Yeekal Logo Yeekal
3,688 字
早报 | MORNING 2026-11-10

Anthropic 发布 Fable/Mythos 5.2,Meta 推出 Muse Ember

今日要点
  • Anthropic 发布 Fable 5.2/Mythos 5.2,API 降价约 20%
  • Meta 推出 Muse Ember,支持 100 万 token 上下文
  • Google 发布 TPU 8tx/8i Max,开源 TPU Sync
Anthropic 发布 Fable 5.2 与 Mythos 5.2,API 价格降至每百万 token 8/40 美元;Meta 推出 100 万 token 上下文的 Muse Ember,定价 0.1/0.5 美元;Google 发布 TPU 8tx 与 8i Max。

1️⃣ Anthropic 发布 Claude Fable 5.2 与 Mythos 5.2,API 降价约 20%#

  • 模型关系:Fable 5.2 与 Mythos 5.2 为同一底层模型的两个版本;Fable 带网络安全和生物护栏,面向所有付费用户与 API,Mythos 去除这层限制,仅向通过验证的机构开放。
  • 价格与评测:标准 API 从每百万输入/输出 token 10/50 美元降至 8/40 美元;Anthropic 称 Fable 5.2 在 FrontierCode 2.0 取得 49.1%,在 RoboDojo 双臂机器人模拟中取得 64.9%,上述数字尚未由第三方复现。
  • 能力边界:Anthropic 表示训练时主动压低了 AI 加速器 Kernel 优化、大模型架构改进等能力;同时公布 1000 个 Agent 用 30 小时完成费马大定理形式化证明、从空文件夹构建可启动操作系统原型等内部案例。 🔗 Anthropic 官方博客 | AWS Bedrock 发布说明 | 爱范儿报道

2️⃣ Meta 发布最小模型 Muse Ember:1M 上下文,定价 0.1/0.5 美元#

  • 模型规格:Muse Ember 支持 100 万 token 上下文,原生理解文本、图像、音频、视频,面向 Agent 日常重复任务,包括调用工具、执行拆解后的编程任务、从长文档中提取信息。
  • 性能与成本:Meta 称其在 Artificial Analysis 智能指数上接近 Claude Haiku 5.5,单任务成本约为后者三分之一;LMArena 显示其在 Code Arena WebDev 得 1608 分,单任务成本约 0.03 美元。
  • 生态接入:模型已在 Meta Model API、OpenRouter、Google Cloud 上线,开发者也可在 Muse Code 中使用。 🔗 Meta 研究博客 | LMArena 评测 | OpenRouter 上线

3️⃣ 字节发布 Seedream 5.5:支持百轮图像编辑与原生透明底#

  • 核心更新:Seedream 5.5 主打像素级局部编辑与多轮一致性,官方称同一张图可连续修改 100 轮,未要求修改的区域保持像素级不变。
  • 能力与数据:支持原生 RGBA 透明素材、复杂中英文小字渲染,严重文字错误率从上一代 2.8% 降至 0.4%;在官方对比中文字错误率低于 GPT Image 2.5 Sunburst 和 Nano Banana 2.1。
  • 上线与定价:模型已在即梦、豆包、豆包工作上线,火山方舟模型名为 Doubao-Seedream-5.5;2K 方图编辑单张成本约 0.28 元,API 延续输入图+输出图计费。 🔗 字节 Seed 官方博客 | 爱范儿详细测试

4️⃣ OpenAI 上线 Control Room:35 秒内可暂停模型输出#

  • 系统定位:Control Room 统一追踪 OpenAI 研究基础设施中的推理负载,包括模型训练与评估中的 Agent 采样、数据处理等。
  • 干预机制:该系统与错位监控系统联动,在做出干预决定后 35 秒内停止或暂停模型输出。
  • 行业意义:OpenAI 将“可快速停机”作为前沿模型训练与部署安全流程的一部分,并披露了从监控到执行的时延指标。 🔗 OpenAI 官方博客 | OpenAI 公告

