xAI 更名为 SpaceXAI，Anthropic 揭示语言模型全局工作空间

---

title: “xAI 更名 SpaceXAI，Anthropic 揭示语言模型‘全局工作空间’” lead: “xAI 正式更名为 SpaceXAI 并发布更名视频；Anthropic 研究发现语言模型内部存在类似人类意识的全局工作空间，可被读取和操控；OpenAI 发布 GPT-Realtime-2.1-mini，支持推理和工具使用；腾讯混元 Hy3 正式版开源，295B MoE 架构。” highlights:

• “xAI 更名为 SpaceXAI，马斯克旗下 AI 品牌战略整合”
• “Anthropic 公开 Claude 内部全局工作空间，可读可操控”
• “腾讯混元 Hy3 发布，295B MoE 架构，免费 API 上线”

1️⃣ xAI 正式更名为 SpaceXAI：AI 与航天品牌深度融合#

• 核心事件：马斯克旗下 xAI 正式宣布更名为 SpaceXAI。更名视频在 X 平台发布，播放量超 11 万。
• 品牌整合信号：此前马斯克在多个场合暗示 xAI 将与旗下其他公司产生更深度的协同，此次更名直接将其 AI 品牌与 SpaceX 绑定，可能预示着 Grok 模型将在航天、卫星通信等领域优先落地。
• 行业意义：这是 AI 品牌与实体科技巨头深度融合的标志性事件，SpaceX 的算力与数据优势可能为 AI 训练提供独特的落地场景。 🔗 SpaceXAI 推文

2️⃣ [持续跟踪] Anthropic 揭示语言模型“全局工作空间”：Claude 的内部思维可被读取和操控#

• 前情提要：Anthropic 本周早些时候宣布与 Neuronpedia 合作，展示 open-weights 模型的可解释性方法。
• 最新突破：Anthropic 发布新研究“语言模型中的全局工作空间”。研究团队发现，Claude 内部存在一个类似人类意识的“J-space”，可以读取、审计和塑造模型当前正在思考的内容。该空间不同于链式思考（CoT）或暂存器，而是训练中自发形成的内部工作区。
• 技术细节：研究论文发表于 transformer-circuits.pub，配套交互演示在 neuronpedia.org/jlens 上线。团队称 J-space 提供了观察模型“在哪里持有观点、如何组合信息”的直接窗口，并可通过修改该空间来引导模型行为。
• 行业意义：这是可解释性研究的重大突破，首次将模型内部的“推理舞台”具象化。如果能够可靠地读取和操控这一空间，将从根本上改变 AI 安全审计、价值观对齐和模型调试的方式。 🔗 Anthropic 官方推文 | 研究论文 | 交互演示

3️⃣ OpenAI 发布 GPT-Realtime-2.1-mini，实时语音延迟降低 25%#

• 核心发布：OpenAI 宣布 GPT-Realtime-2.1-mini 现已在 API 中可用，在保持与 GPT-Realtime-mini 相同成本的同时，引入了推理和工具使用能力。配套的，OpenAI 通过改进缓存将 Realtime 语音模型的 p95 延迟降低了至少 25%。
• 关键参数：该模型专为需要低延迟、实时交互的场景设计，开发者可构建带推理能力的语音助手、实时翻译或语音控制 Agent，而无需切换到更昂贵的模型。
• 行业意义：实时语音 API 是当前 AI 产品体验的瓶颈之一。成本不变、延迟更低、推理能力更强的组合，将直接推动语音交互类应用的爆发增长。 🔗 OpenAI Devs 推文

4️⃣ [持续跟踪] 腾讯混元 Hy3 正式版发布：295B MoE，Agent 能力显著提升#

• 前情提要：腾讯混元 Hy3 Preview 版本于 4 月上线，曾因姚顺雨“首秀”而备受关注，但编程能力尚有差距。
• 最新突破：腾讯混元正式发布 Hy3 模型（295B MoE 总参数，21B 激活参数），采用 Apache 2.0 许可开源，并在 OpenRouter 上提供 2 周免费 API。正式版在 Agent 和 Coding 能力上有了显著提升：任务成功率从 72% 升至 90%，执行效率缩短 34%。爱范儿实测证实，Hy3 生成的复杂 3D 网页、游戏复刻和办公场景任务均比预览版提升一个等级。
• 定价策略：输入 1 元/百万 tokens，输出 4 元/百万 tokens，输入缓存命中价格 0.25 元/百万 tokens。在 WorkBuddy 内可免费使用两周。
• 行业意义：Hy3 以 295B 参数实现了接近万亿级模型的性能，验证了 MoE 在成本与能力间的平衡路径。腾讯体系内（元宝、文档、微信读书等）的广泛集成，将为其提供真实数据循环优势。 🔗 腾讯混元官方推文 | 爱范儿实测 | Hugging Face 模型

