bench 4.0进行评估的任务，Sonnet 5.5和Opus 5.5仍然是更好的选择。Haiku 5.5则更适合那些范围较为狭窄的任务，这些任务在Claude的先前版本中可能会因为成本过高而难以实现，比如压缩、摘要处理或子智能体工作等任务。

此外，本周Anthropic将向所有Max和团队订阅者提供新的月度API信用额度，供他们在Claude平台上使用。使用Max 5x的用户每月可获得100美元（约合人民币670元）的信用额度，使用Max 20x的用户则每月可获得200美元（约合人民币1340元），团队订阅者最多可获得500美元（约合人民币3350元）的信用额度。

面向开发者，他们同时更新了Claude Python与TypeScript SDK，新增计算机操作与浏览器操作的测试版能力支持。

三、对齐错误案例减少，Haiku 5.5网络安全保护更严格

Claude Haiku 5.5在几乎所有对齐评估指标上都取得了显著改进。相比上一代模型，研究人员发现的对齐错误案例大幅减少，同时，模型在应对错误行为时的协作意愿也更强。

根据其功能特性，Haiku 5.5的网络安全保护措施比Haiku 4.5更为严格。在网络安全方面，这些措施允许执行更广泛的防御任务，但无法阻止攻击者进行的渗透测试及其他攻击手段。

Haiku 5.5的生物安全机制与Sonnet 5、Sonnet 5.5以及Opus 5相同。这些机制允许研究相关生物学问题，但会限制那些可能带来危害的请求的访问权限。

结语：轻量模型也要有智能体能力，小模型不再只追求“便宜够用”

时隔一年，Anthropic更新了自家迷你模型，并升级了智能体能力，这或许将改写过去小模型主打“便宜够用”的定位，如今Haiku 5.5补齐了计算机操作、终端编码、图表推理短板，搭配可调推理档位，可以用更低成本承接10万token以内的智能体业务。

这意味着AI智能体开发的成本门槛被进一步压低，开发者不必动辄调用高价主力模型来做网页浏览、桌面自动化这类高频任务。不过值得注意的是，Haiku 5.5依然存在能力边界，在复杂场景高端模型的价值依旧不可替代。

未来，轻量模型或许也会成为智能体产品规模化落地的主力选型，这也会倒逼各家厂商在低成本智能体赛道加速竞争。

来源：Anthropic、X

智东西10月8日报道，今日，微软在旧金山举办Windows AI和Surface活动，宣布其迄今最强Surface PC Surface Laptop Ultra即日起开启预售，下周五开始发货，起售价为2599美元（约合人民币17425元）。

这个入门级价格对应的配置是18核CPU、5120核GPU、24GB内存、512GB固态硬盘。预装的操作系统可选Windows 11家庭版和专业版，家庭版只有24GB内存，专业版可选32GB~128GB内存。

最高配置20核CPU、6144核GPU、128GB内存、1TB固态硬盘、Windows 11专业版的对应价格为5899.99美元（约合人民币39557元）。

英伟达创始人兼CEO黄仁勋穿着黑色皮衣来到现场，与微软董事长兼CEO萨蒂亚·纳德拉、风险投资家斯里拉姆·克里希南热聊AI PC趋势。

Surface Laptop Ultra采用英伟达RTX Spark N1X超级芯片，最高配备128GB统一内存，可在本地运行拥有超过1200亿个参数的AI模型。

这台机器不仅能跑AI任务，还能进行电影级视频编辑、玩《战争机器》游戏稳定在60帧。

据微软披露，相比搭载M5 Pro芯片的16英寸苹果MacBook Pro笔记本电脑，搭载RTX Spark的Windows PC可实现2.1倍的首token时延效率、4.3倍的AI图像生成速度、6.2倍的AI视频生成速度。

微软商店支持用MacBook Pro折价换购Surface Laptop Ultra，最高可折1000美元。

华硕ProArt P16和华硕ProArt P14、戴尔XPS 16 Creator Edition、惠普OmniBook Ultra 16、联想Yoga 9n二合一笔记本电脑、微星Prestige N16 Flip AI+等RTX Spark Windows PC均从今日起接受预订。

面向开发者或内容创作者、搭载Project Zenith的Surface RTX Spark Dev Box，同样采用RTX Spark芯片，起售价5999美元（约合人民币40221元），现已开放预订，将于11月向美国客户发货。

作为Project Zenith系列设备的一部分，Surface RTX Spark Dev Box提供了一套开箱即用、预配置完成的Windows开发环境，预装了开发者最常用的工具、运行时和环境，包括Visual Studio Code、Git、GitHub CLI、GitHub Copilot、WSL、Python、Node等。

稍后，微软还将推出全新DGX Station for Windows超级计算机。

DGX Station for Windows是首款将英伟达GB300 Grace Blackwell级AI基础设施直接引入Windows生态系统的桌面级AI超级计算机，提供748GB的一致性内存和高达20petaFLOPS的FP4 AI算力，可在本地运行高达万亿参数规模的前沿模型，包括运行Kimi K2.6、DeepSeek-V4 Pro等。

戴尔Pro Precision with GB300和惠普ZGX Fury AI Station产品都将于今年晚些时候上市。

除了硬件外，微软Windows和设备执行副总裁帕万·达武鲁里还详细介绍了为智能体时代设计的Windows更新，包括如何更好地保护、监控和管理智能体，并称Windows是当前最安全的智能体平台。

核心发布包括：

• 在Copilot+ PC上，Copilot将借助Windows混合智能技术提供本地上下文、本地操作、本地模型功能。
• Windows任务栏中的搜索功能将与全新Copilot应用集成，在用户允许的情况下，将整个电脑作为上下文信息来源。
• 在Windows 11上正式推出操作系统级基础架构Microsoft Execution Containers（MXC），保障智能体安全。
• 发布本地版MAI-Code-1.1-Flash模型，模型缩小近80%，成本降至1/4。
• 在Windows ML可扩展运行时中支持llama.cpp，提供更多开源模型选择。
• 在Windows和GitHub Copilot引入本地模型和智能编排。

未来会有更多高性能模型进入Windows。

例如英伟达即将推出的新Nemotron模型拥有超过700亿个参数，可实现2bit量化，仅用略高于20GB的内存。

一个采用1.6bit量化的284B参数DeepSeek-V4 Flash模型，已经能在本地设备上运行，仅需60GB内存，而且在编程和推理基础测试中超过GPT-5。

Meta个人AI智能体应用Muse也将发布原生Windows版应用。

一、Surface Laptop Ultra：本地可跑1200亿参数模型，配置USB-C磁吸式充电

会上，黄仁勋回顾道，英伟达可以说是因为Windows系统才诞生的，如果没有Windows，就不会有GeForce，没有GeForce，就不会有CUDA，也就不会发现能用来进行深度学习研究的计算平台。

在这样一个新时代，怎样才能打造一台“完美的PC”？黄仁勋说，他们在4年前就开始讨论这件事。

这一次，他们彻底重新发明了PC，把过去分别存在于游戏PC、笔记本电脑、工作站、超级计算机和云端的各种能力统一于同一种架构，运行在一颗超级芯片上。

为此，微软重新思考高性能Windows PC的定义，与英伟达深度合作，旨在优化Windows系统，并围绕该平台从零开始设计了一款全新的设备Surface Laptop Ultra，力求充分发挥英伟达RTX Spark超级芯片的优势。

RTX Spark超级芯片结合了最高20核的Grace CPU和最高6144核的Blackwell RTX GPU，连接速度为600GB/s，具备1petaflop的FP4 AI性能和高达128GB的LPDDR5x统一内存，支持在本地运行参数规模超过1200亿的AI模型。

黄仁勋强调，当年开启AI革命的DGX-1超级计算机，算力也是1petaflop，现在同等级别的算力进入了笔记本电脑。

Surface Laptop Ultra支持在创意工作、开发、智能体编程和沉浸式游戏之间无缝切换，使用户可将更多工作保留在设备上，减少对云的依赖，并能访问CUDA生态系统和完整的Windows AI软件栈，以及英伟达光线追踪、DLSS和Reflex技术。

这款Surface机身厚度不足18毫米，重量不足4.5磅，触控板面积增大30%，配备15英寸全新PixelSense Ultra触控屏，拥有所有笔记本电脑中最高的峰值HDR亮度（比MacBook Pro M5高出25%）。

