歸剛誒AI

Databricks 週四宣布完成新一輪募資，估值來到 1,880 億美元，由 Coatue 領投。公司沒有揭露確切金額，只說資金今夏稍晚才會到位，外媒隨後報導本輪約 30 億美元。回看它的募資節奏會發現一條陡峭的曲線：2024 年 12 月以 620 億估值募 100 億美元、2025 年 9 月以 1,000 億估值募 10 億、2026 年 2 月以 1,340 億估值完成 50 億的 L 輪，到這次的 1,880 億——五個月內估值又漲了 540 億美元。輪次多到網友開玩笑說要開始關注「Series AA」什麼時候出現。

支撐估值的敘事是一場成功的形象改造。Databricks 創立於 2013 年大數據時代，靠企業雲端資料儲存與分析起家；因為早就坐擁企業資料，當客戶開始要求「跟傳統企業軟體同級的安全與治理」的 AI 時，它順勢接住需求，陸續推出為 AI 代理打造的資料庫 Lakebase、AI 閘道 Unity，以及管理多代理的「meta-harness」Omnigent。

更有意思的是它在開源賽道的角色。Databricks 是企業採用中國開放權重模型控制成本的指標案例，特別力捧 Z.ai 的 GLM 5.2 當程式碼模型。執行長 Ali Ghodsi 上週公開內部評測結果：為了管好自家 3,000 名工程師的 AI 帳單，公司直接拿工程師的真實任務比較各家模型。搭配本站昨日報導微軟訓練業務「唱衰」對手主打省錢，可以看出 2026 年企業 AI 的主旋律已從「誰最強」轉成「誰划算」。

歸剛點評：Databricks 是把「賣鏟子」哲學玩得最順的公司——模型大戰它不下場，資料、治理、代理管理層它全包，而且誰的模型便宜就幫客戶接誰。1,880 億估值約是 Snowflake 市值的兩倍多，已經在對 IPO 定價喊話。它跟 OpenAI 一樣在排隊上市，但手上的企業合約現金流紮實得多，屆時公開市場給誰面子，會是 AI 估值體系的一次期中考。

Mozilla 週四發布第一版《The State of Open Source AI》報告，技術長 Raffi Krikorian 在開頭的信裡舉了幾個場景：紐西蘭毛利語廣播電台自己訓練語音模型、PwC 微調開放模型服務數百家客戶且不必按 token 計費、東非農民用離線手機模型診斷木薯病害、瑞士公共財團在國家超級電腦上訓練模型並公開全部權重、資料與訓練程式碼。他的結論一句話：他們擁有這些模型，正是重點所在。

報告給出的數字比敘事更有力。Chatbot Arena 上開放與閉源模型的差距，24 個月內從 8.04% 縮到 0.5% 再回到 3.3%——閉源在推理與多模態仍領先，但程式碼能力已經打平。價格面更劇烈：GPT-4 級推論成本 36 個月內從每百萬 token 20 美元跌到 0.4 美元，跌了 50 倍。使用面則出現關鍵翻轉：多數生產環境 token 已經跑在開放權重模型上，OpenRouter 流量前五大模型清一色是開放模型。報告的判斷是：模型能力正在商品化，價值往上移到代理框架層。

Mozilla 也不諱言寫報告的私心。Krikorian 把當下比作 25 年前的瀏覽器大戰：當年有公司想獨佔網路的大門，開源社群用 Firefox 擋了下來；如今同樣的劇本在 AI 上重演。搭配本站昨日報導 Kimi K3 漲價到 Claude Sonnet 等級、以及今日 Databricks 力推 GLM 5.2，開放權重陣營從「便宜替代品」變成「主流選項」的路徑越來越清楚。

歸剛點評：值得注意的是報告自己承認的弱點——推理與多模態的頂尖戰場還是閉源的天下，而且「多數生產 token」這個統計取樣自 OpenRouter 這類本來就偏開源友善的管道，實際企業內部佔比可能沒這麼高。但方向難以反駁：當能力差距縮到個位數、價格差 50 倍，「什麼時候該用閉源旗艦」反而變成需要特別論證的例外，預設答案已經換邊了。

