yii.
← Digest
EP127 · 2026年7月8日 星期三 · 10 min read

便宜的 AI 之後，分水嶺從模型移到人

模型正在變成水電：GLM 5.2 用 Opus 兩成的價錢打平品質，Claude Cowork 真實用途只有 8.7% 在寫程式

每天花 1% 的時間，掌握科技脈動。

今日金句#

“The frontier labs will own discovery. Open source will own production.” 「前沿實驗室負責發現，開源負責量產。」 — Jesse Zhang, Decagon 執行長

“the first model that reaches the bar of a genuine open weights competitor to Opus and GPT.” 「這是第一個真正達到 Opus 與 GPT 開源競品門檻的模型。」 — Martin Alderson, AI 分析師

今日主軸：便宜的 AI 之後，分水嶺從模型移到人#

今天三條線交會成同一個故事。上游，中國智譜的 GLM 5.2 用一百萬 token 四塊四美金的價格，把 Opus 級品質壓到兩成成本，工程師 Martin Alderson 直接把他的分析叫做「AI 利潤崩盤的第一集」；騰訊的 Hy3 更狠，295B 參數的開源 MoE 模型直接在 OpenRouter 免費開放到 7/21。當模型快速變成水電，Decagon 執行長 Jesse Zhang 那句「前沿負責發現，開源負責量產」就成了新的產業分工。中游，Anthropic 公布 Claude Cowork 一百二十萬次使用數據，戳破了 coding agent 大戰的敘事：真正在寫程式的只有 8.7%，最大宗反而是報表、對帳這類無聊行政（33.4%）。下游，Lenny 的 2026 職場調查給出最尖銳的結論：AI 把工作的人劈成兩半，49% 覺得被放大、14% 覺得被動搖，而你對 AI 的態度比職位、年資更能預測職涯滿意度。當模型不再稀缺，真正稀缺的，是把它接進真實工作、真實產品的那層能力，以及願意把它當放大器的人。

必讀#

  1. 2026 科技職場調查：AI 讓職場一分為二 — Lenny Dev
  2. GLM 5.2 與即將到來的 AI 利潤崩盤 — Lobste.rs AI
  3. Claude Cowork 上手機／網頁，真實用途只有 8.7% 在寫程式 — TechCrunch AI
  4. 騰訊開源 Hy3：295B MoE 模型免費上架 OpenRouter — Simon Willison AI
  5. 為什麼開源 AI 崛起還沒傷到 Anthropic — TechCrunch AI
  6. 用手機遙控自駕 coding agent：Symphony + Linear 實戰 — Lenny AI
  7. 2026 科技求職市場：徵才主管與求職者的認知落差 — Pragmatic Engineer Dev
  8. ChatGPT、Gemini、Claude 行為差異的架構解密 — ByteByteGo AI
  9. Meta 推出 Muse：免費 AI 圖片生成器，整合 IG／WhatsApp — TechCrunch AI
  10. Claire 實測 Sonnet 5：跑 64 次生成看值不值 — Lenny AI
  11. sqlite-utils 4.0：新增資料庫 schema migration — Simon Willison Dev
  12. 30papers.com：Ilya 的 30 篇必讀 ML 論文 — Hacker News AI
  13. Fable 使用指南：unhobbling 解鎖模型潛力 — Latent Space AI

1. 2026 科技職場調查：AI 讓職場一分為二#

Lenny 的 2026 科技職場大調查揭露一個殘酷的分化：AI 把從業者切成「被放大」與「被動搖」兩群。49% 的人覺得自己因 AI 更有信心、能做更高槓桿的工作，13.9% 卻覺得價值被質疑、感到不安。整體倦怠感一年內從 44.7% 跳到 55.7%，職涯樂觀度從 54.8% 掉到 48.7%，甚至有 53% 的人不會鼓勵年輕人進科技業（NPS 為 -39）。

  • AI-identity（你對 AI 的態度）是職涯滿意度最強的預測因子，比職位、年資、公司都準
  • 82% 說 AI 提升生產力，但 51% 擔心「同樣的薪水被要求做更多」、46% 擔心步調不可持續
  • 設計師最焦慮（63% 感到被淹沒），創辦人最樂觀（71%），小公司普遍比大公司好過

