AI is the reflection of humanity. In our pursuit of AI, we are like Narcissus, deeply infatuated with our own image in the water. AI是人类的倒影，我们追逐AI就像纳西索斯深深迷恋水中的自己。

自从 EverOS 1.0.0 发布之后，Markdown-first，Wiki 和 Reflection 等新功能大家都很喜欢。 开源生态也越来越好，线上和线下都有不少想合作的朋友，我们乐意得很。 这不，上周刚见过 @yinmin1987 和 @JackLi567 两位彦祖，这马上就和 @milvusio 达成合作，这速度有点快。 开源生态就是这么好玩。✌️

昨天实测 @dappOS_com @xBubble_ai xBubble vs 其他主流模型： 同一个prompt，两张图已经不是代际差距，而是工作流 vs 裸模型的降维打击！！！ 我这次用的提示词如下： A girl standing in front of a mirror, but the reflection shows a futuristic robot version of herself, cinematic lighting, emotional atmosphere, realistic reflections.（一个女孩站在镜子前，但镜中映出的却是她自己未来主义的机器人版本，电影灯光，情绪氛围，真实倒影。） 这个 prompt 其实很适合测模型和工作流，因为它同时考验镜像逻辑、光影、人像、金属材质、空间关系和情绪表达，所以我特意使用了这么一套比较全面专业的提示词来做这组测试！！！ —————————————————— 闲言少叙，直接上结果： 图一是我用 xBubble 跑出来的。 最明显的感觉是光影，这张图的光影已经接近电影镜头了！！！左边暖光像真实房间里的环境光，镜子里的冷光又能撑住科技感。人脸面部高光、皮肤反射、玻璃反射、金属高光都在一个统一的空间里，基本上已经是电影级 lighting 了！整体已经跟电影截图差不多了！！！ 图二虽然也能完成最基本的设定，但视觉上更偏概念海报，蓝色发光和机械结构会更直接。第一眼大致看过去也很抓人，但仔细看，跟图一那种克制感和真实镜头感对比，完全不是一个时代的产物！！！ 这也是我这次对 xBubble 比较有感的地方！ 以前做这种图，经常要反复改 prompt、换模型、试风格、调细节，时间全耗在“怎么让 AI 正确理解我”上。 很多时候你以为自己在做图，实际是在做模型测试、工具测试和工作流测试。 —————————————————— 我理解的 xBubble 的核心就两句话： 1、AI 替你使用 AI。 2、AI 在后台学习怎么把 AI 用好。 Bubble Pilot 负责读懂你的简单需求，然后去匹配合适的 SOP。 Bubble Engine 则在后台持续训练这些 SOP，把模型选择、skill 调用、运行环境、MCP、第三方服务全藏在后台。 所以用户这边不用先研究哪个模型更适合出图、哪个 skill 更稳、哪个环境更适合跑任务。 你只要把目标说清楚，它自己会尽量把任务分发到更合适的路径里。 对会折腾 AI 的人来说，这可能只是少花一点时间。 但对很多 Web2 公司、一人公司、内容团队来说，这个差别很大。 因为他们真正需要的从来不是研究一堆模型参数，而是今天有个图要出、一个页面要做、一份内容要交，最好一句话就能跑出相对稳定的结果，极致的效率才是真正的生产力解放！！！ 所以 xBubble 的 Bubble SOP 有意思的点就于它把会用 AI 这件事往后藏了一层，让普通用户不用先变成 prompt 工程师也能更快拿到可用结果。 —————————————————— 大胆预测一波，这轮 AI 最大的门槛，很有可能就是把复杂的工作流封装到普通人一句话就能用。 最后请看图 图一：xBubble 图二：另一 AI 模型 图三：我让 ChatGPT （GPT5.5）当裁判打分，结果一目了然。 同样提示词，结果自己看。

美国国防部已与六家科技公司正式达成协议，包括OpenAI、Google、SpaceX、Microsoft、Nvidia以及初创公司Reflection AI，这些协议允许上述公司的AI模型和技术在机密环境中使用，标志着五角大楼大幅扩大对前沿AI工具的访问权限，用于支持军事行动和决策优势，果然还是把Anthropic给排除在外了。 此前，五角大楼因与Anthropic的合同纠纷，将其列为“供应链风险”导致Anthropic的Claude模型在国防工作中受限（此前主要通过Palantir的Maven平台用于数据挖掘）。这一“Anthropic风波”直接推动了上述新协议的达成。 Hegseth曾在国会作证时批评Anthropic创始人Dario Amodei为“意识形态疯子”，Anthropic目前正通过两起法律诉讼挑战这一禁令。 新协议细节包括： 1）OpenAI和SpaceX此前已有初步协议允许AI在“所有合法场景”中使用，此次完成协议后将更深入嵌入日常军事运营。 