阅读研究雷达投资体系
登录 / 注册
全部阅读技术产品投资二级市场其他

阅读

2026-10-29198 篇

刷新

NYU金融教授Damodaran估值Anthropic:1.475万亿美元,低于IPO定价区间

专题 · Anthropic实质变化
2026-10-29 02:04

Damodaran给出的Anthropic股权估值是1.475万亿美元——恰好落在IPO定价区间1.5至2万亿美元的下方。这个数字本身不是结论,结论是他用来推导它的四个假设,以及他反复强调的一句话:这些代表他的故事,而你的投资决策必须来自你自己的故事和估值,不是他的。

2026年10月26日,Anthropic向美国证券交易委员会提交了S-1招股书。Damodaran在两天后完成了估值。他的起点不是定价倍数,而是一个根本判断:招股书是一份扎根于过去的文件,企业的价值在于你对未来的预期。他把自己的估值拆成四条故事线——营收增长、盈利能力、再投资需求和风险——每条线都给出他的选择,同时为读者留出修改空间。

在营收线上,Damodaran注意到Anthropic 2026年前两个季度收入约为2025年前两个季度的十四倍,但第三季度增速明显放缓,原因是OpenAI抢占市场份额、算力容量成为瓶颈、部分企业转向更便宜的开源模型。他的判断是:AI产品与服务的终端市场规模可能达到5万亿美元以上,Anthropic瞄准的是高端部分,且看起来是该细分市场的领导者。基于此,他假设Anthropic到2036年营收可接近1万亿美元。他同时指出,目前全球没有一家公司营收超过1万亿美元,亚马逊和沃尔玛大约在7000至7500亿美元。

盈利线方面,Anthropic报告了800亿美元的上半年亏损,但其中720亿美元是非现金的转换债券期权费用化,修正后实际运营亏损超过80亿美元。好消息是趋势线在改善:公司声称最近一个季度实现了运营利润,且各项费用占收入比例持续下降,算力成本从超过收入的250%降至48%。Damodaran假设Anthropic最终营收组合为75%来自高端产品、25%来自大众市场,对应未调整税前运营利润率32.5%,再扣除监管影响5个百分点,得到27.5%的目标利润率。

再投资线涉及Anthropic超过6000亿美元的算力承诺。Damodaran指出这些投入目前既不出现在现金流量表的资本支出中,也不出现在资产负债表的债务和投资资本中,但公司并未隐瞒——招股书明确列出了未来数百亿美元的算力合同。他的假设是每3美元新增收入需要投入1美元资本,这与当前科技公司每美元投资资本产生的收入水平一致,但考虑到Anthropic预期收入跃升的幅度,这意味着每年巨大的美元再投资额。芯片成本可能下降,但新模型对算力的需求可能同步增长,数据中心还面临社区反对推高成本。

风险线被分为三层。运营风险方面,他估计资本成本为9.74%,高于2026年9月美国公司9.16%的中位数,但低于第三四分位数的9.88%。融资风险方面,他承认BB+的债券评级和数百亿美元的合同承诺构成违约风险,但认为1140亿美元的现金余额加上预计1000亿美元的IPO募集资金,以及作为高市值上市公司获得资本的能力,将抑制失败概率。他估计10%的失败概率,失败时损失一半价值。监管风险方面,他认为影响温和,已将利润率从32.5%下调至27.5%。

四个故事线合在一起,得出1.475万亿美元的股权价值。但Damodaran特意展示了范围:最差情景——目标营收仅2000亿美元、利润率收敛于大众市场的10%、算力持续稀缺昂贵(每美元资本仅产生1美元收入)、资本成本升至9.88%、监管影响剧烈——股权价值为负3730亿美元,公司无法作为持续经营实体存活。最好情景——营收达1.5万亿美元、利润率40%、算力变便宜(每美元资本产生4美元收入)、资本成本降至7.79%、无监管影响——股权价值4.04万亿美元。

Damodaran建议读者用他所谓的3P检验来评估自己的故事:是否可能?是否合理?是否大概率?他认为最好和最差情景都可能发生但不太可能,投资者应该基于自己的判断做决定。他明确表示自己会100%犯错,这不是谦虚而是方法论声明:估值本质上是对未来假设的翻译,不同人应该得出不同数字。

