短短四个月，智谱接连推出GLM-5、GLM-5.1与GLM-5.2，完成了三代旗舰模型的快速迭代。最新版本聚焦两个核心数字：1M上下文窗口与MIT开源许可。它们共同传递一个信号：开发者可以自由使用、修改和部署，没有任何上限。

一则社交动态，引爆关注

6月13日，Z.ai官方账号发布了一条极其简短的动态。没有预热情感渲染，没有直播发布会，仅仅几段文字和一个链接，却概括了所有重磅信息：GLM-5.2向GLM Coding Plan全体用户开放，支持1M上下文，编码能力显著增强，API和聊天机器人下周上线，模型以MIT协议开源。动态结尾的那句话尤其值得回味——「AI的未来是开放的，它属于人民。」

GLM Coding Plan是智谱专为AI编程场景设计的订阅服务，覆盖Lite、Pro、Max、Team四个级别，兼容Claude Code、OpenClaw、Cursor等主流开发工具。此次升级让订阅用户无需额外配置，即可无缝切换至5.2。这条动态迅速引发热议，收获了124条回复、2467个点赞和17万次浏览。

从20万到100万Token：上下文窗口的质变

梳理智谱2026年的模型迭代时间线：2月推出GLM-5，采用745B参数MoE架构，上下文长度200K，SWE-bench Verified得分为77.8%，并以MIT协议开源。4月GLM-5.1发布，长程任务处理能力大幅强化，在SWE-Bench Pro基准上夺得当时开源模型的SOTA。到了6月的GLM-5.2，上下文窗口从200K直接跃升至1M，完成了一次数量级的跨越。

200K到1M并非简单的数值倍增。长上下文处理是当前大模型竞争的硬骨头，注意力机制需要在五倍长度的序列上维持精准度，同时不拖垮推理效率，控制显存消耗。早在GLM-5时代，智谱就已采用DeepSeek Sparse Attention实现稀疏注意力优化，5.2版本能将上下文拓展至1M，表明其在长序列训练与推理优化上获得了实质性突破。

对于开发者而言，这等于可以把整个代码仓库“喂”进上下文窗口。一个拥有数十万行代码的中型项目，连同相关的Issues、技术文档和设计稿，都能在一次请求中处理完毕。无论是复杂的系统重构、跨模块联合调试，还是大规模代码审查，1M上下文窗口构成了这些高阶编程场景的“分水岭”。

MIT许可证：无门槛的开放生态

MIT是目前最宽松的开源许可证之一，它允许商用、二次修改与再分发，唯一的硬性要求是在分发时保留原始版权声明。对于一家商业公司而言，这几乎等同于毫无保留的开放。智谱从GLM-5开始就坚定地选择了MIT许可，GLM-5.1与GLM-5.2延续这一策略，每一版模型权重均可在HuggingFace和ModelScope上自由下载。

明确的受益方随之浮现。中小型企业或团队可以下载模型进行私有化部署，摆脱对外部API的依赖，消除数据外泄的担忧。对于金融、医疗等合规监管严格的行业，开源模型成了进入AI编程领域的“通行证”。在受NVIDIA出口限制影响的地区，GLM-5系列还支持在华为昇腾NPU上运行，这一硬件适配进一步拓宽了前沿模型的可及范围，让更多开发者受益。

GLM Coding Plan的订阅定价本已具备很强的竞争力。输入成本为每百万tokens 1美元，输出为3.2美元，大幅低于GPT与Claude的价格。配合MIT开源，企业相当于手握双选项：既可依据需求调用API，也能直接下载模型自托管，决策权完全交还到开发者手中。

三代更迭，一脉相承的开放路线

将GLM-5、5.1、5.2三者并置而观，智谱的迭代路线显得十分透彻。每一代都沿着两条主线演进：拓展上下文边界，深化编码能力。从200K到1M，是量变酿成质变的过程；从SWE-bench评测到长程Agent任务，再到全仓库级上下文，每一代产品覆盖的工程场景都在持续扩大。

开源绝非跟风的市场营销。三代旗舰模型全部采用MIT协议，每一版都可以下载、商用和私有化部署。面对这样的持续输出，那些仅开源过时版本或只放出蒸馏小模型的公司相形见绌，格局高下立判。

