AI Agent News
实时追踪 AI Agent 赛道的重大事件、融资动向、模型发布和技术突破
最新行业资讯
实时追踪 AI Agent 赛道的重大事件、融资动向、模型发布和技术突破
重大事件时间线
OpenClaw GitHub 爆发
OpenClaw 10 天冲上 GitHub 全球 Top 10，超越 Linux 内核 Star 增速
Meta 20亿收购 Manus
Meta 以 20 亿美元收购 Manus AI，通用 Agent 赛道正式被巨头锁定
DeepSeek-V3 开源
性价比之王，成本仅 GPT-4 的 5%
Manus 一夜爆火
全球首款通用 AI Agent 在国内社交平台引发空前关注
OpenAI Deep Research
OpenAI 推出深度研究 Agent，一键生成专业研究报告
MCP Server 破 500
MCP 生态爆发，3 个月构建 500+ Server
DeepSeek-R1 震惊全球
开源推理模型，成本仅 OpenAI 的 3%，引发全球 AI 格局震动
MCP 协议诞生
Anthropic 发布 Model Context Protocol，成为 Agent 接口事实标准
Claude Computer Use
Anthropic 让 AI 首次直接操控电脑屏幕，开创计算机使用新范式
Replit Agent 全栈自动化
自然语言到上线产品，面向非工程师
Cursor ARR 破亿
史上增长最快 SaaS，AI 编程工具新王者
Claude 3.5 登顶 SWE-bench
最强编程 AI，Bug 修复能力达到初级工程师水平
Devin 发布
全球首个自主 AI 软件工程师，能独立完成完整编程任务
黄仁勋：Prompt正在过时，Loop才是新范式
英伟达CEO黄仁勋近日提出，AI编程正从Prompt Engineering转向Loop Engineering，即通过设计自动化循环系统让AI自主迭代任务，而非逐条编写提示词。这一观点得到“龙虾之父”Peter、“Claude Code之父”Boris Cherny、吴恩达等多位AI领袖的呼应。 ## 什么是Loop Loop的核心是让AI自主运行、验收和迭代：用户定义目标，AI自行执行、检查结果，不合格则自动重试，直至通过或达到预算上限。与Agent不同，Agent是执行者，Loop是管理机制，使Agent无需人工持续干预。 ## 产品落地：Claude Code与OpenAI Codex 当前Loop理念已体现在两大产品中： - **Claude Code**：提供`/loop`（定时循环）、`/goal`（目标驱动）、`/schedule`（云端定时任务）。其中`/goal`采用“写验分离”设计——大模型写代码，独立小模型Haiku负责验收，避免自我评分偏差。 - **OpenAI Codex**：采用自动化流水线+目标驱动+多子Agent模式，最多可同时运行8个Agent在云端沙箱中并行工作，最后汇总结果。 两者实现路径不同，但最终形态相似：将复杂任务拆解，多Agent并行执行，统一汇总。社区评测显示两者表现接近，表明模型能力趋同，差距在于上层Loop编排。 ## 实践指南与避坑 X博主Codez总结的14步实操要点： 1. **4条件测试**：任务是否重复？有无自动化验收？Token预算是否充足？Agent是否有高级工具？全部满足才值得建Loop。 2. **最小可行Loop**：包含触发器、技能（项目上下文）、状态文件（记录进度）、门禁（自动检查）。顺序：先手动跑通→写成Skill→包进Loop→最后定时。 3. **写验分离**：写代码和验收必须用不同模型，避免自我评分过松。 4. **常见陷阱**：缺乏硬停止条件（需设Token/迭代/时间上限）、状态不落地（需写入文件）、让Loop处理需判断的任务（如架构重写、支付逻辑）、不读Diff导致“理解力债务”。 5. **核心指标**：每个被接受改动的平均成本。若接受率低于50%，说明Loop在亏钱。 ## 范式演进：从Prompt到Loop Loop Engineering概念虽仅出现不到三周，但演进路径清晰： - **Prompt Engineering（2023-2024）**：专注提示词编写。 - **Context Engineering**：优化上下文提供。 - **Harness Engineering**：设计工具和框架。 - **Loop Engineering**：构建自主循环系统。 Boris Cherny的实践展示了终极形态：他自2024年11月起卸载IDE，手下数百个Agent并行工作，所有代码由Claude Code编写，大部分在手机上完成。Agent之间互相提示，无需人工审核。 ## 影响与展望 Loop范式将开发者角色从“指令输入者”转变为“规则设计者”，有望大幅提升AI编程效率。但专家提醒，Loop适合“对错清晰、机器可验证”的任务，而架构决策、支付逻辑等仍需人工介入。
