Deng的博客

Gemini 3.5 Pro 全面重构发布延期：Google 的豪赌与 AI 模型军备竞赛引言2026年7月，AI 领域正在上演一场罕见的”三强对决”。就在 Anthropic 刚刚发布 Claude Sonnet 5 不到一周（7月2日上线），DeepSeek V4 正式版也宣布将于本月中旬正式推出之际——Google DeepMind 却做出了一个令人意外的决定：推迟 Gemini 3.5 Pro 的发布日期到 7 月 17 日，并彻底推翻了此前已有的 2.5 Pro 架构。 这不是简单的版本延期，而是从底层架构到训练范式的全盘重构。这个决定背后，折射出当前 AI 模型军备竞赛已进入了一个全新的阶段——仅靠堆数据和算力已不足以赢得竞争，真正的突破需要重新思考模型本身的组织方式。 一、被推翻的 2.5 Pro：为什么推倒重来？根据 Google Cloud 官方文档和多个技术报道的消息，Gemini 3.5 Pro 并非在现有 2.5 Pro 基础上的渐进式升级，而是完全重新设计的架构。这一决策的核心驱动力来自几个关键方向的技术突破： 1. 数学推理能力的跃升需求当前 AI 模...

百万Token不再是”纸面参数”2026年6月13日，智谱AI在同一天发布了两样东西：开源大模型 GLM-5.2 和编程工具 ZCode 3.0。从规格上看并不惊艳——MoE架构约753B参数，1M Token上下文窗口，最大输出131K tokens。但真正让行业侧目的，是”可用”这两个字。 过去几年，大模型的上下文窗口一直在膨胀：50K → 100K → 200K → 1M。问题在于，很多模型只是把数字堆上去，在真实场景下根本用不了——长程任务中注意力分散、遗忘前面指令、性能断崖式下降。GLM-5.2宣称的”Solid 1M无损上下文”，核心是针对长程Coding Agent场景做了数月的强化训练。 这不是营销话术。看看它在长程基准上的表现： Benchmark GLM-5.2 Claude Opus 4.8* FrontierSWE 前列 — PostTrainBench 前列 — SWE-Marathon 前列 — Terminal-Bench 2.1 81.0 — SWE-bench Pro 62.1 ~65 * Opus数据来自公开评测...

引言：Google I/O 2026的压轴大戏在刚刚落幕的Google I/O 2026大会上，最引人注目的莫过于DeepMind发布的Gemini Omni系列——一个号称”可以从任何输入创建任何东西”的多模态大模型。其中首个面向公众的版本Gemini Omni Flash更是将AI视频生成推向了新的高度：它不仅接收文本、图像、音频和视频作为输入，还能直接输出高质量视频，并在生成过程中支持对话式编辑和角色一致性保持。 Google DeepMind CEO Demis Hassabis在主题演讲中将Omni描述为向通用人工智能（AGI）迈进的关键一步。这并非空洞的营销话术——从技术架构来看，Gemini Omni Flash代表了多模态AI从”被动理解”到”主动创造”的重要转折。 Gemini Omni Flash：不只是另一个视频生成模型真正的”全模态输入输出”目前市面上的AI视频生成工具大多只接受文本或图像作为输入，然后输出一段视频。Gemini Omni Flash的核心创新在于它实现了多模态到多模态（M2M）的能力——用户可以给它一段对话录音、一组照...

Google I/O 2026重磅发布Chrome DevTools MCP — AI编程代理如何直接操控浏览器在刚刚结束的Google I/O 2026大会上，Chrome团队正式发布了Chrome DevTools MCP服务器——一个将Chrome开发者工具能力暴露给AI编程代理（Coding Agents）的MCP（Model Context Protocol）协议实现。 这个项目在GitHub上迅速引爆：截至本周已收获超过45,000个Star，3,600+ Fork，日均增长近2,000颗星，是近期开源社区中最受瞩目的项目之一。 一、背景：AI代理与浏览器调试的鸿沟长期以来，AI编程助手（如Cursor、Claude Code、Gemini CLI等）在处理Web应用时面临一个核心痛点：它们无法真正”看到”和”操控”正在运行的浏览器页面。 传统模式下，开发者需要将网页截图传给AI，或者手动将DOM结构粘贴到对话中。这种方式不仅效率低下，而且AI对页面的理解是静态的、过时的——当你把DOM复制给GPT时，页面上可能已经有AJAX请求在更新数据了。 C...

背景：从”一次性思考”到”动态推理”2026 年，AI Agent 已经从概念验证走向大规模落地。但一个核心问题始终困扰着开发者：如何让 Agent 在工具调用过程中持续推理？ 传统的 thinking block（如 Claude Extended Thinking）只在所有动作之前执行一次——模型先花几秒钟思考策略，然后按预设计划执行一系列工具调用。这种模式适合简单的多步任务，但对于复杂的调试、重构或多轮对话场景，一旦初始规划有误，Agent 就无法中途修正路线。 Anthropic 提出的解决方案是 Interleaved Thinking（交错思考）——一个看似简单却影响深远的创新。 Interleaved Thinking 是什么？传统的 thinking block 结构如下： 12345[用户请求]→ [thinking block: 规划整个任务]→ [工具调用 1] → [结果]→ [工具调用 2] → [结果]→ ...（所有动作完成后才回复） Interleaved Thinking 将推理块分散到每个工具调用之后： 12345678[用户请求]→ [th...

