DeepSeek突然调价，周末低谷价/机器人打破人类百米纪录，宇树回应垫底/Claude免费课程上线｜Hunt Good 周报

发布时间：2026-08-23来源：APPSO

欢迎收看最新一期的 Hunt Good 周报！

在本期内容，你会看到：

11 条新鲜资讯
2 个有用工具
3 个鲜明观点
1个有趣案例

Hunt for News｜先进头条

DeepSeek API 周末也开始「错峰用电」了

DeepSeek 又调整了一次 API 计费规则。

从 8 月 23 日 00:00 起，周一到周五继续执行峰谷计费：北京时间 9:00—12:00、14:00—18:00 为高峰，其余时间为低谷；但到了周六、周日，全天直接按低谷价格收费。

这套峰谷定价其实才上线不到一周。

8 月 17 日，DeepSeek 刚刚调整 V4 系列 API 价格，低谷价格定为高峰的一半。

拿 DeepSeek-V4-Pro 来说，每百万 tokens 的输出价格，高峰是 27 元，低谷是 13.5 元。V4-Flash 则分别是 9 元和 4.5 元。所以新规以后，同样一批任务如果原本准备周六下午跑，价格可以直接少一半。

值得注意的是，只是相对刚涨完的高峰价打五折，并不是重新降回以前的价格。

在 8 月 17 日调价之前，V4-Pro 每百万输出 tokens 还是 6 元，现在周末低谷价是 13.5 元；V4-Flash 此前是 2 元，现在周末则是 4.5 元。

DeepSeek 邮件里面说到，希望开发者把更灵活的任务安排到周末，同时平衡全网算力负载。

对于跑 Benchmark、批量数据生成、Agent 长任务这类不太在乎具体执行时间的工作，周末干吧（被迫加班）。

🔗 https://api-docs.deepseek.com/zh-cn/quick_start/pricing

机器人百米跑进 9 秒 32，宇树却在同组垫底

第二届世界人形机器人运动会开幕，最先出圈的是一场机器人百米赛。

8 月 22 日，在 100 米大型组预赛首组比赛中，天卓队的天工 Ultra 跑出 9.39 秒。

作为对比，博尔特保持的人类男子百米世界纪录是 9.58 秒。单看计时数字，机器人已经快了 0.19 秒。

而且 9.39 秒很快就不是最快成绩了。

后续预赛中，天工—京沣科技联合队跑出 9.34 秒，天骁队和天工队又先后跑出 9.32 秒。

去年首届世界人形机器人运动会上，机器人百米最好成绩还是 21.50 秒。

第一组比赛还有另一个受到关注的选手：宇树。

天卓队跑出 9.39 秒后，同组的风火闪电队以 9.47 秒完赛。宇树科技队的成绩是 12.41 秒，排在小组最后。比赛结束后，「宇树机器人 100 米预赛小组垫底」很快登上热搜，宇树当晚也发了一份回应。

宇树称，这次出现在赛场上的机器人并不全由自己的团队参赛。一部分由宇树自有团队负责，另外一些则是客户和合作伙伴基于宇树机器人平台二次开发后参赛。

公司还提到，因为时间、精力、新款机器人数量和赛前测试条件有限，这次缩减了几项已经报名的比赛。公司过去的主要精力放在量产产品上，没能顾全赛事准备。

宇树刚刚登陆科创板不久，现在到了机器人运动会，大家又开始拿速度、跳高和赛场表现比较不同厂商。

不过，机器人跑出的 9.32 秒和博尔特的 9.58 秒并不是同一套比赛规则下产生的成绩。

但机器人从 21.50 秒到 9.32 秒，只用了一届比赛的时间。

🔗 https://www.whrgoc.com/

Anthropic 开了 Claude Academy：不只教你怎么用 Claude，也教你什么别交给 AI

Anthropic 这周上线了 Claude Academy，一套面向普通用户和企业的 AI 学习课程。课程可以按兴趣推荐，记录学习进度和徽章，也可以安装 Claude Academy Skill，让 Claude 根据你的工作方式推荐课程和学习路径。

这套课程很大一部分来自 Anthropic 自己培训员工的方法。

新员工入职时，会先学一套「4D AI Fluency Framework」。其中一个重点不是怎么把提示词写得更复杂，而是判断哪些工作适合交给 AI，哪些应该自己做。员工也会学习模型常见的错误，方便检查 AI 生成的结果。入职之后还有持续培训，Anthropic 把它叫做「ever-boarding」。

