1/12 Midjourney Medical 把生成影像公司推向物理扫描和医疗数据采集
Midjourney 在 Medical Scanner 相关讨论中强调，当前 scan gallery 并不是用 AI 生成，而是“purely based off physics”。这延续了昨天 Midjourney Medical 的方向：公司不只是在做图像/视频生成模型，而是在探索全身内部 3D 扫描、医学可视化和硬件采集入口。它的重要性不在于今天已经替代 MRI，而在于 AI-native media 公司开始向传感器、人体数据、医疗 UI、临床解释和监管路径外延。生成模型公司的竞争边界，可能从内容生成扩展到真实世界数据捕获和专业领域硬件。
2/12 OpenAI 用 o3 Deep Research 重查 376 个罕见病病例并找到 18 个诊断
Greg Brockman 转发 OpenAI rare-disease 工作，称 o3 Deep Research 帮助 families facing rare genetic diseases，并强调该工作使用的是“一年多前”的 o3。OpenAI 相关线程描述，研究者重新分析 376 个已做过基因检测和专家审查但仍未解决的儿科罕见病病例，并找到 18 个诊断。这个案例的重点不是让模型单独诊断，而是把临床特征、遗传模式、变异证据和医学文献组织成可供专家复核的假设。长推理模型的近期医疗价值，更像是疑难病例重分析和证据连接工具。
3/12 Anthropic Claude Code 数据显示，管理者可能最擅长用 coding agent
Ethan Mollick 转发 Anthropic report，称早期证据显示 managers 使用 Claude Code 完成 coding tasks 的成功率最高。他把原因归结为 management 是 AI superpower：能清楚说明目标、执行方式和验收标准的人，更容易让 agent 产出可用代码。这条信息对企业落地很关键，因为 coding agent 的效果不只取决于模型分数，也取决于任务拆解、约束表达、环境配置和 review 能力。短期内最强的 agent operator 可能不是写最多代码的人，而是最能定义任务和判断结果的人。
4/12 Andrew Ng 批评 Anthropic 与美国出口控制，让 AI 主权和开源替代升温
Andrew Ng 在长文中把 Anthropic 对 Fable 5 / Mythos 使用限制和美国政府对模型出口的干预放在一起，认为这让企业和国家更清楚地看到：私有 frontier model access 可以被供应商或政府快速改变。他认为 Anthropic 用 safety 理由限制开发者构建竞争模型，会削弱平台稳定性；美国政府随后用 Commerce Department 权限限制 Mythos/Fable，也会刺激盟友和其他国家加速寻找不可被中断的 AI access。这条讨论把开放权重、AI sovereignty 和多供应商策略从理念争论推进到供应链风险管理。
5/12 Databricks Lakehouse//RT 把 millisecond data serving 放进 lakehouse
Databricks 发布 Lakehouse//RT，定位为面向 operational analytics、BI、app serving 和 observability 的 real-time data warehouse，由新引擎 Reyden 支撑高并发下的毫秒级响应。同日 Databricks 还总结了 Genie 和 AI experiences 的安全能力，包括 Automated Identity Management、Context-Based Ingress、Inbound Private Link 和更多合规覆盖。对企业 agent 来说，重点不是单个模型，而是实时数据、语义层、权限、网络隔离、审计和 AI 应用能否在同一个治理平面运行。
6/12 Together 用 MiniMax-M3 把长上下文、多模态和工具输出推向 agent serving
Together AI 介绍 MiniMax-M3 serving，强调 agent 需要把 long histories、images、video、documents 和 tool outputs 一起放进上下文。Together 的 inference 工作重点是提高 serving path 的 token throughput，让同样 GPU 可以承载更多上下文和更多自动化任务。这条更新说明开放/第三方模型竞争正在从“模型能不能跑”转向“agent loop 的单位成本和吞吐量”。长上下文、多模态 payload、工具调用输出、延迟和每个完成任务的成本，会直接决定 agent 平台能否进入生产。
7/12 GPT Image 2 进入 Together AI，图像生成继续平台化
Together AI 宣布 OpenAI GPT Image 2 已可通过 Together Serverless Inference 使用，面向 layout control、readable text 和 reference-guided generation。线程列出 95%+ multilingual text rendering accuracy、最多 16 张 reference images、原生 1K/2K/4K 输出，并把场景指向设计、营销、电商和编辑工作流。这不是单纯模型 API 上线，而是图像生成从单个消费入口进入多模型 inference platform，让团队可以把图像生成和编辑嵌入自己的多模态应用和生产管线。
8/12 Cerebras 把 AI privacy 叙事推进到 fully homomorphic encryption
Cerebras 发布与 Prof. Ajay Joshi 的访谈片段，指出今天 LLM 请求在服务器端解密，模型会看到明文数据；fully homomorphic encryption 的目标是在不解密数据的情况下完成计算。Cerebras 强调 FHE 是极端 memory-bound workload，而 wafer-scale 正是为这类瓶颈设计。虽然这仍是前沿基础设施问题，但它抓住了企业 AI 的核心矛盾：组织希望模型处理敏感数据，又不希望服务端看到明文。隐私计算、硬件架构和模型服务会越来越紧密地绑定。
9/12 Cerebras early access Gemma 4，把 multimodal model 与硬件生态绑定
