Linear 完成 9900 万美元回购，估值翻倍至 25 亿美元，ARR 突破 1 亿美元
Linear 完成 9900 万美元回购，估值 25 亿美元，是去年 12.5 亿美元的两倍，Accel、01A、Salesforce Ventures 和 S32 参与其中；公司现金流为正，账上现金超过历史融资总额。
推荐理由：官方披露 2.5B 估值回购与 100M ARR 等关键数据，读者可借此了解 Linear 的经营现状与智能体业务进展。
OpenAI / ChatGPT
全部主题OpenAI 的全部动态：GPT 系列模型、ChatGPT 与 Sora 产品、公司战略与人事的持续追踪。
最新精选
第 41–48 条 · 共 48 条Linear Now精选AI 评分6969
Nathan Lambert: Interconnects精选AI 评分7171 Nathan Lambert 解析 GLM-5.3 为何能紧跟前沿
Z.ai 发布 GLM-5.3，目前仅在 coding plan 提供，两周内将开放权重到 Hugging Face。作者认为其与 GLM-5.2 同底座、靠大幅扩展后训练提升成绩，在部分智能体编码基准上超越 Kimi K3 甚至个别超越 Claude Fable 5 或 GPT-5.6-Sol，参数约 750B。
推荐理由：作者给出了对 GLM-5.3 成绩来源的解释框架，包括发布节奏、后训练策略和 RL 数据产业等背景，可用于理解中美前沿模型竞争的成因。
Microsoft AI News精选AI 评分6161 Microsoft 阐述按 token 效率优化前沿性能曲线的策略并盘点 MAI Flash 模型成果
Microsoft 提出行业下一个焦点是 token 效率，主张通过联合优化模型、harness 和 RL 环境为具体产品调校模型，而非所有任务都用前沿通用模型。
推荐理由：Microsoft 官方阐述 token 效率策略，用多款 MAI Flash 模型的实际成本数据说明如何按任务匹配模型规模。
Nathan Lambert: Interconnects精选AI 评分8282 Nathan Lambert：GLM-5.2 是开源智能体模型的台阶式跃迁
Nathan Lambert 撰文认为 Z.ai 于 6 月 13 日向 GLM Coding Plan 用户推出、6 月 16 日以 MIT 许可开源的 GLM-5.2，是首个在编码智能体场景中真正好用的开源权重模型，社区评测显示其在 Arena 智能体榜单上是唯一能与 OpenAI 和 Anthropic 最新模型抗衡的开源模型。
推荐理由：作者以亲测和社区评测为依据，把 GLM-5.2 与 DeepSeek R1 时刻类比，并展开开源与闭源差距及监管风险的独特分析。
Sierra Blog精选AI 评分6464 Sierra 发布 𝜏-voice 基准，在真实语音条件下评测实时语音 Agent
Sierra 团队推出 𝜏-voice 基准，将 𝜏-bench 的 278 个客服任务与全双工实时语音、可控真实音频结合，任务、工具和评估器与文本版逐字节一致，语音成绩可与文本 Agent 直接对比。
推荐理由：语音与文本能力可在同一套任务上直接对比，还给出了噪音与口音下各厂商的具体失败模式。
AI as Normal Technology精选AI 评分7070 AI as Normal Technology 团队发布论文《Towards a Science of AI Agent Reliability》
Sayash Kapoor、Arvind Narayanan 与 Stephan Rabanser 等人发布 66 页论文《Towards a Science of AI Agent Reliability》，将智能体可靠性拆解为一致性、鲁棒性、可预测性、安全性四维共 12 项指标。
推荐理由：论文把智能体可靠性拆成12个维度并实测14个模型，显示18个月内准确率大涨而可靠性仅小幅提升。
AI as Normal Technology精选AI 评分6767 Sayash Kapoor 撰文论证 AGI 不是里程碑
Sayash Kapoor 撰文提出 AGI 不是里程碑，公司宣布实现 AGI 不是可操作事件，对商业、政策或安全都没有直接含义。文章以核武器为反类比，认为 AI 的经济影响依赖以十年计的扩散过程，并批评基于影响、内部机制和基准行为的三类 AGI 定义各有缺陷，建议企业和政策制定者关注安全扩散而非 AGI 宣言。
推荐理由：作者区分能力与权力、以扩散视角解释 AGI 为何不是可操作事件，为评估各方 AGI 宣言提供了一个可用的分析框架。
AI as Normal Technology精选AI 评分6969 AI 进步是否在放缓：Arvind Narayanan 等人解析模型扩展与推理扩展之争
Arvind Narayanan、Benedikt Ströbl 和 Sayash Kapoor 撰文分析 OpenAI、Anthropic 和 Google Gemini 下一代模型遇阻后的叙事翻转，认为宣布模型扩展已死为时尚早，行业领袖的预测并不可靠。
推荐理由：作者用可核查的证据指出业内叙事反复翻转的成因，并区分能力提升与实际社会影响的薄弱关联。