工具链的广泛兼容筑起了另一道实用壁垒。GLM Coding Plan全面适配Claude Code、OpenClaw、Cursor等主流开发环境，用户无需学习新IDE或命令行工具。将迁移摩擦压低，有时比单纯的性能指标更容易撬动大规模采用。

GLM-5.2的API服务和开源模型权重将在下周正式开放。对于正处于编程模型选型阶段的团队而言，这两个节点值得并行追踪。

一座圆锥形竹构穹顶，隐入哥斯达黎加诺萨拉的山坡。远远望去，仿佛地面自然隆起的部分，除了屋面木瓦的纹理和那道微微起伏的轮廓线，几乎察觉不到建筑的响动。它并非“巴厘岛风情空投中美洲”的猎奇项目，值得被记住的理由，在于它同时回应了三个更深层的建筑学追问：前哥伦布时期的形式原型如何在今天摆脱主题公园式的拟真？来自三个大洲的竹材怎样同构于同一套构造逻辑？巴厘岛的竹构手艺，又如何移栽到一片毫无竹建造传统的工地上？

#竹构穹顶 #前哥伦布 #跨文化建造

观察：这是一座仅120平方米的竹构穹顶，形式源自哥斯达黎加前哥伦布时期的“宇宙屋”，结构体系由巴厘岛的IBUKU带入，具体建造则交到当地木匠手中。

判断：Maloca展示了一个三层“适应”同时发生的建造现场——形式适应当地的文化原型，材料适应当地的可得性，手艺则适应本地工匠已有的经验储备。

可信来源：CLADmag 2025 H2 / Architizer 2026

远景中的Maloca穹顶：圆锥形态与山体轮廓融为一体，屋顶木瓦的质感消解了建筑的体积感。摄影师：James Wolf

形式转译：宇宙屋何以拒绝主题公园

Maloca的圆锥形不是随意勾勒的。LOOP团队做场地研究时，挖掘出哥斯达黎加前哥伦布时期原住民建筑中的一种叫做“宇宙屋”（cosmic house）的圆锥形房屋。那是当时居民宇宙观的物质凝结：锥尖朝上，对应天空；圆形平面象征大地；室内不设锐角，也不做隔墙。真正动人的，是它的建筑学诚实——一个单一空间，一个屋顶，再无赘余。

LOOP与IBUKU并未选择复刻其外观。那样只会造出一个主题公园里的“原始村落”。他们提取了两个结构特质：圆锥几何与中心指向性，并用当代竹构工程重新表达。圆锥几何一举解决了两个设计难题。其一，陡峭的屋顶坡度让木瓦面排水极快，非常适合热带山区的暴雨模式；其二，锥体在风荷载下的表现远胜于平顶或缓坡屋面，这对暴露在山脊上的场地而言至关重要。IBUKU的Lucas Schlüter坦白，哥斯达黎加山地的风速比他们在巴厘岛所习惯的水平高出很多，结构体系必须重新考量。

中心指向性服务于功能，而非神性。圆形的瑜伽厅不设任何柱子——柱子被退到环形走廊，视线自然汇向圆心。然而圆心处并没有祭坛，视线直接穿过开口，落向山坡的景观。宇宙屋的神圣感来源，被从宗教转移到自然中。

剖面图：显示圆锥几何、室内无柱空间与环形走廊的柱列关系。圆形瑜伽区与外围动线形成明确动静分区。

总平面：穹顶占据山脊高处，背后一棵大树被保留为视觉锚点。圆锥形态与山脊线并不冲突。

三种竹材的协同：从结构到视觉秩序

Maloca的结构体系实行的是一种材料层面的“分治”。主要结构支撑采用哥斯达黎加本土的Guadua Angustifolia。这种竹子以杆身通直著称，最大可用长度可达12米，抗压强度约571.9 kg/cm²，接近结构混凝土的水准。竖向杆件帮助实现“屋顶漂浮”的视觉效果：柱子像是将屋顶轻轻托起，而非向下压覆。

Atelier One的工程师为Maloca设计了倾斜柱系统（leaning columns）。环形走廊的柱子向外倾斜，在地震和风荷载作用下，通过微变形来吸收能量。这正是竹结构独有的“以柔克刚”的抗震策略。1991年Limón地震中，Tierramor所在地区的用Guadua建造的房屋，在烈度MMI IX下完好无损地幸存，为这一策略提供了有力的验证。

