把十年财务模型改成能对话提问的应用
本文由 AI 自动整理生成，可能存在错漏，请以原文链接为准。
今天想跟你聊两件反差挺大的事：一个 270 亿参数的开源模型，普通笔记本能跑，却默认爱把简单问题往复杂里想；另一个是 Snowflake 把做了十年的财务模型改成能开口问的应用，思路普通人也能抄。
灵感百宝袋
财务团队把做了十年的巨型表格，改成了能对话提问的应用
Snowflake 内部做长期规划，原来靠一个巨大的 Excel 模型：40 多个实体、上百个成本中心、几百个支出类别，公式越加越乱，像补丁摞补丁。后来他们干脆把模型重建在自家数据平台上，外面套一层 Streamlit 界面，做成内部应用 Snowplan，分析师改几个假设，结果马上回显，不用再传文件、不用担心公式坏了。这事的妙处在于模型直接连在原始数据上，实际数据自动流进来，税务、资金、人力这些团队按自己的需要看不同视图，不再各管一版。你手头如果也有一张被反复问东问西的表，可以先挑一个最常被问的问题，让 AI 帮忙做成一个能筛选、能回答的小入口，先解决最烦的那一下。
原文：https://www.infoq.cn/article/fpxjBGx9mj52yzMoZ8Ty
270 亿参数的开源模型，普通笔记本能跑，默认却爱把简单问题想复杂
Simon Willison 是 Django 联合创始人，他试了阿里 Qwen 团队新出的开源模型 Qwen 3.8 27B。这个模型大小刚好放进一台配置不错的笔记本，还带看图能力。他跑下来的感受是：模型本身很能打，可默认设置爱把很简单的事也翻来覆去推演半天，输出慢到有点好笑。好在它能调「思考深浅」，把默认的最高档拉到中低档，速度跟准确就能平衡不少。你也能拿手头支持本地模型的工具试一下：下次遇到它回答前愣半天，去设置里找找有没有「推理量」或「思考深度」这样的选项，调低一档再问，常常就利索了。
原文：https://simonwillison.net/2026/Aug/16/qwen-38-27b
江湖快报
ChatGPT 桌面版多了个电脑使用记录，记下你点过什么、敲过什么
新功能叫 Computer History，默认是关的，你得手动打开它才会开始记录。它把你点过哪、敲过什么组成一条时间线，以后你提需求时，ChatGPT 和它的编程助手 Codex 可以参考你之前的工作，甚至帮你把做一半的事捡起来。这功能有点像给你配了个能看你操作、也会主动建议自动化的助理。隐私上它留了余地：可以排除某些 app 和网站，也能删单条记录，无痕窗口会自动跳过。你要是想试试，先把敏感软件排除再开，更踏实。
OpenAI 跟英伟达约好 2030 年前铺 12 吉瓦算力，还在想着加码
英伟达 CEO 黄仁勋昨天在官方博客里写，OpenAI 现有和计划中的部署加起来约 12 吉瓦（GW），如果后续合作扩大，可能到 16 吉瓦。这里说的不是单买多少显卡，而是提前把土地、电力、机房这些「AI 工厂」的基础设施都锁定下来。对咱们普通用户来说，这串数字最大的信号是：未来几年 AI 算力大概率更充足，那些要大量计算的 AI 服务可能越来越像是日常水电，门槛继续往下降。数字本身别太当回事，关键是你用 AI 的成本和选择空间，大概率在变好。
原文：https://www.ithome.com/0/990/834.htm
有报道说 OpenAI 在上市前把评估极端风险的团队拆了，安全优先级又成话题
据 Engadget 援引英国《金融时报》的消息，OpenAI 在重组中已经把专门评估模型极端风险的那支团队解散了，原来负责生物、网络安全这些方向的人被分到其他团队。这事发生在准备上市、公司要求大家聚焦 ChatGPT 核心业务的当口。外界有声音担心，这是不是把安全排在增长后面了。对我们这些日常用户，短期感受不到什么变化，不过它提醒了一件事：AI 公司内部也在速度和安全之间来回拉扯。着急赶路的时候，安全这种「慢功夫」最容易被挪地方，这个信号可以放心里。
英伟达放出一个开放小模型，专干重复性 AI 任务，速度能快好几倍
