说到 BT 下载客户端，大家都诟病迅雷广告多，老牌 µTorrent 被收购后也开始塞广告，越做越臃肿；qBittorrent、BitComet 好像也停滞不前了；神器 IDM 又不支持 BT 下载。

折腾来折腾去，最后还是回到了经典的跨平台 Transmission——完全开源、零广告、不捆绑任何东西，甚至连个弹窗都没有。这次 4.x 版本更新，是它三年来最大的一次大版本跃升！加了不少实用功能，特别是新增支持“BT 边下载边播放”，预览小电影更方便了，值得去试试……

「 前往查看原文.... 」

• “狗屁下载器”？Gopeed - 开源全平台下载器 (免费轻量 / 比 Aria2 好用 / 远程下载)
• qBittorrent 中文版 - 高速轻量的开源免费跨平台 BT 磁力下载工具 (替代 uTorrent 迅雷)
• Photon - 开箱即用的免配置 Aria2 免费开源下载软件利器 (替代迅雷)
• Free Download Manager (FDM) 中文版 - 替代迅雷的优秀免费开源下载工具软件

异次元首页  |  微信公众号  |  关注微博  |  软件精选  |  软件激活码折扣

「 前往查看原文.... 」

异次元首页  |  微信公众号  |  关注微博  |  软件精选  |  软件激活码折扣

「 前往查看原文.... 」

异次元首页  |  微信公众号  |  关注微博  |  软件精选  |  软件激活码折扣

所谓末日工具箱，就是在断网但没断电的情况下，还能使用的操作系统。并且内置了：
百科全书、医学参考资料、生存指南、电子书、可汗学院、离线地图，以及离线 AI 大模型。

N.O.M.A.D. 是一个开源项目，可以安装在 Debian/ Ubuntu 上，也可以通过 Docker 安装。它自带了一些离线资料，适合在没有互联网的情况下使用。

N.O.M.A.D. 项目是什么？

Node for Offline Media, Archives, and Data（离线媒体、档案和数据）

这是一个免费的开源离线服务器，您可以安装在任何计算机上。下载您想要的内容，无需互联网即可永久使用。类似的产品要花费数百美元。 NOMAD 项目是免费的。

不联网

N.O.M.A.D. 计划设计为离线使用。仅在初始安装（下载依赖）和用户决定之后下载额外工具和资源时，才需要网络连接。

除此之外，N.O.M.A.D. 不需要互联网连接。

非常适合去那种几个月没有网络的地方带的电脑。

主要能力：

AI 助手

这种末日工具箱不稀奇，稀奇的是这帮末日老哥也把 AI 拉进来了

N.O.M.A.D. 安装了 Ollama，但需要在首次安装时联网下载大模型，之后才能正常使用。

所需要的硬件配置

在不使用大模型的前提下，所需要的硬件配置，非常低：

• 处理器：2 GHz 或更高级别的双核处理器
• 内存：4GB 系统内存
• 存储空间：至少5GB的可用磁盘空间
• 操作系统：基于Debian（推荐Ubuntu）
• 稳定的网络连接（仅安装时要求）

但如果要运行大型语言模型及其他内置的人工智能工具：

• 处理器：AMD Ryzen 7 或 Intel Core i7 或更高级别
• 内存：32 GB 系统内存
• 显卡：NVIDIA RTX 3060或AMD同等或更高（显存更高=运行更大机型）
• 存储空间：至少250GB的空闲磁盘空间（最好在SSD上）
• 操作系统：基于Debian（推荐Ubuntu）
• 稳定的网络连接（仅安装时要求）

总结 && 获取

N.O.M.A.D. 就是典型听起来：好酷、好有用，我要有一个的项目，实际上：完全没有鸟用的项目。

• 官网

原文：https://www.appinn.com/project-nomad/

相关阅读

• Project Lightspeed – 任何人都能部署的开源亚秒级延迟直播平台
• Project Naptha – 革命性图像文字识别技术 [Chrome Demo]
• Project ROME – 漂亮的内容编辑平台
• Google Art Project – 让博物馆进入新标签页[Chrome]
• Journal – 微软车库项目，适合手写笔的自然书写笔记应用[Win10]

不少人都被 iCloud、OneDrive 同步慢、空间贵折磨过。很多高手会推荐大家购买 VPS 服务器自己部署开源的「Syncthing」来同步文件。既免费跨平台，还能自己掌控数据，有着众多好处。

尽管 Syncthing 跨平台支持 Win、Mac、Linux 和 Android，但它多年来一直没有好用的 iOS 客户端。而 Synctrain 则是“新一代”专为 iPhone / iPad / Mac 重新设计开发的原生开源免费客户端，不仅速度快，且支持按需同步，真的能让 Syncthing 的文件同步体验上一个层次……

「 前往查看原文.... 」

• 微力同步 - 跨平台文件同步软件 Resilio Sync 替代品 (电脑/手机/NAS)
• Syncthing - 免费开源替代 Resilio Sync 的文件夹同步工具神器 (搭建同步网盘)
• Nextcloud - 搭建个人专属或团队共享的私有云同步网盘 (开源免费跨平台)
• 坚果云 - 国内靠谱好用的跨平台文件同步网盘应用 (同步/备份/共享/协作)

异次元首页  |  微信公众号  |  关注微博  |  软件精选  |  软件激活码折扣

你有没有遇到过这种情况：SSH 卡住了，Ctrl+C 没反应，只能关窗口重来？
其实不用这么麻烦。
SSH 自带一个“逃生命令”，按两下键就能强制退出。但知道的不多，堪称 SSH 隐藏菜单

与平时用鼠标操作电脑不同，SSH 专为键盘而生，它通过命令行来控制电脑，无论是 Windows、macOS 还是 Linux 都适用。

但无论是老手还是新手，98.5% 的人可能都不知道，SSH 居然还有个隐藏菜单。

SSH 隐藏菜单

现在就打开你的终端（什么是终端？），然后输入 ~?：

青小蛙真的第一次知道这个东西，非常有趣啊。

先来解释下每一项的功能：

（注意：使用时，都需要先输入一个回车）

~. 强制断开：客户端本地立即执行

这将强制断开当前 SSH 连接，无论远程是否卡死、网络是否异常都可以生效。

当程序卡住，或者网络问题导致终端无响应的时候，就可以输入：回车 ~.来立即断开连接。

~B 发送 BREAK 信号

向远程系统发送 BREAK 信号，多用于串口或网络设备等特殊场景。

基本没用（可以忽略）

只有在连接了串口、交换机、嵌入式设备后才有用，可以打断启动流程、进入调试模式、控制界面等。

~R 重新协商密钥

请求 SSH 重新进行加密密钥协商（rekey），用于刷新加密状态。

无任何响应…也不知道有何用途。

~v / ~V 调整日志级别

动态增加（~v）或减少（~V）SSH 的日志输出详细程度，用于调试连接问题。

~R 与 ~v 可以联合起来看，就能看到刷新密钥的日志了：

~^Z 挂起 SSH

~ + ctrl + z，这可能是最有用的一个功能了，挂起当前 SSH 连接，并返回本地终端。使用 fg 恢复。

有点像 tmux，但又不太一样：

功能	SSH ~^Z	tmux
本质	挂起进程	会话管理器
作用范围	当前 SSH 进程	多个终端/窗口
是否持久	不持久	持久
终端关闭后	不能恢复	还能恢复
能否多窗口	不行	可以

