❯ DeepSeek 拟以约740亿美元估值融资74亿美元，年化收入冲5亿
[融资概览] 中国大模型公司 DeepSeek 据《信息》援引消息人士报道，正以约 740亿美元 估值寻求融资约 74亿美元，较5月约 500亿美元 估值、约70亿美元融资显著抬升；其年化收入近期已达 4亿至5亿美元，为首次披露的具体营收数字。
[背景与结构] DeepSeek 由创始人梁文锋主导，本轮他个人注资约 30亿美元 并通过有限合伙结构保留公司控制权，多数外部投资者以该结构入股、无投票权、设五年锁定期；中国人工智能产业投资基金直接入股。公司成立数年间以低成本训练出对标美国同行的模型，在全球引发对算力投入效率的重新讨论。据公开检索，公司正筹备上海 IPO，计划 2027年 挂牌，本轮把可量化营收摆上台面，让投行得以给出倍数而非仅靠战略意义估值。
[估值锚点] 这把中国 AI 独角兽的 估值锚点 从“战略重要性”推到“真实营收倍数”前台，梁文锋以控制权换弹药，下一步要看的是它能否在 2027年 IPO 前把年化收入继续做实，以及美国芯片出口限制下算力采购能否跟上模型迭代。真正被定价的是 DeepSeek 从研究室走向上市公司的那份确定性。
signal: 真正被定价的是 DeepSeek 从研究室走向上市公司的那份确定性。
❯ 中国称 Apple Intelligence 已注册可用，将整合阿里通义千问
[监管进展] 据路透社报道，中国方面表示 Apple Intelligence 已在境内完成注册、可在 iPhone 上使用，服务将整合 阿里通义千问 模型，并可能追加百度 AI 能力；这是苹果在中国市场缺失 AI 卖点多月后最明确的落地信号。
[前因与格局] 苹果此前在中国选定百度为首选合作方，但其模型进展未达标准，随后评估过腾讯、字节跳动、阿里与 DeepSeek，最终因 DeepSeek 团队人力与经验不足以支撑大客户而放弃。阿里凭借海量用户购物与支付数据，能为本地化模型训练与定制服务提供燃料。苹果已与阿里向监管机构提交必要材料等待审批；在华为等国产厂商已把 AI 工具放进手机、iPhone 假期季销量承压的背景下，这套 AI 能力能否上线直接关系到苹果在中国的 市场份额保卫战。
[落地] 这把苹果在中国的 换机逻辑 从硬件参数重新锚到 AI 体验——此前华为凭借端侧 AI 抢走不少高端用户，Apple Intelligence 一旦落地，iPhone 在中国的差异化叙事才算补齐。下一步要看监管审批节奏与通义千问在中文场景的实际表现，若百度被纳入则形成双模型并存格局。
signal: 苹果在中国的差异化叙事，要等 Apple Intelligence 真正上线才算补齐。
❯ ASML 二季度净销售93亿欧元超预期，全年展望上调至430亿
[财报摘要] 据 ASML 公告，荷兰光刻机设备商 ASML 二季度净销售达 93亿欧元，高于 88亿欧元 市场预期，净利 29亿欧元 同样超预期，毛利率 54%；公司把 2026 全年销售展望从 360亿至400亿欧元 上调至 430亿至450亿欧元。
[驱动与产能] 增长由 AI 相关半导体支出与内存、先进逻辑产能扩张拉动，安装基盘服务需求强于预期。管理层称客户对先进逻辑与 DRAM 投资强劲，订单能见度延伸至 2027至2028年，并提及 High-NA EUV 随英特尔投产而推进。公司计划为 2027年 把低数值孔径 EUV 产能较约 65台 再增 30%，并研究 2028年 再增 30%；三季度指引净销售 110亿至120亿欧元、毛利率 55%至57%。ASML 股价盘后涨约 3.5%。
[景气度] 这把 AI算力资本开支 的景气度从口头预期推成设备商的实打实订单排期，逻辑与内存双线加单，让上游晶圆厂扩产在 2027年前不会减速。下一步要看 High-NA EUV 量产爬坡能否匹配客户路线图，产能两次上调已把交付周期压力甩给供应链。
signal: 设备订单排期才是 AI算力景气最硬的印证，ASML 已把账写进 2028年。
❯ Anthropic 联黑石等推15亿美元 AI实施公司 Ode，百名工程师
[合资落地] 据科技媒体 TechCrunch 报道，人工智能公司 Anthropic 与黑石集团、私募股权公司 Hellman & Friedman、高盛等合资的 AI实施公司正式定名 Ode with Anthropic，规模 15亿美元，团队约 100名工程师；公司建于今年5月收购的 AI实施公司 Fractional AI 之上，由创始人 Chris Taylor、Eddie Siegel 分任 CEO 与 CTO。
[逻辑与对标] 这是大模型实验室把盈利重心从“卖模型”挪向“帮企业把模型接进业务流程”的又一落子——Anthropic 与 OpenAI 都已组建派驻客户现场的 AI工程团队，赌企业落地是下一个万亿级赛道。Ode 建于今年5月收购的 Fractional AI 之上，由创始人 Chris Taylor、Eddie Siegel 分任 CEO 与 CTO，约 100名工程师 的团队面对埃森哲量级的 incumbent 仍是小体格。
