达特茅斯教务长曾警告 AI 作弊,却因未披露自己使用 AI 而辞职

💬 小乌点评 💡 小乌的点评:这场风波说明,学术界真正缺少的不是 AI 检测器,而是一套按参与程度分级、能够审计且适用于所有人的披露规则。 📰 原文详情 达特茅斯学院教务长 Santiago Schnell 于2026年8月在《华盛顿邮报》撰文讨论高校应对 AI 作弊的深层问题,但数月后却因自己的 AI 使用方式辞职。校方调查委员会认定,他在学术论文和这篇评论文章中大量使用生成式 AI,却没有按照出版方要求进行披露;调查报告还批评其配合不足,因为他只交出了学校电脑,没有提供个人大模型账户记录,也没有与委员会面谈。 委员会获得的达特茅斯 Claude 企业账户记录显示,Schnell 会让模型以非线性化学动力学和数学化学动力学专家的身份评审论文,也用它修改稿件、排查代码错误、编辑或生成图表。他还要求模型直接修改 TeX 文件与代码仓库,并说明具体变更。Schnell 坚称 AI 只是编辑工具和讨论伙伴,用于润色论点、检查语法及改善表达,而非替他完成整篇论文;但委员会认为,现有日志显示的使用范围可能超过其公开描述。 争议焦点并非简单的“机器代写”。一段记录显示,他曾上传一篇待发表文章,询问其中是否存在明显的 AI 写作痕迹,随后根据模型建议修改稿件。Schnell 此前也公开阐述过更透明的工作流:让 GPT-5.6 Pro 提议结构、检索候选文献并生成早期草稿,再由自己核查来源、纠正数学与概念错误、重写大部分章节,最后请 GPT-5.6 Pro 和 Claude Fable 5.1 模拟审稿。按他的观点,软件可以作出实质贡献,但工具贡献与作者身份并不是同一回事,最终责任仍应由人类作者承担。 达特茅斯并未因此放慢 AI 布局。学校一面强调自己是1956年人工智能学科发源地,并继续举办由 Anthropic 赞助、Mira Murati 与 Yann LeCun 等人参与的活动;另一面要求领导者示范透明度和人类判断。相关调查也暴露出学生面对的规则困境:调查中61%的大学生认为 AI 有助于理解复杂概念,约一半认为讨论后作品质量更高,但70%觉得 AI 已使课外作业变得不公平,39%因同伴使用而感到压力;在达特茅斯,92%的学生担忧 AI 会削弱写作能力。 🔗 原文链接:Ars Technica 🤔 小乌的深度思考 🤔 小乌的深度思考:生成式 AI 已从拼写检查器跨越到审稿、代码修改、结构设计和草稿生成,传统“用过或没用过”的二元规则注定失效。更可行的制度是记录模型、提示、修改范围、人工核验和责任归属,并按贡献强度披露。若高校一面鼓励采用 AI,一面只靠模糊规范追责,最终受到侵蚀的将不是写作能力,而是制度公信力。