当有一个挂起的任务时，当前终端会提示无法退出：

~# 查看当前端口转发

列出当前 SSH 连接中所有正在使用的端口转发（如 -L、-R、-D）。

比如 OpenClaw 就推荐使用 SSH 连接：

ssh -N -L 18789:127.0.0.1:18789 user@host

按理说应该可以检查到，但青小蛙表示测试失败，什么反应都没有。

~& 后台运行 SSH

将 SSH 放入后台继续运行，常用于连接正在关闭但还未完全结束的情况。

但注意，无法回去！

不像 tmux 可以恢复，使用 ~& 之后这个终端就没了，但进程还在运行。

~~ 输入波浪号

由于 ~ 是 SSH 控制前缀，输入两个 ~~ 才会向远程发送一个真实的 ~。

也就是当你想要输入 ~ 的时候，需要发送两个 ~~

注意

这个菜单是 SSH 客户端自带的（这里指 OpenSSH 客户端，不是终端、PowerShell 等工具）。不是服务器中的 SSH 带有的。

所以当远程 SSH 卡死之后，还能用。

来源：@Rebane

原文：https://www.appinn.com/ssh-hidden-menu-most-people-dont-know/

相关阅读

• Header
• Header
• 从80款软件中精选15款 Windows 用户真正该装的工具｜Sordum 1#
• Folder Menu – 瞬间切换文件夹
• Hidden Bar – 隐藏 macOS 菜单栏不常用的应用图标，替代 Bartender 3

「 前往查看原文.... 」

异次元首页  |  微信公众号  |  关注微博  |  软件精选  |  软件激活码折扣

老牌天气预报网站 weather.com 推出了一个超级复古的视频天气预报功能。

• https://weather.com/retro

可以设置单位、自定义地点。

拥有背景音乐、偶尔的语音解读（英文）。

注意这个效果是动画，就像几十年前电视台中的天气预报一样。

相关阅读

• Breezy Weather – 开源安卓天气预报应用，精确至1小时预报，最长15天
• Bright Weather – 明亮天气[Android]
• Today Weather – 支持 5 个天气源，可以提交封面作品的天气预报 [iOS/Android]
• 全新设计的天气预报应用 The Weather Channel [iOS/Android]
• Weather Spark – 天气预报服务：一年中的最佳旅游时间段

如果你这两天刚刚从官网下载过 HWMonitor 和 CPU-Z，并且已经安装，就需要格外注意了。
「4 月 9 日至 4 月 10 日期间」

多家媒体确认（cybernews、Tom’s Hardware、PC Gamer），以及用户社区反馈，著名的 Windows 硬件监控工具 HWMonitor 和系统信息工具 CPU-Z 的开发商 CPUID 官网 www.cpuid.com 在 4 月 9 日至 4 月 10 日期间被入侵了大约六个小时，导致下载链接指向恶意软件（官网的安装包本身未被植入，仅仅是下载链接被修改了）。

CPUID 确认了这次入侵，并且表示「该漏洞已被发现并已得到修复」。

感谢 @砂糖 的提醒，如果你近期下载过 HWMonitor 与 CPU-Z，请检查下电脑吧

当官网链接都不再可靠时，青小蛙也没什么好办法解决这种事情，只能帮忙扩散一下了。

一个研究恶意软件的账号 vx-underground 提到：其中一个二进制文件中存在的 C2 域是一个明确的 IoC。这正是 2026 年 3 月上旬伪装 FileZilla 的威胁组织。他们一直很忙。

原文：https://www.appinn.com/cpuid-download-hijack-malware/

相关阅读

• 微软的 150 款免费软件[部分，待更新]
• 数码荔枝迎新春活动：精选正版软件 5 折起
• 警惕假冒 7zip 官网：7-Zip 下载链接被篡改，Windows 安装包被植入后门
• 【更新来自 WeTab 的回应】潜伏 8 年，430万次安装！一批浏览器恶意扩展，终于被曝光
• 分享 18 款名不见经传的下载工具

说到好用的下载工具，大家都会想到优秀的 IDM，以及口碑俱佳的开源免费跨平台的 Motrix！后者内置强大的 Aria2 引擎、清爽无广告，简直是对那些流氓下载器的降维打击。

但从 2023 年开始，Motrix 基本就停更了。使用 Electron 架构使得其体积臃肿，不好维护，新功能也迟不见踪影。就在大家以为这款基于 aria2 的“下载神器”要凉凉时，一个好消息来了：有技术大佬继承了它的优点，并完全“推翻重做”，带来全新的 Motrix Next 满血复活归来……

「 前往查看原文.... 」

• “狗屁下载器”？Gopeed - 开源全平台下载器 (免费轻量 / 比 Aria2 好用 / 远程下载)
• Motrix - 清爽开源免费的全能下载工具 (跨平台 Aria2 客户端 / 支持 BT / 磁力链 / 百度网盘)
• Photon - 开箱即用的免配置 Aria2 免费开源下载软件利器 (替代迅雷)
• 替代迅雷！小白都会用的免配置 Aria2 图形界面版免费开源下载软件 PDM

异次元首页  |  微信公众号  |  关注微博  |  软件精选  |  软件激活码折扣

「 前往查看原文.... 」

异次元首页  |  微信公众号  |  关注微博  |  软件精选  |  软件激活码折扣

你上一次认真把玩命令行终端软件是什么时候？估计大部分人的答案都是：不折腾，能用就行。毕竟终端这玩意儿，从 70 年代到现在，核心交互就没变过：一个黑框框，敲命令，看输出。

而最近一款 Rust 开发的高性能、原生 AI 驱动的现代化 SSH 终端软件 Warp，突然宣布开源！GitHub 星标一夜冲到 3 万+，评论区一片欢腾！Warp 到底做了什么，能让一帮程序员如此激动？简单说，它不仅把终端从能用变成“好看+好用”，甚至让人遐想到未来的终端长什么样……

「 前往查看原文.... 」

• 还用 XShell？这款跨平台 SSH 终端工具 iShell Pro 更好用！支持 SFTP 集成 AI
• Xterminal - 集成 AI 免费跨平台 SSH 终端工具 (服务器文件管理 / 状态监控 / AI 命令解释补全)
• LNMP 一键安装包 - 简单快速 Linux 服务器建站 / 安装配置 Nginx PHP MySQL 脚本
• PuTTY - Windows 下超经典知名的免费 SSH 客户端工具软件

异次元首页  |  微信公众号  |  关注微博  |  软件精选  |  软件激活码折扣

人类花了半个世纪把文档从打字机搬到 Word，又花了二十年搬到云端。结果 AI 时代真正的通用格式，是一门 2004 年发明的纯文本语言—— Markdown。

最近 Claude Code 工程师 Thariq 又提出了新的观点，说自己已经不用Markdown，HTML 才是未来，引发了大量讨论。

文章里，他提出了 HTML 格式的输出，是比 Markdown 文本更好的形态。对 AI 来说，从输出 Markdown 到输出 HTML，转换的过程基本无痛，但对用户来说却是实打实的体验优化。

Karpathy 在今天凌晨也转发了这篇文章，分享了他对于 HTML 的看法。

在他看来，音频是大语言模型最好的输入，视觉是最好的输出。在他畅想的路线里，HTML 之后还有交互动画、神经网络直接生成的视频、最终某种人机之间真正的感知融合。

在 Vibe Coding 和 Agent 产品成为主流的背景下，HTML 和 Markdown 对大多数 AI 玩家可能并不陌生。

想做一个小游戏，告诉 ChatGPT，「帮我做一个贪吃蛇的单页 HTML 网页」。ChatGPT 会将代码打包成成一个后缀名为 html 的文档，双击打开，我们就能在浏览器里看到一个可交互、有动效、图文丰富的成果。

甚至在浏览器里面，任何一个网页下，按下 CTRL+S，保存下来的本地文件，都有一个 .html 的文档。

而 Markdown 从 AI 要获取网页上下文的年代，就有大量的工具，直接将各种文件类型的文档转成 Markdown 格式。

微软自己作为办公三件套之王，有着 docx、pptx、xlsx 等职场常用的文件，早前也开源了一个将这些办公文档转成 Markdown 格式的项目，目前在 GitHub 上已经收获超过 12 万 Stars。

