AI最新动态｜2026-09-19
本期汇总了13 位 AI 建造者的 28 条动态、1 期播客，提炼值得关注的产品进展、工程实践与行业变化。
本期速览
今天的公开讨论集中在三条线上：Claude Code 对 AGENTS.md 的原生支持、Jev（Typeface 推出的推理模型）在开发者与企业场景中的快速扩散，以及扩散模型能否在文本与代码生成上挑战自回归架构。OpenAI 方面预告下周将有新发布，但未透露具体内容。
X 上的关键观点
Claude Code 接入 AGENTS.md。 Thariq 宣布，从 2.1.277 版本起，若目录中没有 CLAUDE.md，Claude Code 会转而查找并使用 AGENTS.md，用户可在 /config 中切换该行为。他进一步说明，这一支持建立在 Claude Code mods 之上——mods 是即将推出的定制化机制，AGENTS.md 只是内置 mod，用户之后可以自行构建项目指令的定制版本。这条推文互动量极高（点赞超 2.5 万），说明跨工具指令文件的标准化是开发者普遍关心的问题。我的归纳：AGENTS.md 正在从社区约定走向主流工具的默认读取对象。
Jev 的采用速度成为焦点。 Guillermo Rauch 给出 Vercel AI Gateway 的当日数据：开放模型占 token 量的 78.4%，闭源模型占 21.6%；按支出计，Moonshot AI 与 DeepSeek 分列第三、第四，若加上 Z.ai，三者合计支出超过 OpenAI。他特别提醒，这反映的是跨供应商的推理支出，而非直接流向开放权重实验室的收入。Rauch 还提到 Jev 的采用数据"令人震惊"，并将其归因于"AI 太贵、太慢"的集体情绪——人们急于优化并把 AI 放进更多场景。
Aaron Levie 从企业视角补充了 Jev 的定位：适合工作流中的瞬时判断、数据分类与判断性决策。他给出 Box 与 Jev 的演示——从 Box 拉取事故报告，判断是否面向客户、严重程度如何，再移入升级、监控或复核文件夹并写入元数据模板，整个过程近乎即时且成本极低。他列举了保险理赔、合同管理、贷款审批、安全审查等可迁移场景。Nikunj Kothari 则给出量化案例：Jev 在 28 秒内以 0.11 美元对 3000 条儿童零食按多条件打分，并搭建了聚合演示的 Jevable 站点。
个人 agent 的实际价值。 Peter Yang 称 Meta 的 Muse 是他试过最好的个人 agent，称其每年为他省下 800 美元以上的有线电视与电话账单，并展示了 Muse 致电客服谈判、为 Comcast 账单争取 288 美元年度节省的通话记录。他认为 Muse 有潜力成为 Meta 的下一个十亿用户级应用。这属于个人体验陈述，尚不构成对产品整体能力的验证。
其他零散观点。 Zara Zhang 提出"要修正输出，先修正输入"，认为消费低质内容难以避免产出低质内容。Dan Shipper 则为 Jack Cheng 的演示辩护，反对将其称为"造假"，强调其工作真实且指向未来。Thibault Sottiaux 透露正与 Romain Huet、Sam Altman 筹备主题演讲，称内容密集到"有点离谱"，下周就会有一些东西发布。
播客精华
No Priors 本期对话 Inception 联合创始人兼 CEO、斯坦福教授 Stefano Ermon。他回顾了自己从 2014 年起研究生成模型的经历：早期在 MNIST 上生成模糊数字都算成功，相关论文甚至难以发表。2019 年，他与博士生 Yang Song 提出基于分数的生成模型，即后来扩散模型的技术基础——训练神经网络去噪，再从纯噪声逐步细化出清晰图像。他指出，今天最好的图像、视频、音乐乃至蛋白质模型大多基于扩散。
Ermon 的核心论点是：扩散模型在推理阶段对自回归模型有结构性优势。自回归生成必须逐 token 从左到右进行，第十个 token 依赖前面全部输出，这种负载高度受内存带宽限制，GPU 利用率低。他类比 2017 年 RNN 到 Transformer 的转变——训练并行化带来了 LLM 的爆发，而推理阶段的并行化尚未发生。2024 年他的团队证明，在 GPT-2 规模上扩散语言模型可以匹配自回归模型的困惑度，同时生成速度快约 10 倍。Inception 的目标就是把这一技术扩展到商业级规模。他坦言，多模态统一模型最终采用哪种架构"还没有定论"，但 Inception 押注扩散，理由是推理时扩展终将最重要。
值得继续关注
OpenAI 下周的发布内容尚未披露，值得跟踪。AGENTS.md 被 Claude Code 采纳后，是否会推动其他编码工具跟进同一约定，是观察工具链标准化的重要信号。Jev 的支出数据来自单一网关，其代表性有限，后续需要更多独立数据验证开放模型在推理市场的实际份额。扩散语言模型目前公开的最好结果仍在 GPT-2 量级，能否在更大参数规模上保持质量与速度优势，是这一路线能否成立的关键。
原始来源
X / Twitter
- Thibault Sottiaux（@thsottiaux）
- Peter Yang（@petergyang）
- Nan Yu（@thenanyu）
- Thariq（@trq212）
- Amjad Masad（@amasad）
- Guillermo Rauch（@rauchg）
- Aaron Levie（@levie）
- Zara Zhang（@zarazhangrui）
- Nikunj Kothari（@nikunj）
- Peter Steinberger（@steipete）
- Dan Shipper（@danshipper）
- Aditya Agarwal（@adityaag）
- Claude（@claudeai）
播客
本文由自动化流程根据公开信息生成中文摘要，观点与事实请以原始来源为准。