AI 趋势周刊

先看清模型与执行器的分工

@omarsar0 的教程用一组野外调查笔记演示文件读写与删除，在 Pi 的循环中加入 Router、Gate、Verifier 三个决策点：任务开始时选模型，工具执行前判断调用，结束前检查答案。这些检查有明确的输入和返回值，因此可以单独观察、替换和测试。原文

同一思路也出现在作者引用的 LangChain 实现里：模型路由根据任务与预设标准选择档位，并在一轮运行中保持选择；AutoMode 在工具执行前拦截风险调用。两套实现说明，Jev 的接入位置是控制流程，开放式写作和推理仍由主模型完成。LangChain 实现

概率如何变成允许、复核与阻止

教程的初版闸门只判断破坏性，结果连新建文件也可能误拦。改进版把破坏性、不可逆性、越出工作区拆成信号，由普通函数合成允许、请求人工、阻止三种结果；目录边界另由文件工具强制检查。原文

这里可迁移的设计是把业务政策写清楚。检查“是否覆盖已有资料”和检查“是否得到授权”回答的是不同问题；即使危险概率低，也不能替代权限判断。我的建议是让可确定的路径、权限与操作限制先成立，再用语义判断处理代码难以表达的意图。否则，一个看起来精确的小数只会掩盖规则缺失。

把服务失败与判断失败分别处理

原文在 Jev 不可用时采用两种回退：工具闸门停止执行，模型路由改用较强档位继续任务。这是按后果设计的差异：一次路由失败主要增加开销，一次工具检查失败却可能直接修改资料。原文

生产系统还应区分超时、接口错误、低把握和明确拒绝。前两者属于服务状态，后两者属于模型判断，混成一个“失败”会让运维无法定位问题。TypeSafe 文档也要求按不同动作的误判后果设置阈值，并用自己的数据调整，不能把教程数字当成通用安全线。置信度文档

验收器要有证据，也要有停止条件

Verifier 接收成稿与工具记录，分别评估完成质量和事实依据；教程限定最多两次尝试，并明确声明这些政策尚未经过生产调优。原文

我的判断是，这套机制最适合先用在可以回放的文档整理、记录清洗或代码审查队列。上线前同时记录漏拦、误拦、人工复核比例、重试次数与总耗时，才能知道省下的调用费是否被返工抵消。答案检查本身也会错，因此需要保留原始证据和人工抽查，而不是只保存最终的“通过”标签。

这次比较实际测了什么

SUOHA_AI 的原帖称，从 CFPB 公开资料取了 1,000 条消费者投诉，要求 Jev 的 jev-latest 与 FLock 的 this-that-model-1.0 分到 15 个金融业务部门。作者报告，两者在日常类别上接近，复杂长文过滤差距更明显：Jev 为 70%–100%，FLock 为 14%–61%。这些是作者给出的分组区间，不能读成两个模型的总体准确率。测试原帖

原帖公开文本没有完整的逐条标签、划分规则和错误样本。我的阅读结论因此只到这一层：长文本与噪声可能改变模型排序，值得在自己的投诉或工单集上复查；“日常业务占八成”不能由这一个样本直接推到其他公司。

FLock 为什么可以本地做同类判断

FLock 官方模型卡公开了更具体的实现：1.88B 参数，Qwen3.5 风格的混合注意力网络，在指定位置取得隐藏状态，只对给定选项的标签计算并归一化分数，一次前向返回选项概率，不进入逐 token 解码循环。权重以 MIT 许可发布，支持本地推理。这与 Jev 的托管 API 在部署控制权上有实际区别。1.0 模型卡

受限答案空间解决的是“结果如何被程序接住”，并不自动补足模型能力。FLock 论文也报告了多步算术等弱项；其训练内的题型优势，不能外推成处理所有业务规则的优势。作者论文

31ms、405ms 和零美元各指什么

帖子里的 API 响应是 Jev 368ms、FLock 405ms，整批决策时间则为 33.5 秒与 36.1 秒。FLock 宣传的约 31ms 来自本地 GPU 推理，官方仓库进一步注明 RTX 5080 笔记本 GPU 和测量条件；它与包含网络链路的 API 时间不是同一个指标。原帖、复现说明

同样，原帖的零费用指当时限时免费的接口。自托管还要承担设备、维护和利用率成本；FLock 自己的论文按耗电估算费用，也特别说明不能把电费直接当成商业服务售价。采购判断应比较同一吞吐和错误率下的完整成本，而非把“免费权重”写成“运行免费”。官方成本口径