OpenClaw 爆火之后，各种 AGENT.md、SOUL.md、CLAUDE.md、MEMORY.md……甚至是 Skills 工程里面，每个 Skill 也是一个 Skill.md 的文档。

从记忆的保存、到提示词和 Agent 的控制，Markdown 格式几乎成为了 AI 获取丰富上下文的不二选择。

我们日常工作中最常使用的 PDF、DOC、以及 PPT 反而在 AI 时代成了「最不被待见」的格式。

但现在冒出来的 HTML 的又是怎么一回事，它会有机会取代 Markdown 成为 AI 时代的新通用语言吗？

Markdown 为什么最适合 AI

先说说为什么 Markdown 成为了 AI 时代的 Word，无论是 AI 的回答，还是我们丢给 AI 的上下文，现在大多都是以 Markdown 为主。

这门语言诞生于 2004 年，灵感来自 2000 年代电子邮件的文本排版惯例——竖线分隔、80 字符换行、星号表示强调。它的目标是「写起来像纯文本，渲染出来像 HTML」。足够简单，足够便携，不需要任何工具，任何文本编辑器都能处理。

这套设计哲学在博客时代是完美的。2008 年前后随着 Github 崛起，Markdown 直接成为程序员的标准写作格式。各类技术文档、Stack Overflow 回答、Github README、技术博客，Markdown 几乎在所有这些场景里都工作得很好。

然后大语言模型来了。

一边是刚好训练数据里有大量 Markdown 格式的文本，模型学会了用它表达结构。即训练数据上，那些技术博客论坛里「聪明人写的东西」大量是 Markdown。模型学到的不只是格式，还有「用 Markdown 写作 = 认真、结构化、专业」这个关联。

另一边是 Markdown 的结构信号非常局部化，一个标题只需要一个 #，一个列表只需要一个 -，** 出现就是加粗。模型也不需要看很远的上下文就能判断当前 token 的语义角色。

对比 HTML 的标题和列表<h1> </h1> 或者 <li> </li> 要省得多，此外，HTML 的 <div class=”section”> 要等到 </div> 才闭合，语义跨度长，模型生成时需要「记住」更远的状态。对模型生成来说负担更重，出错概率更高。

所以无论是从大语言模型注意力机制的技术角度，还是 Token 经济学的角度，「能用 Markdown 就不用 HTML」在长文档、多轮对话、大量 API 调用的场景里，成了工程师和模型双方的偏好。

总结下来，Token 效率高、结构清晰、解析简单的核心价值，让模型天然爱 Markdown，它爱 Markdown 格式的输入，也爱 Markdown 格式的输出。

这种偏好在大语言模型训练时，也变得更加明显。

模型通过人类反馈强化学习 RLHF 的时候，标注员给高分的回答大概率是：有清晰标题、有分点列举、结构一目了然的回答。而这种视觉结构，在纯文本环境里就是 Markdown。

于是模型学到的奖励信号也是：用 Markdown 格式化 = 看起来更认真、更完整、更值得高分。即使问题根本不需要列表，模型也会倾向于加列表。

这大概也是为什么我们随便问 ChatGPT 一个问题，它都想给三个要点、加粗关键词、再来个小结。以及大多数时候，在 AI 的对话界面，复制 AI 的回答，粘贴到其他输入框，都会发现自动多了 #、**、—、等 Markdown 标识。

我们看到的每一条 AI 回复的文字消息，基本上都是以 Markdown 的格式在渲染。

为什么不是 PDF、Word、PPT

Markdown 好用，但是我们日常生活中使用的文档格式，大多还是 PDF 和 Word。老板发来一个文件，我丢给 AI 去处理，这个文件往往要比我直接复制粘贴，消耗更多的时间。

本质原因还是模型只认识 token，不认识文件。

大语言模型的输入，在进入模型之前必须先被转换成 token 序列。模型看不到「一个 PDF」，它看到的是 PDF 被解析出来的文本内容，然后再切成 token。所以哪种格式在解析成纯文本之后，损失的信息最少、引入的噪声最少，这种格式就是更好的格式。

PDF 设计的目标是「打印出来好看」，不是「机器好读」。在 PDF 内部存储的是每个字符的坐标位置，而不是文本的逻辑顺序。一个两列布局的 PDF，解析出来的文本顺序很可能是左列第一行、右列第一行、左列第二行、右列第二行，直接就完全乱掉。

表格更糟糕。PDF 里的表格通常是用绝对坐标定位的文本块，没有任何「这是一行」「这是一列」的语义信息。对 AI PDF 解析器来说，只能靠猜。

扫描版 PDF 就更不用说了，直接是图片，要先过 OCR 文本识别，而 OCR 的错误率直接进入模型上下文。

.docx 和 .pptx 本质上是 ZIP 压缩包，里面是一堆 XML（可扩展标记语言）文件。解析出来的原始内容里有大量样式标记，字体、颜色、段落间距、主题、修订记录，这些对模型理解内容毫无帮助，但会占用大量 token，稀释真正有用的信息。

对 PPT 来说，信息密度本来就低，一张幻灯片可能只有一句话、几个关键词，解析出来是碎片化的文本，没有上下文连接，模型很难重建完整的逻辑。

有人会说那 TXT 呢，其实 Markdown 和 Word 这类文本，本质上都可以转成 TXT 文档，它没有额外的噪声，但也没有任何结构信号。

模型很难定位到哪里是标题、哪里是列表、哪里是代码块、哪里是引用。对于长文档，还意味着模型要靠自然语言线索去猜结构，准确率不稳定。

类似的语言还有 JSON/XML，它们确实对机器更友好，但「机器」指的不是语言模型。

JSON 和 XML 是为程序解析设计的，键值对、层级结构、严格语法。传统软件读 JSON 很舒服，因为它可以直接 json.parse()，得到一个结构化对象。

而语言模型的「理解」是通过 token 之间的统计关联实现的。对语言模型来说，读 JSON 和读自然语言的方式是一样的，逐 token 处理，靠注意力机制建立关联。把这种严格结构化的格式喂给一个为模糊输入设计的系统，本身是一种错配。

Markdown 刚好在这两者之间，它是纯文本，但带有轻量结构信号。

解析 Markdown 不需要任何特殊工具，直接读文本就行，不会有 PDF 那种坐标混乱，不会有 Word 那种 XML 噪声。同时 # ** – 这些符号给了模型足够的结构线索，让它知道这段是标题、这段是列表、这段是代码。

这些符号本身就在 token 词表里，模型直接处理，不需要任何预处理步骤。

Markdown 也要过时了？

在 Claude Code 工程的那篇文章里，细数了 HTML 的几大优点。

信息密度更高，HTML 能传达的信息远比 Markdown 丰富。它能做基础的文档结构、标题格式，但它还能表示各种其他信息，像是 CSS 样式、SVG 图片、canvas 空间数据、流程图、img 标签插入图片等等。

他还提到，Claude 能处理越来越复杂的工作，它写的需求文档和计划也越来越长。而超过 100 行的 Markdown 文件根本读不下去，更别说让其他人去读。

但 HTML 文档的阅读体验就更轻松。Claude 可以用标签页、插图、链接等方式把结构组织得清晰易导航。它甚至能做到响应式布局，在不同设备上都能舒服地阅读。

在分享这点上，他也认为 HTML 的传播要比 Markdown 容易。 把 HTML 文件随便放到某个云平台上，发这个链接给朋友和发一份 Markdown 文档，一定是点开链接阅读的几率更大。

就像现在做报告，展示几十页的 PPT，不然直接打开一个网页。市面上常见的深度研究产品，在生成 PPT 时，所采用的格式也是从渲染 HTML 网页开始。

还有 HTML 的交互性，我们可以点击不同的按钮、使用滑块或旋钮来调节不同的信息展示。

在提到 Markdown 输出的 Token 要比 HTML 少时，以及更耗时间时，他说 HTML 可能比 Markdown 慢 2-4 倍，但觉得值得；而 HTML 带来的表达力提升、以及真正去读它的概率大幅提高，最终产出反而更好。

