混元4榜单亮眼，实际用起来一般；乌镇大会又开了，越来越像职业经理人的年度汇报。美国AI公司开始为下一笔钱发愁，扣子企业版则安排退场，智能体中台也要给应用让位了。 一、混元4，还够不到大人桌 11月4日，腾讯发布混元Hy4，给出的评价是“跻身最强开源模型之列”。榜单成绩漂亮，操作电脑、使用专业软件的演示也挺吸引人。 姚顺雨此前批评过行业喜欢刷榜，强调实用性比刷榜更重要。这次混元发布，最容易被记住的依然是排名。既然更看重实用性，就得看用户用完以后怎么说。 实际试用感受很普通：速度偏慢，效果没有明显优势。X上，Artificial Analysis发布的评测也给出了一个参照，Hy4综合得分35分，Kimi K3.1 Pro为46分，差距还不小。 腾讯强调模型与产品共同打磨，游戏开发是其中一个突出场景。混元与腾讯游戏开发者合作，提升玩法实现、游戏逻辑和引擎操作能力，确实能发挥腾讯的优势。但多数人每天要做的是读资料、写文档、做分析，游戏演示的进步，还没有让我们在这些任务上感到明显提升。 所谓“大人桌”，至少得能和Claude、GPT、Kimi这些主力模型争用户。混元4榜单成绩亮眼，实际使用效果一般，还不足以让人换掉现有模型，这张桌子暂时还没坐上。 二、乌镇大会，越来越像年度汇报会 11月3日，世界互联网大会乌镇峰会开幕，AI仍是重要议题。蔡崇信讲开源普及，公布千问模型累计下载量突破40亿；王兴兴预测明年机器人行业迎来临界点，同时提到精细操作还差“最后几毫米”。 这些话都有道理，也都挺熟悉。大公司报成绩，热门赛道讲前景，听起来越来越像年终总结加明年计划。机器人的“ChatGPT时刻”，去年就在预告，今年还在等待。 过去的乌镇，创始人谁跟谁吃饭、谁坐在哪一桌，都能让外界琢磨半天。人们从他们的聚散和发言里，猜合作、看竞争、找下一轮机会。如今，现场发言越来越滴水不漏，留给行业讨论的东西却越来

词元Token的热度在不断上涨。中国日均Token调用量，从3月的140万亿，快速攀升至6月的500万亿，目前预计已经超过1000万亿大关。 作为供给侧的词元工厂（以下称Token工厂），成为政府、产业竞相进入的热门赛道。Token之都乌兰察布迎来了总书记考察，为Token工厂长期发展定下基调；全国各地的Token工厂建设如火如荼；九章云极、无问芯穹、硅基流动等近10家Token工厂在争夺首个IPO名头。 那么，各家Token工厂的真实实力到底如何？一片向好的行业暗藏了哪些隐忧？为此，爱分析制作了中国Token工厂竞争力榜单，以厘清不同工厂产能、效率、成本与商业化的能力。 本报告中的Token工厂定义为，自主组织AI模型推理生产，为客户提供以Token为计费单位的推理服务，并对交付质量负责的经营主体。Token工厂需要支持多个业内主流模型，DeepSeek、智谱等为单一模型提供推理服务的主体不纳入评估范畴。 本报告正文分三个部分。第一部分呈现榜单排名，分析各工厂的能力优劣，第二部分揭示行业隐藏风险，第三部分说明榜单制作方法。 1、榜单排名 Token市场大爆发，吸引了各路玩家参与其中。 云大厂将Token视作最核心的收入增长引擎，火山与阿里为了争谁是市场份额第一，在机场广告位竞价厮杀。中长尾云厂商在CPU云时代始终无法实现盈利，转型NeoCloud卖Token成为自我救赎之道。 三大运营商继低价血洗AIDC市场之后，也开始觊觎市场规模更大的Token工厂市场。IT厂商转型AI痛苦不堪，建智算卖Token反而是更容易的转世道路。 清华大学高性能计算技术研究所成为Token工厂孵化器，历任所长、副所长和毕业学生创立了一批批Token工厂创业公司。最出名的是第二任所长郑纬民院士，同时担任着趋境科技、清程极智等多家公司的顾问。 此次Token工厂榜单共入围28家厂商，涵盖了上述各路

