Claude 百万上下文杀疯了，AI 编程迎来彻底洗牌

今日看点：AI 记忆无上限，机器人进工厂，数学家联手产业界

今天的技术圈简直是“火力全开”。Anthropic 彻底拆除了 AI 的记忆墙，百万上下文不再是奢侈品而是标配，这意味着我们可以直接把整个代码库扔给 AI 处理。与此同时，具身智能在工业场景拿下了吉尼斯纪录，陶哲轩也亲自下场推动 AI 与科学的深度融合。软件开发的边界正在被重塑，而机器人正在学会在复杂的物理世界中“干活”。

核心突破：长文本与多模态

Claude两款4.6模型取消长文本溢价，支持直塞600张图

Anthropic 这次是真的“掀桌子”了。Opus 4.6 和 Sonnet 4.6 全面开放 100 万 token 上下文，且完全取消溢价费用，统一计费。更狠的是，多模态处理能力提升 6 倍，单次请求支持 600 张图或 PDF 页面。这不仅仅是参数的堆砌，它彻底改变了开发者的交互模式：不再需要为了适配上下文窗口而做有损摘要或分块处理，整个项目、长周期的 Agent 轨迹都可以原封不动地喂给模型。在 MRCR v2 评测中，Opus 4.6 以 78.3% 的分数证明了其“大海捞针”的能力。这是对生产力的一次直接释放，长上下文终于从“玩具”变成了“工具”。

Claude一夜拆掉AI编程天花板！百万token上下文登场，吞下整个代码库

这一更新对 AI 编程赛道的冲击是核弹级的。文章通过一线开发者的真实反馈揭示了变化：以前因为上下文限制，AI 只能分块处理代码，导致依赖关系丢失；现在，Diff 文件可以一次性读完，Debug 不再原地打转。更有趣的是反直觉的发现：更大的上下文反而减少了 Token 的总消耗量，因为 AI 不再需要反复重建上下文。OpenAI 被迫在这条赛道上全力追赶，而 Anthropic 已经凭借这招“无差别记忆覆盖”重新定义了规则。对于开发者而言，这不仅是效率的提升，更是工作流的质变——你不再是泥瓦匠，而是指挥官。

产业落地：具身智能与前沿制造

Cloudflare：我们如何用 OpenCode 和 Claude，在一周内重构 Next.js

这可能是本周最疯狂的工程案例：Cloudflare 的一名工程师，仅用约 1100 美元的 Token 费用，在一周内基于 Vite 重新实现了 Next.js 的核心 API，推出了 vinext。这背后反映的是软件构建成本的坍塌。AI 不再是写函数的工具，而是能够理解复杂架构规范（如 Next.js 文档和测试集）并进行系统级重构的“超级工程师”。文章提出了一个深刻观点：过去软件中的层层抽象是为了辅助人类认知，而 AI 可以容纳整个系统，不再需要这些“拐杖”。随着 vinext 在生产环境的实测表现（构建速度提升 4 倍，体积减少 57%），我们正在见证“AI 优先架构”的诞生。

它石智航重磅发布“能干活的通用具身大模型”AWE3.0

具身智能终于走出了实验室的“温室”。它石智航发布的 AWE3.0 拿下了中国具身智能在工业精密操作领域的首个吉尼斯世界纪录，这标志着机器人从“仿真”走向了“实战”。AWE3.0 的核心在于摆脱了对遥操和仿真数据的依赖，首创了“Human Centric”数据采集范式，并配备了高密度触觉感知（HTS）和全视角通感决策（OSD）。这意味着机器人不仅能“看”，还能通过触觉感知完成毫米级的精密装配。当机器人能在真实产线上稳定干活，且具备跨场景的泛化能力时，制造业的劳动力结构或许将迎来真正的历史性转折。

科学探索与伦理评估

量子位专访陶哲轩：我为什么现在创办一个AI x Science组织

数学界的“莫扎特”陶哲轩有了新身份——SAIR Foundation 联合创始人。他在专访中透露，虽然 AI 在文献检索和辅助写作上已不可或缺，但在真正的科研突破上，目前的通用模型仍显得“套路化”。SAIR 的目标是推动“用科学的方法打造 AI”，特别是在置信度表达和可验证性上下功夫。陶哲轩提出了一个极具前瞻性的观点：数学是 AI 的理想安全试验场，因为算错题几乎没有损失，一旦在此建立可靠框架，可迁移至医疗金融等高风险领域。更重要的是，他希望通过 AI 让科研“普惠化”，未来也许会有 10000 个陶哲轩。这种跨学科、跨地域的深度协作，或许是通向 AGI 的一条更优路径。

AI嘴上说公平，实则偏见？首个基准给大模型做心理体检 | ICLR'26

随着多模态模型统一了理解与生成任务，偏见开始在不同模态间“交叉感染”。南京航空航天大学等团队提出的 IRIS Benchmark，像是给大模型做了一次全链路“心理体检”。它不仅评估模型是否“心存公平”，更通过生成任务检测其是否“行亦公正”。研究发现，统一模型常出现“人格分裂”，即在理解任务中表现客观，却在图像生成中暴露严重刻板印象。更有趣的是“反刻板印象奖励”现象：打破偏见反而能提升生成质量。这项研究不仅是对齐技术的重要补充，也为我们敲响警钟：在统一架构下，价值观的一致性比单一任务的准确度更难把控。