[竞争格局] 这把企业 AI服务的 定价权 从传统咨询巨头手里切出一块给模型原厂，Anthropic 用 Claude 绑定实施团队，等于把客户锁进从模型到落地的单栈。下一步要看百人规模能否撑起大客户交付，以及黑石等出资方对回报周期的耐心，万亿公司之说目前仍是创始人口径而非预测，真正要验证的是交付能力而非愿景。
signal: 模型原厂下场做实施，抢的是咨询巨头企业的客户现场。
❯ xAI 以 Apache 2.0 开源 Grok Build，曾因上传用户仓库遭反弹
[开源与争议] 据开发者 Simon Willison 披露，xAI 将 Grok Build 以 Apache 2.0 协议开源，代码含约 84万行 Rust；但此前该工具被发现在用户不知情下把仓库上传至谷歌云存储桶，引发强烈反弹。
[代码与反响] 开源同时 xAI 重置了所有用户用量额度。开发者 Simon Willison 翻看代码，指出其自带终端 Mermaid 图渲染器，能把图表用 Unicode 字符直接画在终端里。把争议工具摊开给社区审计，是对此前隐私风波的回应；但上传仓库至 谷歌云存储桶 发生时用户并无授权，越界事实不会随代码公开自然消失，信任损伤已经记档。
[信任] 这把用户对 xAI 的 信任账本 推到台面——代码可审，但默认把仓库推上云的动作已被记档。下一步要看社区是否真接手二次开发，以及 xAI 是否会就数据处置给出明确承诺，而非只靠开源平息风波；被越界的用户不会因仓库公开就自动撤回警惕，信任缺口仍要靠制度而非代码补。
signal: 把代码摊开容易，把被越界的信任补回来难。
❯ Thinking Machines 开源模型 Inkling 发布，9750亿参数、百万上下文
[模型发布] 据多家研究者与媒体账号披露，人工智能公司 Thinking Machines Lab 发布首个开源权重模型 Inkling：总参数 9750亿、每令牌激活 410亿 的混合专家模型，原生支持文本、图像与音频推理，上下文最长 100万令牌，并可调推理力度权衡成本与延迟。
[定位与细节] 据多名研究者转述，Inkling 训练目标偏“广”而非单点优化，并出现过“自我微调”——自行写训练任务、执行并评估。配套 Inkling Playground 已在 Tinker 控制台上线，这是 Mira Murati 离 OpenAI 后创立的实验室迄今最受关注的一手发布，也是开源前沿模型里首个把音频推理一并放进去的重量级发布，多模态覆盖比上一代开放模型更广。
[基准] 这把开源前沿模型的 基准线 又抬高一档，百万上下文与多模态让中小团队能在本地跑此前要租闭源 API 的能力。下一步要看其在 TerminalBench、SimpleQA 等硬基准上的实测成色，以及权重许可对商业使用的约束边界，开源不等于可随心商用。
signal: 开源权重摸到闭源门槛，中小团队本地跑多模态不再卡算力。
❯ OpenAI 推出 Codex Micro 桌面键盘，售价230美元、配 RGB 状态键
[硬件上新] 据媒体 Axios 报道，人工智能公司 OpenAI 推出首款硬件 Codex Micro：与键盘厂商 Work Louder 合作的桌面控制板，售价 230美元，带背光键、旋钮与小摇杆，用于管理 Codex 编程智能体的工作流。
[设计细节] 此前 OpenAI 产品以纯软件 API 为主，Codex Micro 是其首次试水实体硬件。6 颗半透明 RGB 键 实时显示各 Codex 线程状态（空闲白、运行色变），旋钮调 推理力度，摇杆一键触发代码审查、调试、重构等常用动作；支持 Mac 与 Windows。它把“盯着多个智能体”的体验从屏幕搬到手边物理键，230美元 的定价卡在开发者愿意为效率外设付费的区间。
[入口] 这把 AI编程智能体的 操作入口 从纯软件界面引向实体外设，OpenAI 试水硬件意在把高频开发者锁进自己的控制面。下一步要看 230美元 定价下的采用率，以及竞品会否跟进同类控制板；物理键能否成为智能体工作流的标配而非噱头，要等真实开发者用脚投票。
signal: 智能体竞争的下半场，从屏幕里的按钮卷到手边的物理键。
❯ 英伟达用 Codex 一天将 Cosmos 3 Nano 准确率从54%拉至93%
[智能体验证] 据英伟达方面演示，其团队用 Codex 搭配 TAO agent skills，把视频推理模型 Cosmos 3 Nano 在丰田 woven 交通安全数据集上的四选一准确率从 54.41% 拉至 93.35%（据英伟达披露），耗时约一天、仅用两条提示。
[方法] 此前模型微调要靠算法工程师数周排期，这次实验基于 8000余条 训练与验证样本，Codex 自主完成数据整理、微调与评估循环，无需人工逐轮介入。英伟达将其作为 agent 自动驾驶模型训练 的范例，凸显大模型写训练任务、跑实验、读指标的闭环能力，原本数周的流程被压进一天。
[门槛] 这把模型微调的 人力门槛 压到两条提示，工程侧的重复劳动被 agent 接管，开发者评估训练任务的维度从“写不写得动代码”变成“提不提得对需求”。下一步要看此类范式能否从视频推理扩展到更宽的训练任务，以及英伟达是否把它做成标准 TAO 工作流对外交付，让非专家也能靠自然语言完成模型迭代，否则它只是英伟达自家的一个漂亮 demo。
signal: 写训练循环的事交给模型自己，工程师退到两条提示之后。