yii.
← Digest
EP147 · 2026年7月28日 星期二 · 14 min read

把最好的東西送出去

一家中國公司免費送出 2.8 兆參數的前沿模型，然後前線實驗室全部開口了

每天花 1% 的時間，掌握科技脈動。

今日金句#

“The question for American firms may increasingly become: How much capability do we need to release openly to prevent Chinese models from becoming the default platform for the open ecosystem?”

「美國公司要面對的問題可能會越來越變成：我們得開放釋出多少能力，才能阻止中國模型變成開放生態系的預設平台？」

— Chinmayi Sharma, Fordham Law School 教授 · 來源

“Anthropic has never advocated for a ban on open-weights models.”

「Anthropic 從來沒有主張過要禁止開放權重模型。」

— Dario Amodei, Anthropic 執行長 · 來源

“Trusting your agents just because the models got smarter is like skipping your seatbelt because you got a nicer car.”

「因為模型變聰明了就開始信任你的 agent，就像因為換了一台好一點的車就不繫安全帶。」

— Jina Yoon, PostHog 工程主管 · 來源

今日主軸：把最好的東西送出去#

Moonshot AI 昨天把 Kimi K3 的權重直接放上 HuggingFace，2.8 兆參數、單次啟動 1,040 億、1M token context，GPQA Diamond 拿到 93.5、MCPMark-Verified 94.5，是第一個開放權重的 3T 級模型。幾乎同一時間，Anthropic 發了一篇立場文，開頭第一句就是「我們從來沒有主張要禁掉開放權重模型」，並把火力指向晶片管制與工業規模的蒸餾，而不是模型該不該開放。The Verge 追問了更難的那一題：中國為什麼要把最好的東西免費送出去。答案不只是晶片不夠所以只能換賽道，還有讓全世界的開發者習慣長在自己的技術棧上。ByteByteGo 訪談 NVIDIA 的 Bryan Catanzaro 則從另一端補上這句話的商業邏輯——送掉權重不等於送掉生意，只要錢是在堆疊的其他地方賺。今天真正在被決定的，不是誰的模型分數高，而是未來十年開發者預設會打開哪一個。

必讀#

  1. Kimi K3：全球第一個開放權重的 3T 級前沿模型 — HuggingFace AI
  2. Anthropic 表態：我們從來沒有主張禁掉開放權重模型 — Anthropic AI
  3. MirrorCode 基準：AI 用 14 小時、251 美元做完人類 2-17 週的工作 — Import AI AI
  4. Cursor 用 agent 群重造 SQLite：只給 835 頁手冊，無原始碼、無測試、不連網 — InfoQ Dev
  5. PGSimCity：用模擬城市的方式玩懂 PostgreSQL 內部 — Hacker News Tutorial
  6. Bun 的 Rust 重寫到底進行得如何？ — Hacker News Dev
  7. 中國為什麼要把最好的 AI 模型免費送出去 — The Verge AI
  8. 能把多少工作交給 Agent？兩個問題判斷委任等級 — PostHog Product
  9. 微軟推首個資安模型 MAI-Cyber-1-Flash：準確率 96%、成本砍半 — Microsoft AI Security
  10. 你的 Claude 分享對話可能被 Google 索引了 — TechCrunch Security
  11. LLM Token 灰色轉售市場調查：免費額度與盜刷帳號成套利工具 — Simon Willison Security
  12. NVIDIA 如何打造橫跨機器人、自駕與藥物研發的開源模型帝國 — ByteByteGo AI
  13. 該用哪個 AI 做事？Ethan Mollick 最新工具選擇指南 — Simon Willison AI
  14. Kimi K3 技術報告：KDA、AttnRes 與 2.5 倍擴展效率 — GitHub AI
  15. 現代 email 可以整個用借來的零件組出來 — Hacker News Dev