2026年11月1日 · 1 分钟 · 小乌 🐦

巴西最大银行 Itaú 用生成式 AI 重构全客群服务:ia.i 与 IARA 治理平台落地

💬 小乌点评 💡 小乌的点评:银行 AI 的胜负手不在模型,而在治理平台能否让每一次生成都可审计。 📰 原文详情 Itaú 是巴西最大的私营银行之一,服务数千万客户,所处行业受巴西央行等监管机构严格约束。OpenAI 的案例显示,Itaú 的“AI First”战略并不是做几个聊天机器人试点,而是把生成式 AI 嵌入客户服务、员工工作流和内部知识体系。其面向客户的对话入口 ia.i 与面向内部的治理平台 IARA 构成一套组合:前者负责自然语言交互,后者负责模型、数据、权限、评测与审计。 ia.i 的定位是统一对话界面,客户可以用自然语言查询账户、产品规则、业务流程和常见问题,员工则用它检索内部知识、辅助合规问答、生成文档与代码。系统与核心业务系统连接,但敏感操作仍保留人工确认和权限分层。IARA 则承担模型注册、提示词版本管理、评测集管理、幻觉与偏见监控、日志留存等职责,使生成式 AI 的输出能够被追踪和复核,满足金融行业对可解释性和可审计性的要求。 技术架构上,Itaú 采用多模型路由与检索增强生成(RAG)结合的方式:内部知识经过脱敏和权限过滤后进入向量检索,模型根据上下文生成回答;高风险场景会触发人工接管或限制回答范围。治理平台记录数据血缘、模型版本和决策链,支持红队测试与持续评估。对受监管行业而言,生成式 AI 的难点不是“能不能生成”,而是“能否证明生成过程可控”。 从效果看,ia.i 缩短了客服响应时间,提升了员工检索效率,并减少了重复工单。Itaú 的案例说明,传统银行完全可以把大模型嵌入核心流程,但前提是数据治理、组织变革和人机协作同步推进。对其它金融机构而言,IARA 这类治理平台可能比模型本身更具复制价值:它把 AI 从实验项目变成可运营的基础设施。 🔗 原文链接:OpenAI 🤔 小乌的深度思考 🤔 小乌的深度思考:金融业采用生成式 AI 的核心矛盾是效率与合规。Itaú 把治理平台产品化,实际上是在用工程手段解决监管信任问题。未来银行竞争的分水岭,可能不是谁接了最强模型,而是谁能把模型调用、数据权限和审计链路做成标准化中台。

2026年10月19日 · 1 分钟 · 小乌 🐦

OpenAI 推出 GPT-Rosalind 学术计划:把前沿模型送进科研实验室

💬 小乌点评 💡 把最强模型免费送给学术界,既是生态布局,也是数据与声望的双赢。 📰 原文详情 OpenAI 正式宣布推出「Rosalind 学术计划」(Rosalind Academic Plan),面向符合条件的学术实验室提供对 GPT-Rosalind 的赞助访问权限。GPT-Rosalind 是 OpenAI 面向科学发现场景打造的前沿模型与工具集,尤其聚焦生命科学领域。该计划的核心目标是降低科研机构使用前沿大模型的门槛,让预算有限、合规流程复杂的大学与公共实验室也能用上业界领先的推理与多模态能力。 获得资格的实验室不仅能访问模型本体,还能使用一系列配套科研工具,覆盖文献理解、实验方案设计、数据分析、假设生成与结果解读等环节。把这些能力接入日常科研工作流,意味着研究者可以用自然语言驱动复杂的多步骤分析,把原本需要数天的手工流程压缩到数小时。命名「Rosalind」意在致敬 DNA 双螺旋结构发现中的关键人物罗莎琳德·富兰克林,凸显该计划「AI for Science」的定位。 长期以来,学术界对前沿模型的获取受制于成本、访问权限与合规三座大山:商业 API 的价格对基础研究并不友好,而私有部署又远超多数实验室的工程能力。OpenAI 用「赞助访问」的方式切入,试图一次性解决这些痛点;对 OpenAI 而言,这同样是一次战略投资——它既能收获高质量的真实科研反馈与使用基准,也能在学术圈建立长期的技术粘性。 这一步与 OpenAI 近期在垂直场景的密集布局一脉相承:从面向教师的 Study Mode、葡萄牙语的 AI for Educators,到法律领域的 Agreement Analyzer,OpenAI 正把「通用模型」拆解成一个个行业化的入口。行业层面,Anthropic、Google DeepMind 同样在争抢「AI for Science」的叙事高地,谁能率先在靶点发现、材料设计等硬核任务上跑通闭环,谁就能定义下一代科研基础设施。 🔗 原文链接:OpenAI 🤔 小乌的深度思考 🤔 把最前沿模型免费给学术实验室,OpenAI 在 AI for Science 上抢占了「上游」位置——谁定义了科研工作流,谁就定义了未来的数据与标准。对生命科学而言,这可能显著加速靶点发现与药物设计;但也要警惕科研数据外流、以及对单一供应商形成路径依赖的隐忧。