5️⃣ [持续跟踪] 美团 LongCat 系列开源：万亿模型+三大评测基准同步发布#

• 前情提要：LongCat-2.0 预览版此前在 OpenRouter 上全球调用量已跻身前三。
• 最新发布：美团 LongCat 团队在一天内密集开源四项成果：
  • LongCat-2.0 模型：1.6T 总参、48B 平均激活、原生 1M 上下文，在五万卡国产算力集群上全流程训练并开源。SWE-bench Pro 59.5，Terminal-Bench 70.8。
  • VitaBench 2.0：首个面向长期动态用户建模的智能体评测基准，涵盖 56 名真实特征用户和 819 个复杂任务。
  • WBench：面向交互式视频世界模型的多轮评测基准，覆盖 20 个前沿模型。
  • General 365：通用逻辑推理评测基准，在 26 款模型中仅 2 款“及格”，揭示了当前大模型在常识推理上的根本性短板。
• 行业意义：美团通过“模型+评测基准”的组合拳，系统性地构建了面向 Agent 开发的基础设施，LongCat-2.0 已成为全球 Agent 开发者调用量最大的模型之一。 🔗 LongCat-2.0 博客 | VitaBench 2.0 博客 | WBench 博客 | General 365 博客

6️⃣ Anthropic 公布 Claude Code 开发历程回顾#

• 核心事件：Anthropic 正式发布 Claude Code 开发历程回顾，首次公开讲述其从 Anthropic 安全研究中诞生的起源故事。团队成员 Boris Cherny 表示：“这才是 1% 的完成度。”
• 回顾亮点：文中由构建者和早期用户共同叙述，展示了 Claude Code 从内部实验到产品化的完整演化路径。包括安全研究如何转化为代码生成能力，以及早期用户如何帮助打磨产品。
• 行业意义：这不仅是一次产品营销，更揭示了前沿模型公司在将安全研究成果产品化时的真实挑战和决策逻辑，对于理解当前 AI 编程 Agent 的发展阶段具有参考价值。 🔗 Anthropic 官方文章 | Boris Cherny 推文

7️⃣ Hugging Face 一键集成 Amazon SageMaker Studio#

• 核心发布：AWS 宣布推出 Hugging Face 与 Amazon SageMaker Studio 的深度链接集成。开发者可从 Hugging Face 模型页面的“Customize on SageMaker AI”或“Deploy on SageMaker AI”按钮一键进入 SageMaker Studio，模型预加载、环境预配置，无需手动配置 IAM 权限或请求 GPU 配额。
• 关键改进：预配置权限、GPU 配额可见性直接在实例选择面板展示，显著缩短从发现到实验的路径。
• 行业意义：这一集成直接降低了开发者从开源模型到企业级部署的摩擦，使 SageMaker 成为 Hugging Face 生态的默认企业级入口。 🔗 AWS 博客

8️⃣ AWS 发布 Amazon Nova 自定义内容审核：基于 rDPO 的选择性遗忘技术#

• 核心发布：AWS 公布了 Amazon Nova 模型的自定义内容审核设置（CCMS）背后的技术——Reverse Direct Preference Optimization (rDPO)。该技术通过训练 LoRA 适配器对特定安全政策进行选择性遗忘，使模型能够处理此前被拒绝的合法请求（如生成钓鱼邮件用于安全培训），同时保持整体能力几乎不降。
• 效果数据：在 Safety 维度，拒绝率从 86.51% 降至 32.77%。在指令遵循、数学推理和代码生成三个基准上的能力损失仅约 1-2 个百分点。
• 行业意义：这是首个大规模商用的模型级“遗忘”方案，解决了企业客户在安全护栏与业务需求之间的核心矛盾，推动了负责任 AI 从“一刀切”走向“精细可配置”。 🔗 AWS 博客

今日洞察#

Anthropic 今天发布了“全局工作空间”（J-space）研究，这是可解释性领域的一个关键转折。 过去，我们理解模型内部主要通过行为分析或链式思维（CoT）的文本输出；CoT 是模型“告诉我们它在想什么”，但 J-space 是模型“实际在想什么”的底层电路。Anthropic 不仅找到了这个空间，还给出了工具——Neuronpedia 上的 jlens 演示——来直接读取和修改它。

这项技术的二阶影响不在于安全研究本身，而在于它将改变模型迭代的方式。 如果开发者能可靠地读取模型的“推理舞台”，调试 AI 将从“给更多数据”转向“直接干预内部状态”。这意味着模型能力的上限不再仅由训练数据和算力决定，架构可解释性设计将成为一条新的竞争维度。对模型供应商而言，谁先构建起“可读、可写、可审计”的内部工作空间，谁就能在安全合规和垂直行业（如医疗、金融）中获得不可替代的信任优势。

另一条值得注意的信号是开源模型正在从“通用基准竞赛”转向“Agent 能力交付”。 腾讯混元 Hy3 和美团 LongCat-2.0 在今天双双更新，两家都不再强调通用基准排行，而是重点展示 Agent 任务成功率：Hy3 从 72% 提升至 90%，LongCat 在 SWE-bench Pro 达到 59.5。开发者社区对模型的价值判断在悄然变化——不再看单一的 benchmark 分数，而是关注“它能否真实完成一次多步代码修改”或“能否在终端里自主运行一个复杂的任务”。这对模型训练策略有直接影响：优化方向将从“提高下一个 token 的预测准确率”转向“提高多步决策的连贯性”（即 Agent 完成率），这要求训练数据中包含更多的长尾、多步交互样本。