創作者訂閱平台 Patreon 週四宣布強化反 AI 抓取措施：與 Cloudflare 合作導入 AI Crawl Control 技術，直接封鎖為訓練 AI 模型而抓取創作者內容的爬蟲。過去的做法是在 robots.txt 裡「請求」爬蟲別抓——一種靠對方自律的君子協定；現在改成主動攔截。官方部落格說得直白：「同意與否，不該取決於爬蟲願不願意守規矩。」

測試數據揭了爬蟲的底：導入封鎖後，單一 AI 訓練爬蟲對 Patreon 的每週存取嘗試從數千次直接歸零。換句話說,這些爬蟲此前一直無視 robots.txt 的請求照抓不誤。Patreon 表示 2023 年就開始佈防，但近年推出的首頁改版與類推文功能 Quips 讓更多內容暴露在付費牆外，抓取手法也越來越刁鑽，才需要升級成硬封鎖。純索引、會把使用者導回 Patreon 的爬蟲仍然放行。

Patreon 不是孤例，背後是 Cloudflare 把「擋 AI 爬蟲」做成了產品線：本月初它改了政策，凡是「既索引又訓練」的混用爬蟲，在有廣告的頁面上預設一律封鎖，另外還有讓網站向 AI 爬蟲收費的 Pay Per Crawl 市集。產品長 Drew Rowny 的說法點出定位差異：在多數網路上，創作者為了觸及觀眾只能默默接受 AI 拿作品去訓練，Patreon 想給的是說不的權利。

歸剛點評：從勸阻到硬擋的轉變，等於宣告 robots.txt 這套 1994 年的君子協定在 AI 時代正式失效。「數千次歸零」是很難看的證據——大方承認整個行業一直在裝沒看到。接下來的賽局在 Cloudflare 手上：它坐在全球兩成網路流量的閘道上，一旦「預設封鎖＋付費放行」成為標準配置，AI 公司的訓練資料成本結構會被整個改寫，這對靠免費爬取起家的模型廠是實打實的地殼變動。

舊金山檢察長 David Chiu 本週向 Apple 與 Google 發出停止並終止函，要求從應用商店下架 13 款所謂 nudify（脫衣）應用——Apple 商店 8 款、Google Play 5 款。Wired 檢視了信件內容：這類工具能輕易把普通照片變成裸露影像，脫掉衣物、改變體態、把受害者的臉換到他人裸體上，受害者以女性與兒童為大宗。信中警告，讓這些 App 上架違反加州禁止支援深偽色情服務的法律。

Chiu 的指控不只針對開發商，更直指平台的抽成生意：他的辦公室估計，Apple 與 Google 多年來對這些 App 放任不管、照常收取上架抽成，可能已「賺進數百萬美元」的費用。其中一款被點名的 App 下載量超過百萬次，公然宣傳能把女性照片性化、製作「免費無審查」影片。Chiu 受訪時說,這個產業對受害者的名譽與心理健康造成可怕影響，已有受害者出現輕生傾向。Google 發言人回應，被點名的五款已因違反政策從 Play 商店停權。

值得對照的是，兩大平台的內容審查機制向來以嚴格著稱——遊戲裡多一滴血、訂閱按鈕擺錯位置都會被退件，但年下載百萬的脫衣 App 卻能長期存活還完成內購分潤。San Francisco 這一步的殺傷力在於把「平台責任」跟「平台獲利」綁在一起：不是你沒看到，是你一邊看一邊收錢。

歸剛點評：加州選在州層級動手很聰明——聯邦層級的 AI 監管吵了兩年還在原地，州檢察長一封停止函就讓 Google 當天下架。對台灣讀者的參考價值在於：這類工具的受害者早就不限美國，用「平台抽成」當突破口比追開發商有效率得多，開發商可以換皮重上，平台的收款帳戶跑不掉。預期會看到更多州檢察長照抄這份劇本。