公司治理方面,Damodaran的措辞罕见地尖锐。Anthropic发行了五类不同投票权的股票,创始人通过一个福利信托控制50.1%的投票权,无论未来发行多少股份都不会稀释。公司同时注册为公共利益公司,招股书明确写道可以做出损害股东财务回报的决策以平衡更广泛的利益。Damodaran认为这比Alphabet和Meta的双重股权结构更进一步,公共利益公司结构加上五类投票权设计,等于给了管理层用股东资金做任何事的法律许可。

在交易策略上,Damodaran说他会等待IPO定价结果。如果定价远高于他的1.48万亿美元估值,他会袖手旁观。他不卖空,理由是虽然对自己的估值有信心,但没有理由相信市场会或应该同意他,即使市场犯了错误,也不一定会在他的时间框架内纠正。他举了Facebook的例子:2012年6月IPO时他判断36美元高估,三个月后股价跌到18美元时他成了买家。他认为Anthropic的治理结构要求更大的折扣,但市场可能也会提供这个折扣。

信息源:youtube.com

研究

CrowdStrike提出"护栏漏洞发现法":AI模型的拒绝本身就是定位缺陷的信号

专题 · 护栏漏洞发现法实质变化
2026-10-28 13:00

美国网络安全公司CrowdStrike的研究员Jonathan Bar Or和D'Angelo Gonzalez在测试tinyhttp这个C语言HTTP服务器时,要求一个前沿AI模型逐一解释代码库中的每个函数。模型对几乎所有函数都给出了详细准确的解释,唯独拒绝解释其中一个。他们只是问了"这段代码做什么",并未涉及安全、漏洞或攻击。但代码中有一个字符发生了变化:chunk大小计算里的max被换成了min,一个单字符的逻辑反转,足以制造越界写入。模型没有说"这里有漏洞",但它的拒绝行为精确指向了漏洞所在。

CrowdStrike将这一观察发展为一种方法论,称为"护栏漏洞发现法"(GbVD)。其核心逻辑是:前沿AI实验室构建安全护栏,目的是阻止模型输出有害内容,而护栏要拦截危险,就必须先识别出危险模式。这个识别过程本身是一个可被外部读取的信号。行业通常把模型的拒绝当作死胡同;CrowdStrike的研究者则开始把拒绝当作发现。

具体操作方式是二分法:将代码库或文件系统分成两半,分别要求模型解释每一半,递归进入触发护栏的那一半,直到定位到最小单元。模型从不需要主动判断"这段代码有漏洞",它只需要在正确的位置表现出不同的行为。实验协议要求先对干净代码跑一遍基线,确认护栏不会在良性代码上误触发,然后引入一个真实漏洞,用完全相同的提示词重新运行,唯一的变量是代码本身。

在五个漏洞类别的受控测试中,该方法在86个场景中正确定位了73个。两个案例研究分别展示了C语言缓冲区溢出(tinyhttp项目中将max替换为min导致越界写入)和Linux权限提升配置错误(SUID-root二进制文件)的检测结果。在第二个案例中,护栏并非以明确拒绝的形式出现,而是在模型推理链中途中断了分析——这属于他们识别的另一种信号通道。

CrowdStrike进一步指出,拒绝只是护栏泄露的多种可观测形式之一。模型降级(将敏感请求路由到更保守的小模型)、输出过滤与截断、推理中断等同样会扰动响应的时间、长度、token消耗或结构,均可被测量。他们的结论是:模型本身重要,但真正决定结果的是读取模型行为的外围框架。一个原始的LLM拒绝看起来像死胡同,但被一个将其视为诊断数据的框架捕获后,它就变成了一个成本极低、可以嵌入二分循环的二值漏洞预言机。随着攻击者效率随模型能力提升而增长,防御者不能只按AI被设计的方式使用AI。将模型的局限性转化为信号,是一种值得构建的不对称优势。

需要指出的证据边界:73/86是CrowdStrike自报的第一方基准结果,未公开所用模型的具体名称和版本,未给出按漏洞类别的分解或误报与漏报比例,也未提供独立复现。作为安全厂商,CrowdStrike有推广其检测能力的商业利益。该方法论的逻辑推理——安全分类器的被动识别可被外部测量——在概念上具有可迁移性,但其实际检测率和适用条件仍待第三方验证。