2023年，作业盒子创始人刘夜再次创业，创立目的涌现并担任CEO。 最初，他选择了AI语言学习。这个方向，他已经想了多年，出海又让他成了语言学习产品的真实用户。在他看来，自己熟悉教育，市场仍有增长空间，AI也可能带来新的产品机会。 “干了两年之后，这些假设逐渐挨个被划掉。”刘夜在访谈中复盘。当最初选择这个方向的理由不再成立，他开始重新寻找机会。 如今，目的涌现的业务重心转向企业市场，重点探索一站式 AI 广告运营平台和零售企业 AI 经营系统。从教育到广告和零售，这个转向看上去跨度很大，但对于刘夜来讲，只不过是回归老本行。在创办作业盒子之前，刘夜做了十多年企业服务，所以当初从企业软件进入教育，跨度其实更大。而在今天的新业务里，过去的经营经验、技术积累，甚至摄影剪辑的个人爱好，又有了新的用处。 这次访谈，我们把目光更多地放在刘夜本人身上。经历过上一轮创业，他如何重新选择方向，在陌生业务里建立判断？进入AI时代，哪些经验仍然有效，哪些做法需要改变？ 谈到这些问题，刘夜反复回到具体的业务上。这个问题值不值得解决，客户为什么付钱，产品怎样做出来，还有哪些难题暂时解不了？他用这些问题审视新的机会，也决定自己下一步往哪里走。 面对“跨界”的追问，他的回答很直接，“我觉得自己没变。” 核心观点 先找到值得做的事，再学习怎么把它做出来。刘夜把几次业务转向看作寻找值得解决的问题。过去的经验有用，但不能代替对新机会的判断。 AI语言学习需要重新检验的，是最初的产品假设。在他看来，语言学习的关键包含课程设计和约束，AI陪练的进步，并不自动意味着学习效果或市场需求同步增长。 产业经营的经验，在AI应用中仍然有价值。随着AI技术更成熟，他认为，理解客户的业务、产品和商业价值，会成为应用创业中更重要的要求。 AI时代，判断的重要性在上升。AI降低了部分执行难度，但如果事情本身不值得做，执行到位也未必有

1、公司介绍 枢衍是北京长远佳信息科技有限公司旗下品牌，聚焦AI原生自主数据工程，打造面向企业的“AI数据工程团队”。依托数据编织与性能加速能力，结合数据科学模型和智能体协同，连接企业私域数据与AI应用，支持从传统数仓治理与人工ETL向AI原生数据工程转变。 枢衍深耕医疗健康、金融服务、数字政务和能源制造等行业，提供从底层数据基础设施到AI-Ready的端到端AI数据工程服务，支持企业核心业务洞察与智能决策。 2、产品服务介绍： 枢衍提供DataAI Infra，以“1个Model＋2项Skills”为核心，将数据科学模型Data Science Model与AI Fabric、AI Acceleration两项数据技能结合，由AI数据工程系统统一组织调用，覆盖数据接入和加工建模，并衔接治理管控与服务运维。 在数据层，平台面向企业已有数据环境做统一接入：既包括承载业务流程的业务系统及其背后的关系型数据库，也包括 NoSQL 存储与既有的数据湖、数据仓库；已建数据中台的环境，可将中台作为逻辑数据源纳入。接入方式上，除数据库连接外，也可通过 API、WebService 获取外部系统供给的数据，影像、文档等非结构化数据经文件通道读取。各类数据均保留在原位置，不要求预先集中搬迁，接入后由上层统一调度。 AI Fabric承担数据入口与统一调度职责，通过多源连接和统一查询组织分散数据。平台结合数据目录与元数据语义，描述数据的位置、结构及业务含义，并通过数据本体组织关联关系，利用全链路追踪保留数据处理依据。结合虚拟化数据编织，平台可以在获得源系统访问授权的条件下使用原有数据，降低对预先集中搬迁和重复整合的依赖。 Data Science Model是平台的AI能力核心，承担特征工程以及个性化模型训练与微调，并与大模型或其他Agent交互。数据科学模型结合数据结构、业务语义和行业规则，

模型公司还在争榜首，AWS已拿到Anthropic十年至少1100亿美元的采购承诺。腾讯则让WorkBuddy连接更多现有软件，争取AI办公入口。 服务别人的模型、连接别人的工具，两家大厂都在寻找不必包办一切的生意。 一、1100亿美元长约，AWS卖铲子赚到了 Anthropic招股书披露了AWS拿到的一笔大生意。按照双方协议，Anthropic承诺在未来十年向AWS支出至少1100亿美元，即使实际使用不足，也要补齐差额。 尽管这笔钱还没有全部变成收入，但AWS已经提前拿到了一个重要客户未来十年的最低采购承诺。 模型公司训练新模型、扩大用户规模，都要继续买算力。AWS可以同时服务多家厂商，哪家的模型更受欢迎，就承接哪家的需求，不必押注某一家。 本季财报已经体现出这门生意的规模。AWS第三季度收入460亿美元，同比增长39.3%，经营利润178亿美元。放弃了自研模型的AWS，依然是赚到最多钱的云厂商。 同一轮算力需求增长，也带动了Google的云业务。Google Cloud第三季度收入增长103%，增速超过AWS，但收入和经营利润分别为307亿美元、111亿美元，规模仍低于AWS。Google还要同时做好Gemini、搜索等业务，投入也更分散。第三季度，Google资本开支达到514亿美元，自由现金流连续两个季度为负。 早年机器学习时代，Google开发并开源了TensorFlow，但85%的云端TensorFlow项目运行在AWS上。Google推广框架，AWS同样能赚到算力和云服务的钱。从TensorFlow到Claude，AWS的打法一脉相承。谁的技术受欢迎，就为谁提供运行环境，把训练、部署和推理需求留在自己的云上。 模型迭代快，客户的选择也会变，能够持续支持不同模型、帮助客户部署应用，云业务在AI时代同样能做成大生意。 二、WorkBuddy要抢办公入口，先让上下文

