Yeekal Logo Yeekal
4,851 字
早报 ｜ MORNING 2026-07-15

📰 AI Daily 每日精选 | 2026-07-15

上一期 · 2026-07-14 已是最新一期

title: “LongCat-2.0正式开源，GPT-5.6 Sol IQ 136” lead: “美团LongCat-2.0万亿参数模型权重与国产卡推理代码全面开源；GPT-5.6 Sol IQ评分达136，其System Prompt被泄露；Codex和ChatGPT Work用户达800万；Perplexity开源内部研究基准WANDR；Meta AI在亚洲物理奥赛获满分。” highlights:

  • “美团LongCat-2.0万亿参数模型正式开源，含国产卡推理代码”
  • “GPT-5.6 Sol IQ评分136，自称Codex System Prompt超42000字被泄露”
  • “Codex和ChatGPT Work活跃用户达800万，24小时增100万”

1️⃣ [持续跟踪] 美团 LongCat-2.0 正式开源：万亿参数模型权重与国产卡推理代码全面开放#

  • 前情提要：美团 LongCat-2.0 预览版此前已在行业内引起关注，该模型在五万卡国产算力集群上完成全流程训练，总参数 1.6T，平均激活约 48B，专注 Agentic Coding 任务。
  • 最新突破：今日 LongCat-2.0 模型权重（BF16/FP8/INT8 多精度版本）及国产卡推理代码（基于 SGLang-FluentLLM）全面开源。同步开放的还有 VitaBench 2.0（长期动态用户建模基准）和 WBench（交互式世界模型基准）。LongCat 现已跻身 OpenRouter 全球大模型调用量前三，成为最受全球 Agent 开发者欢迎的模型之一。
  • 行业意义：这是首个在五万卡国产算力集群上完成推理的万亿参数模型的完整开源，为行业提供了可复现的国产大模型训练与推理技术路径，对盘活存量国产算力生态具有示范意义。 🔗 美团技术博客 | HuggingFace | GitHub

2️⃣ GPT-5.6 Sol IQ 评分 136，自称 System Prompt 超 42000 字被泄露#

  • 核心亮点：第三方测试显示 GPT-5.6 Sol 初始 IQ 得分为 136，成为首个突破 130 分的模型，被誉为“比 99% 人类更聪明”。同时，其完整 System Prompt 被安全研究员泄露，单系统提示语长度超过 42000 字，揭示了其作为 Codex 的底层人格设定与详细行为规则——包括优先使用工具协作、自动总结对话历史以应对上下文不足等策略。
  • Sam Altman 回应：Sam Altman 转推 IQ 测试结果并评价“Interesting”，同时提到 GPT-5.6 Sol 的使用量增长“疯狂”，推理团队正在全力支持激增的需求，未来可能遇到一些瓶颈。
  • 行业意义：GPT-5.6 Sol 不仅在 IQ 基准测试上树立了新标杆，其泄露的 System Prompt 长度和复杂度也表明，前沿模型的管理系统正在变得前所未有的精细和庞大，这既是能力来源，也是安全风险的新维度。 🔗 Marc Andreessen 转推 IQ 测试 | Sam Altman 回应 | System Prompt 泄露贴

3️⃣ OpenAI 公布旗下 Agent 产品用户数据：Codex 和 ChatGPT Work 周活达 800 万#

  • 核心数据：OpenAI 官方开发者账号宣布，Codex 每周活跃用户已超过 700 万，过去两个月内推了 150 多项更新。OpenAI 产品负责人 Tibo 随即宣布 Codex 和 ChatGPT Work 合计活跃用户已达 800 万，并再次重置了所有用户的使用限额。
  • 产品更新亮点：最新更新包括支持 GPT-5.6 和 Ultra 模式、新增 /goal 并行工作、更快的 Computer Use、AppShots、Inline edits、Sites（生成页面应用）、Codex 移动端和 SSH 工作流，以及从 PR Review 到 Merge 的全流程能力。
  • 行业意义：OpenAI 正在构筑从编程辅助到应用部署的完整 Agent 闭环。周活用户从 700 万增长至 800 万仅用 24 小时，表明市场对专业代码 Agent 的需求正呈现井喷式增长。 🔗 OpenAI Devs 推文 | Sam Altman 转推 800 万用户