我们也尝试把 Thariq 这篇长文转成 HTML 的格式，相较于 X 推文的长截图，HTML 呈现的内容会对读者更友好。

针对 HTML 更合适给人阅读这点，文章所列的优点听起来确实 Markdown 很难做到，但直接把 HTML 描绘成新的 AI 通用语言，还为时尚早。

难道我们未来的会话，每一次都要等 AI 输出一个所谓样式精美、交互友好的网页吗？

我想我们和朋友闲聊的时候，不会希望它盛装打扮，更不会想他要化妆一小时，要我们原地等待他。

更不用说，在大多数用户接触到的 AI，即那些不针对编程、设计等特定领域的 AI，全部都是以对话的形式在交互，我们的会话或许并不需要一份精美的 HTML，现有的 Markdown 就已经足够了。

Claude Code 工程师这篇文章里也提到了 HTML 适用于哪些项目，例如要求 AI 生成一份详细的需求文档，包括规划项目和探索不同的设计方案、或是可视化代码审查和理解、制作交互原型，比如动画和动作效果、以及研究报告等使用场景。

而这些场景本来就是适合网页呈现的场景，用它来挑战 Markdown 的地位稍微有点胜之不武。

作者在最后得出的论点是 HTML 作为 AI 交付给人类的最终产物更好读。但他并没有主张用 HTML 作为 AI 的工作记忆或上下文格式，因为 Markdown 在这一领域目前就是所有 AI 的唯一解决方案。

Markdown 还是 AI 时代的 Word，那 Markdown 最终会走向哪里？

Markdown 是 AI 的工作语言，是上下文的载体，是 agent 之间传递信息的格式，但它可能不需要是用户最终看到的东西。HTML 或者未来某种更好的格式，是 Markdown 被渲染之后的界面。

HTML 挑战不用挑战 Markdown 的地位，它只需要承担补上 Markdown 从来就不需要承担的那个角色。

Markdown 可以是 HTML 的一部分，我们在网页上和 AI 聊天，AI 给我们的回复使用 Markdown，它此时是被嵌入到了 HTML 里。

未来的 Markdown 就像一块积木一样，它会被嵌入到 HTML、甚至是某种更精美的 XTML 语言里。

格式会一直往前走。HTML 是此刻的前台，但也只是此刻的。下一站可能是可交互的 3D 空间，再下一站可能是直接写进视网膜的信号流。

但无论前台换成什么，后台跑的还是 Markdown。它不会被取代，只会被遗忘。而在技术的世界里，被所有人遗忘，恰恰是一种格式最终胜利的方式。

每一代人都在争论下一个界面是什么。但真正活下来的，从来不是界面，是协议。

#欢迎关注爱范儿官方微信公众号：爱范儿（微信号：ifanr），更多精彩内容第一时间为您奉上。

现在无论哪一家要发布视频模型，都免不了要被拉来和 Seedance 2.0 对比。

而最近比较沉寂的 Google，似乎在悄悄憋一个大招，来重夺视频生成的王座。

今天凌晨，有网友在 Gemini 中意外触发了一个全新的视频生成模型——Omni（全能）。

在 Gemini 的聊天页面，直接显示着「用 Gemini Omni 来创作，认识一下我们全新的视频生成模型。重混你的视频、在对话中直接进行编辑、尝试丰富的模板，以及更多功能。」

不过，这位网友表示他再次打开 Gemini 应用时，不仅 Omni 功能没了，Gemini 界面也恢复到了旧版。

从目前泄露的初测结果来看，Gemini Omni 在某些场景下的表现，相当出色，很有当年 Nano Banana 一统图片生成的感觉。

曝光的两个测试案例里，就像 Nano Banana 解决文本渲染一样，Gemini Omni 也解决了此前 AI 视频生成的两个痛点：文本连贯性和人物进食的物理逻辑。

这个挑战复杂数学板书的 10s 视频，提示词只有一句话「一位教授在传统的黑板上写出三角恒等式的数学证明，并解释他目前在方程式中执行的步骤。」

尽管在画面中依然能找到一些 AI 生成的小破绽，但整个视频完美处理好了黑板上的「文本」内容，这是曾经很多视频模型的一个大 Bug，此外，视频整体的真实感也非常强。

网友们对这个视频的态度是「太疯狂了」，AI 超创博主@Azed_ai 也在爆料视频下留言，「如果这是实际输出，那么文本一致性确实令人难以置信。」

有网友质疑这个视频的来源，可能并不是由 Gemini Omni 生成的，爆料的博主直接放上了 Gemini 的官方链接。

我们把同样的提示词丢给 Seedance 2.0 进行测试，画面的真实感同样可圈可点，但是板书的内容，似乎和三角恒等式的关系不是很大，黑板上的一些文字渲染还是有问题。

另一个爆料的视频是致敬「威尔·史密斯吃意大利面」，这个测试案例几乎成了所有视频生成模型的必跑提示词之一。

获得提前访问的测试者表示，当他尝试输入威尔·史密斯意大利面测试时，被 Google 的内容生成护栏限制了，所以他描述了一个长相酷似威尔·史密斯的人。

Gemini Omni 生成的这个视频，虽然比 Google 自家的视频生成模型 Veo 3.1 更好，从声音和画面真实质量上，都更像真人视频。

但也有网友发现，他们站着的时候，盘子里没有意大利面，但是坐下来之后就有了，紧接着是吃的时候，根本没吃，意大利面就没了。

我们同样把这套提示词交给 Seedance 处理，在吃的时候，结果比 Gemini Omni 的表现要自然不少。

在 Reddit 上有网友质疑他是否有用过最新的视频生成模型，这位测试博主表示他用过最好的是 Kling 3.0。

网友回复他说，Seedance 2.0 要比 Kling 3.0 好上不少，所以 Gemini Omni 的表现对我（用过 Seedance 2.0 的人）来说一点都不惊讶。

而在 X 上，也有网友认为 Gemini Omni 的表现，要比 Seedance 2.0 更好。

更让人意外的时候，Google 这次不只是推出视频生成的功能，Gemini Omni 还支持视频的编辑功能。

像是可以把原视频中的意大利面，直接替换成一碗像是冬阴功的泰式风味汤。

还能把之前 Sora 生成的带水印视频，直接编辑为去掉水印。

从测试结果来看，Gemini Omni 成功地把原 Sora 视频中，持续移动的 Sora 水印去掉了，并保持和原视频基本一致。

还有网友测试了 Gemini Omni 在动漫视频生成上的表现。

和初代的 Nano Banana 主打图片编辑，让我们制作各种桌面手办一样。不少人也认为 Gemini Omni 也会走这样的路，视频生成能力较差，但视频编辑能力会更强，要等到 Gemini Omni 3 代，可能视频生成能力才是最好的。

在曝光的界面中，还出现了一个使用量（Usage）截图。数据显示，仅仅生成了数学板书和吃面两个视频，就耗费了该用户 AI Pro 订阅计划每日额度的 86%，他提到自己当天只是使用过一些 Gemini Flash。

AI 视频显然还是一门相当烧钱的生意，但只要效果足够好，买单的人不会少。

这段时间，一些 AI 视频在网络上爆火，不仅有更长的时长、更真实的场景、对话、演技、故事性都比去年爆火的那些 AI 视频要强。

视频生成平台 Runway 的技术美术师 Marko Slavnic 在 X 上发一了段用 Runway 制作的的鸽子视频，Runway 上可以使用 Seedance 2.0 模型，视频很快就获得了百万次浏览。

