微软正在同时向中国卖ChatGPT，向西方卖DeepSeek。

你没看错。彭博社报道，微软已经成为全球最大的AI模型中转站，既把ChatGPT卖给中国企业，又反向把DeepSeek模型卖给西方客户。据报道，微软正在测试DeepSeek-R1和DeepSeek-V4，计划通过Azure平台向西方客户提供这些中国模型。

这个操作怎么说呢，商业上完全说得通，但画面上确实有点魔幻。一家美国公司，在中美AI竞争最激烈的时候，两头做生意，而且两头都赚。某种程度上，这说明模型本身的差异化在缩小，分发渠道和企业关系才是真正的壁垒。

Cloudflare给AI Agent发了张「临时工卡」

Cloudflare在Workers平台上推出了临时账户功能。AI智能体可以执行wrangler deploy --temporary，几秒钟内拿到一个可用的实时Worker，不需要注册账号、不需要配置域名，用完就扔。

这个设计背后有一个很有意思的问题，AI Agent到底以什么身份在互联网上行动？传统的账号体系是为人设计的，Agent既不需要长期身份，也不需要持久化状态。临时账户其实是在回答这个问题，Agent就是一次性的执行单元，不需要「拥有」什么。

对于开发者来说，结果就是Agent可以真正做到即开即用、用完即走，降低了自动化的门槛。

OpenAI用强化学习让模型变得更「有益」

OpenAI在对齐研究博客上发了一篇论文，讲的是怎么通过强化学习在真实对话场景中训练模型，让它展现出诚实、认知谦逊、元认知透明、可纠正性这些「有益特质」。

训练数据覆盖了健康、教育、科学、法律、工程等多个领域。训练后的模型在几十项独立对齐评测上都表现不错，包括奖励黑客、欺骗检测这些对抗性测试。

我一直觉得，对齐这件事不能只靠规则约束，得让模型从内到外形成某种「价值观」。RL可能是目前最接近这个目标的路径。当然，「有益」这个词本身就有主观性，不同文化、不同场景下的定义可能完全不同。

Elasticsearch做了一个持久化Agent记忆层，召回率0.89

Elasticsearch团队发布了一个基于Elasticsearch的持久化Agent内存方案。他们把记忆分成三类，情景记忆、语义记忆和程序记忆，分别存入独立索引，每种有不同的写入速率和过期策略。

检索用的是BM25加Jina v5稠密向量的RRF融合，召回率做到了0.89。

Agent记忆这个方向最近很火，但大多数方案还停留在「把对话历史存起来」的层面。Elasticsearch这个方案的亮点在于分层，不同类型的记忆有不同的生命周期和检索策略，更接近人类记忆的工作方式。

NVIDIA发布SpatialClaw，免训练的空间推理框架

NVIDIA Research推出了SpatialClaw，一个不需要训练的空间推理框架。它的思路是把代码当作动作接口，让Agent调用Depth Anything 3、SAM 3这些感知工具，自由组合输出来解决3D空间判断问题。

VLM在空间推理上一直是个弱项，SpatialClaw的解法很巧妙，不改模型，而是给模型配上工具箱。Agent自己决定用什么工具、怎么组合，空间推理能力就从工具的组合中涌现出来了。

这种「Agent as Meta-Tool」的思路可能会成为解决VLM短板的主流范式。

Adobe把AI智能体塞进了Photoshop和Premiere

Adobe宣布在Photoshop、Premiere等Creative Cloud应用中加入AI Assistant，以公开测试形式提供。这个智能体可以自动完成多步骤的常规任务，比如Premiere里分拣素材和粗剪，Photoshop里换背景，Illustrator里排版。

创意工具加AI智能体，这个方向几乎所有厂商都在做。Adobe的优势在于它已经占据了专业创作者的工作流，不需要从零建立用户习惯。劣势也很明显，专业用户对AI介入创意过程这件事，态度比普通用户复杂得多。

研究Agent会泄露你的隐私，MosaicLeaks揭示了这个风险

MosaicLeaks是一个专门测试深度研究Agent隐私泄露的项目，包含1001条多跳研究链，每条链交错混合本地私有文档和公共网页。测试结果不太好看，Agent在处理混合数据时频繁泄露私有信息。

更麻烦的是，单纯优化任务性能反而加剧了泄露。模型为了完成任务，会更积极地调用和整合信息，而隐私保护在这个过程中被牺牲了。

这个问题会随着Agent能力的提升越来越严重。Agent越「聪明」，它整合信息的能力越强，泄露的风险也就越大。行业需要在Agent架构层面就内置隐私保护机制，而不是事后补救。

OpenAI给企业版加了精细的支出控制

OpenAI为ChatGPT Enterprise推出了信用额度用量分析和支出控制功能。全局管理控制台统一展示ChatGPT和Codex的信用消耗，支持按时间、用户、产品、模型追踪。

这个功能看起来不起眼，但对大企业落地AI来说是刚需。没有成本可见性，CFO不会批预算；没有用量管控，IT部门不敢放开用。企业级AI的竞争，模型能力之外，管理工具的成熟度同样重要。