AI产品狙击手

Jev 这两天的风头可谓无两。上一期我们介绍过它是个什么鬼——一个只做分类和判断、不写字的模型，能有这样的热度着实难能可贵。这一期就来解决实际问题：它到底该怎么用，以及它和普通大语言模型相比，性能究竟差多少。 接入本身并不复杂。准备好 API key 后，可以直接照着 OpenRouter 上的示例调用，我这里做了一层简单封装。要记住它不是聊天模型，而是一个决策模型，决策类型只有三种：choice 做选择、score 判断得分、noul 做是非题。代码里的 state 就是你的测试用例，比如「用户抱怨被重复扣款两次」；questions 里放的是模型需要做出的判断类型和标准。我把三种类型都塞了进去：choice 按 criteria 标准判断这条陈述该归哪个部门处理，noul 判断用户是否有退款诉求，score 打分判断这件事有多紧急。 跑出来的结果很直观。重复扣款那一条，它判定应该由 billing 计费部门处理；退款意向的 noul 测试，它认为用户有 90% 的概率要求退款；工单紧急度打分 1.46，归档结论是「要尽快处理，但还没到阻塞用户的程度」——每个结果都还附带...

Jev 最近红透半边天——不止海外火了，国内也火得一塌糊涂。它到底是个什么鬼？简单说，它不是聊天模型。用法非常朴素：丢一段文本进去，再给一组带类型的问题，它一个字都不写，直接回概率。问题只有三种：choice 给几个选项让它挑一个，score 按你的量表打分，布尔判断则返回「是」的概率。 这恰恰是我们过去一直用 JSON 硬凑的东西。大模型吐出的那个 0.9 只是个字符，不是真概率；而 Jev 给的是校准过的真概率——它说 90%，就真有九成概率会答对。这让人想起几年前跟着吴恩达学深度学习时最早学的监督学习：训练一个分类器，分辨哪些邮件是垃圾邮件、哪些评论是负面评论。区别在于，传统分类器每换一个任务就得重新训练，标签也是焊死的；Jev 一个模型通吃，工单归哪类、评论正不正、消息急不急，同一套接口全扔给它，还不用人标数据训模型。 速度和成本是它爆火的直接原因。实测走 OpenRouter，输入每百万 token 4.2 美分，输出免费——因为根本没有逐字生成这回事。官方给出的端到端延迟是 70 到 500 毫秒。有开发者把 20 个任务串起来跑完，成本刚过一美分的十二分之一。...

只要是网民，Cloudflare 的安全验证你肯定见过——它可以说是全球网络安全领域的扛把子了。而 Cloudflare 前两天在 GitHub 上开源了一个叫 security audit skill 的技能，只要你对项目代码有安全需求，都建议看一看。目前它在 GitHub 上已经 12K 颗星了。 它干的事说白了就一件：给你的 Claude Code 这类 AI 编程助手加上代码安全审计的能力。 用法也很简单，一行命令装上，然后跟 agent 说一句”帮我审一遍这个项目”，它就会分 6 个阶段干活——先摸清架构、画出攻击面，再派一堆相互隔离的 agent 分头找漏洞。比如接口有没有越权、依赖包有没有被投毒、AI 功能会不会被提示注入骗走数据，它都挨个排查。 值得注意的是，找漏洞的和验证漏洞的不是同一个 AI。每个疑点都会丢给一个全新的 agent 去反驳，驳不倒的才算实锤。挖出来的漏洞会直接标好哪个文件、哪一行，开发拿到就能改。 它管的也宽：第三方库有没有被人动过手脚、服务器配置有没有留后门、网页代码会不会被塞恶意脚本，十来个大类都替你盯着。官方测过一遍，就能抓到差不多...