为优化能效，微软设计了一种全新的散热架构，散热能力是现有Surface笔记本电脑的2.5倍，电池续航时间可满足一整天的使用需求。

Surface Laptop Ultra提供了Surface迄今最完整的端口选择，包括3个USB-C端口、HDMI、USB-A、SD卡读卡器、3.5毫米耳机插孔，可驱动多达3台4K显示器，无需适配器即可导入视频素材。

其中，尤其引人注目的是全新Magnetic Connect——全球首款内置于笔记本电脑的磁吸式USB-C充电接口。

随附的充电线采用磁吸式设计，可轻松吸附在右侧USB-C接口上。该接口仍可正常用于视频、数据传输和其他USB-C设备。

Surface Laptop Ultra还配备了先进的触觉反馈技术，可在要求苛刻的创意工作流程中实现精准操控。

其存储设备可由用户自行拆卸，支持升级、更换或保护自己的存储设备。

二、用混合智能增强Copilot性能，让Windows PC更适合跑智能体

纳德拉称，Windows平台未来的发展方向，是从聊天、写作到代码、智能体、Autopilot汇聚在一起，能够赋能任何人的应用和智能体。

据达武鲁里分享，全球有超过10亿的Windows 11用户，如今超过40%的商用笔记本电脑都是Copilot+ PC，每月有超过2万亿次推理在Copilot+ PC上本地运行，为搜索、图像和视频通话体验带来改善。

在Copilot+ PC上，微软Copilot将借助Windows混合智能技术得到全面升级，提供3项关键的本地功能：

1、本地上下文。 经用户许可，Copilot可了解电脑上的相关内容，包括文件和最近活动，并将本地上下文融入工作流程。

2、本地操作。Copilot可代表用户在Windows系统中执行操作，帮助完成整理文件、评估设备诊断、排除故障、编写代码以及直接在设备上执行工作流程等任务。

3、本地模型。Copilot可利用运行在用户电脑上的AI模型，在合适的任务中使用本地计算，并在需要时结合云端智能。

达武鲁里说，这三件事会将你的PC变成个人软件工厂。

由此三个核心体验得以增强：

在Home（主页）中，Copilot可使用PC上的本地上下文来提取用户一直在处理的文件，并帮助将它们转换为可供协作的成果。

在Code中，混合智能可帮助用户从一个提示词创建原生Windows应用，降低软件开发门槛，并通过引入MXC支持实现更安全地运行代码。

混合智能技术还将增强持续、主动、个性化的企业级智能助手Autopilot。

比如用Autopilot整理报税所需材料，输入一个简单的提示词后，Autopilot会翻看邮箱，查看需要准备的文件清单，基于整台PC构建上下文，经散落在各处文件夹的内容整理到一个新文件夹中并重命名，最后将所有文件压缩成一个ZIP文件，把该文件作为附件上传到邮件中，发给会计师。

由混合智能驱动的Copilot功能将在未来几个月内在Copilot+电脑上推出。

为了让PC更适用于智能体工作，微软今天还宣布推出一种更简便安全的智能体启动方式，只需点击几下，即可在迷你台式电脑上轻松安装常用智能体程序，不需要复杂配置。

对于OpenClaw用户，微软推出了一个原生Windows网关，简化了设置过程，并集成了MXC，有助于将智能体程序安全地隔离在沙箱环境中。

三、让Windows搜索更快，改善意图理解

新的Windows搜索，核心在于让搜索更快、更高效，让你能够更快找到应用、设置和文件。

从今年秋季开始，在Windows 11 PC上，你可以直接通过任务栏搜索执行数千种快速操作，比如切换到深色模式、开启勿扰模式、调高音量、发送短信等等，就像Mac Spotlight那样。

当你的请求需要Copilot时，你也可以直接从任务栏连接到全新的Copilot应用。当你提出一个简单的问题，Copilot会直接在搜索界面中给出答案。如果你想进行更深入的对话，也可以从搜索跳转到完整的Copilot应用。

面向Windows预览体验成员，微软今日推出基于WinUI 3的全新Windows搜索体验，使Windows搜索速度更快、资源利用效率更高，同时提供了更加精简和专注的设计，将用户所需信息集中呈现。

Windows搜索对用户搜索意图的理解也在改进，包括更好地匹配拼写错误和同义词。今年晚些时候，内联预览和更丰富的文件详细信息将使区分相似结果更加容易，并在打开文件之前为用户提供更多上下文信息。

▲Windows搜索会在搜索结果中直接显示PowerPoint演示文稿、Word文档和照片的内联预览

四、智能体能操作电脑了，怎么实现安全隔离？

今日，Microsoft Execution Containers（MXC）在Windows 11上正式发布。借助MXC，组织可定义智能体可访问哪些文件和网络，而Windows会在运行时强制执行这些策略。

开发者可使用MXC来控制智能体访问范围，让智能体只能访问经过批准的资源。

MXC是一个策略驱动的执行层，用于处理不受信任的代码或动态生成的工作负载。它将工作负载需求与平台特定的容器细节隔离，极大地简化了开发者的体验。

开发者使用统一的JSON配置模式和多语言SDK进行集成，而MXC将请求的控件映射到Windows、macOS或Linux上的选定后端。

Windows也将很快让Microsoft Entra能帮助区分智能体活动和用户活动，确保用户即使在需要限制智能体访问的情况下也能保持高效工作，并将Microsoft Agent 365控制扩展到设备上的本地智能体，使IT团队能够管理MXC容器、应用策略和监控智能体活动。

英伟达已将OpenShell集成到MXC中，为MXC提供策略控制。GitHub Copilot、OpenClaw、OpenAI Codex、Replit、LM Studio、Unsloth AI等主流智能体和智能体框架已支持MXC。

许多其他智能体和框架也将陆续发布对MXC的支持，例如Anthropic Claude Code、Box、Egnyte、Heidi Health、Nous Research的Hermes Agent、Manus、Perplexity、Raycast和Simular等。

黄仁勋评价说：“正如Windows和DirectX彻底改变了应用程序的构建方式一样，MXC也将彻底改变智能体的构建和部署方式。”

五、本地版MAI-Code-1.1-Flash：成本仅为1/4，支持256K上下文

微软在今年Build大会上推出了混合专家模型MAI Code 1.1 Flash，它共有1370亿个参数，其中68亿个是活跃参数。

如今，为了实现更好的本地化开发体验，微软AI开发了本地版MAI Code 1.1 Flash，通过3bit量化将这一模型缩小近80%（与Bfloat16云版本相比），容量为53GB，降低了内存需求，同时保持编程质量。

该模型可在设备端支持本地256K上下文窗口，并在SWE-Bench Verified和Terminal-Bench 2.1上具有与其全精度对应物相当的编程性能。

其生成的代码质量更高，token效率提升25%，模型完成任务所需的token数量减少了25%，成本仅为微软在6月Build大会上发布模型的1/4。

该模型可下载到本地运行。微软建议使用RAM大于120GB的设备。

在Surface Laptop Ultra上，微软首个发布的MAI Code 1.1 Flash版本在不同上下文长度下实现了以下性能：在256k上下文长度下峰值内存使用量为75.5GB，在64k和128k上下文长度下提示符处理吞吐量分别达到每秒923.5个和769.8个token。

MAI-Code-1.1-Flash现已在GitHub Copilot中投入生产使用。到本月底，GitHub Copilot应用、GitHub Copilot CLI和Visual Studio Code将提供GitHub Copilot的实验性访问权限。

六、混合智能需要引入本地模型和智能编排

GitHub Copilot新增了两种在GitHub Copilot CLI、Copilot应用和VS Code中使用本地模型的方式。

开发者可借助Copilot的智能自动编排功能来选择何时使用本地推理或云端推理，也可以为需要直接控制的工作流显式选择本地模型。

为匹配适合不同任务的模型，GitHub提供了来自主流模型提供商的前沿模型，以及像Project HydraFusion编排器这样的选项，它可以将每个任务智能路由到云端的正确模型，同时平衡性能、成本和延迟。

今天，微软将这种智能扩展到Windows，使HydraFusion能够利用设备本地运行的模型。

由HydraFusion提供支持的Windows混合智能，将于10月15日以实验预览版的形式登陆GitHub Copilot应用、GitHub Copilot CLI和Visual Studio Code。

届时GitHub Copilot将能判断何时最适合使用设备端智能来处理任务，何时应该利用云端模型。

对于Surface Laptop Ultra等搭载英伟达RTX Spark的Windows PC而言，这意味着将在GitHub Copilot中启用本地编程功能。