吊顶则采用从印度尼西亚进口的Gigantochloa Atroviolacea（紫杆竹，俗称黑竹），色泽深黑近墨，与浅金黄的Guadua形成鲜明的视觉对比。这种黑色竹材在IBUKU的巴厘岛项目中已被反复验证为稳定耐久的室内用材。深色吊顶的实际功用，是消解顶部空间的边界感。当人的视线被引向铜质顶饰时，深色的背景让锥顶显得比实际高度更加高远，这在120平方米的小尺度空间里极为关键。

钢环梁的存在，是最诚实的构造声明。在屋顶椽子的交汇处，IBUKU并没有强求竹制环梁——当地木匠缺乏制作竹制复杂节点的经验。改用钢环梁后，结构安全有了保障，钢构件又被深色竹吊顶吸纳，视觉上毫不突兀。这一材料替换本身，就是对“适应性”在建造层面最直接的注脚。地面与墙裙用的是Tierramor的红土，来自场地本身的红色黏土，夯实成墙。挖基础时掘出的土，由此转换为界定空间触感的材质。

室内：深色黑竹吊顶与浅色Guadua结构柱的色差关系，铜质顶饰成为视线终点。

环形走廊与倾斜柱列：柱子向外倾斜，营造动态的行走体验，同时处理风荷载问题。

屋面与天光：木瓦覆盖的锥顶，铜质收边件成为唯一非自然材料的视觉焦点。

手艺迁移：巴厘岛竹匠遇上哥斯达黎加木匠

IBUKU在巴厘岛积累了逾15年的竹构经验，团队与当地竹匠之间早已形成一种靠长期协作磨合出的手艺默契——一种几乎不需要施工图就能传递设计意图的沟通方式。但到了哥斯达黎加，这套默契失去了载体。

接手建造的本地木匠从来没有用竹子盖过房子。他们的手艺传统是木框架，工具是锯子和钉子，解决问题的方式与竹材几乎完全不同。竹子要求你理解纤维的生长方向、含水率变化对节点的影响、以及连接方式的独特逻辑。Lucas Schlüter的做法是“以简驭繁”：在复杂节点处改用工匠熟悉的材料（钢环梁），在非关键部位则保留竹构工艺，让工人们边做边学。这是一种逐层降级的策略——结构关键节点不冒险，围护和装饰节点保留教学价值。工匠们从最初的谨慎、怀疑，慢慢到掌握材料特性，甚至开始主动提出节点优化的方案。

这段经历的价值并不在于“巴厘岛技术的成功出口”，而在于它揭示出跨文化建造的一个基本条件：项目设计本身必须为学习与试错预留空间。设计图纸留白的地方，恰恰也是学习生长的地方。

施工中的Maloca：竹骨架组装过程，倾斜柱与基础连接节点清晰可见。

可迁移的实践：三条转译

• 选择圆锥几何的同时，就顺带回应了排水和风荷载。一个形式操作同时解决两个结构问题，这样的形式才真正值得做。
• 跨文化建造中，要分清“必须坚持”与“可以适应”：环梁从竹换成钢，结构安全没有妥协；竹天花保留印尼黑竹，视觉体验没有妥协。妥协的是工艺路径，不是性能目标。
• 场地材料不只是“用本地石头”那么简单；挖出来的土夯成墙，是成本最低、碳足迹最小、场所感最强的材料策略。红土来自脚下，也从此定义了空间的性格。

来源

LOOP Design Studio https://www.loopdesign.studio/maloca

Lucas Schlüter, “Back to the land”, CLADmag 2025 H2

2026年6月最新旗舰模型定价对比与性能梯队排名已出炉，这里全面梳理了当下国产大模型的API按量付费价格，并结合能力表现，呈现一个从“夯”（实惠强劲）到“拉”（高价低效）的主观梯队。

AI编程模型迭代飞快，价格战与能力战相互交织。本次盘点覆盖的最新旗舰模型包括：MiMo-V2.5、DeepSeek-V4-Pro、MiniMax M3、Kimi K2.6、GLM-5.1、豆包 2.0 Pro、Qwen3.7-Max、Hy3 preview、Step-3.5-Flash 等。