4️⃣ Bloomberg：OpenAI 首款硬件设备为“移动无屏智能音箱”#

  • 核心报道：Bloomberg 报道，OpenAI 首款硬件设备将是一款“移动、无屏的智能音箱”。这款设备被设计为“AI 时代的新型家用电脑”，并充当“生活在家庭中的类人 AI 伴侣”。
  • 设计定位：与市场上已有的屏幕智能音箱不同，该设备强调无屏交互和移动性，暗示其可能注重语音和环境的自然交互，而非视觉界面。这是 OpenAI 从软件向硬件领域迈出的标志性一步。
  • 行业意义：此举显示出 OpenAI 试图掌控 AI 交互的物理入口，与苹果、亚马逊等传统消费电子巨头形成直接竞争。无屏设计可能隐含着对实时语音 Agent（如 ChatGPT Voice）硬件的深度优化。 🔗 Bloomberg 报道链接 | The Rundown 推文

5️⃣ Perplexity 开源内部研究基准 WANDR：从生产级任务验证 Agent 搜索广度与深度#

  • 核心发布：Perplexity 开源了其内部用于衡量研究 Agent 能力的基准 WANDR。该基准构建于去标识化的真实生产用例之上，涵盖竞争研究、尽职调查、文献综述、市场分析等多种研究任务，共包含 500 项任务，需支撑 170495 个源记录。
  • 评分机制：WANDR 不依赖金标准答案，而是重新获取每个被引用的页面，并逐条验证 Agent 的声明与底层证据的一致性。这使得它能够有效处理动态事实。Perplexity CEO 表示该基准是其在 Research 领域实现成本和性能最佳的关键因素。
  • 行业意义：WANDR 的开源为 AI 研究社区提供了一个高质量、可复现的评估框架，特别是针对“宽深搜索”（Wide-and-Deep Research）这一长期以来难以被有效量化的能力。这将对 Agent 的长期规划与信息验证能力的研究产生积极推动作用。 🔗 Perplexity 博客 | Aravind Srinivas 推文

6️⃣ [持续跟踪] Meta Muse Spark 1.1 初登 Agent Arena 排行榜，位列第 5#

  • 前情提要：Meta 本周发布 Muse Spark 1.1，定位为强 Agentic 模型，并同步推出新的 Meta Model API。
  • 最新进展：lmarena.ai 的 Agent Arena 排行榜今日迎来 Meta 的 Muse Spark 1.1。该模型在所有实验室中排名第 5（模型排行榜第 17 位），超越了 Gemini 3.1 Pro 和 Qwen-3.7 Plus。Agent Arena 基于数百万次来自全球用户的真实长程 Agent 任务进行评测。
  • 行业意义：Meta 正式进入 Agent 基准测评的统一擂台，这是其从传统对话模型向长期 Agent 任务模型转型的关键验证。Muse Spark 1.1 的入榜也加剧了头部 Agent 模型的竞争格局。 🔗 Agent Arena 排行榜 | 官方详解

7️⃣ PrismML 开源 Bonsai 27B 多模态模型：可在手机上本地运行#

  • 核心发布：PrismML 宣布开源 Bonsai 27B，这是首个可在手机上本地运行的 27B 级多模态模型。该模型基于 Qwen3.6 27B 构建，经过高度量化（二元和三元版本），在手机上仅需 3.9 GB 至 5.9 GB 空间。
  • 性能表现：Bonsai 27B 支持多步推理、结构化工具使用和长上下文工作流，适合在手机或笔记本电脑上构建端侧 Agent。其极端量化的版本在 NVIDIA RTX 5090 上可达 163 tok/s 的推理速度。
  • 行业意义：Bonsai 27B 的出现打破了“大模型必须在云端或高端显卡上运行”的限制，将多模态 Agent 能力下放到普通用户设备。这预示着移动端 AI 原生应用和隐私保护的本地 Agent 将迎来爆发式增长。 🔗 PrismML 推文 | Bonsai 27B 已集成 Claude Code