AI 推論雲新創 General Compute 宣布從科技投資公司 Upper90 取得 4 億美元貸款，抵押品是推論專用晶片——專門拿來跑已訓練好的模型、而非訓練模型用的高價 GPU。TechCrunch 指出，這可能是史上第一筆以推論晶片作為擔保的融資。General Compute 由執行長 Finn Puklowski 與技術長 Jason Goodison 創立，五月才完成 1,500 萬美元種子輪，圍繞 Intel 投資的晶片商 SambaNova 的 SN50 晶片打造推論專用雲。

SN50 的賣點是省：耗電低、不需要昂貴的水冷系統，可以更快部署到更多種資料中心，公司宣稱推論速度比 GPU 雲快 16 倍。放貸方 Upper90 的操作也有脈絡可循——共同創辦人 Billy Libby 是前高盛量化交易員，2021 年就替能源資料中心新創 Crusoe 做過第一筆 GPU 抵押貸款，當時傳統銀行嫌 GPU 折舊風險太高不敢碰；後來 CoreWeave 把晶片抵押貸款玩成商業模式、再玩成重磅 IPO，這種融資如今已是行業標配。

這筆交易真正的訊號在賽道切換：市場對 AI 工具與 token 價格的焦慮，正在把資金推向「用更便宜的基礎設施跑開源模型」。對照本站今日報導 Mozilla 指出多數生產流量已在開放權重模型上、以及昨日能源 IPO 募資創本世紀最快紀錄，資本正沿著「訓練→推論、閉源→開源、GPU→專用晶片」三條軸線同步移動。

歸剛點評：金融圈願意收推論晶片當抵押品，代表他們認為這東西的殘值曲線可以算——比起訓練用 GPU 一代換一代的暴力折舊，推論晶片跑的是已定型的模型，生命週期反而更好預測。不過 16 倍速度是廠商自報數字，SambaNova 這幾年在推論晶片市場一直雷聲大雨點小，4 億美元等於是替它的產品力開了一張大額保單，一年後回頭看這筆帳就知道保單有沒有理賠。

OpenAI 財務長 Sarah Friar 週四在官網發表〈AI 時代的計分卡〉一文，提出一套衡量 AI 投資報酬率的框架。四個核心指標：有用的工作量（useful work，AI 實際完成了多少有價值的產出）、每次成功任務的成本（cost per successful task）、可靠度（dependability）、以及算力報酬率（return on compute）。訴求對象很明確——那些已經砸錢買了 AI 工具、卻還在用「員工好像變快了」這種模糊感覺向董事會交代的企業。

四個指標裡最鋒利的是「每次成功任務的成本」：分母不是 API 呼叫次數也不是 token 量，是「成功完成的任務」。同一件事讓代理重試五次才做對，成本就是五倍；模型單價再便宜，失敗率高照樣是賠錢貨。把「可靠度」獨立成一軸也是同樣邏輯——企業要的不是偶爾驚豔的天才，是每次都及格的員工。

由賣方的財務長來教買方怎麼算帳，時機不是偶然。本站今日報導的 Mozilla 開源現況指出開放權重推論成本 36 個月跌了 50 倍，昨日也報導過微軟訓練業務主打自家模型更省更划算——當「便宜」成為對手的主武器，OpenAI 的回應是把戰場從單價移到「每次成功的總成本」，言下之意是：我們的模型貴，但一次就做對。

歸剛點評：這套框架本身是好東西，台灣企業導入 AI 時直接拿去用都不吃虧——特別是「每次成功任務成本」這個指標，能戳破九成 AI 導入簡報的泡泡。但要記得出題者的立場：計分卡的每一軸都恰好是頂級閉源模型的主場，沒有一軸叫「資料主權」或「供應商綁定風險」。用人家的考卷考試，就別怪出題老師都考自己的強項。

以「在自己電腦跑大模型」起家的 LM Studio 週三發布 Bionic，定位是「為開放模型而生的 AI 代理」，官方稱這是產品史上最大的一步。Bionic 能做的事對齊主流代理：檢視並修改本機程式碼庫、附帶行內 diff 審查、代理式程式碼搜尋，也能處理文件、簡報、試算表，在沙箱環境裡整理資料夾、編輯檔案、自動建立檢查點供回滾。模型面預設搭配 GLM 5.2 與 Kimi K2.7 Code 等開放模型。