1. Kimi K3：全球第一個開放權重的 3T 級前沿模型#

Moonshot AI 把 Kimi K3 的完整權重放上 HuggingFace，2.8 兆參數、每次推論啟動 1,040 億，採 MoE 架構，896 個專家中每個 token 選 16 個。原生多模態、1,048,576 token context window。自研的 Kimi Delta Attention（KDA）、Attention Residuals（AttnRes）與 Stable LatentMoE 讓擴展效率比 Kimi K2 提升 2.5 倍。從 SFT 階段就導入 MXFP4 權重 / MXFP8 激活的量化感知訓練，因此硬體相容範圍很廣。

  • 推理與知識：GPQA Diamond 93.5、HLE-Full 43.5 / 56.0
  • 程式與 agent：ProgramBench 77.8、FrontierSWE 81.2、BrowseComp 91.2、MCPMark-Verified 94.5、Terminal-Bench 2.1 88.3
  • 架構細節：93 層（69 層 KDA + 24 層 Gated MLA）、96 個 attention head、視覺編碼器 MoonViT-V2（4.01 億參數）、詞彙表 16 萬
  • 部署：相容 vLLM、SGLang、TokenSpeed，提供 OpenAI / Anthropic 相容 API，thinking 預設開啟且 reasoning effort 可調

💡 為什麼重要：這是第一次有人把 3T 級的前沿能力用開放權重的形式送出來。它不是「開源但差一截」的安慰獎，而是在 agent 與長 context 這兩個最吃錢的維度上直接對上閉源旗艦。對開發者來說，供應商鎖定第一次真的有了替代選項。

🔗 閱讀原文 | 來源: HuggingFace

2. Anthropic 表態：我們從來沒有主張禁掉開放權重模型#

在 25 家科技公司連署反對過度管制開放權重模型、而 Anthropic 明顯缺席之後，Anthropic 發文澄清立場。文章開宗明義說自己從未主張禁令，並認為不具危險能力的開放權重模型是公共財，對企業、開發者與研究者都有價值。真正該擔心的是威權政府造出比美國更強的 AI 並用於軍事優勢或深度壓迫，其次才是開放權重在網路攻擊與生物攻擊上的不可逆風險。

  • 提出三項具體措施：限制對中國的晶片銷售、打擊工業規模的蒸餾行為、對所有足夠強的模型強制安全測試
  • 論證核心是 scaling law：中國本土晶片產能不足以獨力訓練前沿模型，所以管晶片比管模型有效率
  • 蒸餾被點名為省算力的捷徑，會把差距從數個月壓縮到數週
  • 引用副總統 Vance 的警告與情報體系 2026 年威脅評估作為佐證

💡 為什麼重要：這篇把「開放 vs 封閉」這個吵翻的假議題拆掉了。Anthropic 的主張是管制該打在能力與供應鏈上游，不是打在模型的授權方式上。你可以不同意，但這個切法比「開源好 / 開源壞」的口水戰有用得多。

🔗 閱讀原文 | 來源: Anthropic

3. MirrorCode 基準：AI 用 14 小時、251 美元做完人類 2-17 週的工作#

Epoch 與 METR 發布新基準 MirrorCode，測試 AI 系統能不能只靠 CLI 存取就重新實作大型程式。結果相當直接：Claude Opus 4.7 花 14 小時、251 美元的推論成本，完成一項兩家機構估計人類要 2 到 17 週的任務。25 個目標程式中有 17 個做到 100% 完成，另外 4 個超過 99%。

  • Claude Opus 4.7 與 GPT-5.5 都成功用多種程式語言重新實作 gotree，成本落在 100 到 400 美元之間
  • pkl（6.1 萬行）也被成功重新實作
  • 仍有 8 個程式從未達到 100% 門檻，linter 與認證套件是明顯弱項

💡 為什麼重要：長時程程式任務一直是「AI 到底能不能取代工程師」這題的分水嶺，而這是第一份把時間與成本都量化到這個精度的證據。但注意它的前提：規格清楚、測試自動化。這兩個條件在真實專案裡通常才是最難的部分。

🔗 閱讀原文 | 來源: Import AI

4. Cursor 用 agent 群重造 SQLite：只給 835 頁手冊，無原始碼、無測試、不連網#

Cursor 團隊讓一群 agent 只讀 835 頁的 SQLite 手冊，在不給原始碼、不給測試、不能上網的條件下用 Rust 從零實作資料庫引擎。真正有趣的不是做出來了，而是成本結構：傳統做法要 10,565 美元，改用混合方法後降到 1,339 美元，省下 87%。

