AlphaFold 负责人加入 Anthropic，特朗普与 Anthropic 合作制定 AI 安全规则

---

title: “AlphaFold负责人跳槽Anthropic，特朗普AI出口管制反转，GLM-5.2评测直逼Opus” lead: “AlphaFold之父John Jumper离开DeepMind加入Anthropic；特朗普与Anthropic CEO会面后改口，出口管制转向合作标准制定；GLM-5.2获Jeremy Howard盛赞，Browser Use测试浏览器Agent成本仅0.18美元；Cloudflare推出AI代理临时账户消除部署摩擦。” highlights:

• “AlphaFold负责人John Jumper加入Anthropic”
• “特朗普与Anthropic会面后态度反转，转向合作制定AI安全标准”
• “GLM-5.2开放权重评测接近Opus 4.8，任务成本仅0.18美元”

1️⃣ AlphaFold负责人John Jumper离开DeepMind加入Anthropic#

• 核心发布：AlphaFold负责人、2024年诺贝尔化学奖共同获得者John Jumper宣布离开Google DeepMind并加入Anthropic。DeepMind CEO Demis Hassabis发表感谢推文，称“AlphaFold改变了世界”。
• 背景：Jumper在DeepMind工作近9年，博士毕业仅6个月便被Hassabis委任领导AlphaFold团队。他的离开是继Noam Shazeer加入OpenAI后，本周内第二起顶尖AI人才从Google流向竞争对手。
• 行业意义：Anthropic正在系统性地从DeepMind和Google Brain等机构吸纳顶级研究人才，巩固其在AI安全与基础研究领域的人才储备，加剧了AI人才战。 🔗 Demis Hassabis推文 | John Jumper推文

2️⃣ [持续跟踪] 特朗普与Anthropic CEO会面，AI出口管制从禁止转向规则制定#

• 前情提要：美国政府于6月13日以国家安全为由迫使Anthropic全球下线Fable 5和Mythos 5，限制外国人士访问。
• 最新突破：特朗普总统与Anthropic CEO Dario Amodei会面后称对方是“好人、聪明人”，表示现在不认为其是国家安全威胁。白宫与Anthropic正在合作创建正式的技术评估框架，用于量化越狱严重性。特朗普还透露举报方是竞争对手兼股东（疑似亚马逊）。
• Andrew Ng评论：在最新一期《The Batch》中，Andrew Ng撰文指出Anthropic使用“安全”论点限制竞争对手，美国政府随后展示更大权力限制出口，这正加速各国追求AI主权和开源替代方案。他称“我们已跨越卢比孔河”。
• 行业意义：此事暴露了AI前沿模型监管的随意性和政治化，同时加速了全球对开放权重模型和AI主权的投资。 🔗 Berryxia报道 | Andrew Ng推文 | Politico报道

3️⃣ [持续跟踪] GLM-5.2开放权重社区口碑发酵：接近Opus 4.8，任务成本仅0.18美元#

• 前情提要：智谱AI于6月13日发布GLM-5.2并承诺开源，6月16日以MIT协议正式开源权重。
• 最新突破：社区实测热度持续攀升。Fireworks AI引用Jeremy Howard评价称GLM-5.2“至少与Opus 4.8和GPT 5.5一样好”。Browser Use团队在浏览器Agent测试中取得接近Opus级别的分数，该任务仅花费0.18美元。Hugging Face联合创始人Thomas Wolf发文欢迎所有人尝试。
• 生态进展：OpenRouter、Ollama等平台已上线，Harrison Chase推荐在dcode模型中立框架中使用。
• 行业意义：GLM-5.2成为首个被社区广泛认可为“可日常使用”的中国开源权重模型，在编码和长程Agent任务上逼近闭源前沿，性价比突出。 🔗 Fireworks AI推文 | Browser Use推文 | Thomas Wolf推文

4️⃣ Cloudflare推出AI代理临时账户：无需注册直接部署，60分钟内可认领#

• 核心发布：Cloudflare今日宣布推出Temporary Cloudflare Accounts for Agents，AI代理可在无需注册账号、无需人工介入的情况下直接通过wrangler deploy --temporary命令部署Worker。部署保持60分钟，期间可认领为永久账号。
• 设计哲学：为解决AI代理在需要部署时因浏览器注册流程而卡住的问题。背景AI会话将在无人类介入的情况下自行运行，临时账户提供了便宜的试错目标。
• 支持工具：Wrangler CLI会自动提示代理使用--temporary标志。认领后Worker、数据库等资源一并转移。
• 行业意义：这是首批主要云平台为AI代理提供的无缝部署体验，预示着开发者平台正从“为人设计”转向“同时为Agent和人类设计”，消除注册摩擦是Agent平台的第一公里。 🔗 Cloudflare博客 | Cloudflare Dev推文