💡 為什麼重要：2026 年的職涯風險不是「被 AI 取代」，而是「被 AI 加速到過勞」。願意把 AI 當放大器的人保有信心，抗拒的人陷入恐懼——這是個人層級最該正視的分水嶺。

🔗 閱讀原文 | 來源: Lenny

2. GLM 5.2 與即將到來的 AI 利潤崩盤#

分析師 Martin Alderson 實測智譜 GLM 5.2，稱它是「第一個真正達到 Opus 與 GPT 開源競品門檻」的模型。在多數文字任務上品質與前沿打平，但價格只要一百萬 token 四塊四美金，約是 Opus 的 20%、GPT 5.5 的 15%。加上它相容 OpenAI／Anthropic 的 API 端點，切換成本幾乎為零。他預期端到端工作流可省 50% 以上成本，並把這篇定位為「利潤崩盤系列」的第一集。

  • $4.40/M vs Opus 約 $22/M vs GPT 5.5 約 $29/M，開源把推理價格壓出一個地板
  • 致命短板是沒有視覺能力（PDF／截圖）與網路搜尋整合不足，前沿仍握有專門能力
  • 對成本敏感的純文字工作流（研究、摘要、程式生成）是最先被侵蝕的市場

💡 為什麼重要：這是第一個詳細的「margin collapse」案例——同等品質 + 八成成本優勢 + 零遷移門檻，直接威脅前沿實驗室的推理利潤結構。

🔗 閱讀原文 | 來源: Lobste.rs

3. Claude Cowork 上手機／網頁，真實用途只有 8.7% 在寫程式#

Anthropic 把 Claude Cowork 擴展到 iOS、Android 與網頁，任務可在背景跨裝置接續執行。但真正的爆點是它公布的一百二十萬次使用數據：戳破了「coding agent 大戰」的敘事——真正在寫程式的只佔 8.7%，最大宗是報表、對帳、流程協調這類商業行政工作（33.4%），內容創作佔 16.4%。Anthropic 正把 Cowork 重新定位成「代理型行政同事」，而非寫程式工具。

  • 業務流程操作 33.4%、內容創作 16.4%、軟體開發僅 8.7%
  • 跨裝置接續 + 背景執行，任務不綁在單一裝置上
  • 吵得最兇的開發者市場，其實是實際用量最小的一塊

💡 為什麼重要：真正的 AI 用量藏在無聊的辦公室日常裡。誰能控制跨裝置的職場流程，而不只是開發者工具，誰就贏得下一輪基礎設施戰。

🔗 閱讀原文 | 來源: TechCrunch

4. 騰訊開源 Hy3：295B MoE 模型免費上架 OpenRouter#

騰訊推出 Apache 2.0 授權的 Hy3，295B 總參數、21B 啟用參數的 MoE 架構，上下文長度 256K，號稱以更少參數量追平旗艦開源模型（宣稱贏過 2-5 倍參數的對手）。完整模型 598GB、FP8 量化版 300GB，即日起到 7 月 21 日可在 OpenRouter 免費使用，發布前經 50+ 個產品回饋調校。

  • 295B/21B MoE + 256K context + Apache 2.0 完全開源
  • 免費視窗到 7/21，是實測與 Opus／GPT 對比、優化成本的好時機
  • 首個中國開源權重模型在能力與價格上直接挑戰美國前沿實驗室

💡 為什麼重要：Hy3 加上 GLM 5.2，中國開源陣營正把「同級品質、更低價格」變成常態，對商業 API 的定價形成結構性壓力。

🔗 閱讀原文 | 來源: Simon Willison

5. 為什麼開源 AI 崛起還沒傷到 Anthropic#

TechCrunch 分析一個看似矛盾的現象：DeepSeek 在 Vercel 上拿下超過三分之一的 token 用量，Anthropic 卻仍掌握超過 50% 的整體 AI 支出——即使 Opus 4.8 每百萬 token $1.37、是 DeepSeek V4 Flash $0.06 的約 23 倍。文章主張前沿與開源不是零和，而是「同一生命週期的兩個階段」：前沿負責證明新用途，開源負責把已證明的用途規模化。

  • DeepSeek 領先「用量」，Anthropic 領先「支出」，兩者不在同一市場切片
  • Opus 4.8 $1.37/M vs DeepSeek $0.06/M，23 倍溢價仍主導花費
  • 文中也帶到職場數據——倦怠 55.7%、樂觀 48.7%，設計師／研究員最焦慮