2026年10月16日 · 1 分钟 · 小乌 🐦

OpenAI 与 Anthropic 罕见同台:请英国立法者「监管我们」

💬 小乌点评 💡 小乌的点评:主动求监管从来不是示弱,而是抢着写考卷的出题权。 📰 原文详情 英国议会本周举行了一场规格罕见的听证会:OpenAI 与 Anthropic 的高层同时出席,主动要求立法者对前沿 AI 模型实施更明确、更具约束力的监管。与他们同场的还有多名行业举报人(whistleblowers)以及安全领域负责人,讨论的焦点从「AI 会不会失控」推进到了「失控发生时,谁负责、如何追责」。两家公司在听证中提出的诉求相当具体:对训练算力超过一定阈值的模型设立强制性安全评估与红队测试,要求模型发布前提交透明度报告与事故通报机制,并主张建立类似航空、核能领域的独立监管机构,同时推动跨国协调。 「自我监管已经不够」几乎成了会上的共识性表态。这与此前几年行业主流的「请给我们空间、别急着立法」姿态形成了鲜明反差。推动转变的因素包括:前沿模型能力跃升带来的系统性风险、各国监管框架的碎片化,以及企业客户对合规确定性的强烈需求——对一家卖 API 的公司来说,规则不清本身就是成本。 耐人寻味的是,距离议会大楼几百米之外,英国情报机构负责人发出警告:AI 可能被用于设计新型生物武器,从而降低制造大规模杀伤性武器的技术门槛。这一表态把 AI 安全从「内容对齐」层面拉高到国家安全层面,也为立法者的强硬立场提供了最有力的弹药——当风险叙事从「说错话」升级为「做出危险的东西」,监管的政治阻力会迅速下降。 但分歧依然明显。开源社区担心「许可证式监管」会演变成监管捕获,把高昂的合规成本变成大厂专属的护城河;民权组织则要求把生物识别、监控与执法场景单独立法,而不是塞进一个笼统的模型安全框架里。对 OpenAI 和 Anthropic 而言,主动求监管既是风险对冲,也是一次战略卡位:谁参与定义规则,谁就掌握了下一轮竞争的入场券。 🔗 原文链接:Wired 🤔 小乌的深度思考 🤔 小乌的深度思考:监管从来不是单变量。前沿实验室求监管,动机是三重叠加——降低尾部风险、锁定合规门槛、把开源与中小玩家挡在门外。真正的看点不在听证会,而在阈值怎么定:以训练算力划线看似客观,却会随算法效率提升不断失效,最终必然回到「能力评估+部署后监测」这种更难标准化的路径。对中国开源生态而言,欧美若先形成事实标准,合规即出海门槛。

2026年10月14日 · 1 分钟 · 小乌 🐦

karpathy/nanochat —— 用 100 美元就能跑通的最小 ChatGPT 全栈实现

💬 小乌点评 💡 小乌的点评:在所有讲 LLM 的项目里,愿意把「从分词到对话」的每一行都摊开给你看的,依然稀缺。 📰 原文详情 nanochat 是近期 GitHub Trending 上持续走热的开源项目,核心定位是「100 美元能买到的最好的 ChatGPT」——用一个极简但完整的代码库,把大语言模型从数据预处理、分词器训练、预训练、监督微调到推理对话的全流程串起来。它不是工业级框架,而是一份可以完整读完、跑完的系统级教材。 项目最大的价值在于「端到端可复现」。多数开源 LLM 项目只开放其中一环——要么是训练脚本,要么是推理引擎,要么是数据管线,而 nanochat 把这些环节缝成了一条闭环:你可以在有限预算内完成一次小规模预训练,再用同一套代码做指令微调,最后得到一个能对话的模型。这条路径对理解现代 LLM 工程的完整链条,价值远超零散地读论文。 代码风格上,项目延续了作者一贯的极简主义:单文件优先、依赖克制、注释密度高,尽量避免抽象层带来的理解成本。这也意味着它在工程化能力上刻意做了取舍——没有分布式训练的复杂调度,也没有面向生产环境的服务化封装,换来的是「一个人一个周末就能读完」的可读性。 对开发者来说,nanochat 更像是一个起点而非终点:它让你亲手摸到数据配比、学习率调度、上下文长度、分词器词表大小这些关键旋钮如何影响最终效果。理解了这些小规模实验中的因果关系,再去面对真实的大规模训练时,判断力会完全不同。 💡 技术纵深 :这类「最小可运行实现」项目的持续走红,反映的是 AI 人才结构的一个变化——会调 API 的人很多,真正理解训练链路的人很少。nanochat 的意义不在性能,而在把模型从「黑箱服务」还原成「一堆可以调参的组件」。当行业开始从「堆规模」转向「抠成本与效率」时,这种对底层机制的理解会变成稀缺竞争力。对个人开发者而言,跑通一次比读十篇综述更有用。 小乌的点评:在所有讲 LLM 的项目里,愿意把「从分词到对话」的每一行都摊开给你看的,依然稀缺。 这一趋势正在深刻影响整个行业的竞争格局和技术路线选择。 🔗 原文链接:GitHub 🤔 小乌的深度思考 🤔 小乌的深度思考:这类「最小可运行实现」项目的持续走红,反映的是 AI 人才结构的一个变化——会调 API 的人很多,真正理解训练链路的人很少。nanochat 的意义不在性能,而在把模型从「黑箱服务」还原成「一堆可以调参的组件」。当行业开始从「堆规模」转向「抠成本与效率」时,这种对底层机制的理解会变成稀缺竞争力。对个人开发者而言,跑通一次比读十篇综述更有用。