架構上給了三段式選擇：純本機跑小模型、透過 LM Link 連自己的遠端機器、或用 LM Studio Secure Cloud 呼叫最大型的前沿開源模型，讓使用者按任務挑模型與算力環境控制開銷。語音輸入是另一個亮點——內建 Mistral 的 Voxtral 多語即時轉錄模型，完全在本機離線執行，還能當系統級語音鍵盤在任何 App 裡聽寫。隱私承諾下得很重：所有 Bionic 使用者一律零資料保留、絕不拿使用者資料訓練。

放進本站今日的版圖看，拼圖就齊了：Mozilla 報告說開放權重已扛起多數生產流量、模型能力商品化後價值上移到「代理框架層」——Bionic 正是衝著這一層來的。Claude Code、Codex 等閉源代理的體驗優勢，過去是開源陣營最痛的缺口；現在有人把同級的代理外殼套在開放模型上，還附贈隱私與成本控制。

歸剛點評：對台灣中小企業和開發者，Bionic 這類工具的實用意義是「機密不出門」——法務文件、客戶資料、未發表的程式碼丟給本機模型處理，資安審查一次過關。M 系列 Mac 跑 GLM 5.2 量級的模型已經堪用，本站讀者裡用 Mac mini 的可以直接試。真正的考驗是代理的細節打磨：規劃、工具呼叫、錯誤恢復這些髒活，閉源大廠燒了兩年才磨出來，LM Studio 能不能用開源速度追上，下載回來跑一週就知道。

分析師警告了幾個月的「AI 記憶體排擠效應」，在印度出現第一個大規模實證。Counterpoint Research 數據顯示，全球第二大智慧手機市場印度，4 到 6 月出貨量年減 10%，創六年來最深的六月季跌幅。原因鏈條很清楚：三星、SK 海力士、美光把產能轉向 AI 加速器用的高頻寬記憶體（HBM），因為每片晶圓利潤高得多；一般手機筆電用的標準記憶體產能被壓縮、成本上漲，手機廠只能漲價，消費者接著縮手。

印度受創比別人重是結構問題。Counterpoint 研究副總裁 Tarun Pathak 指出，印度約六成手機市場集中在 2 萬盧比（約 210 美元）以下的價格帶，記憶體漲價對這個級距的終端售價衝擊最大；對照之下，中國同季出貨只跌 2%。印度有超過 7 億智慧手機用戶、14 億人口，一直是價格敏感市場的風向標，這裡的購買行為變化，晶片供應商和投資人都當成 AI 供應鏈健康度的溫度計在看。

值得留意的是傳導速度：HBM 排擠效應從記憶體現貨價上漲，到反映在新興市場的終端出貨數字，只花了大約兩三個季度。Pathak 判斷消費者不會棄用手機，但換機週期會拉長、規格會降級——同樣的錢買到的 RAM 變少，等於 AI 資料中心的軍備競賽由全球低價手機買家分期買單。

歸剛點評：台灣讀者對這條供應鏈再熟悉不過——記憶體漲價對南亞科、群聯是財報利多，但別忘了硬幣另一面：手機、筆電、汽車電子全在跟資料中心搶同一批產能，終端需求被價格壓垮的話，遲早回頭砸到整個供應鏈。印度這個 10% 是第一聲警報：AI 基建的錢景再好，也是從別的口袋掏出來的，下一個顯形的可能是 PC 市場的年底旺季。

就在數百場野火的濃煙籠罩美加兩國之際，Google 支持的 FireSat 計畫首批三顆作業衛星成功入軌。衛星 7 月 7 日從范登堡太空軍基地搭乘 SpaceX 獵鷹九號升空，由非營利組織 Earth Fire Alliance 管理，標誌星系進入「初始作業能力」階段：經過三個月測試後，年底前開始向消防機構提供資料，屆時地球上每個野火好發區每天至少被掃過兩次。