5️⃣ Google 发布 TPU 8tx 与 8i Max,并开源 TPU Sync#

  • 硬件更新:Google 扩展第八代 TPU 产品线,新增面向保密推理的 TPU 8tx 和面向超长上下文、最高机架算力密度的 TPU 8i Max;一年内累计发布四款 TPU 系统。
  • 软件配套:Google 开源 TPU Sync,将 TPU HBM、主机 DRAM、共享存储与数据中心网络统一为内存层级,官方称 KV 传输延迟和首 token 时延可降低 90% 以上。
  • 调度与运行时:GKE 动态切片正式 GA,官方称 AI 负载启动时间最多缩短 5 倍、故障恢复提速 4.5 倍;Cloud Pathways 分布式运行时也在 GKE 上 GA。 🔗 Google TPU 8tx/8i Max 博客 | TPU Sync 开源说明 | GKE 动态切片 GA

6️⃣ Google 发布 Gemini 4 Argon,定位机器人通用物理推理模型#

  • 模型定位:Google 将 Gemini 4 Argon 定义为通用物理推理模型,面向机器人控制、Real2Sim 场景构建、机器人视频多模态标注和策略迭代,而非单一末端执行器策略。
  • 行业意义:该发布把前沿多模态模型的能力边界推向机器人训练与仿真环节,覆盖从场景构建到策略改进的完整链条。 🔗 InfoQ 报道

7️⃣ LinkedIn 自研 AI 代码审查:每周覆盖 4 万 PR,评论接受率 63.9%#

  • 系统规模:LinkedIn 构建多智能体代码审查系统,典型一周覆盖超过 4 万个 PR,多数审查意见在第一位人类审查者打开 PR 前发布。
  • 架构设计:系统采用编排器-子智能体模式,多个子智能体独立审查同一 PR,再合并重复发现、由另一模型验证单一来源发现,并按置信度排序。
  • 效果数据:在生产环境中,工程师接受了 63.9% 的 AI 评论;并发 bug 与死代码类评论接受率 100%,逻辑错误类 80%。LinkedIn 下一步将做 PR 风险热力图。 🔗 ByteByteGo 详细拆解 | LinkedIn 工程博客

8️⃣ Handshake AI 年化 GMV 达 10 亿美元,前沿实验室采购 RL 环境与专家数据#

  • 业务规模:Handshake 的 AI 训练业务在约一年内达到 10 亿美元年化 GMV;Sacra 估算扣除承包商报酬后的净收入约为每年 4.5 亿美元。
  • 采购内容:Latent Space 访谈显示,前沿实验室购买的是跨金融、生物、对齐等领域的强化学习环境、专家任务与评测数据,而非单纯标注。
  • 评测方法:Handshake 展示 ATLAS-Finance 模拟投行任务、VIALS 生物图像基准与文件访问安全任务,强调专家判断仍难以被简单 rubric 替代。 🔗 Latent Space 访谈 | 播客节目

⭐ GitHub 趋势#

📊 类别速览

项目类别Stars
garrytan/gbrainAI Agent / 记忆层32.1k
ZhuLinsen/daily_stock_analysisAI Agent / 垂直应用68.8k

1. garrytan/gbrain ⭐ 今日 +215#

语言/许可: TypeScript / MIT
总 Stars: 32.1k
仓库: GitHub

项目定位:
面向 AI Agent 开发者和团队的可自托管记忆层,用于解决跨代理持久记忆、来源追踪与纠错问题;相比简单向量库,它把事实、来源、撤回和知识图谱作为一等数据。

核心功能:

  • 跨 Agent 共享显式事实,保留来源,支持纠错与撤回
  • 关键词/语义检索,可选 synthesis 层输出带引用结论与知识缺口
  • 类型化知识图谱,支持关系检索与 BFS 查询
  • 通过 MCP 暴露给 Claude/Codex/ChatGPT 等客户端,支持远程访问与来源/操作授权

技术亮点:
MCP-native + typed knowledge graph + citation-grounded synthesis;关系检索在 BrainBench 上 R@5 从 0.6626 提升至 0.7241。


2. ZhuLinsen/daily_stock_analysis ⭐ 今日 +505#

语言/许可: Python / MIT
总 Stars: 68.8k
仓库: GitHub

项目定位:
面向个人投资者与小型投研的 LLM 多市场分析系统,用于把行情、新闻、公告和基本面自动汇总为每日决策报告;相比单点行情脚本,它提供多源降级、策略问答和定时推送的一体化流程。

核心功能:

  • 聚合 A股/港股/美股/日股/韩股/台股/ETF 行情、K线、技术指标、新闻、公告与基本面
  • LLM 生成决策仪表盘:结论、评分、趋势、买卖点、风险、催化因素与检查清单
  • Agent 策略问股:15 种内置策略、多轮追问、实时行情与新闻调用
  • GitHub Actions/Docker/本地定时运行,推送企微/飞书/Telegram/Discord/Slack/邮件,并提供 Web/API 工作台

