搜索
4月30号，快手Krow团队推出了一款桌面端AI智能体KroWork，在这里你不用写一行代码，对着它说一句话，它就能自己写代码、调试、部署，最后交付一个能直接在桌面运行的应用。
把一个Bug交给Claude Code或Codex，十几分钟后它回了一句“Done”和一大片Diff。过程中它读错了什么、为什么反复改同一个文件、最后有没有重新跑测试......开发者想知道就只能去几百行日志里碰运气。7月11日，一个名叫Mindwalk的开源项目发布了v0.1.0。
2026年，视频生成赛道正在经历一场从“离线生成”到“实时交互”的范式转移。7月3日全球数字经济大会上——生数科技创始人朱军正式发布Vidu S1实时交互模型，让AI从“视频生成”正式迈入“实时交互”的新阶段。
AI基础设施的核心任务，已经从支撑大模型推理，转向支撑海量智能体的规模化运行与高质量Token的持续生产。
Lyzr 的为其 Agent B 轮融资开展外联活动。该轮融资据公司称有望筹集 1 亿美元，估值约为 5 亿美元。Agent 回应了来自 130 多位投资者的查询，并协助起草了数十份投资备忘录。最终，这家获得 Accenture 支持的公司吸引了来自硅谷基金、中东风投公司和金融行业投资者共计 4 亿美元的兴趣。
CB Insights 上个月公布了 2026 年 AI 100。简单来说，就是从全球 AI 初创公司里，挑出 100 家它认为最值得关注的企业。CB Insights 的筛选范围超过 4 万家公司，不只看融资，还会综合交易活动、投资机构、团队招聘、行业合作和实际商业进展等数据。
一家推翻传统网络架构的清华系创业公司，联合智谱、清华大学推出了全新的网络架构ZCube，能提升推理算力集群15%的Token产量，还能砍下约33%的网络硬件成本。近日，驭驯网络已完成智谱独家领投的数千万元融资，源合资本担任长期财务顾问。
过去十几年，程序员面试早就形成了一套成熟的应试套路。背题、刷题、共享面经，一条龙服务，从几块钱的 PDF 到十几万的“包过内推”，每一个价位都有对应的产品。只要你花够时间准备，进大厂的概率不低。
米哈游吊了人们一年的AI陪伴产品《BSide：Olivia Lin》（以下简称《林离》）在今天悄悄开放了抢先体验。这款产品的主角就叫林离，在前几日的BW展会上，米哈游还带着她来到了现场。不过当时现场的互动内容只有简单地写信与回信，我们还是不清楚具体到了桌面之后，她会是什么样子的。
就在今天，阶跃星辰在发布会上一口气抛出三样东西——全球首个大模型原生AI终端品牌STEPX；全球首个智能体原生操作系统Step AOS；全球首款大模型原生智能体手机STEPX Neo。
本期Product Hunt周榜Top 1出自中国团队，AnySearch——一款AI搜索产品。过去一年，PH榜一的位置被Agent、AI IDE、大模型轮番占据，几乎没见过搜索类产品的影子。就是因为在全球开发者眼里，普通AI搜索已经很难突围了。
近日，有外媒报道称，自 2022 年成立以来一直专注于编程工具的 Cursor，正在开发一款名为 Sand 的通用型 AI 智能体，希望在更广泛的生产力场景中，与 Anthropic 的 Claude 和 OpenAI 的 ChatGPT 展开正面竞争。
这家名为 PrismML 的初创公司表示，已将 Qwen 3.6 缩减至可在 iPhone 17 Pro 上运行，该模型拥有 270 亿参数（参数大致类似于大脑中的突触，能够帮助决定模型可处理数据的复杂性）。相比之下，大多数在手机上运行的模型一次仅有几十亿个参数处于活动状态。
图片来源：Unsplash 在 ChatGPT 的发布将生成式人工智能带入主流市场三年多之后，OpenAI 正将其关注点从个人用户扩展到家庭。 OpenAI 正在旧金山招聘一名专职产品经理，负责在其产
刚刚，Agnes 升级了！
OpenAI高管亲自下场，教开发者5分钟极速「策反」Claude Code，这波贴脸开大太狠了。
最近刷小红书，总能刷到 ChatCut。
AI 生图最难的地方，早就从「生成一张好看的图」变成了「把那张差一点的图改对」。
这一天天的，OpenAI的安全负责人怎么接二连三地跑路啊…
试图把医疗级脑刺激技术装进日常耳机。
外界不只有 Meta 一家公司表达过收购兴趣。
7 月 7 日这一天，有两条关于中国 AI 公司自研芯片的消息成为热点新闻。
不教AI认手,而是从视频世界模型里直接「读」出双手:三大基准SOTA,让百万小时野生视频第一次能变成机器人的操作教材。
机器人正在进厂打工……
“这个问题不用解决，你也可以拿到非常好的offer！”
一个AI工具挖出了藏在Linux里15年的致命漏洞，另一个AI却因为一个被录错的数字，让四辆警车把无辜记者当成盗车贼围了起来。
奖励模型（Reward Model, RM）是大语言模型对齐的核心组件，负责为模型输出提供符合人类偏好的评价信号。现有方法各有短板：标量判别式 RM 高效稳定但可解释性有限；生成式 judge 能给出判断理由，却需为每个样本生成长 reasoning，token 与延迟开销显著。
近期，围绕「世界模型」的讨论持续升温。机器人、自动驾驶、视频生成、具身智能等多个方向都在频繁使用这一概念，相关系统不断出现，演示形式日益丰富，评价指标也越来越多。伴随这一趋势，一个基础问题变得格外重要：当一个模型被称为「世界模型」时，人们究竟在评价什么？
在过去二三十年的互联网发展中，个性化推荐几乎一直是平台的核心能力之一。打开视频 app，平台决定你接下来会刷到什么视频；打开购物软件，平台预测你可能会购买什么商品；打开短视频 app，平台根据你的浏览、点赞、停留和互动，不断优化信息流。某种意义上，现代互联网的用户体验本身就是由推荐系统塑造的。
人类可以在一生中持续学习新知识，而不会轻易遗忘已有技能。然而对 AI 模型而言，这恰恰是一道极具挑战性的难题：每当模型学习新任务时，参数更新往往会覆盖历史知识，产生经典的 “灾难性遗忘” 难题。持续学习（Continual Learning）正是为突破这一瓶颈而生的研究方向。
