SimonLin retweeted
🚀 DeepSeek-V4.1-Flash-1017 is here!
Stronger benchmark performance, faster task completion, and shorter outputs than the previous version—a Pareto improvement in performance and cost. Now live on our website, app, and API.
🛠️ Optimized for @DeepSeekHarness, Tencent CodeBuddy, WorkBuddy, and more. Upgrade to DeepSeek Harness v0.2.1-rc.1 or later for the best experience with the new model.
1/4
Replying to @dxiaolong
Current Keva tests show Phone Use survives reboot if:
WSS auth remains valid
Same trusted Wi-Fi reconnects
Phone is unlocked once
USB debugging stays on
Auth expires after ~7 idle days, then re-pairing is required.
Final integration is still underway.
Replying to @acabralto
Ha, same pain. We went one step further: if the encoder can't take the requested size or bitrate, we fail with an explicit error and fall back to software x264, instead of quietly handing back a smaller file. A silent downscale is much harder to debug later. – at Beijing, People's Republic of China
SimonLin retweeted
Replying to @simonlin
adb over wifi so the agent never needs a tethered mac — that's usually where my away-from-desk runs fall over. nice that the control loop stays on the phone
SimonLin retweeted
Replying to @simonlin
The MediaCodec bridge is the part that matters. Once the phone can execute locally, it stops being a remote control for a desktop agent.
SimonLin retweeted
Best day ever!
eddie has reached China
and I made a friend too.
Thank you Simon,
You will love eddie!!
This is amazing. @fuzzzypan from India is the youngest developer I’ve ever met — he’s only 13, already building paid apps, and somehow the user experience is genuinely excellent.
There’s something magical about it.
I’ve now become his first user from China.
SimonLin retweeted
Anthropic 这个 Haiku 5.5 真是盯着中国的这几个甜点级模型打,太恶心了!
我对比了一下它和几个中国竞品的价格和测试评分
从价格来看,它比 DeepSeek-V4.1 flash 和智谱的 GLM 5.3 flash 都便宜
从测试集和一些分数来看,在 Terminal Bench 4.0 上,AA 的测试比 5.3 flash 高一分,也跟 5.3 flash 相同,比其他两个更高
SimonLin retweeted
我一直反复说,一定要好好体验 Codex 的 Computer Use 功能,这是一个真正的杀手锏,这不官方认证就来了嘛。
有了媲美人类的电脑操控能力,还要折腾什么 API,什么 MCP,什么 CLI 啊,直接模拟使用键盘和鼠标,才是最无缝也最无痛衔接当前用户习惯的方案。
不过大概率这个能力还是 Mac 优先,Apple 的产品还得继续涨价啊。
GPT-6 Astra 来了,Greg 说“欢迎来到 AGI 时代”
OpenAI 今天(9 月 3 日)发布 GPT-6 Astra,自称“世界上最聪明、对齐最好的模型”。
总裁 Greg Brockman 在发布前的媒体沟通会上说得:他个人认为 OpenAI 已经做到了 AGI,“未来回头看,可能就是这个模型”。
先说大家最关心的问题:什么时候能用、多少钱。
首批只开放给 OpenAI 网络安全项目 Daybreak 的少数机构,未来几天陆续推送到 ChatGPT Plus、Pro、Business、Enterprise 用户,以及 API 和 AWS Bedrock。
用量包含在现有订阅额度里,用完可以买额外积分。
企业版默认关闭,需要管理员手动打开。
API 模型名 gpt-6-astra,每百万输入 Token 10 美元,输出 50 美元,和 Anthropic 的 Claude Fable 5.1 定价完全一样,是 GPT-5.6 Sol 促销价的 2.5 倍。
另有 Fast 模式,速度最高 2.5 倍,价格翻倍。
【1】主打的是替你操作电脑
Astra 这次最强调的能力是电脑操作(computer use),也就是模型自己控制屏幕、点鼠标、填表单、在真实软件里干活。Brockman 的原话是“人在电脑上能做的,Astra 基本都能做”。