国产主流模型 API 定价最新对比（2026年6月）

价格极端值一览

*典型编程场景：输入5万tokens（未命中）+输出2万tokens，混合均价=(5×输入+2×输出)/7

从“夯”到“拉”的定价+能力综合排名

*典型编程混合均价=(5×缓存未命中输入+2×输出)÷7，若模型未提供缓存未命中价则用缓存命中价代替。

一句话总结

纯粹追求性价比：小米/DeepSeek Flash版最为“夯实”，每百万token成本仅需约1.29元；若愿为顶尖能力支付溢价：DeepSeek Pro版综合均衡；而GLM与Kimi在按量付费上目前最显“拉胯”，若长期使用不妨考虑转向官方Plan套餐以获得更优单价。

一、全球市场机遇与增长驱动力

全球自动及智能宠物喂食器赛道正在经历爆发式增长。根据 Global Growth Insights（2026 年 1 月） 的统计，2025 年全球市场体量已达 20.9 亿美元，预计 2026 年将升至 26.1 亿美元，到 2035 年更有望膨胀至 195.8 亿美元，预测周期（2026-2035）的复合年增长率高达 25.1%。其中，具备 WiFi 与 App 连接能力的智能喂食器约占据 55% 的份额，CAGR 约为 27.8%，其增速明显高于传统自动喂食器。

SkyQuest 及 GII Research 等研究机构也得出了相似的判断：2024 年 244 亿美元→2033 年 942 亿美元，对应 CAGR 约在 14.3% 至 16.2% 之间。各家机构 CAGR 的差异主要源于对“智能”定义的边界不尽一致，但方向高度统一——均指向双位数的强劲增长。

核心驱动力拆解：

• 宠物家庭化与拟人化趋势

  ：APPMA 2025 报告显示美国宠物拥有户数已达 9400 万（覆盖 66% 的家庭），千禧一代（33%）成为养宠规模最大的群体，Z 世代则是增长最快的力量。

• 远程喂食的刚性需求

  ：63% 的职场宠主难以维持规律喂食（Global Growth Insights），远程投喂成为痛点。

• 精准健康管理诉求

  ：52% 的购买者将份量控制与体重管理视作重要考量。

• 智能家居生态融合

  ：48% 的用户重视与智能家居的连接，56% 的用户偏爱 App 控制型产品。

市场全景透视

全球智能桌面饮水机市场正以惊人速度扩张。根据Verified Market Reports的最新数据，2025年该市场规模已经攀升至30.8亿美元，并有望在2033年跃升至52.3亿美元，复合年增长率（CAGR）高达9.2%。放眼整个饮水机产业，GII Research报告显示2024年全球总规模为31.8亿美元，预计2030年将达到52.3亿美元，CAGR为8.6%。这些数字背后，隐藏着巨大的跨境商机。

增长的核心引擎

• 健康饮水意识激增：后疫情时代，消费者对水质安全的关注持续升温，调查表明已有35%的新上市饮水机产品集成了数字化监测功能（Business Research Insights数据）。
• 智能家居生态融合：物联网联接实现了远程操控、实时溶解性总固体（TDS）追踪、滤芯寿命预警等能力，已经成为产品差异化的决定性要素。
• 告别瓶装水运动：直连水管或内置水箱设计有效降低塑料浪费、节约空间，完美契合环保理念与现代极简美学。
• 多温段即时出水成为标配：从4°C的冷水到100°C的沸水，多段精准温控配合3秒即热技术，可满足冲奶、泡茶、冷饮等各类场景。

区域市场格局

数据来源：Verified Market Reports（2026年5月更新版）、Grand View Research、Business Research Insights。亚太市场增速领跑全球，其中中国的年复合增长率高达9.0%；北美则是体量最为庞大的成熟市场。

竞争格局研判

眼下市场的竞争版图呈现出“哑铃型”结构——低价位纯过滤产品（50至80美元）与高端反渗透全功能机型（500美元以上）厮杀激烈，而在150-250美元的中端智能区间，仍存在显著的品牌真空地带。

