AI DAILY / 2026-06-09
今天三条主线：苹果在 WWDC 2026 发布下一代 Siri AI 与 Apple Intelligence，但首日演示反响低于预期，社区普遍感到落差。小米与 TileRT 合作在 8 块商用 GPU 上实现万亿参数模型 1000+ t/s 推理，向专用芯片发起性价比挑战。Chrome 149 单版本修复 429 个安全漏洞，创历史纪录，AI 自动化漏洞发现正在改变安全攻防范式。NVIDIA 发布 NVFP4 精度格式与 Nemotron 3 Ultra Agent 模型，基础设施层持续演进。
苹果在 WWDC 2026 上推出全新 Siri AI 和新一代 Apple Intelligence。新 Siri 基于大语言模型，支持更自然的对话、跨应用操作和个性化上下文理解。Apple Intelligence 深度集成到 iOS 27、macOS 和 visionOS 中，提供 AI 写作助手、图像生成和智能摘要等功能。 首日演示后，社区和投资者反馈普遍低于预期。论坛用户指出演示与宣传存在明显差距，国行 iPhone 升级 iOS 27 后 Apple Intelligence 仍无法使用。具体发布时间和硬件要求尚未公布。
Google 为 NotebookLM 推出重大更新。底层模型全面切换至 Gemini 3.5 并引入 Antigravity 技术，内部五大评测维度平均胜率超 65%，其中高级网页研究胜率达 78.2%。新增推理步骤展示功能，输出格式扩展至 PNG、SVG、PDF、DOCX、Markdown、JSON、CSV、XLSX、PPTX 等 12 种，支持跨语言指令与结果生成，并可在项目初期主动发掘信息源。 更新面向 Google AI Ultra 订阅用户及 Workspace 企业客户开放，普通用户推广时间表未公布。
Chrome 149 修复了 429 个安全漏洞，创下单个版本修复数量纪录。其中仅约四分之一来自外部安全研究人员，其余大概率由 AI 模型（如 Mythos）自动化发现与修复。此前一个月 Chrome 已修复 110 个漏洞，为当时纪录。连续两月刷新纪录，表明具备高级推理能力的 AI 正在快速改变软件安全维护模式。
JetBrains 发布 Mellum 2，12B 总参数、2.5B 激活参数的 MoE 架构模型。在 AMD RX 7900 XT 上通过 Vulkan 后端实现 111.2 t/s 生成速度，130K 上下文下不低于 100 t/s。社区测试显示其在工具调用任务上超越 Gemma 4-12B 和 GPT-OSS-20B，生成速度约为 Qwen3.5-9B 的 3.7 倍。该模型在 llama.cpp 上运行，支持 131K 上下文，采用 bf16 KV 缓存。
Reddit 用户发现 Azure 后端出现名为「Claude Fable 5」的模型，推测其为 Anthropic 即将发布的 Claude Mythos 5 的公开版本。此外也有用户报告 Mythos 5 已出现在 Web UI 中。目前仅来自社交媒体帖子，无官方确认或技术细节。 ---
小米与 TileRT 团队合作，通过 FP4 量化、QAT、DFlash 投机解码和 TileRT 延迟优化内核，在 8 块普通 GPU 集群上实现万亿参数模型 MiMo V2.5-Pro 每秒 1000+ tokens 的推理速度。该方案不依赖 Groq 或 Cerebras 等专用芯片，仅用商用 GPU 即达到此前需专用硬件才能实现的性能。优化后的模型已通过 API 提供，价格为普通 API 的 3 倍，需申请访问权限。
NVIDIA 发布 NVFP4 精度格式，结合 JAX 和 MaxText 在 Blackwell GPU 上实现大模型预训练加速。NVFP4 是一种 4 位浮点格式，专为低比特混合精度训练设计。初步测试显示使用 NVFP4 可将训练步时间缩短约 20%，对于千卡规模、万亿 token 的训练任务可节省数天时间和大量算力成本。该技术目前通过 NVIDIA 的 JAX 和 MaxText 框架提供支持，尚未开源。
NVIDIA 发布 Nemotron 3 Ultra，专为长运行代理设计的模型，支持多轮推理、工具调用和子代理协作，同时优化 token 效率。该模型针对多代理工作流中 token 数量快速增长的问题，提升复杂任务执行的速度和成本效益。可应用于自动化工作流、代码生成等场景。
Reddit 用户通过使用 Canada-Quant 量化模型和修补 vLLM 的 MTP 代码，在 NVIDIA Hopper 系统上实现 DeepSeek v4 Flash 推理速度达 193 tok/s，4 并发线程下可达约 400 tok/s。但用户也指出电力成本高于 API 调用费用。优化方法来自博客文章，尚未经第三方验证。 ---
Cognition AI 发布 FrontierCode，一个包含 1000 道高难度编程题的评估基准，覆盖算法、数据结构、系统设计等。要求模型生成可执行代码并通过隐藏测试。当前最强模型通过率不足 30%，揭示了大模型在复杂编程任务上的短板。
社区评测显示 GPT-5.5 heavy 在一次性输入新高考数学 I 卷的测试中，4 次均获满分 150 分，最快仅用 6 分 44 秒。GPT-5.2 Pro extended、GPT-5.4 heavy 和 Gemini DeepThink 均取得 146–150 分。Qwen 3.7 Max 最高 146 分。测试采用一次性发送全部试题，考验长上下文推理能力，评分由双 GPT-5.5 Pro 完成。测试方法、样本量和评分一致性仍需验证。
社区对 Qwen3.6-35B-A3B 进行大规模工具调用基准测试，在 V100 GPU 集群上完成 144 次运行。ByteShape GPU-5（18.0 GB）平均总分最高（146.8/168），长上下文场景表现突出。f16 与 q80 的 KV 缓存量化性能几乎无差异，q40 仅下降约 1 分。长上下文（122k tokens 填充）使所有配置得分下降约 10 分。ByteShape 与 Unsloth 量化间无明确胜者，模型大小与得分弱相关。 ---
开发者发布开源系统 LEVI，以 AlphaEvolve 为蓝本，在代码优化和提示优化任务中成本降低最高 35 倍，评估次数减少最多 12 倍。LEVI 通过维护解多样性、智能路由大小模型、代理子集近似评分三大机制，在 ADRS 系统基准测试中超越现有框架。性能优势源于搜索架构而非更大模型，可运行于 Claude Code 或 Codex。项目已开源，支持本地部署或 API 调用。
Omi Health 发布 Omi Med STT v1，基于 NVIDIA Parakeet TDT 0.6B v2 微调的医疗语音识别模型，权重开源（CC-BY-4.0）。在 1513 段医疗音频测试中，医学词错误率（M-WER）2.37%，整体 WER 8.30%，速度达 145 倍实时（A10）。性能优于 Whisper Large v3 Turbo、Qwen3 ASR 等开源模型，接近 ElevenLabs Scribe v2、AssemblyAI 等云端 API。支持 Mac（MLX）、CUDA（NeMo）、CPU（GGUF）本地运行，确保患者音频不离设备。药物名称准确率是主要短板（4.75%），计划 v2 改进。
一名 AI 博士生在社区发布《ai-collab-playbook》开源指南，系统分享日常与 AI 协作的方法论。提出「元提示词思维」「苏格拉底追问」「多模型协作」「经验沉淀」四大方法论，详细介绍科研文献调研、精读、绘图、写作的全流程 Agent 工作流。作者强调人应主导问题表述与验收标准，警惕「效率幻觉」，建议定期复盘 Skill/MCP 做减法。 ---