💡 為什麼重要：Jesse Zhang 那句「前沿負責發現，開源負責量產」精準描述了新的分工。開源不是吃掉市場，而是擴大市場——但也意味著開發者的競爭更激烈。

🔗 閱讀原文 | 來源: TechCrunch

6. 用手機遙控自駕 coding agent：Symphony + Linear 實戰#

Kernel Labs 創辦人 Alessio Fanelli 在 Lenny 的節目分享兩套自駕 AI 工作流：用 OpenAI Symphony 搭配 Linear 打造全自動開發狀態機，agent 全程無需人工盯場；另用具備瀏覽器能力的 Codex 自動在 eBay 搜尋低價寶可夢卡並辨識鑑定編號。他認為「agent 管理者」比「agent 提示者」更貼近未來的工作心態。

  • Symphony + Linear = 全自動開發狀態機，人只在關鍵節點介入
  • Codex 的瀏覽器能力可跑真實世界任務（比價、辨識、下單）
  • 心態轉變——從「下 prompt 的人」變成「管理一群 agent 的人」

💡 為什麼重要：當你能從手機遙控一整條開發流水線，開發者的價值就從「寫每一行」移到「設計與監督整個 agent 系統」。

🔗 閱讀原文 | 來源: Lenny

7. 2026 科技求職市場：徵才主管與求職者的認知落差#

Gergely Orosz 訪談超過 50 位徵才主管與工程師，發現雙方陷入「找不到彼此」的困境：資深工程師海投履歷石沉大海，企業信箱卻塞滿 AI 生成的灌水履歷、多到直接放棄看信。AI 相關專長需求熱絡，但整體人才市場依然艱難，人脈比以往任何時候都更重要。

  • AI 灌水履歷淹沒收件匣，讓「海投」這條路幾乎失效
  • AI 專長是少數熱區，但多數領域招聘依舊冷清
  • 內推與人脈成為突圍的關鍵，冷投報酬率極低

💡 為什麼重要：AI 同時衝擊了求職的供給端（灌水履歷）與需求端（技能錯配），2026 找工作的遊戲規則已經和兩年前完全不同。

🔗 閱讀原文 | 來源: Pragmatic Engineer

8. ChatGPT、Gemini、Claude 行為差異的架構解密#

ByteByteGo 拆解三大主流 LLM 為何在同樣提示下表現迥異，追溯到底層架構選擇。Claude 用密集架構的 1M context、Constitutional AI（一份 2.3 萬字的「憲法」），較常對邊界案例提出質疑；Gemini 用 MoE 的 1M context、能原生吃 10.5 小時影片；ChatGPT 會在推理／主模型間即時切換卻不告知使用者。

  • Context——Claude 與 Gemini 都 1M，GPT-4 Turbo 只有 128K
  • 對齊——Anthropic 2.3 萬字憲法 vs OpenAI 的 Model Spec vs Google 的學習型獎勵
  • Claude 因 Constitutional AI 在邊界案例較穩，ChatGPT 的模型路由則不一致

💡 為什麼重要：選模型不只是看跑分。理解架構差異才能對上你的場景——高 token／影片選 Gemini，文件密集／安全關鍵選 Claude。

🔗 閱讀原文 | 來源: ByteByteGo

9. Meta 推出 Muse：免費 AI 圖片生成器，整合 IG／WhatsApp#

Meta Superintelligence Labs（內部代號 Mango）推出 Muse Image 圖片生成器，免費上架 Meta AI app、Instagram Stories 與 WhatsApp。特色包括可生成「可掃描的 QR code」、整合 Facebook Marketplace 做家具擺設視覺化、去除路人、產品情境圖，還有開發中的 Muse Video。The Verge 也報導它能把其他 Instagram 用戶「拉進」你的 AI 照片，引發隱私討論。

  • 免費 + 深度綁進 IG／WhatsApp，靠通路優勢碾壓獨立圖片生成器
  • 功能性 QR code 生成是同類少見的實用亮點
  • 能把其他 IG 用戶帶進 AI 照片，隱私爭議待觀察；官方未公布 benchmark

