OpenAI 第一颗「辣椒」芯片炸场：9 个月极速流片、推理成本砍半
6 月 24 日 OpenAI 发布首款自研推理芯片 Jalapeño：9 个月极速流片，推理成本砍半，每瓦性能远超当前最先进水平。OpenAI 从模型公司变全栈 AI 帝国。
72 小时内，AI 行业换了剧本：Anthropic 首次盈利，OpenAI 秘密申请史上最大 IPO
5 月 20 日到 22 日。72 小时。周三，Anthropic 向投资人披露：Q 2 预计收入 $109 亿，首次运营利润 $5.59 亿。周四，消息传出 OpenAI 准备密交 IPO 申请。周五，申请正式提交——目标估值 $1 ……
国产模型怎么比成本？把重试、缓存和失败任务记进同一本账
国产模型成本核算不能只看每百万 token 单价。本文用一份任务账本说明输入、输出、缓存命中、重试和未知费用怎样归集，并用四个虚构任务演示合格任务平均成本的计算。附日志字段、Python 算术示例和公平比较清单，帮助开发者保留质量门槛、延迟与实际费用证据，不提供实时模型价格，也不把失败调用误记为免费。
OpenMontage：把你的 AI 编码助手变成能剪视频的工作室
OpenMontage：全球首个开源 Agent 视频制作系统，12 条管线、52 个工具、500+Agent 技能，把你的 AI 编码助手变成完整视频工作室。GitHub 日增 987 Star，8.7 K 总星。
Llama Windows 上手：Windows 11 托盘一键跑本地大模型，不用命令行
一句话结论：Llama Windows 是 Hugging Face 2026 年 10 月 13 日发布的免费开源 Windows 11 托盘应用（MIT 许可），把 llama.cpp 包装成「点图标、选模型、下载、开聊」四步，不需要终端、不需要编译、不需要管理员权限。它同时在本机提供 OpenAI 兼容接口，适合第一次在自己电脑上跑开源模型的人，也适合想给脚本接一个本地模型的开发者。 AI 摘要 资源类型：免费开源软件（Windows 11 桌面应用）来源：Hugging Face 官方博客发布，代码在 GitHub ggml-org/Llama-Windows 适合人群：想在 Windows 电脑上离线跑开源模型的普通用户、需要本地 OpenAI 兼容接口的开发者使用价值：自动安装和管理 llama.cpp，一键下载推荐模型，模型缓存与其他 Hugging Face 工具共享风险边界：项目很新（GitHub 87 星，2026-10-14 核查）；官方博客和 README 给出的本地端口不一致，需以本机实际为准 资源信息 资源名：Llama Windows（代码仓库内名称。
阿里 QwenGyre 论文解读：训练长程 Agent 快 1.78 倍，代码还没公开
一句话结论：阿里通义团队 9 月 27 日在 arXiv 发布 QwenGyre 论文，这是一套专门训练「一次要跑几个小时」的 AI Agent 的在线强化学习框架。用在 2.4 万亿参数的 Qwen 3.8 上，48 步训练让 NL 2 RepoBench 得分从 52.5% 升到 58.5%，耗时 75.42 小时，比 Async 方案的 134.55 小时快 1.78 倍。不过截至 2026-10-14，我们没有找到公开的代码仓库，部分报道说的「开源」目前只指论文公开。 AI 摘要 发生了什么：阿里 Token Hub 联合中国科大、清华发布 QwenGyre 论文（arXiv 2609.33848，2026-09-27），10 月。
HowToCook 程序员做饭指南：10 万星开源菜谱怎么用、怎么部署、怎么接 AI
HowToCook 程序员做饭指南是 GitHub 10.2 万星的开源菜谱库，372 道家常菜用量精确到克。本文讲清在线使用、Docker 本地部署、按食材找菜工具和 MCP 接入 AI 助手的方法与风险。
给 AI 读图前怎么压缩？用 Squoosh 保住小字、图表和透明边缘
Squoosh 图片压缩不应只比较文件大小，AI 读图还需要保留小字、小数点和表格细线。本文提供原图与两份候选的三路对照方法，说明怎样记录像素尺寸、编码参数、十个关键字段和识别退化，并连接 aiKit 在线工具。文章不承诺压缩率或模型费用下降，也不把肉眼清晰当作 OCR 正确率证明，适合建立图片输入验收流程。
Sharp 图片预处理：给 AI 截图输入建立尺寸上限和独立输出
Sharp 图片预处理适合将人工选定的图片规则写进 Node.js 流程。本文包含官方安装渠道、平台要求、完整单图脚本和独立输出目录设计，说明尺寸上限、不放大小图、无损编码与缩放损失的区别。示例以静态 PNG 为起点，要求比较小字和识别退化，不覆盖原件，不保证压缩率，也不把像素限制当作完整上传安全方案。
Python jsonschema：给模型输出加一道可执行的数据合同
Python jsonschema 可以把模型输出的数据合同变成可执行检查。本文包含虚拟环境安装、官方包下载、完整校验脚本和四个正反样本，解释 required、额外字段、格式检查与语义真实性的区别，并说明跨平台运行和失败处理方法。适合信息提取与工具参数入口，不调用收费模型，也不把结构通过误写成业务正确或权限批准。
Promptfoo 上手：先用本地输出检查评测规则，再连接模型
Promptfoo 可用 Echo provider 检查变量、模板和断言，不必调用模型。本文给出独立目录安装方法、Node 版本要求、两条合成样本配置及预期通过和失败路径，说明本地报告、锁文件、外部评分和隐私风险。适合已有固定任务的开发者建立回归入口，不提供未执行的准确率成绩，也不把本地工具与免费模型额度混为一谈。