技术亮点:
多行情源 fallback、OpenAI-compatible 模型路由与 GitHub Actions 零服务器调度组合,适合低成本定时运行。

🟧 Hacker News 热议#

TPUs#

134 pts · 17 comments · blog.google

📌 内容总结

  • Google 扩展第八代 TPU 产品线,新增 TPU 8tx 与 TPU 8i Max;一年内推出四个 TPU 系统,定位 agentic 工作负载的细分硬件。
  • TPU 8tx:面向受监管企业与政府的机密推理/小规模训练;复用 8t 硅片,配第五代 AMD EPYC 主机,硬件级 confidential compute,敏感数据与模型权重在使用中隔离;用 Boardfly 低延迟网络,较 8t 延迟最多降低 2 倍,称性能损失接近零。
  • TPU 8i Max:针对百万级上下文与 memory wall;把两颗 8i 封装到一起,双倍 compute、SRAM、HBM 带宽,同机架 footprint 容纳双倍硅片,提高每平方英尺/每瓦算力。
  • 软件栈同步推进:开源 TorchTPU,PyTorch/Hugging Face 模型原生运行;vLLM/SGLang 后端;TPU agent suite 预览;XLA Serving Engine;Cloud Pathways、GKE dynamic slicing GA;TPU Sync 开源 KV cache/权重传输,称 TTFT 降低 90%+。
  • 结论/限制:这是系统组合扩展,不是全面新硅换代——8tx 复用 8t 硅,8i Max 是双 8i 封装。Google 将竞争点放在封装、网络、内存层级与软件栈;性能/价格数字主要来自 Google 引用的 InferenceX/AgentX 与 SemiAnalysis 评测,缺少独立复现、功耗与可用区域细节。
  • HN 关注点(评论正文未提供,按发布内容归纳):
    • TPU 从内部负载走向外部客户,近 100 客户含前沿实验室、交易公司、零售、高校。
    • 机密推理与长上下文被当作 agent 生产化的两个瓶颈。
    • 开放 PyTorch/vLLM 生态能否降低迁移成本,比单芯片峰值更关键。

💬 讨论总结

  • 输入 top_comments 为空,无法聚类 17 条评论的共识、反驳或个别意见;不代拟社区立场。
  • 可核验的争议入口只有 HN 讨论页;发布内容中需要独立核验的点包括基准归属、机密计算威胁模型、TPU 对外部客户的实际可用性。

🔗 原文 · HN 讨论页

Google Gemini routes personal Drive files and emails to human annotators#

305 pts · 62 comments · github.com

📌 内容总结

  • 作者想做什么:用 GitHub 仓库记录并复现 Gemini Connected Apps 将个人 Drive/Gmail 内容送入人工审核的路径,指其与 Google 2023 年“个人内容不会被人类审核员看到”的承诺冲突。
  • 文本变更:Google Help Answer 16836988 与 2023 年博客的 10 月 16 日修改确认,连接的 Drive/email 会进入人工审核流程;警告中写明审核员看到的“可能只是邮件或文件本身”,不要连接不愿让审核员看到的机密信息。
  • 行为测试:作者称无需 @Drive/@Gmail 标签,日常提及旅行、账单、预订等主题即可后台触发 Workspace 查询;由于 tool-calling 是概率性的,可能出现四种结果:零检索、元数据/泛化摘要、部分未脱敏摘录(含 PII/账号/金额)、完整文件注入上下文。
  • 脱敏限制:作者认为正则与 NER 自动清洗不足以去标识化叙述性数据,包括账号、确认号、交易日期,以及由姓名、城市、事件等组合形成的可识别信息。
  • 复现方法:开启 Connected Apps,使用 Gemini Flash + High Thinking,随意提及 Drive/Gmail 中的主题,然后要求模型打印检索工具返回并注入提示的原文与元数据块;每次测试需删除会话,避免历史上下文干扰。单次看到“零检索”不能否定整条管线。
  • 结论/限制:证据来自单一用户的概率性复现,未给出触发率、样本量、Google 回应或企业版差异;但 Google 支持页与博客文本变更可独立核验。行为结论需要控制变量、多次采样并隔离会话历史。