混元4正式版即将发布，混元5 Preview已进入训练管线，原生多模态、参数量过万亿。按常理，对于混元5这个还没出来的模型大家心里都没谱，但这次不一样。 腾讯内部对于混元5预期颇高。 与混元深度配合的AI产品负责人很笃定的认为，“混元5成为SOTA模型只是时间问题”。云数据库团队作为Coding重度用户，对此也有颇有期待，“混元4离复杂任务的可用状态不远了，混元5赶超DeepSeek不成问题”。 这些积极正面的预期，与一年前腾讯内部对于混元的评价，相差万里。当时的腾讯内部管理会上，混元被揶揄道，“还坐在小孩儿桌”。 混元4已经摸到了大人桌的桌沿，混元5想往桌上的主位坐。 01 事在人为 混元的变化从组织重建开始。这方面，Meta为腾讯提供了教科书样本，彼时的Llama也已经被踢到了小孩儿桌。 扎克伯格押注年轻人，花143亿美元买来了28岁的Alexandr Wang，并用半年时间干掉了老人杨立昆。新的模型实验室MSL更加强调人才密度，核心团队100来人，相比之下，杨立昆治下的FAIR实验室人员超过600人。当然，事后FAIR大部分的人员也都被裁掉了。 腾讯这边动作路数基本一致。2025年12月，不到28岁的姚顺雨入职，职务是总裁办公室首席AI科学家，直接向刘炽平汇报。同时，新设AI Infra部，姚兼任负责人。 然后就是一连串的合并与撤销动作，以增强人才密度。3月，负责模型研究的AI Lab关闭。撤并之前，在腾讯待了九年的AI Lab元老副主任俞栋离职。7月，语言模型部和多模态模型部合并。9月，AI Data部也并进来。 至此，姚顺雨掌控了模型训练的完整要素，算力、数据、算法三条线，这在大厂中并不多见。 比如，阿里AI Data团队始终挂在集团层面，与千问模型团队是平级关系。千问林俊旸离职后，并没有统一的模型负责人，语言模型是刘大一恒、Audio是李先刚。能像姚顺雨这样，同

导读 大模型的能力持续走强，企业对AI落地的关注点已经从模型能力本身转向ROI，投入一块钱能不能产出两块钱的收益。 但越深入会发现，B端AI落地最难的不是模型不够强，而是AI理解不了企业的业务语言。同一句话，在不同企业、不同时点、不同部门都有不同含义，AI只有把这些含义搞清楚，才能真正跑通业务。 本文围绕这一核心问题展开，介绍了落地过程中遇到的三大鸿沟、五步实施路径，并通过消费电子、文旅、新能源车企、B2B四个行业的真实案例，最后落到业务语言的三门一表方法论，给出一套可落地的治理与责任框架。 分享嘉宾：迈富时Marketingforce产研高级总监，张小龙 01怎么去落地AI，从全景图到五步路径 迈富时最早是做营销出身，所以针对每一个业务领域或每个行业，都会建立自己的全链路、全场景的产品和服务体系对应的全景图。这个全景图跟我们做AI落地的整套方法论是直接相关的。具体做法上，主要是结合咨询，加产品、加实施，三位一体的AI整体服务。 AI时代来了之后，我们基于原先的企业全链路服务打造了AI原生的内核及底座，对外提供各种不同的智能体相关赋能的服务。通过两年多的实际落地会发现，现在的TO B市场并不是大模型不够强，最明显的变化是，企业对ROI的关注度越来越高，越来越务实，越来越关注AI带来的业务价值。 在前期AI落地过程中，我们看到三个比较突出的问题，称为三大鸿沟。 第一，最开始大模型出来后做的一些应用比较浅，可能就是做个调研报告、写篇文章、做个PPT，那时候主要还是大家来体验AI带来的一些能力，或者更多体现爽点。 第二，缺少底座。这个底座并不是缺少一个单纯的工具，而是在企业内部真正缺少一个共同的可以承载业务的底座或平台。 第三，缺少工程化。之前很多企业做了一些样板间的工程，可能是因为AI的焦虑想去体验，或者一些政绩工程，但在这些样板间里很难去做复制或批量推广。 基于三大鸿沟，我们