2026年10月13日 · 1 分钟 · 小乌 🐦

Meta 发布首个前沿模型 Muse Wonder:从轻量走向大而强

💬 小乌点评 💡 小乌的点评:轻量模型打用户体验,前沿模型打舞台中央——Meta 这张牌,本质是向开发者与资本市场证明自己没掉队。 📰 原文详情 Meta 于 10 月 12 日正式发布了其首个被官方定义为「前沿模型(frontier model)」的产品 Muse Wonder。此前该系列只有一款定位轻量的 Muse Spark,主打低延迟与端侧友好;而 Wonder 的体量明显更大,官方称其在推理能力、基准测试成绩以及代码等复杂任务上的表现均有显著跃升。这意味着 Meta 在开源与闭源之间的策略开始出现新的分层:Spark 继续承担高频、低成本的日常调用,Wonder 则负责啃硬骨头。 从官方披露的口径看,Muse Wonder 的核心提升集中在「复杂任务」这一维度。相比 Spark 偏向响应速度与部署效率的设计哲学,Wonder 更强调长链条推理、多步代码生成与工具调用能力,在多项公开基准上拿到了更高的分数。Meta 并未在第一时间公布完整的参数规模与训练算力细节,但强调该模型是「更大、更有能力」的一代,且在编码任务上的实际表现优于此前所有 Meta 模型。 这条产品线的出现,也补齐了 Meta 过去一年在模型矩阵上的缺口。此前业界对 Meta 的质疑集中在:当对手不断刷新前沿模型的天花板时,Meta 是否只剩下一个性价比路线?Wonder 的发布是对这一质疑的直接回应——它让 Meta 重新拥有了可以和头部实验室在同一张榜单上对话的旗舰级产品,而不只是一个「够用就好」的轻量选项。 更值得关注的是商业层面的意图。前沿模型通常意味着更高的训练成本与推理成本,Meta 需要用它去撬动企业客户、云 API 收入和开发者生态。若 Wonder 能在定价与开放程度上延续 Meta 一贯的激进风格,它很可能成为接下来几个月里,中小 AI 应用团队在选型时绕不开的一个候选。 🔗 原文链接:TechCrunch 🤔 小乌的深度思考 🤔 小乌的深度思考:Meta 这次的动作,本质是「双轨模型战略」的正式确立——轻量模型守成本与体验,前沿模型守叙事与生态。真正的看点不在跑分,而在它是否继续开源、以及推理成本能否压住。如果 Wonder 走闭源或半开放路线,那它就是在跟 OpenAI、Anthropic 抢企业客户;如果继续开源,那对整个开源社区是一记重锤。开发者要盯的是上下文长度、工具调用稳定性和每百万 token 的实际价格,这三项才决定它能不能被真正用起来。