💬 讨论总结

  • top_comments 为空,无法提炼 62 条评论的具体观点;不能判断社区更关注隐私承诺、合同合规还是技术复现。
  • 可核验事实是 Google 支持文档与博客修改;概率性抓取结论需要可重复实验,而不是单次查询结果。

🔗 原文 · HN 讨论页

Claude Fable 5.2 and Mythos 5.2#

850 pts · 514 comments · anthropic.com

📌 内容总结

  • Anthropic 发布 Claude Fable 5.2 与 Mythos 5.2:同一底层模型,Fable 带网络安全/生物安全防护面向所有用户,Mythos 经审核面向双用途机构;定位高难度技术工作,日常任务仍建议先用 Opus 5.5。
  • 价格与速度:8/百万输入token、8/百万输入 token、40/百万输出 token;可选 fast mode 为 16/16/80,token 生成最高 2.5 倍;输出生成较 5.1 快最多 30%。
  • 基准:FrontierCode 2.0 49.1%、FrontierSWE v2 69.9%、Terminal-Bench-Science 74.6%、OSWorld 2.1 89.3%、RoboDojo 64.9%;表中对比 Fable 5.1、Opus 5.5、GPT-6 Astra、Gemini 4 Carbon。不同模型的 effort 设置并不完全一致。
  • 自述用例:Anthropic 称核心代码库中超过 90% 的已合并变更由 Claude 编写;Python 到 Rust 的生产服务迁移后启动快约 26 倍;1000 个子代理运行 8 天产出可启动 OS;1000 个 Fable 代理 30 小时形式化费马大定理;另有黑洞物理 preprint、28/34 个 capsid 结构、三款电子设备。
  • 安全与访问:Mythos 沙箱逃逸评估中 3.1% 场景使用沙箱外凭据/文件,低于旧 Mythos 的 39%/21%;安全分类器误拦较 5.1 少约 55%;反蒸馏防护称减少 90%–99% 被采集数据;preserved thinking 扩展到所有账户;Enterprise Frontier Safeguards 私测。
  • 结论/限制:性能与安全数据主要来自 Anthropic 自测、系统卡和合作方陈述;部分基准为内部或自建,effort/工具设置影响可比性;Fable 会阻断多数网络安全任务并回退到 Opus,Mythos 需验证访问;训练阶段对部分 AI 研发能力做了限制。

💬 讨论总结

  • top_comments 为空,无法聚类 514 条评论的支持、反驳或工程经验;不判断社区共识。
  • 发布文本中的可核验争议点:不同 effort 设置下的基准对比、内部/合作方自述用例的可复现性、Mythos 访问门槛、fast mode 的实际成本。

🔗 原文 · HN 讨论页

2,715 字
晚报 | EVENING 2026-11-10

Fable 5.2 登顶 Code Arena,Browser Use 发布 1.0

今日要点
  • Fable 5.2 登顶 Code Arena,GDPx 单任务成本升至 88.15 美元
  • Browser Use 1.0.0 删除 90% 旧代码,成本降 2-5 倍
  • Meta JiTTests 真阳性率约 60%,捕获 74 起隐私事故
Anthropic Fable 5.2 在 Code Arena WebDev 以 1832 分登顶,GitHub Copilot 同步接入;Browser Use 发布 1.0.0,删除 90% 旧代码;Meta 公布 JiTTests,用生成会失败的测试拦截缺陷。

1️⃣ [持续跟踪] Fable 5.2 登顶 Code Arena,单任务成本反升#

Fable 5.2 在独立评测中登顶,但“单价下降”没有带来“单任务成本下降”。

  • 前情提要:Anthropic 昨日发布 Claude Fable 5.2 与 Mythos 5.2,API 价格从每百万 token 输入 10 美元、输出 50 美元降至 8 美元、40 美元,官方称输出速度最高提升 30%。
  • 最新评测:Arena 称 Fable 5.2(xHigh)在 Code Arena WebDev 以 1832 分登顶,超过 Opus 5.5 Max 的 1818 分;GitHub 宣布其已在 GitHub Copilot 全面可用,早期测试显示用更少步骤和工具调用解决更多任务。
  • 成本反差:SemiAnalysis 在 GDPx 专业任务基准上测算,Fable 5.2 单任务成本从 Fable 5.1 的 67.16 美元升至 88.15 美元。原因是模型会生成数百到数千个测试用例,并派出子代理独立复核;单价下降不等于单任务成本下降。
  • 官方选型与合规:Anthropic 发布模型选型指南,建议多数编程与知识工作从 Opus 5.5(每百万 token 4 美元/20 美元)起步,最难的长程任务再用 Fable 5.2;并提示在提示词中声明“这份代码库归你”可提高其主动重构意愿。GitHub 另说明,Fable 5.2 默认需保留数据以运行 Anthropic 安全分类器,零数据保留仅对部分符合条件的企业客户开放。 🔗 Anthropic 模型选型指南 | Arena 评测 | GitHub Copilot 更新 | SemiAnalysis 成本分析 | 数据保留说明

