跳转至

AI 每日简报 | 2026-07-09

今日概览

今日主线是「模型能力叙事」向「工程与评测基础设施」的一次集体回摆：OpenAI 上线全双工语音模型 GPT-Live 的同时，罕见地自我否定了自己力推的 SWE-Bench Pro 评测基准；翁荔（Lilian Weng）万字长文提出「自进化应从 Harness（脚手架）工程开始」，把行业注意力从模型参数拉回到围绕模型的工具链；DeepSeek 被曝已秘密自研推理芯片一年有余，国产 AI 全栈自主的暗线浮出水面。Anthropic 则连出三笔企业级合作，把 Claude 铺得更深更广。

  • 🎙️ OpenAI 发布 GPT-Live：全双工语音模型，边听边说
  • 🔬 OpenAI 撤回 SWE-Bench Pro 推荐：30% 任务被判定「已损坏」
  • 🪜 翁荔万字长文《Harness Engineering》：自进化先从脚手架开始，DeepSeek 崔添翼转发附议
  • 🇨🇳 DeepSeek 秘密造芯一年：专攻推理，摆脱英伟达/华为依赖
  • 🤝 Anthropic 一日三连发：UST 培训 2 万员工、Claude for Government 公测、Microsoft Foundry 全量上线

深度阅读推荐

以下条目标注为 ⭐ 深度推荐，包含 AI 提炼的核心观点。

⭐ OpenAI 发布 GPT-Live：全双工语音模型，能一边听一边说

OpenAI 于 7 月 8 日发布 GPT-Live，是新一代语音模型家族，采用全双工（full-duplex）架构——模型可以同时听和说，对话中会用「嗯哼」「好的」这类语气词表达在倾听，也能在用户思考时保持安静，让语音交互第一次更接近真人对话的节奏感。GPT-Live 同时具备「智能委托」能力：遇到需要联网搜索、深度推理或复杂任务的问题时，会在后台调用最新的前沿模型处理，再把结果带回对话中。首批上线 GPT-Live-1 与 GPT-Live-1 mini 两个版本，面向全球 ChatGPT 用户推送，后台默认调用 GPT-5.5。发布时暂不支持语音配合视频/共享屏幕，官方称正在开发。

核心观点：
- 「全双工」是语音交互的关键分水岭——此前的语音模式本质是「回合制」ASR+TTS 拼接，GPT-Live 把打断、附和、沉默这些人类对话的微观信号变成了模型的一等公民能力。
- 「语音模型负责交互节奏，后台模型负责智力」的分层架构，可能成为未来多模态产品的标准范式：前端交互层要快而自然，后端推理层要慢而深，两者解耦而非融合。

来源：OpenAI 官方发布 · Simon Willison 试评 · CNBC 报道 · Let's Data Science 解读

⭐ OpenAI 撤回对 SWE-Bench Pro 的推荐：审计发现 30% 任务已「损坏」

OpenAI 在博客文章《Separating signal from noise in coding evaluations》中披露，此前他们发现 SWE-bench Verified 存在设计缺陷和数据污染问题后，曾力推社区改用 SWE-Bench Pro 作为衡量 Agent 编码能力的标准。但最新审计显示，SWE-Bench Pro 本身也「不再可靠地衡量前沿编码能力」——30% 的任务被判定为已损坏，OpenAI 因此正式撤回此前的推荐。OpenAI 在 X 上同步发布了审计细节。

核心观点：
- 这是评测基准「保质期」问题的一次公开示范：一个基准从「社区标准」到「过时/污染」的周期正在急剧缩短，而不是模型能力发展的问题——是评测基础设施本身在被模型的进化速度反噬。
- OpenAI 主动自我否定此前的推荐，比闷声不吭更值得关注：这暗示头部实验室内部已经把「评测可信度审计」当成和模型训练同等优先级的工程投入，而不是发布后就不再维护的一次性工具。

来源：OpenAI 官方博客 · OpenAI 官方 X 帖 · Hacker News 讨论

⭐ 翁荔万字长文：AI 自进化，应该先从 Harness Engineering 开始

前 OpenAI 安全研究副总裁、现 Thinking Machines Lab 联合创始人翁荔（Lilian Weng）7 月 4 日发布长文《Harness Engineering for Self-Improvement》。她提出：递归自我改进（RSI）的近期起点，很可能不是模型直接改写自己的权重，而是先把模型外部的「Harness」（工作流、上下文管理、工具调用、评估机制等脚手架层）打磨到位，再逐步过渡到自动化研究与更强模型。她同时坦承当前面临的难题：评估标准模糊、上下文记忆退化、奖励黑客（reward hacking）、负样本难以保留、如何嵌入人类监督等。文章发布后，DeepSeek 研究员崔添翼公开转发附议，称这个方向「很容易出成果」。