英伟达和 AWS 一起把 Nemotron 3.5 Lightning 挂到了亚马逊云的模型库 SageMaker JumpStart 上，不用自己搭服务器就能试。这个模型有意思，体积不算大，专门为「一直在线、频繁调用」的智能体任务训练，跑重复的小步骤特别快，任务完成速度比同类快三成。它总共 300 亿参数，但每次只激活 30 亿，所以比全尺寸模型省资源，单张显卡就带得动。如果你本来就在 AWS 上部署智能体，可以拿它替换掉一些重活；不在 AWS 上的话先不用急，这类模型会越来越多。
贤者视角
Anthropic CEO Dario Amodei 说，公众不信 AI 更像是信任危机，不是被风险警告吓的
Simon Willison 摘了他一段话。Dario Amodei 认为，现在公众对 AI 观感差，本质上是一场延续几十年的信任危机：普通人总觉得各种机构在想新招数坑他们，AI 只是最新一轮。花哨的营销没用，喊「AI 能治愈癌症」只会让人觉得是套话。他矛头也对着自己：AI 公司包括 Anthropic 还没兑现那些大承诺，这才是最该被批评的地方。这话挺清醒——与其听厂商画饼，不如盯他们实际交付了什么；信任不是靠正面宣传挣回来的，而是靠真把事情做成。
原文：https://simonwillison.net/2026/Aug/16/dario-amodei
开发者补给站
OpenObserve 在高基数指标上，查询比 Prometheus 和 Mimir 快 5 到 15 倍
Reddit 上有人做了一次自托管监控栈对比，用 109 万条高基数指标序列去压 Prometheus、Grafana Mimir 和 OpenObserve。结果 OpenObserve 在多种查询上稳定领先 5 到 15 倍，尤其是数据基数很高的时候。如果你正在维护一套 Prometheus，指标一多查询就卡，这个结果可以拿去跟自己的场景对一下：拿你最慢的那几条查询，放到 OpenObserve 上跑一遍看提升。不过迁移前先确认一下它对你常用的查询语法和告警规则支持得怎么样，别只看跑分。
原文：https://www.reddit.com/r/selfhosted/comments/1vr2chi/we_benchmarked_prometheus_mimir_and_openobserve
开源桥接工具，让 AI 智能体直接驱动 Blender 做 3D 活
Blender Agent Bridge 是个开源 MCP 桥，把 Blender 和 AI 工作流连起来。简单说，它给 Blender 开了个口子，让 Claude、ChatGPT 这类智能体能调用 Blender 的能力，帮你操作场景、生成或改对象。会写 Blender 脚本、也玩过 MCP 的开发者，可以用它把「人手动点来点去」的 3D 操作变成「AI 按指令执行」。门槛是配置和调试要自己折腾，现阶段先看它的 demo 能不能覆盖你常用的流程再决定要不要接。
原文：https://www.producthunt.com/products/blender-agent-bridge
KMP 在鸿蒙上跑通，渲染内存降 95%、卡顿率降 90%
InfoQ 这篇讲 Kotlin Multiplatform 在鸿蒙上的适配实践。KMP 的思路是各家共享业务逻辑、UI 交给各端原生去做，跟 Flutter 那种连界面一起统一的路子不一样。他们这次在鸿蒙上跑通后，渲染内存降了 95%，GC 卡顿率降了 90%。如果你们在做鸿蒙和 Android 共用的业务，或者正在 Flutter 和 KMP 之间纠结，这篇能帮你看清两条路线的实际取舍，尤其是性能敏感的场景下到底哪个更划算。细节不少，可以先照着他们的适配思路找几个小模块验证。
原文：https://www.infoq.cn/article/M7RAkplwuMQrs72dSYfj
好物挖掘机
给学生用的 AI 工作区 Skriptr 冒出来了，主攻学习场景
ProductHunt 上出现个新产品叫 Skriptr，定位是学生用的 AI 工作区，想把学习资料、笔记、任务这些放进一个 AI 环境里。目前公开信息还不多，具体功能没有展开。这类工具最要紧的是能不能真的贴合学生平时怎么学，而不是把界面做得好看。现阶段先收藏着，等它放出更多功能或真实用户反馈，再判断要不要给学生试试。