查看原帖演示视频，还能看到一处口径差异：第 37.5 秒最终画面标出的“中位”为 389／420ms，“花费”为 $0.1460／$0.0248，与帖文的 368／405ms 和 FLock 免费说法不同。作者没有说明是否来自同一轮运行，因此本刊分别保留文字与画面记录，不把它们合成一组可复现结论。

一份可迁移的选型实验应保留什么

我的建议是固定模型版本、提示标准、候选部门与测试集，分别保留短投诉、长投诉、无关内容及模糊归属，同时观察正确率、拒绝自动分类的比例和高把握误判。对隐私敏感、任务稳定且有维护能力的场景，本地模型的可控性有价值；对复杂输入，也应先用错误样本检验托管模型带来的质量增益。

这篇收藏评测的是 1.0。核读时官方仓库已列出 1.1、1.2，并披露新版提升组合规则表现的同时，部分校准指标仍有取舍。因此“FLock 不如 Jev”或“开源已替代 Jev”都过于笼统；应记录哪一版模型，在什么输入上，以多少人工兜底换来什么结果。版本说明

字幕例子把问题问到了正确尺度

歸藏在 #189 用字幕说明 Jev 的位置：逐句判断观点是否完整、有没有具体建议、是否依赖前文，而不是要求它写出整套剪辑方案。原文同时列出多跳推理、数学、字面理解、无关上下文、中文能力和解释缺失等限制。原文 Jev 专题

据此可以设计一个更具体的流程：转写系统产出带时间戳的字幕，程序保留句子附近的必要上下文，Jev 对每个候选片段返回几项独立判断，再由代码合并连续片段、计算时长。最后的叙事节奏、转场和成片验收仍需另外处理。这是编辑提出的拆法，它让“选出完整观点”有了可以标注和检验的目标。

并行答案需要程序维持一致性

官方局限页给出一个很有用的反例：分别询问退款与非退款两个命题，返回概率可能为 0.72 和 0.47，和为 1.19。模型不会自动保证跨问题的互补关系，也不能把在 Noul 上调好的阈值直接搬给 Choice。对于必须互斥的类别，应把候选放在同一个选择问题里；对于先后依赖的业务逻辑，应在代码里串接。Jev 1.13 已知限制

放回字幕场景，某句“完整”与另一句“依赖前文”不必自然构成一段连贯视频。程序需要检查相邻关系、片段重叠和最短长度，人工标注则负责确定“完整观点”的口径。并行得到更多信号，并没有替开发者定义它们如何共同成立。

让模型读日期，让代码算日期

官方日期提取教程展示了相同分工：一次询问日期写法、月、日、年、星期等部分，保留“未说明”选项；程序再把这些部分组装成真实日期，解释“下周四”、检查不可能的日历组合，并将低把握结果送复核。它没有要求模型自己计算日期差。日期提取教程

这也给周刊里的卡路里、表格和界面演示提供了阅读方法：先追问数字或候选从哪里来，哪一步由规则计算，哪一步只是语义选择。一个界面能实时变化，证明交互链路足够快；要证明结果准确，还要查看数据来源和任务级评测。

中文上线要有单独的验收集

TypeSafe 当前模型页写明英文是主要训练语言，中文等语言可输入，但准确性并不相等；输入本身也仅限文本，图像或音频要先变成文字与结构化字段。模型说明 对中文业务，我会单独保留省略主语、委婉拒绝、否定句和行业简称等样本，观察错误是否集中在某种表达上。

Jev 不输出文字解释，复盘就要依赖保存的输入、标准、分布和人工答案。原刊提到的“后续会开源”也不等于已经有可下载权重；本次没有核实到对应官方承诺。先把可观察的接口行为与仍未公开的实现分开，才能判断一次失败来自材料、规则还是模型能力。

浏览器：从当前控件中选择下一步

Made with Jev 为项目链接原作者，并说明成本与速度来自作者自报。顺着“七秒找航班”的条目进入 Browser Use 仓库，可以看到实际流程：读取可见 DOM 控件并编号，把操作与兼容目标一起交给 Jev 选择；需要输入文字时调用小型生成模型；执行器核对目标仍有效后才操作。目录、项目代码与说明

作者报告的约 7.1 秒从页面观察后的首次预测开始，包含模型调用、输入与等待，结束于接受 DONE 判断；初始导航与另做的独立结果核查在计时之外，任务不含订票。它展示的是把网页动作限制在观测到的候选内。迁移到另一网站时，仍要验证控件识别、页面变化和终态判断，不能用一段顺利的视频替代任务成功率。测量边界

