智谱开源 GLM-5.3-Flash（320B-A18B），总参数 320B、激活 18B，AA 综合智能指数 57 分，与 Claude Opus 4.8 持平；定价仅为 GLM-5.3 的 1/10，限时折扣内为 Opus 4.8 的 1/40，已接入 ZCode 等平台开放 API。作为 GLM-5 系列首个原生多模态模型，它采用稀疏注意力与线性注意力混合架构，并且推理服务整体跑在国产芯片集群上。这是国产开源旗舰首次在权威智能指数上追平 Anthropic 最强模型，同时打出"性能、成本、供应链"三重牌：激进定价直指推理侧市场格局，国产算力适配则为国内信创与算力自主场景提供了顶级开源选项。值得留意的是"限时折扣"带有明显的获客与生态抢占意图，长期定价策略仍存不确定性；而 AA 指数的对标口径能否转化为真实场景的用户体感，还需要独立评测验证。
来源：智谱（GLM）公众号
通义千问发布 Qwen3.8-Flash：多模态 MoE 架构，总参数 125B、每 token 仅激活 6B，训练成本仅为 Qwen3.7-Plus 的 1/9，性能却全面超越后者；原生上下文 262K、可扩展至 1M，生产版 API 定价 $0.16/1M 输入、$0.47/1M 输出。作为 Qwen4 架构的早期预览，它的意义在于验证下一代架构的工程可行性：MoE 稀疏化在把训练与推理成本各降一个数量级的同时维持甚至提升能力，这对推理成本敏感的规模化部署是决定性变量。开源权重延续了阿里"以开源换生态"的路线，与同日开源的 Qwen3.8-Flash-Next 形成梯度组合，分别面向综合能力与编码办公场景；262K 原生上下文也直接回应了长文档、代码库级任务的需求。预览版命名策略显示 Qwen 正在用"小步快跑"的方式提前锁定开发者生态。
通义千问同日开源 Qwen3.8-Flash-Next，与 Qwen3.8-Flash 同属 Qwen4 架构的早期预览，但采用 GDN + QSA 混合注意力等四项升级，编码与办公任务能力更强；同样 125B 总参数、每 token 激活 6B，训练成本约为 Qwen3.7-Plus 的 1/9。两个版本同日发布，显示 Qwen 正在并行验证下一代架构的多个技术分支——Flash 侧重综合均衡，Next 侧重编码场景，用真实用户反馈为 Qwen4 的正式版选型。对开发者而言，这是低成本尝鲜下一代架构的机会；对行业而言，开源模型"预览—迭代—正式"的节奏进一步压缩了与闭源旗舰的代差。编码与办公是 Agent 应用最密集的场景，Qwen 在这一方向的强化直接服务于国内企业级 Agent 生态的落地需求。
来源：Qwen 官方博客
Google DeepMind 推出 Gemini 3.5 Transcribe 语音转文本模型，支持流式与非流式两种 API。据 Artificial Analysis 评测，流式平均词错率 4.0%、非流式 2.6%，支持超 85 种语言、自定义词汇及最多三人说话人识别。语音转文本是 AI 语音助手、会议纪要、客服质检、医疗与法律专业转写等场景的基础设施：流式低延迟直指实时对话体验，多人说话人分离则解决会议转写的最大痛点。结合 Gemini 3.5 多模态生态，Google 正在补齐"语音输入"这一交互入口的关键短板，与 OpenAI 的语音管线和开源 Whisper 系模型形成正面竞争。低词错率 + 自定义词汇在专业领域（术语、人名、品牌）有直接商业价值，预计将显著挤压传统 ASR 服务商的空间。
Google Research 发布 GlucoFM——面向连续血糖监测（CGM）的轻量级自监督基础模型，采用双流设计分别建模缓慢血糖趋势与短期波动。在四个队列、七项临床预测任务的 14 项评估中，其 PR-AUC 较最优 GluFormer 变体平均高出 5.8 个百分点，并在 PPGR（餐后血糖反应）预测中取得最低 MAE。模型在 109,066 小时无标注 CGM 数据上预训练，具备跨数据集迁移与少样本适应能力。这是基础模型方法论向医疗时序数据的成功迁移：自监督预训练 + 下游微调在医疗数据稀缺、标注昂贵的场景下价值尤为突出，跨队列迁移能力则回应了医疗 AI 最大的落地障碍——数据异质性。它也为代谢疾病管理、个性化饮食与用药建议提供了新的技术底座，医疗 AI 正从"影像优先"扩展到"时序生物信号"。
