模型在用
- Codex重置机制改良，可以存一个月。且开启邀请用户获取重置额度的机会。
Claude Fable：a shortest and smartest model。它跟Fable辞典义项相合，既是短命寓言、寿命约三天，又是神话，在编程人员间流传。
编程能力再度加强。亮点在并发编程能力，视觉设计水平。如果需求足够明确且能够实现，那么它大概率能写出来；
极其主动，极其花钱。它能跑数小时长途任务，遇到问题，会像“破解软件”那样去努力。你可以参考Simon Willison 的案例，让它解决两行CSS问题，花了12.11美元；
- 它很贵。除了单价，还有“破解软件”般努力的代价，耗费增长超越平方级别。有网友提出一个省钱方案：让Opus 去做花token的部分
安全限制很多，假阳性率很高。比方说，有人说句“你好”，就不给用了。 某种程度上我理解限制，毕竟有被大模型rm -rf / 的呆瓜。在如此主动的模型下，万一被指令注入，窃取信息不在话下；万一竞对能利用，A\感觉自己会被一下子“偷走”不少东西。
超过一般问题的极限，而且容易导致小题大做。有部分编程人员，刚开始尝试Fable的时候，觉得跟Opus没什么区别；
没能突破某种界限。模拟小白用户设计网站、训练AI、分析需求，都不算好，甚至有的方面不如GPT5.5——换句话说，人的学识，依然有用。不然都没法供给足够具体、可行的需求。
- Claude在Fable被迫下架后，可以申请退款，点击链接。不过，iOS得去苹果应用商城走退款；
- AI圈又开造新词了，Agent Loop；
- 各大厂商持续收缩员工AI使用额度；
- AI影响下，不仅GPU、CPU、内存、硬盘涨价，连元器件也开始涨价；
- 海外独立机构调查国产芯片水平。中芯科技受制裁后，没有最先进光刻机的情况下，转向堆叠技术，取得不小进步，短期足够支撑手机、部分推理、网络、安全等场景（补充：产能也是问题）；
- 分辨鹅腿阿姨卖的是鸭腿还是鹅腿。
Claude Fable：求锤得锤，使用之外
讽刺图
时间线梳理
首发于微博
A\公司最强模型 Claude Fable 5 被管制、无奈下架，可以说是求锤得锤，全是回旋镖，充满恩怨。理一下相关事件：
A\公司及其 CEO 达里奥多次鼓吹 AI 的“毁灭性风险”，甚至在给政府的公开信中，主张「政府应当拥有在第三方评估认为大模型存在“不可接受风险”时，一票否决或强行召回（Recall）商业模型部署的绝对权力。」
2026 年初，A\跟战争部的 AI 采购合同谈判破裂，起因是 A\要求战争部遵守 A\的安全要求，而战争部拒绝，主要理由是，私企不应当提出这类要求。
2026 年 2 月 26 日，A\达里奥发表强硬声明，掀起公众情绪，Claude 应用下载量飙升（详见图一）。
2 月 27 日，川普下令，所有联邦机构封杀 A\。
3 月 9 日，A\提起联邦诉讼；3 月 26 日，A\胜诉。
4 月，A\公司开始营销 Claude Mythos 预览版（无限制版 Fable），突出宣传其自动挖掘漏洞的可怕性能，并宣传与大公司合作构建防御体系。
5 月 14 日，A\公司发布文章，宣扬收紧出口管制、打击模型蒸馏攻击。
6 月 2 日，川普发布总统令《促进先进人工智能创新与安全》，第一条就是鼓励创新、减少监管——“大幅削减前任政府对美国人工智能开发者和研究人员施加的官僚主义限制”。同时，政府要建立针对前沿模型的机密基准测试框架，由企业自愿参与。
6 月 5 日，川普签署 NSPM 11，要求美国国家安全机构确保 AI 供应商不得未经政府批准，阻止、停用、降级或实质修改军方任务依赖的 AI 系统；对反复违反相关政策的公司，相关部门应在法律允许范围内，推动因违约或便利原因终止合同，并可给予有限豁免。
6 月 9 日，A\正式发布“最强模型” Claude Fable 5 和 Claude Mythos 5。A\称前者的安全护栏已经足够，可向大众开放；后者只提供给部分合作的网络防御公司。
6 月 12 日，A\称「收到美国政府出口管制指令：任何外国国民，无论在美国境内还是境外，包括 A\外籍员工，都不得访问 Fable 5 和 Mythos 5。政府未给出具体国家安全细节。」A\当日关闭所有 Fable 公众访问，不论用户是不是美国人。
A\达里奥射出的出口管制子弹，射回到自己身上。
微软CEO萨提亚：人力不应贬值
个人评价：大部分理念是本周刊一直有说的，但有些忽视转型的阵痛。在大模型吞吃技能那块，更像愿景，而不是必然的结果。很容易被人结合云服务的利益、立场上攻击。
原文双语对照:为了稳定，前沿模型需要人机生态
A frontier without an ecosystem is not stable
作者：微软CEO 萨提亚（Satya Nadella）美东时区上午8:33 · 2026年6月14日
最近我常琢磨，未来AI主导经济后，企业会是什么样。
I’ve been thinking a lot about the future of the firm in an AI-driven economy.
