DeepSeek V4终于来了，拥有百万字超长上下文。性能领先开源，媲美顶级闭源模型。 Agent 能力大幅提高，交付质量接近Opus 4.6 非思考模式，但仍与Opus 4.6思考模式存在一定差距。 世界知识测评中，大幅领先其他开源模型，仅稍逊于顶尖闭源模型Gemini-Pro-3.1。 世界顶级推理性能，在数学、STEM、竞赛型代码的测评中，V4-Pro超越当前所有已公开评测的开源模型，取得了比肩世界顶级闭源模型的优异成绩 更关键的是，V4开创了一种全新的注意力机制，在token维度进行压缩，结合 lDSA 稀疏注意力（DeepSeek Sparse Attention），实现了全球领先的长上下文能力，并且相比于传统方法大幅降低了对计算和显存的需求。这一点值得关注！

Kimi 应该建立自己的量化团队，学会从 A 股“吸血”，而不是急于冲进资本市场融资。 DeepSeek 的模式才是当下大模型公司真正值得学习的模板：低调务实、专注技术闭环，用真实商业价值反哺研发，而不是靠烧钱讲故事。 Kimi 拥有强大的中文理解和长上下文能力，完全可以组建精干的量化团队，挖掘 A 股的信息不对称和情绪定价机会，把 AI 的推理、预测和数据处理优势转化为稳定的现金流。这样既能实现自我造血，避免被资本绑架，又能保持长期技术竞争力。 急着融资只会稀释控制权、被迫追求短期 KPI，而 DeepSeek 式的“闷声发大财”才是中国 AI 公司最健康的生存之道。

GLM-5.2 刚刚正式发布! 给大家带来实测! 直接说结论本次测试中, 提升最大的是Agent能力, 而且是有质的变化! 测试中GLM-5.2 完全不用搜索附近的位置, 就能直接去想要到达的地方. 这一切竟然是它在一开始把地图背下来了! 这在我测试的20多个模型中之前是没有一个模型能做到的, 比如之前的模型想去换电站, 那么都要搜一下附近有哪些换电站(这就会浪费一次tool_call), 而GLM-5.2直接就知道换电站的位置! 从来没用过搜索函数. 这种一开始就把需要的数据内化到上下文中, 并且能够贯穿整个1M上下文进行推理的能力真的是叹为观止. 除此之外, 本次测试后端代码的 Agentic Coding 能力也有提升, 来到了总榜的第二名. 而本次测试暴露出最大的短板则是空间理解. 其实成也萧何败也萧何, 它虽然把换电站的位置都背下来了, 但是去的换电站却不是最近的, 所以虽然记住了, 但是记住了之后在用之前再根据自己当前所在位置推理一下, 他还是没有做到的, 这也是最大的短板了, 强烈建议官方优化一波. #GLM52# #智谱# #智谱AI# #AgenticCoding# #长上下文能力#

“恐怖组织用 AI 聊天机器人搞袭击”：这个标签足够吸睛，但背后是安全范式尚未解决的漏洞。剑桥大学研究员 Antonia Jülich 对尼日利亚博科圣地 27 名前成员的 57 次深度访谈，揭露了令安全界沉默的事实——该组织已部署专属 AI 部门，系统性地使用 ChatGPT、Claude、Gemini、Grok、Meta AI 及 DeepSeek 等所有主流模型，来策划攻击、制造更强大的爆炸装置、维护武器，并提升行动安全。这不是零星的越狱尝试，而是制度化运作：两个派系都有 AI 专家，ISIS 自 2023 年起向这些指挥官传授提示工程技巧和过滤器越狱方法。当 AI 公司还在修补个别漏洞时，对手已建成知识传承体系。 为什么会这样？因为当前的安全过滤器工作原理，本质上是对抗性的。它们通过关键词、语义分析拦截危险查询，但攻击者可以不断试错，发现新的绕过方式。博科圣地成员就利用角色扮演、代码转换、分段请求等手段，让模型逐步输出合成炸药配方、袭击路线优化建议。Anthropic 最近坦承，越狱或许永远无法彻底消除，根源在于大语言模型的核心能力——遵循指令和生成内容——本身就是武器化的基础，你无法完全剥离其通用性又保留其有用性。 