Anthropic 收入反超 OpenAI、Caveman 插件爆火,一起来看过去一周热点

Anthropic 封禁 OpenClaw

 第三方生态收紧，AI 工具链从开放走向平台化控制

这件事的核心，其实是在“谁来掌控AI工具入口”。Anthropic 宣布不再让其 Claude 订阅覆盖 OpenClaw 等第三方工具，用户如果还想用，只能额外付费或走 API。这背后表面是安全与竞争问题——OpenClaw 创始人加入了 OpenAI，但本质是平台开始主动“收口生态”。此前 Anthropic 已经通过限制接入、功能替代等方式逐步削弱第三方，如今则是直接切断订阅层的支持。同时，它在力推自家原生工具 Claude Cowork，把用户留在自己的闭环中。对开发者来说，这意味着成本上升、工具链不稳定，甚至需要重构整个工作流；而对行业来说，则释放出一个明显信号：头部模型厂商正在从“开放协作”转向“生态控制”。

一句话总结：AI 工具生态正在从“谁都能接”转向“必须站队”。

Anthropic 收入反超 OpenAI

3.5GW TPU 集群落地，AI 算力与商业化进入正面对决

“钱和算力同时爆炸”，Anthropic 年化收入突破 300 亿美元，首次超过 OpenAI，而且高价值企业客户在短时间内直接翻倍，说明大模型已经真正进入企业核心业务。但问题也很现实：需求越大，算力压力越大。为此，Anthropic 联合 Google 和 Broadcom，计划建设 3.5GW 的下一代 TPU 集群，相当于把“数据中心规模”推到一个全新量级。同时，它还采用 AWS、TPU 和 NVIDIA GPU 的多硬件策略来分摊风险。但另一面是，算力成本正在失控——OpenAI 预计未来几年投入将达到千亿美元级别，盈利能力被严重压制。整体来看，AI 竞争已经从模型能力，升级为“算力+资金+客户”的综合军备竞赛。

一句话总结：AI竞争正在从拼模型，变成拼谁更有钱、更有算力。

 Meta 推出 Muse Spark

多模态原生架构跃升一线，算力效率成最大变量

这次 Meta 的新模型，可以理解为“用更少算力，做更强多模态”。Muse Spark 在评测中大幅领先自家 Llama 4，直接进入全球第一梯队。关键不只是分数，而是架构层的变化：它从一开始就是原生多模态，支持工具调用、视觉推理链，以及类似“多智能体协同思考”的机制，在医疗健康和复杂多模态任务上表现尤为突出。更关键的是效率——它的预训练算力只用了 Llama 4 的约十分之一，推理成本也明显更低。这背后是 Alexandr Wang 团队主导、结合 Scale AI 资源重构技术栈的结果。不过，目前在代码能力和长周期 Agent 上仍有短板。整体来看，Meta 正试图用“高性价比模型”重新进入 AGI 竞争核心区。

一句话总结：大模型竞争开始从“更大更强”，转向“更高效更聪明”。

caveman 插件爆火

用“原始人式提示词”压缩输出，直击 AI 冗余与成本痛点

这个爆红的插件，本质是在“驯服AI的啰嗦”。围绕 Claude 生态，caveman 通过极简提示词约束模型输出，比如强制删除冠词、寒暄和冗余解释，只保留信息本体，并提供 lite、full、ultra 三种压缩强度。在开发者社区和 GitHub 上迅速传播，核心原因很直接：它确实减少了无用文本，从而降低 Token 消耗和阅读成本。不过需要明确的是，这种方式只压缩“输出文本”，并不会减少模型内部推理 Token，所谓 75% 节省更多是使用侧的体感收益。更有意思的是，一些研究表明，简洁表达不但不影响效果，反而可能提升模型表现。整体来看，caveman 的走红，本质反映出开发者对“AI话痨”和成本结构的不满，也在推动插件化工具生态加速演进。

一句话总结：AI优化的下一步，不是更强，而是更克制。

LaSM 让智能体“收回注意力”

无需重训的轻量防御机制，对抗 GUI 弹窗劫持攻击

这项来自 上海交通大学、发表于 CVPR 2026 的工作，解决的是一个很实际的问题：GUI 智能体在操作手机或电脑时，很容易被弹窗等“诱导信息”带偏注意力，进而执行错误操作。作者提出的 LaSM，本质是在模型内部“微调注意力分布”——它先定位注意力开始偏移的关键中间层，然后对该层的注意力权重和 MLP 进行适度放缩，把模型的关注点重新拉回原任务。关键在于，这一过程不需要改模型结构，也不用重新训练，直接作为插件插入即可使用。在实际测试中，它对抗弹窗攻击的成功率大幅提升，与安全提示词结合甚至接近满分，同时对正常任务影响很小。整体来看，这项工作从“模型内部机制”出发，为多模态 GUI 智能体提供了一种高效、可落地的安全加固路径。

一句话总结：不改模型也能防攻击，关键在于把注意力拉回正轨。

腾讯发布具身智能基座模型

2B 小模型性能反超，大模型与端侧部署双线突破

这次 腾讯 推出的 HY-Embodied-0.5，可以看作是专门为“机器人和现实世界交互”打造的一套基础模型体系。它包含两条路线：一是主打端侧部署的轻量模型 MoT-2B，二是追求极致性能的 MoE-32B，对标 Gemini 3.0 Pro 等顶级模型。核心创新在于全新的 MoT 架构，把任务建模和多模态信息更紧密结合，同时配合原生分辨率视觉编码器和视觉潜在 Token，让模型更好理解真实环境。再加上超过1亿条高质量具身数据训练，小模型也能跑出高性能——MoT-2B 在22项测试中拿下16项第一，甚至超过更大模型。这说明具身智能正在从“堆参数”转向“架构+数据驱动”。目前代码已经在 GitHub 开源，进一步降低了落地门槛。

一句话总结：具身智能开始进入“小模型也能打”的新阶段。

MemPalace 引爆 AI 记忆赛道

低成本开源方案拿下满分，社区纠错推动技术回归理性

这个项目的特别之处，在于把“长期记忆”做到了极致性价比。由 Milla Jovovich 与工程师 Ben Sigman 借助 Claude 共同打造的 MemPalace，在 LongMemEval 测试中拿下首个满分，并迅速在 GitHub 走红。其核心思路借鉴“记忆宫殿”，把信息结构化为“房间+路径”的存储方式，并结合 ChromaDB 实现本地化低成本记忆管理，年成本甚至压到 1 美元以内。同时还设计了 AAAK 压缩格式来优化存储效率。不过项目发布后，社区指出部分性能宣传存在夸大，例如压缩效果和检索增益并非独特贡献，团队也迅速修正并公开数据。整体来看，这一项目一方面显著降低了大模型长期记忆的使用门槛，另一方面也体现出开源社区在技术纠偏中的关键作用。

一句话总结：AI 记忆系统开始走向低成本普及，但真实能力仍需社区共同校准。