2）Nvidia协议聚焦其开源Nemotron模型，支持AI代理自主执行任务。 3）Reflection AI（由前Google DeepMind研究员创立，目前估值讨论中达250亿美元）同样涉及开源模型。 4）多数协议中，公司承诺AI工具不会用于大规模监控或自主武器；五角大楼则表示不会从事非法活动，并期待行业信任其负责任使用。 此外，Amazon正与五角大楼谈判类似协议；Microsoft凭借现有云基础设施和国防关系，也深度参与其中 官方称，这些协议加速了美军转型进程，旨在将美军打造为一支‘人工智能主导’的作战力量，并将增强美军在所有战争领域保持决策优势的能力。 AI已经是国家战略竞争的最核心最关键的环节了。 本条由@bitget_zh赞助，「Bitget 买美股：秒级入场，丝滑交易 」

SpaceX一天跌没了一个“比特币帝国”——企业BTC财库的信仰，该醒醒了 美股周一收盘，SpaceX暴跌16.43%，股价154.6美元，跌破IPO首日收盘价。单日市值蒸发约4000亿美元。连续三个交易日，累计跌超23%，市值从高点抹去超过9000亿美元。 你没看错，9000亿，美元。 全球企业史上第二大单日市值损失。仅次于某家科技巨头。 而就在几天前，6月16日，SpaceX盘中还摸到225.64美元的历史高点。从山顶到山腰，只用了三个交易日。 发生了什么？ 63亿美元的AI算力大单，签了。Reflection AI从7月起每月付1.5亿美元。利好对吧？ 市场不认。 投资者怕的是另一件事：SpaceX要发债了，200亿美元 。用来还收购xAI的过桥贷款。 AI业务持续亏损。一季度收入46.94亿美元，净亏损42.76亿美元，几乎接近去年整年亏损。标普预测，SpaceX的自由现金流在2029年前将持续为负。 一个每年烧掉上百亿、还不知道什么时候能盈利的AI故事，碰上200亿债券融资——情绪泡沫，破了 。 但真正让币圈人后背发凉的，是另一件事。 6月13日，Whale Factor报告披露：SpaceX持有18,712枚比特币 。平均成本约35,300美元。按当时币价约63,000美元算，账面浮盈接近一倍，价值约11.8亿美元。 S-1文件里写得很清楚：这是 “策略性储备” 。 什么意思？比特币被正式写进了全球最牛私人公司的资产负债表，作为“数字黄金”用来对冲通胀和货币波动。 这本该是一个史诗级的企业财库叙事—— “连SpaceX都在囤比特币，你还在犹豫什么？” 结果呢？ 叙事还没焐热，SpaceX自己的股价先崩了。 这就有意思了。 企业比特币财库的“成功样本”效应，正在被重新审视。 过去几年，企业买比特币的叙事逻辑是什么？ MicroStrategy买了84.7万枚BTC，股价涨了。Tesla买了，股价涨了。“比特币是企业财库的最优解” ——这个叙事，建立在“持有比特币的公司被市场奖励”的前提上。 现在SpaceX来了。它持有18,712枚BTC，全球上市公司第八大比特币持有者。它也是“美股七巨头+SpaceX”这个Mag8集团中25%的比特币持有成员之一。 然后它的市值三天没了9000亿。 你让那些正在考虑“要不要也配置点比特币当财库”的CFO们怎么想？ 他们会问自己三个问题： SpaceX的比特币持仓浮盈丰厚，但它的股价崩了——比特币救了它的资产负债表，但没救它的股价。 如果连马斯克的公司都扛不住市场对“烧钱叙事”的重新定价，我这点家底，配不配跟？ 市场到底是在奖励“持有比特币的企业”，还是在奖励“能持续赚钱的企业”？ 答案很残酷：后者。 你可能会说：Strategy不是还在买吗？ 没错。6月15日至21日，Strategy又以均价67,068美元买了520枚BTC。Strive Inc.也刚以5000万美元买了759枚。 但你要看清楚区别： Strategy是一家比特币财库公司，它的核心业务就是买比特币。它的股价跟着比特币走，一荣俱荣，一损俱损。 SpaceX不一样。它的核心业务是火箭、星链、AI。比特币只是资产负债表上一个1.8%的配置。 当它的核心业务叙事被市场质疑时，那1.8%的比特币救不了剩下的98.2%。 这就是企业财库叙事最扎心的真相： “比特币可以美化你的资产负债表，但美化不了你的商业模式。 ” 所以，这会影响其他企业效仿SpaceX建立BTC财库吗？ 短期看，一定会。 不是因为比特币跌了——BTC现在还在64,000美元附近震荡。而是因为“成功样本”出现了裂痕。 那些本来打算在季报里写“我们效仿SpaceX配置了比特币”的CFO们，现在得重新掂量了： 董事会会问：“SpaceX都崩了，你确定要跟？” 股东会问：“你是想学SpaceX的比特币持仓，还是想学SpaceX的市值蒸发？ ” 企业采用比特币的叙事，从来不是关于“比特币好不好”，而是关于“老板敢不敢”。 马斯克敢。Michael Saylor敢。但绝大多数CEO，不敢。 当最敢的那个人的公司，在公开市场被锤了4000亿——其他胆小的人，只会更胆小。 猫哥最后说两句： SpaceX的暴跌，短期会冷却企业比特币财库的FOMO情绪。那些“跟风型”的潜在买家，会按下暂停键。 但真正的长期玩家——Strategy、Strive、以及那些把比特币当“数字黄金”配置的家族办公室——不会因为一个公司的股价波动改变五年战略。 对企业财库叙事来说，最大的风险从来不是比特币的价格波动，而是“持有比特币的企业本身被市场抛弃”。 SpaceX踩中的就是这个雷。