Cerebras 宣布 Gemma 4 model 在 Cerebras 上开放 early access，并举办 24 小时 hackathon，获胜项目会由 Google DeepMind 和 Cerebras featured。NVIDIAAI 同日转发社区在 DGX Spark 上并行运行 Gemma-4-26B-A4B-NVFP4 的结果，显示单机统一内存环境可以承载多路量化模型推理。两条信息放在一起看，Gemma 4 相关生态正在围绕硬件可达性、推理吞吐、开发者活动和多模态应用快速扩散，模型发布越来越依赖算力平台共同放大。
10/12 Luma Timeline 与 Runway 广告 demo 把 AI video 拉进真实制作管线
Luma 发布 Timeline 工作流，强调用户可以在同一 canvas 中组织 footage、保持 full-resolution files、不用 proxy 或降级，并通过 EDL Export 把项目送进 finishing suite。Runway 同日展示一个由单人一天内完成的 global ad campaign demo。两条视频工具信息都指向同一趋势：AI video 的竞争不只是生成一段漂亮片段，而是能否进入剪辑、版本管理、素材保真、广告制作和后期交付流程。创意工具正在从 prompt demo 走向生产管线。
11/12 AI 教育研究再次提醒：替学生省 mental effort 会伤害学习
Ethan Mollick 转发一项中国大规模研究，称当学生因为使用 AI 而减少 homework time，test scores 也随之下降。他把这与其他研究放在一起，认为 AI tutoring 支持课堂学习是好方向，但把通用 chatbot 当作“帮忙做作业”的 assistant 会削弱 mental effort。这个判断对教育产品和学校政策都很实际：AI 的价值不在于直接给答案，而在于设计成要求学生解释、练习、犯错和反思的 tutor。学习效果的关键变量不是是否使用 AI，而是 AI 是否替代了必要的思考。
12/12 OpenAI enterprise spend controls 与模型选择讨论，把 agent 成本治理推到前台
Greg Brockman 发布 OpenAI enterprise credit usage analytics 和 updated spend controls，称功能已进入 global admin console。同日 Ethan Mollick 提醒企业可能低估了 higher intelligence 在任务中的价值，建议构建能灵活测试更强模型的架构；Harrison Chase 也讨论在 model-agnostic harness 中尝试 GLM-5.2。几条信息共同指向一个生产问题：企业不会只问“哪个模型最便宜”，而是要同时管理预算、权限、模型替换、任务质量和更强模型是否能带来更高完成率。
Deep Dive 附录
Midjourney Medical Scanner
Midjourney Medical 是今天最值得关注的边界扩张信号：一家生成影像公司开始把注意力放到物理扫描、医学数据采集和人体内部 3D 可视化上。Midjourney 在推文回复中强调 scan gallery 不是 AI 生成，而是基于物理过程。这意味着它的方向不是简单把文生图模型换到医疗 prompt，而是探索硬件、传感器、成像系统、可视化交互和后续 AI 分析之间的组合。如果这个方向继续推进，竞争会从模型生成质量延伸到数据采集入口、专业工作流和监管可信度。 查看原文
OpenAI o3 Deep Research rare-disease reanalysis
OpenAI rare-disease 工作展示了长推理模型在医学中的一个现实用法：帮助专家重新分析已经经过基因检测和人工审查、但仍未解决的疑难病例。推文提到 376 个儿科罕见病病例和 18 个额外诊断。关键不是模型直接替代医生，而是把临床表型、遗传证据、变异解释和文献线索组织起来，让专家更快审查可能诊断。这个模式适合 backlog-heavy 的高复杂度场景：病例少、知识分散、需要跨论文和数据库连接证据。 查看原文
Claude Code expertise and the management advantage
Anthropic Claude Code expertise 相关讨论指出，管理者在 coding agent 任务上可能有最高成功率。一个合理解释是：coding agent 需要的不只是“会写代码”，还需要用户清楚定义目标、拆分任务、说明约束、提供验收标准并快速 review。这个结果对企业采用 agent 很重要，因为它暗示组织能力会影响模型产出。真正的生产力提升来自模型、工具环境、任务管理和审查机制的组合；能把业务意图翻译成可执行规格的人，会成为 agent 工作流里的关键节点。 查看原文
Databricks Lakehouse//RT
Databricks Lakehouse//RT 将 real-time data warehouse 放进 lakehouse 叙事，目标是支持 operational analytics、BI、app serving 和 observability 等需要低延迟和高并发的场景。配套安全更新则把 Genie 和 AI experiences 的身份、网络、合规和云环境覆盖往前推进。对 AI agent 平台来说，这类基础设施非常关键：agent 只有在能访问新鲜数据、遵守权限、理解语义层并留下审计记录时，才可能进入企业生产系统。 查看原文
Serving MiniMax-M3 for efficient inference
Together 的 MiniMax-M3 deep dive 把重点放在 agent serving economics 上。长周期 agent 往往需要携带历史、图片、视频、文档和工具输出，如果 serving stack 不能高效处理这些上下文，模型能力会被成本和延迟吞掉。Together 强调提高 token throughput，让更多 work automated per dollar。这个方向说明模型平台竞争正在进入更工程化的阶段：context length、吞吐、memory pressure、延迟、工具输出和多模态 payload 都会成为 agent 生产可用性的核心指标。 查看原文
GPT Image 2 on Together AI
GPT Image 2 在 Together AI 上线，意味着 OpenAI 的图像生成/编辑能力可以通过第三方 serverless inference 平台进入应用开发栈。Together 提到多语言文字渲染、最多 16 张参考图、1K/2K/4K 原生输出和面向设计、营销、电商、编辑的场景。这类发布的意义是分发与集成：图像模型不只在原生产品中被使用，也会作为企业多模态应用、品牌生产流程和内容自动化管线中的一个可替换服务。 查看原文