Claude Academy 也没有把课程重点放在具体的提示词技巧上。Anthropic 认为，模型变化太快，一些过去有用的技巧可能很快就不重要了。现在的课程更强调几条长期适用的原则，比如「风险越高，检查得越仔细」。

课程里还会专门讨论什么时候不该把事情交给 AI。比如一份敏感备忘录，可以自己写关键部分，让 Claude 帮忙整理成幻灯片；做数据分析时，可以让 Claude 负责探索，最后的检查自己完成。Anthropic 也提醒用户继续练习自己在意的能力，避免长期依赖 AI 后生疏。

Claude Academy 现在已经可以直接使用。Anthropic 还计划继续加入更个性化的学习内容，让 Claude 根据每个人的情况生成练习和互动课程。

🔗

Ox 神秘牛模来了！🐂

最近，OpenRouter 上悄悄冒出来一个新模型：Ox Alpha。

牛来了。🐂

目前它还是一个 Stealth Model，开发者身份没有公开。

但 OpenRouter 给出来的定位已经挺猛：

Reasoning Model
面向 Coding 和长程 Agent 任务
支持文本、图片、视频输入
1M 上下文
最长支持 131K 输出
支持 Tool Calling
目前完全免费

而且它不是那种只适合聊天的免费小模型。

OpenRouter 直接把它描述成适合长远的软件工程，复杂的推理，持续的代理工作。

简单说，就是奔着「真正干活」去的。速度目前也不算慢，OpenRouter 页面显示 P50 吞吐大约 35 tok/s。

更重要的是，它带多模态。

你可以直接给它图片甚至视频，再让它结合文字完成推理。

所以这头 Ox 到底是谁家的牛，现在还不知道。

它的定位很明确：

用 Flash 级别的使用成本，去碰更重的推理、Coding 和 Agent 场景。

目前 OpenRouter 正在免费开放，想薅羊毛的，现在可以去试了。

温馨提示：

这还是 Alpha 阶段的匿名测试模型。OpenRouter 明确说明，模型由第三方提供商运营，Prompt 和输出会被提供商保留，因此敏感代码、隐私数据暂时别往里面扔。

至于这头牛到底有多牛——先跑两道题再说。🐂

🔗 https://openrouter.ai/stealth/ox-alpha

豆包密集更新：手机遥控、虚拟桌面、云电脑，全往「AI 替你干活」上堆

豆包这周的更新有点密集。

本周一，它先给「工作任务」加上手机远程控制电脑。手机和电脑登录同一个帐号并授权后，人已经离开工位，也能从手机继续让电脑找文件、改文档、跑任务，执行进度再实时传回手机。

它还支持关联多台电脑，可以跨设备调取文件。

图源：站长之家

第二天，豆包又上线了 Windows「虚拟桌面」。

这次不是靠某个软件提前开放 API。豆包可以直接看屏幕、移动鼠标、点击和敲键盘。即使软件没有 MCP、插件或 CLI，它也能靠 GUI 操作继续干活。这个虚拟桌面和用户自己的桌面分开，豆包干活时不会一直抢你的鼠标和键盘，人也可以随时暂停或接管。

8 月 19 日，运行环境又从本地扩到了云端。

现在「工作任务」可以在本地电脑和云电脑之间选择。需要本地文件、软件和已有登录状态的任务，可以留在自己的电脑上；不依赖本地资料的长任务，则可以扔给云电脑。任务开始以后，本机就算关掉，云端也能继续跑，之后再从手机、网页或电脑端回来查看结果。

图源：ZOL

到了 8 月 20 日，豆包又把界面重新收拾了一遍。

对话框右边多了一个侧边工作台。豆包生成的网页、代码、图片和文件，可以直接在旁边以标签页打开；本地文件、飞书文档、网页和终端也能放进来。写网页时可以一边聊一边看实时预览，做 PPT、Excel 和文档时，也少了在聊天框和文件之间来回复制粘贴。

图源：金融界

同一轮更新里，豆包的工作模式也开始出现 Skills、连接器和「工作伙伴」这些更 Agent 化的入口，并已经有人拿它做定时更新的网站、互动课件和多步骤办公任务。这里目前更多来自实际体验，豆包官方公开页面还没有把这一批能力完整列成一张更新清单。