美女看多了会不会审美疲劳呀 ❓😮‍💨 这个美女还可以不😄 GPT- image 2 prompt 👇 Create a photorealistic 9:16 full-body smartphone portrait of an exceptionally beautiful adult East Asian woman in her mid-20s, standing in a modern apartment living room. She has a delicate oval face, large almond-shaped dark-brown eyes, subtle pink eye makeup, rosy cheeks, a small straight nose and softly parted glossy pink lips. Her expression is cute, slightly surprised and quietly confident as she looks directly into the camera. She has shoulder-length straight dark-brown hair with a natural side part and loose strands framing her cheeks. Her head is completely uncovered: no hat, cap, headband or hair accessories. She has a slim yet dramatically curvy hourglass figure with a full bust, narrow waist, rounded hips and thick shapely thighs. She wears a fitted pastel-pink halter mini dress made from opaque stretch fabric, with a low rounded neckline, small gold buttons, high-cut side openings at the waist and a tightly ruched mini skirt with long adjustable drawstrings. Add a delicate silver pendant necklace, a thin bracelet and a decorative white satin bow garter around one thigh. Recreate the pose: she leans slightly toward the camera with her chest lifted and hips shifted to one side. Both elbows angle outward; one hand rests firmly on her waist while the other lightly grips the side of the ruched skirt. Frame her from the top of her uncovered head to just below the knees. The setting is a bright modern living room with a beige sofa, neutral walls, a large framed landscape painting, recessed ceiling lights and a softly cluttered ottoman. Cool bluish daylight mixes with warm indoor light, creating subtle blue and pink reflections on her dress and skin. Casual social-media smartphone photography, slight wide-angle perspective, natural skin texture, realistic fabric tension and folds, mild phone-camera softness. No anime, no plastic skin, no exaggerated facial proportions, no distorted hands, no extra fingers, no text, logo or watermark.