翁荔万字长文剖析Scaling Law：OpenAI与DeepMind结论分歧，Chinchilla公式存方法论瑕疵
前OpenAI副总裁、北大校友翁荔（Lilian Weng）在拖更三年后，于2025年6月24日发布博客《Scaling Laws, Carefully》，系统梳理了Scaling Law的预测框架、计算最优分配争议、数据限制及拟合细节问题。文章指出，OpenAI 2020年与DeepMind 2022年关于算力最优分配的研究结论相反（模型与数据增长比例分别为0.73和0.50），分歧根源在于参数统计口径差异和实验规模不足。更令人意外的是，被全行业奉为圭臬的Chinchilla公式本身存在方法论瑕疵：损失函数误用均值而非求和导致优化器提前收敛，关键参数仅保留两位小数使置信区间过窄。此外，Scaling Law默认数据无限供应，但高质量文本数据即将耗尽，行业正转向强化学习、测试时计算和合成数据。博客附有交互式模拟器，直观展示拟合参数变化对结论的影响。
谷歌工程师因开发爆火CLI工具被解雇，Codex等公司争相抢人
谷歌工程师Justin Poehnelt因开发并开源了广受欢迎的Google Workspace CLI（gws）工具，于2026年6月被公司解雇。该工具在GitHub上获得近3万星标，并登顶Hacker News榜首。然而，谷歌法务部门以项目仓库中使用了谷歌Logo和品牌配色为由展开调查，随后Poehnelt被解雇。讽刺的是，就在他被解雇前两天，谷歌在Cloud Next 2026大会上宣布将推出官方版Workspace CLI。 ## 事件经过 - **项目爆火**：Poehnelt在谷歌DevRel团队工作近7年，于2026年3月发布gws工具。该工具用Rust编写，运行时动态读取Google Discovery Service，自动生成命令，覆盖Gmail、Drive、Calendar等所有Workspace服务，并内置40多个AI Agent技能文件，输出结构化JSON。项目上线后迅速登顶Hacker News（953分、285条评论），GitHub星标飙升至2.8万以上。 - **内部反应**：谷歌Cloud AI总监Addy Osmani在X上发文推广，主管和总监们纷纷向Poehnelt请教设计思路。但法务部门随后介入，质疑为何项目仓库中使用了谷歌Logo和品牌配色。尽管项目托管在谷歌官方GitHub组织下，Poehnelt仍被解雇。 - **官方跟进**：解雇前两天，谷歌在Cloud Next 2026大会（超3.2万人参会）上宣布将推出官方版Workspace CLI，功能与gws高度重合。 ## 各方反应 - **当事人观点**：Poehnelt在X上公开经历，帖子浏览量超400万。他认为真正原因不是Logo问题，而是“Workspace和某些领导害怕被AI Agent颠覆”。他写道：“这种恐惧并非针对我的CLI，而是一种更广泛的担忧——AI Agent对Workspace到底意味着什么。” - **行业大佬声援**：OpenClaw之父Peter Steinberger转发并嘲讽：“谷歌开除了那个做出Google Workspace CLI的人，原因是他做出了Google Workspace CLI。算我走运，谷歌开不了我。”他随即邀请Poehnelt加入Codex团队。OpenRouter、Vercel等公司CEO也公开抛出橄榄枝。 - **网友评论**：大量网友批评谷歌“卸磨杀驴”，有前员工指责Cloud领导层“只会搞人事政治和建帝国”。 ## 人才流失背景 - **同期离职**：Addy Osmani（谷歌14年老兵，Chrome和Cloud AI负责人）也在同期离开谷歌。Transformer论文核心作者、Gemini联合负责人Noam Shazeer于6月18日跳槽OpenAI；诺贝尔化学奖得主、AlphaFold之父John Jumper于6月20日加入Anthropic。