这项成果有望成为HydraFusion愿景的下一步：实现跨越多个模型以及包括边缘计算在内的多个计算环境的智能编排。

结语：打通PC与云计算，微软将混合智能引入Windows

随着智能体融入日常工作，它们也提高了计算、安全和控制的标准。

对于企业而言，在决定是否采用新软件时，安全性始终是关键因素，而这正是微软的优势所在。而当企业希望在预算范围内更充分地利用AI资源，将本地AI与云端AI结合的混合智能需求变得迫切。

要实现这一点，需要强大的本地模型、智能编排、高性能运行时和功能强大的芯片协同。微软正将Windows构建为混合智能中心，让智能体按需在本地运行或连接至云端，并确保安全性和可管理性。

智东西10月6日消息，据外媒彭博社今日报道，DeepSeek即将敲定至少800亿元人民币的新一轮融资，腾讯和宁德时代承诺的出资金额均位居该轮融资最高的一批。

据彭博社报道，知情人士称，根据已签署的条款，该轮融资的最终募资总额可能接近1000亿元，为计划在2027年初进行的IPO铺路。

这意味着，DeepSeek本轮融资规模已经明显超过此前的预期。

彭博社报道称，知情人士透露DeepSeek最初仅计划在该轮融资中募资约500亿元，但随着其最新模型发布后市场反响超出预期，潜在投资者的需求明显增加，最终已锁定的融资金额大幅超过原定目标。

彭博社称，目前这轮融资的谈判已接近尾声，但最终交易条款仍可能发生变化，融资金额等细节尚未最终确定。

与此同时，据彭博社报道，知情人士透露月之暗面已完成最后一轮私募融资，估值约500亿美元（约合人民币3352.27亿元），正在推进2027年第一季度在香港进行的首次公开募股（IPO）。

DeepSeek的IPO筹备已经持续了一段时间，9月9日，据路透社报道，DeepSeek已经聘请中信证券，为其在上交所科创板进行首次公开募股（IPO）做准备。

两名知情人士透露，DeepSeek计划今年启动IPO流程，潜在发行时间、募资规模以及目标估值均尚未确定。

9月24日，据外媒The Information报道，两名直接知情人士透露，DeepSeek目前的推算年化收入已经达到10亿美元（约合人民币67.13亿元），较几个月前不足5亿美元的水平翻了一倍以上。

据The Information报道，DeepSeek当时正在敲定新一轮融资，计划最晚于今年10月底完成新一轮500亿元人民币融资，目标估值为5000亿元人民币。其上交所科创板IPO筹备也在同步推进。

目前，DeepSeek官方API有两款主力模型，分别是旗舰版DeepSeek-V4-Pro-0813和轻量版DeepSeek-V4.1-Flash。

在Agent一侧，DeepSeek Harness团队在9月29日上线了DeepSeek Harness v0.2预览版并提供了macOS和Windows桌面版安装包。

来源：彭博社、The Information、路透社

MiniMax M3.1-Flash，这个在国庆前夕上线并开启公测的模型，成了假期里颇受关注的新宠。M3.1-Flash被玩出了新花样，3D网页、动效设计、品牌广告、教学动画，开发者们用模型制作出了各种各样炫酷的短片和应用。

长久以来，业界的固有看法是，打造精致好看、可直接运行的前端小应用和高质量 UI 交互网页，是旗舰大模型的专属能力，而轻量 Flash 模型大多只负责简单兜底任务。想要手搓出界面精致、拿来即用的应用，往往只能押注高成本的旗舰模型，比如海外爆火的 Claude 系列高阶主力模型 Opus 5.5。

但 M3.1‑Flash 的出现证明，Flash 模型已经将高质量前端交互能力做到了旗舰模型级别。这次，我们用动效视频、鸡尾酒动画和像素巫师等任务，看看 M3.1-Flash 能不能接住那些让 Opus 5.5 出圈的前端需求。

一、实测对比 M3.1-Flash 、Opus 5.5，结果超出预期

我们先来感受一下 M3.1‑Flash 的实力。

首先我们输入了一个提示词，让 M3.1‑Flash “做一条约 1 分钟、有高级感的程序化动画，讲大π键和小π键，以高中化学竞赛知识为主，动效衔接要巧妙，其余自由发挥。”

下面就是模型生成的动画效果，背景为黑色，主要内容采用了黄色、绿色、白色光点相呼应，再辅以相应的文字解析和光点变化，将大π键和小π键的相应知识点串联起来，可以直接作为教学辅助素材。

我们再尝试用 M3.1‑Flash 生成一个“星空列车”。可以看到，模型生成的效果中，左侧是列车移动的主要画面，背景有星空、星球等元素，右侧为控制区，可选择摄影机视角、运行参数等各项内容，互动性非常高。

当我点击右侧对应选项时，左侧画面会实时响应，如调整摄像机拍摄角度、列车运行的速度等，几乎可以作为游戏的场景原型。

同一个提示词下，我们再来对比M3.1‑Flash与Opus 5.5的生成效果，把作品放在一起看。

输入一个开放性提示词，要求模型“制作一个动态十足的15秒动画视频，展示你作为动画设计师的惊人才华，就像为你的作品集制作简历。”

X上也有不少网友晒出Opus 5.5的类似案例，先来看下效果。

可以看出，Opus 5.5在15秒内高密度输出多种MG动效：字体动效、几何形态变形、粒子点阵、旋转弧线、简易3D图形、色彩切换，堪称其“炫技之作”。

再来看下M3.1‑Flash‑Preview的实测效果，整体同样呈现出丰富的动效演示效果，文字渲染没有出现扭曲、糊化。并且其全程维持一套统一配色与图形语言，节奏偏舒缓。

▲M3.1-Flash生成效果

接下来的案例是要求模型“使用JavaScript或HTML来制作一个动画，展示整个制作过程——从开始到结束，从空杯子到完成后的鸡尾酒。这个动画应该类似于说明视频的风格，能够显示食材和所需用量。整个动画预计时长约为30秒。”

Opus 5.5 生成的结果，整体是科普讲解视频，把图片和自然语言直接转化为带时序动画的可运行前端程序。从空杯子到调好鸡尾酒完整流程、展示原料+用量、解说视频风格、时长 30 秒都契合需求，不过其中开发者提示词中出现了拼写错误，模型的生成结果中也没有进行识别修正。

▲Claude Opus 5.5生成效果

相比之下，M3.1‑Flash的生成效果让人惊喜，步骤更加完整，有添加冰块、橙汁到最后装饰完整的鸡尾酒制作六步分解过程。美中不足的是，和Opus 5.5生成的效果类似，盛鸡尾酒的杯子和橙汁瓶等比例，和现实相比有不合理之处。

▲M3.1-Flash-Preview生成效果

除了动画效果，M3.1‑Flash还制作了一个网页，将每个步骤所需的具体用料、制作过程的注意事项单独罗列了出来，且制作过程的演示还有播放控制、倍速按钮。

▲M3.1-Flash-Preview生成效果

第三个案例是让模型“创建一个独立完整的HTML文件，使用原生JavaScript与Canvas 2D渲染一名正在释放法术的像素风巫师。”

两个模型生成的效果整体都是复古像素画风、颗粒感明确，其通过低分辨率像素块构成人物、特效，施法伴随魔法粒子、闪光、光晕类动态效果。

▲Claude Opus 5.5生成效果

不同点在于，Opus 5.5的整体画面主体聚焦在施法核心动作，背景简单，代码轻量化，M3.1-Flash自主做了视觉增强，巫师施法时的动效元素更丰富，还追加了星空背景。

▲M3.1-Flash-Preview生成效果

实际上，在测试这款Flash模型前，我以为它和Opus 5.5这类旗舰模型还会有较大差距。但实测下来却有些意外，不少原本我以为只有旗舰模型才能完成的前端效果，M3.1‑Flash同样可以复现，部分细节处理甚至偶有惊喜。

对比传统Flash类模型，MiniMax的这款新作让我们看到，Flash模型也可以读懂用户的诉求，主动推演、补全设计细节，直接闭环交付一套完整可用的视觉交互成品。

二、当前端能力成为胜负手

M3.1-Flash在实测中的表现，让人看到了Flash模型在前端任务上更多的可能。要把一个交互作品做好，模型既要写出能够运行的代码，也要理解用户想要什么样的画面，并让布局、动效和操作方式配合起来。