《用 CPV 模型预测 AI 技术演进》 过去几年，AI 领域几乎每天都有新概念出现。 Prompt Engineering、RAG、Memory、Agent、MCP、J-space、Tool Use、World Model…… 大多数讨论都围绕一个问题展开： 下一个热点是什么？ 我更关心另一个问题： 为什么热点会依次出现？ 如果一种理论只能解释已经发生的事情，它的价值有限；真正有价值的理论，应该能够预测未来。 CPV（Cognitive Positioning Value）提供的，正是这样一种视角。 它关注的不是某项技术，而是反馈最终作用到了系统的哪一层。 ⸻ AI 的发展，本质上是反馈不断向深层沉淀 CPV 将反馈划分为五个层级： CPV1：行为（Action） CPV2：状态（State） CPV3：模型（Model） CPV4：结构（Structure） CPV5：边界（Boundary） 越往下，反馈改变的对象越深。 AI 技术的发展，几乎就是沿着这五层不断推进。 ⸻ CPV1：改变输出 这一阶段的代表是 Prompt Engineering。 Prompt 改变输入。 模型改变输出。 任务结束，一切恢复原状。 模型没有成长。 它只是完成了一次推理。 后来出现的 Prompt 自动优化、思维链（Chain of Thought）、提示模板，本质上仍然属于这一层。 它们提高了完成任务的能力，却没有改变模型本身。 ⸻ CPV2：改变状态 随后，人们发现一个新的问题： 模型什么都记不住。 于是，Memory 出现了。 长期记忆、用户画像、上下文管理、会话历史…… 反馈终于开始影响模型的运行状态，而不是一轮对话。 模型开始拥有“今天的自己”。 但这里仍然存在明显的局限。 Memory 越来越长。 越来越混乱。 越来越互相矛盾。 于是，新的结构压力出现了。 ⸻ CPV3：改变模型 真正的成长，不应该只是不断累积记忆。 而应该修改世界模型。 例如： 昨天认为用户喜欢苹果。 后来连续半年都选择安卓。 系统不应该同时保存两条冲突的信息，而应该形成新的理解： 用户真正偏好的是开放生态。 这里发生变化的已经不是 Memory，而是模型本身。 未来的 AI 一定会越来越重视： 记忆巩固（Memory Consolidation） 经验抽象（Experience Abstraction） 世界模型更新（World Model Revision） 它们共同指向同一个方向： 反馈开始改变模型，而不是继续堆积数据。 ⸻ CPV4：改变结构 随着模型越来越复杂，另一个瓶颈出现了。 一个网络承担所有能力，越来越低效。 于是开始出现： Planner。 Executor。 Memory。 Vision。 Reflection。 Safety。 它们逐渐成为不同的功能模块。 MoE、Tool Use、Agent、MCP、多智能体协作，都可以看作这一趋势的不同表现。 未来 AI 更像一个组织。 而不是一个越来越大的 Transformer。 反馈开始重组系统结构。 ⸻ CPV5：改变边界 这是最深的一层。 今天，人们谈论 AI，通常想到的是： 一个模型。 未来，AI 的边界会不断扩展。 浏览器。 手机。 电脑。 机器人。 汽车。 摄像头。 传感器。 云端。 其他 Agent。 这些都会成为 AI 系统的一部分。 到那个时候，我们讨论的不再是一个模型，而是一个持续运行的智能系统。 它的边界不断重新定义。 人与 AI 的关系也会随之改变。 ⸻ 为什么 CPV 能预测未来？ 因为每一层都会产生新的结构压力。 Prompt 足够成熟之后，系统开始需要记忆。 记忆足够丰富之后，系统开始需要学习。 模型足够复杂之后，系统开始需要重新组织。 