5️⃣ GitHub Copilot CLI 正式版上线：本地语音模型 + Rubber Duck 调试Agent#

• 核心发布：GitHub Copilot CLI今日正式GA，主要新特性包括：设备端语音转文本模型（支持直接说话编码）、内置“Rubber Duck”Agent（使用第二个模型帮助查找盲点）。
• 使用方法：开发者在终端中可直接语音输入，Copilot理解后返回命令或代码。Rubber Duck agent在你提交代码前自动检查潜在问题。
• 行业意义：语音编码和Agent辅助调试正从概念走向正式产品，GitHub将Developer Experience推向新的维度，降低了编码门槛并提高了代码质量。 🔗 GitHub推文 | Copilot CLI页面

6️⃣ Gemini 3.5 Flash修复输出文本循环问题，新模型导出并重置配额#

• 核心发布：Antigravity团队宣布已根因并缓解Gemini 3.5 Flash的高频输出文本循环问题。新模型已部署并导出，同时重置所有用户每周Gemini配额以便体验。
• 背景：此前Gemini 3.5 Flash在某些情况下会陷入重复文本死循环，严重影响使用体验。此次修复是模型稳定性的一次重要改进。
• 行业意义：前沿模型在生产环境中的可靠性和一致性仍是关键挑战，快速响应和透明修复正在成为AI平台的标准操作。 🔗 Varun Mohan推文

7️⃣ 美团开源零样本TTS模型LongCat-AudioDiT：波形空间直接生成，说话人相似度SOTA#

• 核心发布：美团LongCat团队正式开源LongCat-AudioDiT（1B/3.5B），在波形潜空间直接进行扩散TTS，彻底抛弃梅尔谱等中间表示。在Seed基准上零样本语音克隆说话人相似度（SIM）达0.818（中文）和0.797（中文难句），均刷新SOTA。
• 技术突破：提出自适应投影引导（APG）替代传统无分类器引导（CFG），解决过饱和问题；首次发现并修复流匹配TTS中长期存在的“训练-推理不匹配”问题。
• 行业意义：这是纯波形空间端到端TTS的里程碑，压缩比超2000倍，验证了绕开中间特征的扩散TTS路线可行且达到业界最优，为高保真语音合成和多模态音频生成提供了新基座。 🔗 美团技术博客 | GitHub | HuggingFace

8️⃣ LLM盈利困境：Gary Marcus指出唯一接近盈利的季度依赖Elon补贴#

• 核心发布：Gary Marcus今日引用数据指出，唯一一个主要LLM公司接近盈利的季度是在这个图表巅峰时期，且依赖于Elon Musk的一次性重大补贴。随着价格持续下降，超大规模云厂商更难盈利。
• 数据背景：Peter Berezin发布的价格走势图显示LLM推理成本仍在急剧下降。Marcus认为这对消费者是好事，但让利润前景更加暗淡。
• 行业意义：当前AI行业的“价格战”与“资本密集”形成尖锐矛盾，头部公司盈利路径不明朗，投资人与产业界需重新审视商业模式的可持续性。 🔗 Gary Marcus推文 | Peter Berezin推文

9️⃣ 其他值得关注：Milvus Attu 3.0 AI Agent、Recraft API降价提速、LiteParse v2.1#

• Milvus Attu 3.0 beta：Milvus发布Attu 3.0，其AI agent可连接50+个Milvus工具，通过自然语言直接完成集合管理、数据操作、诊断和RBAC。高风险操作有确认对话框，支持自带LLM（Seek、Gemini等）。这标志着向量数据库管理正式进入Agent交互时代。
• Recraft API降价提速：Recraft API降价12-16%，标准模型速度提升50%（12s→6s），Pro速度提升67%（30s→10s），使AI图像生成的商业化门槛进一步降低。
• LiteParse v2.1：LlamaIndex发布LiteParse v2.1，纯代码实现的Markdown文档解析器，不依赖任何AI/OCR，在ParseBench上超越Qwen 3.5-9B、GLM-OCR等模型，是当前最快且完全开源免费的文档解析器。 🔗 Milvus推文 | Recraft推文 | Jerry Liu推文

⭐ GitHub 趋势#

📊 类别速览

项目	类别	Stars
agent-native	AI Agent	1.0k
headroom	推理/模型	38.6k

---

1. BuilderIO/agent-native ⭐ 今日 +210#

语言/许可： TypeScript /
总 Stars： 1.0k
仓库： GitHub

项目定位：
面向构建「Agent-Native」应用的框架，解决 Agent 与 UI 割裂的问题——Agent 和 UI 共享同一状态层，操作可双向触发，而非将 Agent 作为 Chat Widget 附着在传统应用旁。