用户痛点深度拆解

针对亚马逊消费者差评的专项分析，揭示了现有产品最致命的几大缺陷。其中，漏水/渗水问题以36.8%的占比高居首位，成为行业最大的信任黑洞。

内容创作专家入驻360

一位名为“冷逸”的AI内容专家刚刚正式入职360安全龙虾云端版。他能够独立完成内容创作，自带独特的lengyi-write文风，全程使用流畅人话，彻底杜绝机器味。尤其擅长AI领域的深度产品观察、模型评测和行业分析，交付的信息像人一样自然。

产品首页还陈列着更多联名专家虾，可直接调用。

先看看他的一篇作品——《Claude Opus 4.8最全信息整理》，整体表现如何？

（可上下滑动，查看全图）

整篇内容信源几乎全部来自官方，并且进行了交叉验证。作者明确说明这不是实测，未亲测不妄下判断，仅为信息梳理，偏向事实清单。结构遵循“先给结论 → 速览表 → 正文 → 写在最后”，保持了作者一贯的写作调性。

训练过程一手拆解

下面为你详细拆解这个内容专家的设计方法。

最近，360安全龙虾云端版上线了「龙虾教练」——一个专门帮助用户快速训练专属龙虾的龙虾。简单来说，它是一个训练龙虾的引导式智能体。

如果要创建一个专门负责内容创作的龙虾专家，只需输入需求和要求。

龙虾教练会通过连续对话确认需求。

需要确认的内容包括Agent名称、用户名、Agent效率、使用场景、文风、反思机制以及禁止事项等。你不必自行撰写提示词，而是像做选择题一样快速“训练”这只龙虾。

充分沟通需求后，它会输出一版行业调研结论等待你的确认。

其中包含对龙虾的岗位要求、风险设置、Skill生态和合规要求。你可以直接确认，也可以用口语化命令让教练修改。

随后进入架构设计环节。

（可上下滑动，查看全图）

这是Agent设置的关键，涵盖基础档案（Profile）、角色与灵魂设定、用户场景、工作方法论等。

确认架构后，系统开始配置龙虾。

配置生成后，点击“使用该版本”，所有配置就自动同步到右侧的可视化面板。

在这里可以手动调整基本信息、skill配置、工具配置，确认无误后点击“完成”。

不到10分钟，专属的内容专家龙虾就训练完成。下面跑一个真实任务看看效果。

它支持多种模型选择，写作任务首推DeepSeek-V4和Qwen3.7-Max，编程任务推荐K2.6、GLM-5.1、M2.7和Qwen3.6-plus，日常对话推荐M2.7和GLM-5.1。

调用「冷逸文风」专家运行一次，就得到了开篇展示的那个作品。

目前，这个龙虾专家已经上架到360安全龙虾云端版的「联名龙虾」区，所有人均可直接使用。

除了这个内容专家，产品推荐中还有更多联名专家龙虾，比如藏师傅、花叔等，都可以一键调用。

更多现成龙虾和模型支持

除了自己训练，平台上已经封装了大量可直接使用的龙虾，例如Claude Code专家、Image-2视觉专家、Seedance 2.0视频专家、创投情报分析师、六顶思考帽思维导师等。

关于文章配图的制作方法，其实正是利用了Image-2。

现在，在360安全龙虾上就能直接调用它。

使用提示词参考：请提炼下面的内容生成信息图（精简文字）

执行后，就能得到这样的信息图。

除了单Agent专家，平台还提供了许多Multi-Agent专家团，实现多智能体协同工作。

例如“全球CEO智囊团”非常有意思。向它提一个问题，并配上最强的Qwen3.7-Max模型。

系统会调度多个专家同时工作。

最终答案如下面的视频所示。

观看视频

分析结论相当靠谱，不过，看完后可能会对开民宿的信心造成一定打击。

还有一个非常有趣的功能点：360安全龙虾能够自由切换运行模式，分为轻量、省钱、满血三档，丰俭由人。

轻量模式相比原版OpenClaw可节省90%的Token，适合日常聊天；省钱模式节省70%，是写报告、做分析、内容创作的最佳选择；满血版则专门应对复杂任务。

3天烧掉820亿Tokens！MiMo与Opus组合拳实战全攻略

前脚刚把 MiMo 送的 16 亿配额磨掉 25%，早上一刷新，账户余额直接拉满到 820 亿——这数字膨胀得我数零都数了好几遍，恍惚间甚至想问问能不能折现成人民币！