信息源:CrowdStrike.com

研究

印度本土券商开放美股交易,散户资金涌入辉达等科技股

专题 · 印度散户美股热实质变化
2026-10-28 14:40

印度多家线上交易平台近期陆续向散户开放美国股票交易功能,改变了过往仅能通过国际银行或财富管理机构接触美股的局面。市占率超过29%的领航平台Groww已率先推出该服务,提供逾1万档美股、ETF及零股交易,早期用户最青睐的投资标的包括辉达(Nvidia)、SpaceX、苹果(Apple)等科技巨头。

这一趋势主要由三大因素驱动:印度本土基准指数Nifty 50今年累计下跌近13%,而同期美国标普500上涨超12%;印度市场缺乏大型AI领头企业;以及卢比兑美元走弱促使投资者寻求外币资产分散风险。数据显示,自今年1月以来,外资已从印度股市撤出创纪录的325亿美元,而印度居民8月汇出海外用于股债投资的金额同比激增111%。

随着散户参与度显著提升,相关监管风险浮出水面。Kotak Mahindra Asset Management Singapore首席执行官Nitin Jain提醒,若大量一般投资人涌入美股市场,印度监管机构可能重新评估是否维持目前的政策开放程度。

信息源:TechNews 科技新報

研究

Pydantic工程师Michael Pfaffenberger:代码模式在长任务上砍半成本,5条记录时反而更贵

专题 · 代码模式智能体成本效率实质变化
2026-10-28 17:00

AI Agent开发者中流行一种说法:与其让模型逐个调用工具,不如让它写一段程序把工具调用包在循环里,这样一切都会更便宜、更快、更准确。Pydantic工程师Michael Pfaffenberger相信这个方向,但他注意到几乎所有支持这一论点的数字都来自拥有数百个工具或巨大载荷的复杂Agent场景。现实中的许多Agent其实很朴素:几个增删改查工具,一个具体任务。于是他设计了一个刻意简单的基准测试来验证这个论点到底在什么条件下成立。

测试覆盖五个小型Pydantic AI应用——购物车、日历、聊天室、看板板和库存系统——每个只有单条记录的CRUD工具,分页列表,没有shell、文件系统或批量接口。三种工作负载:50个日常短任务(平均13次工具调用)、12个长程多步任务(60到500条记录,平均68次调用)、以及一个可以从5条缩放到200条记录的重复规则任务。8个模型,代码模式开和关各跑一遍,共5276次评分运行,由确定性预言机判定对错,不用LLM当裁判。

结果的核心发现是:任务越长,代码模式的优势越大。在长程任务上,8个模型平均成本降低58%,耗时降低51%,成功率提高16个百分点。在200条记录的规模上,代码模式比标准工具调用便宜47%到75%。但在5条记录时,代码模式在五个任务中的三个上反而贵了21%到38%。交叉点大约在20到50条记录之间。

Pfaffenberger对机制的解释推翻了一个常见假设。通常的说法是:每次工具调用都多一轮模型请求,代码模式通过减少轮次来省钱。但测试发现现代模型已经在大量并行调用——在200条记录的规模上,claude-haiku-5-5把全部200次调用塞进了一个响应。代码模式开启后,模型请求数平均只下降了1%到22%,远没有宣传的那么戏剧性。真正被削减的是每次请求中累积的内容:模型写出的调用指令和读回的工具结果。在标准工具调用中,205次调用的结果全部进入上下文,gpt-6.1-sol最终读了183723个输入token;在代码模式中,模型只写了5段程序,读了34461个token。输出token下降66%,输入token下降53%。

代码模式的成本结构因此很清晰:它收取一笔固定费用——每次请求附带约2600字符的沙箱使用指南——然后按任务规模获得递减的边际成本。标准工具调用没有固定费用,但每条记录都让模型多写一次调用、多读一次结果。在单次编辑上固定费用占优;在几百条记录上逐条费用占优。Pfaffenberger写道:模型更擅长写循环,而不是充当循环本身,而且这个差距随任务长度增长。

正确性的变化同样值得关注。没有代码模式时,成功率从5条记录的92%到100%滑落到200条记录的62%到79%;有代码模式时,200条记录仍保持92%到100%。最弱的模型gpt-6-luna在200条记录上,没有代码模式时15次运行全部失败,7次根本没做任何修改,只是解释了为什么做不到;有代码模式时它对了8次。这不是崩溃或超时,而是模型面对200次调用时选择了放弃。在长程任务中,16/24次无代码模式运行失败,有代码模式时只有1/24失败。