核心功能：

• Actions 层定义：一次定义动作（defineAction），自动暴露为 UI 按钮、API 端点、MCP 工具、A2A 协议，无需重复编写集成代码
• SQL-backed 状态层：所有 Agent 状态、记忆、技能配置、用户工作区数据均存储于 SQL 数据库（支持 Drizzle 兼容的任意数据库），Agent 和 UI 读写同一数据源
• CRDT 实时协同：支持多人 + 多 Agent 在同一文档中协作，Agent 作为一等参与者（visible cursors, selection rings）
• 三种交付形态：同一 Agent 逻辑可部署为 headless API、嵌入式 Rich Chat、或完整的 SaaS 应用，无需重写业务代码

技术亮点：
基于 CRDT 的 Agent-Human 实时协同编辑能力，支持任何 SQL 数据库作为状态后端，无锁定；A2A 与 MCP 协议作为一等公民内置而非事后集成。

---

2. chopratejas/headroom ⭐ 今日 +3938#

语言/许可： Python / Apache-2.0
总 Stars： 38.6k
仓库： GitHub

项目定位：
面向 AI Agent 和 LLM 应用的上下文压缩层——在 tool output、RAG chunks、log 等输入到达模型前实时压缩，降低 60-95% token 消耗，同时保持输出质量。

核心功能：

• 多模式部署：作为 Python/TypeScript 库（compress(messages)）、透明代理（headroom proxy）、或 MCP Server 运行，覆盖本地开发与生产场景
• 自适应内容路由：ContentRouter 自动识别 JSON、AST、自然语言等类型，选择对应压缩器（SmartCrusher / CodeCompressor / Kompress-v2 模型）
• 可逆压缩 (CCR)：压缩后的 prompt 中嵌入检索工具，LLM 需要原始内容时自动调用 headroom_retrieve，平衡成本与精度
• 输出 Token 缩减：支持通过 HEADROOM_OUTPUT_SHAPER 和 --verbosity 控制模型回复长度和思考深度，减少输出端浪费

技术亮点：
使用自有模型 Kompress-v2-base 进行文本压缩，支持 KV Cache 前缀对齐（CacheAligner）以保持缓存命中率，压缩后精度损失在 1-3% 以内（Math/QA 基准测试）。

🟧 Hacker News 热议#

Norway imposes near ban on AI in elementary school#

318 pts · 200 comments · reuters.com

📌 内容总结

• 挪威政府因教育测试成绩持续下滑，继2024年禁止学校使用智能手机后，对生成式AI实施按年龄分层的限制：小学1-7年级（6-13岁）原则上禁止使用；初中（14-16岁）可在教师监督下谨慎使用；高中（16-19岁）应学习如何适当使用。同时政府提议立法增加纸质课本投入，逆转数字设备进课堂的趋势。
• HN 关注点:
  • 政策并非全面封杀，而是按年龄渐进导入，与教育目标相关
  • AI的用途决定效果：作为“私人教师”可能有益，但作为“作业代写器”明显有害
  • 缺乏大规模实证表明AI能稳定提升学习效果，反而有证据显示过早使用会削弱读写算等基础能力

💬 讨论总结

• 共识观点：支持按年龄分阶段引入，尤其是低龄段禁止使用。多位评论者指出，过去对计算器、电脑、互联网的类似担心最终被证明过度，但当前AI与它们有本质区别——AI可以产生“看起来已完成”的输出，跳过思考过程。有教师反馈AI已导致学生作业质量和批判性思维明显下降。
• 工程经验/历史背景：挪威从1990年代开始课堂数字化，大量使用电脑和平板，现在开始“拆解”之前的决策。有评论类比“1990年代学校禁止搜索引擎”，但当时没有证据表明搜索引擎有害，而AI损害学习的证据已在积累。另有人指出：大模型环境下，“搜索并撰写”这种经典作业形式已失效，因为搜索引擎直接给出答案。
• 商业现实：AI公司高管（如YouTube CEO）已被报道限制自己孩子使用社交媒体。多位评论者推测，AI高管同样会限制自己孩子接触AI。富有家庭的孩子本身被限制电子设备使用，而中低收入家庭的孩子则可能在校外无节制使用AI，形成新的不平等。
• 反对意见：完全禁止会让学校错过AI作为个性化辅导工具的机会，尤其是在帮助移民儿童学习语言、为高天赋儿童提供挑战性内容方面。有人批评这是“教育系统无法适应变化而选择逃避”。还有评论者质疑：如果8岁孩子已经能掌握读写，为什么还要禁止AI？当年10岁时自己建网站也没被禁止。
• 风险/限制：政策未限制教师使用AI制作教案和试卷，已有家长发现教师用AI生成的数学练习完全错误。AI被用于评价学生作业的自动化流程也令人担忧。