FireSat 是第一個專為偵測野火打造的衛星星系。加州衛星製造商 Muon Space 設計的微衛星配備多光譜成像，能穿透煙霧與雲層，偵測小至 5×5 公尺——約一個房間大小——的火點。技術已有實績背書：2025 年 3 月升空的原型衛星收集了超過一百萬張影像，證明能抓到現有衛星完全看不見的低強度悶燒。資金面 Google 出了超過 1,500 萬美元支持初期部署，Bezos 地球基金承諾 2,600 萬美元。

野火偵測真正的痛點在「多快發現小火」——火勢在幾小時內從一個火點變成燒不停的巨獸，現有氣象衛星解析度太粗、偵察機覆蓋太窄，等發現時往往已錯過黃金撲滅期。每天兩次全球掃描加上房間級解析度，等於給消防單位裝了一套早期預警雷達，這也是 Google 除了做形象之外的實際盤算：它的 AI 部門正把 FireSat 資料接進災害預警產品線。

歸剛點評：跟那些發表會上展示完就沒下文的 AI for Good 專案相比，FireSat 有硬體、有時程、有付費使用單位，是少見能落地的一種。台灣每年也有森林火災與更頻繁的山區意外，這類「每天掃兩次、5 公尺解析度」的公開資料源若開放接取，農委會和消防署其實都用得上，值得追蹤它的資料開放政策怎麼定。

人形機器人公司 Agility Robotics 宣布在加州 Fremont 開設 6 萬平方英尺的機器人訓練中心，位置就在 Tesla 預計今年開始量產 Optimus 機器人的工廠附近。執行長 Peggy Johnson 對這個選址毫不避諱：「有 Tesla 在同一區很好，Agility 孤軍奮戰太久了。」嘴上歡迎，行動上是把旗子插到對手家門口。

兩家的對比很有戲劇性。Tesla 有資本與 Musk 的豪語——他最近稱 Optimus 一旦明年在 Tesla 之外派上用場，會是「史上最大的產品」；Agility 沒有那種銀彈，但有一台已經在真實世界賺錢的機器人。Digit 正在為 Amazon、GXO、Schaeffler、Toyota 加拿大廠等客戶搬運料箱，光 GXO 一個物流中心就搬了 10 萬個貨箱，公司宣布已拿下 3 億美元合約訂單。Johnson 說商業化的門檻不在展示影片，在「走進客戶工廠、通過他們的安全、法規、合規審查，接上他們的 IT 與倉儲管理系統」。

Agility 成立於 2015 年，創始團隊靠雙足安全行走技術起家，如今正透過反向合併衝刺年底上市，將成為公開市場第一家純人形機器人公司。它得同時面對兩線夾擊：一邊是 Tesla 的量產機器，一邊是 Figure、1X、Sunday Robotics 這批 AI 原生新世代。搭配本站昨日報導現代汽車工人為機器人罷工，人形機器人從實驗室走向工廠的摩擦正在各條戰線同時展開。

歸剛點評：機器人行業的估值靠影片，營收靠料箱。Digit 搬的 10 萬個貨箱聽起來不性感，卻是全行業少數能開發票的數字。Agility 搶著當第一家上市的純人形機器人公司，是想在 Tesla 的 Optimus 量產故事全面展開前，先用「已商業化」的身分鎖住公開市場定價權。上市後每一季財報都得攤開真實出貨量，到時人形機器人的故事和現實會第一次被迫對帳。

TikTok 開始測試一款選擇加入的 AI 肖像偵測工具，讓創作者掃描平台上冒用自己臉孔的 AI 生成內容，並直接向平台檢舉。功能由社群媒體顧問 Matt Navarra 率先發現，TikTok 發言人向 The Verge 證實目前僅對「部分」美國創作者開放測試。YouTube 更早就在開發同類工具，兩大短影音平台在深偽防護上正式進入互相追趕的節奏。

運作邏輯類似內容識別系統 Content ID 的臉部版本：創作者提供自己的肖像基準資料，系統持續比對全站新上傳影片，發現高相似度的 AI 生成臉孔就通知本人，由本人決定是否檢舉下架。採「選擇加入」而非全站預設，一方面是肖像資料的隱私成本——要抓深偽，得先把自己的臉交給平台建檔；另一方面也是把判斷權留給創作者，畢竟授權合作的 AI 分身和盜用的深偽在畫面上長得一模一樣。