但Pfaffenberger也诚实地列出了代码模式付出代价的地方。小模型写的代码有bug,每次失败就多一轮往返;有些模型会把数据打印回对话,抵消了token节省;一个中途失败的代码片段重跑时可能重复写入,gpt-6-luna在长程任务中三次因此创建了重复记录。在调试方面,失败的程序把中间值藏在沙箱里,开发者需要读代码而不是读JSON。

这套测试运行在Pydantic自己的Monty沙箱中——一个用Rust编写的Python解释器,默认无宿主文件访问、无网络、30秒执行时限、256MiB堆内存上限。Pfaffenberger强调沙箱设计与模型能力同等重要:生成的代码只能触达你交给它的工具,工具本身仍需要自己的验证和授权。

作为第一方厂商基准测试,这些数据尚未经过独立复现。测试环境是内存中的应用状态,不涉及真实网络延迟、并发负载或生产级故障恢复。但Pfaffenberger对机制的解释——代码模式削减的不是请求轮次而是每次请求中累积的上下文——是一个可以独立检验的结构性论点,对所有考虑在Agent中引入代码执行能力的开发者有实际参考价值。

信息源:pydantic.dev

研究

Cost Plus Drugs创始人Mark Cuban:AI如何破解医疗合同黑箱与信任危机

快讯
2026-10-28 18:00

美国风险投资公司Andreessen Horowitz(a16z)于2026年10月28日发布了一期聚焦医疗成本与人工智能应用的播客节目。本期嘉宾为Cost Plus Drugs联合创始人Mark Cuban,由a16z普通合伙人Julie Yoo和Erik Torenberg共同主持。

根据官方节目简介,Cuban认为AI虽然能改变医疗行业,但无法单凭技术解决价格不透明和激励机制失效的问题。他向雇主提出了一个具体的行动建议:使用AI工具全面审查员工福利合同,以找出其中可能存在的不合理收费环节。

此外,节目还探讨了Cuban在构建Cost Plus Drugs过程中的经验,特别是为何他将“信任”视为该公司的核心产品,以及提高透明度如何对不断上涨的医疗成本形成压力。讨论内容也涵盖了个性化医疗的未来形态、医生角色的潜在变化,以及创业者应如何利用AI辅助学习而非停止独立思考等话题。

信息源:a16z.simplecast.com

研究

AI采购初创公司Fragment获8VC领投5600万美元A轮融资,聚焦直接采购异常处理

专题 · Fragment快讯
2026-10-28 21:00

旧金山AI初创公司Fragment于2026年10月28日宣布结束隐身状态,并完成了由8VC领投的5600万美元A轮融资。此前,General Catalyst和A*共同领投了其种子轮。天使投资人包括Roelof Botha、Nikesh Arora、Jeff Wilke等。

Fragment专注于“直接采购”领域的异常处理。据Tech Funding News报道,全球制造商常面临订单变更、发票错误等采购异常,约20%的交易性采购工作仍依赖人工。Fragment开发了自主上下文引擎(ACE),从现有系统中整合数据,利用AI代理审查异常并执行批准的解决方案,无需数据迁移或冗长的集成项目。

该公司称,平均客户在最初几周内看到500万至1000万美元的成本影响减少,异常数量减少约50%,超过90%的异常无需人工干预即可解决。这些为厂商自报数据。Fragment目前披露的客户包括Graybar和CNX。

Fragment采用基于代理工作量而非用户席位的收费模式。这一模式存在内在矛盾:如果代理有效减少了异常,Fragment必须扩展到新的工作流程才能持续增长。此外,让AI代理直接决定并执行付款解决方案涉及信任问题,目前仅两家客户公开确认使用。

该领域竞争激烈。Zip在2024年10月完成1.9亿美元D轮融资,估值22亿美元;Levelpath在2025年6月筹集超过5500万美元;Pactum同期筹集5400万美元用于供应商谈判代理;Didero在2026年2月完成3000万美元A轮融资;Freehand在2026年7月完成7500万美元融资,声称其代理正在管理Meta和Unilever的供应链支出。