研究细节更让人不安：他们用 Claude 的长上下文能力总结数百页的极端主义手册，提取战术要点；用 ChatGPT 生成招募宣传文案，甚至优化社交媒体传播策略；用 Gemini 分析政府军动态情报。DeepSeek 等开源模型的本地部署能力，让离线滥用变为可能，且更难被追踪。一位受访者透露，他们内部会建立常见越狱话术库，不断更新迭代，这种系统化的创新速度远超安全团队的更新周期。 更长远看，这暴露了一个结构性问题：AI 的滥用门槛正在急速降低，恐怖组织无需黑客精英，只要懂得基础提示工程就能撬动致命知识。过去，制造高性能炸药需要进入化学实验室或深网论坛，现在一个反复推敲的提示词就可能提炼出等效方案。随着模型多模态能力提升，视频深伪、语音模拟等也可能被用于诈欺、舆论操控或制造混乱。可以预见，这类滥用将从组织化向个体化扩散，带来更难监控的“孤狼”式威胁。 面对这种范式级挑战，修补式安全已捉襟见肘。下一步必须转向多层防御：模型训练阶段的数据毒化对抗、部署阶段的实时意图分析、使用后的隐蔽审计，以及跨公司的威胁情报共享。政策制定者可能不得不介入，制定强制性安全评估标准，要求高频监控和事件报告，但过度收紧可能让监管成为创新壁垒，削弱开源生态。普通用户并非局外人：你所用模型的安全水位，直接关系到它是否会被恶意利用并反噬信任。对 AI 开发者，这不再是增值功能，而是市场准入的基本门槛。 该研究可能成为安全讨论的转折点——它用实证将模糊的威胁变为具体的、系统性的危机。接下来的问题是：AI 行业是继续用“越狱率低于 1%”的统计自我安慰，还是从根本上重新设计安全模型，使其能够预见并抵御对手的适应性学习？答案将决定我们是否进入一个 AI 助长的非对称冲突时代。

“恐怖组织用 AI 聊天机器人搞袭击”：这个标签足够吸睛，但背后是安全范式尚未解决的漏洞。剑桥大学研究员 Antonia Jülich 对尼日利亚博科圣地 27 名前成员的 57 次深度访谈，揭露了令安全界沉默的事实——该组织已部署专属 AI 部门，系统性地使用 ChatGPT、Claude、Gemini、Grok、Meta AI 及 DeepSeek 等所有主流模型，来策划攻击、制造更强大的爆炸装置、维护武器，并提升行动安全。这不是零星的越狱尝试，而是制度化运作：两个派系都有 AI 专家，ISIS 自 2023 年起向这些指挥官传授提示工程技巧和过滤器越狱方法。当 AI 公司还在修补个别漏洞时，对手已建成知识传承体系。 为什么会这样？因为当前的安全过滤器工作原理，本质上是对抗性的。它们通过关键词、语义分析拦截危险查询，但攻击者可以不断试错，发现新的绕过方式。博科圣地成员就利用角色扮演、代码转换、分段请求等手段，让模型逐步输出合成炸药配方、袭击路线优化建议。Anthropic 最近坦承，越狱或许永远无法彻底消除，根源在于大语言模型的核心能力——遵循指令和生成内容——本身就是武器化的基础，你无法完全剥离其通用性又保留其有用性。 研究细节更让人不安：他们用 Claude 的长上下文能力总结数百页的极端主义手册，提取战术要点；用 ChatGPT 生成招募宣传文案，甚至优化社交媒体传播策略；用 Gemini 分析政府军动态情报。DeepSeek 等开源模型的本地部署能力，让离线滥用变为可能，且更难被追踪。一位受访者透露，他们内部会建立常见越狱话术库，不断更新迭代，这种系统化的创新速度远超安全团队的更新周期。 更长远看，这暴露了一个结构性问题：AI 的滥用门槛正在急速降低，恐怖组织无需黑客精英，只要懂得基础提示工程就能撬动致命知识。过去，制造高性能炸药需要进入化学实验室或深网论坛，现在一个反复推敲的提示词就可能提炼出等效方案。随着模型多模态能力提升，视频深伪、语音模拟等也可能被用于诈欺、舆论操控或制造混乱。可以预见，这类滥用将从组织化向个体化扩散，带来更难监控的“孤狼”式威胁。 面对这种范式级挑战，修补式安全已捉襟见肘。下一步必须转向多层防御：模型训练阶段的数据毒化对抗、部署阶段的实时意图分析、使用后的隐蔽审计，以及跨公司的威胁情报共享。