客服机器人最怕听到的三个字，是转人工。客户打进电话，机器人没听懂、答非所问，客户连喊三声转人工，这一次交互的成本就从几分钱变成几块钱，此前的智能化投入也付之东流。衡量这件事的指标叫人机拦截率，即不需要转人工、由机器人独立解决的比例。 项目启动前，天津长城滨银汽车金融有限公司（简称长城滨银汽金）的这个数字停留在60%上下。一年之后，还款、档案、提前还款三大高频场景下的语音机器人人机拦截率大于70%。十几个百分点背后，是一整套客服体系的重构。 一、企业简介 长城滨银汽金成立于2014年5月，由长城汽车股份有限公司与天津滨海农村商业银行共同出资设立，注册资本66亿元，总部位于天津经济技术开发区，是持牌汽车金融机构。公司主营汽车消费信贷与经销商融资业务，依托主机厂背景布局汽车上下游金融产业链，为用户提供全生命周期汽车金融服务。 对这样一家机构而言，客服中心既是服务窗口，也是合规窗口，一头连着数十万车主的高频诉求，一头连着金融监管对信息披露、风险告知与数据留痕的刚性要求。当Agent技术进入客服场景，这两头必须同时被照顾到。 二、老系统的三本账 2024年之前，长城滨银汽金的客服体系已运行多年。随着业务量增长与用户诉求日趋多元，原有架构逐渐显现出三方面压力。 首先是识别与理解能力跟不上。上一代语音机器人受限于当时的技术架构，识别准确率不高，客户一句话说出口，机器人理解的可能是另一层意思，答非所问的结果就是客户直接喊转人工。 其次是架构分散带来的扩展难题。彼时公司的呼入系统、外呼系统、语音机器人、文本机器人与智能化应用分别由不同厂商提供，业务侧与技术侧都需要跨多家供应商协调。客服系统环环相扣，任何一环出问题，定位与协同的成本都不低；新需求落地要牵动多个供应商同步改造，周期偏长，多套系统的维保投入也在持续增长。 第三是人力占用居高不下。质检靠人工逐条听录音，小结与工单靠客服手动整理，重复

导读： 从传统BI到AI问数，数据分析的门槛正在被自然语言交互彻底拉低。面对真实世界中海量的数据表和复杂的业务口径，单纯依赖大模型的生成能力往往会导致幻觉频发。我们该如何在成本、速度与准确性之间找到平衡？ 本文不仅指出了企业建设AI问数的三大常见误区，更分享了一套经过验证的 AI问数解决方案，并分享超大型央企是如何构建AI问数的全过程，将AI问数从简单的对话工具升级为可复用的业务底座，为大家带来一些参考。 分享嘉宾： 普元信息高级副总裁王克强、普元信息智能大数据研究院院长李书超 01 AI问数困境与解法 从20年前做数仓、数据分析、BI到现在，企业数据分析的问题一直存在，很难根治。 首先是技术和业务的协同断层。 技术人员不懂业务流程、指标定义和决策场景，业务人员又没有技术能力。业务把需求传达给技术时，双方往往说不清楚。 比如业务人员说“把这一条数据和下面那条数据加到一起”，这对做报表和BI来说很头疼，因为需要的是规则逻辑，而不是随意指定几条数据求和。 其次是数据分析效率低。 大型数仓和分析项目，年底立项、年初招标，团队入场调研、收集需求、设计建设、测试交付，等到验收时，业务人员会说“你做得对，但我当时提的需求已经变了”。这种IT项目模式难以满足很多快速迭代的想法和高时效性需求。 还有数据基础差、系统孤岛严重、数据质量差、工具和管理不足、门槛高等问题。 现在大家开始寻求突破，我认为企业数据分析的发展趋势分几个阶段：传统分析、自助分析，以及现在萌芽的AI问数。 传统分析由IT人员开发报表，周期长、成本高，只面向中高层管理者。 自助分析在传统BI基础上做了升级，把数据集定义做成可拖拽、中文化的方式，但本质上没有脱离BI建模、做看板和报表的过程，效率提升有限。 我们认为当下和未来的方向是AI生成式数据分析。 通过对话式提交问题，AI获取数据、生成报表、多维分析、深度分析，交付周期快

导读 随着大模型能力持续演进，AI已逐步应用于数据查询、代码生成、分析洞察和报告生成等环节。 在此背景下，企业对BI与Data Agent的关系出现了不同判断：一方面，部分企业关注AI对传统BI的替代可能；另一方面，模型幻觉、数据准确性和结果可信度等问题，也使企业对智能问数的实际应用价值保持审慎。 事实上，BI与Data Agent并非简单的替代关系，而是在企业数据分析体系中承担不同角色、形成能力互补。 本文将围绕AI时代企业为何仍然需要BI，以及Data Agent能够带来哪些增量价值展开分析，并提出以岗位需求为切入点的落地路径。同时，结合邮储银行的实践案例，为企业推进相关应用提供参考。 分享嘉宾：思迈特软件FDE总监，朱海 01两类争论和一个核心命题 今天分享的议题，来自跟很多客户交流过程中遇到最多的问题：AI的时代，企业为什么既需要BI，也需要Data Agent？这个问题背后有两种代表声音。 第一种声音认为，现在的大模型已经可以理解很多问题、读取数据。比如AI智能体可以直接接入MySQL、Oracle等数据库，读取数据含义，生成SQL或Python代码，做数据分析、制作图表，甚至生成报告。这种情况下，BI以后还会不会存在？以前建设的BI还有没有价值？ 第二类客户正好相反。他们以前做了大量BI建设，建了数据仓库，做了很多经营管理看板、业务自助推广，还有上千张报表。在他们看来，AI只是替换了手工查询的动作，人工本来就可以更快地执行；而且AI确实存在幻觉，到今天也不能保证百分之百的准确率。所以他们会问：Data Agent是不是一个噱头？问出来的数据做的报告，谁还敢用？ 总结下来，这两个疑问都很合理，立场不一样。但企业真正关心的，始终是三个问题：第一，员工的工作有没有更容易地完成；第二，决策有没有可能因为AI变得更可靠；第三，投入到AI里的钱，有没有产生实际的应用价值，也