文档：先拿到文本，再分类和切包

目录中的 DocJev 接收 PDF、DOCX、PPTX 与自然语言分类标准。LiteParse 先在本地提取页文本，Jev 再返回文档类别，或混合文件包的页码边界；困难页面可选 LlamaParse OCR。库是开源的，Jev 推理仍是托管服务，本地解析不代表资料始终留在本机。DocJev

仓库还给出较有价值的质量证据：一个 40 份文档试点中，两种引擎分类均为 40/40；切包则是 Jev 7/8、对照模型 8/8。试点说明 这个小样本说明，分类正确和边界正确要分别验收。若用于票据或档案收件箱，我会保留每段的原页引用，让工作人员能快速检查多切或漏切。

营销：把资料整理成可比较的信号

Matthew Berman 的原帖报告，约 40 秒给 37 个品牌的 724 条广告分析钩子、格式、优惠、行动号召和落地页错配，token 花费约 0.09 美元。销售案例则输入 700 条线索及对应外联文案，预测表现、赋予把握度并检查匹配，同样自报 40 秒、0.09 美元。广告原帖、销售原帖

两个帖子当时都说功能即将进入各自产品或 MCP。可核实的是演示及拟议集成，尚不能证明已有客户收入或转化率提升。编辑判断，这类输出更适合先变成供人筛选、排序的特征表，再与实际点击、回复和成交结果对照；“模型预测会表现好”与“投放后真的更好”是两个验收步骤。

沿着项目链路计算收益

这些项目共同要求调用方先把世界整理成材料与候选：网页控件、文档页、广告字段或线索记录。Jev 的快速判断只占流程的一段。我的评估方法是把采集、OCR、决策、生成、人工复核的耗时和费用分别记录，再检查最终结果；这样才能看见成本是否转移到了前处理或返工。

选试点时，优先找候选有限、判断重复、错误可被发现的队列，例如文档归档或营销资料初筛。目录适合帮助发现这种任务结构；要把项目称为行业落地案例，则还需要持续运行记录、真实业务效果与责任边界。本次没有用目录数量或演示播放量代替这些证据。

五步探索，置信度只是证据分级

全文五步是补全错误码语义、建立业务上下文、定位代码与调用链、采集运行时证据、按需补充最近变更，并非机械串行。置信度按知识库、代码定位、实际源码、运行时证据各计一分：3～4 分为 high，2 分为 medium，0～1 分为 low；语义不明最高 medium，变更信息不计分。它衡量证据覆盖，不能读成正确概率。

action_type 是建议采取的动作，如改代码、改配置、处理限流或告警加白；多因故障优先选择最快止血的动作，其余优化另列。SRE 审核推送，开发确认执行，人的责任仍然明确。

88% 的价值与边界

作者在 50 条 case 上报告 action_type 与人工一致率从 33/50 升到 44/50；硬冲突指建议与人工判断完全矛盾、无法推送，其比例从 20% 降至 0%。这批样本同时用于调优与回归，不能据此推断新错误码的泛化表现。

本刊更看重其中可复制的约束：先排除禁止加白的情况，再决定是否降噪；把每次误判留下的证据变成回归材料。接入自己的系统时，应另留未参与调优的告警集，并检查漏查运行时、过度加白与工具失败降级，才能知道提速是否以遗漏风险为代价。

先分清商业目标和经营证据

这篇长文设计了五位客户各付 $3,600 的月度服务，得到 $18,000 营收目标；它没有提供合同或收款记录。内容生产、研究简报、页面与内部工具构建是三条服务线，作者要求先把交付写成清单、定义可检查的完成标准，并手动做熟，再自动化。

这个顺序值得保留：客户购买的是按时、合格且有人负责的成果。获客、需求澄清、修改范围和审稿容量仍由经营者承担，低 token 成本只降低生产的一项支出。

路由决定生产，独立审稿决定退回

作者用路由表分工：Grok 4.1 Fast 做抽取整理，Build 0.1 做生产，4.6 做复杂研究及独立审稿。审稿调用使用新上下文，只读需求、清单、客户风格和成品，逐项检查缺漏、占位符、来源与语气；信息不足也判 FAIL。三次未通过便转人工，避免无限返工。

同一供应商模型可能共享盲点，换一次调用并不保证审稿独立。xAI 的结构化输出可约束返回格式；事实正确、来源支持和客户是否接受，仍需要另外定义并验证。

演示展示了成片，制作过程仍有空白

原帖将像素动画归于 Opus 5.5，并称用时不到五分钟。约 18.8 秒的视频里，小动物沿彩虹轨道移动，深色星空、带环行星与亮色拖影形成层次。本刊下载媒体并抽帧核对，能看到统一的像素尺度和色彩关系；这些是可讨论的作品特征。