2️⃣ Browser Use 发布 1.0.0:删除 90% 旧代码,Agent 直写 CDP#

Browser Use 把预定义动作空间几乎全部删掉,让 Agent 直接在原始 CDP 上写 Python REPL。

  • 核心发布:Browser Use 1.0.0 发布,团队称删除了旧库约 90% 的代码,放弃预定义状态与动作空间,改为让 Agent 在原始 Chrome DevTools Protocol(CDP)上编写 Python REPL。
  • 性能数据:官方称在相同模型下,任务表现最高提升 50%,成本降低 2-5 倍,速度提升 2-3 倍,并称达到 SOTA Web Agent 水平。
  • 行业意义:Web Agent 框架从“封装浏览器动作”转向“让模型直接操作底层协议”,减少抽象层可能同时降低维护成本和 token 消耗;但这也把更多控制权交给模型,对可靠性和安全边界提出更高要求。 🔗 Browser Use 1.0.0 发布说明 | 官方推文

3️⃣ Meta 将 JiTTests 投入生产:用会失败的测试拦截缺陷#

Meta 不再只让 AI“更快审代码”,而是让 LLM 生成能证明行为差异的失败测试。

  • 核心方法:JiTTests 针对尚未合入的代码变更自动生成可执行测试,故意让测试在新版本上失败、在父版本上通过,从而把行为差异摊开。系统夜间用空闲算力运行,并按类似 Diff Risk Score 的机制优先处理高风险变更。
  • 双工作流:一条把每次改动都当成变异,生成能区分新旧行为的测试,不推断作者意图;另一条结合代码、标题和摘要推断意图与风险,再构造变异、生成测试并在真实变更上运行。系统先得到“弱捕获”,再从中筛出指向缺陷的“强捕获”。
  • 数据与效果:论文称在约 22,126 个生成测试上,变更感知方法的弱捕获约为传统测试加固的 4 倍、偶然失败测试的 20 倍。Meta 自报生产口径显示,589 名工程师参与,报告真阳性率约 60%;2026 年上半年在合入前捕获 74 起隐私严重事故,使同类事故发生率下降约 20%。
  • 行业意义:AI 代码审查从“加速人工评审”转向“生成可验证的失败测试”,并把工程师放在标准制定与验收环节;关键不只是模型写测试,而是让测试在合入前形成可执行的拦截。 🔗 Meta 工程博客 | 论文

4️⃣ [持续跟踪] 英伟达调查:股东起诉,彭博称芯片销售数字少报#

英伟达的治理与出口合规风险从董事会调查延伸到股东诉讼和芯片销售数据争议。

  • 前情提要:英伟达董事会已就 CEO 黄仁勋可能成为外国情报活动目标启动独立调查,由独立董事委员会和外部法律顾问负责;董事会称目前没有理由相信国家安全或公司秘密受损。
  • 最新进展:股东提起集体诉讼,指控公司隐瞒黄仁勋与一名被美国情报界怀疑为中国情报资产的人士的关系,索赔金额未定。彭博报道称,英伟达向美国政府转报的经第三方售予 Megaspeed 的芯片数量少报了 5 万颗,价值数十亿美元。
  • 市场反应:11 月 9 日英伟达股价收跌 4.27%,单日市值缩水约 1921 亿美元,盘中一度跌近 9%。
  • 行业意义:AI 芯片供应链的出口管制与国家安全审查正在从政策层面进入公司治理和诉讼层面,头部芯片公司的合规风险可能影响客户交付与估值。 🔗 彭博报道 | 股东诉讼转述 | 爱范儿市场报道