平台被推著走的壓力來自兩邊：一邊是本站今日報導舊金山檢察長勒令下架脫衣 App 這類監管行動，各州對深偽色情與 AI 冒用的立法一部接一部；另一邊是創作者經濟的現實——當網紅的臉可以被 AI 免費複製去帶貨詐騙，平台再不給防護工具，動搖的是整個創作者生態的信任基礎。

歸剛點評：這工具的誠意要看兩個數字：偵測的召回率跟檢舉後的下架速度，缺一個都是公關品。更深一層的問題是「掃描範圍只在站內」——TikTok 上抓到的深偽，換個平台照樣流竄，而跨平台的肖像指紋共享目前連影子都沒有。台灣的網紅詐騙廣告氾濫多年，臉書上盜名人臉帶貨的老問題至今無解，TikTok 這套若真做出成效，反而會變成其他平台被輿論檢討的標竿。

Web 作業系統新創 Puter 完成一件工程怪談：把整個 Firefox 瀏覽器編譯成 WebAssembly，讓它在另一個瀏覽器的分頁裡完整執行。Simon Willison 實測後的形容是「荒謬地酷」——他的部落格跑在 Firefox 裡，而那個 Firefox 跑在 WebAssembly 裡，WebAssembly 又跑在 Chrome 裡，像一組數位俄羅斯娃娃。網頁流量透過 WebSocket 隧道轉送到代理伺服器，繞過瀏覽器沙箱的網路限制。

技術選型有講究：團隊選 Firefox 而非 Chromium，是因為 Gecko 引擎對單行程模式的支援遠比多行程架構的 Chromium 適合塞進 WebAssembly 的執行模型。更值得記一筆的是開發方式——專案大量使用 AI 代理寫程式，估計燒掉價值 2.5 萬美元的 Claude Opus 與 Fable token，但因為掛在 Claude Max 訂閱方案上，實際支出遠低於標價。訂閱制吃到飽的計價方式，正在讓過去成本高到不可行的「玩票級大工程」變得可以隨手一試。

瀏覽器裡跑瀏覽器看似無用，實際用途藏在後面：網頁版的完整瀏覽器意味著隨拋即棄的沙箱環境——點開可疑連結、測試舊版相容性、在被封鎖的網路環境裡開出一條通道，都不必碰本機系統。對 Puter 這種想把整個作業系統搬進網頁的公司，能跑瀏覽器等於宣告網頁平台的能力天花板又抬高了一截。

歸剛點評：拿它跟本站報導過的各種 AI 代理慘案對照著看很有味道——同樣的工具，有人拿來誤刪家目錄，有人拿來把 Firefox 塞進 WebAssembly。差別不在模型，在使用者知不知道自己要什麼。2.5 萬美元 token 換一個工程奇觀，靠訂閱制打折後大概是一趟日本旅遊的錢，這種「荒謬但便宜」的實驗會越來越多，其中一小撮會長成真正的產品。

《華爾街日報》一篇關於 AI 轉錄 App 興起的報導，捕捉到白領世界的新型焦慮。Bessemer 創投合夥人 Jeremy Levine 的對策自帶黑色幽默：他把自己的 Zoom 顯示名稱改成「Jeremy Levine 我不同意轉錄或錄音」，讓抗議直接掛在每場會議的畫面上。另一位創投 Eric Bahn 說，他現在預設每場跟創辦人的會議都會被錄音，連手機推到會議桌上都不用看。

報導裡最傳神的案例來自約會市場：一位創辦人用 AI 筆記 App Granola 錄下自己多數的初次約會，事後把逐字稿餵給 Claude，分析自己能不能更「有魅力、有同理心」，順便統計誰講話講得多。TechCrunch 對這則的評語只有一句：舊金山的約會是真的很辛苦。Levine 把整個風潮稱為「社交上不可接受的行為」，認為無所不在的錄音會殺死自發性對話；報導中的法律專家則提醒，各州的錄音同意法規根本沒跟上。

