

> 导语：今日AI领域风起云涌，技术革新与应用落地齐头并进。从华为发布UCM技术挑战HBM依赖，到高德地图与阿里通义大模型联手打造首个地图AI原生Agent；从Vercel V0进化为全能型AI开发伙伴，到MiniMax开创AI智能体“再创作”新模式。与此同时，关于GPT-5测试的争议也引发了行业对AI发展伦理的深思。各大厂商正通过开源与创新，共同推动AI智能体走向协作共创的新纪元。

## 华为发布UCM技术，旨在缓解对HBM的依赖
华为即将发布一项名为UCM（推理记忆数据管理器）的AI推理创新技术。该技术通过优化KV Cache，采用分级管理推理记忆数据的策略，旨在扩大模型的上下文窗口，从而提升大模型推理的性能。此举有望在保证高吞吐量与低延迟的同时，显著降低国内AI产业对昂贵HBM（高带宽内存）的依赖，为AI推理成本的降低和效率的提升带来新的解决方案。

![image.png](https://static.downly.cn/images/88d1ce32ab4c2aee696ddee745524cda.png)

## GPT-5测试成绩遭质疑，AI能力与营销边界引争议
OpenAI公布的GPT-5在SWE-bench Verified测试中的优异成绩近期引发了业界的广泛讨论。质疑声主要集中在其测试并非完整覆盖全部题库，有意规避了部分难题，这可能导致其分数存在“刷分”嫌疑。这一事件不仅暴露了当前AI行业在性能评测与市场营销之间的微妙关系，也引发了关于AI模型真实能力与透明度问题的深刻反思。

![image.png](https://static.downly.cn/images/e2e9ec3c6152258fb05ec41ba1550987.png)

## AI编码进入全栈时代，Vercel V0变身全能开发代理
Vercel旗下的AI编码工具V0迎来重大升级，正式从一个前端生成器进化为全能型的全栈AI代理。升级后的V0能够自主完成从项目规划、研究到前后端代码生成、文案撰写乃至应用调试的全过程。这一进化标志着AI在软件开发领域的辅助能力达到了新的高度，让“无代码”或“低代码”的开发愿景距离现实更近一步。

![image.png](https://static.downly.cn/images/457f56783b29a6f93a07d35726cbd6c7.png)

## AI创作新范式，MiniMax推出全球首个AI智能体再创作市场
MiniMax公司推出了全球首个Agent Remix Marketplace平台，为AI创作领域带来了革命性的新模式。该平台允许用户“一键Remix”他人创建的AI智能体，并能从中获得收益，极大地降低了AI应用的创作门agis，促进了从个人原创到社区协作共创的生态转变。为激励更多创作者加入，MiniMax还同步启动了总奖金池达15万美元的全球挑战赛。

![image.png](https://static.downly.cn/images/e18c35de5982cfd97f808c3e80d61ce8.png)

## 高德地图接入通义大模型，打造首个地图AI原生Agent
高德地图与阿里通义实验室宣布深度合作，将联合打造全球首个AI原生地图。在高德地图的最新版本中，已落地名为“小高老师”的AI智能体。它融合了全双工语音技术与通义Qwen大模型的强大空间理解能力，能够进行自然的多模态交互。双方还共同开发了POI推理Agent，能处理复杂的实时信息与多重约束，极大地提升了用户在出行生活场景中的服务体验。

![image.png](https://static.downly.cn/images/881204b46cb1116fb59db153db91a87c.png)

## 阿里达摩院开源具身智能“三大件”，推动产业开放协作
在世界机器人大会上，阿里达摩院宣布开源其在具身智能领域的三项核心技术：VLA模型RynnVLA-001-7B、世界理解模型RynnEC以及创新的机器人上下文协议RynnRCP。此举旨在解决当前具身智能开发中模型与硬件适配困难、流程碎片化等核心痛点，通过提供一套标准化的框架，加速数据、模型与机器人本体的融合，推动整个具身智能产业生态的开放与发展。

![image.png](https://static.downly.cn/images/7bde78b303221c15ea99435953bdc204.png)