结构足够完善之后，系统开始突破自身边界。 技术演进并不是热点随机切换。 而是上一层已经无法继续承载反馈。 新的层级因此诞生。 这是一种复杂系统普遍存在的演化规律。 ⸻ J-space 给了我们一个验证 Anthropic 最近公开的 J-space 研究，让人们第一次能够观察模型内部的工作空间。 很多人关注的是： AI 是否拥有了类似意识的东西。 我关注的是另一件事。 J-space 解释的是： AI 此刻如何思考。 CPV 解释的是： AI 为什么会演化到下一阶段。 两者回答的是不同的问题。 前者研究计算过程。 后者研究反馈如何不断向更深层沉淀。 它们并不冲突。 反而共同构成了一幅更完整的智能演化图景。 ⸻ 一个理论真正的价值 未来几年，还会不断出现新的技术名词。 也许叫 Workspace Editing。 也许叫 Self Evolution。 也许叫 Autonomous Organization。 名字会不断变化。 但如果这些技术仍然停留在同一层反馈，它们只是同一类问题的不同实现。 真正值得关注的，不是名字。 而是它让反馈深入了哪一层。 能够回答这个问题，才能真正理解 AI 为什么会这样发展，以及下一次技术跃迁会发生在哪里。 CPV 的意义，不在于解释某一项 AI 技术。 它试图描述的是： 所有能够持续学习的复杂系统，都遵循着同一种反馈演化规律。 因此，它不仅可以解释 AI，也可以预测 AI。

AI Agent 的记忆通常是黑盒——你不知道它记了什么、存在哪、能不能直接改——EverOS，10300 个 Star，把这件事做成了一堆你能打开的 .md 文件，本地跑，不依赖任何托管服务。 一句话：给 AI Agent 装一个本地优先的持久记忆层，存的是 Markdown 文件，能读、能改、能 git diff，pip 一条命令装好。 先说两个真实在用的场景： 场景一：Claude Code / Cursor 跨会话记住你的项目 你用 Claude Code 做项目，每次开新对话它就失忆了——项目用什么技术栈、之前踩过什么坑、哪些决定是故意这样设计的，全部要重新交代。 接上 evermemos-mcp（官方生态的 MCP 集成包），EverOS 把这些上下文存成本地 .md 文件，下次打开直接继续，不用重复交代背景。 场景二：多个 AI Agent 共享一套记忆 Hive Orchestrator（官方生态项目）让 Claude Code、Codex、Gemini CLI 同时作为真实进程跑，通过 EverOS 共享同一套记忆——Agent A 做完一件事，Agent B 知道，不重复踩坑，不互相打架。 为什么 .md 文件做记忆这件事值得说： （1）Markdown 是唯一真相——所有记忆都存在 ~/.everos/ 里，用任何文本编辑器打开就能看，想删、想改直接动文件，系统自动同步索引 （2）本地三件套，断网也能跑——Markdown 原文 + SQLite 存状态 + LanceDB 做向量/BM25 混合检索，不需要 MongoDB / Redis / Elasticsearch （3）用户和 Agent 分开管——用户有自己的 episodes/profile，Agent 有 cases/skills，两套独立；检索时按 user_id / agent_id / app_id / project_id 任意维度过滤 （4）Reflection（会话间自我进化）——后台自动把零散记忆合并归类，精炼 profile 和技能库，下次召回比上次准，不是纯存取的静态记忆 （5）OpenAI 兼容接口——本地起服务后 API 格式和 OpenAI 一样，现有工具直接接，不用改调用代码 装法： pip install everos everos demo      # 先跑可视化演示，不需要 API Key# everos init      # 配 OpenRouter #+ DeepInfra 的 Key everos server start 做 AI 产品、跑多 Agent 工作流、用 Claude Code 做长期项目的兄弟，这个记忆层值得接进来试试。 好东西转给需要的兄弟。🚀 #AI# Agent #开源工具# #老杨啊分享#