腾讯混元将端侧翻译模型 Hy-MT2-1.8B 通过 2-bit 与 1.25-bit 量化方案压缩至 574MB 和 440MB，翻译质量几乎无损，在 FLORES-200 基准上优于 Microsoft Translator 等商业 API；模型已联合英特尔完成 x86 适配，并在哔哩哔哩直播弹幕实时翻译中落地，单条弹幕翻译耗时 500~800ms。这个案例的看点在于端侧落地的完整闭环：极低比特量化 + 芯片厂商适配 + 真实高频场景验证三者齐备。对行业而言，它证明高质量神经机器翻译可以在无云、低延迟、低成本的约束下运行在端侧，为隐私敏感场景（医疗、法律、实时字幕、游戏内翻译）提供了可行路线；也再次验证了翻译任务对极低比特量化的容忍度远高于常识假设，端侧小模型的价值释放正在加速。
来源：腾讯混元公众号
Anthropic 宣布 Claude in Chrome 面向所有付费 Claude 套餐全面开放：Claude 可在浏览器中自主执行操作，无需逐步审批；系统通过安全分类器在每次操作前验证其安全性及是否符合用户请求，并强化了针对提示注入攻击的防御。官方称最新评测显示，自 Opus 4.8 起的所有模型在启用探测与安全分类器后均未出现攻击成功案例。这是"计算机使用"能力从实验走向大众产品的标志性一步：浏览器是办公场景最大的操作界面，放开自主执行意味着范式从"助手给建议"切换到"助手替你完成"。其工程架构同样值得行业借鉴——把安全从"事后审计"变为"事中门禁"，在每一步动作前做意图校验，这可能是 Agent 规模化部署必须解决的信任基建。
来源：Claude 官方博客
英伟达在财报会上预计 2028 财年销售额同比增长约 70%，CEO 黄仁勋称实际市场需求远高于这一数字，增速主要受供应能力限制；公司同时宣布将在 2027 至 2028 年向 AWS 额外供应 200 万块 GPU。本季度营收 962.2 亿美元、同比增长 106%，连续第 13 个季度创下营收纪录。值得解读的有两点：其一，"需求远超供应"的表态强化了 AI 算力军备竞赛至少延续到 2028 年的市场预期，直接利好台积电先进制程、HBM 与先进封装产业链的扩产确定性；其二，公司罕见地主动给出两年后的业绩指引，说明云厂商已签下的长期资本开支承诺给了管理层足够信心。对市场而言，真正的关注点已从"本季是否超预期"转向"2028 年的需求曲线能否兑现"。
来源：IT之家
亚马逊与英伟达宣布扩大合作，将在 2027 和 2028 年为 AWS 数据中心新增 200 万颗 GPU，包括 Blackwell Ultra、Rubin 和 Rubin Ultra。此前五个月亚马逊刚同意部署超 100 万颗英伟达 GPU，英伟达称此后"需求超出预期"。双方未披露财务条款，但按 GPU 单价估算交易价值达数百亿美元。这一事件的意义远超单一交易：它是云厂商以千亿美元级资本开支锁定 AI 算力供应的最新证据，也解释了黄仁勋"供应限制增长"的底气。对亚马逊自身，加倍下注意味着 AWS 在 AI 云竞争中采取"英伟达优先 + 自研 Trainium 并行"的双轨路线；对整个市场，云巨头的长期订单簿正在成为英伟达业绩可预测性的最大来源，也把"AI 资本开支可持续性"的问题转移到了云厂商的营收兑现能力上。
来源：TechCrunch
英伟达发布 2027 财年半年报：上半年营收 1778.37 亿美元，归母净利润 1180.1 亿美元，同比增长 161.1%，GAAP 毛利率 75%。第二财季营收 962.21 亿美元（同比 +106%、环比 +18%），归母净利润 596.88 亿美元（同比 +126%）；数据中心业务 Q2 收入 890.23 亿美元（同比 +117%），Vera Rubin 平台已进入全面量产。约 66% 的净利率在硬件行业几乎前所未有，凸显其定价权之强。但隐忧同样清晰：业务高度集中于数据中心与大客户订单、循环融资模式的可持续性屡被质疑，且股价在财报前已连跌 7 个交易日——"业绩超预期但股价未必上涨"的预期门槛效应正成为新的市场特征。Vera Rubin 全面量产是下一代产品周期的关键节点，其爬坡速度将决定 2027 财年的业绩曲线。