## Perplexity AI入局，AI搜索迈向多模态内容创作
AI搜索引擎Perplexity AI宣布全平台上线视频生成功能。用户现在可以通过简单的文字提示，在聊天界面直接生成短视频。此功能目前向订阅用户开放，标志着AI搜索正在从传统的文本问答向更丰富的多模态内容创作转型。这一功能的推出，预示着未来的AI平台竞争，将围绕多模态内容的生成能力展开。

![image.png](https://static.downly.cn/images/63364a93b07d9dd307fca24c9265e080.png)

## GPT-oss模型展现惊人自主性，无提示解题5000次
GPT-oss大模型在一次实验中，展现了惊人的自主行为。在没有任何明确提示的情况下，它自主构思了一个关于多米诺骨牌拼图的复杂编程问题，并用不同编程语言重复解决了超过5000次。这一现象不仅展示了其在特定数学和代码领域的深度优化，也引发了研究人员对其内部工作机制、训练数据构成以及“创造性”边界的深入思考。

![image.png](https://static.downly.cn/images/7cffcb2811218090be6ee53b04baf9d2.png)

## 谷歌搜索推出新功能，允许用户自定义首选信息来源
为了提供更个性化的搜索体验，谷歌宣布将推出一项新功能，允许用户在搜索设置中指定自己偏爱和信任的新闻或信息来源网站。设置完成后，来自这些首选网站的搜索结果将在用户的搜索页面上获得更高的展示权重，使用户能更快地获取到他们最关心的内容。

![image.png](https://static.downly.cn/images/61622cce270374eb8f4c372d4ed75e34.png)



每日AI资讯0813：AI智能体全面爆发，从编码到出行，重塑数字生活

> 近日，小红书正式开源了其自主研发的 MoE 大模型 dots.llm1，为开源社区注入新活力。这款模型在多个基准测试中展现出卓越性能，超越了 Qwen3，但略逊于 DeepSeek-V3，标志着小红书在通用大模型领域迈出了重要一步。



在AI大模型领域，开源与创新正成为行业发展的重要驱动力。 近日，知名内容社区平台小红书正式宣布开源其自主研发的MoE大模型——**dots.llm1**。 这一举动不仅为大模型开源社区增添了新的力量，也展示了小红书在通用人工智能技术上的深厚积累。
[HF演示空间](https://huggingface.co/spaces/rednote-hilab/dots-demo)
![image.png](https://static.downly.cn/images/7a1bb034ee5f4b483734b712a73e0fff.png)


dots.llm1 的开源，意味着全球开发者和研究人员可以访问其模型权重、架构细节以及相关工具，从而促进技术的交流与合作，加速MoE模型在不同应用场景的探索和落地。


### MoE 架构的优势与 dots.llm1 的亮点

dots.llm1 采用了当前前沿的 MoE 架构，这种架构通过激活模型中部分“专家”网络来处理输入，从而在提升模型性能的同时，显著降低推理成本。 相比于传统的密集型模型，MoE 模型能够在参数量巨大的情况下，实现更高效的计算。

dots.llm1 的主要亮点包括

*   **高效的 MoE 架构** 通过稀疏激活机制，模型在处理不同任务时能够动态选择最适合的专家，从而提高推理速度和效率。
*   **出色的中文处理能力** 作为源自小红书的模型，dots.llm1 在中文语料上进行了充分训练，预计在中文理解、生成和对话方面表现优异，尤其是在中文内容社区相关的任务上。
*   **开放性和可扩展性** 开源模式将鼓励社区对其进行微调和优化，以适应更广泛的垂直领域应用。

### 性能评测 超越 Qwen3 逼近 DeepSeek-V3

小红书对 dots.llm1 进行了多项基准测试，结果显示其性能表现亮眼

*   **超越 Qwen3** 在多个通用能力基准测试中，dots.llm1 的表现均优于此前广泛使用的 Qwen3 模型。 这表明小红书在模型架构和训练策略上取得了显著进步，使其能够超越业界主流的同类开源模型。
*   **略逊于 DeepSeek-V3** 尽管 dots.llm1 表现强劲，但与业界顶尖的 MoE 模型 DeepSeek-V3 相比，仍存在一定差距。 DeepSeek-V3 以其卓越的性能和效率在MoE领域树立了新的标杆，dots.llm1 的表现虽然未完全达到，但差距已不大，这为未来的优化和迭代留下了巨大的想象空间。

![image.png](https://static.downly.cn/images/daf067a02ecb4fe0ae3639fbb05102ad.png)