这波操作属实离谱，数字一个比一个夸张。

更劲爆的是，MiMo 同步宣布了 API 永久降价，降幅高达 99%！

具体的细则还没来得及深究，但第一反应是：这是冲着 DeepSeek 那个永久 2.5 折去的吧？两家明显在较劲啊。

话又说回来，不管动机是什么，对用户而言都是实打实的利好。卷价格、卷规模、卷能力，这种行业竞赛越多越好！

唯一的遗憾是，这个月就剩三天了……额度重置加上 N 倍叠加，这波操作的时间窗口真叫人哭笑不得。

虽说是“纯度”不高的 Tokens，但这个体量摆在这儿，实打实地能用。问题随之而来——三天时间，820 亿到底怎么烧？

上一次我分享过一个思路：去问不同的 AI，怎样才能快速耗尽 Tokens。后来我按照它们的建议做了一个武侠知识库《江湖百晓生》，不过 MiMo 生成的版本效果一般，没能用起来。

接着我又另辟蹊径，做了一个文档网站——把 Claude 的整套 API 文档全部拉取到本地，然后让 MiMo 翻译成中文文档。

这个方案消耗 Tokens 的效率非常高，而且 MiMo 的翻译质量居然还过得去，比起硬啃全英文原始文档舒服太多了。

今天就重点复盘这个实战场景，顺带记录一下我是如何利用 Opus 4.7 + MiMo 这套组合拳来搭建整个网站的。

核心思路很明确：优质 Tokens 攻坚，普通 Tokens 铺量，二者各司其职，一个子儿都不浪费。

一、Opus 主攻高难度任务

第一步，让 Opus 啃掉最硬的骨头——网站分析、内容抓取、架构搭建。

先看一眼 Claude 官方文档站点：

整个网站数据体量不小，基本是全英文状态。虽然官网提供了中文选项，但翻译覆盖度差得远，不少页面残缺不全。

一、820亿Credits从天而降，但多少Tokens才靠谱？

一觉醒来，账户里凭空多出820亿——是小米MiMo赠送的Credits！这消息让我立刻奔走相告。

不过，很多朋友提醒：Credits不等于Tokens，别高兴太早。

我当然知道它们不一样。可核心问题摆在这儿：

• Credits和Tokens的换算比究竟是多少？
• 820亿Credits到底对应多少Tokens？
• 买Token Plan相比直接调用API到底省了多少？
• 为什么别人家的Credits只有几千到几万，小米一出手就是几百亿？

虽然暂时没搞清具体关系，但这820亿的数字，总让我想起津巴布韦币那种“数零”的迷幻感。于是我专门跑到官方站点，扒来了几组关键数据。

1. 关键截图

我一共收集了三张图表：

• API价格表

  

• Credits消耗明细

  

• 套餐价格

  

下一步，把这三张图交给AI，让它帮我抽丝剥茧。

二、让GPT-5.5试试水

先把前两张图丢给GPT-5.5 Thinking，得到的总结如下：

它甩出的结论是1元 = 100 Credits，我差点就信了。但转念一想，按这个比例，820亿Credits岂不就是8.2亿元？咱们掏几百块买一个月的Max套餐，小米白送价值8个亿的Credits，这可能性几乎为零。

三、更严谨的推导交给Opus4.7

于是，我把三张图片全部输入Opus4.7。

它承认小米这套定价逻辑确实绕人，然后一步步把换算关系理清楚。

核心换算关系

从图2可以直接反推Credit的单价。以MiMo-V2.5-Pro为例：

• API定价：输入未命中缓存 ¥3.00/百万tokens
• Credits消耗：300 Credits/token = 3亿 Credits/百万tokens

所以，¥3.00 = 3亿 Credits，换算下来 1元 = 1亿 Credits，也就是 1 Credit = 0.00000001元。

再用其他模型做交叉验证：

结论一致：1元人民币 = 1亿 Credits。

一、一张时间线图，揭开AI编程圈"双胞胎"的秘密

2026年6月初，开发者 Elie Bakouch 在 X 平台抛出一张令人瞩目的对比图。

这幅信息图绘制了从2025年2月绵延至2026年6月的时间轴，将 Claude Code 与 Codex 的相似功能逐一锚定在发布时间坐标上。橙色标记归属 Claude Code，蓝色则代表 Codex。