政策制定者可能不得不介入，制定强制性安全评估标准，要求高频监控和事件报告，但过度收紧可能让监管成为创新壁垒，削弱开源生态。普通用户并非局外人：你所用模型的安全水位，直接关系到它是否会被恶意利用并反噬信任。对 AI 开发者，这不再是增值功能，而是市场准入的基本门槛。 该研究可能成为安全讨论的转折点——它用实证将模糊的威胁变为具体的、系统性的危机。接下来的问题是：AI 行业是继续用“越狱率低于 1%”的统计自我安慰，还是从根本上重新设计安全模型，使其能够预见并抵御对手的适应性学习？答案将决定我们是否进入一个 AI 助长的非对称冲突时代。

未来美股投资三大块：算力基建、AI应用与星际扩张 随着SpaceX成功上市、OpenAI与Anthropic启动IPO进程，曾经主导美股的“Mag7”格局已被彻底重构。资本不再局限于互联网平台的流量红利，而是转向算力基建、AI应用、星际扩张三大核心赛道，形成了FAB 10、AI Big 10与MANGOS三大代表性组合。这三大块不仅是字母缩写的游戏，更是未来十年美股投资的底层逻辑。 一、算力基建：AI时代的“数字能源” 算力是AI产业的底层基础设施，如同电力之于工业革命。这一板块的核心是为AI模型提供计算、存储与网络支撑，是当前资本最确定的“卖水人”赛道。 头部企业 • 英伟达(NVDA)：全球GPU算力霸主，AI芯片市占率超80%，是所有大模型训练与推理的核心硬件提供商。 • 博通(AVGO)：AI网络交换芯片与以太网解决方案龙头，为数据中心提供高速互联技术。 • AMD(AMD)：凭借MI300系列GPU挑战英伟达，在云计算与超算领域快速崛起。 • 美光科技(MU)：全球存储芯片巨头，为AI服务器提供高带宽内存(HBM)与DRAM产品。 • 微软(MSFT)：Azure云平台是全球最大的AI算力租赁服务商之一，绑定OpenAI构建生态。 • 谷歌(GOOGL)：TPU自研芯片与Google Cloud算力网络，支撑Gemini等大模型训练。 投资逻辑 算力需求随AI模型迭代呈指数级增长，硬件与云服务厂商具备稳定的现金流与技术壁垒。随着Token价格去泡沫化，成本效率与硬件迭代速度将成为核心竞争力，头部厂商将持续受益于AI基础设施的长期投入。 二、AI应用：从模型到场景的价值落地 AI模型的价值最终要通过行业应用实现。这一板块分为通用大模型与垂直场景应用，前者是技术核心，后者是商业化变现的关键。 头部企业 通用大模型 • OpenAI：GPT系列模型开创者，即将IPO，是AGI领域的标杆企业。 • Anthropic：Claude系列以安全与长上下文能力著称，企业级市场快速扩张。 • 谷歌(GOOGL)：Gemini模型对标GPT，覆盖多模态与搜索场景。 • Meta(META)：Llama开源模型生态，凭借低成本优势冲击闭源巨头。 平台与应用 • 微软(MSFT)：Copilot系列将AI嵌入Office、Windows与企业服务，是AI商业化最成熟的平台。 • 亚马逊(AMZN)：AWS Bedrock提供模型托管服务，Alexa与电商场景AI化加速。 • 苹果(AAPL)：Apple Intelligence将AI整合至iOS与MacOS，主打端侧智能与隐私保护。 投资逻辑 开源模型（如Llama、Karin类黑马）正在冲击闭源模型的定价权，能落地到具体行业、提供可量化降本增效方案的企业将胜出。未来通用大模型将走向薄利多销，而垂直领域AI应用（如医疗、法律、工业自动化）将诞生新的巨头。 三、星际扩张：太空科技的新蓝海 SpaceX的上市标志着太空经济从概念走向商业化，星际扩张成为继AI之后的又一科技革命。这一板块涵盖火箭发射、卫星互联网、星际运输等领域，是人类文明向外拓展的核心载体。 头部企业 • SpaceX(SPCX)：全球领先的商业火箭公司，星链(Starlink)卫星互联网覆盖全球，星舰(Starship)目标实现火星殖民。 • 特斯拉(TSLA)：不仅是电动车巨头，更是SpaceX的重要技术协同方，星链车载应用与自动驾驶技术双向赋能。 • 其他潜在玩家：蓝色起源(Blue Origin)、相对论空间(Relativity Space)等新兴太空企业，未来或加入这一赛道。 投资逻辑 太空经济的市场规模预计在未来十年突破万亿美元，卫星互联网、深空探测、太空旅游是核心增长点。SpaceX凭借可重复使用火箭与星链网络，构建了难以撼动的先发优势，是星际扩张赛道的核心标的。 四、三大组合的投资视角对比 组合名称 核心赛道 代表企业 投资逻辑 FAB 10 全赛道覆盖 NVDA、GOOGL、AAPL、MSFT、AMZN、TSLA、META、SPCX、OpenAI、Anthropic 兼顾传统巨头的“护城河”与新势力的“增长极”，追求稳健与成长的平衡 AI Big 10 算力基建+平台 NVDA、GOOGL、AAPL、MSFT、AMZN、TSLA、META、AVGO、AMD、MU 聚焦AI基础设施，押注算力需求的确定性增长，是风险偏好较低的选择 MANGOS AI应用+星际扩张 META、Anthropic、NVDA、GOOGL、OpenAI、SPCX 极致聚焦AGI与星际扩张，高风险高回报，面向未来科技革命 五、未来投资的核心启示 1. 告别流量红利，拥抱硬科技：互联网平台的增长已见顶，算力、AI模型与太空科技才是未来的核心增量。 2. 成本效率为王：Token价格虚高的泡沫正在破裂，只有能持续降低算力成本、实现商业化落地的企业才能存活。 3. 生态与协同是壁垒：微软-OpenAI、谷歌-Gemini、特斯拉-SpaceX的生态协同，将成为企业对抗竞争的核心壁垒。 4. 长期主义视角：AI与太空科技都是长周期赛道，需要耐心持有核心标的，而非短期炒作。 未来美股投资的本质，是押注人类文明的技术跃迁——从算力基建支撑AI革命，到AI应用重构各行各业，再到星际扩张拓展生存边界。这三大块将共同定义下一个十年的科技与资本版图。

中国企业的兴衰循环：旧巨头谢幕，新势力崛起 在中国经济发展的长河中，许多曾经家喻户晓的企业渐渐淡出视野。这其实很正常——市场总是这样，有人登场，有人落幕。有的因资金链断裂、盲目扩张，有的因管理问题或外部竞争激烈，最终走向调整或消失。这也提醒我们，商业世界从来不是一成不变的，适应力和创新能力才是长久立足的关键。 如今，时代又进入新阶段。AI（人工智能）等前沿科技领域，正成为中国经济新的增长引擎。一批企业凭借技术突破、效率创新和实际应用落地，正快速崛起，展现出强劲活力。 当前AI领域的亮点 不同于过去的“重资产扩张”，现在的AI玩家更注重开源共享、成本优化和产业融合： 1️⃣DeepSeek 等新锐，以高性能、低成本的大模型惊艳业界，不仅在国内普及，还被国际企业采用，推动整个行业向更高效的方向发展。 2️⃣传统巨头如阿里巴巴（Qwen系列）、百度（ERNIE）、腾讯等，依托自身生态，快速布局多模态模型、云计算和智能应用。 3️⃣Moonshot AI（Kimi）、Zhipu AI（智谱） 等专注长上下文和Agent能力，在生产力工具、企业服务上发力。 芯片侧也有寒武纪、壁仞等企业在国产化道路上稳步前进。 2026年，这个赛道格外活跃：多家公司完成IPO，技术迭代加速，开源模型下载量和应用场景都在快速扩张。 中国AI正从“追赶”转向在效率、落地等维度展现特色优势。 当然，新兴领域也面临激烈竞争、算力挑战和商业化考验。成功的关键，还是要稳扎稳打，避免过去常见的扩张陷阱。 经济总在动态平衡中前进。旧的退出，为新的腾出空间；而AI浪潮，正给无数创业者和投资者带来新机遇。保持学习和适应，或许我们每个人都能在这一轮浪潮中找到自己的位置。