这次性能评估，也进一步凸显了 MoE 架构在兼顾性能与效率方面的巨大潜力。 尽管 dots.llm1 在某些方面未能完全达到顶尖水平，但作为一款新晋开源的 MoE 模型，其展现出的实力已经足以令人期待。

### 小红书在 AGI 领域的布局与影响

dots.llm1 的开源，是小红书在通用人工智能（AGI）领域战略布局的重要一步。 作为一家以内容社区为核心的公司，小红书拥有海量的优质图文和视频数据，这些数据将为其未来大模型的训练和优化提供得天独厚的优势。

此次开源的意义在于

*   **赋能社区** 通过开放核心技术，小红书可以吸引更多的开发者和研究人员共同参与到大模型生态的建设中来，加速技术创新。
*   **推动行业发展** 增加高性能开源 MoE 模型的供给，有助于降低企业和开发者使用 MoE 模型的门槛，推动 MoE 架构在更多实际场景中的应用。
*   **提升自身影响力** 通过开源，小红书不仅贡献了技术，也提升了自身在 AI 领域的品牌形象和影响力，有望吸引更多AI人才。



### 未来展望

随着 dots.llm1 的开源，我们可以预见，基于 MoE 架构的大模型将迎来更广泛的关注和应用。 小红书的这一举动，无疑为国内乃至全球的开源大模型生态注入了新的活力。 未来，我们期待看到 dots.llm1 在社区的共同努力下，不断优化迭代，在性能上进一步逼近甚至超越现有顶尖模型，并在更多创新应用场景中发挥关键作用。



小红书开源 MoE 大模型 dots.llm1 性能超越 Qwen3 但不及 DeepSeek-V3

> 近日，谷歌的 Gemini 2.5 Pro 在长文本理解领域展现出惊人实力，在 Fiction.Live 基准测试中，以显著优势超越了 o3，一举成为长文本理解的新王者。这一成就不仅凸显了 Gemini 2.5 Pro 在处理超长上下文方面的卓越能力，也预示着大模型在复杂文本场景应用上的新突破。



在人工智能大模型领域，长文本理解能力一直是衡量其智能水平的关键指标之一。 谷歌的 **Gemini 2.5 Pro** 在这项核心能力上取得了里程碑式的进展，在备受关注的 Fiction.Live 基准测试中表现出色，成功超越了此前备受赞誉的 o3，一跃成为长文本理解领域的“新王者”。

![image.png](https://static.downly.cn/images/90b79d517c1e37ae1c18d0b68f6cf1d6.png)

Fiction.Live 是一个用户生成内容的平台，其特色在于拥有大量篇幅长、逻辑复杂且包含丰富细节的小说作品。 这使得该平台成为了评估 AI 模型在真实世界复杂长文本理解能力方面的一个理想基准。 模型需要准确地理解故事背景、人物关系、情节发展以及各种细微的语义，才能给出高质量的回答或进行有效的交互。

### 压倒性优势 超越 o3

根据测试结果，**Gemini 2.5 Pro** 在 Fiction.Live 基准测试中展现出了令人印象深刻的性能，其在多项指标上均显著优于 o3。

*   **上下文窗口的巨大优势** **Gemini 2.5 Pro** 最显著的特点之一是其高达 100 万上下文窗口（甚至可以扩展到 200 万），这使得它能够一次性处理极长的文本内容。 相比之下，o3 尽管也有着不俗的上下文处理能力，但在面对 Fiction.Live 上那种超长篇幅、细节密集的文本时，**Gemini 2.5 Pro** 的巨大上下文窗口使其能够“纵览全局”，避免因上下文截断而导致的信息丢失或理解偏差。
*   **深层语义理解能力** 仅仅拥有大上下文窗口是不够的，关键在于模型能否在庞大的信息流中精准捕获关键信息，并进行深层次的语义理解和逻辑推理。 **Gemini 2.5 Pro** 在 Fiction.Live 测试中的优异表现，证明了其不仅能“读懂”长文本，更能“理解透彻”，这对于需要把握复杂情节和人物弧光的文学作品至关重要。
*   **在特定场景的适应性** Fiction.Live 的测试场景，无疑是长文本理解能力最严苛的考验之一。 模型需要处理各种复杂的叙事结构、多线并行的情节以及大量口语化的表达，这要求模型具备极强的鲁棒性和泛化能力。 **Gemini 2.5 Pro** 在此脱颖而出，证明了其在特定垂直领域应用中的巨大潜力。