文末拋出的問題比錄音本身更尖銳：當每場會議、茶水間閒聊、浪漫約會都被轉錄與摘要，到底誰在讀這些東西？錄音檔堆成的垃圾山，會不會只是另一批永遠沒人回放的資料？當「記錄」的成本趨近於零，「注意力」就成了整條鏈上唯一的稀缺品——錄下一切的結果可能是什麼都沒真正聽進去。

歸剛點評：台灣職場的會議錄音文化還在「主持人先問一句」的階段，但工具擴散不會等文化準備好。實務建議是反過來利用透明度：與其偷錄，不如開場明講「這場會有 AI 記錄，逐字稿會後寄給大家」，把工具從監控變成服務，反而能換到信任。至於錄約會餵 AI 檢討自己這件事——工程師把人生當 A/B test 跑，也算是一種時代精神了。

Simon Willison 又讀到一篇塞滿 AI 慣用句的文章後，決定動手解決自己的煩躁：他讓 Claude Fable 5 用 vibe coding 方式寫出一個「LLM 陳腔濫調螢光筆」網頁工具，貼上任何文字，就會自動用螢光標記出 LLM 生成寫作的十種常見模式。他點名的頭號範例是「no fluff, no filler, no jargon」這類三連排比——中文使用者可以直接對號入座「不講幹話、不堆砌、不繞彎」的同款句式。

工具的原理不神祕，就是模式比對加標記，妙在「以子之矛攻子之盾」的製作方式：抓 AI 寫作套路的工具，本身是讓 AI 寫的。LLM 的文風癖好其實有跡可循——三項式排比、對仗轉折、每段結尾強行昇華、形容詞堆疊——因為模型從彼此的輸出與同質語料中不斷強化這些模式，寫多了就成了指紋。人類讀者未必說得出哪裡怪，但「AI 味」的嗅覺已經越來越靈。

同一天 Willison 還記錄了另一則小品：Kimi K3 拒絕洩漏系統提示詞之後，禮貌地補了一句「那麼今天有什麼我真的能幫上忙的嗎」——模型的「人設」也開始有了記憶點。從文風指紋到性格指紋，模型輸出的可辨識性正在變成一個真實的研究與產品議題：出版商想偵測它、模型廠想抹平它、寫作者想避開它。

歸剛點評：本站每天用 AI 產文，對這面照妖鏡再有感不過——我們自己就維護一份禁用清單，「不是…而是…」這種句式一律禁用，跟 Willison 標記的套路重疊率高得嚇人，可見 AI 的壞習慣是跨語言的。工具反過來也是寫作教練：被標記的句式未必錯，但全篇都是套路，就代表沒有一句話是作者自己想出來的。人類寫手想保住飯碗，最好的策略是寫 AI 寫不出來的東西——具體的經驗、真實的數字、有立場的判斷。

影片理解是多模態研究這一年的主戰場，從動作辨識、長影片理解到即時串流互動都在快速推進，但開源模型有三個老毛病：只在特定領域好用、換個影片類型就失靈；計算需求高、跑不動也難擴展；以及最讓研究社群不滿的「半開放」——放出權重，訓練資料與關鍵訓練組件卻藏著不給。VideoChat3 團隊直接把「Fully Open」寫進標題，宣示連資料帶程式碼全部公開。

論文主打「高效且通用」的影片理解：目標是單一模型同時處理多種影片任務與長度，不必為每個領域各養一套。在 Hugging Face 每日論文榜上，這篇拿下當日社群投票前列，反映研究圈對「真開放」影片模型的需求有多迫切——影片多模態的訓練資料整理成本極高，資料不公開，後人就只能從零開始重造輪子，整個領域的迭代速度都被拖慢。

把它放進本站今日的開源主線看：Mozilla 報告說文字模型的開放差距縮到 3.3%，但影片多模態是還沒被填平的窪地——閉源的 Gemini 與 GPT 系列在影片理解上仍明顯領先，開源陣營連個公認的基準線都還在爭。VideoChat3 這類「連資料一起開」的專案，補的正是開源生態最缺的那塊地基。