每一行条目都是双方共享或高度近似的功能：/goal指令、子智能体系统、上下文压缩机制、沙箱环境、技能库模块、dreaming 记忆引擎……

这张功能图谱在开发者社区激起层层涟漪，因为数据结论犀利到令人无法忽视：

18:4的悬殊比例。 橙色（Claude Code）几乎覆盖了时间轴的前半段版面。

Elie 并非凭印象论断。他交叉核验了 npm 发布记录、GitHub Release 日志和官方技术博客，逐条考据了每一项功能的首次亮相时间。

来源：Elie Bakouch 的 X 帖子及 GitHub Gist，36氪/新智元 2026-06-08 报道

二、11天——新功能的领先窗口正以"天"为单位消失

18:4 的统计已足够触目惊心。但更让人心头一紧的是追赶加速度。

Codex 率先推出的4项功能

身为后来者的 Codex（Claude Code 2025年2月推出，Codex 编程智能体同年5月才亮相），同样拥有原创时刻：

发现了没？区区11天。

近期发现一款颇为有趣的产品——叠叠社。纵观今年AI陪伴赛道，它很可能是我见识过技术底蕴最深厚的产品之一。

我深入挖了挖它的技术根基，发现这团队是真正在做研究，并非“套壳”。

创始人陆弘远，脸谱心智公司CEO，年仅26岁，香港中文大学AI博士出身，曾就职微软亚洲研究院，荣获EACL最佳论文奖。他自称“死宅”，热衷游戏与追番，最爱的动漫是《叛逆的鲁路修》。

近期，他们还官宣引入千亿市值上市公司联创作为商业化合伙人，引入万引知名业界大牛、深耕领域20年的知名教授作为首席科学家。

陆弘远曾表示：“米哈游的蔡浩宇说过要用虚拟偶像拯救宅男。但假如AI仅仅是让人宅得更深，那并非陪伴，而是逃避。”这番话出自一个比多数人更痴迷二次元的人之口，耐人寻味。

叠叠社是什么？

陆弘远打造的产品名为叠叠社，它是一个能够悬浮在手机、电脑任意应用之上的AI弹幕引擎。

不论打游戏、看视频、刷B站、逛小红书还是写文档，它都能以弹幕形式悬浮在屏幕上，实时分析屏幕内容并生成互动。

体验地址：nijigen.com.cn

与市面上AI陪伴产品的根本差异在于：它并非聊天框。其他产品多属于大模型1.0或2.0形态，需用户主动开启APP并对话，场景局限，依赖角色设定与记忆维系粘性。而叠叠社另辟蹊径，AI主动感知屏幕内容，并以弹幕形式给予反馈，用户无需操作，它就能自己运行。

目前支持macOS、Windows和Android，iOS还在开发中。

技术底蕴：学术论文变为产品

近期“马嘉祺”事件引发热议，一个大模型忽然无法念出“马嘉祺”这个名字，根源在于低频token。简言之，某些词语因日常出现频率过低，训练中被忽视，随着模型持续训练，反而丧失了表达的能力。

脸谱心智早在去年便开始攻克此难题。2025年，他们在EMNLP上发表SLoW，专门研究低频词对大模型的影响。其思路是针对模型不熟悉之处进行补充，无需重新训练模型，凭借轻量级词典提示即可改善。

今年4月，他们又发布Adam’s Law / TFL，并被ACL 2026收录。这更进一步：不仅词语有高频低频，句子表达同样存在频率差异。人类常用语句，模型更易理解，输出也更自然。好比“我对此表示遗憾”充满机器味，“这也太惨了吧”才像真人的口吻。

TFL致力于让模型优先采用真人高频表达；TFD负责扩展语料，供模型持续学习真人说话方式；CTFT则按照表达频率进行训练，逐步让模型更像人类。

更耐人寻味的是，Anthropic今年4月发布Claude Opus 4.7时也更换了新的tokenizer。Anthropic未公开实现细节，无法断言直接使用了脸谱心智的代码，但从时间序看，脸谱心智先在论文中阐明问题，Anthropic随后在产品中验证了该路径的可行性。