这也正是前端能力值得关注的地方。对于前端任务，视觉理解与代码实现能否衔接十分关键。参考画面中的布局和空间关系，需要落实到代码中；页面运行后出现的错位、遮挡，也需要通过实际画面发现，再找到对应的代码进行调整。

M3.1-Flash的越级表现，源于MiniMax的多模态技术积累和M3系列的原生多模态训练路线。M3系列模型支持1M上下文窗口，且从预训练阶段就进行文本、图像、视频语义空间的多模态混合训练，让不同模态数据的语义空间实现更天然、更高度的融合。这使得其多模态理解能力固定在原生模型内，而非后期附加模块，可以规避语义割裂、适配不统一等痛点。

MiniMax在多模态领域的积累，从视频模型上也可见一斑。下半年发布的MiniMax H3实现了对文本、图像、视频、声音组成的多模态上下文的统一理解，能够输出原生双声道音视频，具备商用级的多场景内容生成能力。

H3开源一个月内，下载量超过2400万次，产生超过300个公开衍生模型，成为2026年全球下载量最高的模型之一。模型使用中的建议和反馈，也是多模态技术演进的宝贵资产。

积累已久的多模态算法、训练数据与技术经验，构筑了MiniMax的技术壁垒，同时在不同模态间形成技术反哺。其成熟的多模态能力正反过来提升文本模型能力，让文本模型在轻量化基础上，具备更强的跨模态理解、逻辑推理与闭环创作能力，最终实现M3.1-Flash的突破。

这种底层技术的迭代与能力互通，恰好契合当下大模型行业的竞争演变规律。放到现在AI应用持续普及的节点，前端输出能力已然成为大模型竞争的赛点。

从技术维度来看，高质量的输出对模型综合能力要求较高，包括代码、多模态感知、指令理解、长程执行、审美判断。完成任务时，模型需要多模块协同，在长程工作里保持逻辑、风格、功能一致，快速交付成品。

此外，审美也是AI落地的差异化竞争力。AI工具层出不穷，用户需求已经升级为能精准匹配创意、高质量落地的高阶诉求，模板化、一眼可辨AI的内容无法满足市场与用户的个性化、精致化需求。这就要求模型能捕捉用户提示词中的核心创意、设计调性、风格偏好与功能诉求，生成更具有个性化、精致的产品。

模型的审美水平、可视化呈现效果，也直接决定了其在UI设计、网页开发、可视化大屏、互动页面、营销视觉等商业场景的适配能力与落地价值。尤其对于有开发需求的非专业开发者而言，M3.1‑Flash可降低各团队的重复工作量。例如，设计师可依托模型快速迭代打磨视觉草稿，营销人员能高效输出活动页面与视觉初稿，缩短需求到物料的交付周期，提升从想法到可预览成品的转化效率。

从本次实测看，M3.1-Flash已在多组前端任务中展现出与Opus 5.5竞争的实力，能够完成复杂动效和交互页面，并主动补全设计细节。交出这些成果的M3.1-Flash目前仍处于公测阶段，其展现出能力与任务完成度，也让MiniMax未来在文本模型上交出的答卷更加值得期待。

智东西10月1日报道，刚刚，华为发布最新旗舰手机Mate90系列。Mate90系列全系搭载旗舰韬芯片，并首发第二代玲珑屏、第三代红枫原色影像和鸿蒙7系统。华为还围绕性能、影像、通信和AI能力进行了全面升级。

性能方面，Mate90相比Mate80提升27%，Mate90 Pro相比Mate80 Pro提升20%，Mate90 Pro Max相比Mate80 Pro Max提升31%。

芯片方面，Mate90搭载麒麟9030，Mate90 Pro搭载麒麟9035。Mate90 Pro Max的12GB版搭载麒麟9050，16GB版以及Pro Max典藏版、RS非凡大师版搭载麒麟9050 Pro逻辑折叠τ芯片。

华为常务董事、产品投资评审委员会主任、终端BG董事长余承东称，麒麟9050 Pro的CPU多核性能提升23%，GPU渲染性能提升40%，NPU性能提升140%，支持端侧运行30B MoE大模型。

通信方面，Mate90 Pro Max支持四卡三待，通过两张实体SIM卡与两张eSIM的组合，最多可让三个号码同时待机，方便用户兼顾工作、生活和境外通信需求。

影像方面，Mate90系列全系搭载第三代红枫原色摄像头，色彩准确度提升37%。Pro Max及典藏版进一步搭载18EV超高动态主摄和2亿像素长焦，华为还推出支持10倍连续光学变焦的睿影Z10模块相机，可搭配Pro Max典藏版和RS非凡大师版使用。

AI也是此次升级的重点。鸿蒙7带来小艺帮记、触发式AI和小艺图库助手，支持信息整理、任务执行和一句话成片。借助麒麟9050 Pro的端侧AI能力，用户还可以在没有网络时进行AI离线修图。

价格方面，Mate90起售价5999元，Mate90 Pro起售价6999元，Mate90 Pro Max起售价9499元，Mate90 Pro Max典藏版起售价10999元，Mate90 RS非凡大师版起售价12999元。睿影Z10模块相机售价5999元，华为Mate90 Pro Max典藏版相机套装价格19499元。

▲华为Mate90价格

▲华为Mate90 Pro价格

▲华为Mate90 Pro Max价格

▲华为Mate90 Pro Max典藏版价格

▲华为Mate90 RS非凡大师价格

▲华为Mate90 Pro Max典藏版相机套装价格

一、全系搭载旗舰τ芯片，支持四卡三待

华为Mate90系列采用金属中框、哑光金属背板和全金属一体化机身，后置摄像头采用悬浮星环造型，镜头盖板引入高硬度、高折射率的宝石级材质。

耐用性方面，Mate90系列全系支持IP68、IP69级防尘抗水，最高可实现6米防水，并搭载第三代昆仑玻璃，耐摔能力相比上一代提升50%。

屏幕方面，Mate90 Pro和Pro Max首发第二代玲珑屏，采用双层OLED架构，峰值亮度达到12000 nits，较上一代提升50%。

性能方面，Mate90系列全系搭载旗舰τ芯片，Mate90搭载麒麟9030，Mate90 Pro搭载麒麟9035，Pro Max及更高版本搭载麒麟9050 Pro。

麒麟9030采用灵犀CPU、马良GPU和达芬奇架构NPU，图片加载速度提升一倍，3DGS渲染平均帧率提升28%，NPU响应速度提升59%。Mate90 Pro搭载的麒麟9035芯片，CPU、GPU和NPU性能相比上代Mate80 Pro全面提升，其中NPU AI处理器的提升51%。

Pro Max搭载的麒麟9050 Pro则采用“逻辑折叠”架构，配备9核16线程灵犀CPU、马良GPU和达芬奇架构NPU，多核性能提升23%，GPU渲染性能提升40%，NPU性能提升140%。

这种架构通过垂直堆叠和高密度互联，提升芯片内部不同模块之间的数据传输效率。麒麟9050 Pro的晶体管密度达到每平方毫米2.38亿个，较上一代提升28%；芯片拥有500万个信号传输键合点，连接数超过5000万，传输带宽达到125TB/s，关键路径时延下降30%。

此外，麒麟9050 Pro支持端侧运行30B MoE大模型，即使在没有网络的情况下，也可以完成AI离线修图，场景理解能力提升47%。

通信方面，Mate90系列支持5G、Wi-Fi 7+、天通卫星通信和北斗卫星消息。其中，Mate90 Pro Max还支持四卡三待，最多可让三张SIM卡同时待机，适合同时使用多张国内或海外SIM卡的用户，一部手机即可满足多号码使用需求。

续航方面，Mate90 Pro Max采用6800mAh大电池，并结合雪绒VC超强散热和低功耗微核，通过软硬协同进一步延长使用时间。华为称，Mate90 Pro Max支持长视频播放45小时、短视频播放23小时，户外运动导航可持续25小时，覆盖影音娱乐和户外探索等多种使用场景。

二、5000万像素超光变主摄，Pro Max配2亿像素超大底长焦

Mate90系列全系搭载第三代红枫原色摄像头，色彩准确度提升37%，并配备RYYB传感器和连续可变光圈，进光量相比传统RGGB方案提升40%以上。

具体来看，Mate90搭载5000万像素超光变主摄，采用1/1.56英寸RYYB传感器，支持F1.4-F4.0连续可变光圈；Mate90 Pro升级为1/1.28英寸超聚光大底主摄，并支持5厘米近距离对焦。