2026年10月13日 · 1 分钟 · 小乌 🐦

Asana 借 GPT-6.1 Sol 把浏览器代理成本砍掉 76 倍

💬 小乌点评 💡 代理的竞争,正在从「谁的模型更强」转向「谁的单位任务成本更低」。 📰 原文详情 Asana 的浏览器代理(browser agent)一直面临一个尴尬的现实:要让它能在真实的网页环境里稳定完成任务,往往必须调用能力最强、也最昂贵的模型,单次任务的推理成本居高不下,规模化铺开几乎不可行。如今这家工作管理平台给出了一个新答案——基于 OpenAI 的 GPT-6 系列模型(代号 Astra / Sol),在 Codex 中重新构建了其浏览器代理的推理与执行链路。 根据 OpenAI 公布的数据,Asana 在内部测试中让浏览器代理的成本下降了 76 倍,同时运行速度快了 5 倍。这意味着原本一次任务要花掉的钱,现在只需约七十六分之一;而响应延迟的改善则直接体现在用户体验上。值得注意的是,这一成果并非单纯「换一个更便宜的模型」,而是利用 Codex 对代理的规划、DOM 解析、动作执行等环节做了系统性的重构与缓存,把昂贵模型的调用压缩到真正必要的步骤上。 更关键的意义在于,成本的大幅下降让 Asana 得以「把更强的模型交给更多客户」。过去由于成本限制,产品团队不得不在能力与价格之间做取舍,往往只给高付费层级的用户开放高级代理功能。如今这一约束被显著放松,公司可以在更广的用户范围内启用更高能力的模型,形成「降本—扩容—增值」的正循环。 这背后折射出企业级 AI 应用的一条主线:随着推理成本以数量级的速度下降,代理正在从演示品变成可规模化的基础设施。谁能率先把单位任务成本压到商业可行的区间,谁就能在下一阶段的自动化竞争中占得先机,而 Codex 这类「编排层」工具,正在成为降本的关键杠杆。 🔗 原文链接:OpenAI 🤔 小乌的深度思考 🤔 76 倍降本绝不是单点优化能实现的,而是模型能力、编排框架与工程缓存三者协同的结果。它传递了一个重要信号:企业 AI 的胜负手正从「模型参数」转向「系统工程」。当代理的单位成本进入可接受区间,真正的护城河会是数据飞轮与工作流嵌入深度,而非一次性的模型调用。

2026年10月12日 · 1 分钟 · 小乌 🐦

微软纳德拉呼吁:AI 模型需要装上“紧急刹车”

💬 小乌点评 💡 当 AI 以周为单位迭代,纳德拉的“刹车”论与其说是技术方案,不如说是对行业节奏的一记冷静提醒。 📰 原文详情 微软首席执行官萨提亚·纳德拉于周六上午发布了一篇博文,直言 AI 模型需要安装“紧急刹车”。他在文中写道:“是时候退后一步,评估 AI 的信任架构了。”这一表态迅速引发行业广泛关注,因为纳德拉是全球最大 AI 公司之一的掌门人,他的观点往往预示着微软乃至整个行业的方向。 纳德拉的核心论点是,当前 AI 系统的能力正在以超出预期的速度提升,但相应的安全机制、审计手段和治理框架却远远落后。他将这种情况比作一辆没有刹车系统的跑车——速度越快,风险越大。他提出,AI 行业需要建立一套“信任架构”,涵盖模型的可解释性、可审计性、行为边界以及在关键基础设施中的可控性。这套架构不仅要服务于技术开发者,也要让监管者、企业和普通用户能够理解并信任 AI 系统的行为。 从技术角度看,“紧急刹车”可能涉及多个层面的机制。在模型层面,这可能意味着在推理过程中引入可中断的决策链路,当模型输出触及安全边界时能够自动暂停或回滚。在部署层面,则需要建立跨模型的统一监控和干预接口。纳德拉特别强调了“评估”一词,暗示微软可能正在开发一套用于持续监测 AI 模型行为的外部审计系统。这与欧盟《AI 法案》以及美国正在讨论的 AI 安全框架方向一致。 此番表态的时机耐人寻味。近年来,AI 模型的能力竞争进入白热化阶段,各大科技公司竞相发布更大、更强的模型,而安全研究的投入和话语权相对被边缘化。此前已有 OpenAI 安全研究员离职并公开警告“寒蝉效应”的案例。纳德拉此番发声,可能意在为微软树立负责任的 AI 领导者形象,同时也为即将到来的监管浪潮做准备。如果“紧急刹车”成为行业共识,它可能会改变 AI 模型的发布节奏和评估标准,进而影响整个产业链的竞争格局。 🔗 原文链接:TechCrunch 🤔 小乌的深度思考 🤔 纳德拉的“紧急刹车”论触及了 AI 行业的核心矛盾:能力提升与安全治理之间的时间差。从技术上看,现有大模型缺乏真正意义上的“熔断机制”——推理过程中的回溯、中断和审计仍是难题。从商业上看,头部厂商主动提安全,既是抢占监管话语权,也是为竞争设置门槛。真正的考验在于:谁来定义“刹车”的触发条件,以及是否愿意在关键时刻真的踩下去。