核心观点：
- 「我们可能高估了模型，却严重低估了脚手架」——这句话本身就是对过去一年「唯参数论」叙事的一次纠偏：Agent 能力的边际提升，越来越多来自 Harness 层的工程打磨，而非底层模型的重新训练。
- 把 RSI 拆解为「先进化脚手架、再进化模型」两阶段，给了整个行业一个可操作的中间态目标——不需要等到「模型自己改自己」的科幻场景，现在就可以通过打磨工具链、评估器和记忆系统，提前进入自我改进的爬坡区。

来源：Lil'Log 原文 · Lilian Weng 官方 X 帖 · 量子位中文报道 · Latent Space 论文梳理

⭐ DeepSeek 秘密造芯一年：专攻推理，招聘全程不公开

据量子位等多方报道，DeepSeek 已秘密自研 AI 芯片约一年，主攻推理任务而非大模型训练，目前已与芯片设计公司、晶圆代工厂和存储器供应商展开接洽，并通过非公开渠道大举招聘芯片设计工程师。业内人士认为，DeepSeek V3.1 采用的 UE8M0 FP8 数据格式，是算法团队提前为自研硬件特性做适配的信号。6 月完成的约 510 亿元人民币首轮外部融资（估值 520-590 亿美元），明确将资金用途之一列为「自研 AI 芯片」。

核心观点：
- DeepSeek 的路径是「先用算法优化把成本打下来，再用自研芯片把供应链锁死」——这是对英伟达出口管制和华为产能瓶颈的双重对冲，而不是单纯的国产替代口号。
- 「推理优先于训练」的芯片选择很务实：训练芯片需要对标最强算力，风险和投入都极高；推理芯片只需在自家模型的特定算子上做深度优化，更容易在短周期内跑出成本优势。

来源：量子位原文 · 新浪财经报道 · 投资界报道

OpenAI

Google DeepMind / Gemini

今日无实质性新发布。Gemini 3.5 Pro 仍按 7 月 6 日披露的计划推迟至 7 月 17 日发布（架构重构、200 万 token 上下文、Deep Think Reasoning Layer），暂无新增细节。BigGo Finance 追踪

Anthropic / Claude

  • UST 与 Anthropic 达成战略合作：IT 服务商 UST 宣布将 Claude 引入其平台、工程与运营体系，并计划在全球培训 2 万名员工使用 Claude。Morningstar/PR Newswire
  • Claude for Government 公测 Claude Code 与 Claude Cowork：面向美国公共部门团队的 FedRAMP High 认证版本新增桌面端文件级工作、更强管理员控制、防篡改审计日志与支出治理功能。Releasebot 汇总
  • Claude 登陆 Microsoft Foundry 并全量可用：Claude Opus 4.8 与 Claude Haiku 4.5 现已在 Azure 原生环境的 Messages API 中提供，复用微软既有的身份认证、计费与治理体系，可选美国数据区。Releasebot 汇总

国内大厂动态

DeepSeek / Kimi / 豆包 / 智谱 / 阿里 / 腾讯 等

  • ⭐ DeepSeek 秘密造芯（详见深度阅读区）：国产 AI 全栈自主的暗线浮出水面。
  • 字节豆包智能体功能将于 7 月 15 日下线：豆包发布下线通知，称因产品功能调整，智能体功能停止服务，具体替代方案未披露。相关报道汇总
  • 阿里斩获国际 AI 顶会最佳资源论文奖：阿里团队提出 Agent 评测新范式，获评本届顶会最佳资源论文。量子位
  • 智源「悟界·Orca」世界模型登顶 HuggingFace 论文月榜：智源研究院发布 Orca，主张先让模型理解「世界如何变化」，再进入具体任务执行，而非让 AI 一上来就「进厂打螺丝」。量子位
  • 具身智能新基准 RoboDojo 上线，人类 100 分、最强模型仅 12.8 分：新发布的具身智能评测集 RoboDojo（含 RoboTwin）显示当前最强模型与人类水平仍有巨大差距，被称为「具身测评界的珠峰」。量子位
  • 华为、联想投资魔芯科技 MoWorld：魔芯科技发布全球首个超高帧率交互式世界模型 MoWorld，可在国产 NPU 上实现 50FPS 实时推理，成本较此前方案下降 70%。量子位
  • Kimi 新一轮融资，估值飙升至 300 亿美元：月之暗面开启新一轮融资，投前估值达 300 亿美元，较 2025 年底 43 亿美元估值半年内提升近 6 倍。证券时报