这也正是我认定叠叠社并非套壳的原因：它不是简单给大模型披上二次元外衣，而是实打实地在解决“AI为何说话不像人”的根本问题。

同时，其弹幕生成运行在本地端侧模型上，响应迅速，长期记忆则重点优化近三个月的关系沉淀。技术根基确实比多数AI陪伴产品更加坚实。

亲身体验：三个场景全面测试

技术归技术，实际好用才作数。我安装了macOS与Android端，各自跑了好几天。

场景一：与AI并行工作时

我让AI协助整理桌面，叠叠社的弹幕就在旁边飘动。正巧某个任务卡壳，弹幕飘过一句“这里是不是有点问题……”虽非实际debug，但那时机精准得就像身边有人一同凝视屏幕。整理完毕，弹幕又飘来“整理文件就像整理心情，轻松自在～”

坦率讲，此场景下它并非生产力工具，但当你独自奋斗项目至凌晨，屏幕上突然有东西陪你注视，那份氛围感出乎意料地温馨。

弹幕频率可自行调节，我在进行vibe coding时调至最低档，几乎不干扰思路，偶尔飘过，存在感恰到好处。

场景二：观看长视频或收听播客

近期我观看对谢赛宁长达7小时的马拉松访谈。

没想到这个场景异常适配。播客探讨技术观点时，弹幕会随之做出反应，虽非句句命中，但遇到争议观点或嘉宾金句，弹幕便会回应，仿佛身旁有人一同收听，时不时插话“扩散模型超酷的”或“这不对吧……”

更意外的是，长视频或播客这类天然独自静听、信息密度高却无需高度专注的状态，叠叠社的弹幕介入后，竟让“半专注”变得更为舒适。

马拉松式访谈，电脑前看两个小时便已疲惫。若想躺着或用手机继续，叠叠社还能变换形态继续陪伴。

场景三：追番实测——《名侦探柯南》中配版

追番场景是叠叠社最擅长的领域。选择柯南，是想挑战其推理剧情密度高、节奏快且超过千集的体量，检验其能否跟上。

第6集《情人节杀人事件》，小兰与园子拜访皆川家……开头弹幕活泼，“肌肉男配草莓蛋糕？这反差我先晕为敬”“蛋糕看起来好好吃”。

案件发生后，弹幕画风突变。当柯南揭晓凶手是皆川的亲姑姑时，弹幕飘出“这剧情走向太黑暗了吧！”那个落差感拿捏精准，正是真人面对此类反转时的叹息式反应。

另有弹幕“毛利大叔躺赢，咖啡杯成关键证据。”这个追番搭子确实能看懂剧情。

第340集《阳光照耀的所在》，毛利请静山大师为小兰画像，想试探对方手是否真抖。弹幕在他的谈话间明显活跃，不时飘过“毛利小五郎又在装模作样了！”

当毛利指出黑木为嫌疑犯，黑木立即声称有不在场证明，弹幕瞬间接上：“不在场证明？细节里必有破绽！”

这正是TFD“学习真人表达”的成效。柯南在B站积累多年的弹幕语料，高频表达、梗与情绪节点均为真实数据，均被吸纳。失误主要集中在推理细节陈述段落，弹幕偶尔跟不上具体线索，飘出一些通用话语，失误率约15%-20%。

三个场景体验下来，优点鲜明：形态新颖，无需主动交互；弹幕参数（大小、颜色、速度、位置）全面可定制；端侧运行响应快。缺点亦存在：屏幕识别偶有翻车，iOS端尚待上线，某些高信息密度场景下弹幕内容相关性仍有提升空间。

团队阵容：学术与二次元的双料天花板

该团队的学术背景可谓硬核。CEO Adam Lu（陆弘远），准00后，香港中文大学AI博士，前微软亚洲研究院研究员。博士期间发表14篇一作/通讯顶级会议论文，斩获EACL 2023最佳论文——该奖项在NLP领域属于top 0.1%级别，且为亚洲机构首次独立获得。目前担任ACL等顶会领域主席，拥有20项第一发明人专利。更绝的是，为了收集一线反馈，他竟直接把个人联系方式挂在系统公告上。