这次变革，有别于历次平台更迭。过去，数字系统只用来提升人力；如今，却能构建真实人机认知循环。这前所未有。这实在令人震撼，因为这会彻底改变我们对企业内部“工作”的观念。
This transition is different than any previous platform shift. In the past, we used digital systems to enhance human capital. This is the first time we can create a real cognitive loop between people and digital systems. That is a mind-bender, because it changes how we even conceptualize work inside an enterprise.
关键不在于怎么用数字工具或系统。如今，AI模型能不断吸收人与机构的专长，并将其商品化。在这个世界里，机构如何持续学习、积累IP（知识产权）、形成差异并茁壮成长？这才是生死攸关的大事。
What is at stake is not some digital tool or system and its use, but how organizations continue to learn, build IP, differentiate, and thrive in a world where AI models can continuously absorb the expertise of humans and organizations and commoditize it.
每家公司都得积攒两样东西：人力资本与Token资本。人力资本，包含人的学识、判断、人脉、巧思以及洞察规律能力；而Token资本，则是企业构建并拥有的AI力。
Every company is going to have to build what I think of as human capital and token capital. Human capital comprises the knowledge, judgment, relationships, ingenuity, and pattern recognition of its people, while token capital is the firm’s AI capability it builds and owns.
这很重要：Token资本越壮大，人力资本不仅不会贬值，反而越发珍贵！我坚信，人的能动性才是Token资本增长的引擎。是人类，设定宏伟目标、跨界融会贯通、拓展人脉关系、洞悉关键规律。无人指路，算力再强也只是原地打转。
Importantly, human capital does not become less valuable as token capital grows. It only becomes more valuable! I believe human agency will be the driver of token capital growth. Humans will set ambitious goals, connect dots across domains, build relationships, and recognize patterns that matter most. Without human direction, you have compute running in circles.
因此，真正的机遇不在挑选最强模型，而在搭建基于模型的学习循环，让人力与Token资本叠加、增值。你可以把任务、甚至工作交出去，但绝不能把“学习”交出去。企业的未来，拼的就是让人与AI融合学习、不断精进的能力。
This means the real opportunity is not in picking the best model but instead in building a learning loop on top of models where human capital and token capital compound. You can offload a task, or even a job, but you can never offload your learning. The future of the firm is the ability to compound that learning across people and AI.
这就需要一种全新架构：每家企业都能打造自我进化的Agent系统，且依然牢牢掌控自有知识产权。即便换掉底层的“通用”模型，也不会失去这一学习系统中沉淀的“资深员工”专长。在下一时代，企业能否保持自主可控，这是个关键考验。
This requires a new architectural approach where every business is able to build agentic systems that improve over time, while still retaining control over their IP. A company should be able to switch out a “generalist” model without losing the “company veteran” expertise built into their learning system. This is the key “test” of your control and sovereignty in the era ahead.
企业必须把工作流程、行业常识与多年沉淀的判断力，融进越用越聪明的AI系统。内部评估要盯紧核心业务指标，模型是否真在推动；而别光盯着外部跑分。专属的强化学习环境，要让模型吸收内部真实数据，不断变强。有了知识库，机构记忆随时可查，Token消耗也更高效。
Companies need to turn their workflows, domain knowledge, and accumulated judgment into AI systems that improve with each use. Private evals should capture whether a model is actually improving against outcomes that matter to the business (not just external benchmarks!). Private reinforcement learning environments should let models grow stronger on real traces from inside the organization. Its knowledge base makes institutional memory queryable and use of tokens more efficient.
这一循环，便成了企业的新IP。在我看来，它就像台攀岩机，而且与普通资产不同，它会越用越强。工作流程哪怕改善一点，都会产生更优训练信号，加速沉淀企业独门方案。谁先建好这套机制，谁就能积累起难以复制的优势，任凭单体模型如何更新迭代，也难以撼动。
This loop becomes the new IP of the firm. I think of it as a hill climbing machine. And unlike most assets, it compounds. Every improved workflow generates better training signal, which accelerates the accumulation of tacit knowledge unique to the firm. The companies that build this early will have an advantage that is hard to replicate, regardless of any new individual model capability.
大家最不愿看到的，是各行各业都把价值拱手让给少数几个贪婪吞噬一切的模型。如果利益全被几家模型寡头垄断，政治经济体制绝不答应。社会也绝不容许AI掏空各大产业。
The last thing any of us want is a world where every company across every sector is ceding value to a few models that eat everything they see. If all the value is accrued by only a few models, the political economy will simply not tolerate it. There is no societal permission for an AI future that hollows out entire industries.