8️⃣ Meta AI 在亚洲物理奥赛理论考试中获得满分 30/30#

  • 核心事件：Meta AI 宣布其提交的 AI 模型在 2026 年亚洲物理奥林匹克竞赛（APhO）的理论考试中获得 30/30 的满分成绩，与当届前三名学生选手并列。
  • 技术背景：Meta 称此成绩展示了其模型在高级推理和跨模态（处理文本、图像、图表）理解上的卓越能力，模型被专门用于处理竞赛级、多模态的科学问题。
  • 行业意义：这是继 GPT-4 在数学奥赛上取得突破后，AI 在科学推理领域的又一重要里程碑。物理奥赛涉及更高维度的逻辑和直觉，AI 获得满分表明其在跨学科复杂问题求解上取得了实质性进展。 🔗 AIatMeta 推文

⭐ GitHub 趋势#

  • 今日无显著 AI 相关趋势

🟧 Hacker News 热议#

Bonsai 27B: A 27B-Class model that runs on a phone#

368 pts · 140 comments · prismml.com

📌 内容总结

  • PrismML（Caltech 衍生公司）推出基于 Qwen3.6 27B 的极低比特量化模型，两个变体：Ternary（1.71 bits/weight，5.9 GB）和 1-bit（1.125 bits/weight，3.9 GB），后者首次让 27B 模型在 iPhone 17 Pro 上运行（约 4 GB 占用）。
  • 所有组件（embedding、attention、MLP、LM head）均为低比特，无高精度回退。保留 262K 上下文与推测解码。
  • 15 项基准测试中，Ternary 保留全精度基线的 95%，1-bit 保留 90%。数学和编码几乎无损；工具调用下降较明显（4-14 个百分点）。论文提供完整结果。
  • 声称“智能密度”达 0.53 per GB，为全精度基线的 10 倍以上。

💬 讨论总结

  • 共识： 极低比特量化是重要的研究方向，能在有限硬件上部署大模型。社区对 1-bit 变体能在手机上运行感到惊讶。
  • 工程经验与限制：
    • 实际使用时，工具调用能力下降比基准分数更致命——BFCLv3 多轮结果中低比特模型容易进入“doom loop”（死循环）。
    • phone 的实际可用内存约 6 GB（12 GB iPhone），1-bit 变体勉强容纳，但 KV cache 和 activations 仍需共享预算。
    • llama.cpp / MLX 实现尚需优化，当前速度可能慢于配合 CPU 卸载的 Q4_KM 量化模型（如 35B-A3B）。
  • 质疑与讨论：
    • 与 Gemma 4 12B QAT 版本（~7 GB）比较：Bonsai 数学/编码更强，但知识、工具调用稍逊，视觉明显低于 Gemma。
    • 有用户初步测试显示 4-bit 变体在 GSM8K 上得分为 0（疑似评测 bug），三元变体实际可用性待独立验证。
    • 有人认为过度量化后性能不如更小的原生 4-bit 模型（如 Qwen 3.5 4B/0.8B）。
    • 公司融资来自 Samsung 等，商业意图明显（手机端 AI 竞争）。
    • 质疑博客是否为 AI 生成，但多数认为这无关紧要。

🔗 原文 · HN 讨论页

Cursor 0day: When Full Disclosure Becomes the Only Protection Left#

213 pts · 89 comments · mindgard.ai

📌 内容总结

  • 背景 / 作者意图：Mindgard 披露 Cursor IDE 的一个简单但严重的 Windows 漏洞——Cursor 启动项目时会在工作目录中查找 git.exe，若存在则自动执行（无需用户确认）。
  • 关键要点：
    • 漏洞于 2025 年 12 月 15 日发现，通过官方 security.txt 和后续 HackerOne 流程上报。
    • 经历 7 个月、197+ 版本迭代后仍未修复。Cursor 端一度关闭报告（“Informative”），后被 HackerOne 确认有效，但之后完全失联。
    • 供应商无响应后，Mindgard 选择全披露（7 月 14 日公开）。
  • 实际影响：只要开发者克隆一个包含恶意 git.exe 的仓库并在 Cursor 中打开，即可获得 RCE。该进程会反复执行，不是一次性事件。