AI 研究前沿

重要论文、技术突破（HuggingFace 每日高票榜）

  • ⭐ Gemma 4 Technical Report（arXiv 2607.02770，7/2，30 票）：Google 发布 Gemma 4 技术报告，新一代开源多模态模型家族，参数覆盖 2.3B-31B（含 MoE 版本），31B 稠密模型登顶开源榜单，256K 上下文并内置思考模式。链接
  • AlayaWorld / RynnWorld-4D / RynnWorld-Teleop 世界模型三连发（均 7/6-7，60+ 票）：三篇高票论文分别探讨长时序可玩视频世界生成、4D 具身世界模型用于机器人操作、以及面向数字遥操作的动作条件世界模型，共同指向「世界模型」正成为具身智能训练与评估的核心底座。AlayaWorld · RynnWorld-4D · RynnWorld-Teleop
  • Vision as Unified Multimodal Generation（arXiv 2607.06560，7/6，31 票）：探索将视觉理解与生成统一到同一套框架下的路径，是多模态基础模型架构收敛的又一例证。链接
  • HunyuanOCR-1.5: Making Lightweight OCR VLMs Faster and Better（arXiv 2607.04884，7/5，3 票）：腾讯混元团队发布轻量级 OCR 视觉语言模型升级版，兼顾速度与精度，面向端侧文档理解场景。链接

行业观点与解读

值得关注的视频

YouTube 播客与频道近期值得看的视频。标注 ⭐ 的为重点推荐。

  • The AI Daily Brief（⅞）| UN 呼吁禁止杀手机器人 + J-Lens 可解释性延伸讨论：一集打包本周监管、商业化与可解释性三条线索，适合快速补课。Apple Podcasts

（Latent Space、Dwarkesh Podcast 本 24 小时内无新集，最新一期分别停留在 7/1 与 6/30。中文播客 AI Next、十字路口、B 站 AI 日报/AI 前沿日报/TAI 快报本轮未捕捉到符合时间窗口的新集。）

灵感种子

以下是今日简报中值得进一步思考的灵感种子。

脚手架比模型更重要，可能是被低估的共识：翁荔的文章把「Harness Engineering」从工程细节提升到战略议题的高度。如果自我改进的近期路径真的是「先进化脚手架」，那么今天决定投入做上下文管理、工具编排、评估器设计的团队，可能比单纯追逐更大参数量的团队更早摸到 RSI 的门槛。这对创业公司是个机会窗口——脚手架层的护城河不需要千卡集群。

评测基准的「保质期」正在缩短到以月计：OpenAI 半年内两次自我否定评测基准（先弃 SWE-bench Verified，再弃 SWE-Bench Pro），这不是评测团队水平问题，而是模型进化速度本身在污染评测。如果每个基准的可信窗口只有几个月，行业是否需要一套「评测基准的评测基准」——某种持续审计机制，而不是发布即定型？

语音交互的分层架构，或是多模态产品的下一个标准范式：GPT-Live 把「交互节奏」和「智力深度」拆成两层——前台快而自然，后台慢而深，通过委托机制解耦。这个思路其实可以推广到任何实时 Agent 产品：不是让一个模型既快又聪明，而是设计一套「快模型负责体验、慢模型负责决策」的调度层。谁能把这层调度做得足够丝滑，谁就赢得用户对「AI 反应速度」的感知。

造芯不是终点，是算法团队的自我验证：DeepSeek 用 UE8M0 FP8 这种数据格式选择，提前为自研芯片的硬件特性铺路，这种「算法先行、硬件跟进」的打法，某种程度上是对自家模型团队算法判断力的一次终极验证——如果芯片流片成功且真的比现有方案便宜，等于官方证明了他们对自己模型特性的理解比通用硬件厂商更深。这条路径如果跑通，会不会成为下一批国产大模型公司的标配打法？

生成时间：2026-07-09 09:26 | 下次更新：明日 9:00