Runway 不想只做视频工具了
Runway 估值达 530 亿，正从视频生成工具转型构建 AI 世界模型。其核心逻辑是利用视频数据中蕴含的物理规律，弥补文本数据的偏见，目前已发布 Gen-4.5 并规划了交互式模拟、机器人训练等五步路线图。凭借好莱坞付费用户形成的反馈闭环与经常性收入，Runway 具备较强商业基础。尽管面临算力瓶颈及 Google、Luma 等激烈竞争，且 Sora 退出留下市场真空，但 Runway 通过“先有生意再有研究”的策略，试图验证视频生成通向世界理解的工程化路径。
Anthropic 两千亿估值一夜作废，是 AI 泡沫破了吗？
Anthropic 宣布作废未经董事会批准的二级市场员工股转让，导致其估值短期内大幅缩水，引发关于 AI 泡沫破裂的讨论。由于公司未上市，员工套现依赖私募渠道，中间商通过 SPV 层层转卖并收取高额手续费，造成交易混乱且投资者权益缺乏保障。Anthropic 明确不认可此类灰色渠道交易，使大量散户面临资金损失风险。此外，AI 巨头如 OpenAI、xAI 和 Anthropic 的股权高度集中，少数早期员工巨额套现加剧了财富分配不均。尽管行业技术飞速发展，但普通民众难以参与核心利益分配。
Grok 4.3 被低估的隐藏工作流全解析
Grok 4.3 近期更新后，多数用户仍停留在简单问答模式。AI Master 的实操演示显示，这款工具的真正价值在于工作流整合：Fast/Auto/Expert 三档模式分工明确，Expert 模式下追加"什么条件变化会让你改变答案"可逼出明确结论而非模棱两可的套话。深度嵌入的搜索支持一键生成带引用的舆情分析，"反向观点扫描"能在信息茧房中找出盲区。任务功能可设定周期性指令自动运行，相当于零成本的专职信息助理；结构化输出配合内置 Python 执行，上传 CSV 直接出图表，省去本地配置环境的
AI 不够聪明？也许只是没有给对上下文！
AI 输出质量差往往不是因为模型不行，而是缺乏有效的上下文。近期备受关注的 “上下文工程” 正是解决这一瓶颈。通过数据打通、知识层构建、精准检索和运行时治理，让 AI 获取与任务真正相关的信息。在检索环节，相比基础 RAG，智能体式 RAG 能迭代获取数据，GraphRAG 靠实体关系导航提升精度，上下文压缩则过滤噪音最大化信号。当模型能力边际放缓，上下文工程的质量将成为拉开 AI 应用差距的关键。
三种记忆模式解决 AI 智能体的金鱼记忆
很多 AI 智能体表现“迟钝”，往往并非模型能力不足，而是缺乏记忆机制。Google 技术专家基于 ADK 提出三种解决方案：会话记忆让助手在单次对话中记住上下文；多智能体状态共享支持多个智能体通过键值对协作传递信息；持久化存储则利用数据库替代内存，使智能体能跨越重启记录用户偏好。这些方法能有效解决“金鱼记忆”问题，帮助开发者构建更连贯、具备长期服务能力的个人助理应用。
ChatGPT 开始卖广告了，但 OpenAI 真正的野心在语音
5 月 7 日，OpenAI 在英、巴等五国启动 ChatGPT 广告内测，并推出三款具备 GPT-5 级推理能力的实时语音模型。广告业务强调隐私与回答独立性，旨在探索免费用户变现路径。新语音模型则支持复杂任务操作，加速企业付费场景落地。此举标志 OpenAI 从技术验证转向商业模式规模化，证明 AI 产品可兼顾用户体验与多元盈利，为行业商业化提供了关键风向标。
让 AI 视频拥有电影质感的九层结构提示词
如何让 AI 视频拥有电影质感？提示词应采用导演语言而非被动描述，需包含主体、微动作、环境、摄像机、灯光、风格、情绪、物理细节、渲染质量九层结构。文章还总结了微动作工程、摄像机定义、布光逻辑、情绪编码及可控混乱等策略，并提供了多条完整示例。创作者需注意框架易致同质化，真正的竞争壁垒在于对细节分寸和不可模板化判断的把握。
LM Studio 和 Ollama 到底该选哪个
本地部署大模型时，LM Studio 与 Ollama 各有侧重。前者主打图形化界面，适合快速上手和模型对比。后者作为后台引擎，性能更优且支持自动硬件调用，在自动化工作流中表现更佳。随着版本迭代，两者功能边界虽逐渐模糊，但在 API 兼容性、并发处理及智能体集成方面，Ollama 仍具备明显优势。用户可根据是追求便捷体验还是深度集成需求来选择合适的工具。
哈佛研究： AI 急诊诊断准确度超越两位医生
哈佛团队研究显示， OpenAI 的 o1 模型在急诊分诊的文本诊断中准确率达 67%，略优于内科医生的 50-55%。但研究者强调，这仅测试了文本处理能力， AI 尚无法替代临床决策中的责任归属、患者沟通及复杂情境判断。