01 公司介绍 拓尔思信息技术股份有限公司（简称“拓尔思”）成立于1993年，是中文全文检索技术的开创者，也是国内最早将人工智能、大数据与行业场景深度融合、规模化落地的上市企业。公司深耕行业三十余年来，始终坚持“数据+智能”底层技术自主可控的核心发展路线，现已成为政务、泛安全、媒体等领域国家级数智化基础设施的核心建设者，赋能千行百业实现数智化升级。 02 产品服务介绍： 拓尔思提供动态本体一体化平台，并将其与数据中台、智能底座和场景应用结合，形成从数据处理、本体构建到智能应用的整体产品体系。其中，数据中台提供数据接入与治理能力，动态本体一体化平台组织业务对象及运行逻辑，智能底座支撑模型调用和智能体运行，上层应用根据行业需求完成具体业务任务。 动态本体一体化平台采用建模图谱、实例图谱和运行图谱三类图谱。建模图谱定义业务对象、关系和规则，同时描述可执行的行动；实例图谱将真实数据映射到业务对象，承载对象状态及关联证据；运行图谱记录任务推进、分析路径和行动过程，并支持结合历史或实时数据开展场景推演。三类图谱共同连接业务定义、实际状态和运行过程。 平台的工程架构包括语义层、动态层、动力层和审计层。语义层统一业务概念及数据含义；动态层管理对象的状态变化和行为轨迹；动力层连接业务规则、算法函数和执行动作，支持分析推演与方案生成；审计层记录数据来源、分析依据和操作权限，并为后续复盘提供依据。 平台核心功能覆盖业务本体建模、多源数据映射和动态状态管理。企业可以围绕具体场景定义对象及其关系，将不同系统的数据组织为统一业务视图，并随着数据变化持续更新对象状态。在此基础上，平台通过规则和算法开展关联分析，识别异常情况，比较不同处置方案的影响，并根据行动风险配置自动执行或人工审批。 平台同时支持过程追溯和本体持续迭代。业务人员可以查看结论对应的原始材料，核查分析过程，并根据复核结果调整规则和模型。相

企业Agent即将进入应用爆发期。大量企业有机会利用AI低成本快速补上企业数字化功课，并逐步走向AI原生。 "Claude Code在单机和coding的Harness架构上，对用户体验的追求更加极致。"景栗科技CEO赖罡斌说。在他看来，Harness不会被模型吃掉，两者是相互增强的关系，Harness更像是AI时代的新操作系统。 他把未来Agent平台的竞争，理解为一系列技术路线的选择：如何押模型能力和Harness，做本地还是云端，做工作流还是通用Agent。对中小科技公司来说，路线押错三个月到半年，一家公司就可能出局。 在访谈中，赖罡斌反复强调：上下文是与模型交互的唯一窗口。自进化、记忆、技能、连接器，本质上都是上下文的子问题。 景栗科技在过去一年时间内，实现了从一个企业服务软件和运营服务商，向企业智能体平台的进化。它选的路线是企业自建智能体平台：把企业上下文、知识库和应用插件深度整合进平台，完全云端部署，因此更容易连接到企业已有的业务容器。 很多企业会选大厂平台，也有很多企业会选择自建。如何比开源框架更开箱即用，比大厂平台更贴近业务场景，成为景栗智能体平台独特的发展路线。 此前十年，景栗是全国领先的私域营销软件和科技运营提供商，服务了大批零售、消费、医疗等头部企业；新的企业智能体底座跑起来之后，一方面把传统私域业务向上迁移，同时在企业自建智能体平台、知识库、数字员工解决方案上实现了突破和增长。 核心观点 这轮企业AI的主战场，是补数字化的课。中国企业的数字化建设落后于美国，正在用AI以极低的成本补齐基建。当前，国内真正有数据治理和知识库的企业凤毛麟角。 技术路线的前瞻性决定生死。这个行业拼的不是团队大小，是核心团队对于未来技术的路线判断。 上下文工程是Harness核心锚点。与模型交互的唯一产出物，就是上下文，自进化、记忆、技能、连接器等，本质上都是上下文的子问题。