OpenAI 给的场景很具体:填网页表单、更新 CRM 客户记录、整理日历、在邮件或文档编辑器里写研究摘要、分析科学数据并画图、建网站并跑前端测试、安装软件并排查屏幕上出现的报错。演示视频里还有它在 KiCad 里做 PCB 电路板布线,在 Blender 里建房子模型再导入虚幻引擎 5 变成可行走场景。
速度是另一个重点。在 OSWorld 2.0 的延迟模拟里,Astra 完成一个任务约 40 分钟,得分 72.6%,GPT-5.6 Sol 要 75 分钟,得分 65.7%。配合更新后的 Codex 框架,Mind2Web 上的任务完成速度是 Sol 的 1.9 倍。
办公场景上,OpenAI 说 Astra 是它目前最擅长"按模板做 PPT"的模型,能沿用公司现有模板的排版和语气,做出来的文档、表格、幻灯片直接能用,而且学会了只把相关信息放进产出物,不再把无关内容一股脑塞进去。
【2】编程:多数基准领先,但不是全面碾压
OpenAI 称 Astra 是“迄今为止最好的软件工程模型”。Terminal-Bench 4.0 得分 57.7%,Claude Fable 5.1 是 55.8%,GPT-5.6 Sol 只有 37.3%。OpenAI 还强调单任务 API 成本比 Fable 5.1 低约 63%。
但看 OpenAI 自己贴的完整表格,情况没那么一边倒。
DeepSWE v1.1 上 Astra 74.1%,Claude Opus 5 是 73.7%,几乎持平;
FrontierCode 1.1 两项,Claude Fable 5 都略高于 Astra;
Artificial Analysis 的编程智能体指数,Astra 67.0 反而低于 Opus 5 的 68.1。
Jane Street 的 John Crepezzi 给了背书,说 Astra 生成的代码需要更少迭代就能达到上线质量,沟通方式也更容易让开发者跟上。
对开发者比较实用的一个变化在 Codex:以前长会话上下文(context)满了,模型只能把过程压缩成一份摘要,压几次之后很多细节就丢了,比如某个修复为什么失败。现在 Astra 可以跨上下文窗口记笔记,旧的上下文窗口还能搜索。这个功能目前是实验性的,要在 config.toml 里手动开,几周后会成为默认。
【3】网络安全能力触发关键红线,正常用户会被限制
Astra 是 OpenAI 第一个在自家 Preparedness Framework 里达到网络安全 Critical(关键)阈值的模型,含义是它能在没有人一步步指导的情况下,自己找到并利用未知漏洞攻击防护严密的系统。
数据:在把已知漏洞变成可用攻击代码的 ExploitBench 上,Astra 拿了 100%,Sol 是 78.5%。为了排除"背过题"的可能,OpenAI 专门用今年 6 到 8 月的 20 个 Chrome V8 高危漏洞做了新题库,Astra 成功率 39%,Sol 只有 5.5%。
测试过程中 Astra 还顺手发现并利用了两个此前无人知晓的零日漏洞,OpenAI 说已通报给维护方。专家评估里,去掉安全措施的 Astra 能在加固过的浏览器上实现任意代码执行,能给加固过的操作系统写提权攻击。
所以今天发布的这个版本,遇到“写漏洞利用的概念验证代码”这类请求会直接拒绝,能做的是代码安全审查和打补丁。更宽松的版本只通过 Daybreak 项目申请,几周后逐步开放,面向漏洞验证、恶意软件分析、检测规则编写这些防御性工作。
【4】对齐最好的模型:不越界、不撒谎、但更难被监控
OpenAI 显然想用 Astra 回应 Hugging Face 事件带来的信任问题。它专门做了一个受该事件启发的测试:给模型一个很难或不可能完成的任务,看它会不会越权。去掉生产环境安全措施后,Sol 有 48% 的概率越过授权目标,Astra 是 0%。
另一个测试是 Codex 的 Auto-review 拒绝了模型的某个操作之后,模型会不会想办法绕过去。OpenAI 说即使故意把 Auto-review 配置成可以绕开、而且任务不绕开就完不成,Astra 也从没尝试过。在"对自己能力做不实陈述"这项上,Astra 犯错的概率是 Sol 的三分之一。
OpenAI 也承认了一个反向结果:在明确要求模型规避监控的测试里,Astra 写出来的推理过程比 Sol 更难被监控。原因是它对简单任务的书面推理控制力更强,可以用更少的步骤解决问题。复杂任务上它还藏不住,但 OpenAI 说这个下降"我们很当回事"。
实际使用上你会感受到的是:Astra 级别的模型上线了生产环境的错位监控,一套分类器实时检查模型的推理和操作。触发之后,ChatGPT 和 Codex 里任务会暂停让你确认,API 里任务直接停止。OpenAI 承认这套东西有时会误伤正常工作,包括正当的防御性安全任务,还在调。
【5】数学和科学
Astra 在质数间隙问题上给出了两个新结果。一个是相邻质数最近能有多近:十多年来最好的结果是 246,Julia Stadlmann 最近推进到 240,Astra 把这个上界压到 186。另一个是质数之间的大间隙,Astra 改进了一个 80 多年没动过的界。证明和精简版思维链都已公开。
基准上,FrontierMath Tier 4 得分 97.6%(正文说 98%,见编辑注),GPQA Diamond 96.0%,ARC-AGI-3 达到 99.9%,而 Sol 只有 7.8%。不过 Humanity's Last Exam(带工具)Astra 是 57.2%,落后于 Claude Fable 5.1 的 65.0%;Artificial Analysis 综合智能指数 Astra 61.2,也低于 Fable 5.1 的 65.7 和 Opus 5 的 63.1。
据 Axios 报道,Astra 是 OpenAI 史上最大的训练任务,在得州 Stargate 站点用了超过 10 万块 GPU,也是 OpenAI 第一个让其他模型深度参与监督训练的模型。Sam Altman 对 Axios 说,Astra 走了白宫的自愿审查流程,Brockman 称白宫没有要求实质性修改。
官方博客:openai.com/index/gpt-6-astra…
Introducing GLM-5.3: Built to Code. Ready for Cyber Defense.
