#FOMO
SpaceXAI 发布 Grok 4.5
Grok 4.5 是其首款专为 Coding 和 Agentic 任务训练的模型，与 Cursor 合作开发，专注于真实世界的软件工程、大型代码库和多仓库长期项目。
- 推理效率极高：Token 效率是领先竞品的 2 倍，推理速度达 80 tokens/秒；
- 价格亲民：输入 $2 / 百万 tokens，输出 $6 / 百万 tokens。
目前已在 SpaceXAI Console、Grok Build 和 Cursor 中提供 免费试用。在 DeepSWE 和 SWE Bench 等基准测试中表现强劲，欧盟地区预计将于 7 月中旬开放使用。
x.ai
Anthropic Claude 的 J-Space 研究总结
Anthropic 在 Claude 中发现了一个 J-space（雅可比空间），通过新的可解释性技术实现，类似于神经科学中的全局工作空间理论：大脑中只有少量信息能进入“意识”并被广播处理。
J-space 位于模型内部神经激活中，能让 Claude 默默进行推理（如发现代码 bug、识别图像），独立于输出文本；移除它后，Claude 仍能流畅对话，但多步推理等复杂任务会显著变差，类似人类有意思考与自动处理。
通过观察 J-space 可暴露模型隐藏目标或情境意识（如识别测试场景为假），有助于审计和塑造 AI 行为，提升可信度，同时显示语言模型与人类思维的惊人相似之处（但不等于具备主观体验）。
A global workspace in language models
Tokenmaxxing 已死，Valuemaxxing 万岁
从盲目最大化 Token 消耗转向以业务价值为核心的 AI 采用策略
过去一年，随着 Agentic AI 在开发工作流中的广泛应用，许多组织推行“Tokenmaxxing”（Token 最大化）策略，鼓励开发者尽可能多地使用 AI，甚至通过使用排行榜来推动，却缺乏明确的成功指标、防护栏和成本控制。这种做法在实验阶段有其合理性，但很快暴露问题：Agentic 工作流会产生大量 Token 消耗，却未必带来相应的业务价值。
面对成本激增，部分组织转向“Token 最小化”，通过限制模型、缩小上下文窗口和精简 Prompt 来控制开支。然而，这种做法同样落入陷阱——单纯关注 Token 数量忽略了业务成果。过度压缩有效信息会导致更多重试、工具调用和人工返工，成本只是转移而非真正降低。
核心建议：转向 Valuemaxxing
文章提出应采用 Valuemaxxing（价值最大化）理念，由 Nebius CRO Marc Boroditsky 提出。其核心是聚焦真实业务成果而非 Token 指标，例如：
- 完成了多少任务？
- 节省了多少开发者时间？
- 加速了多少系统现代化工作？
- 解决了多少安全漏洞？
- 避免了多少返工？
Token 消耗仅是成本信号，真正的价值来自可衡量的业务影响。
实践启示
- 模型即基础设施：竞争优势转向系统构建，包括上下文管理、工作流编排、模型路由和治理。
- 开发者责任：将 AI 效率视为工程技能，注重上下文卫生和成本-收益权衡。
- 领导者责任：建立成本与成果的双重可见性，奖励效率而非使用量。
- 平台支持：如 IBM Bob 等平台通过智能路由、预算控制和成果分析，帮助组织实现价值最大化。
无论未来 AI 成本如何变化，企业都需回答核心问题：AI 投资是否真正创造了有意义的商业价值？
Tokenmaxxing is dead, long live valuemaxxing | IBM