Claude 模型的调用又挂了。与此同时，GPT 的模型调用还是非常的丝滑。 可见就算是 Claude，即便 Anthropic 租用了 SpaceX 的 Colossus 1 整个数据机房，现在还是远远不够用。其实从这一点可以看出来，现在 Claude 模型还是最受欢迎的

最新的模型调用榜里，前5名全来自中国。 腾讯，小米，DeepSeek，MiniMax和智谱各占一席，五个模型都开放权重，可以下载后放到自己的服务器运行。 数据来自模型聚合平台OpenRouter。 开发者可以在这里调用数百种AI模型。这份榜单按一周实际消耗的Token排序，记录的是真实调用，不看模型跑分。 这些中国模型的优势主要是价格和使用自由，处理日常任务时，这些模型的成本最低可以比高价前沿模型低50倍。

突然发现OpenRouter其实也报告各公司在OR上的模型调用量总和，初步观察是 自六月以来： A社，O社调用量缓慢增长 G社五月见顶，此后缓慢下跌 Deepseek曲线和别家都不太一样，没有明显的周中周末之分，猜测被很多自动化脚本后台调用。 基本符合体感

我们的自建AI模型API聚合平台终于上线了！！！ 1. 1 key调用全模态AI模型，覆盖文本，图像，音频，视频 2. 原厂直连，非中转 3. 全球加速，海外模型访问稳定，不用自建代理 4. 统一管理，账单/用量/权限 一站式控制台 5. 同时支持多key管理 ，可按团队/项目拆分 具体折扣信息，请联系 Telegram：@dianmircloud #token# #词元# #claude# #openai# #chatgpt# #模型调用# #大模型#

长上下文很快会把普通 prompt 塞满。模型也会卡住。rlm 就是用来让模型继续拆问题和递归调用的项目。 rlm 是一个给 Recursive Language Models 用的推理库项目。 项目说明把关键动作写得很实。常见的 `llm.completion(prompt, model)` 在这里会换成 `rlm.completion(prompt, model)`，上下文会放进 REPL 环境里，模型可以继续检查内容，再递归发起子模型调用。仓库里还放了 inference engine、多种 sandbox 执行环境，以及 training 目录下的 verifiers 训练线，推理和训练都能顺着项目说明往下看。 要处理超长材料、复杂任务拆分，或者想研究递归式语言模型的人会更需要它。短 prompt 问答场景里，普通调用链通常已经够用了。 GitHub 现在约 4.9k stars 工具地址：

最近一个挺有意思的变化是，AI Agent 开始真正进入链上了。 以前我们说 Agent，大多数时候还是“帮你操作”的机器人：人下指令，它调用模型，再由人确认交易。 但现在情况开始变了，Agent 可以自己调用服务、获取数据，甚至自己发起支付。 x402 解决的就是其中很直接的一步——让机器能够在没有人工干预的情况下完成支付，而且这已经不只是概念了！ Chainalysis 的统计显示，仅 Base 上的 agentic payments 已经超过 1 亿笔。 但问题也随之出现：机器会付钱，不代表我们知道它为什么要付这笔钱。 假设一个 Agent 收到一条指令：“支付 50 USDC，购买这份数据。 ”它当然可以完成这笔交易。但谁来判断这是不是它真正需要的数据？这个决定是不是按照预设的逻辑执行？中间有没有受到错误信息、恶意输入或者其他攻击的影响？ 所以我觉得，Agent economy 下一阶段真正难的地方，可能不是“怎么让机器付款”，而是怎么让机器的执行过程变得更可信、更可验证。 这也是为什么我会把现在出现的几个基础设施放在一起看：x402 更像结算层，解决的是钱怎么转 而ERC-8004 更偏身份和信任，解决的是谁在转、怎么建立信任，而 @ritualnet 想补上的，则是更底层的执行与验证能力。 三者并不是互相替代，而是在补不同的基础设施。 因为当 Agent 只是替人操作的时候，很多事情最终都可以交给人确认。 但当 Agent 开始拥有自己的钱包、密钥和持续运行的能力，人类那个“确认”按钮迟早会越来越少。 到那个时候，一个真正重要的问题就出现了：如果机器开始自己做决定，我们凭什么相信它？ 这也是我觉得 Ritual 值得关注的地方。 它并不只是给 AI 接一条链，而是把模型调用、网络访问、调度、密钥管理以及 Agent 自主执行等能力，尽可能做成链上的原生能力。 Ritual 官方甚至直接把这个方向概括成一句话：Private Thought, Public Proof。 说得更直白一点，别的链可能是在给模型接 API；Ritual 更像是在给模型准备户口本、银行卡和遗嘱。 而当机器真的开始拥有这些东西之后，我们需要的下一样东西，大概就是一个公证处。 因为机器会花钱，只是第一步。真正的问题是：谁来证明它是怎么决定花这笔钱的？

很多教程教 AI Agent 开发都是直接上框架，装完跑起来了，但底下到底怎么回事不清楚。 ai-agents-from-scratch 反过来，先从最基本的模型调用写起，一步步搭出工具调用、记忆、ReAct 循环这些核心模式。 全程用本地模型跑，不依赖云端接口，每个阶段都有代码和概念讲解。 GitHub： 从加载模型、翻译、推理，到带记忆的 Agent、ReAct 模式、错误处理，总共 11 个递进式示例。 想搞懂 AI Agent 底层原理再去用框架的朋友，这个项目适合拿来入门。

刚才买入了Minimax的现货，然后一倍空了智譜 两者市值差距最近拉到差不多8倍左右，目前GLM5.2风头很盛，热度超过Minimax，Benchmark跑分领先，To B的叙事也比Minimax To C当前的确定性要高 但OpenRouter上两个模型调用一直保持非常接近的水平，性能也并没有质的差距，所以我认为3-4倍差值Make Sense，8倍明显偏高 多空同时开就是赌这个8倍的价差会缩小，向上感觉10倍是极限，但我觉得应该收回到3-4倍，当前如此大的差价应该还是解锁周期的错位导致，小赌一把，感觉赔率还行

派出 Happycapy 上的 Fable 5，安装现在最流行的几个前端设计 Skill。 设计三个 Prompt，用完全一样的模型，调用 6 个Subagent 并行开发。 看最终哪个胜出，等我的运行结果。

我艹 copilot 你能不能不要这么混账。。。明抢啊。。。。 图1:：现在6月11号，从IDEA的copilot plugin里看的模型调用的token倍率 图2：4月21号时的倍率 其实更早之前还有opus可以用，4月底的时候就没了。但没想到倍率可以提升6-9倍啊！有毛病啊！