Gemini核心开发者Jonas Adler和Alexander Pritzel也双双跳槽Anthropic。 - **市场影响**：人才流失消息导致Alphabet股价盘中大跌近7%，收盘跌超5%，创近一年最差单日行情。 ## 项目技术亮点 - **设计哲学**：gws采用“Agent-first”理念，区分Human DX和Agent DX。Agent DX输出结构化JSON，支持field masks减少数据量、NDJSON分页流式输出、dry-run模拟执行、输入验证防注入等。 - **架构**：两阶段解析策略，运行时读取Discovery Document并缓存，动态构建命令树。内置100多个Agent Skills（SKILL.md文件），覆盖所有API及常见工作流。 - **意义**：该工具将Workspace从“用户手动操作”转变为“AI Agent自动执行”的基础设施，直接挑战了谷歌现有产品模式。
OpenAI联合博通发布自研推理芯片Jalapeño，9个月流片创纪录
2026年6月24日，OpenAI联合博通正式发布首款自研推理加速芯片Jalapeño，专为大语言模型推理场景定制。该芯片从设计到流片仅耗时9个月，创下高性能ASIC开发周期新纪录。工程样片已成功运行GPT-5.3-Codex-Spark等前沿模型，早期测试显示每瓦性能大幅领先当前主流AI加速硬件。 ## 芯片设计与合作 Jalapeño由OpenAI主导架构设计，博通负责芯片实现与网络互联，Celestica承担板卡与系统集成。芯片架构针对大模型推理优化，通过减少数据搬运、平衡算力与内存资源，提升实际利用率。博通Tomahawk交换芯片为大规模部署提供底层支撑。OpenAI硬件团队由前谷歌TPU高级工程总监Richard Ho领导，其团队利用自研AI模型辅助芯片设计，加速了开发流程。 ## 性能与部署 OpenAI尚未公布具体性能基准，但表示早期测试显示每瓦性能显著优于当前最先进水平。Jalapeño计划于2026年底在微软等合作伙伴的数据中心启动首批部署，目标建设吉瓦级超大规模集群。该芯片是双方多代AI计算平台的首款产品，未来将持续迭代。 ## 对英伟达的影响 Jalapeño的推出可能对英伟达产生多方面影响： - **短期**：OpenAI自身推理GPU采购将大幅削减，推理成本预计下降约50%；高速网络业务转向博通以太网方案，替代英伟达NVLink。 - **中长期**：推理市场ASIC份额持续增长，Counterpoint预测2026年定制ASIC在推理服务器占比达27.8%；Meta、Anthropic等可能跟进自研芯片，形成ASIC阵营。 - **生态**：推理场景对CUDA依赖减弱，ASIC可配套轻量化软件栈；OpenAI实现“模型-芯片-数据中心”全栈自研，削弱英伟达中间商地位。 ## 行业背景与趋势 OpenAI是继谷歌、亚马逊、微软、Meta之后又一家自研AI芯片的科技巨头。谷歌TPU（2016年）、亚马逊Inferentia（2018年）和Trainium（2022年）、微软Azure Maia（2023年）均先后面世。OpenAI总裁Greg Brockman表示，算力驱动经济时代，自主掌控硬件是核心战略。Jalapeño的快速流片验证了“AI大厂+芯片代工厂”定制ASIC模式的高效性，可能加速行业自研浪潮。
Karpathy投资AI记忆公司Engram，9800万美元融资打造持续学习层
一家名为Engram的AI初创公司近日公开亮相，并宣布完成9800万美元融资，投资方包括General Catalyst、Kleiner Perkins、Sequoia等头部风投，知名AI学者Andrej Karpathy、Pieter Abbeel等也作为投资人/顾问参与。Engram成立于2024年10月，孵化于斯坦福AI实验室，团队仅13人，估值已达约6亿美元。 ## 核心定位：为AI构建持续学习的“记忆层” Engram致力于解决大模型在企业场景中的“健忘”问题——模型虽能处理通用知识，但对组织内部的项目决策、历史讨论等私有上下文并不熟悉，导致每次对话需重复提供背景，成本高且易出错。Engram提出将“上下文”转化为模型能力：通过离线训练让模型提前学习GitHub、Slack、Notion等企业数据，而非每次临时检索。