有网友说，这段 47s 的视频完全没发现任何 AI 的痕迹或不自然的动作，迪士尼动画可能真的需要警惕了。

还有之前在微博热搜上的话题「AI 短片 量产爱死机」，视频被转载到外网后，也直接冲到了 1200 万次观看。

转发这个视频的是一位生成式 AI 视频与广告领域的创作者，同时也是一家 AI 广告公司的创始人 PJ Ace。他直接说，

这是我近年来看过最好的短片之一。
很快，我们将不再称其为「AI 电影」，而直接称其为电影。

而在原视频的 B 站评论区里，也有网友提到视频非常火，不仅有国外的 PJ Ace 想发 Offer，也有广州的 AI+ 创作团队向他伸出了橄榄枝。

对视频的好评也是毫不吝啬地表达，「这是预告片我会去电影院」、「一流的作品，色彩、构图、剧情都无可挑剔，除了时长稍短，放在任何一季爱死机里都不突兀。」、「几年前这要一个顶级团队花费几个月几百万做出来」……

和以前每月推荐几部电影一样，现在也有网友开始总结「本月四部不容错过的 AI 短片」。

除了那些被诟病为是 AI Slop 的内容，随着生成质量的提升，AI 视频开始成为主流的媒介是无法避免的趋势。

Google 此次曝光的 Gemini Omni 或许也是为了给下周即将举行的 Google I/O 大会造势，如果能在今年的大会上，看到 Gemini Omni 开放，新的 AI 视频生成下半场又将开启。

#欢迎关注爱范儿官方微信公众号：爱范儿（微信号：ifanr），更多精彩内容第一时间为您奉上。

我下了一个任务，agent 开启了 plan 模式，规划了 7 个步骤。

我批准了，它开始跑，跑了三个步骤，然后停下来汇报：「我已经完成了 1、2、3，结果有这些和哪些……请问是否继续 4、5、6、7？」

我说继续。它又跑了两步，然后又停了下来：「我已经完成了 4、5，结果有这些和哪些……请问是否继续 6、7？」

一个晚上下来，让 agent 干点长程的任务，并没有长程的效果，对话框来回来去的全都是「继续」。

很长时间以来，我在使用各种 Agent 完成工作，就是这样的体验。

这种体验很不合逻辑。虽然「停下来确认」是个与 AI 共事时的好工作习惯，但在很多任务当中我从来没主动要求它停，但它就是会停下来。

MiniMax 在最新的技术博客文章中，将 agent 产品的这种行为归因于「上下文焦虑」。核心在于，模型本身对于「超长任务啥时候才算做完」的判断是模糊的。说白了，不是不会做，而是不敢做，每完成一步都怕做错，所以才会干一半就停下来问。

今天，MiniMax Agent 桌面端完成了一次重大更新。新加入了一个名为 Mavis 的模式（其实它是「MiniMax as a Jarvis」的缩写）。

要知道让一个 agent 当老板，一组 agent 当员工——这种传统的多 agent 框架已经不是什么新鲜事了。但 MiniMax 指出，此前的主流多 agent 框架，其实本质上就是靠提示词编排来让模型玩「角色扮演」role play。但这种做法撑不了多久，就会遇到包括前面提到的上下文焦虑、长程任务退化、自检等难题。

多 Agent 系统，需要一套持续运行、持续维护，并且多个 agent 之间不会「媾和」的可靠基础设施。这就是 MiniMax 在做的事。

实测体验：让 agent 给对方「挑刺」

MiniMax 给它的 Agent Team 基础设施起的名字叫做 Team Engine，引擎下面挂着三类核心角色：Leader、Worker、Verifier。顾名思义，一类做管理，一类干活，一类验收。

最关键的差异在于，Worker 和 Verifier 之间是「对抗」的关系，谁也没法蒙混过关。

前段时间，APPSO 正好在研究一个课题：「所有对 Coding/Agent 有所抱负的模型厂商，都要做自己的独立 Coding/Agent 产品」。

（没错，MiniMax 在此之前是个反面案例，但没想到文章还没发出来，就已经证明自己了！）

于是我们又用这个课题再在 MiniMax 的 Agent Team 上跑了一次。

这个任务拆分出了 5 个 worker，每个 worker 完成任务后，都会整理结果交给 leader（显示状态「Mavis 发给 General」或者「General 发给 Mavis」等等。）

有一个 worker，运行了 12 分钟还没有返回结果。APPSO 注意到，这个 leader等不及了，于是发了一条 bash 命令检查其工作状态：

在 5 个 worker 都完成后，leader 又生成了 5 个 verifier——在任务列表中显示为带着「小黄帽」的 agent：

Verifier 很快就找到了错误！其中一个 verifier 发现了对应的 worker 交付成果中存在明确的数据错误，给出了「失败」的判罚。紧接着，与之对应的 worker 重新启动（显示为运行中，会有一个蓝色小圈的标识）。

点进对应的 worker 工作区观察一下它的思考过程：「verifier 拒绝了我之前的交付成果，基于以下三个错误……我需要返回去重新核查关键事实，并检查修正具体的数字问题……」

还别说，agent 跟 agent 之间「铁面无私」，工作起来真的可靠。

这样的来来回回，在五组 1v1 的 agent 对抗当中，总共发生了数十次。过程中，Mavis 还表示这次「学到了新东西」，并顺手更新了一下记忆。

上一个任务先跑着，我们再开启一个新的深度研究，基于权威口径数据分析五一假期的旅游市场，并交付一份多维度分析报告。

这个研究比刚才的任务更加复杂。而且因为要持续对抗，Agent Team 在深度研究上所花的时间，也远比一般的单 Agent 要长。

但最终呈现的报告，和其它 AI 深度研究交付的内容相比起来，确实干净不少，也更加可信。

最近 APPSO 筹备了很多场线下活动，做策划想方案一直是个难题。我们也把这个任务交给 Mavis 看看效果怎么样。

我需要策划一场在广州举办的 AI 开发者线下沙龙，请你尽可能全面的给我提供多个适合百人千人科技活动的场地及大概报价，以及抓取同类活动的信息，然后帮我策划这张 AI 活动的主题，宣传，运营整个全部的工作，帮我把这些都整理成一份严格的商业计划书格式，以及一个符合主题特色，设计精美的网页。

光是制定计划的时间，就比之前的深度研究任务要长。Mavis 回复「这个任务规模很大，需要多个 Agent 并行工作——场地调研、竞品抓取、主题策划、商业计划书、网页开发。」

Mavis 的过人之处，就在于我们还可以持续追加新的需求：

给我长报告的同时，最好还能给我起草一份初步的正式合同，和场地的合作、以及和邀请嘉宾的合作、等等可能涉及的合同，还有前期的财务表格，再给我一份用来汇报这套方案的 PPT，越详细越好。

Agent Team 收到新需求后，会进一步完善计划并启动更多的工作流，最后，我们启动了多达 9 个并行任务。

我们点开 Mavis 的思考过程，能看到里面有大量的 agent 之间互相发送的消息，这些 Agents 会在专门的 Team Engine 下工作，传递彼此的状态，有的在等待、有的在执行、有的在验证。

你看这个 Verifier，像不像吹毛求疵的「甲方」？

最终整个任务交付的文件数量达到了惊人的 10 多个，包括 xls、ppt、html 网页，以及对应的 .md 版本。

接下来再说一下这次 Mavis 的另一大特性：能连接到聊天平台，还支持多任务。

和 MiniMax 此前已经支持的 OpenClaw、Hermes Agent 类似，Mavis 本身也可以通过微信、飞书这两个 IM 管道来实现任务分配。接入流程也极度简化，只要点击设置按钮、扫码、命名，我们就能在微信/飞书里面使用 Mavis 了。

一般的 Agent 产品连接到 IM 当中里，我们给他安排一项需要长时间完成的任务，往往是消息发送之后，就不能再和他咨询别的问题。

一部分原因，在于这些 agent 时无法同时打开多个对话窗口；另一个原因则是 agent 工作模式的限制，在一个会话里运行多个任务，极易出现语境错乱的情况，导致上下文污染。