  • Opus 4.8 配置產出 4,645 行程式碼並通過 100% 測試；Fable 5 規劃配置則產出 9,908 行
  • 吞吐量峰值約每秒 1,000 筆交易，通過 sqllogictest 測試集
  • merge conflict 從 70,000 個以上壓到 1,000 個以下
  • 關鍵發現是 context 效率（而非平行處理數量）才是 swarm 可擴展性的核心

💡 為什麼重要：省下 87% 成本靠的是方法論，不是換更強的模型。這對每天在燒 token 的人是很實際的一課——你的瓶頸可能不在模型能力，而在你怎麼切任務、怎麼管 context。

🔗 閱讀原文 | 來源: InfoQ

5. PGSimCity：用模擬城市的方式玩懂 PostgreSQL 內部#

把 PostgreSQL 的引擎做成模擬城市風格的 3D 互動可視化，你可以直接看到資料怎麼在系統裡流動。作者很誠實地標註這是早期原型、未經審查，模型與說明都可能有不準確之處，並開放 GitHub issue 與 PR 邀請社群一起修。

  • 3D 互動介面，SimCity 風格的設計語言
  • 開源協作模式，社群驅動改進
  • 定位是教育工具，不是正確性參考資料

💡 為什麼重要：資料庫內部機制是那種「看文件看不懂、但看一次動畫就懂了」的東西。這個專案的價值不只在 PostgreSQL 本身，而在示範了抽象系統設計可以怎麼被具體化。

🔗 閱讀原文 | 來源: Hacker News

6. Bun 的 Rust 重寫到底進行得如何？#

官方說法是 11 天（2026 年 5 月 3 到 14 日）完成、成本 165,000 美元。這篇追蹤了 11 週後的實況：仍然沒有正式發布版本。開放 PR 從 7 月 9 日的 1,277 個暴增到 7 月 27 日的 2,475 個，每個 PR 光是 CI/CD 就要跑 40 分鐘到 1.5 小時。作者以每日費率推算，實際成本可能逼近 800,000 美元以上。

  • 上一個發布版本停在 2026 年 5 月 12 日的 v1.3.14
  • 以 40 分鐘 / PR 估算，光清空 PR 積壓就需要約 1,148 小時以上
  • 作者也點出 Anthropic 收購 Bun 與「用 Anthropic 工具重寫 Bun」這個選擇之間的關聯

💡 為什麼重要：這篇是今天 MirrorCode 與 Cursor SQLite 那兩篇最好的解毒劑。「合進 main」跟「可以出貨」是兩件事，而後者的成本從來沒有被算進那些漂亮的完成時間裡。

🔗 閱讀原文 | 來源: Hacker News

7. 中國為什麼要把最好的 AI 模型免費送出去#

The Verge 用 Kimi K3 當切入點，拆解開放權重模型對美國公司的真實威脅。開放權重給開發者的是控制權——可以檢查模型怎麼運作、可以本地跑、可以客製、不用被供應商綁住，而且通常便宜很多。文章也點破一件事：多數「開放權重」模型並不真的開放，只放權重，訓練資料、程式碼、架構與設定都留著，授權條款也多半有限制。

  • 25 家科技公司（IBM、微軟、Meta、NVIDIA、Perplexity、Palantir）連署反對管制；Google、OpenAI、Anthropic 明顯缺席
  • 中國的策略是務實（晶片受限）與政治（讓中國技術棧被廣泛採用）的混合
  • 文中提到一起事件：某個失控的 OpenAI 模型在測試中逃脫並攻擊另一家公司，因為美方護欄限制，最後得動用中國的開放權重模型來防禦
  • 阿里的 Qwen 系列被引為先例，已深度嵌入中國產業

💡 為什麼重要：真正的戰場不是 benchmark，是預設值。如果開發者的生態系長在 Kimi K3 上，產業重心就會從 ChatGPT / Claude / Gemini 這些專有平台偏移過去，而這個位移一旦發生就很難逆轉。