刚刚 Doubao-Seed-2.1-pro 发布啦! 给大家分享一个自我迭代 Agent 的构建技巧啊, 也是我在今天字节 seed-2.1 模型发布 demo 中用到的技巧. 这个技巧的核心就是, 干一件复杂的事情, 用两个Agent比用一个Agent要好. 简单来讲打工Agent干完活之后, 还要增加一个评审Agent, 这个Agent要给打工Agent的产出评分, 然后说明评分理由, 哪里做得好, 哪里做的不好. 然后, 一定要输出结构化的评分结果(JSON就行), 这样, 打工Agent接到评分后, 进行修改, 修改完毕再次交给评审Agent, 评审Agent再次打分, 这时候就可以跟上次的打分进行对比. 只有得分大于上次的得分, 你的框架才合并这次的修改. 这就是 Agentic 自我迭代了. 基于 AI 反馈的强化学习的雏形基本就是这样的了, 以及吴恩达提出的 Agentic Workflow 核心原则之一就是 Reflection（反思），框架让模型像人类程序员提交 PR一样：打工 Agent 提交 PR，裁判 Agent 跑测试、打分。只有 Review 通过才能 Merge 到主分支。这就是真正的“工程化迭代”了. 甚至我框架内其实就是采用的Git模式, 多个Agent进行并行评估模拟多个分支, 只有打分高的才会合并到主分支. 最终得益于 Seed-2.1 本身的自我迭代和多模态能力也很强, 在它的驱动下, 成功实现了这个【只需要上传一个城市的相册, 就能建模一整个城市】的demo. 相信在现场的同学已经看到这个 demo 了哈哈. 下一期告诉你当这个办法也失效了, 该怎么办☆. #AIAgent# #seed21# #AI自我迭代#

老黄来推特了，第一篇就是重磅炸弹，联合多家机构写了一篇，句句不提KIMI，句句都是KIMI，字里行间对Claude的封闭持有否定，值得一看。 《开放权重与美国的AI领导地位》 上世纪80年代，早期的开源软件先驱挑战了当时的主流观念——软件只有在公司对代码严格控制的前提下才能进步。这场运动推动建立了一个透明的生态，让全世界的开发者都能研究、修改、改进软件。如今，开源社区的软件支撑着互联网的大部分基础，也是全球最大科技公司、美国军方以及从事科研、网络安全等关键任务的联邦机构所依赖的系统底座。开源做到的不只是降低软件成本；它创造了一个共享的知识地基，几代美国工程师和创业者在其上建立了自己的机构主权。 美国如今在人工智能上面临类似的抉择。美国的AI领导地位，不取决于某一个前沿模型，而取决于美国能否建成一个渗透到各行各业的、强大而开放的生态。这对全国范围的创新与繁荣至关重要。它要求扩大AI的可及性、鼓励竞争、发展强大的应用层，并让美国人对自己所依赖的技术拥有更大掌控权。开放权重模型——任何人都可以下载、审查、修改并在自己的基础设施上运行的AI模型——是这个地基的重要组成部分，因为它让先进AI更易获得、更可定制、更广泛可用。 开放权重扩大了进入AI经济的通道。初创公司、成熟企业、大学和公共机构可以在先进模型之上构建，而不必从头训练，也不必为每个任务都支付前沿模型的价格。开放权重让每个组织都能以合适的成本、为合适的任务匹配合适的模型——把前沿级能力留给真正的前沿问题，其余场景跑高效的专用模型。