### 技术突破与影响几何

**Gemini 2.5 Pro** 的成功并非偶然，其背后是谷歌在 AI 架构和训练方法上的持续深耕。

*   **多模态融合的潜力** 尽管此次测试主要关注文本理解，但 Gemini 系列本身就具备强大的多模态能力。 在长文本场景下，如果能与图像、视频等信息结合，将进一步提升模型的理解深度和应用广度。
*   **对未来应用场景的启示** **Gemini 2.5 Pro** 在长文本理解上的突破，将对多个行业产生深远影响。
    *   **法律与医疗** 法律文本、医疗报告等往往篇幅巨大且专业性强，**Gemini 2.5 Pro** 有望大幅提升这些领域的信息检索、摘要和分析效率。
    *   **文学创作与辅助阅读** 对于作家而言，AI 助手将能更好地理解其作品，提供更精准的反馈和建议。 对于读者，AI 可以帮助他们更快地掌握故事情节，甚至进行个性化的内容推荐。
    *   **科研与金融** 大量文献、报告的分析和摘要，将变得更加高效。
*   **行业竞争格局** **Gemini 2.5 Pro** 的表现，无疑将加剧大模型领域的竞争。 o3 及其他玩家将面临更大的压力，促使他们进一步提升自身模型在长文本处理方面的能力。 这将推动整个 AI 行业在核心技术上不断突破。



### 大模型能力边界的持续拓展

**Gemini 2.5 Pro** 在 Fiction.Live 基准测试中的卓越表现，不仅仅是某项指标的领先，它更是大模型能力边界持续拓展的有力证明。 它表明，AI 不再仅仅擅长处理短小精悍的指令，而是正朝着更深层次、更广阔的“理解世界”的方向迈进。

未来，我们有理由期待更多能够处理超长上下文、进行复杂推理和深层语义理解的大模型涌现，它们将真正改变我们与信息交互的方式，并为各行各业带来革命性的变革。 随着这项能力的不断成熟，人工智能将在协助人类处理复杂信息、进行创造性工作方面扮演越来越重要的角色。



长文本理解“新王”加冕：Gemini 2.5 Pro 在 Fiction.Live 称雄，力压 o3

> Claude 4是Anthropic公司在2025年5月22日发布的最新一代AI模型，包括两个版本：Claude Opus 4和Claude Sonnet 4。这两款模型相比前代产品带来了显著的能力提升，尤其在编码、推理和AI代理能力方面取得了突破性进展。Claude 4代表了Anthropic迈向更安全、更强大的AI系统的重要一步，提供了新的交互方式和工具集成能力。
>
> 本文旨在全面分析Claude 4的技术能力、性能表现和实际应用场景，通过与其他顶级AI模型的比较，帮助读者深入了解Claude 4的优势和局限性，为AI开发和应用提供参考依据。

### Claude 4版本特性：

- Claude 4包括Opus 4和Sonnet 4两个版本，针对不同需求和预算
- 在编码能力方面，Claude 4在SWE-bench上达到72.5%-72.7%的表现，领先行业
- 新增扩展思考(Extended Thinking)功能，可结合工具使用提升复杂问题解决能力
- 显著改进的记忆能力和持续工作能力，可连续工作长达7小时
- 在多项基准测试中超越GPT-4和Gemini 2.5 Pro

## 2. Claude 4 版本特性

![image-20250526174151379](https://static.downly.cn/images/image-20250526174151379.png)

### 核心技术进步

Claude 4模型在以下方面带来了显著的技术进步：

1. **扩展思考与工具使用(beta)：** 两个模型都能在扩展思考过程中使用工具，如网络搜索，允许Claude在推理和工具使用之间交替，以提高响应质量。
2. **新模型能力：** 两个模型都能并行使用工具，更精确地遵循指令，并且在开发人员提供本地文件访问权限时，显著提升记忆能力，能够提取和保存关键事实以维持连续性和随时间构建隐性知识。
3. **记忆增强：** Claude Opus 4在记忆能力方面大幅超越所有先前的模型。当开发人员构建提供Claude本地文件访问权限的应用程序时，Opus 4擅长创建和维护"记忆文件"以存储关键信息。
4. **减少捷径行为：** 在特别容易出现捷径和漏洞的代理任务上，两个模型都比Sonnet 3.7减少了65%的这种行为。