帖子没有完整操作录屏，回复区提示词本次也未取到，因此无法确认用了几轮生成、哪些素材预先准备、输出是否包含源码。五分钟应保留为作者报告，不能转换成可复现的效率基准，也不能由此推定某个模型版本的公开可用性。

把喜欢的画面拆成能执行的规格

借这个样本练习，本刊会先写一份小型制作说明：角色占画面多大、使用多少主色、背景分几层、哪些元素移动、循环在何处接回。比如把八秒循环拆成持续奔跑、星点掠过和一次加速，分别规定节奏，避免只让模型猜测“复古、可爱、动感”的含义。这是建议的创作方案，并非作者公开的提示词。

若选择代码动画路线，第一版就要求交付可运行工程，并将角色图形、配色、速度和特效拆成独立参数。先检查静止画面的轮廓与前后景，再加入动作和拖影；每次只改一个变量，保留上一版。这样的步骤让下一次审美判断有明确的修改对象。

先做短段试音，再铺开长篇

本刊建议先选包含人名、数字、情绪转折的二十秒脚本，用同一音色比较无标签、单一情绪、情绪加停顿三版。官方建议一条句子保留一种主情绪，避免短文本堆满相互冲突的描述；声音不自然时应先减少指令，再调整强度。克隆参考则选自有或获授权的单人录音，保持音量与语气稳定。

长文按叙事段落制作，保存带标签脚本、音色标识、语速设置与逐段音频。读错专名可用发音词典或音素控制修正，只有一句出错就只重做该段。最终合成前逐段检查音色是否漂移、句尾是否截断、段间呼吸是否连贯，再导出适合剪辑的 WAV；这些检查仍需要人听。

把等待时间和生成费用分别算

聊天应用可以用 WebSocket 接入逐步生成的文字，但还要处理缓冲、断线和播放衔接；预先写好的旁白通常直接生成文件即可。本刊会分别测量开始发声的等待时间与整段完成时间，不能用服务端的首段延迟代替用户听到完整回答的体验。

截至本次核对，付费 s2.1-pro API 按输入 UTF-8 字节收费，每百万字节 15 美元，并非每百万中文字。独立的 s2.1-pro-free 为零价、公平使用制，官方公告写明当前免费窗口至 11 月 30 日，不保证可用率或首音延迟，请求也可能用于模型改进。网页订阅与 API 是不同入口；预算应连同多版试音、重生成与所选计划一起核算。

先有工程，Agent 才有具体修改对象

ScreenKite 将录屏保存为本地 .skbundle 工程，Agent 通过 CLI 或 MCP 读取项目状态，再操作剪辑、字幕与布局。文字编辑依据转写时间戳映射回音视频：删除一句话会删除对应片段，移动段落也会调整时间轴。这里的自然语言指令最终作用于现有素材，创作者可以核对改动发生在哪里。

本地保存并不代表每一步都离线。官方说明 Apple Silicon 可用 WhisperKit 本机转写，Intel Mac 使用云转写；Automatic 模式在配置 ElevenLabs 密钥后优先用云服务。开始处理素材前，应明确选择转写提供方；外接 Agent 的模型请求也依所用服务运行。

一段教程，分两轮剪清楚

官方 Agent 指南先转写、校对产品名，再列出带时间范围和理由的删改清单。对教程，本刊会先去掉重复开场和口误，保留等待加载、鼠标移动等让观众理解操作的必要间隔；确认第一轮节奏后，再处理字幕、缩放与补充画面。字幕应回看专名和数字，避免转写错误沿着后续画面继续传播。指南明确 CLI 无法撤销时间轴裁切，适合先复制工程并审阅切点。

B-roll 流程把转写映射成内容节拍，用 Hyperframes 生成动画并渲染为视频，再放入指定时段。教程可把补充画面放角落，让操作界面保持主导；介绍概念时再扩大它。某一段图标或配色不合适，可以只重新渲染该段并替换，检查前后转场和字幕是否仍同步。

先给三个大数字划定边界

约 950 个 Agent、21 小时、2.1 亿 token，描述的是一次计算挖掘任务。技术报告的准确口径为 949 次 Agent 会话、21.5 小时墙钟时间与约 2.156 亿 token；会话数并不等于同时运行着 949 名独立“科学家”。这个计时也没有包办此后所有人的分析和实验。计算资源口径