Anthropic最该担心的竞争对手，不是OpenAI，而是Meta。 这不是因为Meta研发出了Coding能力更强的模型，也不是因为Anthropic的模型不再领先，而是Meta可能押中了下一轮AGI竞争的关键方向：Personal Agent。 过去一年，Anthropic凭借Coding能力建立了自己的竞争优势。当越来越多的人相信AI写代码、做任务才能通往AGI时，Meta却选择了一条不同的路。 去年夏天，扎克伯格重整AI团队后，在公开信中明确了Meta新的方向，个人超级智能（Personal Superintelligence），之后Meta研发Muse、收购Manus，都是这一战略的落地成果。 战略方向不同，会导致对下一代模型应该具备什么能力的判断完全不同。基于能力目标的设定，用什么标准评测模型、如何打磨模型、如何甄选训练数据，都将随之改变。 Meta首席AI官Alexandr Wang在接受David Senra访谈时，回顾了团队开发Muse Personal Agent的过程。他提到，团队从原型走向产品发布，经历了七个月的研发和打磨，并围绕100多项具体行为和能力建立评测体系，持续改进模型。这个过程不仅涉及基础模型的预训练，同时覆盖到后训练阶段，是全新的端到端训练重塑，从而让模型更好地服务于Personal Agent这一目标。 如果Meta赌对了，那么它挑战的将是Anthropic赖以建立领先优势的Coding技术路线。当行业发现AGI下一轮的方向变了，领先者Anthropic无法及时转身，AGI的旗手位置将易位。 01 Anthropic All-in Coding，Meta不跟 要理解Meta为什么能挑战Anthropic，得先弄清楚Anthropic是怎么赢的。 过去几年，AI行业一直在追求更强的模型能力。但模型刷榜取得更高的分数、输出更漂亮的答案，

宇树本周开了个大会，要加码物理AI，但市场机会越大反而越难守住一哥地位。MiniMax条件并不差，也不缺算力，却在基模竞争中掉队。豆包手机遭到166款App的拒绝接入，AI即使能操作手机，也得过APP厂商这一关。 以上这三件事连起来看，AI公司手里原有的优势，都未必能换来下一轮竞争的领先。 01 物理AI市场越大，宇树“一哥”地位越不稳 本周，宇树在物理AI大会上公布了自研模型与外部合作并行的计划，重点推进适配自身硬件的物理AI模型。基础模型厂商威胁已显现，机器人厂商必须补模型能力。 但是，物理AI市场空间越大，宇树当一哥的机会可能越小。 此前，宇树的优势主要在机器人本体和运动控制，也就是通常说的“小脑”，让机器人站得稳、跑得快，以较低成本生产出来。物理AI还需要“大脑”，理解环境、判断任务，再决定如何行动。做好小脑，并不意味着做大脑也有同样的优势。 如果物理AI最终成为一个超级大市场，基础模型厂商一定会重点投入。届时，宇树要面对的，将是拥有更强通用模型、更大算力投入和顶尖研究团队的竞争对手。未来机器人的能力差距主要由大脑决定，基础模型厂商就更有机会主导这个市场，宇树靠运动控制积累的领先地位会受到挑战。 如果物理AI最终更像智驾，主要围绕具体硬件和有限场景形成商业价值，宇树反而更有机会。模型必须适配机器人，客户也要考虑成本、可靠性和交付。基础模型厂商未必愿意为这些细分场景持续重投入，宇树则可以依靠已有硬件和量产经验，自研一部分模型，再引入外部能力，把整机产品做好。 对宇树来说，一个足够赚钱、又不足以吸引基础模型巨头全面投入的市场，可能比一个通向AGI的超级市场更有利。 02 MiniMax跌破发行价，为什么第一个掉队？ 本周五，MiniMax股价一度跌到155.2港元，跌破165港元的IPO发行价。MiniMax手里的条件并不差，算力储备领先多数同行，至少不用先为缺卡发愁。

摘要 本文追溯这套架构的思想来源，分析动态本体专利与数据集群专利的技术机制，解释不完整信息如何被转化为关系、风险变量和行动依据，再以AIP及经营数据说明，大模型为何能够放大Palantir原有能力，并进一步指出，Palantir的竞争力不在某一项算法或模型，而在于动态本体、数据融合、关系网络推演、细粒度权限、Action、Write-back和FDE现场校准的组合。 本文的核心判断是：Palantir在大模型时代的增长，不是因为接入大模型后突然获得了新的底层能力，而是因为大模型补齐了原有数据融合系统的认知交互层，使一套长期由专家和FDE操作的复杂系统获得了更低门槛、更高频率的使用方式。 一、引言：一个被误读的公司 Palantir长期被两种叙事所误读。一种是把它称为“神秘大数据公司”的媒体叙事，强调反恐、情报和监控；另一种是“昂贵咨询公司”的华尔街叙事，它派驻FDE，采用项目制交付，无法规模化。 两种叙事都没有触到要害。Palantir真正的故事是架构演进：它用十多年建立了一个能够容纳现实世界残缺数据的数据融合层（Data Fusion Layer）。2023年大模型爆发后，又提供了一个可以用自然语言驱动这套底层能力的认知交互层（Cognitive Interaction Layer）。 本文沿着“早期数据融合层/后期认知交互层”这条主线展开：首先追溯这套架构放弃“完美数据”的思想来源；随后分析动态本体（Dynamic Ontology）和数据集群（Data Clusters）如何接纳、组织并使用混乱信号；接着解释早期Palantir为什么缺少认知交互层，以及AIP和大模型如何补上这一缺口；最后回到商业增长和竞争壁垒，说明为什么真正难以复制的不是某个专利概念，而是本体、执行、安全、组织和FDE的长期结合。 图1：Palantir架构演进 二、思想谱系：放弃“完美数据”的理念

