AI日报：GLM赠1亿token、GPT降价20%、智能体进入飞书办公

引言：AI工具竞争进入白热化阶段

8月22日的AI行业动态密集且信息量庞大，从模型能力升级到开发者福利，从多模态突破到智能体生态扩张，头部厂商正在多条战线上同时发力。本文将梳理当日最具价值的几则动态，剖析背后的行业趋势——一个由「用量补贴」「价格战」和「多模态能力竞赛」共同驱动的新阶段正在到来。

用量补贴与价格战：厂商争抢开发者

本期最引人注目的莫过于各家厂商在成本端的激进动作。ZCode宣布向新注册用户免费赠送总计1亿GLM-5.3 Token，采取先到先得的限时限量模式（太平洋时间8月21日至23日）。

Token是大语言模型计费的基本单位，一个Token大约相当于英文中的3/4个单词或中文中的1-2个字。模型处理用户输入（prompt）和生成输出都需要消耗Token，因此Token数量直接决定了API调用成本。1亿Token看似庞大，但对于企业级应用（如大规模文档处理、代码生成）来说可能仅够数天使用。这种「大额token赠送」本质上是一种典型的获客补贴，通过降低新用户尝试门槛来抢占开发者心智。这一策略借鉴了云计算早期AWS和Google Cloud的免费额度获客逻辑——一旦开发者在某个平台上构建了应用并形成依赖，迁移成本将使其长期留存。

同时，OpenAI宣布面向GPT-5.6 Sol开发者的API价格将在未来三个月内下调超过20%。说个细节，基于Token的套餐中用户积分在Codex里可以使用更久，而订阅自带的额度保持不变——这意味着OpenAI的降价更倾向于激励重度API调用者，而非普通订阅用户。

更激进的是Aux（Auxo）的隐形模型GLM，宣称将于下周免费开放，支持100万上下文、多模态、零数据保留，并设置宽松速率限制，声称每日可处理100万亿tokens供用户近乎无限使用。上下文窗口（Context Window）是指模型在单次推理中能够「记住」的文本长度。早期GPT-3.5仅支持4K token上下文，而100万token的上下文意味着模型可以一次性处理约750页英文文档或一整本中型书籍。实现超长上下文需要克服Transformer架构中注意力机制的二次方复杂度问题，常见技术路线包括稀疏注意力（Sparse Attention）、滑动窗口注意力、以及RoPE位置编码的外推优化。零数据保留则意味着平台承诺不存储用户的输入输出数据，这对处理敏感商业信息的企业用户至关重要。

当「近乎免费」成为部分厂商的策略，可以预见AI推理成本的下降速度将远超此前预期。

多模态与推理能力持续突破

DeepSeek将实验性多模态模型V4-Flash-Vision-EXP上线API平台。其文本能力与V4 Flash持平，覆盖智能体、推理与世界知识，而在多模态智能体基准测试上相较V4 Flash实现大幅提升，性能已接近Opus 4.8水平。这标志着多模态智能体正从「能看图」走向「能基于视觉执行任务」的实用阶段。

NVIDIA则在Hugging Face上发布了一个550B参数的指令遵循教师模型，官方强调其擅长约束遵循、结构化输出和格式控制，特别适合用于蒸馏和数据生成。模型蒸馏（Knowledge Distillation）是一种由Hinton等人于2015年提出的模型压缩技术，其核心思想是用一个大型「教师模型」的输出分布来指导训练一个小型「学生模型」，使学生模型在参数量大幅减少的情况下尽可能保留教师模型的能力。NVIDIA发布550B参数教师模型的战略意义在于：开发者可以利用它生成高质量的合成训练数据（synthetic data），或直接蒸馏出70B甚至7B规模的模型用于生产部署，从而将推理成本降低一到两个数量级。指令遵循能力对教师模型尤为关键，因为它决定了生成的训练数据是否严格符合预期格式和约束。

此外，Google发布了TIPS-VR，提供四种规模，每种均配备通用图文编码器与用于密集视觉任务的DPT版本，采用宽松的Apache 2.0许可证。零样本分割（Zero-shot Segmentation）指模型在未见过特定类别训练样本的情况下，仍能准确分割出图像中的目标物体，这需要模型具备强大的视觉-语言对齐能力。DPT（Dense Prediction Transformer）是一种将Transformer架构应用于密集预测任务（如深度估计、语义分割）的方法。Apache 2.0许可证是最宽松的开源协议之一，允许商业使用、修改和再分发。该模型在全部四项零样本分割基准上取得SOTA，并在多项图文和纯图像评测中名列前二，显示出开源视觉模型正快速逼近闭源水平。

智能体生态：从「对话」走向「数字同事」

本期动态中，AI智能体的产品形态正在发生质变——从被动应答的对话框，进化为主动参与工作流的「数字同事」。

Kimi推出的AI同事Mira正式进入Beta测试，其最大亮点是驻扎在飞书内部，无需切换应用。成员可以像@真实同事一样给她派任务，她还会在后台持续整理消息、定时巡查、跟进项目并提醒任务。这种「嵌入现有协作工具」的思路代表了AI智能体的一个重要范式转变：从「用户主动访问AI」转向「AI主动融入用户现有工作流」。Slack的AI功能、Microsoft 365 Copilot都遵循类似逻辑——与其要求用户学习新工具，不如将AI能力注入他们已经使用的工具中。后台持续运行、定时巡查的能力意味着这类智能体需要具备长期记忆管理、任务调度和事件驱动触发等工程能力，本质上是一个持久化运行的异步智能体系统，远超传统的单轮对话模型。

