一、DeepSeek 将75%折扣永久化，API市场进入"34倍价差"时代
5月24日，DeepSeek宣布将此前作为促销手段的75%价格折扣永久化。这意味着其输出Token定价将至少比OpenAI GPT-5.5低34倍——不是限时优惠，是长期定价策略。
34倍价差意味着什么？对于开发者来说，技术选型必须重新评估"质量溢价"——如果DeepSeek的模型在80%的场景中够用，多花34倍追求剩余20%的质量提升是否合理？对于整个AI API市场，这个决定将价格战从促销战术升级为战略级竞争，OpenAI、Anthropic和Google都必须认真应对。
这一动作也标志着中国AI公司从"追随者"转向"价格定义者"。
来源：The Decoder[1]
二、Claude Code 自主发现人类难以设计的AI扩展算法
研究人员让Claude Code自主探索AI模型的扩展算法（scaling algorithms），结果发现了多个"人类很可能设计不出来"的新方案。扩展算法是决定大模型训练效率的核心技术，此前一直由顶尖研究人员手工设计。
研究人员并没有自行编写更高效的AI推理规则，而是让编码代理在模拟环境中寻找更优的控制算法。结果显示，该方法优于现有方法，且计算资源消耗更少。
如果AI能在此领域系统性地超越人类，"AI研究AI"将不再是科幻。
这同时也提出了一个深层问题：当AI自主发现的算法超出了人类的理解范围，我们如何确保其安全性和可解释性？需要注意的是，该研究尚未经过同行评审，我们标注为"初步发现"。
来源：The Decoder[2]
三、DeepMind Hassabis vs LeCun：AI界最深认知分裂
2026 年 5 月 24 日，外媒发布消息称，在谷歌 I/O 2026 大会落幕之际，全球三位人工智能领域顶尖研究者就当前 AI 发展水平、智能本质及未来前景发表不同见解，行业对 AI 所处阶段的认知分歧凸显。
AMI 实验室研究员杨立昆明确表示，当前主流大语言模型并不具备真正的智能。他援引心理学家皮亚杰的观点指出，智能并非积累的知识与技能，而是在无预先训练的情况下解决新问题的能力。杨立昆正致力于研发超越 Transformer 架构的 AI 技术，他认为现有大模型无法实现类儿童式学习，难以通向真正智能。
DeepMind 联合创始人德米斯・哈萨比斯则持激进判断，他在大会演讲中提出，人类已站在 “奇点的山麓”，这将是人类发展的重大时刻。哈萨比斯预测，通用人工智能（AGI）有望在未来五年内实现，其带来的变革将是工业革命的十倍，且发展速度快十倍。
Gemini 项目联合负责人奥里奥尔・维尼亚斯给出折中看法。他认为当前 AI 模型在代码、数学领域表现强劲，通用推理能力持续提升，若在七年前见到此类模型，他会将其认定为 AGI；但模型仍缺乏从经验中学习、实现真正突破性创新的核心能力。
此次专家观点的碰撞，直观反映出全球 AI 领域对技术当前定位与未来演进路径的多元思考。
来源：The Decoder[3]
四、阿里AI模型自主运行35小时优化自研芯片
阿里巴巴近日发布全新大模型 Qwen3.7-Max，并展示了一项极具代表性的 AI 自主运行实验：该模型在无人干预的情况下，连续运行 35 小时，自主优化阿里自研 AI 芯片的底层代码，最终实现约 10 倍性能提升。这一成果被外界视为 AI Agent（智能代理）能力迈向“长时自主运行”的重要信号。
据介绍，Qwen3.7-Max 主要面向复杂软件工程与长期任务场景，支持跨文件代码开发、工具调用、多步骤推理以及自动化办公流程。与传统聊天模型不同，该模型更强调“持续执行能力”，能够在数千步任务链中保持稳定推理。阿里表示，其可兼容 Claude Code、OpenClaw 等主流 Agent 框架，并通过 API 形式向企业开放。
在对比测试中，Qwen3.7-Max 的表现也明显领先其他国产模型。GLM 5.1 的性能提升约为 7.3 倍，Kimi K2.6 为 5 倍，而 DeepSeek V4 Pro 仅达到 3.3 倍。与此同时，Qwen3.7-Max 还被用于监控 AI 训练过程中的“作弊行为”，在超 80 小时运行中检测出 1600 多次异常奖励利用案例。
如果在后续的价格定位上合适，或许可以取代deepseek v4.0 pro 成为主流 Agent 的首选替代模型。
来源：The Decoder[4]
五、世界顶级法学院对AI说"不"：法学教育的红线
随着生成式 AI 在法律行业快速普及，全球顶级法学院开始重新审视 AI 对法律教育的影响。近日，伯克利法学院宣布，自 2026 年夏季学期起，将对学生使用 AI 工具实施大范围限制，成为目前全球法律教育领域最严格的 AI 管理政策之一。
根据新规，学生不得在绝大多数评分作业中使用 AI 进行头脑风暴、提纲整理、论文写作、修改润色、翻译或校对，考试场景更是全面禁止使用 AI。唯一被允许的场景，是利用 AI 辅助检索法律条文、案例或研究资料，但学生必须对所有引用内容承担完整责任。校方还明确表示，若作业中出现 AI 虚构案例或伪造引用，将被视为违规证据。
伯克利法学院在声明中强调：“思考能力始终是优秀律师与高质量法律教育的核心。”校方认为，法律训练的关键并不只是生成文本，而是培养学生独立分析、判断与推理能力。如果学生在尚未建立法律思维前便过度依赖 AI，未来可能难以真正理解法律逻辑与职业伦理。
这一决定也引发了法律行业和学生群体的广泛讨论。部分支持者认为，当前 AI 在法律领域仍存在“幻觉”、错误引用和偏见风险，学生需要先掌握基础法律能力，再学习如何正确使用 AI。
也有业内人士指出，AI 已经逐渐进入大型律所工作流，未来律师不可能完全脱离 AI 工具，因此高校更应教授“如何负责任地使用 AI”。
值得注意的是，全球不少法学院其实正在走向相反方向。例如 Case Western Reserve University School of Law 已要求新生必须接受 AI 法律教育培训，帮助学生学习 AI 工具、法律科技以及相关伦理问题。伯克利此次“强限制”政策，也反映出当前法律教育界对于 AI 的态度仍处于激烈分化阶段。