其目标是实现从每天到每小时、最终每分钟的数据更新频率，使模型在使用中持续改进。 ## 技术亮点：Cartridges与记忆压缩 Engram的核心技术之一是Cartridges，由CTO Sabri Eyuboglu（斯坦福团队，导师为联合创始人Chris Ré）主导。该方法通过“self-study”流程：让模型围绕语料生成大量合成对话，再将“学习痕迹”蒸馏为紧凑缓存。据称，处理一份7万字的法律合同时，传统方式内存占用超100GB，而Cartridges可将内存降至约1/40，解码吞吐量提升25倍以上。Engram还采用“推理层”与“记忆层”分离的架构，使模型能在几秒到几小时内实时吸收新数据，无需重训。 ## 早期合作与产品 Engram的首个产品是面向Agent的API，服务于大型知识工作区。已公布的合作方包括：Notion（构建理解大型工作空间的Custom Agents）、Harvey（律所和企业知识场景）、Microsoft（M365中的定制化Agent）。这些场景均具有知识密度高、上下文复杂的特点。 ## 团队背景 CEO Dan Biderman拥有哥伦比亚大学计算神经科学博士学位，曾在斯坦福AI实验室做博士后，研究记忆与遗忘。团队13人来自斯坦福、伯克利、康奈尔，多名成员拒绝了Anthropic和谷歌的offer加入。公司聚焦持续学习、上下文压缩、检索增强、LoRA、合成数据等方向。 ## 行业意义 Engram押注一条新的Scaling方向：将算力投入私有上下文的持续学习，而非单纯扩大模型规模。其目标是从“天才陌生人”转变为真正理解用户和组织的AI，被视为通往通用人工智能（AGI）乃至超级智能（ASI）的关键拼图之一。
Momenta冲刺港股IPO：物理AI第一股，世界模型量产落地
Momenta（梦腾智驾环球有限公司）已通过港交所上市聆讯，预计6月底启动招股，有望成为“物理AI第一股”。公司定位从自动驾驶升级为物理AI基座模型构建者，其R7世界模型已实现量产，搭载于上汽大众ID. ERA 9X等车型。 ## 核心数据与商业表现 - **营收**：2023-2025年从7.43亿元增至24.13亿元，三年翻三倍，年均复合增长率超80%。 - **许可收入**：从0.23亿元激增至9.68亿元，三年翻42倍，体现高边际收益的License fee模式。 - **市占率**：2025年3月至2026年2月，中国第三方城市NOA供应商市场中，Momenta市占率达65%，行业第一。 - **量产规模**：搭载其系统的量产车超90万台，累计交付车型超100款，定点车型超210款；最快不到40天完成10万台交付。 - **客户**：全球前十大车企中9家合作，包括奔驰、宝马、奥迪、丰田、大众、比亚迪等。 - **研发投入**：2025年研发投入18.69亿元，占收入77.5%，近三年累计46.6亿元；研发人员1157名，占比82%。 - **现金储备**：截至2025年底超100亿元。 ## 技术架构：R7世界模型 Momenta的R7世界模型采用三层架构： 1. **世界模型预训练**：基于120亿公里真实行驶里程提炼的1亿段“黄金数据”，压缩物理规律与因果关系。 2. **世界模型仿真**：生成模型推演长尾场景，进行闭环测试，效率远超实车路测。 3. **强化学习**：通过奖惩机制在虚拟交互中自主优化决策，使模型在极端场景下超越人类水平。 该模型直接用于端到端基座模型预训练，而非仅作为仿真工具，形成技术代差。 ## 战略定位与行业背景 Momenta从创业之初坚持“一个飞轮，两条腿”策略：数据驱动的飞轮，L2量产辅助驾驶与L4 Robotaxi共用同一套软件算法和世界模型。L2量产车提供数据和收入，支撑模型迭代；迭代后的模型部署于Robotaxi（已落地上海、苏州、慕尼黑、阿布扎比等），极端场景反哺训练。 物理AI被视为继生成式AI后的下一波浪潮，世界模型是核心基座。英伟达CEO黄仁勋多次强调这一方向，并推出全模态世界模型Cosmos 3。Momenta率先将世界模型量产落地，成为该赛道的先行者。 ## 风险与挑战 - 自动驾驶技术向机器人等物理AI终端迁移尚无成熟方法论。 - “预测下一个物理状态”与“预测下一个token”是否本质相同，学术圈仍有争议。 - 行业竞争激烈，特斯拉、英伟达等巨头也在布局世界模型。
斯坦福报告：中国自主培养的顶尖AI人才加速崛起，美国面临双重挑战
