作者实测OmAI联汇新推出的视频深度推理模型VLX-VR，该模型在MINERVA基准上以78.8%准确率登顶，超越Gemini 2.5 Pro的57.97%。通过3D机械起落架演示、9倍速工业建模录屏、机械臂四宫格实验等场景，VLX-VR展现出对长视频时间轴的整体理解、因果推演和代码报错捕捉能力，推理逻辑一致性达96.2%，且跨时长准确率不降反升。作者还介绍了基于该模型的端侧视频创作助理OttoBox小欧，可30分钟完成粗剪。
Google 在 Gemini 3.7 Flash、3.6 Flash 和 3.5 Flash-Lite 模型上推出 agentic video understanding（智能体式视频理解）功能。该功能让模型主动决定观看内容、速度和模态（画面、音频或字幕），动态检索和检查视频片段，而非按固定帧率静态处理。基准测试显示，成本最高降低 66%，token 消耗最高降低 88%，准确率提升最高 7%，在长视频分析中优势尤为明显。新能力包括亚秒级片段检索、长视频大海捞针式搜索、异常检测和精确计数等。该功能已通过 Gemini API、Google AI Studio 和 Gemini Enterprise Agent Platform 开放，未来将集成到 Gemini 应用和 YouTube 的 Ask YouTube 功能中。
作者在豆包工作中优化地图动效 skill，实现全自动制作旅行 vlog。只需提供社媒照片链接，Agent 即可生成 3D 地图动效，根据画面内容推断拍摄机位（如虎跳峡、梅里雪山、雨崩），并利用多模态能力将旅行自拍生成 Q 版贴纸小人。最终自动渲染配乐，输出 mp4 视频，如从地球俯冲定位、Q 版小人沿真实路线行走、照片弹出的云南自驾 vlog 成片。还可配合开源剪辑 skill 生成剪映工程文件，完成素材粗剪，解决旅行 vlog 制作难题。
文章对比2025与2026年云栖大会，梳理AI一年间的进步：从'云智一体'到'智以致用'，重点从模型能力展示转向产业落地。Qwen3.8-Max主打长程任务执行，Qwen3.8-Omni-Flash在多模态理解上大幅提升且成本骤降；Agent从聊天进入工作流，具备拆解目标、多智能体协作、沉淀Skill等能力；具身智能与AI硬件走向现实。对内容创作者而言，生产模式正从单模型生成片段走向多模型协同的完整生产链，Qwen4与下一代视频模型值得期待。
作者分享用 AI 智能体工作流制作热点深度长视频的实操复盘：3 天涨粉 9149，总播放 258 万，单条最高 108 万。文章回顾了从模仿大号遇挫、车企热点短暂爆发到流量断崖的经历，以及关键的转折——抛弃固化的旧 Skill，让新模型自由发挥后画面匹配度大幅提升。作者总结了四大生产流水线（抓热点、审选题、跑生产、细核对）、选题内审五道安全阀（热点时效、人群普适、增量材料、情绪脱水、叙事轮换），并分享视频号、小红书、抖音、B 站等 8 个平台的分发体感与应对策略。
作者通过7个实际案例测试豆包 Seed-2.1-pro-0915（Doubao-Seed-Evolving）的进化效果，涵盖深度调研 Obsidian AI 插件 Top20、根据视频演示开发跨平台剪贴板应用并改造成 Swift 原生版、Blender 3D 白模驱动视频生成、天津海钓点调研与导航地图制作、电影3分钟解读视频剪辑、3.5万行代码仓库分析等任务。作者感受：多模态理解能力显著提升，Agent 长程任务可靠性增强，但仍存在文案质量和迭代准确性等不足。
作者实测了主打 Computer Use 能力的 Nex-N2.5 Pro 模型（397B 参数），验证其在 Blender 3D 建模到 Three.js 前端交互网页的全自动长流程操作。测试显示其能在无 API 的桌面 GUI 中完成建模、材质设定、glTF 导出及前端渲染，全流程 1 分 48 秒，坐标对齐率 99.4%，60 FPS 稳定渲染。文章同时指出其工程边界：单步延迟 2-4 秒、视觉遮挡下的重试开销高。作者建议结构化任务优先用 API 与代码，而无接口的专业桌面软件自动化、遗留系统对账等场景则适合切入 Computer Use。