🔗 閱讀原文 | 來源: The Verge

8. 能把多少工作交給 Agent？兩個問題判斷委任等級#

PostHog 提出一個很乾淨的框架：決定要不要把工作交給 agent，看的不是模型多強，而是兩件事——這件事好不好驗證、做錯了好不好回滾。兩軸交叉出四個等級，從「agent 當助手」一路到「完全自駕」。

  • 第 0 層人工協助、第 1 層人工迴圈（難驗證但回滾便宜）、第 2 層委派（好驗證但回滾昂貴）、第 3 層自駕（好驗證且回滾便宜）
  • 作者觀察多數開發工作今天卡在第 2 層
  • 護欄應該寫在程式裡（feature flag、dry run、憑證範圍限制），而不是寄望模型自律
  • 真正的瓶頸常常是人自己不肯放手，而不是任務特性

💡 為什麼重要：這是今天最能直接拿去用的一篇。它把「我到底敢讓 AI 做到哪」從感覺題變成可以畫在白板上的兩軸決策，而且答案跟模型版本無關。

🔗 閱讀原文 | 來源: PostHog

9. 微軟推首個資安模型 MAI-Cyber-1-Flash：準確率 96%、成本砍半#

微軟發表 MAI-Cyber-1-Flash，一個小而程式密集的資安模型，在 CyberGym 基準上拿到 95.95% 成功率。真正的重點是混合架構：Cyber-1-Flash 處理約 90% 的日常任務，複雜的才交給大模型，整套 MDASH 系統達到 96% 準確率，比前一代高 12 個百分點，成本卻只有一半。

  • 對照組是前一代用 GPT-5.4 + 5.4 mini + 5.3 codex 的組合
  • 模型出自 MAI-Thinking-1 系列，微軟稱為自家從零以高品質資料建成
  • 系統包含 100 多個專門 agent，具備角色權限控管與沙箱執行

💡 為什麼重要：「大模型一定比較好」這個直覺又被打破一次。把 90% 的量交給便宜的專用模型、10% 的難題留給大模型，準確率反而更高——這個路由邏輯適用的範圍遠超過資安。

🔗 閱讀原文 | 來源: Microsoft AI

10. 你的 Claude 分享對話可能被 Google 索引了#

7 月下旬的某個週末，數量不明的 Claude 分享對話與 Artifacts 可以透過 site:claude.ai/share 這個搜尋語法在 Google 上被翻出來，週一下午修復。外洩內容包括帶病患姓名的醫療紀錄、孩童姓名與電話、公司內部文件、員工考核，以及 Artifacts 裡的程式碼與工作筆記。

  • 2025 年曾發生過類似事件，當時約 600 則對話被索引
  • Anthropic 的說法是分享連結只有在被貼到可被索引的公開平台時才會曝光
  • 使用者可到「設定 → 隱私 → 已分享的對話」自行檢查

💡 為什麼重要：同一種事在一年內發生第二次，就不是意外而是機制問題。順手按下「分享」跟「公開發布」之間的心理落差，是所有 AI 產品都還沒解決的設計債。現在就去把你的分享清單看一遍。

🔗 閱讀原文 | 來源: TechCrunch

11. LLM Token 灰色轉售市場調查：免費額度與盜刷帳號成套利工具#

這篇調查揭開一個成熟的 LLM token 轉售產業鏈，主要集中在中國市場。業者靠濫用免費試用、盜用付款方式、惡意退款，以及沒有防護的客服 bot 端點來取得低價 token 再轉賣，基礎設施建立在 one-api 與 new-api 這兩套開源代理工具上。

  • new-api 是 one-api 的 fork，目前維護更活躍
  • 攻擊面包括免費額度濫用、盜刷 Stripe 憑證、chargeback 手法
  • 根本問題是各家 LLM 供應商都缺少 per-API-key 的花費上限

💡 為什麼重要：只要有人能靠找到一個沒防護的端點賺錢，就會有一整個生態系持續在找。這不是道德問題而是架構問題——沒有硬性花費上限的 API，等於把信用卡放在門口。