OpenAI则上线了Apple Messages插件，接入ChatGPT Work和Codex桌面端后，ChatGPT可直接在Mac上搜索历史消息、总结聊天记录、找出需要跟进的人和事，甚至替用户起草并发送回复。这一动作意味着AI正深入操作系统级的日常沟通场景。

在编程智能体方面，Google DeepMind为Anti-Gravity编程代理推出远程控制功能，开发者通过标准网页浏览器即可跨设备管理和监控自己的代理，目前仅向Ultra用户开放。

图像生成两大痛点被攻克：一致性编辑与透明背景

图像生成领域出现两则实用性极强的更新。微软AI推出图像模型MyImage 2.6，可修改图像的颜色、风格和视觉细节，并在多次迭代中保持一致性。一致性编辑（Consistent Editing）是指在修改图像某些属性时，保持图像中其他元素（如主体身份、空间布局、光照关系）不变。这在技术上极具挑战，因为扩散模型（Diffusion Model）的生成过程本质上是随机的——即使使用相同的文本提示，每次生成的结果都会有差异。解决方案通常包括图像反演（Image Inversion）将原图映射回潜空间再编辑、注意力注入（Attention Injection）保持结构一致性、以及基于ControlNet的条件控制。MyImage 2.6能在多次迭代中保持一致性，意味着它可能引入了身份锚定或参考图像条件生成机制——这正是此前生成式图像编辑的最大短板。

而OpenAI的GPT Image 2 API新增支持生成透明背景图片，开发者可直接获取透明通道素材，无需手动抠图。此前社区长期抱怨透明背景支持不足，这一功能对商品图、网页设计稿、营销海报等场景意义重大——生成后的图片可直接叠加到不同背景使用。

此外，DeepSeek上线了免费的Files API，图片只需上传一次即可通过File ID重复引用，显著节省请求带宽，对高频调用多模态接口的开发者是一大利好。

前沿研究与硬件动态

值得单独一提的是，Google DeepMind借助AlphaEvolve改进了矩阵乘法的最优理论界。矩阵乘法是几乎所有科学计算和深度学习的核心运算，朴素算法的时间复杂度为O(n³)，1969年Strassen首次证明可以用亚立方复杂度完成，此后数十年间研究者不断压低矩阵乘法指数ω的上界。ω的理论下界为2（即线性复杂度），此前最佳记录为2.371339。AlphaEvolve系统反复修改并优化研究人员的代码，通过进化搜索策略自动探索算法改进空间，帮助找到比此前记录更好的矩阵乘法界——将矩阵乘法指数Omega进一步压缩。即使是小数点后第四位的改进，在超大规模矩阵运算中也能转化为显著的计算节省。这是AI辅助数学研究的又一里程碑，展示了AI不是替代数学家，而是在庞大的搜索空间中找到人类难以手动穷尽的优化路径。

开源数据方面，OpenBMB发布了面向LLM预训练的开放英文网页语料库UltraFineWeb，总量超过1万亿token、约11.4亿篇文档，全部来自Common Crawl并以Apache 2.0许可证开放。Common Crawl是一个非营利组织维护的开放网页抓取数据集，自2008年起持续抓取互联网内容，目前存储量超过250PB，是绝大多数开源LLM预训练数据的上游来源。UltraFineWeb的价值在于其经过精细清洗和去重处理，相比原始Common Crawl数据质量显著更高。

机器人领域，语术科技发布IPO后首款产品，配备灵巧手的仿生七轴机械臂，起售价9900元人民币（约1471美元），采用高精度七轴仿生关节，两条机械臂协同可实现物料分拣和装配，并具备开放程序接口。七轴设计相比工业中常见的六轴机械臂多一个冗余自由度，使其能像人类手臂一样在避障的同时完成精细操作，这对在狭窄空间内执行复杂任务至关重要。

模型能力排行榜：多强并立无人独占

在最新的AI模型能力排行榜上，竞争已进入白热化：

• 智能体榜：Cloud Opus 5 Max、GLM-5.3、Grog 4.6同以59分并列第一，无人独占鳌头；
• 智力榜：Cloud Opus 5 Max以63分登顶，Cloud Fable 5以62分居次，GPT-5.6 Sol与Grog 4.6均以61分并列第三。

从榜单可以看出，头部模型之间的能力差距正在收窄，「一超多强」的格局已被「多强并立」取代。这一趋势的底层原因在于：当模型架构（Transformer及其变体）、训练方法（RLHF/DPO对齐）和数据规模都趋于同质化后，各家厂商的差异化优势正从「基础模型能力」转向「推理效率」「工具集成」和「生态锁定」等工程与产品层面。

结语

综合当日动态，AI行业正呈现三条清晰主线：成本端的持续下探（token赠送、API降价、近乎免费的推理）、能力端的多模态与智能体化（视觉智能体、驻扎协作工具的AI同事），以及开源生态的快速追赶（NVIDIA教师模型、Google TIPS-VR、UltraFineWeb语料）。对开发者而言，这既意味着更低的使用门槛，也意味着更激烈的选型决策——在模型能力趋于同质化的今天，API稳定性、生态工具链完整度、以及长期价格承诺正成为选型的关键考量因素。

核心要点