现在只需要对 DeepSeek Harness 说一句”帮我看下B站流量情况”，它就直接进入你已经登录好的B站后台干活——不用另开浏览器让你重新登录。这就是腾讯开源的 BrowserSkill，GitHub 上已经四千多颗星。 安装只需三步：一行命令装好叫 BSK 的 CLI，给浏览器加个扩展，再跑一下 BSK doctor 确认连上。之后后台的订单数据、竞品挂的价格、邮箱里等着回的邮件，都能在你的登录态里直接搞定。 它不霸占你的浏览器。任务跑在一个独立可见的 Agent 窗口里，你自己的窗口照常干活。真要动你开着的标签页，得先申请借用，用完还得还回来。碰到验证码、扫码登录确认弹窗这种机器搞不定的坎，它会停下来喊你接手，你点完它接着往下跑。 它不挑 Agent，Cursor、Claude Code、Codex、DeepSeek Harness 这些能在 Shell 里跑命令的都接得进来。Chrome 和 Edge 装个扩展就行。天天让 AI 帮忙点网页的兄弟可以先装上，挑一个只有登录才看得到的页面让它读一遍试试。 访问入口

智谱最新发布的 GLM 5.3 FlashX 测评报告来了，还是在 PI 中接入、思考深度放大最高。来看看这个高速版本实际表现如何。 第一题：强约束指令遵循——句子生成测试。 生成速度相当快，有点 DeepSeek V4 Flash 的味道，起码比 GLM 5.3 Flash 快多了。仔细检查生成的句子，第四、六、七、八、十句为了凑成数字结尾都硬生生去掉了单位，读起来不太通顺。 第二题：鹈鹕土星环骑自行车 SVG 测试。 效果不错，虽然这几期提示词难度调低了，但 GLM 5.3 FlashX 依然是第一个实现得比较完整的模型，值得肯定。 第三题：复合弓射箭 SVG 测试。 如果不吹毛求疵的话，还算是可以的了。非要挑毛病的话也有不少：箭是被弓箭手推出去的而不是射出去的，弓弦应该在复合弓左边，但弓箭手却用右手拉弓，存在方向矛盾。 第四题：精美浏览器操作系统。 UI 看上去不错，右上角弹窗、dock 栏应用功能都没有问题，太空射击游戏则是这题的压轴大戏——可惜效果不大行，飞机和子弹离得太远，不移动的话根本看不出子弹是从自己飞机发射出去的，子弹大、飞机小，如果游戏能实现得更好这题应...

Qwen 3.8 Omni Flash 全模态模型来袭，我们的测评报告当然不能落下。因为是全模态模型，所以先测多模态能力，然后再看大家要求要不要测推理和编程。由于在线上测试，不知道免费额度能测多少，本次测试按最关心的顺序来。 第一题：HTML 游戏复刻。 给它一个简单的左右移动接住星星的小游戏视频，让它通过 HTML 复刻这个游戏。实现完成后打开看，实际效果像模像样，但有个问题：只能通过鼠标控制，键盘上下左右无法操控——而这个游戏明显应该支持键盘控制。 第二题：鸳鸯图片辨别。 给它一张鸳鸯图片，让它分辨雄鸳鸯和雌鸳鸯的数量。图片中应该有五只雄鸳鸯、四只雌鸳鸯，最左边是一只野鸭。模型回答四雄五雌，刚好说反了。 第三题：图像细节辨析。 让模型找出图片中的不同之处，它指出第一行第四列的菱形不端正、有所倾斜。实际检查后确认确实如此，判断正确。 第四题：电影出处匹配（老无所依）。 给一张老无所依电影截图，看模型是否能找出出自哪部电影。第一次给了截取较远的图，模型回答星际穿越，错了。这道题很少有模型能做对——不是辨别不了图片内容，而是在根据内容匹配电影时出错。换成更清晰的截图后，这次成...