🔗 原文 · HN 讨论页

Zen and the Art of Machine Learning Research#

231 pts · 74 comments · jxmo.io

📌 内容总结

• 作者给ML研究新手的建议：研究能力来自“阅读”与“构建”的结合；不要追逐短期热点（如2026年的agents、context engineering），而是扎实掌握基础（手算交叉熵、深入理解SVD、策略梯度原理）；不要只盯着刷榜，真正的突破在于找到能测试新能力的合适数据集；保持初学者心态，警惕经验带来的偏见；灵感往往来自键盘之外（散步、做梦）；对实验结果保持“平常心”；代码bug是实验失败的主要来源；设计快速反馈的工作流；使用AI编码工具时要警惕对系统理解力的削弱。
• HN 关注点:
  • 作者强调“秉性”（temperament）比智商或努力更重要
  • 机器学习本质上是一门实验科学，大量进展来自工程实践而非数学推导
  • 东西方对“禅”的理解差异：西方禅常被用于强化自我，而东方禅更强调放下与自然

💬 讨论总结

• 共识观点：
  • 研究中“健康的偏执”和“对坏结果的平常心”是关键品质。多位评论者认可“好结果往往来自bug，差结果能学到更多”。
  • 快速迭代优于批量并行实验。有管理者分享经验：后端的快速反馈（几天）与ML的慢反馈（数月）导致不同人格的工程师选择截然不同——那些需要频繁成功信号的人不适合ML研究。
  • 不要过分信任现有评估套件。好的研究者先定义问题，而不是解决别人提出的问题。
• 反对意见：
  • 过度强调“钻研基础”可能忽略近十年深度学习进步主要来自实验性的工程创新（如ReLU、Transformer），而非原理突破。有评论者指出“很多数学上优美的想法不工作，很多工程上的点子却管用”。
  • 作者借用的“禅”概念被批评为工具化了东方哲学。评论者指出真正的禅宗（Sun）强调“放下执着”“不刻意”，而非“强化自我以取得成就”。西方流行的“禅”更接近斯多葛主义。
• 工程经验：
  • 代码质量直接影响科研可信度。有研究者因未发现的bug导致数月工作作废，建议多记录指标并理解每一个异常。
  • AI编码助手虽然加快速度，但会削弱对系统细节的理解，容易遗漏关键配置差异（如上下文长度、批大小），这些差异足以改变实验结果。

🔗 原文 · HN 讨论页

今日洞察#

Cloudflare 临时账户是一个信号：AI 代理部署的基础设施摩擦正在被消除。

Cloudflare 今日推出 Temporary Cloudflare Accounts for Agents，AI 代理可在无人类注册的情况下通过 wrangler deploy --temporary 直接部署，60 分钟内可认领为永久账号。这个设计的直接触发点是：“AI 代理在需要部署时因浏览器注册流程而卡住”——这是一个在之前所有云平台设计中从未被正视的问题，因为平台默认用户是人。Cloudflare 选择为 Agent 设计零摩擦的登录体验，意味着云平台正从“为人设计”转向“同时为 Agent 和人类设计”。

二阶影响是：当部署门槛从“注册账号”降为“一行命令”，AI Agent 的自主性将大幅提升——背景会话可以自行完成从开发到部署的全流程，无需人类介入。这直接降低了 Agent-as-a-Service 和长期运行 Agent 的商业化门槛。同时，这也意味着 Agent 平台的第一公里（注册认证）从用户体验问题变成了基础设施问题，其他云厂商大概率会快速跟进，否则会失去 Agent 生态的开发者心智。

同时，John Jumper 离开 DeepMind 加入 Anthropic 是人才流向的第三个信号（继 Noam Shazeer 加入 OpenAI 后，Google 核心研究人才本周内第二次流向竞争对手）。Anthropic 正在系统性地从 DeepMind 和 Google Brain 吸纳顶级研究人才，这不同于之前的人才竞争——后者多为产品线人才，而 Jumper 代表的是结构生物学和科学计算方向。Anthropic 的招聘目标正在从“安全研究”扩展到“基础科学”，这可能预示着其长远产品路线会触及医疗、材料等垂直领域，而非仅限语言模型。