BestBlogs 早报 · 06-27

BestBlogs 早报 · 06-27 # GPT-5.6 Sol / Deep Agents 提示词缓存 / AI 推理成本 / Scaling Laws / 翁荔 [1] ★ 精讲｜GPT-5.6 Sol 前瞻：下一代模型预览 OpenAI 启动 GPT-5.6 系列有限预览：旗舰 Sol、均衡款 Terra（性能比肩 GPT-5.5 但便宜一半）、低成本 Luna。新增 max 深度推理档与调用子智能体的 ultra 模式，Sol 在 Terminal-Bench 2.1 上以 88.8% 刷新编码 SOTA。这次首发只面向少数可信伙伴，并配合美国政府网络安全审查分阶段放开——能力跃升与安全门槛同步收紧，才是本次发布最值得关注的信号。 来源：OpenAI News https://t.co/KTQzYiGcSV [2] ★ 精讲｜Deep Agents 的提示词缓存 LangChain 拆解了把生产级 Agent 成本压下来的关键杠杆——提示词缓存。难点在于各家策略割裂：Anthropic、Gemini 支持显式断点，OpenAI 走最长前缀自动缓存，Gemini 仅有隐式缓存。其 Deep Agents 框架做了 provider 无关封装，在真实 Agent 轨迹上把 token 成本砍掉 49%-80%（claude-haiku -77%、gpt-5.4-mini -80%）。会话越长收益越大，长程任务最受益。 来源：LangChain Blog https://t.co/8sLPLMkOUM [3] ★ 精讲｜AI 推理显然是盈利的 不少人认为 AI 推理服务本身在亏钱、只能靠投资人输血续命，Sean Goedecke 算了一笔账反驳：4 张 A100 跑 70B 模型约 2M token/小时，电费加散热每百万 token 仅约 13 美分，摊上 GPU 折旧综合成本约 1 美元；而 GPT-5.4-mini 卖 4.5 美元，70%-80% 毛利完全成立。DeepSeek-V4-Pro 市场价约 87 美分已贴近成本佐证。真正亏的不是推理，而是 AI 实验室拿推理利润补贴训练军备竞赛。 来源：Sean Goedecke https://t.co/7mATIa8YwM [4] 新一代学习 AI，苹果端侧模型配方，GLM-5.2 攻克开放性问题 吴恩达分享了指导 AI 原生产品构建的三个关键软件开发循环（智能体编码、开发者反馈、外部反馈），同时涵盖了 GLM-5.2 领先的智能体表现以及美国大学 AI 学位兴起的相关资讯。 来源：The Batch | https://t.co/hRFcJTFVYd https://t.co/iO6cmhkBsL [5] 科技爱好者周刊（第 401 期）：如何赚到 10 亿美元 本文摘录了 Paul Graham 关于如何通过创业赚取 10 亿美元的演讲，核心观点是保持高增长率并进入大市场，并辅以增长计算示例和其他科技资讯。 来源：阮一峰的网络日志 https://t.co/3Bmfrb8aac [6] 腾讯混元 AI Infra 如何优化 Hy3 Preview：一次大模型推理性能提升的技术拆解 本文拆解腾讯混元 Hy3 大模型在 Hopper 卡上从算子、融合、并行、缓存到量化的全栈推理优化方案，实测性能提升显著。 来源：腾讯技术工程 https://t.co/aF05iFJYuP [7] OpenSandbox 再进化：Credential Vault 让真实密钥不再进入沙箱 OpenSandbox 推出 Credential Vault 功能，通过出站代理在沙箱外注入凭据，使 AI Agent 沙箱不再需要保存真实密钥。 来源：阿里技术 https://t.co/QM1O2xLg00 [8] Zynga 创始人 Mark Pincus：消费者产品「现在没法投」，恰恰是你该入场的理由 [视频] Zynga 创始人 Mark Pincus 反向立论，指出现在正是押注消费者产品的时机，并分享了「Proven Better New」框架、「鱼群来袭」产品市场契合测试法，以及 AI 消费革命将在 2029 年到来的预测。 来源：Y Combinator https://t.co/UhCwUkDZaL [9] 翁荔最新万字长文：大模型 Scaling Laws，要谨慎理解 本文系统梳理大模型 Scaling Laws 的研究脉络，从早期机器学习损失可预测性、Kaplan 与 Chinchilla 的计算最优分配，到数据受限区域及实际拟合中的敏感陷阱，为理解缩放定律提供了全面且深入的导览。 来源：AINLP https://t.co/TVdnxpj0nu [10] 火山引擎 AI 搜索千万级 Agent 架构演进与实践：从 ReAct 三节点到 Unified Policy 本文详细解析火山引擎 AI 搜索团队如何将标准 ReAct 架构演进为 Unified Policy Agent 架构，通过 Workflow 与 Agent 分层、统一控制/行为/状态，实现 TTFT 降低 30%与推荐质量提升。 来源：字节跳动技术团队 https://t.co/CfcI88ITh1 --- https://t.co/88ZBr47sdT · 发现真正适合你的高质量内容 BestBlogs 是 AI 驱动的私人阅读助手，帮助你发现真正适合你的高质量内容，欢迎体验。 在线阅读：https://t.co/hyTqs6hDS3 > **引用原帖 ginobefun (@hongming731):** > https://t.co/K6McAM1oMN > https://x.com/hongming731/status/2070664357596545454