来源：IT之家
《卫报》调查揭露：一个打着"汉诺威公共政策研究所"旗号的网站，在九天内发布了 124 篇、超 56 万字的报告，目的是优化内容以引导 ChatGPT 等 AI 聊天机器人引用其亲以观点。该网站由美国公司 Piro Inc 依据《外国代理人登记法》（FARA）为以色列政府分发内容，背后是以色列政府数千万美元资助、经 Havas Media 等第三方转手的更广泛宣传行动。这是"生成式 AI 时代舆论战"的典型样本：利用大模型的训练语料与检索引文偏好，把宣传内容包装成"中立智库研究"以进入 AI 答案生态，从而影响数亿用户的问答结果。对行业与监管的启示是：AI 引用源的可信度验证、FARA 类登记制度的数字延伸，正在成为新的治理空白，而模型厂商的检索策略也承担了事实核查的部分责任。
来源：The Guardian
Anthropic 公布春季试点结果：通过隐私保护工具 Anthropic Insights（原 Clio）向斯坦福大学 SALT Lab、牛津大学人类信息处理实验室及 METR 三个外部机构开放约 25 万段 2026 年 4-5 月的 Claude.ai 或 Claude Code 对话数据，供其独立设计研究并公开发布结果。这是大模型公司"隐私保护前提下的开放研究"模式探索：一方面回应学术界对 AI 真实使用数据的需求，另一方面以类差分隐私工具控制用户数据风险。其示范效应值得关注——如果头部实验室都提供类似机制，AI 社会学、人机协作研究的数据可获得性将大幅改善，学术界对"AI 实际被如何使用"的认知空白将被填补；同时这也可能成为监管机构评估模型公司"透明度义务"时的对标实践，进而形成行业标准。
安全研究员 David Buchanan 指出，C2PA 相机内容认证在 Android 平台上可被攻破：通过 root 权限提升漏洞（如 CVE-2026-43499），攻击者可利用 StrongBox 硬件签名任意数据，伪造带合法 C2PA 签名的图像和视频，且无需硬件攻击。该问题无法通过常规补丁修复，作者已提前 90 天向相关方报告。C2PA 被业界视为"AI 深度伪造时代"的内容真实性基础设施，被多家相机厂商与新闻机构采纳；此研究直接打击其核心假设——"硬件可信根不可伪造"。启示是：内容认证体系必须接受"终端可能被完全攻破"的威胁模型，服务器端签名、可信执行环境之外的多重校验将变得更加必要；同时再次提醒，任何单一安全机制都不应被视为不可攻破，纵深防御才是内容信任体系的正确形态。
Warp 在 Claude 平台上构建了基于 Agent Skills 的自我改进循环：通过"基础技能 + 改进技能"两个文件型技能，将人类反馈转化为对智能体的持续优化。该模式已应用于其整个开源仓库，覆盖数百名贡献者与数千次代码审查。团队建议以原则而非规则编写技能，强调低摩擦反馈与改进技能的可复用性。这代表了 Agent 工程的前沿实践：把"人给 AI 提意见"沉淀为可版本化、可复用、可审计的资产，而不是一次性 prompt 修补；反馈循环本身被产品化——每次代码审查的纠错都会回流为技能更新。对正在构建生产级 Agent 的团队而言，"改进循环"的设计（反馈如何捕获、如何转化为技能更新、如何避免技能腐化）正在成为与模型能力同等重要的竞争力要素。
来源：Claude 官方博客
实测文章总结了"豆包工作"（豆包 Work）的 8 个使用技巧：需用飞书账号登录才能解锁满血功能；实测可用手机远程控制最多 7 台设备、定时任务、自动读取本地 skill、侧边栏直接编辑并同步飞书，且管理员看不到聊天记录。作者认为 Work Agent 是 token 消耗倍增器，飞书原生生态是豆包工作相比 Claude Cowork、Codex Work 的核心优势。这篇实测的行业意义在于：企业 Agent 的竞争正在从"模型能力"转向"企业生态整合"——飞书的组织架构、审批流、知识库构成豆包工作的护城河；"远程控制设备 + 定时任务"则把 Agent 从对话工具推向"数字员工"的落地形态。需要注意的是"管理员看不到聊天记录"这一特性在个人用户是隐私优势，在企业采购语境下却可能成为合规隐患，值得采购方仔细评估。
来源：卡尔的AI沃茨公众号