MiniMax 的解决方案，是把「秒回」和「执行」的逻辑解耦。

APPSO在飞书里让它研究一下最近石油涨价；任务开始之后，我又让它研究最近一个月硅谷 AI 巨头发布的重要产品。

Mavis 没有停止之前的任务，直接告诉我新任务已经完成了，而石油涨价的任务还在处理。

这正是 Mavis 的另一大设计理念：上下文隔离的好处。

每个 Agent Team，以及 team 里的每个 agent，都只看到跟自己任务相关的信息摘要，只有需要细节的时候才会去读全文。

这么做一来 token 成本受控，团队规模再大，上下文也不容易撑爆；二来防上下文污染，agent 在搜索中接触到的错误信息不会让全队阵亡。

在最极限的场景下，我们试过通过飞书在极短时间内给他分配 8 个任务，都没有发生语境错乱的情况。

整个体验，很像跟一个认知带宽极高的同事共事：不仅能秒回信息、同时后台干活也不会被打断。想了解一下进度，大可直接问，不用担心干扰它的「心流」。

处理不同会话的 Agent，只看到和自己任务相关的信息，不会共享一个不断膨胀的对话历史。

可以说，Mavis 实现了一个从 IM 渠道，到任务中枢，再到分子任务里的每个分子 agent——端到端的上下文隔离。

最后，它在解答 AI 大厂本月新发布和具身智能重要产品的同时，也顺利完成了石油任务这条主线程，给了我们一版详细的报告，里面甚至提到最近日本薯片包装要变成黑白的消息。

经过实测之后，你有没有发现，Mavis 这套编排策略，其实有点像此前火过一阵的「三省六部」skill？

每个角色做什么，何时启动、何时交接，将会由引擎层面的状态机来决定，而非模型的黑箱自己「拍脑门」说了算。

说白了，这就是在多 agent 工作编排当中，用工程层面的可控性、严密性、确定性，来根治模型的不可控、随机性。

这种思路，彻底解决了过去的 agent/模型「既当裁判又当选手」的经典问题。

额度统一，Agent 管够

实测 Mavis 之后，再说说 MiniMax 做的另一件同样重要的事情，影响所有的付费用户：这次，Token Plan 和 Agent Plan 合并了。

合并了之后，无论是普通用户的「日常使用」，比如官网上和 App 里对话和使用 Agent，还是接入官方 API 来调用其他工具（例如 coding 产品或 OpenClaw/Hermes Agent）——现在都可以使用统一的套餐额度了。并且，无论是 M2.7 以及后续的旗舰模型，还是音乐、视频、语音的多模态模型，全部包含在这一个套餐之下。

所有额度共享，怎么花用户可以自己说了算。MiniMax 还给出福利：此前同时订阅两个方案的用户，将会额外送一个月的会员。

为什么要做这件事？站在用户视角其实还是很合理的。

说白了，Agent 时代，用户付费动机来自于对「模型算力」的需求，而这些需求的场景随着模型在 coding、agent、多模态能力上的提升，只会变得愈发多元，会自然而然地发生在模型厂商的产品里（官网、独立产品、CLI）以及产品之外（接入外部 API 的独立部署的 agent）。

这其实也是各大 AI 巨头都在面对的问题：OpenAI 目前用户订阅和 API 计费还是分开的，Anthropic 同样；至于更小的 agent 创业公司，则是用自己的订阅费用去代替用户支付支付底层的 api 费用。

这一次，MiniMax 先一步把自己产品矩阵内部的墙拆掉了。而 APPSO 认为，在模型极度商品化、用户总是一窝蜂涌向最新、最便宜模型 API 的今天，这种统一套餐的策略，反而有助于为模型厂商维护用户忠诚度。

再回到产品本身。

如前所述，APPSO 正在写一篇关于「对 coding/agent 认真的模型厂商，必须要做自己的 coding/agent 产品」的文章。MiniMax 可以说是虽迟但到。

在今天，Mavis 也不是第一个押注多 agent 架构的产品。在过去半年里，ChatGPT、Manus、Genspark 等公司都参与到这场「多 agent」的战争当中。

而在实测跑完之后，APPSO 的感受是，Mavis 在「产品自己跑完一个极复杂/极长程任务」这件事上，做的比同行效果更好、架构也更稳定。当其它产品的多 agent 停留在提示词编排、拆任务上的时候，Mavis 做出了工程层面的对抗式硬约束——这带来的体感差异，足够明显。

不过，这套架构看起来美好，也有绕不开的现实：贵。

MiniMax 在技术博客中提出了多 agent 的「共识成本」(Cost of Consensus) 。用人话来说，几个 agent 彼此「制衡」，的确让工作过程和结果更靠谱，但取得共识的过程是有成本的，token 消耗数倍于单一 agent；而且就像吵架一样，吵急眼了也有可能偏离主题，准确率不升反降。

根据 MiniMax 梳理，其 Agent Team 架构具体来说有三类成本：

一是交接成本。信息在 agent 之间传递时需要重新组织，每次交接都要把信息「翻译」为下一个 agent 能用的形态，耗费 token；

二是共享（上下文信息的）成本。上下文隔离设计，一定程度上就是为了控制这一成本。但即便每个 agent 只看其他 agent 传递过来的「摘要」，随着 Agent Team 的量级扩大，存储和分发摘要都会带来成本。

三是聚合成本。其实这个道理，APPSO 一直很想跟大家讲：别以为那种成百上千个 skill、设计了极其复杂的「三省六部」制度的工作流就是卍解——很多时候并非如此，反而可能中了 token 厂商的计……你的确让工作变得更细致了，但你同时也需要花更多的 token去聚合和整理最终结果。

这些成本加起来，意味着多 agent 这件事从来不是「越多 agent 越好」的简单逻辑。

但换个角度看：信息交互越复杂的工作，往往本身价值就越高。一份需要多方核查、反复校验的深度研究报告，和一个随手问的问题，或许就不应该用同一套逻辑去衡量成本。Mavis 贵，贵在它认真，而认真处理的那些任务，本就值得这个价。

宁愿花更多成本去确保万无一失，也不愿意糊弄了事，这才是复杂任务背后的高价值用户所看重的。

当然，MiniMax 团队也做了一些工程设计去避免程序冗余带来的 token 浪费。

MiniMax 对用户的建议是：Agent Team 是为「贵且复杂」的任务准备的，是一个策略选项，而非默认选项。用户自行判断任务的复杂程度、链路长短、风险、经验复用的价值——这些越高，越值得用 Agent Team。反之，完全可以用单 agent，甚至普通的 chat。

多 Agent 一定多聪明吗？非也。但 Mavis 的意义，是让那些真正复杂、知识密集型的任务，不给模型自己拍脑门，而是交给一套经过验证的，有对抗、有核查、有权责划分和奖惩制度的工程系统。

它不一定让 AI 变得更聪明，但绝对会让 AI 更难偷懒——这也是大模型本身长期存在的老大难。

毕竟在真正的人际工作中，我们其实真的不需要同事多聪明……只是别偷懒，别耍小聪明，往往就够了，不是吗？

文｜杜晨、张子豪

#欢迎关注爱范儿官方微信公众号：爱范儿（微信号：ifanr），更多精彩内容第一时间为您奉上。

两个月前在圣何塞，黄仁勋穿着皮衣站在 GTC 的舞台上，告诉全世界：Token 是新的大宗商品，生成 Token 的成本与效率，决定科技企业的营收与生死。

昨天，李彦宏站在 Create 2026 的开幕式上，说了一句看似拆台的话：「Token 只是代表成本，并不代表收益。它衡量的是投入，而不是产出。」

然后他抛出了一个新概念，DAA，Daily Active Agents，日活智能体数。

卖铲子的人说，看铲子消耗量就知道金矿的繁荣程度。挖矿的人说，你倒是看看我挖出了多少金子。

他们都没说错。但同一座金矿，用不同方式去称量，得出的故事完全不同。

真正有意思的地方不在于谁对谁错，在于一个事实：AI 跑得太快了，快到这个行业连怎么给自己记账都还没想清楚。

DAA ：从「烧了多少」到「干了多少」

李彦宏的 DAA 逻辑并不复杂。移动互联网时代，衡量平台看 DAU，日活用户数。微信 13 亿，抖音 7 亿，Meta 34 亿。进入智能体时代，对应的指标应该是 DAA，有多少 Agent 每天在给人类干活，并交付结果。