Mate90 Pro Max和典藏版的影像配置进一步提高，搭载5000万像素18EV超高动态主摄，以及2亿像素超大底长焦。该长焦支持4倍光学变焦、8倍光学品质变焦，并配备CIPA 7.5级防抖。

在长焦视频方面，Mate90 Pro Max的长焦视频清晰度提升34%，防抖能力提升41%。华为还针对人像、夜景人像、长焦人像和高动态人像进行了专项优化。

值得一提的是，华为同步推出了睿影Z10 10倍连续光学变焦模块相机。该模块搭载1英寸超大底传感器，覆盖24毫米至240毫米全焦段，光圈范围为F2.0-F4.5，支持直接调用手机ISP和存储能力，进一步覆盖专业长焦拍摄需求。

三、鸿蒙7重点升级AI能力，小艺从智能助手变成智能体

Mate90系列搭载HarmonyOS 7操作系统，系统体验围绕智能交互、智慧影像和鸿蒙星河互联全面升级。

在智能交互方面，小艺支持小艺帮记、长按导航条快速唤起服务，以及覆盖多场景的触发式AI。用户可以让小艺完成任务、拨打电话、整理信息，也可以直接询问复杂问题并获得分析建议。

安全方面，鸿蒙7搭载星盾安全体系，加入风险网页检测、境外转打检测等功能，并获得卓越级智能终端设备AI安全认证。

影像方面，鸿蒙7加入X-MAGE智拍、AI辅助构图、小艺图库助手等功能。小艺图库助手支持一句话生成视频，还能对照片进行整理和智能创作；系统也支持3D动态照片、电影运镜智能编排等能力。

在AI视觉交互方面，鸿蒙7支持智感旋转、智感握姿等功能，系统可以根据用户的握持和使用状态自动调整交互方式，让单手操作更加自然。

四、华为Mate90 RS非凡大师版三款配色，搭载麒麟9050 Pro芯片

华为还带来了Mate90 RS非凡大师版。Mate90 RS采用高亮态玄武架构和双面昆仑玻璃，后盖加入光敏玻璃与动态光栅设计，提供瑞红、皓白、玄黑三款配色。

配置方面，Mate90 RS搭载麒麟9050 Pro逻辑折叠τ芯片，配备全彩玲珑屏，支持天通卫星通信和北斗卫星消息，并支持四卡三待。

影像方面，Mate90 RS搭载18EV超高动态主摄、2亿像素长焦和第三代红枫原色摄像头，同时支持搭配睿影Z10模块相机，进一步拓展长焦拍摄能力。

结语：软硬芯云协同更新，高端旗舰体验升级

可以看到，Mate90系列在芯片、屏幕、影像、通信和系统体验等方面都带来了全面升级。麒麟9030、麒麟9035和麒麟9050 Pro覆盖不同产品定位，鸿蒙7则进一步把AI能力融入日常交互、影像创作和设备互联。

从第三代红枫原色影像系统，到18EV超高动态主摄和睿影Z10模块相机，再到四卡三待、双卫星通信和超长续航，Mate90系列继续强化华为在高端手机市场的差异化优势。凭借软硬芯云协同能力，华为正在为消费者带来更强性能、更好影像和更智能的旗舰体验。

智东西10月1日消息，今天凌晨，谷歌发布新一代旗舰模型Gemini 4 Argon，重点面向软件工程、法律与金融等企业知识工作，以及网络安全防御等复杂、长周期任务。

在衡量长程软件工程能力的DeepSWE v1.1测试、评估金融、编程、法律和税务等企业知识工作的Vals Index、测试企业端到端自动化执行能力的AutomationBench，以及考察长视频理解能力的LVBench中，Gemini 4 Argon均领先GPT-6 Astra、Claude Fable 5.1和Claude Opus 5.5等模型；在评估漏洞修复能力的CWE-bench v1中，Argon以68%的成绩与GPT-6 Astra并列第一。

在Text Arena的模型成本与得分对比中，Gemini 4 Argon High以1525分和每百万Token 8美元的混合价格，进入成本-性能前沿。

目前，在Artificial Analysis Intelligence Index中，Gemini 4 Argon得分53分，仅落后于Claude Opus 5.5和Claude Sonnet 5.5，得分与Claude Fable 5.1、GPT-6 Astra并列。

▲Gemini 4 Argon在Artificial Analysis上测评情况（图源：Artificial Analysis）

不过，彭博社援引知情人士称，部分谷歌员工认为，Gemini 4虽然在行业基准测试中表现亮眼，但在实际工作中并不总能达到同等水平，尤其是在部分编程任务上仍较为吃力，这与谷歌当天发布的测试成绩形成反差。

Gemini 4 Argon现已通过“Fairwind计划”向一批经过筛选的网络安全防御团队开放。谷歌计划先收集早期测试反馈、继续完善安全护栏，随后逐步向开发者、企业和消费者开放，首批用户将包括付费API客户和Google AI Ultra订阅者。

Argon API初始价格为每百万输入Token 2美元（约合人民币13.4元）、每百万输出Token 10美元（约合人民币67元），缓存输入Token价格在输入Token基础上降低95%，即每百万Token约0.1美元（约合人民币0.67元）。

根据Artificial Analysis，按折扣定价，Gemini 4 Argon的每任务成本为1.99美元，较GPT-6 Astra（max）降低40%。

▲Gemini 4 Argon每任务成本与其他模型对比（图源：Artificial Analysis）

谷歌首席执行官桑达尔·皮查伊（Sundar Pichai）称，外界对下一代模型的讨论很多，因此希望尽早展示Gemini 4 Argon。谷歌内部团队已广泛将其用于编程、量子计算等工作，反馈良好。

▲皮查伊发文官宣Gemini 4 Argon（图源：X）

一位X用户认为，Gemini 4对提示词格外敏感，输出内容和风格受提示词影响的程度超过其他模型，默认风格不佳，但增加一句提示词就容易改善。他还展示了用不同提示词复刻《乐高星球大战》关卡的效果。

▲开发者对于Gemini 4 Argon的评价（图源：X）

另一位开发者认为，在一次生成细节丰富、美感出色的3D场景方面，Gemini 4 Argon尚未达到Opus 5的水平。Gemini 4 Argon在画面细节上，效果略显粗糙。

▲开发者对比Gemini 4 Argon（上）和Claude Opus 5（下）的生成效果（图源：X）

一、输出上限提升至100万Token，编程能力与企业任务测试突出

Gemini 4 Argon将模型输出Token上限从此前的6.4万Tokens提升至100万Tokens，成为目前业内输出容量最高的模型之一。更大的输出空间允许模型在单次任务中深度思考，并生成数十万甚至上百万Token，用于处理大型代码库、复杂研究和多步骤企业流程。

编程方面，Gemini 4 Argon在衡量真实世界长期软件工程能力的DeepSWE v1.1测试中取得77.9%的成绩，刷新该测试的最好纪录。

在覆盖金融、编程、法律和税务等工作的Vals Index中，Argon排名第一。Argon还在Vals Finance Agent v2测试（多步骤金融研究）、Harvey法律Agent测试（法律研究与起草）中取得领先成绩。

在Zapier用于评估企业端到端自动化执行能力的AutomationBench中，Argon得分51.3%，位列第一，明显领先GPT-6 Astra、Claude Fable 5.1、Claude Opus 5.5等模型。

Argon的多模态能力也被用于长视频和专业图表分析。在评估长视频理解能力的LVBench中，该模型得分91.7%，达到现有模型最优水平。

二、深入谷歌内部工作流，完成量子算法优化与大规模代码迁移

在谷歌内部，数千名员工已将Gemini 4 Argon用于日常调试、算法设计、研究和大规模代码迁移等工作。

谷歌举例称，Argon曾帮助量子计算研究人员优化量子算法的时空资源，在数分钟内将一项公开基线结果提升40%。另外，一组Argon Agent分析了覆盖谷歌整个服务器集群的性能分析遥测数据，自主识别并实施数据中心内存优化方案。相关方案部署后，可释放超过300TiB内存，预计总节省量将达到500TiB至1PiB。

