專家預測年底才到，Claude Mythos今天就跑出3小時6分

回顧過去兩年，NVIDIA 的內容安全技術棧已從一個專注於英文的分類器，發展為一系列專業模型，逐步擴展至新的模態、語言與推論模式。2026 年 3 月推出的 Nemotron 3 Content Safety 首次在單一 4B 參數模型中整合多模態與多語言能力。今日我們發布 Nemotron 3.5 Content Safety，補齊最後一塊拼圖：一個統一處理多模態輸入的單一模型。

Ideogram 於6月3日正式發表4.0版本，這是一款採用開放權重架構的文字轉圖片生成模型，官方宣稱其為「全球最佳開源生圖AI模型」。開發人員與研究人員可下載模型權重進行本地部署與二次開發，此舉有望進一步拉高開源模型的品質天花板。

在人工智能重塑科研範式的科技浪潮中，因體系複雜、配方變量多，長期面臨高度依賴專家經驗、試錯成本高、知識難以沉澱複用等行業瓶頸，研發效率提升亟待突破。近日，據雷峰網瞭解，蘇州材科源圖（MatSource)正式發佈全球首個有機高分子材料研發應用智能體（Organic Polymer Agent）。該智能體依託自主構建的通用材料科學智能體框架（Materials Agent Framework），面向高分子材料研發場景打造專家級人工智能系統，推動“人工驅動”向“人工智能協同驅動”加速躍遷，為高新材料的高效自主研發提供了關鍵的技術支撐。01 面向複雜研發場景，構建高分子材料研發“智能中樞”作為材科源圖（MatSource) 材料科學智能體體系的重要組成部分，有機高分子應用智能體聚焦高分子材料研發中的關鍵痛點，融合材料知識圖譜、多模態數據理解、大模型推理與領域機理模型能力，構建覆蓋“設計-預測-優化-決策”的全流程智能研發體系。依託這一技術架構，系統可實現高分子分子結構設計與性能預測、配方體系智能生成與多目標優化、工藝參數推薦與實驗路徑規劃，以及文獻知識解析、研發知識沉澱等核心功能，推動專家經驗向數字化能力轉化。通過“知識+模型+工具”的深度協同，顯著提升研發效率與決策質量，為行業由傳統“經驗驅動”向“智能驅動”轉型提供新的技術路徑。02 率先落地光刻膠，完成產業級驗證作為有機高分子材料中技術壁壘最高、研發難度最大的典型代表，光刻膠成為該智能體的首個驗證場景。目前，系統已完成在ArF光刻膠研發場景中的實測驗證，實現從樹脂設計、配方篩選到性能預測的全流程支持，並完成關鍵指標驗證，證明瞭其在複雜有機高分子體系中的工程化能力與應用價值。這意味著，材科源圖（MatSource)不僅驗證了“AI+高分子材料”的技術可行性，也打通了從實驗室研發到產業應用的關鍵路徑。03 從ArF到EUV，持續拓

2026年，國內新能源汽車滲透率突破60%，中國汽車品牌的售價提升到80萬元。中國乘聯會秘書長崔東樹說，國產車未來要達到5000萬輛銷售規模，在全球市場中，佔比超過50%。中國汽車越過規模大關，但高速發展之下，行業參數內卷、體驗同質化、盈利承壓等痛點日益凸顯。第四屆未來汽車先行者大會上，奇瑞副總經理王琅直言，行業進入新的“無人區”，不能再卷參數了。跳出價格與參數之外，國產車如何尋找下一個增長點？01元戎啟行周光：智駕幾十公里接管一次和1000公里接管一次，是兩個物種最近幾年，智駕行業的技術重心從端到端、VLA向著大模型、基座模型和物理AI快速迭代。元戎啟行CEO周光分享了他對物理AI基座模型的思考。他認為，過去5年，智駕行業走的是小模型路線，已經到了能力的上限，投入越來越多，提升越來越慢。這個現象可以用“蹺蹺板效應”來形容：在小模型系統裡，當一個版本解決了上海、武漢等城市的問題，可能就會在深圳、廣州等地效果變差，引入新問題。版本之間因此要反反覆覆地修改。周光說，這種蹺蹺板效應在行業中非常普遍，這也是用戶難以長期信任這個系統的原因。2026年，行業認知進入到大模型階段。周光解釋，大模型並不是一個更大的小模型，而是有一整套技術邏輯，在技術棧、網絡結構、訓練方式和模式上都有變化。他舉了一個例子，來說明大模型和小模型的認知區別。假設一條狗被染上斑馬的條紋，小模型會識別為一隻斑馬；但大模型會作出這是一隻狗的判斷。“小模型擅長條件反射、局部特徵相應，大模型擅長高級認知”，周光總結。自動駕駛從一開始的被激活，城區安全接管，再到更高的認知理解，做到像人一樣的整體判斷和泛化能力，需要從執行系統升級到認知系統。周光判斷，今年年底到明年初，行業裡會迎來從小模型到大模型、基座模型的轉換浪潮。技術陡峭升級，大模型成為智駕發展的下一個技術範式。他透露，元戎啟行很早就判斷要全面擁抱大模型和多模態，202

從六年前月耗十萬詞元到如今月耗千億，OpenAI 的詞元消耗量呈爆炸式增長。公司內部設有消耗排行榜，員工甚至曬圖炫耀，與亞馬遜等嚴控成本的企業形成鮮明對比。奧爾特曼承認成本已成難題，正尋求降本增效。 #AI 成本# #詞元消耗#

一場罕見的「技術組曲」。 作者丨馬曉寧 編輯丨林覺民 難得能遇到一次大模型開源周。5 月 25 日至 29 日，面壁智能聯合 OpenBMB 開源社區，以每日發佈一項關鍵技術成果的節奏，舉辦了一場「端側大模型開源周」。這在中國乃至全球的大模型公司中，都是一次極為罕見的集體「亮劍」。從適配國產昇騰、未來有望將 600 億參數大模型裝進手機的 1.58-bit 低比特訓練大模型 BitCPM-CANN，到性能超越兩倍參數模型、全球同級最優的 MiniCPM5-1B；從 AI 親手編寫、在 H100 上比英偉達自家大模型訓練框架 Megatron 更快的 ForgeTrain，到重構交互範式的智能體操作系統 PilotDeck；最後，再到揭示端側模型高效智能源頭的核心數據集 UltraData 系列……這五項成果並非孤立的「技術煙花」，而是一套環環相扣、邏輯嚴密的「技術組曲」。它們共同指向一個清晰的行業事實：端側大模型的終局之戰，比拼的不是某個單點技術的拔群，而是覆蓋數據、算法、框架、應用的全鏈路系統工程的創新總和。面壁開源周，更迫使我們重新思考：在通往 AGI 的道路上，開源的真正價值是什麼？而端側，又將在其中扮演怎樣的角色？01為何開源周如此之少翻開過去三年的歷史，面壁之外，也僅有以「效率美學」著稱的 DeepSeek 在 2024 年（6月24日-28日）進行過類似的開源周活動。此外，雖然有些公司有過一週開源三款模型的記錄，但是還未曾冠以開源周的名義。做“開源周”，通常意味著一個機構需要在短時間內（一週）集中釋放大量、系統性的技術成果。這不僅僅是數量的堆砌，更關鍵的是質量的深度和規劃的體系性。無論是DeepSeek，還是面壁的開源周案例，我們可以這樣理解：刻意將發佈壓縮在5-7天內，每天甚至半天就有新項目放出。這需要背後有充足的項目儲備和成熟的發佈節奏規劃。這次面壁的開源，