歸剛點評：判斷一個「開源模型」的誠意，看它敢不敢公開訓練資料就夠了——權重是成品，資料才是配方。影片模型的資料公開尤其難得，因為版權地雷最多、清理成本最高。對做影音內容的團隊，這類模型的實用場景是影片庫的自動標記與搜尋，值得等它的權重放出來後拿自己的素材庫實測一輪。

AI 系統研究圈有個越來越尷尬的落差：推論端的上下文長度已逼近百萬 token，但強化學習後訓練的工作負載多半還停在 25.6 萬 token 以下，只能仰賴模型「長度泛化」硬撐到部署場景。落差對 AI 代理尤其致命——代理的觀察紀錄、工具輸出、參考文件與歷史決策會沿著長任務軌跡不斷累積，訓練時沒見過這種長度，實戰表現就得看運氣。

LongStraw 的貢獻是一套「架構感知」的執行堆疊，讓超過 200 萬 token 的強化學習後訓練，在固定 GPU 預算內跑得起來。思路是把長上下文訓練的記憶體與計算瓶頸拆開處理，針對注意力機制與序列平行化的特性重排執行方式，而非粗暴地堆更多顯卡。在後訓練成本已成各實驗室最大開銷之一的當下，「固定預算」四個字就是最大的賣點。

值得跟本站近期報導串起來看：昨日 Kimi K3 用比前代少 21% 的輸出 token 拿到更高評測分數、今日 OpenAI 財務長把「算力報酬率」列為四大指標——整個行業的重心正從「堆更多算力」轉向「同樣算力擠出更多能力」。長上下文 RL 是代理能力的直接瓶頸，誰先把訓練長度追平部署長度，誰的代理就先擺脫「金魚腦」。

歸剛點評：這類系統論文不會上主流媒體版面，但它們決定了半年後產品的天花板。今天代理用久了會「忘記自己做過什麼」，根源之一就是訓練長度跟不上使用長度。200 萬 token 大約是一整個中型程式碼庫或幾天份的代理工作軌跡，這個長度的 RL 若真的平價化，「跑一整週不失憶的代理」就從行銷話術變成工程時程表上的一行。

影片生成模型這一年被捧成「次世代遊戲引擎」的候選人：給定玩家操作，模型直接預測下一幀畫面，世界不用建模、物理不用寫、關卡不用做，一切從資料裡湧現。Google 的 Genie 系列與多家實驗室的互動影片模型都走這條路。這篇論文對熱潮潑了一盆有依據的冷水：檢視這條路線後指出，真正可玩的遊戲世界需要的是「遵循規則的互動結果」——撿到鑰匙才能開門、血量歸零就要倒地，而這些結果必須隨著持續演化的遊戲狀態保持一致。

純像素預測的軟肋正在這裡：模型預測的是「畫面看起來像什麼」，不是「世界處於什麼狀態」。玩家轉身一圈，背後的寶箱可能憑空消失；同一扇門這次要鑰匙、下次不用——畫面每幀都合理，邏輯卻前後矛盾。論文主張把顯式的狀態表示拉回世界模型：像素負責呈現，狀態負責記帳，遊戲規則作用在狀態上而非畫面上，才撐得起真正的互動性。

路線之爭的產業賭注不小。傳統遊戲引擎巨頭押「AI 輔助現有管線」，AI 實驗室押「生成模型吞掉整個引擎」，這篇論文等於指出兩邊都不完整：沒有狀態的生成世界是夢境，不是遊戲。從標題「從像素到狀態」就看得出立場——湧現派的路線走到瓶頸，混合架構正在成為新共識。

歸剛點評：任何玩過那些「AI 生成遊戲」demo 的人都懂這篇論文在說什麼——畫面驚豔，玩三分鐘就穿幫，因為世界根本不記得你做過什麼。遊戲之外的意義更大：機器人與代理的世界模型有一樣的病，光會預測畫面不會維護狀態，就永遠只能活在當下。「狀態」這個遊戲引擎用了四十年的老概念被 AI 研究重新發現，繞了一圈回到原點，也算是行業的一種浪漫。