回想全球化初期，大量外包彻底掏空了美国工业经济体。账面GDP挺好看，但失业率不好看，苦果至今还在尝。不要让这出悲剧在AI时代重演：少数AI系统卷走所有红利，而各大产业只能眼睁睁看着学识沦为廉价商品。
Think about what happened in the first phase of globalization where entire industrial economies were hollowed out by outsourcing. The GDP numbers looked fine on the surface, but the displacement was real and the consequences are still being felt. Let us not bring that dynamic into the AI era, with a small number of AI systems capturing all the economic returns, while entire industries find their knowledge commoditized right out from underneath them.
依我看，当务之急是打造前沿生态，而非仅盯着前沿模型。只有这样，价值才能广泛滋润各家企业、各行各业与各个国家。在这个生态里，每家机构都握有专属学习循环，传承内部经验，让人力与Token资本源源不断地增值。
In my view, our priority has to be building a frontier ecosystem, not just a frontier model, so value flows broadly across every company, every industry, and every country. One where every organization can own the learning loop that encodes its institutional knowledge, compounding its human and token capital.
我从小就认同这种理念：平台成全的价值，理应大于平台攫取的价值。如此，家家企业都能持续创新，打拼出属于自己的一番天地。
This is the ethos I’ve grown up with where platforms enable more value on top than is captured inside, and where every company can continuously innovate and build value of its own.
若能实现这点，企业既能成就自己，又能反哺周边经济。员工会发现，自身专长不仅被放大，个人洞见也已融入系统，不仅能复制推广，还能造福企业与周边社区。
When that happens, companies will create value for themselves and for the economy around them. Employees will see their expertise amplified and their judgment become part of systems that make it replicable and scalable and the benefits accrue to the companies and communities around them.
这才是企业创造价值、繁荣经济的正道。也唯有这样的稳固平衡，才值得大家携手共建。
That is how companies drive value for themselves and the broader economy. And it is the stable equilibrium we should build together.
OpenAI Codex: 真·第二大脑
翻译
白领把大量时间耗在找背景资料、对齐、等回复、搬运数据上。
麦肯锡全球研究所的调查显示，知识工作者平均每周要花28%的时间处理邮件，还要花近20%的时间去查找内部信息，或者满世界找同事帮忙。
白领们需要的信息，分散在收件箱、文件夹、聊天记录、评论区、权限审批、看板、工单、会议、……、甚至员工大脑里。
数字化，却没有一体。搜索、协助、审批……全是难题。
「生产率悖论」出现：新技术诞生，并没有马上提高实际生产效率。或者形象得讲，马拉火车（图一）
类比电气时代（图二），工厂流水线的出现，才完全利用了电动机的生产力。
知识工作没有形成“工厂流水线”。
有些知识工作者发现，编程AI工具Codex，也可能用来分析数据、研究并产出报告、产出知识内容。（图三）
甚至，有的工作以前要靠同事来做，现在可以让AI帮忙，不用求同事，不用等排期，更不用审批。
目前这些人已占Codex用户约两成。不是程序员，也能写代码、上原型、搞运维；不是数据团队技术人员，也能自行搭建数据看板；程序员可以；高管可以主动拉取报告、对齐信息……
另外还有「多任务并行」。五成用户在一天内，会有两个以上的Codex任务同时跑。一边处理数据，一边编写脚本，同时还产出报告、应用……执行者某种意义上成了管理员。
甚至还有5%个人用户，用来「兴趣创作、教学自学、个人理财和娱乐。」
OpenAI
以上内容转述自OpenAI官方新闻。它声称：
如果说当年的工厂是把电机装到每台机器旁，那么 Codex 就是把 AI 送到每个需要解决的问题面前。
过去的组织是为了应对制造和搬运成果的高昂成本而建立的——比如庞大的秘书处、跨职能团队、层层递进的办事员以及冗长的审批链。Codex 则把更多自主权交给了最需要它的人。
它打通了成果制作前后的所有瓶颈：找资料、对齐工作流、产出成果、质检，甚至催办审批。Codex 为数字化割裂的团队带来了一种全新的工作方式。企业可以跑得更快，少走弯路，减少行政负担，让员工把精力留给最关键的事。
关键词：codex-for-knowledge-work/ ; the-next-era-of-knowledge-work.pdf
个人评价
讽刺的是，OpenAI虽然声称Codex打破了信息化的生产率悖论，但Codex本身也引入了新的AI生产率悖论。Codex用户做的事情，也很可能是新一轮“马拉火车”。
「多任务并行」并不一定是好事。人类并不适应频繁切换上下文，工作会被之前更累。有些程序员实际反馈如此，甚至有人觉得没有以前古法编码快乐。
另外，把Codex换成其他成熟的AI Agent，hermes、Claude Code之类，好像也行。