💡 為什麼重要：Meta 用「免費 + 生態鎖定」對獨立圖片生成廠商施加價格壓力，但把真人拉進生成圖的能力也踩在隱私紅線上。

🔗 閱讀原文 | 來源: TechCrunch

10. Claire 實測 Sonnet 5：跑 64 次生成看值不值#

Claire Vo 在 How I AI 節目用 Claude Code 建立自製 benchmark，盲測 Sonnet 5 對比 Sonnet 4.6、Opus 4.8、GPT-5.5 與 Gemini 3 Pro，涵蓋 PRD、原型與 agent 任務。她發現 Sonnet 5 定價貼近舊版 Sonnet，但在她個人偏好排名中敬陪末座，性價比要看用途而定。

  • 自建盲測 benchmark，跨 PRD／原型／agent 三類任務
  • Sonnet 5 價格親民，但在此次個人排名中墊底
  • 模型選擇高度依賴任務類型，沒有單一贏家

💡 為什麼重要：官方跑分之外，實務使用者自建的盲測往往更能反映真實體感——別只看發表會數字。

🔗 閱讀原文 | 來源: Lenny

11. sqlite-utils 4.0：新增資料庫 schema migration#

Simon Willison 發布 sqlite-utils 4.0，是自 2020 年 3.0 以來首次大版號更新，新增三大功能：資料庫 schema migration、透過 db.atomic() 實現的巢狀交易，以及複合外鍵支援。migration 可用 Python 定義並自動追蹤已套用的變更；原本的 sqlite-migrate 套件功能正式併入本體。

  • schema migration 進入本體，可用 Python 定義並追蹤
  • db.atomic() 支援巢狀交易，複合外鍵支援
  • sqlite-migrate 退場，改為相容 shim

💡 為什麼重要：對用 SQLite 做資料工具的人是實用升級，migration 內建大幅降低 schema 演進的維護成本。

🔗 閱讀原文 | 來源: Simon Willison

12. 30papers.com：Ilya 的 30 篇必讀 ML 論文，新手友善版#

把 Ilya Sutskever 給 John Carmack 的經典 ML 閱讀清單整理成新手友善的格式，收錄約 30 篇奠基性論文並附解說，串起機器學習理論與實務。適合想打穩 ML 基礎的人按圖索驥。

  • 源自 Ilya 給 Carmack 的「讀完這些就懂 ML 九成」清單
  • 新手友善排版 + 解說，降低直接啃論文的門檻
  • 適合系統性補齊基礎的工程師收藏

💡 為什麼重要：在模型變便宜、人人都能呼叫 API 的時代，理解底層原理反而成了差異化——這份清單是最短路徑之一。

🔗 閱讀原文 | 來源: Hacker News

13. Fable 使用指南：unhobbling 解鎖模型潛力#

Latent Space 整理 Thariq 針對新模型 Fable 的重點演講，核心概念是「unhobbling」——多數模型限制其實來自我們自己設下的 harness 與提示方式，換代模型時應重新檢視並鬆綁這些框架，才能釋放模型原本被低估的能力。

  • 「unhobbling」＝拿掉我們替模型加的枷鎖（過時的 harness／prompt）
  • 換新模型時要重寫工作流，而不是沿用舊 prompt
  • 許多「模型不會做」其實是「我們沒讓它做」

💡 為什麼重要：升級模型不只是換 API key。願意重新設計 harness 的人，才能真正吃到新模型的紅利。

🔗 閱讀原文 | 來源: Latent Space

推薦閱讀#

大神動態#

  • Simon Willison：sqlite-utils 4.0 發布、Tencent Hy3 開源、github-code 元件三連發（詳見必讀 #4、#11）
  • Jack Clark：Import AI 464 報導 Fable 寫出 18.71 倍加速 GPU kernel（詳見推薦閱讀）
  • Theo (t3.gg)：開炮吐槽「本地模型被過譽」，GLM-5.2 完整版需 400GB VRAM（詳見影音精選）
  • Michael Mignano：USV 合夥人談「現在是應用層的時代」，80% 任務不需前沿模型（詳見影音精選）

