ChatGPT团队任务自动化上线，Perplexity Computer实现Mac本地运行
ChatGPT团队任务：工程汇报自动化
OpenAI给ChatGPT团队版加了新功能。现在可以设置定期任务，让AI自动汇总团队的发布进展和阻塞项，生成周期性工程汇报。
队友能审阅这些自动生成的内容，并调整后续工作的范围。这活儿以前得有人专门盯着各个项目进度，手动整理成文档。现在AI按固定周期跑一遍，把散在各地的信息捞起来，人只需要最后把关。
从OpenAI开发者账号的演示来看，任务配置界面支持设置执行频率和汇报范围。对于工程团队来说，减少重复性信息整理的时间，算是比较实在的需求。
Perplexity Computer：Mac上的本地智能体
Perplexity把Computer功能搬上了Mac。关键卖点是"完全本地运行"——模型和智能体都在本地执行，能操作原生应用和本地文件。
这意味着查询和处理过程不经过云端，数据留在自己机器上。对于在意隐私的企业用户，或者需要处理敏感文档的场景，这个卖点比性能参数更直接。
实际体验上，Perplexity Computer在Mac上可以调用系统API，读取本地文件内容，也能控制其他应用。比如让AI打开Numbers表格，分析里面的数据，然后生成摘要。全程不需要上传云端。
不过本地运行的代价是硬件要求。Perplexity没有公布具体配置门槛，但大模型本地推理对内存和算力的消耗是实打实的。Mac用户得掂量自己机器的承受能力。
ElevenLabs低延迟语音模型
ElevenLabs发布了Eleven Realtime，主打语音到语音的低延迟对话。官方称响应时间控制在半秒内。
语音交互的延迟瓶颈一直存在。从用户说完到AI回应，中间要经过语音识别、语义理解、生成回复、语音合成四个环节。传统方案串行执行，累积延迟容易超过两秒，对话体感明显卡顿。
Eleven Realtime的优化方向是端到端压缩延迟。具体技术细节没公开，但半秒响应意味着至少有两到三个环节被并行化或大幅优化。对于实时客服、语音助手这类场景，延迟从两秒降到半秒，用户体验是质变。
ALTK-Evolve：学习式记忆登顶客服榜
IBM研究院的ALTK-Evolve在客服智能体榜单τ²-bench上拿了第一。核心创新是"学习式记忆"——从对话轨迹里提炼经验，而不是依赖更大的基础模型。
这个思路跟当下堆参数的风向有点不同。ALTK-Evolve不追求用最强的GPT-4或Claude，而是让智能体在实战中积累记忆。遇到类似问题时，调取过往处理经验，形成渐进式改进。
τ²-bench测试的是多轮对话中的任务完成率。客服场景尤其考验这一点：用户问题往往含糊，需要多轮澄清，还要调用外部工具查订单、改信息。ALTK-Evolve在这种复杂流程上的表现超过了参数更大的对手。
对于企业部署来说，这个路线有成本优势。不需要为每个请求调用昂贵的云端大模型，本地推理加记忆检索就能搞定大部分常规咨询。
AnyLanguageModel 1.0：Apple设备的本地模型
Hugging Face上出现了AnyLanguageModel 1.0，专门面向Apple平台做本地离线推理。支持macOS、iOS等系统，模型跑在设备端，不联网也能用。
Apple Silicon的神经网络引擎（ANE）这两年能力涨了不少，但利用率一直不高。大部分AI应用还是走云端路线，本地ANE闲置。AnyLanguageModel这类项目试图填补这个空白，把模型优化到能在iPhone和Mac上流畅运行。
实际限制还是有的。本地模型的规模必然小于云端，能力边界更窄。适合的是特定场景的离线需求，比如旅行时的翻译、敏感文档的本地处理，而不是开放式对话。
Databricks CustomerLake：营销自动化进入Beta
Databricks的CustomerLake开始Beta测试。产品定位是Agentic CDP（客户数据平台），核心功能是Campaign Agents——用AI智能体处理客户数据和营销自动化。
CDP领域这几年卷得厉害。传统CDP解决的是数据整合问题，把分散在各处的用户行为数据汇总成统一画像。Agentic CDP再往上一层，让AI基于这些画像自动执行营销动作。
Databricks的优势在于底层数据处理能力。CustomerLake跟Unity Catalog打通，企业现有的数据湖可以直接接入，不需要额外迁移。Campaign Agents能自动分群、生成个性化内容、选择投放渠道，并跟踪转化效果。
Beta阶段已有大型企业参与测试。Databricks没有公布具体名单，但提到涉及零售和金融两个重度依赖客户运营的行业。
Wabi 2.0：多人场景的个人AI助手
a16z投资的Wabi推出2.0版本，定位是"多人对话中的个人AI助手"。
这个场景切得有点意思。现有的AI助手大多是单对单服务，你跟AI聊，AI回应你。但真实生活里大量对话是多人参与的——家庭群聊商量周末去哪，项目群里协调分工，朋友群里讨论旅行计划。
Wabi 2.0试图在这种多人环境中扮演角色。它能识别对话上下文，在合适时机插入建议，或者帮用户私下整理群聊要点。不是抢人类的风头，而是在背景里提供辅助。
产品形态还在探索期。a16z的推文提到这是"个人智能体产品形态的拓展"，但具体怎么平衡参与度和打扰感，得看实际用户反馈。
国产高端互连芯片：六年出货80万颗
国内一家芯片厂商宣布，其高端互连芯片六年累计出货80万颗，实现全栈自研。
互连芯片是AI算力基础设施的关键部件。GPU、TPU这些计算芯片要组成集群，靠的是高速互连。带宽不够，算力堆再多也发挥不出来。英伟达的NVLink、AMD的Infinity Fabric都是这类技术。
国产厂商在这个领域有进展是好事，但公告里没披露具体规格。80万颗的出货量是累计数字，年均十几万颗的规模，在数据中心市场不算大。真正验证技术成熟度，还得看头部云厂商的采购意愿。
DeepSeek开源推理框架DeepInfer
DeepSeek把内部支撑V4.1-Flash大规模服务的推理框架开源了，叫DeepInfer。Apache 2.0许可证，生产级可用。
同时开源的还有Token编解码组件deepseek-rec，MIT许可证。推理框架加编解码工具，基本覆盖了模型服务的基础设施层。
DeepSeek强调这套方案的特点是"高吞吐、低延迟"。V4.1-Flash是DeepSeek的轻量版模型，面向高并发场景。能把这类服务的成本压下来，推理框架的优化是关键。
开源之后，其他模型厂商和云服务商可以复用这套基础设施。对于社区来说，多一个经过大规模验证的选项总是好事。
其他动态
MiniMax M3.1 Flash：MiniMax发布新版轻量模型，声称成本降至M3的三分之一，速度提升到三倍，生成速度超过每秒200 Token。
AWS TorchNeuron：AWS发布工具，号称PyTorch应用只需改一行配置就能迁移到Trainium芯片。降低专用AI芯片的迁移门槛是云厂商的共识动作。
商汤大装置：量子位报道商汤支撑日均6万亿Token服务的推理优化策略，核心观点是高质Token比单纯算力规模更重要。
VAST EdenLive：开源50亿参数实时生成渲染器，单张RTX显卡可运行，支持多种视觉输入转视频。