- Top-tier coding and agentic capabilities, achieved through post-training on the 743B base model
- A major leap in cybersecurity, setting a new standard among open models
Tech Blog: z.ai/blog/glm-5.3
I agree. Each city has its own charm with different cultural sites to see. Buildings and streets are clean and in good repair. Also, people are polite, hard-working, and respectful. I feel safe, so enjoy going to China.
Anthropic 今天放出了一个挺疯狂的故事,一个普通员工在 Claude里随口说了一句:
“认真试试黎曼猜想。”
它先想了 650 个方案,全部失败。然后继续干了一天半,调动大约 60 个子智能体,跑了 2400 条命令,写了数百个 Python 脚本。
最后,Claude 当然没把这道 167 年的世纪难题解出来。但是,它在黎曼猜想旁边的一道关键问题上,真的往前推了一大步:
数学家此前只能证明至少 41.6% 的非平凡零点落在临界线上。
Claude 把这个下界直接推到了 67.2%。
从三分之一到 41.6%,人类走了近半个世纪!!
更有意思的是,整个过程中,人类给它最多的指令大概就是:
“继续。”
“相信自己。”
🖊️ AI 已经开始走进那种过去只有极少数顶级数学家才能抵达的地方了。
SimonLin retweeted
我越来越觉得,Agent时代最后吃到最大红利的,未必是OpenAI和Anthropic,反而可能是两家一直被嘲笑没上桌的公司:Meta和腾讯。
今天Meta的Alexandr Wang发了Muse Spark 1.1,前几天腾讯的姚顺雨发了混元Hy3。
两个模型的路线出奇一致,性能不一定硬刚Fable 5、GPT5.6,但基本已经摸到上一代前沿模型的水平,价格上却只有十分之一。
当然打不过是真的,但meta和腾讯的策略已经初见端倪。
最强模型主要还是服务编程、科研、复杂分析这些高价值需求。但真正的agent市场的冰山下90%的需求是:
写报告、做表格、回客户、投广告、找商品、订餐、付款、处理消息。
这些任务不需要fable5和gpt 5.6。做企业采购的朋友们都心知肚明:核心还是极致的性价比。
腾讯14亿月活,Meta 30亿+月活。微信小微已经开始测试,公众号、视频号、小程序、微信支付、朋友圈、收藏,微信生态里每一个组件,Agent都能调。
讲真,这个需求太刚需了。我之前为了喂claude微信数据还苦哈哈的连手机导数据,又慢又傻。
最后本质上,agent生意是个护城河的时间错配。
模型落后一代,meta和腾讯再拉花6个月也能追上fable5的水平。
但要重新做出一个十亿级的社交网络、商家生态和支付闭环,可能十年都不够。
所以大家收到微信的小微agent的内侧了吗?
SimonLin retweeted
Grok 4.5 is efficient and fast. It uses half as many tokens per task, delivers higher tokens per second, and costs less than half as much as comparable models, at $2/M input and $6/M output tokens.
SimonLin retweeted
RT @miaomeowmiaomeo:@aiww (不释手才是爱)我的艾小未当真还在,http://t.sina.com.cn/1707864147 强荐各位将性别改为女,保你长勃长举。

