信息源:Tech Funding News

研究

FPGA厂商Altera发布Agilex 27:引入HyperFlow专用数据网络与QuartusIQ AI辅助设计工具

实质变化
2026-10-29 02:51

可编程逻辑器件厂商Altera于2026年10月28日发布了其新的Agilex 2X产品组合中的旗舰型号Agilex 27。该平台主要面向高性能计算和网络基础设施,集成了硬化的800GbE和1.6TbE以太网接口、PCIe 6.0/7.0支持以及最高256Gbps的可配置收发器。

Agilex 27的一项关键架构创新是HyperFlow,这是一种全芯片分布式数据网络。Altera表示,HyperFlow可以在FPGA内部以多太比特每秒的速率移动数据,且流量运行在专用网络上,不占用可编程软逻辑资源或增加路由拥塞。这意味着更多的FPGA资源可以用于实际的应用处理,而非仅仅用于数据搬运。例如,1.6TbE端口可以通过硬化I/O接收流量,由HyperFlow在芯片内传输,而软逻辑则专注于数据处理。此外,该系列还采用了第三代HyperFlex寄存器,Altera声称这带来了相比上一代Agilex 7高达1.8倍的每瓦性能提升。

在开发工具方面,Altera推出了QuartusIQ,这是针对其Quartus Prime软件的新AI伴侣。据Altera内部基准测试显示,使用QuartusIQ可将设计创建速度提高多达10倍,整体设计周期缩短1.5倍。该工具支持MCP(模型上下文协议)集成,并允许用户自带密钥。在NVIDIA GTC Berlin 2026上,两家公司宣布QuartusIQ将集成到新的RTX Station系统中,利用本地运行的NVIDIA Nemotron模型来辅助芯片设计和实施工作流。

需要注意的是,Agilex 27的工程样品预计要到2027年下半年才能提供。虽然AI辅助设计工具旨在降低FPGA的使用门槛,但从宣布到大规模可用仍有较长的时间窗口。目前的性能数据和效率提升均基于Altera的内部测试和声明,尚未经过独立第三方验证。

信息源:ServeTheHome

研究

Dimensional创始人David Booth谈风险解读与复利:高盛播客选读

实质变化
2026-10-29 03:33

Dimensional Fund Advisors的创始人兼董事长David Booth近期出现在Goldman Sachs的播客节目中,与高盛全球银行与市场部高级合伙人Raj Mahajan进行对谈。Booth以学术研究和市场证据为基础管理着超过一万亿美元的资产,并著有《Stay Calm》一书。

根据出版方提供的节目简介,本次对话主要围绕三个核心主题展开:如何解读风险与不确定性、外部投资者如何像内部人士一样有效地参与市场,以及长期复利的“魔力”。这一资源为专业投资者提供了直接了解顶级资产管理机构创始人投资哲学的入口。

该集节目录制于2026年9月3日。需要注意的是,本推荐基于出版方的元数据和节目描述,未包含完整的文字记录或具体的论证细节。节目中表达的观点仅代表嘉宾个人立场,不构成投资建议。

信息源:youtube.com

研究

Cisco 首席工程师:AI 让每个环节变快,瓶颈却不断转移到下一个环节

专题 · 思科AI瓶颈转移论实质变化
2026-10-28 20:00

Cisco 的文档发布平台 PubHub 需要一次安全驱动的强制重写。DevNet 平台工程团队的首席工程师 Neelesh Pateriya 在 2026 年 10 月发表了一篇记录:他们并没有先找到一份 AI-first 开发流程手册再动手,而是试错迭代出来的。他总结出一条贯穿全程的模式——每加速一个环节,瓶颈就转移到下一个环节。

起点不是写代码,而是理解旧系统。PubHub 在超过 15 个仓库里生长了多年,用 Python、Node.js、Go 和 React 写成,当初写这些代码的工程师大多已经离开。边界情况藏在代码里,不在任何文档中。团队先让 AI 读完遗留仓库,为每个服务生成架构、工作流和模块文档,再由领域专家审核。Pateriya 把这称为:重写中 AI 的第一个胜利是理解,而不是代码。