OpenRouter上突然出现的神秘模型Union Alpha，开发者信息仅标注为”Stealth”，没有任何实验室背书，上线首日就消耗了20亿Token，目前预览期完全免费。赶紧来测一测它到底能不能打。 测试说明：本次测试保留了三道SVG题目（鹈鹕骑车等），难度略有降低；由于模型目前免费且限速，测评过程中会出现限速报错，属正常现象。 第一题：强约束指令遵循测试。 句子生成测试要求每句话结尾都是1到10的数字。实测发现第七句不符合结尾要求，第八句严格来说也不够通顺。 第二题：鹈鹕土星环骑自行车SVG测试。 相比之前的测试难度有所调整。总体效果不错，尤其是左边转弯做对了。细节上还有两个问题：自行车骑到右边时还是倒过来了，以及骑到顶部时不是在土星环上面骑而是骑到了土星顶部去了，空间感稍差。但这是第一个做对一半转弯的模型，还是值得肯定的。 第三题：复合弓射箭SVG测试。 复合弓做得比较简陋，弓箭箭头是反的、第二根弦没看到、拉弦方向也有问题，轮子缺少拉距调节模块和瞄准镜等细节。整体比较水。 第四题：实现精美浏览器操作系统。 UI比较清新，弹窗没问题，Dock栏应用功能正常。压轴的太...

想将一张视频封面图片里”小鸟”的文字改成”鹈鹕”，竟然发现难倒了海内外一众号称最能打的模型，最终只有最后一个做到。 首先看一下字节豆包的效果——风马牛不相及。Kimi 则是把可怜的免费积分用完了都没弄完，还自己写代码去做，最后恬不知耻地告诉用户”代码写好了直接跑，你这些都是虚拟机上的路径和环境，我跑个毛线啊”。百度的文心一言做出来的也不知道是什么鬼，不忍直视。腾讯混元选了 HY4 Preview，也是接近但不行。 国内的全军覆没，那看一下海外最强的两家。谷歌的 Nano Banana Pro 有点意外，前面的题字对了，但第二个字错了，如果偏旁也做成古字就成功了。OpenAI 最新的 GPT Image 2.5 其实成功生成了”鹈鹕”两个字，只是没有调整原来文字的位置和大小，导致挤压在一起了。迄今为止生成中文最接近的竟然是个海外模型，心里五味杂陈。 最后看下千问的——竟然成功了，简直不敢相信自己的眼睛。以防万一再试一次，卧槽还是成功了，国内模型扳回一局。 整个测试下来发现，中文文字结构稍微复杂点，大部分大模型都处理不好，但大家都在高大上地吹 AI 要取代人类了。要不先做好”鹈...

豆包刚出的 doubao-seed-2.1-pro 测评报告来了。这次测评依然在 Pi 上接入来做，上下文、Max tokens 和思考模式全都开到最大。 第一题是强约束指令遵循句子生成测试。句子确实都从 1 到 10 结尾，乍看没什么问题——但不仔细看差点被它糊弄过去：只看尾部几个字的话所有句子都挺顺，可读完整句就会发现，第 5、7、9 句都是不通顺的，挺狡猾。 第二题鹈鹕土星环骑自行车 SVG 测试，前几天测了好几个国内顶尖大模型都做不好，结果豆包更离谱——鹈鹕和自行车直接不见了。 第三题复合弓射箭 SVG 测试，真抠细节的话问题不少：头断了，轮子也不是复合弓的轮子，反而像个闹钟。不过毕竟是 SVG，可能不用太强求。这里比较严重的问题是弓弦只有一根，而复合弓和一般弓箭不同，不会只有一根弦。 第四题浏览器内操作系统，UI 看上去还可以，但右上角的弹窗点下去却跑到左上角去了；Dock 栏的计算器不工作，点几次等于号都没算出结果；压轴的太空射击游戏其他都还好，就是没法移动——按下左右键一放手，飞机立刻回弹到原来的位置，根本没法好好控制。 第五题 3D 赛车游戏，画面太模糊，根...

做数据展示时，手动绘制专业图表费时费力。千问办公内置的 EChart 技能，可以让你用自然语言一句话生成折线图、饼图、柱状图等多种专业图表。 操作方法很简单：点击左侧技能菜单，找到 EChart 技能并安装。EChart 是前端开发者熟悉的专业图表库，千问办公的这项 skill 背后调用的正是该库的能力。安装完成后，新建任务，通过斜杠命令唤起技能，直接输入提示词描述你想要的图表即可。 以折线图为例，只需告诉它你要展示的数据维度和标题，几秒钟内就能生成一张带样式主题的专业图表。适合需要经常做数据汇报、做 PPT 写文档的朋友收藏使用。 访问入口