事件背景2026年6月30日，Anthropic正式发布了Claude Sonnet 5——这是该公司Sonnet系列中迄今为止”最具智能体能力”的模型。在同一天，该模型同时成为ChatGPT和Claude Pro用户的默认模型，标志着Anthropic在商业化路线上迈出了重要一步。 更值得关注的背景是，就在一个月前的2026年5月31日，Anthropic刚刚发布了Claude Opus 4.8，作为其旗舰级最强模型。而Sonnet 5的发布，让业界重新审视了”高端模型”与”性价比模型”之间的格局变化。 Sonnet 5的核心亮点智能体能力的显著提升根据Anthropic官方介绍和第三方评测，Claude Sonnet 5在以下几个关键维度上表现突出： 自主代码编写能力：Sonnet 5被描述为”有史以来最具智能体的Sonnet模型”。在实际测试中，它能够在无需人工干预的情况下完成复杂的编程任务，包括理解需求、设计架构、编写代码和调试错误的全流程。这在多轮对话和长上下文场景下表现尤为明显。 100万token上下文窗口：与Opus 4.8一样，Sonnet 5同样拥有100...

在2026年的AI技术浪潮中，编程辅助工具的演进已经从简单的代码补全阶段，全面迈入了自主智能体（Agent）时代。其中，Anthropic推出的Claude Code作为终端优先的自主编码代理，迅速成为GitHub上增长最快的开发工具之一，其Stars数量已突破12万大关，标志着AI编程工具进入了一个全新的范式。 背景：从代码补全到自主编码代理早期的AI编程助手主要侧重于单点功能，例如基于上下文的代码补全或简单的错误修复。然而，随着大语言模型（LLM）能力的提升，开发者对AI工具的期望也发生了根本性转变。他们不再满足于仅仅获得几行代码的建议，而是希望AI能够理解整个项目结构、执行终端命令、调试复杂问题，甚至在某些场景下独立完成功能开发。 正是在这样的需求驱动下，”自主编码代理”（Autonomous Coding Agent）概念应运而生。与传统的IDE插件不同，这些代理被设计为能够在开发者提供的任务描述下，自主规划、执行代码修改、运行测试并迭代优化结果。 Claude Code的核心特性Claude Code的核心理念是”终端优先”（Terminal-first）。这意味着它不...

OpenClaw：GitHub最快增长的自托管个人AI助手在2026年，AI智能体（AI Agents）已经真正走向主流，AI成为了基础设施。在这一趋势下，自托管的本地AI助手项目备受开发者关注。近日，一个名为OpenClaw的开源项目在GitHub上迅速崛起，以超过15,000颗星标成为2026年增长最快的开源项目之一，被誉为”属于你的个人AI助理”。 背景：隐私与掌控权驱动的自托管AI热潮随着大语言模型（LLM）能力的不断提升，越来越多的开发者开始尝试将AI集成到日常工作中。然而，使用云端AI服务往往意味着数据需要离开本地设备，这引发了对隐私和数据安全的担忧。特别是在企业级应用和敏感数据处理场景中，开发者更倾向于选择可以完全掌控的自托管方案。 正是在这样的背景下，OpenClaw应运而生。作为一个开源的个人AI助手项目，OpenClaw采用MIT许可证发布，支持所有主流大语言模型，允许用户在自己的设备上运行AI助手，真正实现数据的本地化处理。 核心亮点：多平台支持与原生渠道集成OpenClaw的核心理念非常明确：在你的设备上运行，通过你已使用的渠道与你交互。这意味着你不需要下...

在人工智能领域，多模态大模型与智能体（Agent）技术的结合正在引发一场深刻的变革。近日，字节跳动（ByteDance）旗下 Seed 团队正式开源了 UI-TARS-1.5，这是一个基于强大视觉语言模型（Vision-Language Model, VLM）构建的多模态智能体框架。该项目专注于图形用户界面（GUI）交互和游戏环境中的自动化任务，旨在让 AI 模型能够像人类一样理解屏幕内容并执行复杂的交互式操作。 背景与上下文：从文本对话到”视觉+行动”的智能体传统的 AI 助手大多基于纯文本或简单的图文输入进行交互，用户需要通过自然语言描述需求，再由模型生成代码、文本或建议。然而，在真实的计算机使用场景中，人类更多的是通过”看屏幕-理解界面-执行操作”的闭环来完成复杂任务。UI-TARS 系列项目的出现，正是为了解决这一痛点：让 AI 具备直接”看见”并”操作”GUI 的能力。 UI-TARS-1.5 作为该系列的最新迭代版本，不仅在视觉理解上进行了大幅增强，还在长程推理和跨应用工作流编排方面实现了显著突破。它标志着 AI 从单纯的”信息处理者”向”行动执行者”的重要转变。 核...

最近一直在玩 Agent Skill 相关的东西，顺手装了几个挺实用的技能，分享出来给大家参考。 第一个是 SkillHub 商店的 CLI 工具。之前一直用着，这次顺手把 aihot、stock-selecter 还有 unclecheng-reduce-ai-perception-v2 这几个技能都安到了 /d/hermes/skills/ 目录下。 aihot 这个技能挺对胃口的，主要是用来查 AI 圈的热点和日报的。比如想知道 OpenAI、Anthropic 或者 Google 最近又发了什么新东西，直接用这个技能搜一下就行，挺省事的。 另一个是 stock-selecter，股票筛选器。里面整合了大概 11 种策略，像 ROE 筛选、MACD 底背离、高股息、低估值这些都有支持。单用或者组合着用都可以，对平时看盘选股有点帮助。 最后要提的是 unclecheng-reduce-ai-perception-v2，也就是文章去 AI 味工具。有时候写出来的东西总觉得怪怪的，像机器生成的，这个技能就能帮忙润色一下。它会检测并修复那些 AI 高频词汇、过度结构化的问题，还有机...