作者基于几个月的实际使用体验，为Google Gemini正名，介绍了三个好用的工具：网页版Gemini速度极快、多模态能力强，适合处理长PDF、长视频等海量内容，回答风格自然有人味；Antigravity改版为Agent终端后掌控感下降，但前端交互和多模态理解依然出色；NotebookLM被作者誉为封神的第二大脑，可聚合各类资料建立个人知识库，无幻觉输出，还能生成PPT报告、知识导览图，以及将专业文档转为双人访谈播客，极大提升学习和工作效率。作者最后给出了三工具的日常使用搭配建议。
SpaceXAI 工程师 Lingxi Li 分享了用 Grok Bot 构建和管理工程机器人团队的经验。他将 Grok Bot 视为能干的技术实习生，可管理多个编码代理并从工作方式中学习。文章介绍了五个各司其职的工程师机器人（覆盖 iOS、桌面端、Android、基础设施和 Harness），以及负责运营的 Jenny 机器人。通过 Notion 数据库、Cursor 云代理、截图验证等多模态反馈闭环，机器人团队可同时管理 200+ 云代理，自动完成 CI 检查、代码审查和 PR 合并，显著提升团队交付速度和效率。
本期早报围绕 AI 应用的规模化落地展开三层分析：OpenClaw 2.0 以 16000 个 PR、933 位贡献者的超大版本更新，展示智能体如何从个人工具成长为支持共享云会话与任务无损交接的团队协作平台；屠龙之术借 Canva、Figma 与美图的案例，讨论基础模型吸收单点功能后，应用公司如何通过任务拆解、结果控制和完整交付建立护城河；ClickHouse CEO 则谈智能体带来的不可预测并发查询、成本控制与身份权限治理等基础设施挑战。速览部分还涵盖 DeepMind 多模态世界模型、Odersky 谈 AI 时代编程语言、DoorDash 工程代理平台、LLM 编码评估、量化研究 Agent、算力供需与病理基础模型等内容。
作者袋鼠帝开发并开源了一款AI原生截图工具“拓（Ta）”，具备钉图、标注、马赛克、截长图等常规功能，并深度集成AI能力：框选即可OCR识别文字、翻译并自动复制到剪贴板，还支持AI识图。拓可作为skill或CLI接入任何Agent（如Codex），实现自动截图获取报错信息等自动化流程。开发过程使用智谱最新开源模型glm-5.3-flash，作者评价其coding、agent与视觉能力出色，价格仅为Opus的1/40，兼具速度、性能与性价比，标志前沿模型进入普惠时代。
文章介绍了智谱 GLM-5.3-Flash 模型的发布。该模型总参数量 320B、激活 18B，采用稀疏与线性注意力混合架构，注意力计算量降低 3 倍，支持 1M 上下文。作为 GLM-5 系列首个原生多模态模型，其最大亮点是视觉能力被直接纳入 Coding 循环，模型可观察网页截图、渲染结果和交互反馈，自主发现并修正问题，实现“生成—检查—迭代—交付”的完整闭环。文章还展示了其在游戏开发、3D 建模、办公文档和法律金融场景的应用，并给出 API 使用细节，认为大模型竞争正从回答质量转向完整工作的交付质量。
匿名模型 Ox Alpha 揭晓为智谱 GLM-5.3 Flash，320B 参数、MIT 开源、原生多模态、1M 上下文，限时价格仅为 Opus 4.8 的 1/40。作者通过三个前端场景实测：仅凭一张图用 Three.js 复刻玻璃折射海报、看录屏视频还原 60 片玻璃螺旋彩带交互网站、将静态体素海报改造为滚动揭示的 3D 网页，均表现出顶级多模态理解与代码能力，远超同价位的 DeepSeek V4 Flash，接近 Fable 5 但便宜约百倍。作者认为其把'便宜又够用'的行业斩杀线大幅推进，让预算有限的创作者也能用上前沿智能。