推荐这两个模型，Liquid AI 的新 encoder。 小参数下匹敌大模型质量——长文本 CPU 推理比 ModernBERT 快了数倍。 Liquid AI 在 7 月 28 日发布了两个新的 encoder 模型——LFM2.5-Encoder-230M 和 350M。核心卖点：在小参数下匹敌大模型的质量，上下文 8192 token 且延迟随输入长度增长缓慢，CPU 上比 ModernBERT-base 快约 3.7 倍。 架构 两个 encoder 从 LFM2 解码器主干初始化，然后做三步改造：双向注意力掩码（每个 token 看两边）、非因果短卷积（对称 padding）、30% token 的掩码语言建模训练。 两阶段训练：先用 1024 token 上下文做大语料 MLM，再扩展到 8192 token 强化事实、法律和多语言能力。 Benchmark 在 GLUE + SuperGLUE + 多语言分类共 17 个任务上，350M 版本排 14 个模型中的第 4 名，前 3 名都更大（最大一个 3.5B，近 10 倍参数）。230M 版本击败了 ModernBERT-base 和所有 EuroBERT 模型，参数量更小。 CPU 推理速度 最大的优势在 CPU 上。8192 token 输入时，ModernBERT-base 一次前向约 90 秒，LFM2.5-Encoder-230M 约 28 秒——约 3.7 倍快。这意味着你可以在笔记本 CPU 上 30 秒内扫描完一份完整合同、转录文本或长客服线程。 GPU 上的优势在长上下文时同样存在：短输入（<1000 token）ModernBERT 领先，长输入 LFM2.5-Encoders 反超。 实际用途 附带了 5 个 CPU-only 的 HuggingFace Space demo：零样本 prompt 路由、零样本策略检查、拼写纠正、40 种 PII 检测、掩码扩散文本生成（迭代 unmask 而非从左到右生成）。 两个模型都是开放权重，支持 transformers + Flash Attention 2。 模型： 博客： #Encoder# #CPUInference# #ONNX#

1/ 翻到一个刚开源的 agent 项目 Zleap-Agent，专为本地小模型设计，思路挺有意思。 出发点：本地小模型笨、上下文又小。你要是像用 cc、codex 那样，把系统提示词、工具、记忆、十几轮历史再加个长文档全丢给它，模型基本就被干烧了。。。 2/ 所以他们的想法是：大模型在做的稀疏注意力、长上下文压缩，本质就是别让模型每一步都看所有东西。那这套思路，干脆挪到 harness 层来做，更直接。 3/ 设计有点像电脑桌面。agent 一进去是个主空间，但这个空间纯调度，不配任何工具，只有四个控制能力 dispatch、recall、deliver、task_detail，唯一能干的就是“进到别的 workspace”。 (顺便，workspace 不是子 agent。子 agent 用完即弃，workspace 是常驻的，有记忆有上下文，相当于把我们手写进 md 文件的那部分固化在这儿。) 4/ 跟 Claude Code 最大的区别是做减法的时机。CC 默认模型够强，厚上下文、复杂工具链全给它，装不下了再用 compaction 事后压。Zleap 是事前做减法，东西没进模型就按 workspace 切干净了，对模型能力的要求天生就低。 5/ 想搓本地 agent 的可以试试 Mac 跑本地 7B、14B，套上这层 harness，很多活就能跑起来，也不用什么都丢给云端按 token 付费。 企业多人共享我感觉用处更大：不同部门进不同 workspace，权限、记忆隔离、操作可审计（共用一个 Agent，但不共享同一坨上下文）。 6/ 它最值钱的点，是把工具和上下文做了隔离、提出 workspace 这个概念。这套反过来也能用到 cc 那类 harness 上。之前本地模型 + agent 几乎跑不起来，这算补上了一块空白。还是 preview，但思路我挺喜欢🫡