Argon Agent还参与了谷歌内部C/C++代码向Rust的迁移，覆盖数万行的核心库代码，以及超过80万行的Fuchsia Zircon内核。考虑到相关系统的重要性，谷歌称，所有大规模重写都必须经过自动化和人工审计、仿真测试及代码审查，确认安全后才能部署到生产环境。

以开源视频解码器libgav1为例，Argon Agent通过多轮性能分析和实验，重写了约3.2万行SIMD代码，使编译器能够自动完成向量化。迁移后的Rust版本在保持视频输出完全一致的情况下，运行速度达到原Rust版本的2.7倍，性能进一步接近经过优化的C++版本。

三、强化网络安全能力，可自主发现和修复漏洞

谷歌还针对网络安全防御能力对Gemini 4 Argon进行了专项训练。Argon可以自主发现、验证并修复软件漏洞。对于经过信任认证的网络安全防御团队和谷歌内部团队，谷歌将提供不带网络安全护栏的Argon版本，以便其发挥完整的漏洞分析和防御能力。

网络安全公司Wiz已通过“Scan for Good”项目使用Argon，为关键公共基础设施免费发现和修复高风险暴露。谷歌称，在一次早期测试中，Argon发现了一个影响全球医院所使用医疗软件的严重漏洞，该漏洞可能导致敏感个人信息暴露，且此前的前沿模型没有识别出这一风险。

在评估漏洞修复能力的CWE-bench v1中，Argon以68%的成绩并列第一，得分与Grok 4.7和GPT-6 Astra相当。

谷歌内部的综合漏洞基准测试显示，Argon可以在覆盖20种编程语言的复杂代码库中发现多类安全暴露。在Wiz的黑盒渗透测试中，Argon在识别真实网站攻击面、发现漏洞以及生成概念验证方面，也超过了此前的Gemini 3.8 Flash Cyber。

四、扩大安全测试，重点防范模型滥用与提示注入

在正式扩大开放前，谷歌将继续强化四类前沿安全能力。

防范滥用方面，Argon会拒绝可能用于网络攻击以及化学、生物、放射性和核武器攻击的有害请求，同时保留合法的双重用途科学研究能力。谷歌还在加强对模型内部激活状态的监测，以识别潜在的滥用行为。

Argon在防御间接提示注入方面也取得进展。此类攻击会通过恶意指令或外部上下文劫持模型行为。经过自动化红队测试和对抗训练后，Argon在Gray Swan的间接提示注入测试中取得领先成绩。

监测目标偏离方面，为防止Argon在执行任务时越过边界、采取超出用户意图的行动，谷歌部署了目标偏离缓解机制，对Argon的思维链和行为进行监测，并在必要时停止执行。谷歌还使用类似系统监测模型训练过程，并在发现异常时向专门的事件响应团队发出警报。

强化系统环境方面，随着前沿模型的能力不断增强，安全测试也需要与模型能力相匹配的安全环境。按照Agent控制路线图，谷歌将在高风险训练或评估开始前，对沙盒环境进行隔离和封闭，以进一步强化安全性。

结语：瞄准复杂Agent任务，实际效果仍待验证

Gemini 4 Argon在长周期软件工程、金融和法律Agent任务、长视频理解及网络安全防御等测试中取得多项领先成绩，100万Token输出上限也增强了其处理大型代码库和复杂工作流的能力。

不过，当前多数成绩仍来自谷歌披露的内部案例和基准测试，模型尚未全面开放。Argon在真实使用中的稳定性、调用成本、漏洞修复可靠性及安全边界，仍需等待开发者和企业用户进一步验证。

来源：谷歌、Arena、X

智东西9月30日报道，今天，OpenAI发布了全天候个人智能体Dot，对标Muse和Grok Bot，拥有独立云端电脑，7×24小时持续运行，拥有多个入口，并可以与ChatGPT联通。

由于还没有全面上线，因此很多用户并不清楚这个Dot到底能做什么，海外博主Peter Yang在发布会结束后上传了内测的视频，用10个真实案例演示了Dot的功能，同时将其与Muse和Grok Bot进行了对比。

Peter Yang坦言Dot和Muse并不是同一赛道的产品，它更像是针对Grok Bot设计的，相比而言，Muse更倾向于消费者的日常需求，比如打电话、订机票或者买蛋糕，但Dot明显是为工作场景设计的。

同时，Peter Yang认为Dot的出现，很可能是OpenAI为了解决ChatGPT客户端功能越来越复杂这一问题而做的。

从Peter Yang的个人体验上看，ChatGPT最新的UI设计已经越来越远离了最初的简洁性，过多的功能和会话需要一个统一的指挥来进行梳理，这也是Dot的最大价值。

下面是我们整理的Peter Yang所展示的真实案例。

一、自己翻账找漏洞，Dot揪出1万美元差额

新版ChatGPT应用最上方有一个Dot的置顶会话，点击就可以进入Dot页面，用户可以给自己的Dot起名字、换形象。

点进Dot的个人页，还能看到语音呼叫、Slack连接等入口，邮件接入目前暂不可用。它同时连接两台电脑，一台云端电脑7×24小时运行，另一台则连接用户自己的电脑，下方菜单中有所有的对话记录。

10个案例里，Peter Yang认为最有价值的一个，是让Dot帮他做一次赞助收入审计。

Peter Yang自己经营着一家公司，赞助收入是主要的营收来源。对一人公司来说，赞助从谈合作、签合同、开票到收款，任何一个环节漏掉，都会直接变成收入损失。

Peter Yang让Dot做的事情就是把公司的账目和相关信息全部翻一遍，主动找出异常。结果，Dot一次就发现了5个问题。

比如，赞助商Riverside的一笔合作已经完成，却迟迟没有开票，需要尽快补上，否则这笔收入很容易被遗漏。Google一侧的赞助账目也出现了对不上的情况，前后竟然有1万美元的差额。

更夸张的是，Peter Yang还提到，Dot此前甚至帮他发现过一个被自己错过的赞助机会，金额达到了五位数。

这也是他认为Dot最有价值的地方，它可以主动翻找零散信息，把原本容易被忽略的问题直接摆到用户面前。

按照这个思路，Dot甚至可以长期承担一个“赞助经理”的角色，持续盯着合同、账单和收款状态。

二、不自己干活，Dot充当首席幕僚

第二个案例中，Peter Yang让Dot推进一个健身App开发任务，它需要读懂代码库并生成6张App Store截图，再把项目推进到可上架状态。

Dot并没有亲自干活，它把代码相关任务交给Build线程，然后自己另开线程调用ChatGPT的图像能力生成截图，遇到Bug也交给Build线程排查修复。

Peter Yang还给Dot下过一个很有意思的指令：“我们做点有意思的事吧，你还能做什么？给我Top 5的选择。”结合此前ChatGPT里的对话，Dot给出了5个非常具体的建议，包括开发付费产品、制作并发布视频、审计赞助收入、推进App上线等。

这让Peter Yang发现，Dot更像一个总调度，负责理解目标、拆分任务，再把活分给不同线程，最后收回结果。

Peter Yang将其形容为“首席幕僚”，也即不要让Dot亲自干活，让它调度其他ChatGPT线程干活，或者让它去梳理已有的会话和资产，去做出推荐。

三、半小时读完1800多条评论，处理海量信息很靠谱

调研海量信息，是Dot展现Agent能力最明显的场景之一。

Peter Yang让Dot翻完了近6个月的YouTube评论，从300多条视频、1800多条评论中，找出5个能帮助频道增长的方向。

Dot花了约半小时，给出的核心判断是：让“惊艳的演示”更容易被复现和信任。 同时，它还进一步提出了展示真实成本、确保教程开箱即用等具体改进项。

社区管理也一样，Peter Yang让Dot读完历史帖子，再给自己的社区管理能力打分并提出建议。约7分钟后，Dot给出了A-，还提出了3条“拿A的路径”。

在Slack里，Peter Yang又让Dot调研其他课程，帮助朋友优化课程设计。6分钟后，Dot给出的核心建议是：不要只卖课程，要突出学员最终能获得的成果。

Peter Yang还把同一个热点调研任务同时交给Dot和Grok Bot，两边找出了不同的推文，他认为效果都不错，很难说哪个更好。

最后，Dot又分析了他的Substack数据和历史记录，直接操作浏览器查看数据面板，给出了会员购买路径、newsletter推荐等5项增长建议。

从这些案例看，Dot的优势并不在某一个具体任务，而在于能同时处理大量信息、操作网页，再把结果整理成可执行的结论。

四、自己提建议，结合信息制作梗图

全新付费产品的主意，是Dot自己提出来的。

Peter Yang抱着“看看它能做出什么”的心态放手让它去做。没过多久，Dot就发来一句“网站已就绪，请审阅”，并交付了一个名为“PM工作台”的产品：售价99美元，包含4个互动工作流，并直接做成了ChatGPT在线网页。