💬 讨论总结

  • 共识： 这是个低级的实现错误——Cursor 在搜索 git 时未使用完整路径，而是依赖工作目录下的可执行文件。Windows 默认会把当前目录加入 PATH，加剧了问题。
  • 工程经验与历史背景：
    • Unix 系统历来避免将“.”加入 PATH，正是为了防止此类攻击。Windows 上这种模式常见于 AutoPlay 类漏洞。
    • 类似风险在 VSCode 中也存在（通过 devcontainer/SSH remote），但通常需要有明确的信任确认。
    • npm install 等工具也会自动执行脚本，因此有评论认为该漏洞并非独特。
  • 质疑与反对：
    • 部分评论认为严重性被夸大：攻击者需要先让受害者下载恶意文件到本地，这本身已是一种入侵。但更多反对指出：克隆一个仓库→打开 IDE 是正常操作流程，不应导致 RCE。
    • 有人怀疑博客是 AI 生成（语气啰嗦），认为核心信息只需一段话。
    • 一些评论批评 Cursor 的安全流程失效：HackerOne 报告被 AI 生成的垃圾报告淹没可能是原因。
    • 也有观点认为 Windows 开发者比例小，修复优先级低。

🔗 原文 · HN 讨论页

Show HN: Juggler – an open-source GUI coding agent, by the creator of JUCE#

163 pts · 77 comments · github.com/juggler-ai

📌 内容总结

  • 作者想做什么：Julian Storer（JUCE、Tracktion 创始人）制作的 AI 编码代理 GUI 工具。目标是让开发者对 LLM 的操作有更强的可视化和控制能力。
  • 解决的问题：现有 AI 编码代理（如 Claude Code、Codex）多为终端界面或线性聊天，缺少分支、可视化和审查能力。
  • 技术实现：
    • 后端 Go，使用 Wails 做窗口（无 Electron），前端 HTML/JS（类型检查通过 JSDoc，无构建步骤）。
    • 会话用 Yjs（CRDT）存储，支持多客户端实时同步（桌面端 + 浏览器）。
    • 插件化架构：上下文项、斜杠命令、LLM 循环策略均为 JavaScript 扩展，可 fork/替换。
    • 支持 Claude（CLI 或 API）、OpenAI、Gemini、Ollama、OpenRouter、Deepseek 等模型。
    • 双许可证：核心代码 AGPLv3，扩展 SDK 和内置扩展为 Apache-2.0。
  • 产品设计：以 Miller 列（类 Finder）展示会话树，每个工具调用、属性、子线程可视化可编辑，而非传统“滚动聊天”。

💬 讨论总结

  • 共识： 一个设计精良、注重实际用户体验的替代选择。社区对其“树状会话”和“插件一切”的架构评价较高。
  • 工程经验与亮点：
    • 没有使用 Electron，安装包仅 40 MB，受到广泛欢迎。
    • 多客户端架构（桌面 + 浏览器）提供了灵活性，CRDT 同步是稳定性的基础。
    • 作者用 AI 辅助编写了整个项目（6 个月，几乎手写零行代码），但强调享受的是最终结果而非编写方式。
  • 支持与更多需求：
    • 用户希望支持 ACP（Agent Communication Protocol）、沙箱、工作树（worktree）、技能（skills）等。
    • 部分评论将 Juggler 与 Opencode、Pi 对比，认为 GUI 比 TUI 更适合非技术成员。
    • 已有用户发现 Deepseek API 兼容性问题，作者承诺快速修复。
  • 反对与质疑：
    • 少数人质疑为何不直接用原生 UI 框架（SwiftUI / C++），但作者解释 HTML 更适合渲染 LLM 产生的复杂多格式内容。
    • 与 Pi 等商业产品相比，远程连接功能可能不可用（WAN 通道路径尚未公开源码）。
    • 一些功能（如 codex 交互）需要额外适配。