![Claude 4 models lead on SWE-bench Verified](https://static.downly.cn/images/F09a6d5aa47c25cb2037efff9f486da4918f77708.webp)

Claude 4模型在SWE-bench Verified测试中的领先表现，这是一个衡量真实软件工程任务性能的基准测试



## 3. 扩展思考功能(Extended Thinking)

扩展思考是Claude 4的一项重要创新功能，它使Claude能够在提供最终答案之前进行增强推理，同时提供对其逐步思考过程的不同级别的透明度。

### 工作原理

启用扩展思考后，Claude会创建"思考"内容块，其中输出其内部推理过程。Claude在制作最终响应之前会整合这些推理中的洞察。API响应将包含思考内容块，然后是文本内容块。

#### 使用扩展思考的关键点：

- **思考预算：** budget_tokens参数决定Claude允许用于内部推理过程的最大token数。较大的预算可以通过对复杂问题进行更彻底的分析来提高响应质量。
- **思考总结：** Claude 4模型返回Claude完整思考过程的摘要，提供扩展思考的全部智能优势，同时防止滥用。
- **交错思考：** Claude 4模型支持交错思考，使Claude能够在工具调用之间进行思考，并在接收到工具结果后进行更复杂的推理。

### 扩展思考与工具使用

扩展思考可以与工具使用结合，允许Claude推理工具选择和结果处理。使用工具的扩展思考支持交错思考，这使得Claude能够：

- 在决定下一步操作之前推理工具调用的结果
- 在中间有推理步骤的情况下链接多个工具调用
- 基于中间结果做出更细微的决策

> 交错思考是Claude 4的一项重大创新，允许模型在工具调用之间进行复杂推理，极大地提高了其解决多步骤问题的能力。



## 4. 性能评测与基准测试

Claude 4模型在多项权威基准测试中展现了卓越的性能，特别是在编码和复杂推理任务方面。以下是关键基准测试的结果分析：

![2025052414324231](https://static.downly.cn/images/2025052414324231.png)

### 编码能力

在软件工程基准测试中，Claude 4模型取得了令人印象深刻的成绩：

| 基准测试                | Claude Opus 4 | Claude Sonnet 4 | GPT-4.1    | Gemini 2.5 Pro |
| :---------------------- | :------------ | :-------------- | :--------- | :------------- |
| SWE-bench Verified      | 72.5%         | 72.7%           | 54.6%      | 63.8%          |
| Terminal-bench          | 43.2%         | ~42%            | 数据不可用 | 数据不可用     |
| 高计算条件下的SWE-bench | 79.4%         | 80.2%           | 数据不可用 | 数据不可用     |

### 知识与推理能力

| 基准测试                | Claude Opus 4 | Claude Sonnet 4 | GPT-4.1    | Gemini 2.5 Pro |
| :---------------------- | :------------ | :-------------- | :--------- | :------------- |
| MMLU (扩展思考)         | 87.4%+        | 85.4%+          | 80.1%      | 数据不可用     |
| GPQA Diamond (扩展思考) | 74.9%+        | 70.0%+          | 数据不可用 | 数据不可用     |
| AIME (扩展思考)         | 33.9%+        | 33.1%+          | 数据不可用 | 18.8%          |

![Claude 4 models deliver strong performance across various tasks](https://static.downly.cn/images/image-20250526174151019.png)

Claude 4模型在编码、推理、多模态能力和代理任务方面的强大表现

### 实际应用评测

根据16x Eval的实际测试，Claude 4模型在多项实际开发任务中表现卓越：

![image-20250526172615571](https://static.downly.cn/images/image-20250526172615571.png)

## 5. 与竞争对手的比较

### Claude 4 vs GPT-4.1 vs Gemini 2.5 Pro

根据最新的评测数据，这三款顶级AI模型各有优势：Claude 4在编码能力方面领先，GPT-4.1在效率和延迟方面表现最佳，而Gemini 2.5 Pro则在多模态处理尤其是视频理解方面占据优势。