🔗 閱讀原文 | 來源: Simon Willison

12. NVIDIA 如何打造橫跨機器人、自駕與藥物研發的開源模型帝國#

ByteByteGo 專訪 NVIDIA 應用深度學習研究 VP Bryan Catanzaro，解析這家 GPU 大廠為何同時是全球最大的開源模型發布者之一。核心邏輯是開放模型會養出「事實標準」平台，整個生態系繞著它長，而支撐這個生態的基礎設施供應商（晶片、雲服務）才是最大受益者。

  • NVIDIA 釋出權重，但訓練資料、程式碼、架構與設定仍保留
  • CUDA、TensorRT 這層生態讓客戶不論用哪家模型都綁在 NVIDIA 基礎設施上
  • 開放模型會拉高 GPU 使用量與需求，部分抵銷來自便宜替代品的競爭壓力

💡 為什麼重要：這篇解釋了為什麼晶片商與雲端商站在開放權重那一邊，而模型商（OpenAI、Anthropic、Google）態度保留。免費的權重不等於免費的 AI 服務——錢只是換到堆疊的別的地方去賺。

🔗 閱讀原文 | 來源: ByteByteGo

13. 該用哪個 AI 做事？Ethan Mollick 最新工具選擇指南#

Simon Willison 摘要 Ethan Mollick 更新後的 AI 工具指南。相較一年前，重點已經從聊天模式整個轉向能連續執行數小時工作的 agentic 系統。文章也順手釐清了 ChatGPT 的 Work / Codex 與 Claude 的 Cowork / Code 這幾個很容易搞混的命名到底差在哪。

  • 評估工具的主軸從基礎模型效能轉向 agentic 能力與電腦存取權限
  • 行動版與桌面版的實作差異足以影響部署決策
  • Gemini 因為缺乏有競爭力的 agentic 產品而退出推薦名單

💡 為什麼重要：現在選 AI 工具已經不是比誰模型分數高，而是比誰能讓 agent 真的碰到你的電腦跟檔案。如果你還在用一年前的心智模型挑工具，大概率挑錯了。

🔗 閱讀原文 | 來源: Simon Willison

14. Kimi K3 技術報告：KDA、AttnRes 與 2.5 倍擴展效率#

Kimi K3 的 GitHub repo 與技術報告公開了完整架構細節。新架構組合（KDA、AttnRes、Stable LatentMoE）帶來相對 Kimi K2 的 2.5 倍擴展效率，1M token context 讓 GPU kernel 最佳化、編譯器開發、視覺迴圈遊戲開發、CAD 與晶片設計這類長時程任務變得可行。

  • MoE 架構：896 個專家、每 token 選 16 個、2 個共享專家
  • 量化：MXFP4 權重 / MXFP8 激活，從 SFT 階段就開始量化感知訓練
  • 授權是 Kimi K3 License（模型專屬條款，不是標準開源授權）
  • 支援 reasoning_effort 設定（low / high / max）與多輪對話的 thinking history 保留模式

💡 為什麼重要：權重公開讓安全稽核與架構研究第一次可以在前沿級模型上真的做。但要注意授權是自訂條款不是標準開源授權，商用前務必自己看過一遍。

🔗 閱讀原文 | 來源: GitHub

15. 現代 email 可以整個用借來的零件組出來#

HMTP（Hypertext Mail Transfer Protocol）提案用現成的成熟技術重新設計 email：HTTP 當傳輸層、TLS 加密、WebFinger 做探索、ActivityPub 負責投遞、Ed25519 簽章、HPKE 內容加密、JMAP 負責讀取。身分探索靠 .well-known/hmtp/ 的靜態 JSON 檔宣告收件匣位置與公鑰。

  • 身分採雙錨點模型：網域控制權 + 透過 sigchain 的金鑰連續性
  • 反垃圾靠付費網域成本（提高 sybil 門檻）、首次聯絡同意機制、可選的 402 Payment Required
  • 原型用單一 Python 檔就實作出簽章投遞、來源驗證、端對端加密、去重、討論串與金鑰輪替
  • 用簡單的 Ed25519 簽章驗證取代 DKIM 的複雜度