收购完成后，各家子公司仍使用自己的业务系统，分别管理库存、生产和财务。集团要协同经营，就得解决信息分散、流程不同、内部规则不一致的问题，况且各自的客户业务还在运行，整合也必须同步推进。 美国无人系统企业集团Ondas正在处理这个问题。Ondas通过一系列并购，逐步将无人机、地面机器人和平流层观测平台纳入集团，面向国防、安防及工业客户提供产品和服务。 Ondas与Palantir合作，保留各子公司的原有业务系统，借助Foundry和面向制造运营的Warp Speed，搭建跨子公司的共同运营平台，并利用AI智能体协助整合内部管理规则、库存、供应链和财务。 01 先明确多家公司要共同完成哪些工作 Ondas的并购，首先是为了补齐产品能力。2026年4月收购World View，带来了平流层气球长时间、大范围观测的能力；7月收购DZYNE，则补充了长航时无人飞行器等产品。两类平台承担不同高度、不同持续时间的任务，集团希望将它们与已有的无人机、地面机器人组合，为客户提供综合解决方案。 产品能否规模化交付，还取决于集团怎样组织经营。Ondas董事长兼CEO Eric Brock希望，多种产品能够共享销售与营销资源，供应链、生产和现场支持也能随业务扩大，尤其是专业技术公司加入集团后，可以利用这些资源，跨过产品已经可用、交付规模却难以扩大的阶段。 落实到日常工作，各家子公司使用不同的ERP，采购、库存、生产和财务分别管理，工程与制造流程、内部管理规则也各不相同。 Ondas国防业务部门总裁兼CEO Ryan Hartman，曾任World View CEO，也经历过企业连续被收购。他回忆，过去整合业务系统和流程花了多年，运营依然不够高效，当时还向员工发过写着“现金为王”的徽章，让他记住了整合过程中的资金压力。 2025年3月，Ondas宣布引入Palantir的企业数据与业务运营平台Fou

基础模型与具身智能的边界正在变得模糊。在梁文锋的研发路线图中，具身智能被放在最后，但DeepSeek的投资布局已先行一步。 DeepSeek此前投资了宇树科技，如今又拟领投前腾讯混元多模态理解负责人胡瀚创办的Winverse AI。一家擅长机器人硬件和运动控制，另一家探索具身智能。DeepSeek的研发重心仍在基础模型，投资却已经伸向了物理世界。 这两件事并不矛盾。在梁文锋设想的路线中，先让AI具备持续学习、自我迭代的能力，再借助更强的AI去研发机器人，是更好的顺序。AI越擅长编程、推理，并能在研发过程中承担更多工作，进入具身领域时，就越有可能少走弯路。反过来，如果这些能力还不够，就得在机器人研发中花更多力气，一道一道地攻克难题。 所以，具身研发可以晚一点做，布局却可以先行。DeepSeek继续集中力量推进基础模型，同时通过投资，提前接触机器人硬件、研究人才和开发测试资源。等到真正下场时，未必需要从头追赶。 对具身厂商来说，这才是值得警惕的地方。未来的对手，可能是一个已经在基础模型上积累了更强能力、又提前做好准备的跨界者。它今天还是投资者和潜在伙伴，明天就可能与你争夺机器人的核心智能。 01 主攻通用AI，不误布局具身 要把AI带进物理世界，光有模型还不够。模型能不能理解眼前的环境、给出合适的动作，最后都得放到机器人上试。宇树能提供的，正是开展这些工作的基础。 人们熟悉宇树的机器狗和人形机器人，但它的产品还包括机械臂、灵巧手，以及关节、电机等关键部件，也提供相应的软件和开发接口。 对模型团队来说，这意味着不必先从造一台机器人开始，就能着手测试自己的想法。 测试又会带来新的问题。机械臂伸过去，会不会碰到东西？抓取的位置对了，为什么还是没抓稳？这些问题，有些出在模型，有些出在控制和硬件，需要放在一起反复调试。 宇树多年积累的机器人研发经验，在这里就有了价值。投资宇树，为Deep