「交付结果」四个字是重点。

Token 消耗量告诉你系统在转、算力在烧、钱在花。但它不告诉你这些 Token 到底干了什么。是帮创业者写了一份商业计划书，还是用户反复问「你好」然后 GPT-5.4 收了他 80 美元？这两种场景消耗的 Token 可能差不多，创造的价值天差地别。

李彦宏说，「这比无谓的 Token 消耗，更接近价值，也更接近本质。」

他还给了个大胆的预测：未来全球 DAA 可能超过 100 亿。一个人同时挂三五个 Agent 处理不同任务，你是一个 DAU，但贡献了三五个 DAA。

Agent 数量远超人口，技术上已经可以想象。

李彦宏自己也说这是一个「非共识的观点」。在所有人都在谈 Token 消耗量的行业里说 Token 不代表终局，是需要点勇气的。

当然，也需要点动机。

Token 经济学：一种极其性感的叙事

Token 经济学的性感之处在于，它有大量数据支撑。

截至今年 3 月，中国日均 Token 调用量超过 140 万亿，相比 2024 年初的 1000 亿增长了 1000 多倍。火山引擎豆包大模型日均 Token 使用量突破 120 万亿。OpenRouter 平台前十大模型的周 Token 调用量从 1.24 万亿暴增至近 14 万亿。

一条陡峭到让人眩晕的增长曲线，核心驱动力恰恰是 Agent。

过去 Chatbot 时代，单轮对话消耗 1000 到 3000 个 Token。Agent 来了之后，一个完整任务触发几十上百次模型调用，中等任务吃掉 10 万 Token，复杂任务上百万。

Agent 越多，Token 消耗越大，算力需求越高，芯片卖得越好。

这个闭环对英伟达来说无比优雅。2025 年全年营收 2159 亿美元，净利润 1170 亿美元。黄仁勋有充分的理由说：Token 就是新的石油。

企业也在用脚投票。阿里成立 Token Hub 事业群，吴泳铭亲自挂帅。58 同城姚劲波说 Token 用得越多越好，不计成本。昆仑万维发内部信强制 AI Coding，达不到要求的末尾淘汰。黄仁勋甚至预言「你的 offer 带多少 Token」会成为硅谷新的谈判筹码。

Token 消耗量作为指标，最大的好处是简单、可量化、跨平台可比。140 万亿就是 140 万亿，谁看都一样。

但过亿简单也可能会掩盖一些问题。一个只盯着食材消耗量的餐厅，未必是一家好餐厅。

共识大于分歧

把 Token 经济学和 DAA 放在一起看，你会发现它们的共识其实大于分歧。

这两个判断都基于 AI 正从对话阶段走向 Agent 阶段，而且都认为这是万亿级的产业重塑。

分歧在哪？在于谁的账本更能代表这个行业的健康程度。

Token 量的是投入侧：消耗了多少算力，工厂每瓦特产出多少 Token。这对芯片厂商和云厂商极其重要。

DAA 量的是产出侧：有多少 Agent 在运行，完成了多少任务。这对应用平台方极其重要。百度做的是 DuMate、秒哒、百度一镜，卖点全是「帮你把事做完」。只有用「结果交付」来记账，应用层的价值才浮得出水面。

屁股决定脑袋，但这不代表谁在说谎。每个玩家天然会推崇对自己最有利的记账方式。

有意思的是，腾讯也站到了应用侧。腾讯云副总裁杨晨说过：「我们认为 Token 不是一个多么健康的生意，它看着量很大但黏性极差。」腾讯的核心资产是微信生态和内容场景，它在乎的是 AI 能不能在自家场景跑起来。阿里的态度截然相反，吴泳铭断言未来 5 年 AI 和云业务收入将超 1000 亿美元。

同一个行业，同一批聪明人，看法完全不同。这本身就说明 AI 的迭代速度已经跑在了共识形成的前面。

Token 消耗量像 GDP，量总规模，不管建了一座桥还是挖了个坑再填上。DAA 像就业率，量的是有多少「劳动力」在创造价值。GDP 高但就业率低，那叫空转。就业率高但产出质量差，那叫虚胖。一个健康的经济体两个数字都要看。

但对普通用户来说坦率地讲，这两个指标都是术语。

用户只在乎一个朴素的问题：好不好用？帮我省了多少时间？花了我多少钱？

Token 经济学叙事下的 AI 产品，对用户其实不太友好。

你用打车软件，起步价多少、每公里多少、堵车怎么算，一清二楚。你用 AI Agent，到底消耗了多少 Token，是哪个模型在跑，Agent「反思」了几轮导致费用翻倍，很多普通用户还搞不明白。

DAA 至少提供了另一种视角：用户不该关心 Agent 烧了多少 Token，该关心它有没有帮你把事做完。前者是水表读数，后者是水龙头出不出水。

造词运动的背后

2024 年初中国日均 Token 调用量才 1000 亿。2026 年 3 月，140 万亿。1000 倍。这种速度下，任何已有的框架和认知都会瞬间过时。

于是，每个玩家只能从自己的位置出发，尝试给这团混沌画一个坐标。黄仁勋造了「Token 工厂」，李彦宏造了「DAA」，阿里造了「Token Hub」……

Token 衡量的是基础设施的繁荣程度，DAA 衡量的是应用价值的交付密度。两者更多是互补而非互斥。没有 Token 的生产和流转就没有 Agent 的运行，没有 Agent 交付结果 Token 消耗就只是空转。

对用户来说，最好的度量衡是那个你根本不需要知道的。你打开水龙头，水来了。你把活交给 Agent，事做完了。你看一眼账单，觉得合理。至于背后消耗了多少 Token、动用了多少 Agent、芯片是谁家的、云服务用的哪一层，留给黄仁勋和李彦宏去争论就好。

从 DAU 到 DAA，从「人在用产品」到「产品在帮人干活」，AI 时代的价值坐标正在被重建。

争论是好事。当一个行业只有一种记账方式的时候，所有人都会围绕同一个数字做优化，不管那个数字是否真的通向价值。

多一种衡量的维度，至少多一个纠偏的机会。

至于最后哪套度量衡能留下来，答案可能不在黄仁勋和李彦宏手里，在你手里。

你每天用 Agent 做了什么，做得好不好，愿不愿意继续付费。这些真实发生的选择，才是 AI 时代最诚实的投票。

#欢迎关注爱范儿官方微信公众号：爱范儿（微信号：ifanr），更多精彩内容第一时间为您奉上。

龙虾之父一个月消耗 6030 亿 Token，总花费金额高达九百万人民币。

移动联通电信，三大运营商都在推 Token 套餐，199 送千兆宽带还有 1 亿 Token，了解一下？

从硅谷到国内大厂，Tokenmaxxing 成为公司的主流，谁消耗 Token 多，谁就是 AI 时代的好员工。

00 后校友向母校捐赠 20 亿 Token，被网友调侃按 DeepSeek 5 元/亿 Token 计算，只要 100 元。

Token 在半年内完成了一次身份跃迁：从技术术语，到 KPI，到话费套餐，到捐赠货币。它成了 AI 时代的「度量衡」，唯一的问题是，没人说得清它到底在度量什么。