有了旧系统的文档,团队开始写需求。AI 起草的第一版看起来不错,但越写越长——一个用户故事能跑到几十页,从业务需求滑向组件设计、数据流甚至 schema 的 JSON 结构。团队定了一个简单形状:需求只说三件事——业务需要是什么、给谁用、怎么算完成。设计归设计文档。Pateriya 的体会是:AI 让长文档变得廉价,稀缺的是所有人就什么重要达成一致。

工程需要界面时,UX 团队还在摸索 AI。他们反了常规顺序:先让 AI 从需求直接生成一个可用的试点界面,UX 团队再以此为基线展开设计。早期 AI 生成的界面看着对,但不符合 Cisco 的设计标准。于是 UX 团队把设计标准编码成 AI 技能和 MCP 服务器,之后生成的界面从第一天起就合规,不再需要返工。

代码生成工具在项目期间升级了。起初是 VS Code 和 Cursor 里的代码补全,有帮助但不够可靠。Claude Code 可用后,工程师开始把整个功能——包括测试——交给代理从需求直接生成。Pateriya 说,考虑到代码库规模(新的 Go Core、新的 Go Site Engine、新的管理界面),把整个功能交出去而不是打字更快,才是时间节省最大的地方。

然而审查没有变:每个变更仍然需要人工审核。代码来得比人审得快,瓶颈落到了审查环节。团队把 AI 也放到审查者这边:为 Go、Python 和 React 建了审查技能,外加两个审查代理——一个在工程师开 PR 前本地跑,一个在 PR 上跑。它们找问题并解释问题,但审查者仍然拥有决定权和批准权。

测试是最让人睡不着的部分。PubHub 发布数百个文档项目,由数千名技术作者、API 架构师、工程师和技术营销工程师维护。如果新平台构建或渲染内容哪怕有一点不同,就会有人从公开页面上发现。团队用 AI 搭了两层安全网:一个对比框架,把重写生成的数万页与生产版本逐页比对;以及驱动无头浏览器的 AI 代理,把复杂 UI 工作流跑一遍,大幅削减了手工测试量。上线后的结果是:没有报告过严重或高危问题。

Pateriya 把这套做法总结成七条实践:先文档化遗留代码;需求保持简短;先建可用试点再设计;把整个功能交给 AI;安全标准不可妥协;给审查者配 AI;用机器规模测试。他特别强调最后一条:预期瓶颈会移动,移动了就重新规划。

到上线时,团队建了或采用了二十多项技能和两个审查代理。但 Pateriya 指出,现在几乎每个环节都比以前快了,瓶颈落在了环节之间——跨超过 15 个仓库、多年历史的上下文中,把需求连到设计、代码、审查和测试的那条线仍然活在人脑子里。他们下一步要做一个 PubHub 开发者代理,像老团队成员一样了解项目的架构、历史、规则和未关闭问题,把工单推到 PR,但规则不变:人批准每一个变更。

信息源:Cisco Blogs

研究

谷歌DeepMind发布Gemini 4 Carbon,登顶智能指数并仅向安全专家开放

专题 · Gemini新模型结构性
2026-10-29 03:17

谷歌DeepMind于2026年10月28日发布了其最新的前沿模型Gemini 4 Carbon,距离上一代Gemini 4 Argon的推出仅两周。根据独立基准测试机构Artificial Analysis的数据,Carbon在更新后的Intelligence Index v5中获得了59分,显著高于Argon的50分,并在复杂推理、知识检索和科学任务等四个子项中排名第一。

该模型被设计用于处理需要持续数天的自主开发工作流。谷歌声称,内部团队运行该模型连续多日,使其能够自行解决死胡同并处理大型代码库中的根因分析和微妙Bug修复。在编码代理方面,Carbon在Coding Agent Index中得分为59,虽然较Argon大幅提升,但仍略低于Anthropic的Claude Opus 5.5(62分)。此外,Carbon在WebDev Arena上的排名上升了89个Elo点,达到1,769分,位列第四。

值得注意的是,由于具备先进的网络安全能力,Gemini 4 Carbon将首先通过美国政府的自愿预测试流程,仅向选定的网络安全专家开放。谷歌表示,这一限制措施源于该模型在检测、验证漏洞以及编写补丁方面的全生命周期防御能力。在SEC-bench Pro测试中,Carbon在无安全护栏的情况下得分88.2%,领先所有受测模型;在ExploitGym测试中,其将发现的漏洞转化为可用利用程序的成功率达到54.8%。

