AI News｜2026-06-29

今日目录

• AI 成本优化：深度理解工作流是关键
• Engram 探索持续学习：模型如何像人类一样“记住”新信息
• Codex 迎来重大更新：交互体验与功能全面升级
• Claude Code 新增“Artifacts”功能，提升代码交互效率
• 开源模型成本效益分析：以美元计价的推理成本更具参考价值

今日判断

我今天更关注的是 AI 应用落地中的实际成本和模型训练的持续性。Aaron Levie 的观点很有启发，他强调了 AI 成本优化并非仅仅是技术问题，而是需要对底层工作流程有深刻理解，并构建一个能够理解业务上下文的中间层。这指向了 AI 服务公司在企业级应用中的核心价值——通过优化架构和用户体验来提升 ROI。

同时，Engram 对“模型永远在训练”的探索，以及持续学习和记忆的研究，也让我看到了模型能力边界的拓展方向。这不仅仅是让模型“知道”更多，而是让它们能像人类一样，在不断变化的环境中学习和适应新知识，这对于构建真正智能的代理至关重要。Codex 的更新则展示了工具层面的迭代速度，尤其是在提升用户体验和代码交互效率方面，这些都是 builder 们在实际开发中能直接感受到的进步。

快讯

AI 成本优化：深度理解工作流是关键

查看原文 · 来源：Aaron Levie (@levie)

Aaron Levie 指出，AI 成本优化需要深入理解底层工作流程，而非抽象的计算。他认为，一个能够深刻理解用户工作流、上下文和业务流程的中间层是关键。对于单个公司而言，自行实现这一层面的优化效率不高，因此，那些能够评估模型在特定应用场景下的表现、深入理解领域知识、优化用户体验并支持客户采纳的 AI 应用公司，将能为企业带来更高的投资回报率。我的判断是，这预示着 AI 服务商将更加注重提供定制化、流程化的解决方案，而非仅仅是模型接口。

Engram 探索持续学习：模型如何像人类一样“记住”新信息

查看原文 · 来源：Training Data

Engram 的联合创始人 Dan Biderman 和 Jessy Lin 在播客中探讨了 AI 模型中的“记忆”和“持续学习”问题。他们认为，当前模型的瓶颈不在于原始智能，而在于理解新颖和不断变化的情境。Engram 的理念是“模型永远在训练”，旨在让模型能够像人类一样，将新信息深度地“烘焙”到模型权重中，而不是仅仅依赖于预训练或后训练。我的判断是，这代表了对更具适应性和动态性的 AI 模型的研究方向，对于构建能够处理复杂、实时变化的 AI 应用至关重要。

Codex 迎来重大更新：交互体验与功能全面升级

查看原文 · 来源：Thibault Sottiaux (@thsottiaux)

Codex 近期迎来了一系列重要的功能和体验改进。更新包括：流畅处理超长对话、直观的导航栏预览和跳转、更全面的设置搜索功能、优化后的缩放级别显示、Slack 复制粘贴保留 Markdown 格式以及更顺畅的大文本粘贴体验。此外，还新增了“Pets”面板。我的判断是，这些改进显著提升了 Codex 作为代码助手的使用体验，使其在处理复杂编码任务和团队协作时更加高效和便捷，是 builder 们值得关注的工具升级。

Claude Code 新增“Artifacts”功能，提升代码交互效率

查看原文 · 来源：Claude Blog

Claude Code 现已支持“Artifacts”功能。虽然原文信息量有限，但结合上下文推测，这一功能很可能旨在优化 Claude 在代码生成和交互过程中的效率和准确性，例如更好地管理和呈现代码片段、文件或中间结果。我的判断是，这是 Claude 在代码助手领域的重要产品迭代，表明厂商正致力于提升 AI 在软件开发流程中的集成度和实用性。

开源模型成本效益分析：以美元计价的推理成本更具参考价值

查看原文 · 来源：Swyx (@swyx)

Swyx 提出，在评估模型时，尤其是在考虑开源模型时，以美元计价的推理成本比单纯的 token 数量更能反映其实际效益。他认为，开源模型在每美元的推理成本上通常比闭源模型 API 更具优势。因此，对于发布开源模型的团队或倾向于使用开源模型的用户，应该以美元为单位来衡量推理成本，而不是以 token 数量作为主要指标。我的判断是，这提供了一个更贴近实际应用场景的成本评估维度，对于 builder 们在选择和部署模型时具有重要的参考意义。