把它理解成编辑部处理一次大型调查更合适：许多选题、查证、复核会话可以先后发生或并行推进。“一夜交出报告”衡量的是这一轮处理速度；研究真正需要多久，还取决于报告之后哪些判断能被外部证据接住。

漏斗每一层，数的东西不同

公告把过程概括为二十余万 RT、约 3500 个候选、约 20 份报告。论文进一步说明，中间层是 3564 个待评分的邻近蛋白家族，终点是 19 份报告；因此不能把 3500 读成已经发现的全新酶系统。数量逐层缩小，既包含发现线索，也包含淘汰错误关联。概览、筛选口径

这个区别影响我们怎样评估成果。一个“候选”只需要值得调查，一项“发现”则必须经得起排除已知解释与后续验证。把两个名词混用，会让搜索覆盖率看起来像实验成功率，也会遮住筛选本身消耗的工作。

自动化的关键在允许追问

此次框架让执行 Agent 制订并运行计划，监督 Agent 复核，并能因新观察追加任务。ART 正是在延伸调查中浮现。人工团队给出研究方向，接收候选并决定实验跟进；所有湿实验由人类完成，Claude 继续辅助解释数据。任务组织、人类与实验的角色

编辑判断：这里值得关注的能力，是发现原问题没有预设的线索，并留下别人能检查的推理和结果。它像一名调查者发现账目中的异常后继续追查，而不是只填完最初的表格。但若多轮复核共享同一项错误前提，报告也可能越来越工整、越来越偏离事实；实验仍承担独立校验。

一次成功，还不是稳定的发现机器

论文还做了十次同任务重跑，均未再次找到 ART；这些运行没有读到关键的上游 DNA。这把瓶颈指向了搜索路线和实际阅读行为：模型“有能力识别”，并不保证整个流程每次都把证据送到它面前。重复运行结果

编辑判断：下一步更有用的指标，是相同预算下能稳定交付多少条值得实验的线索，以及这些线索后来有多少成立。候选报告增加后，人的审查时间和实验容量也会成为约束。新智元延伸到疾病治疗的愿景可以作为期待；本次证据支持的是探索与筛选环节的进步，无法据此推算治疗时间表。

情绪能提示问题，不能代替事实核验

公众号转述一则据称来自字节内网的发帖：员工希望留下认真做事的外包 QA，并声称获大量同事支持。文章没有提供可独立核验的内网记录、人员数据或企业回应，因此不能据此断言裁员已发生、某类岗位更有效率，或 AI 已经无法替代特定工作。可讨论的是作者指向的价值：熟悉业务的一线测试者，往往掌握需求文档之外的失败经验。

从“会点按钮”到“知道何时结果不对”

以一个假想改版为例：正常新账号能完成流程，老账号迁移后是否仍然可用？断网重进、活动开关和客户端版本组合，是否会改变结果？这类测试设计需要知道哪些路径常见、哪些失败不可接受，以及过去在哪里吃过亏。Google 测试团队的工程文章也强调，测试所需的领域知识必须进入团队；探索过程中跟踪数据变化，还可以帮助选出值得自动化的检查点。

AI 可以基于给定资料生成候选用例、扩展输入和整理复现过程。但没有写入上下文的业务例外，并不会自动成为正确的断言。若仅照当前实现生成预期结果，就可能把已有缺陷固化成通过条件；用例数量增长，也未必覆盖了新的风险。

计时器背后，是不同的人和不同的反馈

TimeSense 把模拟钟面、剩余时间可视化和角色语音组合起来，让孩子感知“还有多久”，也让家长减少重复催促。SwingCat 面向专注：计时开始后猫抓住摆锤，坚持完成便把猫迎进房间，中断则可能掉落或逃走，并记录专注时间与次数。两者复用计时这个基础能力，却分别处理亲子沟通和持续投入；反馈的对象与情绪完全不同。

把任务开始、探索和重启做成具体动作

Stealth Radar 让发起者在地图设置目标与任务，分享加密链接；探索者跟随雷达接近目标，触发任务。普通散步由此获得目的和悬念。ClockTimer 则把任务、一键启动计时、语音提示、完成勾选与习惯记录接起来，强调中断后仍能重新开始。前者设计的是人与地点的游戏关系，后者缩短的是从待办清单走到实际行动的距离。

小产品也有真实约束。官网说明 Stealth Radar 开始任务需联网、途中定位不必持续联网；ClockTimer 数据留在设备，换机或删除应用不能继承。这些细节直接影响用户是否愿意长期使用，功能清单无法替它们回答。