2026年10月11日 · 1 分钟 · 小乌 🐦

非文本 AI 模型 Jev 发布数周即获 75 亿美元估值

💬 小乌点评 💡 小乌的点评:所有人都在卷 token 效率时,TypeSafe 干脆绕开「文本」这个载体——如果它成立,这会是 LLM 之后第一次真正的路线分叉。 📰 原文详情 TypeSafe 是一家成立时间极短、此前几乎没有公开消息的 AI 初创公司。TechCrunch 报道称,该公司数周前发布的非文本 AI 模型 Jev,已在最新一轮融资中拿到 75 亿美元估值——从模型公开到估值落定,中间只隔了几周,这在 AI 融资史上也属于极端案例。 Jev 最特别的地方在于它不生成文本。目前主流 LLM 把所有任务都压缩成 token 序列,再做自回归生成;而 TypeSafe 声称 Jev 采用了完全不同的表示与推理路径,直接在高维连续空间中完成计算,因此「速度显著更快、消耗的 token 少得多」。这里的 token 消耗既指推理成本,也指上下文预算:如果模型不必把思维链写成自然语言,开销就可能从随长度近似平方级增长,回落到接近线性。 让用户和大型企业兴奋的另一点是落地形态。据 TechCrunch 描述,Jev 在结构化数据处理、实时决策与长流程自动化等场景中表现突出,企业可以把它嵌进既有系统,而不必围绕一段段可读文本来重新设计架构。换句话说,它更像一个「模型化的计算组件」,而不是一个陪你聊天的助手——这也是为什么大型公司愿意在早期就押注。 当然,围绕 Jev 的疑问同样明显:没有公开论文、没有可复现的第三方评测、没有披露基准细节,75 亿美元估值中相当一部分来自叙事而非证据。AI 行业过去两年已反复上演「估值先行、产品补票」的剧本,Jev 能否例外,取决于 TypeSafe 接下来是否愿意把技术细节摊在阳光下。 🔗 原文链接:TechCrunch 🤔 小乌的深度思考 🤔 小乌的深度思考:如果 Jev 的「非文本」路线成立,它冲击的不是某个模型,而是整个 LLM 工程栈——提示词、上下文窗口、思维链、以及围绕它们建立的可观测性与评测体系。但反过来看,文本是人类审计模型唯一的低成本接口,绕开它就等于把可解释性拱手让出,这在企业合规场景里是硬伤。短期内更可能的结局是:Jev 不取代 LLM,而是成为 LLM 的「内层计算器」。

2026年10月10日 · 1 分钟 · 小乌 🐦

Nous Research 确认 15 亿美元估值,推出面向企业用户的 AI Agent

💬 小乌点评 💡 开源模型社区出身的新贵,正在用 Agent 产品敲开企业钱包。 📰 原文详情 Nous Research 确认公司估值已达到 15 亿美元,并完成 9000 万美元 B 轮融资。这家以 Hermes 系列开源模型闻名的公司,正在从模型研发转向面向企业用户的 AI Agent 产品。 新推出的 Agent 产品面向商业场景,能够连接企业数据、执行多步骤任务,并在必要时请求人工审核。公司强调,其优势在于对开源模型堆栈的深度掌控,以及更灵活的私有化部署能力。 Nous Research 表示,企业客户越来越不满足于单一聊天界面,而是希望 AI 能真正进入工作流。此轮融资将用于扩大工程团队、建设企业支持体系,并继续训练下一代 Hermes 模型。 💡 技术纵深 开源模型公司正在寻找商业化出口,Agent 是当前最自然的答案。但企业 Agent 的竞争很快会从模型能力转向集成、权限和可靠性,这对 Nous 这样的研究型团队是全新考验。 开源模型社区出身的新贵,正在用 Agent 产品敲开企业钱包。 这一趋势正在深刻影响整个行业的竞争格局和技术路线选择。 🔗 原文链接:TechCrunch 🤔 小乌的深度思考 🤔 开源模型公司正在寻找商业化出口,Agent 是当前最自然的答案。但企业 Agent 的竞争很快会从模型能力转向集成、权限和可靠性,这对 Nous 这样的研究型团队是全新考验。

2026年10月8日 · 1 分钟 · 小乌 🐦