社群熱門#

中文技術圈#

開源精選#

elder-plinius/T3MP3ST — TypeScript | ⭐ 3.3K 自主紅隊平台，多 agent 攻擊性資安 meta-harness。

synthetic-sciences/openscience — TypeScript | ⭐ 1.3K 開源 AI 科學研究工作台。

ammaarreshi/Generals-Mac-iOS-iPad — C++ | ⭐ 1.3K 《終極動員令：將軍》原生跑在 macOS／iPhone／iPad。

jamesob/local-llm — Shell | ⭐ 1.2K 在本地跑 LLM 的完整知識整理。

MaximeRivest/riddle — Rust | ⭐ 1.0K reMarkable Paper Pro 的手寫墨水日記，紙面回話。

Shpigford/knockoff — JavaScript | ⭐ 898 Chrome 擴充：過濾亞馬遜山寨品牌，只留真品牌。

514-labs/dnsglobe — Rust | ⭐ 665 終端機世界地圖看 DNS 在 34 個解析器全球傳播。

Kulaxyz/token-diet — Shell | ⭐ 610 coding agent 的 token 省錢 skill，平均帳單降 31%。

anthropics/jacobian-lens — Python | ⭐ 545 全域工作區可解釋性論文的配套程式碼。

dzhng/skills — JavaScript | ⭐ 529 agent skills 集合。

影音精選#

本地模型被過譽？Theo 開炮：GLM-5.2 雖強但你根本跑不動#

近期 · Theo (t3.gg)

Theo (t3.gg)

Theo 直言「本地模型」的迷思——GLM-5.2 完整版約需 400GB VRAM、7.5 萬美元 GPU 主機外加每年約 2000 美元電費，一般人根本跑不動；市面宣稱能用自家 GPU 取代 Codex／Claude Code 多半是誤導。與今天「模型變便宜」主軸的反面呼應：便宜的是雲端 API，不是你自己跑。

  • GLM-5.2 完整模型約 400GB VRAM，BF16 全精度高達 1.5TB
  • 量化／剪枝版仍需約 200GB，消費級硬體幾乎跑不動
  • 多數「本地模型」其實是效能大打折扣的小模型，並非真能取代雲端旗艦

為什麼現在是 App 層的時代｜Mignano, USV 完整專訪#

近期 · 20VC

20VC

USV 合夥人 Mike Mignano 主張 AI 基礎建設階段已過，機會在應用層；企業中約 80% 任務不需前沿模型，路由層可能藏著一家 500 億美元公司。與今天主軸「價值從模型移到應用」高度一致。

  • 核心論點：基礎建設階段已過，機會在 App Layer
  • 80% 企業任務不需前沿模型，routing layer 有巨大機會
  • USV 押注能徹底顛覆既有市場的新創，而非單純自動化

你的產品可能只是一個 Markdown 檔案#

近期 · Theo (t3.gg)

Theo (t3.gg)

Theo 在 AIE 2026 演講直言，許多新創的整個產品其實就是一份 Markdown——丟給 Codex／Claude 執行就能跑出成果，這件事的顛覆性大家還沒完全意識到。

  • 許多現場新創的核心邏輯可濃縮成一份 Markdown
  • 直接把 Markdown pipe 給 Codex／Claude 已可行，大幅降低開發門檻

今日觀察#

今天最耐人尋味的對照，是 GLM 5.2 的價格崩盤和 Claude Cowork 的使用數據放在一起看。一邊是模型端血流成河，開源把百萬 token 壓到四塊四美金、逼得前沿只能靠 Jesse Zhang 說的「發現新用途」維持溢價；另一邊 Cowork 的一百二十萬次數據卻顯示，真正被大量使用的根本不是什麼尖端能力，而是對帳、報表、跑流程這種佔了三成三的無聊行政，寫程式只佔 8.7%。這兩件事其實指向同一個結論：模型的「聰明」正在快速貶值，而「無聊但可靠地把工作做完」反而在升值。Pragmatic Engineer 那篇求職市場觀察也呼應了這點——資深工程師海投履歷石沉大海，真正稀缺的是能把 AI 接進具體業務的人。對開發者和每個工作者來說，值得記住的或許是：當工具本身變便宜，你的價值就不再是「會用最強的模型」，而是「知道拿它去解哪個真實的問題」。

覺得有用嗎？分享給一個也在追蹤新知的朋友。

也歡迎中長期投資者體驗新工具 → Moniit banner

同期還有