2026年6月15日，斯坦福大学胡佛研究所与人类中心人工智能研究院（HAI）联合发布白皮书，追踪了DeepSeek七篇核心论文（包括V3.2、V4等）背后356名研究者的职业轨迹。报告核心发现：53.5%的研究者从未离开中国，31位核心团队成员中有10人完全由中国本土教育体系培养；80位有美国经历的研究者平均被引4108次，为学术成就最高群体，但其中70.3%最终回到中国。报告指出美国面临两大挑战：一是难以留住经其体系训练的高端人才，二是中国本土人才供应链已能独立产出前沿模型核心贡献者，限制人才流动的策略已失去一半效力。 ## 人才结构：本土管道与海外回流双轨并行 报告将分析范围从2025年的5篇论文扩展至7篇，作者池从223人增至356人，其中282人可通过OpenAlex构建完整履历。团队一年内扩张57%，同期仅33人离开，呈现“招4走1”的稳定增长。31位研究者（8.7%）出现在全部七篇论文中，构成核心团队；136人仅出现在一篇论文上（38.2%），显示大量轮换式贡献。 - **本土培养**：271位有机构归属记录的研究者中，145人（53.5%）从未与中国以外机构产生关联。31位核心成员中，10人完全由中国本土教育体系培养，参与构建了推理基准测试对标OpenAI o1的DeepSeek-R1模型。 - **海外回流**：80位有美国经历的研究者中，最常见的流动模式是“中国→美国→中国”（38.8%），其次为“起点在美国，终点在中国”（23.8%），仅12.5%留在美国。13位在美深耕五年以上的研究者累计在美学术机构度过119年以上，其中9人最终回到中国。 ## 机构网络扩张与学术影响力提升 支撑本土人才管道的机构网络快速扩张：中国科学院关联研究者从53人翻倍至104人，清华大学从16人增至46人，浙江大学从8人增至25人，东南大学、北航、兰州大学等也显著增长。DeepSeek的人才供给来自广泛的中国高校网络，而非少数精英院校。 团队学术成熟度显著提升：全体作者中位引用量从249翻倍至681，核心团队平均引用量从1554跃升至2470。与美国头部实验室对比，DeepSeek的学术影响力分布更均匀：其中位引用量是均值的35%，而OpenAI仅为4%（均值2481.5，中位数100.5），显示DeepSeek对少数明星的依赖更低。 ## 美国面临的双重挑战 报告将美国困境拆解为两个独立问题： 1. **人才留存**：80位经美国体系训练的研究者是DeepSeek学术成就最高的群体（平均引用4108次），但多数已回流中国。美国移民制度（绿卡排期近五年、H-1B新规增加成本）可能加速这一过程。 2. **本土管道竞争**：53.5%的研究者从未离开中国，任何签证政策都触及不到他们。10位核心成员在无海外经历情况下参与构建前沿模型，表明中国已具备独立产出能力。报告建议美国关注K-12和理工科高等教育改革，但承认这是长期工程。 报告强调，已随研究者转移的知识无法通过事后出口管制追回，限制未来准入仅解决部分问题。美国内部辩论目前多围绕第一个挑战展开。
智谱AI市值突破万亿港元，GLM-5.2发布巩固技术领先地位
2026年6月22日，智谱AI（股票代码：XXXX）在港交所收盘报2410.000港元，总市值达1.07万亿港元，成为首家以AI原生身份在二级市场实现万亿市值的中国公司。自1月8日以116.20港元发行上市以来，股价累计涨幅接近20倍。 ## 员工造富效应 根据招股书，截至2025年6月末，公司总股本4.46亿股，452名员工通过持股平台持有51.2%股份，对应市值约1789亿港元，人均账面财富约4亿港元。创始团队中，首席科学家唐杰直接持股6.1%，市值约652亿港元；联合创始人李涓子持股0.76%，市值约81亿港元；董事长刘德兵持股0.21%，市值约22亿港元；CEO张鹏持股0.09%，市值约10亿港元；联合创始人许斌持股0.18%，市值约19亿港元。五位清华系创始人直接持股合计近800亿港元。 ## 技术突破：GLM-5.2发布 同日，智谱发布旗舰模型GLM-5.2，核心升级包括： - **1M上下文窗口**：采用IndexShare架构，每4层共享索引器，单token计算量降低2.9倍；优化MTP推测解码，接受长度提升20%。 - **基准测试表现**：在长时序软件工程基准FrontierSWE、PostTrainBench、SWE-Marathon中均为开源模型第一，仅小幅落后闭源Opus 4.8，全面超越GPT-5.5、Gemini 3.1 Pro；常规代码基准Terminal-Bench 2.1得分81.0（GLM-5.1为63.5），SWE-bench Pro得分62.1（GLM-5.1为58.4）。 - **网页设计能力**：在Design Arena单轮HTML设计榜单中超越Claude Fable 5、Opus系列等闭源模型，排名第一。模型参数744B，无视觉模块，百万Token输入/输出定价1.4/4.4美元，远低于Fable 5的10/50美元。 - **开源协议**：采用MIT许可证，权重开放，支持vLLM、SGLang等本地推理框架。 ## 市场与行业影响 摩根大通重申“增持”评级，认为智谱正复制Palantir路径，以政府和大企业合同构建AI基础设施护城河。GLM-5.2的发布进一步巩固了其技术领先地位，并证明开源模型可在多项基准上超越闭源方案，大幅降低AI开发门槛。
谷歌48小时内连失两位AI核心科学家：Noam Shazeer与John Jumper分别加盟OpenAI和Anthropic
2026年6月，谷歌DeepMind在48小时内连续失去两位重量级AI科学家。6月17日，Gemini联合负责人、Transformer论文作者Noam Shazeer宣布离职并加入OpenAI；6月19日，诺贝尔化学奖得主、AlphaFold之父John Jumper宣布转投Anthropic。 ## 事件背景 - **Noam Shazeer**：Transformer论文《Attention Is All You Need》作者之一。2021年离开谷歌创办Character.AI，2024年谷歌以约27亿美元将其与团队重新带回。不到两年后再次离职，加入OpenAI。OpenAI CEO Sam Altman称Shazeer是“从创立之初最想合作的人之一”。 - **John Jumper**：谷歌DeepMind资深研究员，2024年与Demis Hassabis共同获得诺贝尔化学奖。他领导的AlphaFold已预测超2亿种蛋白质结构，对生物学和药物研发影响深远。Jumper还是谷歌AI编程开发团队核心成员。 ## 离职原因分析 - **大公司病**：多位评论指出，谷歌内部官僚主义严重，计算资源内耗（如原Google Brain与DeepMind融合中的资源争夺），跨部门协同繁琐。Transformer作者之一Llion Jones曾表示“官僚体系让我感觉什么事都推进不了”。 - **战略分歧**：谷歌领导层对Scaling Law缺乏绝对信仰，曾将TPU算力卖给竞争对手Anthropic。谷歌试图面面俱到，缺乏初创公司“All in LLM”的专注度。 - **激励机制**：前员工指出，谷歌内部鼓励造新项目以获取晋升，导致产品重复（如多个AI编程工具），维护现有产品缺乏价值。 - **薪酬与期权**：OpenAI和Anthropi临近IPO，Pre-IPO股票期权对顶级人才吸引力巨大，成熟上市公司难以抗衡。 ## 影响与行业反应 - **对谷歌的打击**：Shazeer的离开使Gemini未来蒙上不确定性，有员工称“他救了Gemini”。Jumper的离职则加剧了谷歌在AI编程工具和AI for Science领域的竞争压力。分析师Gil Luria表示，前沿AI实验室愿意不惜代价招揽人才，OpenAI和Anthropic因更少官僚作风而占优。 - **Anthropic的布局**：Jumper加入Anthropic，标志着其从大语言模型向AI for Science领域扩展。此前Anthropic已收购生物AI公司Coefficient Bio，并推出Claude for Life Sciences。此举可能直接与谷歌旗下Isomorphic Labs竞争。 - **行业趋势**：硅谷风投SignalFire数据显示，Anthropic两年员工留存率高达80%。网友评论“过去的12个月完全属于Anthropic”，其团队已吸纳多位顶级人才。 ## 数据与现状 - 谷歌Gemini 3.5 Pro多次跳票，公开榜单显示Gemini 3.1 Pro得分约46分，落后于Anthropic的Claude Fable 5（64.9分）和中国开源模型GLM-5.2（51分）。 - 内部员工透露，团队对模型能力掉至“第三甚至第四”感到沮丧，并称“不能怪Noam离开，他不会是最后一个”。