跳到主要内容

AI Builders Digest — 2026-07-28

🧠 模型发布​

Kimi K3：Moonshot 的 2.8T 参数 MoE 模型，原生支持 vision，提供 1M-token context window；官方称其采用 Kimi Delta Attention、Attention Residuals，并以约 2.5× 的 scaling efficiency 改进长程 coding、knowledge work 与 reasoning。可用性: Kimi.com、Kimi Work、Kimi Code、Kimi API；完整 model weights 已按计划于 7 月 27 日开放。评价: 这是本轮最值得关注的 open-weight 规模化发布，但官方也承认整体体验仍落后于最强 proprietary models。

Celeris-1：采用 diffusion language model 架构，以并行 refinement 替代传统逐 token autoregressive decoding；官方披露速度达 1,664 tokens/s，MMLU-Pro 为 75.9%，median latency 158ms。可用性: 通过 Celeris 的 OpenAI-compatible API 提供。评价: 它把“低延迟推理”从工程优化提升为模型架构竞争点，适合 voice、classification 与 agent tool orchestration。

🔥 新产品发现​

  • FeyNoBg：Automatic background removal model 与训练库，适合把抠图能力直接嵌入应用。[HN 83👍 21💬]
  • Wmux：为 AI agents 管理 workspace 的 multiplexer，面向并行 coding agent 工作流。[HN 12👍]
  • airi：自托管、用户拥有的 realtime voice AI companion，支持 Web、macOS、Windows，并能玩 Minecraft、Factorio。[GitHub Trending]
  • claude-video：让 Claude “观看”任意视频，自动下载、抽帧、转写并交给模型分析。[GitHub Trending]
  • last30days-skill：跨 Reddit、X、YouTube、HN、Polymarket 与 Web 做研究，再生成有依据的综合摘要。[GitHub Trending]
  • ruflo：面向多 agent swarm 的 meta-harness，提供 autonomous workflow、adaptive memory、RAG，以及对 Claude Code、Codex、Hermes 等工具的集成。[GitHub Trending]
  • localskills.sh：面向团队与企业的 AI Skill、MCP server 管理平台。[PH]
  • HeyZoku：用语音编排一组 coding agents，把任务分派从文本命令扩展到 voice interface。[PH]

📰 博客更新​

Anthropic Engineering​

OpenAI News​

🐦 开发者动态​

  • Thibault Sottiaux（Codex 与 ChatGPT，OpenAI）：分享 ChatGPT “work” 的实际用法，强调让 agent 直接处理账单、垃圾邮件、比价等日常任务，产品形态正从回答问题转向替用户完成工作。
  • Peter Yang（AI 教程与访谈作者）：在与加拿大用户交流后观察到，企业和个人的首要顾虑已不是 token 是否够用，而是是否足够信任 ChatGPT 访问 Gmail、Calendar、Workspace 与 Office。
  • Madhu Guru（Meta AI 高级总监，曾负责 Gemini、Veo、Nano Banana）：认为 AI 对软件生态的影响会分两阶段展开，当前主要是有分发能力的公司快速把 AI 扩展到相邻问题，下一阶段才会出现大量 net-new features。
  • Guillermo Rauch（Vercel CEO）：支持 open weights、open source、data 与 protocols 作为 AI 下一阶段的基础设施，并分享了将 Vercel CLI TypeScript 编译为约 1.28MB native binary 的实验结果。
  • Aaron Levie（Box CEO）：指出企业 AI 的价值不只来自 intelligence，还需要接入真实系统、数据、UX、合规与 feedback loops；模型越强，能自动化的 workflow 越大胆，应用层机会反而越大。
  • Zara Zhang（Builder）：建议不要用烧掉多少 tokens 衡量 AI adoption，而要看从用户需求出现到功能上线所需的时间。
  • Dan Shipper（Every CEO）：正在撰写 Codex 诞生史，计划通过对 OpenAI 内部人士的深度访谈，整理这套 coding agent 的发展过程。

🎙️ 播客摘要​

OpenAI’s Compute Chief: We Can’t Build Fast Enough | Sachin Katti​

OpenAI 工业算力负责人 Sachin Katti 在 MAD Podcast 中讨论了 AI 基础设施扩张的物理边界。核心判断是，算力需求仍然远超供应，任何新上线的 compute 都会被立即消耗，因此数据中心建设速度、电网与能源供应、液冷系统以及 custom silicon 都成为模型能力之外的关键约束。对谈还提到 OpenAI 正推进 Jalapeño 自研芯片，并讨论核能、超大规模数据中心和 AI 反过来设计训练与运行系统的可能性。节目将视角从模型 benchmark 拉回到真正支撑 agent 与 frontier intelligence 的工业系统：如果芯片、供电和部署周期跟不上，单纯提升模型算法也无法兑现需求；而当 AI 开始参与芯片和系统设计时，基础设施自身可能进入递归式优化循环。