第一版让Peter Yang觉得太无聊，对此他只提了一个要求：“大改，再配点抓人的图。”

第二版网页很快变成了一个面向产品经理的数字工具箱，加入了客户证据、竞品情报等模块，还能直接体验证据简报、竞品扫描、干系人汇报、PRD红队评审等工作流。

不过，在Peter Yang这个老产品经理看来，产品能做出来，不等于真能卖出去。 他认为至少这个案例里，Dot还需要大量反馈，才能把一个想法打磨成真正能赚钱的产品。

但Dot的主动性给Peter Yang留下了深刻印象：“它的主动劲，我是真喜欢。”

梗图则是另一个有意思的尝试。Peter Yang让Dot结合自己和社区的背景，直接生成5张“神梗图”，还特意补了一句：“别让我失望。”

Dot很快抓住了社区里的内部梗，做出了很多有意思的梗图，其中一张还拿Peter Yang和朋友对AI工具的不同态度做梗图。

这两个案例放在一起，能看出Dot比较特别的一点，它不仅能执行明确任务，还会主动提出建议、结合长期上下文做一些带个人色彩的创意。

五、翻车现场：任务会失败，界面也越来越复杂

Dot并不是每次都能顺利完成任务。Peter Yang曾让Dot根据一段与Mickey的访谈转录稿，调用预设技能写一篇Newsletter文章。结果卡在Substack登录鉴权等工具问题上，任务基本失败。

真正让Peter Yang在意的，是Dot似乎没有明确告诉他任务失败了。也许它在某个角落提过，但当多个线程同时运行时，很难第一时间搞清楚究竟卡在哪里。

OpenAI发布会现场也出现过类似情况。ChatGPT团队产品负责人Holly Li让一个名叫Dottie的Dot为虚构音乐App准备上线工作，但演示过程中迟迟没有回应，主持人只能调侃：“我猜Dot今天早上有点慢。”

在Peter Yang看来，比较理想的使用方式是：让Dot当管理者，自己当经理。 让多个ChatGPT线程同时干活，Dot负责跟踪进度、汇报结果，用户只需要继续下指令。

但更大的问题，可能来自ChatGPT本身。

过去几个月，Peter Yang一直把ChatGPT当作默认工作台，但随着语音、Computer Use、Browser Use、Codex、Pages、Sites、定时任务等功能不断加入，线程、入口和开关越来越多。

这也是Peter Yang认为Dot可能存在的另一层价值：当ChatGPT越来越复杂，Dot可以成为一个统一的指挥入口。

甚至不需要频繁打开界面，直接通过语音告诉Dot要做什么即可。但Peter Yang也提出了一个值得OpenAI警惕的问题：如果一个天天使用AI工具的人都开始觉得界面复杂，普通用户可能更难找到自己需要的功能。

结语：常驻Agent的第一份答卷，工作场景之争才刚开始

10个案例放在一起看，Dot真正有意思的地方，不是又多了一个会聊天的AI，而是它开始替人盯事、找问题、派活、跟进结果：能翻出1万美元账目差额，能调度其他线程做App，也能半小时翻完1800多条评论，甚至会自己提出一个99美元的产品。

这也构成了Dot目前最独特的价值：它不是一个单独干活的Agent，而更像是ChatGPT里的“工作中枢”——把已有的对话、工具、线程和任务串起来，替用户持续管理一摊事情。

当然，它离“放心交给它”还有距离：会翻车，也不一定能及时汇报失败；而ChatGPT不断增加的功能，也让管理这些能力本身变得越来越复杂。

但产业竞争的方向已经很清楚：Agent下一步比拼的，不只是“谁能把一件事做好”，而是谁能成为用户长期在线的工作入口，真正把一摊事情接过去。

智东西9月30日获悉，今日，快手发布公告，宣布创始人兼CEO程一笑将兼任社区科学线负责人；原社区科学线负责人于越转任可灵AI公司董事兼CEO，未来将专注于可灵AI的经营管理。

据公开信息可知，于越（本名：盖坤）毕业于清华大学，是国内搜广推领域顶尖算法专家。他曾任职于阿里妈妈，职级达到P10（资深技术总监级别）；而后于2020年加入快手，历任高级副总裁、社区科学线负责人、主站线业务负责人，主导了快手可灵AI视频大模型的技术研发工作。

▲于越

同时，快手另一份公告宣布成立跨事业部虚拟组织「企业AI生产力」。这一组织将负责基础办公系统基座的稳定运行，统筹通用Agent、企业上下文体系和企业信息系统的统一建设。

该组织由综合支持与效率线下的智能办公平台部与研发线下的AI生产力中心组成，由智能办公平台部负责人王诩牵头。

快手公告称，AI正在重塑企业的工作方式与生产效率。为在组织层面夯实AI能力底座，快手整合AI基建相关组织及职能，通过统一基建底座、打通数据与系统壁垒，进一步推动组织AI转型，提升产研效率。

此前，程一笑在公司15周年司庆讲话中曾谈道：“AI早已不是某个独立的技术模块，而是快手整艘大船的新引擎。”他在内部会议上提出要“打造AI-Native的团队”，强调工作流要基于AI进行重构。

目前，快手公司的AI产品矩阵包括：面向用户体验，推出OneRec、OneSearch等生成式推荐与搜索体系；面向组织生产力，打造通用生产力智能体MyFlicker与数据分析智能体Data Agent，以及以快手万擎为代表的企业级大模型服务平台；面向业务运营，落地灵顺、OpsBuddy等运营智能体。与此同时，生成式AI能力已深入应用于用户理解、内容与商品匹配、广告投放等商业核心环节。

此次「企业AI生产力」组织的成立，正是其试图将这些能力从技术能力走向组织能力的关键一步。

2.8万亿参数的大模型，究竟要怎么跑快？

近日，海内外团队盯上了全球最大参数量的开源模型——Kimi K3。K3凭借2.8万亿总参数、104B激活参数，刷新了开源模型的性能上限。但普通的AI服务器难以承载这么大参数量的模型，Kimi官方推荐64卡甚至更大规模的AI服务器才能装得下。有业内人士表示，一般未经优化的超节点跑Kimi K3，初始性能可能仅在10 tokens/s左右。

面对如何让2.8万亿参数的Kimi K3跑得更快这一难题，国内外团队几乎同时交出了答卷。

9月21日，浪潮信息在AICC 2026发布元脑SD200 Ultra超节点AI服务器，通过紧耦合128芯本土AI芯片，单机承载2.8万亿参数Kimi K3，Token生成时延首破5.85毫秒。

9月23日，海外TPU推理优化团队Inferact开源tpu-megakernels，用16颗谷歌TPU v7芯片把整个K3装进一个kernel（内核），配合DSpark投机解码，低并发Decode（解码）吞吐达到709 tokens/s。

一个用本土芯片做商业化超节点，一个用Google TPU做开源推理项目，指向了同一个技术思路：打破算子边界，把大模型推理的计算过程融合到极致。

大模型推理的竞争，正从模型算法层，深入到系统软件、芯片互联和内存管理层。

一、万亿MoE太难跑，海内外团队同时盯上算子融合

万亿参数大模型推理为什么慢？

很多人以为是算力不够，而实际瓶颈更在于数据搬运和内存带宽。

据知名半导体行研机构SemiAnalysis分析，K3一次前向计算的HBM带宽需求约1.5TB，896个专家需要分布到多张芯片上，每次前向还会触发超过120次All-to-All通信。即便芯片具备强大算力，数据传输跟不上节奏，大量计算能力也会被白白闲置。

对于Decode（解码）阶段而言，问题尤其明显。每生成一个Token，模型都需要持续读取大量权重。vLLM、TensorRT-LLM等传统推理框架往往需要启动大量Kernel，每个Kernel完成自己的加载、计算和写回，然后再启动下一个Kernel。