制造业AI仍处于早期阶段。 多数企业的应用还停留在问答、个人助手等浅层场景，少数头部制造企业已经开始把AI放进真实岗位中检验：能否承担明确职责、完成稳定交付，并改善订单处理效率、错单率、准时交付率等管理指标。 在这些先行企业中，评价AI的标准正从有没有用，转向能否形成可核算的岗位价值与经营结果。 围绕这一变化，灵核数智将岗位级数智员工定位为制造业AI的落地形态，并选择从离散制造切入。与通用智能体不同，岗位级数智员工需要理解岗位职责、权限、技能、输入输出和上下游协同关系，还要接入ERP、MES等现有系统，在真实业务流程中持续工作。 灵核数智最早从OTD（订单到交付）场景展开实践：录单、跟单和履约等岗位跨系统、跨部门协同密集，既容易暴露效率与准确性问题，也更接近企业的交付和经营结果。 本次访谈中，爱分析与灵核数智联合创始人兼首席商业官华璐坷，围绕灵核数智在制造业AI领域的产品定位和商业化路径进行了深入交流。 核心观点 制造业AI的下一步，从个人助手走向岗位级数智员工。企业衡量AI的标准，从有没有用，转向岗位效能、管理指标和经营结果是否改善。 GSA让制造业AI建设从经营目标出发。灵核数智提出面向AI原生组织的GSA（Goal-Signal-Action）管理方法论，通过目标牵引、信号感知和行动调整，明确人与AI数智员工的协同分工，让岗位级AI的价值最终体现在企业经营结果上。 离散制造业品类众多，但核心流程具有共性。真正需要被拆解和配置的，是岗位的职责、权限、技能、输入输出以及上下游协同关系。 订单到交付，是数智员工较容易证明价值的切口，离经营结果近、数据基础相对成熟、跨岗位协同密集；而排产是多种因素共同作用的结果，不宜脱离前序流程孤立解决。 建设企业数据语义体系，不必等历史数据全部治理完。数智员工可以从一个岗位开始，在工作中识别异常、请求人工确认，持续校验数据和流程。 FDE能

本周，Meta重回前沿模型第一梯队，阿里加码智能终端，大厂仍在争夺AI市场；另一边，Anthropic三季度营收增速不及预期，算力厂商CoreWeave遭遇股债双杀。 模型和终端仍在不断推新，而AI的变现速度，能否撑起已经铺开的巨额投资？ 01 Meta新模型重回一线，强在复杂任务 本周，Meta发布Muse Wonder和Wonder Full两款模型，并开放了Muse Spark Open的模型权重。 Meta的Muse通用模型家族，主要由Wonder、Spark和Glimmer组成，分别服务于高频应用、复杂任务和本地部署。 Wonder重点处理复杂编程和长周期智能体任务，其中Wonder Full能力最强，目前主要通过Muse Code部分订阅套餐提供。 Spark兼顾能力、速度和成本，支持多模态理解、编程和工具调用，适合需要快速响应、大量调用的应用。Spark Open开放了模型权重，开发者可以自行部署和修改。 Glimmer从Spark蒸馏而来，以较小的模型规模保留部分能力，主要面向本地运行和定制开发。 支撑Meta重回第一梯队的，主要是Wonder Full，Artificial Analysis综合智能评分接近Claude Opus 5.5。  提高训练效率、增强基础模型，再围绕实际任务强化执行能力，是Wonder Full此次追上头部模型的主要原因。 训练方法的调整是提升的核心因素。Meta先重建预训练体系，改进模型架构、训练优化方法和数据筛选，提高算力使用效率，再训练规模更大、能力更强的基础模型。 更好的基础能力，让后训练的提升能够延伸到没有专门训练过的任务。 此外，后训练也更重视完整任务的执行。通过强化学习和多样化长任务训练，模型学习持续调用工具、检查结果、遇错重试，改善复杂工作中的可靠性。 02 阿里智能终端布局，成熟品类找伙伴 本周，阿里发

一台计划几个月后安装在屋顶的空气处理机组，因设计变更不再符合要求。看起来不急，但重新采购设备需要很长时间；若拖到安装前才处理，工地可能只能在加钱赶工和推迟进度之间做选择。 在Palantir AIPCon 10上，美国建筑公司McCarthy用这个场景演示了大型项目运营中的AI应用Pulse。开篇提到的设备规格变更，出现在一份RFI(Request for Information，信息请求)中，即项目相关方就设计或施工信息提出的正式澄清请求，Pulse从这份请求发现潜在风险，并关联采购和进度信息，准备两种方案，供现场团队与业主、设计方讨论取舍。 McCarthy主要承建医院、体育场馆、工业和可再生能源等项目，一般规模大、参与方多，一项变更涉及的信息可能分散在设计文件、采购记录、进度计划和各方沟通中。McCarthy创新副总裁、AI项目负责人Rico Bertucci介绍，高级现场主管过去每天要切换约15至20个应用，才能摸清工地状态，从业务开发到项目交接，需要使用超过200个应用。 Pulse试图改变现场人员逐个系统找信息的方式：围绕当前要处理的风险，汇集相关信号，并提示下一步该看什么。 01 一次设备变更，怎样走到可执行的选择 Pulse从一份RFI中识别出设备变更：设计调整后，原定的屋顶空气处理机组已不符合要求，查阅采购记录，发现替代设备交期较长；随后借助McCarthy的Ontology，找出与该设备相关的施工活动、进度节点和负责人，并在关键路径计划中呈现这些关联。现场主管由此看到，虽然设备安装还有几个月，但如果不尽快确定替代方案并启动采购，交货时间就可能挤占施工余量，影响后续关键节点。 识别风险后，Pulse进入规划模式。它调用McCarthy管理体系中两千多份制度、流程和经验案例文档，以及为建筑业务定制的AI skill，为下一步提供方案做好准备。但有了这些材料，