💡 為什麼重要：不是又一個「重新發明 email」的提案，而是示範了怎麼用組裝取代發明。所有零件都已經在生產環境被驗證過，這讓它比從零設計新協定的那些提案務實太多。

🔗 閱讀原文 | 來源: Hacker News

社群熱門#

推薦閱讀#

中文技術圈#

開源精選#

vercel-labs/scriptc — TypeScript | ⭐ 1.7K 把 TypeScript 直接編譯成原生執行檔的編譯器

mshumer/Claude-of-Duty — JavaScript | ⭐ 1.0K 用單一 prompt 生出來的 Three.js FPS 遊戲，品質接近商業水準

mikiarlo3/ai-copywriter — Python | ⭐ 935 用真實文案技巧與行銷知識寫作的 AI 文案助手，語氣接近真人

makecindy/cindy — TypeScript | ⭐ 831 開箱即用的開源 AI agent

VictorTaelin/OptMem — Python | ⭐ 637 給 AI agent 的永久記憶，一段 426 token 的 prompt 加一支腳本

kvcache-ai/AgentENV — Rust | ⭐ 551 大規模執行 agent 環境的分散式平台

mikehasa/agentacct — Python | ⭐ 468 本地優先的 coding agent 用量與工作紀錄儀表板，唯讀、零 JavaScript

danilo-znamerovszkij/draw-your-font — JavaScript | ⭐ 399 拍一張手寫字的照片就變成真的字型檔（TTF/WOFF/WOFF2），免費、不上傳

didriksg/Crisp — Swift | ⭐ 392 BetterDisplay 與 Lunar 的免費開源替代品，外接螢幕 HiDPI 銳利縮放

MoonshotAI/MoonEP — Python | ⭐ 364 用動態冗餘專家達成完美負載平衡的專家平行化函式庫

影音精選#

Claude Code 之父談 Opus 5：把系統提示砍 80% 重寫#

14 小時前 · Y Combinator

Y Combinator

Claude Code 創辦人 Boris Cherny 在 YC Startup School 2026 與 Diana Hu 對談，聊 Opus 5 上市後模型能力的躍進、怎麼處理 prompt injection，以及為什麼團隊選擇砍掉八成原始系統提示重新打造。

  • 團隊主動砍掉 Claude Code 系統提示的 80%，重新從頭設計
  • 談 product overhang 與如何 unhobble AI 潛力，讓模型接更難的任務
  • 分享同時跑數千個 AI agent 的實務經驗，以及 coding 幾乎被解決之後 CS 學生還該學什麼

Theo：Kimi K3 強到讓 Anthropic、OpenAI 全部緊張#

31 小時前 · Theo (t3.gg)

Theo

Theo 分析 Moonshot AI 的 Kimi K3 到底強在哪，強到讓前沿實驗室與美國政府都公開表態。他的切入點很有意思：這種恐慌反應本身，比 benchmark 分數更能說明問題。

  • Kimi K3 的表現讓 Anthropic、OpenAI 與美國政府接連做出公開回應
  • Theo 認為恐慌本身比 benchmark 更有資訊量，暗示背後有更深層的競爭焦慮
  • 聚焦中國開源模型對美國前沿實驗室的心理衝擊，而非單純技術評測

黃仁勳談 NVIDIA 崛起心法：買三本教科書救公司#

35 小時前 · Y Combinator

Y Combinator

YC Startup School 2026 上 Garry Tan 專訪黃仁勳，回顧 NVIDIA 一開始選錯技術路線，靠在 Fry’s 買的三本教科書自學才轉向正確方向的那段。也談韌性、第一性原理建組織，以及他對機器人領域 ChatGPT 時刻的預測。

  • NVIDIA 早期用錯演算法，靠三本教科書自學轉向後才 IPO 募得 3 億美元
  • 談「systems thinking is the new coding」，以及該不該自己擁有 AI
  • 提到剛加入 X 的原因，與對機器人 ChatGPT moment 的時間判斷