来源：The Decoder[5]
大模型与前沿技术
NVIDIA Nemotron-Labs 扩散语言模型：新架构挑战自回归霸权
NVIDIA Nemotron-Labs团队发布了一项引人注目的方案——将扩散模型（Diffusion）应用于语言生成。当前几乎所有大语言模型都采用自回归范式，必须逐Token串行生成，推理速度存在理论上限。扩散模型的并行特性若能在文本质量上追平自回归方案，将彻底改变大模型推理经济学。这是继图像生成之后，扩散模型对自回归模型传统领地的又一次入侵。
来源：HuggingFace Blog[6]
字节跳动研究：多模态训练中，提问优于转写
字节跳动团队发现，在训练多模态大模型处理长文档时，以"问答"形式引导模型理解文档，效果优于让模型先将文档完整转写为文本。这一看似简单的发现可能改变多模态模型的数据处理流程——从"转录优先"转向"问答驱动"。
来源：The Decoder[7]
约束衰减：LLM智能体在后端代码生成中的脆弱性
一篇arXiv新论文揭示LLM智能体在后端代码生成中存在"约束衰减"现象：代码越复杂，模型对初始要求的遵守度就越低。这对当前"AI即将替代程序员"的乐观论调提出了审慎的反驳——至少在关键后端系统中，AI生成代码的可靠性仍需严格人工审查。
来源：arXiv[8]
开发者与API生态
AI工具的"默认陷阱"：别让模型选择拖慢效率
分析指出，Copilot、Gemini等AI编程工具的用户常接受默认模型设置而不加选择。但不同模型在不同任务上表现差异显著——代码审查和代码生成可能需要不同模型。随着工具内置模型选项日益增多，主动选择合适的模型比任何快捷键技巧都更能提升开发效率。
来源：The Decoder[9]
产品应用与商业化动态
AI芯片成本结构巨变：内存吃掉三分之二预算
Epoch AI最新分析显示，HBM高带宽内存在AI芯片组件成本中已占到63%，远超GPU计算核心本身。这一结构性变化意味着AI芯片的"算力军备竞赛"正转变为"内存军备竞赛"。在产业链层面，这一趋势将极大强化SK海力士、三星等HBM供应商的议价地位，也解释了为何英伟达在GB200等新品中不断加码内存配置。
来源：Epoch AI[10]
参考链接
[1] The Decoder: https://the-decoder.com/deepseek-makes-its-75-percent-discount-permanent-pricing-output-tokens-at-least-34x-below-gpt-5-5/
[2] The Decoder: https://the-decoder.com/researchers-let-claude-code-discover-ai-scaling-algorithms-that-humans-probably-wouldnt-have-designed/
[3] The Decoder: https://the-decoder.com/deepminds-hassabis-sees-humanity-in-the-foothills-of-the-singularity-while-lecun-says-current-ai-isnt-intelligent/
[4] The Decoder: https://the-decoder.com/alibabas-latest-ai-model-ran-autonomously-for-35-hours-to-optimize-code-for-its-own-custom-chip/
[5] The Decoder: https://the-decoder.com/one-of-the-worlds-top-law-schools-draws-a-hard-line-against-ai-in-legal-education/
[6] HuggingFace Blog: https://huggingface.co/blog/nvidia/nemotron-labs-diffusion
[7] The Decoder: https://the-decoder.com/bytedance-study-finds-that-asking-lmms-questions-beats-making-it-transcribe-text-for-long-document-training/
[8] arXiv: https://arxiv.org/abs/2605.06445
[9] The Decoder: https://the-decoder.com/why-you-shouldnt-leave-model-selection-on-default-in-copilot-gemini-and-other-ai-tools/
[10] Epoch AI: https://epoch.ai/data-insights/ai-chip-component-cost-shares
[11] Y Combinator: https://www.ycombinator.com/companies/flick/jobs/Tdu6FH6-senior-frontend-engineer
[12] Google AI Blog: https://blog.google/innovation-and-ai/technology/ai/io-2026-dialogues-recap/
[13] The Decoder: https://the-decoder.com/one-of-the-worlds-top-law-schools-draws-a-hard-line-against-ai-in-legal-education/