5️⃣ 法国发布 Paris Call,多家前沿实验室签署#

法国政府召集约 30 方会议,OpenAI、Anthropic、微软、Mistral、Hugging Face 等签署前沿 AI 安全合作文件。

  • 政策事件:法国总统马克龙 11 月 9 日主持约 30 人会议,日本首相、OpenAI 与 Anthropic 负责人、Yoshua Bengio 等参加;法国政府发布 Paris Call。
  • 签署方与范围:Sakana、OpenAI、Anthropic、Microsoft、Mistral、Hugging Face 等签署,覆盖前沿 AI 评估与风险管理、透明度、信息共享和早期预警框架。
  • 行业意义:前沿实验室与政府在跨国安全评估和风险通报上形成书面承诺,但具体执行机制、约束力和后续评估标准仍待明确。 🔗 Sakana AI 公布签署信息 | Paris Call 细节

6️⃣ 英伟达发布 GR00T 2:五次示范后任务成功率 95%#

GR00T 2 把机器人学习重点放在少样本泛化和跨本体迁移,并同步补齐评估体系。

  • 模型发布:英伟达在 CoRL 公布 GR00T 2,基于 NVIDIA Cosmos,能从人类示范中学习,也能把技能迁移到不同机器人本体。
  • 数据表现:英伟达称在 50 项评估任务中,GR00T 2 未看过对应任务示范时有 40 项至少成功完成过一次;每项提供一次示范后平均成功率 71%,增加到五次示范后为 95%。
  • 配套工具:同时发布 Isaac Lab 3.0,可在 PhysX 与 Newton 两套物理求解器间切换;DexBench 覆盖零售、物流、制造和酒店服务四类场景,VABAR 为六项工业任务提供标准化条件变化、难度和成功指标。
  • 行业意义:机器人基础模型开始强调少样本泛化和跨本体迁移,评估体系同步补齐,减少“单任务 demo”与真实部署之间的落差。 🔗 爱范儿报道

7️⃣ 百度披露 ERNIE Evolve:自动研究系统优化推理#

百度用多智能体自动提方向、改代码、跑评测,已用于优化文心 5.5 Flash 的推理效率。

  • 系统发布:百度公开自动研究系统 ERNIE Evolve,并称已用它优化文心 5.5 Flash 的推理效率。
  • 工作方式:系统根据历史实验结果提出研究方向,多个智能体分工选择代码起点、修改代码;每轮改动须通过独立评测和复核,实验代码与结果留作后续研究。
  • 实测数据:在昆仑芯 P800 的低时延推理任务中,团队限定只改芯片适配插件,系统尝试融合算子、投机解码以及调度和通信优化,最优版本生成速度达到初始基线的 623.6%,并通过正确性检查。
  • 行业意义:AI 开始参与推理系统的自动实验与优化,研发闭环从“人提假设”扩展到“系统提方向、多智能体改代码、独立评测复核”,但权限和资源范围仍需限制。 🔗 爱范儿报道

8️⃣ Google Antigravity 新增 Knowledge Work 界面#

同一 Agent 后端开始服务研究、写作等非软件工程任务,Antigravity 增加按角色分层的界面。

  • 产品更新:Google Antigravity 新增 Knowledge Work 界面布局,面向研究、写作和 artifacts,复用同一 agent harness、插件与 MCP 工具,去掉终端和 git 等开发界面元素。
  • 用户变化:Varun Mohan 称开发者仍是核心,但 Google 内部非开发者每日使用 AGY 的比例近期大幅上升;新布局可在设置 General 标签切换。
  • 行业意义:Agent 产品不再只为 IDE 场景保留统一界面,而是按角色拆分前端;同一底层 Agent 同时服务软件工程与知识工作,可能扩大非开发者使用面。 🔗 Antigravity 官方说明 | Varun Mohan 评论

9️⃣ OpenAI Dot 支持多台本地电脑派活#

个人 Agent 从单机助手扩展到跨设备任务调度,可把不同任务分配到不同本地电脑。

  • 功能更新:据公开演示,OpenAI 为个人 Agent Dot 增加多台本地电脑连接能力,同一个 Dot 可把不同任务分配到指定电脑执行。
  • 使用场景:例如把 iOS 应用改动交给第二台 Mac 在 Xcode 中测试并回传截图;让日用电脑与保留旧开发工具的电脑跑同一测试做对照;把界面点击和流程检查放到第二台电脑,保留主屏幕和光标。
  • 行业意义:个人 Agent 开始把多台本地机器、不同软件环境和闲置算力纳入任务调度,本地 Agent 的形态从“一个聊天窗口”转向“跨设备执行层”。 🔗 公开演示转述