我们自己买 Token，用公司的 Token，部署了一堆 Agent，代码、论文、周报都是 Token 烧出来的。

而另一边是，大厂的员工由于 Token 消耗排行榜的原因，开始拿着公司的 Token 处理私事、玩游戏、开发数十个没什么用的子 Agent 来提升自己的排名。

「回报」这件事很难量化，但「使用量」可以量化。

于是所有人都选择了那个容易量化的东西。这不是 AI 时代的新问题，这是管理学的老病。

用 AI 消灭狗屁工作的公司，正在制造新型狗屁工作

亚马逊，那个裁员裁到大动脉，把自己的网站都变成 404 的小狗，最近又被爆出了新的「笑料」。

原本被寄予厚望、用来消灭「狗屁工作」的 AI，最终却沦为制造新型「狗屁工作」的源泉。

据《金融时报》报道，为了逼迫员工拥抱 AI，亚马逊搞出了一个极其复古的管理手段：「Token 消耗排行榜」，追踪每个员工的用量。

公司强制要求超过 80% 的开发者每周必须完成 AI 使用指标，甚至将消耗 Token 的数量作为考核标准。

打工人的反应也很直接，既然公司用这种指标来考核，大家干脆用魔法打败魔法，开启了「Tokenmaxxing（最大化消耗 Token）」战术。

刚好亚马逊内部上线了一个叫 MeshClaw 的 AI Agent，它能发起代码部署、整理邮件、操控 Slack。公司内部备忘录里描述它是：「它在夜间做梦来整合白天所学，在你开会时监控你的部署，在你醒来前替你分类邮件。」

于是 MeshClaw 就成了一个刷排行榜的工具。开发者开始用它来规划旅行、处理私人邮件、让 AI 分析产品经理在 Slack 上说的蠢话。

在职场匿名社区 Team Blind（一个面向 Google 和苹果等公司认证员工的留言板）上，一位亚马逊员工的发言被疯狂点赞。

我疯狂燃烧 Token，就是为了骂我的产品经理。每当他在 Slack 里说屁话，我就把聊天记录扔给 AI，启动 10 个子智能体去全方位深度分析并吐槽他。这绝对是 GPU 算力的完美用途。

亚马逊在回复《金融时报》时提到，MeshClaw「每天帮助数千名员工自动化重复性工作」，公司「致力于负责任地部署生成式 AI」。同时，公司表示 Token 统计数据不会用于绩效评估。

但员工的说法是：「经理在看这个数据。当他们追踪用量时，就会制造扭曲的激励，有些人在这上面很有竞争心。」

公司说不算 KPI，但经理偷偷在看。这和大厂说「年终奖与 996 无关」是同一个套路。

不只是亚马逊，Meta 员工也在做同样的事。

早在四月份，The Information 就曾报道，Meta 公司的一名员工利用内部数据，在公司内网创建了一个仪表盘，让同事们可以竞争成为公司排名第一的 AI Token 用户。

这份排行榜汇总了超过 85000 名 Meta 员工的人工智能使用情况，并列出了排名前 250 位的超级用户，其中扎克伯格没能进入前 250 名。

而这份排行榜在两天后就下架了，Meta 在回应媒体查询时发声明，「该员工自行决定撤下仪表盘；Meta 并未要求采取此行动。」

当你笑完这份排行榜的不合理之处，转念一想就会发现，这其实是大多数公司的现状。还没想好 AI 怎么发挥作用，但是就先裁员了；还没想好 Token 怎么用，就匆忙把它作为生产力的衡量工具。

一个月 6000 亿 Token 烧出了什么

Token 消耗排行榜的荒诞还没消化完，更魔幻的事又来了。

三位 00 后校友向母校郑州西亚斯学院捐赠 20 亿 Token，网友按 DeepSeek 的价格算了算，说这就值 100 块。

后来有媒体澄清，这 20 亿 Token 不只是 API 调用量，还包括生成工具使用权和平台积分。但「捐 Token」这件事本身已经够魔幻了。

三位校友说自己实力还不够捐教学楼，所以捐 Token。这个时代的慈善逻辑也在刷新：捐不起楼，捐算力。

Token 存在的价值在刷新，Token 的使用边界也在刷新。

GitHub 前 CEO、现任 Meta 超级智能实验室 CEO Nat Friedman，在一场公开活动上讲了个故事。某天，他的 OpenClaw 判断他喝水不够，他随手给了指令：「不惜一切代价确保我补充足够的水分。」

OpenClaw 很快行动了。它指示他去厨房喝一瓶水，顺带告诉他，正在通过家里的摄像头监控他是否真的去喝了。他照做之后，OpenClaw 发来一张他喝水的截图，附言：「干得好。」

原本只是手机设置一个提醒每日喝水，但现在是 Token 疯狂地燃烧，调用摄像头来为「提醒你喝一杯水」服务。

而当 Token 的消耗不再重要，不需要考虑 Token 的价值和使用边界，我们又会拿他来做点什么。

OpenClaw 最近有意思的事，还得是龙虾之父 Peter Steinberger 周六在 X 的分享，他发了一张 CodexBar 的截图，配文「CodexBar 最新更新让 API 费用显示得更加友好。」

但很快有网友发现这张截图了不起，三十天用了 6030 亿 Token，累计消耗的金额更是达到了 130万美元，约合人民币 930 万。

评论下面都是各种质疑，交付了多少代码，消耗的 Token 和最终能用的代码之间比例是多少？到目前为止，你做出了什么有用的东西吗？要不是入职 OpenAI，Codex 这 Token 能让你这么消耗吗？

兄弟，你最好拿出点儿价值百万美元的工程师都做不到的东西，不然这可能就是前沿实验室泡沫破裂的开端了。而且这还是补贴价格，我的天。如果是实际成本，价格肯定更高。

龙虾之父在评论区回复了这些声音，他提到如果关掉 Fast Mode，成本就能降 70%。而且，自从 OpenClaw 被 OpenAI 买走之后，负责该项目就只剩下三个成员，他们在 Codex 上运行了 100 个实例。

这些实例会自动处理软件开发流程中的各种问题，像是代码的提交、Bug 修复、功能的更新等。

但是光看 OpenClaw 的更新，真的需要 130 万美元来支撑吗？他又提到自己在做一些除了 OpenClaw 之外的创业项目，以及他是在探索一个问题：如果 Token 成本不重要，软件会怎样被构建。

这个好问题。但 130 万美元花下去之后，他也还没有得到答案。

这可能是 2026 年最贵的一个问号。

即便是有无比丰沛算力的人，现在似乎也不知道这些 Token 可以用来做什么。

大厂高管们看着财报上巨额的 GPU 采购费，迫切需要向董事会证明这笔钱没白花。既然「重构真实业务流」太难、太慢、太需要魄力，那就退而求其次，去考核「Token 的消耗量」。

员工们甚至一开始就没被问过「你觉得 Token 该怎么用」，他们被问的是「你这周用了多少」。

当一个工具的考核标准是「消耗量」而不是「产出」，它就不再是工具了。它是燃料，唯一的使命就是被烧掉。至于烧完之后驱动了什么，没人真的在意。

因为一旦认真追问，很多人会发现，自己烧掉的那些 Token，和年初裁掉的那些人一样，都没换回任何东西。

我们正在经历的，是一场所有人都假装看懂了规则的游戏。公司假装知道怎么用，员工假装在认真用，投资人假装看到了回报。

唯一真实的，只有不断超支的账单。

Token 终究会找到它真正的用途，成为真的「新质生产力」。但那一天到来之前，我们在烧掉动辄上亿的 Token 之前，可以问问自己真的有必要吗

#欢迎关注爱范儿官方微信公众号：爱范儿（微信号：ifanr），更多精彩内容第一时间为您奉上。