于是，计算之间出现了大量细小的“空泡”。这些碎片化空泡累积起来，就是实际速度与理论峰值之间的鸿沟。

既然kernel边界是浪费来源，那是否可以尝试消灭边界？

Inferact的思路是整个模型就是“一个kernel”。其megakernel方案使用Google Pallas，把K3的92个MoE层放进一个Pallas调用，在一个Kernel内部完成整个解码过程。当前层计算时，下一层权重就可以通过异步DMA提前从HBM搬运到片上VMEM。

这套打法成立的关键是TPU v7的架构特性。每个TensorCore自带64 MiB VMEM，数据进入VMEM后，其生命周期可以由程序显式控制。于是，Kernel作者可以主动安排哪些权重提前搬运，哪些激活继续驻留，哪些数据在使用结束后立即释放。换句话说，Inferact做的是把整个模型看成一个连续的数据流。

浪潮信息没有把整个模型彻底压成一个Kernel。

团队把众多基础算子融合成超级算子，用系统级紧耦合架构榨取整体效率。针对K3推理特点，他们把KDA、Gated MLA、MoE中众多基础算子融合为计算与通信协同执行的大算子，算子数量降低10倍，模型推理性能提升3倍以上。

具体来看，第一步是把小算子“焊成”大算子，减少中间停靠。按片上存储容量划分数据块，让前一步的结果直接留在寄存器或片上缓存中供后一步使用，减少kernel launch次数，也避免中间结果反复写入和读取HBM。

第二步，把通信和计算融合，让数据传输和计算同步进行。超级算子按照Tile（数据块）组织流水线，通过异步搬运和多缓冲机制，让下一块数据预取、当前数据计算和上一块结果写回同时进行。跨芯片通信也按照Tile推进，把通信延迟尽可能藏到计算过程里。

可以看到，前者把整个Decode过程放进一个megakernel，后者把大量细粒度算子融合成超级算子。

它们共同指向的，是传统“一个Op（算子）对应一个Kernel”的计算方式正在松动。

二、用K3优化K3：让AI参与超级算子优化

超级算子能够减少推理过程中的数据搬运与等待，但其设计和优化本身也是一项复杂的工程。数据如何复用、计算与通信如何衔接、不同阶段如何形成流水，都需要结合具体模型和硬件条件进行设计与验证。

这些工作需要大量人工投入。能否让AI参与其中，提高超级算子的生成与优化效率？

为此，浪潮信息在元脑SD200 Ultra适配Kimi K3的过程中引入“超级算子智能体”，让Kimi K3参与自身的推理优化。针对K3的推理特点，智能体生成通算融合、Tile级流水的超级算子，推动计算、通信与数据搬运协同执行。

浪潮信息首席AI战略官刘军在采访中打了个比方：过去大模型推理由数百个算子串联执行，如同绿皮火车途经数百个小站，反复启停装卸数据，整体效率低下；而超级算子就像一站直达的高铁，省去中间停靠开销。

刘军谈道，以往行业清楚这套模式的短板，但人工算子优化调度的工作量巨大。如今Agent带来解法，浪潮信息采用“用K3优化K3”的思路，依托超节点系统架构，由AI智能体自动生成超级算子，再经由模型校验迭代，性能较此前再度提升50%，形成循环加速。

可以看到，模型已经不只是被优化的对象，也开始成为优化基础设施的工具。这可能会成为下一代推理优化的重要范式。

三、芯片一张牌，系统一张牌：超节点打的是系统战

Agent时代，Token消耗增长数百万倍。据Gartner 2026年3月报告，一个Agent工作流每任务消耗的Token量是标准聊天机器人的5到30倍；高盛预测，到2030年全球Token消耗量将较2026年增长24倍，达到每月约120000万亿Token。

需求侧爆发，算力供给如何接住？

这里可以看到两个典型困境。

第一个是Kimi K3代表的“向上”。模型越来越大，推理能力越来越强，长上下文、复杂推理、多Agent协同越来越多，单机越来越难承载，算力系统需要不断突破模型能力上限。

第二个是DeepSeek代表的“向广”。当越来越多用户开始调用低成本模型，Token需求会迅速扩张。模型本身可能已经足够便宜，但如果算力供给跟不上，低价Token就很难持续。

浪潮信息的回答是Capability AI Compute（能力型智算）加Capacity AI Compute（容量型智算），两条线齐头并进。

向上，SD200 Ultra用5.85ms/token、单用户170 tokens/s，让前沿模型跑得起、跑得快。向广，HC2000多元算力机组用DirectCom 2.0极速架构，Prefill、Decode、FFN按负载匹配多元芯片，同等投资Token产能提升10倍。

中国玩家的护城河在哪里？

单看芯片，其与NVIDIA仍有差距，单卡算力、生态、工具链都有明显短板。但到了超节点层面，靠系统级创新可以追平甚至超越单卡更强但系统松散的方案。

以浪潮信息SD200 Ultra为例，其用3D Hyper Mesh架构紧耦合128芯本土AI芯片，提供8TB统一编址显存和64TB内存，通信时延低至0.69微秒。通过对称内存技术，首次在基于本土AI芯片的超节点上实现GPU显存直连，AllReduce通信时间降低3.5倍。

刘军谈道，超节点最基本的特征是显存要统一寻址，这一点做到了，才能把这么大的模型放进去，否则就只能叫节点集群，还是需要把模型拆分成若干段。

总的来说，芯片是一张牌，系统工程则是另一张牌。

当芯片之间能够形成更紧密的连接，内存能够形成统一空间，通信可以藏进计算过程，算子又可以由AI持续优化，单芯片性能之外的系统红利就开始释放。对于本土算力而言，这条路径尤其重要。

结语：万亿模型推理需求爆发，效率革命才刚刚开始

AI算力竞争，正从造出更快的芯片变为把现有芯片组织到极致。Inferact用16颗TPU证明一个kernel可以装下2.8万亿参数；浪潮信息用128颗本土芯片证明系统级紧耦合加超级算子，可以让本土算力跑进第一梯队。

两条路线，一个方向。大模型推理的效率革命，才刚刚开始。对中国AI产业，这个方向的特殊意义在于，在芯片工艺受限的约束下，系统级创新是确定性最高的追赶路径。浪潮信息迈出的这一步，值得被更多人看见。

喜大普奔，我抢到票了！

智东西9月30日报道，刚刚，豆包上线了新的出行服务，用户可以在豆包APP里订购火车票、飞机票，同时还推出了出行用豆包这一专属入口，所有的出行服务都可以在这个入口中获取。

此次更新中，豆包与深圳活力天汇开发的航班管家和高铁管家应用合作，能够确保供给覆盖和服务稳定性，支持在豆包中完成航班查询、价格比对、在线预订及订单管理全流程。

刚好国庆打算回家，前段时间又忙到忘记买票，就用豆包买一下票看看能不能帮我解决问题。

购票之前，我先去12306上查询了一下，大部分车次都已经售罄了，一些心仪的车次只有商务座。我打开豆包，输入指令“帮我订一张明天从北京到唐山的火车票，再订一张10月5日返程的车票”。

豆包很快给我提供了去程和返程的车次列表，然后我只需要在列表中点击合适的班次，就会自动进入预订环节。

不过，第一次使用订票服务需要登录高铁管家、录入个人信息以及登录12306，需要花费一些时间。

搞定之后就可以丝滑订票了，在订票过程中我发现豆包给我买的是无座的，所以立刻语音输入让它找个有座的车次，豆包思考了几秒就给出了新的推荐列表。

最终豆包成功帮我订到了两张车票，我只需要最后付款即可。

实际测试中，豆包还可以根据我提供的出行信息来选择飞机班次，比如限制上午10点后出门，它会自动筛选出时间合适的班次，候机时间也在考虑范围之内。

不过，在预定飞机票的过程中，出现了订单系统打不开的情况，导致我没办法填写个人信息。

这次更新，“出行用豆包”这个入口也非常实用，覆盖了导航、订票、酒店、餐饮和旅游需求，订单系统与抖音商城互通。

继此前推出打车服务后，这是豆包的又一个便民功能。近期随着Muse的爆火，个人助手这个概念随之走红。昨天有消息传出字节跳动正在内测新的个人助手，现在豆包出行服务的上新，或是一些前期的试水。

虽然新增的功能与个人助手的定位相差较远，但的确是通过Agent能力解决普通人生活和消费实际需求的落地方式。从体验上来说，虽然有些问题，但整体非常丝滑。

至此，豆包APP囊括了普通消费者的大部分生活需求，且这些功能均可在免费版本中使用。