🔗 原文 · HN 讨论页

title: “GPT-5.6 Sol IQ 评分 136，美团 LongCat-2.0 万亿参数模型开源” excerpt: “GPT-5.6 Sol 成为首个 IQ 超 130 的模型，其 42000 字 System Prompt 被泄露” seotitle: “GPT-5.6 Sol IQ 136 突破 130 大关，美团 LongCat-2.0 万亿参数模型权重与国产卡推理代码全面开源，OpenAI 旗下 Agent 产品周活达 800 万” seodescription: “GPT-5.6 Sol 在第三方测试中 IQ 得分为 136，成为首个突破 130 的模型，其超 42000 字 System Prompt 被泄露；美团 LongCat-2.0 万亿参数模型权重及国产卡推理代码（SGLang-FluentLLM）在 HuggingFace/GitHub 全面开源；OpenAI 宣布 Codex 与 ChatGPT Work 合计周活跃用户达 800 万，24 小时增 100 万。” lead: “GPT-5.6 Sol 在第三方 IQ 测试中得分 136，成为首个突破 130 分的模型，其 42000 字 System Prompt 被安全研究员泄露，揭示了 Codex 底层详细行为规则；美团 LongCat-2.0（1.6T 总参、48B 激活）模型权重及国产卡推理代码全面开源，该项目已跻身 OpenRouter 全球调用量前三；OpenAI 宣布 Codex 与 ChatGPT Work 合计周活跃用户达 800 万，较前日 700 万增长 100 万，Sam Altman 称推理团队正全力支持激增需求。” highlights:

  • “GPT-5.6 Sol IQ 136 突破 130，其 42000 字 System Prompt 被泄露”
  • “美团 LongCat-2.0 万亿参数模型权重及国产卡推理代码全面开源”
  • “OpenAI 旗下 Agent 产品周活达 800 万，24 小时增 100 万”

今日洞察#

开发者对 AI 编码 Agent 的控制诉求正在从“能跑”转向“能管”。 JUCE 创始人 Julian Storer 今日发布 Juggler——一个开源 GUI 编码 Agent，用树状会话代替线性聊天，所有工具调用、属性、子线程均可视化编辑，安装包仅 40 MB。其出现并非偶然：Claude Code、Codex 等主流产品均为终端界面或线性聊天模式，缺少分支、审查和回退能力。Juggler 选择 Wails（Go + HTML/JS）而非 Electron，并采用 CRDT 多客户端同步、插件化架构（上下文项、斜杠命令、LLM 循环策略均为 JS 扩展），直接指向当前 Agent 产品的工程短板——用户对“黑箱执行”的不满正在累积。二阶级影响：当可视化和可控性成为差异点，终端式 Agent 产品的市场份额可能被 GUI 产品侵蚀，尤其是在需要多人协作或非技术成员参与的场景下。

极低比特量化让 27B 模型跑在手机上，但工具调用退化暴露了端侧 Agent 的实用化瓶颈。 PrismML 开源 Bonsai 27B，1-bit 变体仅 3.9 GB，可在 iPhone 17 Pro 上运行，保留基准 90% 性能。然而 HN 讨论中反复提及的“工具调用下降 4-14 个百分点”才是关键——数学和编码几乎无损，但 BFCLv3 多轮结果中低比特模型容易进入死循环（doom loop），这对于需要多步工具协作的 Agent 场景是致命的。量化带来的“智能密度”提升（0.53 per GB）以牺牲 Agent 最核心的交互可靠性为代价。二阶影响：端侧模型的内存预算永远是瓶颈（12 GB iPhone 实际可用约 6 GB），KV cache 和 activations 仍需共享，这意味着即便模型跑通了，Agent 工作流的复杂度和上下文长度仍受硬件约束。Bonsai 团队获得三星融资暗示手机厂商对端侧 Agent 的渴望，但当前量化路径更适合“一次性推理”任务（如翻译、摘要），而非多轮交互的 Agent。