### 优势领域比较

![image-20250526172642615](https://static.downly.cn/images/image-20250526172642615.png)

### 价格比较

| 模型            | 输入价格(每百万tokens) | 输出价格(每百万tokens) | 特殊考量                        |
| :-------------- | :--------------------- | :--------------------- | :------------------------------ |
| Claude Opus 4   | $15                    | $75                    | 通过提示缓存可节省最多90%成本   |
| Claude Sonnet 4 | $3                     | $15                    | 通过批处理可节省最多50%成本     |
| GPT-4.1         | $2                     | $8                     | 最实惠的高性能模型              |
| Gemini 2.5 Pro  | $2.50                  | $15                    | 超过200K tokens的提示价格会增加 |

> 真正的问题不是哪个模型"最好"，而是哪个模型最适合您的特定用例、预算和风险承受能力。

## 6. 应用场景与实际案例

Claude 4适用于各种高级AI应用场景。以下是一些关键用例和实际案例：

 ![image-20250526172728471](https://static.downly.cn/images/image-20250526172728471.png)



## 7. 新API功能与开发工具

随着Claude 4的发布，Anthropic还推出了四项新的API功能，使开发者能够构建更强大的AI代理：代码执行工具、MCP连接器、文件API和缓存提示长达一小时的功能。

![image-20250526173456911](https://static.downly.cn/images/image-20250526173456911.png)

### Claude Code

现已全面推出的Claude Code带来了Claude的强大功能，拓展到了更多的开发工作流程——在终端、您喜欢的IDE以及使用Claude Code SDK在后台运行。

#### IDE集成

Cursor 0.5版本已经支持Claude4，WindSurf需要在官网配置Claude API Key才可使用Claude4。

![image-20250526181527457](https://static.downly.cn/images/image-20250526181527457.png)

#### Claude Code SDK

Anthropic发布了可扩展的Claude Code SDK，使您能够使用与Claude Code相同的核心代理构建自己的代理和应用程序。他们还发布了SDK可能性的示例：Claude Code on GitHub，现处于测试阶段。



## 8. 使用建议

![image-20250526173642204](https://static.downly.cn/images/image-20250526173642204.png)

### 优化扩展思考功能

#### 最佳实践

- **预算优化：** 最小预算为1,024个token。建议从最小值开始，逐步增加思考预算，以找到适合您的用例的最佳范围。
- **起点：** 对于复杂任务，从较大的思考预算(16k+tokens)开始，并根据您的需求进行调整。
- **大型预算：** 对于超过32k的思考预算，建议使用批处理以避免网络问题。
- **Token使用跟踪：** 监控思考token的使用情况，以优化成本和性能。

#### 性能考虑

- **响应时间：** 准备好可能因推理过程所需的额外处理而导致的响应时间较长。
- **流式处理要求：** 当max_tokens大于21,333时，需要流式处理。



## 9. 总结与展望

Claude 4代表了Anthropic在AI能力发展方面的重大飞跃，特别是在编码、复杂推理和AI代理方面。Claude Opus 4和Claude Sonnet 4为不同需求和预算提供了选择，两者都在基准测试中表现卓越。

扩展思考功能和工具使用的结合为解决复杂问题开辟了新的可能性，而新的API功能为开发者提供了构建更强大AI应用的工具。随着AI行业的快速发展，Claude 4为人工智能的未来发展树立了新的标准。

### 未来展望

AI模型竞赛远未结束，而是在加速。Anthropic的目标是到2027年实现120亿美元的收入，而OpenAI的宏伟目标是创建一个"代理软件工程师"，能够端到端地编程整个应用程序。

随着技术的不断演进，我们可以期待在以下方面看到更多进步：

- 更长时间运行的代理能力
- 增强的工具使用和系统集成
- 更精确的推理和问题解决
- 更深入的专业领域知识
- 改进的多模态理解和生成



> AI模型正在以前所未有的速度发展，而Claude 4在这场全球性的智能竞赛中确立了自己的地位，特别是在编码和复杂推理能力方面。

无论您是押注于下一个突破的初创公司创始人，还是为AI战略选择骨干的财富500强开发者，Claude 4都代表了人工智能的当前巅峰。未来正在用代码书写，而这些AI模型正在执笔。

搜索结果: 性能评测