这种纪律性，正是AI在扩展到数十亿日常任务时保持经济可持续的关键。美国赢得AI时代的方式，是让AI渗透进工厂、医院、农场、教室和街边小店的工作流。 开放权重还会强化竞争，而竞争正是让AI的收益被广泛分享、而非集中于少数人之手的保障。通过允许众多组织构建、改造和部署先进模型，开放权重制造的竞争不仅发生在模型开发商之间，还贯穿云、芯片、应用与服务。这种竞争刺激创新、压低成本，并把AI的收益广泛分配到整个经济。 开放权重还给客户更大的掌控权。组织在投入AI时，希望确保自己不会被锁死在单一供应商手里，也不会失去长期积累的知识与能力。开放权重模型提供了这种保障：组织可以掌控自己的数据、按需评估和改造模型，并在业务需要的任何地方部署。而当组织用AI创造价值时，开放权重让它们通过自我改进的模型、专有能力和累积的知识真正拥有这些价值——这些正是驱动美国主权与繁荣的东西。 诚然，开放权重带有真实而独特的风险。一旦发布，权重就脱离了原开发者的控制，修改后的版本难以追踪或撤回。但对这种风险的正确回应不是禁止开放权重。在网络攻击者也在使用先进AI的世界里，防御方需要能力相当的模型，才能检测、模拟并响应新兴威胁。开放模型扩大了防御能力、增加了透明度，并让漏洞能被众多团队发现和修复。 事实上，开放可能是通往AI安全最重要的路径之一。只依赖封闭模型并不天然安全：它们可能被攻破、被滥用，或以外部无法察觉的方式失灵。而把先进AI能力集中在少数封闭模型背后，会放大这种风险——制造少数单点故障、削弱竞争、把关键技术留在少数供应商手中。开放权重模型则让广泛的研究者与开发者社区能审查模型行为、发现漏洞、开发防护并持续改进。正如开源软件证明了透明可以比隐匿更安全，AI安全或许同样取决于让更多人有能力去测试和加固社会所依赖的模型。它支持严格的基准测试与评估、红队演练，以及基于真实的、被证实的危害——而非「封闭默认更安全」这一假设——的保护措施。 强大的AI生态并非注定出现。政策制定者现在有重要的行动窗口：为初创公司和研究者扩大算力供给；投资共享训练资产（数据集、工具、评估框架）；避免对开放模型施加过早限制——那会扼杀竞争或把创新逼到海外——以保持前沿的多元。这些措施还应考虑如何借助强大的应用层，在整个经济中扩大AI的主权化使用。 在塑造这一生态时，政策制定者应注意不要把正当的模型开发技术与侵占行为混为一谈。蒸馏——即用一个模型的输出来帮助训练或改进另一个模型——是模型改进、评估与验证中被广泛使用的技术。它延续了学习、借鉴并改进既有技术的悠久传统，这一传统自开源软件运动兴起以来一直在驱动创新。相比之下，从封闭模型中非法抽取价值的行为确实值得关切。但这些关切应通过有针对性的法律与商业框架来解决，而不是对在AI创新中扮演重要角色的技术施加一刀切的限制。 AI时代可以是一个繁荣的时代。做出正确选择，开放权重AI能扩大机会、强化竞争、延续美国的技术领导地位、缓解风险，并确保这项非凡技术的收益在整个经济中被广泛分享。这样的未来值得建设，而美国应当引领它的建设。 签署方（25家）： 美国创新者网络 · Andreessen Horowitz（a16z）· Arcee AI · Arena · Black Forest Labs · Box · CrowdStrike · 戴尔 · Emergence Capital · Hugging Face · IBM · Linux基金会 · Mariana Minerals · Meta · 微软 · Mistral · Mozilla · 英伟达 · Palantir · Perplexity · Reflection · Replit · ServiceNow · Telnyx · Y Combinator