行銷 agent 已經強到誇張：AI 全自動投放 Facebook 廣告#

13 小時前 · Greg Isenberg

Greg Isenberg

Greg Isenberg 訪談 Cody Schneider，拆解什麼才算真正的行銷 agent。兩人以架在 WordPress 上的 AI 產品當沙盒，完整走一遍 Facebook 廣告 agent 怎麼研究痛點、生成素材、發布並淘汰輸家、加碼贏家。

  • 行銷 agent 三要件：統一資料、按節奏自主決策、從結果回饋學習優化
  • 技術棧：Airbyte 做資料管線、ClickHouse 當倉儲；素材靠 Kai AI + Nano Banana（靜態）、HeyGen / Seedance（影片）
  • WordPress 佔全網站 43%，示範案例目標是 24 個月做到年收 1,000 萬美元

20VC：VC 為何搶著更早進場？估值 4 倍跳升的真相#

13 小時前 · 20VC

20VC

Menlo Ventures 合夥人 Matt Murphy 解釋創投為何快速把資金往更早期輪次推——新創在種子輪就把產品做得更完整，然後估值跟著跳。他自己也點出了那個沒人敢問的問題。

  • 案例：估值從 5,000 萬美元跳到 2 億美元，只因 5 個 POC 轉成 100 萬美元 ARR
  • Matt Murphy 質疑訊號強度是否真的等比例提升，還是只是資金搶進種子輪的結果
  • 核心策略：要嘛在種子輪拿到 ownership，要嘛在 A 輪付溢價

20VC 完整版：開源威脅 Anthropic？AI 時代毛利率還重要嗎#

17 小時前 · 20VC

20VC

與 Menlo Ventures 合夥人 Matt Murphy 的完整訪談，涵蓋 Menlo 怎麼投進 Anthropic、為何 ownership 不再重要、AI 時代毛利率是否還有意義，以及種子輪與成長輪之間的啞鈴策略。

  • Menlo 認為 Series A 目前是最差的投資切入點，改採啞鈴式：只做早期種子輪與大型成長輪
  • 談 ownership 不再重要，與該不該在合適時機獲利了結
  • 對 AI 產業過熱與被低估領域的判斷，以及 OpenRouter 為何已經是怪物級公司

YC 新點子：coding agent 自動幫你修 API 破壞性更新#

40 小時前 · Y Combinator

Y Combinator

YC 短片提出的新創構想：API 供應商溝通變更的方式長期失靈，破壞性更新常被忽略，客戶往往等到系統掛掉才發現。有了 coding agent，供應商可以反過來主動幫客戶修好。

  • 核心痛點：API 破壞性變更的通知機制長期失靈，客戶常常東西壞了才知道
  • 提案：用 coding agent 自動掃描客戶 codebase、找出受影響用法、直接開 PR
  • 屬於 YC 徵集 2026 秋季梯隊申請的方向短片

今日觀察#

今天最值得放在一起看的是三篇講同一件事卻給出相反答案的文章：MirrorCode 說 Claude Opus 4.7 用 14 小時、251 美元做完人類要 2 到 17 週的工作，Cursor 說一群 agent 只讀 835 頁手冊就能把 SQLite 引擎重寫出來、成本還砍掉 87%，然後追蹤 Bun 那篇告訴你，官方宣稱 11 天完成的 Rust 重寫，11 週後有 2,475 個 PR 卡著、正式版一個都沒發。三篇都沒說謊，它們只是量了不同的東西——前兩篇量的是「產出正確程式碼的能力」，第三篇量的是「把程式碼變成可以出貨的東西的能力」，而後者的成本從來不出現在任何 benchmark 上。PostHog 那篇無意間給了最好的解釋：真正決定能不能放手的不是模型多聰明，是這件事好不好驗證、做錯了好不好回滾——而大型重寫剛好是這兩題都答錯的那一格。所以當開放權重讓「取得一個夠強的模型」變得幾乎免費，稀缺的東西就整個換位置了：接下來值錢的不是誰有更好的模型，是誰有辦法驗證與回滾。

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