尽管性能强劲,第三方评估也揭示了其局限性。在Vals AI的Index v2.2中,Carbon以70.36%的准确率排名第二,落后于Claude Sonnet 5.5。在财务和法律研究基准上,虽然引用来源增加了约45%,但任务耗时是Argon的两倍以上,平均每个法律研究任务超过50分钟。定价方面,Carbon保持与Argon相同的入门价格:每百万输入令牌2美元,输出令牌10美元。

信息源:The Decoder

研究

Anthropic推出AI支出报告工具,称Q2实现运营利润且净收入留存率达900%

专题 · Anthropic实质变化
2026-10-29 03:19

人工智能实验室Anthropic于周三宣布推出一套新的报告工具,旨在帮助企业客户更细致地了解其在模型令牌(token)上的花费所获得的实际价值。这一举措正值该公司计划于11月进行首次公开募股(IPO)之际,意在向投资者展示其商业模式的可持续性和客户粘性。

据TechCrunch报道,Anthropic本周向投资者分享的财务数据显示,其AI编码工具Claude Code取得了显著的商业成功。公司在第二季度实现了运营利润,并且净收入留存率(NRR)高达900%。这意味着同一批客户在2025年第三季度的支出,到2026年第三季度增长了九倍。

新推出的报告工具利用内部分析和员工调查,允许管理者查看团队在特定日期范围内的工作成果、成本以及工作流程中的瓶颈。Anthropic表示,默认情况下不会将这些数据用于模型训练。此外,公司还创建了共享预算池,以便团队更好地管理令牌支出。

这些功能直接回应了大型企业对AI投资回报率(ROI)的担忧。尽管初创公司正在推动令牌消费的增长,但大多数财富500强企业尚未从部署AI中获得显著收益。软件开发者工具公司Jellyfish昨日发布的报告显示,基于Anthropic模型的Claude Code等工具在其27.6万客户中使用最广泛,占提交审查的代码变更提案的近三分之一。该报告指出,自年初以来,对这些工具的支出增长了10倍,目前约占工程总成本的2%。

Jellyfish首席科学家Nicholas Arcolano对TechCrunch表示:“即使2%的比例仍然很小,但这种10倍的增长是大多数首席财务官未曾预料到的。”他指出,企业现在意识到仅靠大量支出是不够的,必须优化AI的使用效率。

尽管OpenAI今年夏天发布了Astra模型,被视为潜在威胁,但Anthropic的企业采用率并未因此放缓。Jellyfish的AI产品负责人Nikolas Albarran分析认为,Anthropic在企业市场具有先发优势和工作流标准化带来的高转换成本。“一旦进入,由于已经投入了大量精力,切换将变得越来越困难,”Albarran说,“即使它们大多相似,但各自都有细微差别,导致切换成本不为零。”

信息源:TechCrunch

研究

Supabase 创始人访谈:AI Agent 如何重塑后端基础设施与产品策略

专题 · Supabase实质变化
2026-10-29 03:34

本期推荐资源为 Latent Space 播客最新一期《Why Agents Love Supabase》,由 Supabase 联合创始人兼 CEO Paul Copplestone 和 CTO Ant Wilson 共同出演。这是两人首次在同一期节目中接受主持人 swyx 的采访,背景是 Supabase 在六年内从零增长至 100 亿美元估值,成为领先的开源全远程 Postgres 平台公司。

节目核心议题围绕“当 AI Agent 成为用户”这一范式转变展开。根据官方描述,讨论涵盖了 Supabase 如何从疫情期间的 Firebase 替代品演变为 AI 应用的首选后端。具体技术话题包括数据库旁的长时运行计算、声明式 Schema、Postgres 存储可靠性以及收购 Turso 的战略意义。此外,还涉及开发者营销、社区驱动分发和产品主导销售等商业策略。

对于关注 AI 基础设施经济学的读者,此访谈提供了第一手的战略视角。章节列表显示内容深入探讨了 OrioleDB、Multigres、向量增长、企业级迁移以及面向 Agent 的本地开发环境。虽然未提供完整转录文本,但基于出版方提供的详细主题和嘉宾身份,该资源对于理解开源后端如何在 AI 时代调整其产品架构和销售模式具有明确的阅读价值。

信息源:youtube.com

研究
下一页 →
登录 / 注册
阅读研究雷达投资体系