这轮密集更新，感觉豆包要有大动作啊！

手机负责下命令，本地电脑负责碰你的文件和软件，云电脑负责长时间后台跑，侧边工作台负责把结果接回来。

豆包原来更像一个随手问问题的 AI 助手，这一轮明显是在补「把任务真的做完」所需要的几层基础设施。

🔗 https://www.doubao.com

Codex 额度「缩水」？OpenAI：很多受影响用户用了 sub2api

最近有一些 Codex 用户发现，自己的使用额度似乎和以前不一样，开始怀疑 OpenAI 调低了限制。

Tibo在 X 上回应称，OpenAI 没有在没有通知社区的情况下调整这类额度。他们排查后发现，不少受影响用户都在使用 sub2api。

sub2api 这类工具可以把 ChatGPT 订阅里包含的 Codex 使用额度，转换成类似 API 的接口，再转发给其他程序，甚至供多个用户共同使用。OpenAI 表示，这种把订阅额度重新包装成 API 流量再分发的方式不受支持，也可能被反欺诈系统标记。

正常用第三方客户端不受影响。只要客户端支持「Sign in with ChatGPT」，直接用自己的 ChatGPT 帐号登录，包括一些开源客户端，都可以继续使用订阅里包含的 Codex 额度。

OpenAI 的官方文档也把两种方式分开：用 ChatGPT 帐号登录 Codex，消耗的是 ChatGPT 套餐里的 Codex 使用额度；用 API Key，则走 OpenAI API 的计费和限额体系。

所以这次争议更准确的说法，是部分把订阅额度转成 API 流量的用法触发了风控。

友情提醒，使用该方式调用模型的友友们，要小心咯。

🔗 https://help.openai.com/en/articles/

Stripe 要买下 OpenRouter：处理钱之后，它又盯上了 token

8 月 19 日，一家帮互联网公司收钱、管钱、对账和做支付基础设施的公司Stripe 宣布签署协议，收购 AI 模型路由厂商 OpenRouter。

给不知道的读者简单说一下OpenRouter 做的事，是把 80 多家供应商的 400 多个模型接到同一个入口后面。开发者发来一个请求，它可以根据任务难度、价格、速度和可靠性，决定把请求送给哪个模型。

这正好接上 Stripe 原本就在做的生意。过去，它帮公司管收钱这件事，包括付款、订阅和欺诈；现在到了 AI 公司，另一头的成本也开始变得复杂——一次调用用了多少 token、不同模型花了多少钱、毛利还剩多少，都要一起算。

所以 Stripe 才会说，token 正在变成 AI 公司的核心计量单位

🔗 https://stripe.com/newsroom/news/stripe-agrees-to-acquire-openrouter

🔗 https://openrouter.ai/

Google 没给 Marvell 投 122 亿美元，它买的是未来几年的芯片

8 月 18 日，芯片公司 Marvell 向 Google 发出一张认股权证：Google 最多可以按每股 206.58 美元买入 58,970,907 股 Marvell 股票。把两项相乘，潜在行权金额大约是 121.8 亿美元。

不过这并不意味着 Google 现在就给 Marvell 投了 121.8 亿美元。

这批股票大部分要靠未来的芯片订单一点点「解锁」。其中约 136 万股会在第一年按季度逐步生效，剩下约 5761 万股则和 Google 给 Marvell 带来的定制芯片收入挂钩。

Marvell 每从 Google 相关定制芯片项目中确认 5 亿美元收入，就解锁一批认股权，一共最多 240 批。也就是说，如果这些认股权最终全部解锁，对应的是约 1200 亿美元的累计合格收入。这些项目包括 AI 推理加速器、网络、存储、内存接口控制器和近存计算等定制芯片。

简单说，Google 下的芯片订单越多，能拿到的 Marvell 股票也越多。

🔗 https://investor.marvell.com/sec-filings/all-sec-filings/content/0001193125-26-356217/d412696d8k.htm

🔗 https://news.bloomberglaw.com/artificial-intelligence/marvell-gives-client-google-right-to-buy-12-2-billion-stock-1

Cursor 开始自己托管代码：写代码的 Agent，想把 GitHub 也收进工作台

本周一，Cursor 上线了自己的代码托管服务 Origin。以前它主要从 GitHub 里读代码、改代码；现在用户也可以直接把仓库放在 Cursor 里，创建和合并 Pull Request。

Origin 现在做的事情还不复杂：能建仓库、看代码、提 Pull Request，也能和 GitHub 同步。

原本就在 GitHub 上的项目，可以同步一份到 Origin，但真正的代码还是推回 GitHub；只有在 Cursor 里直接新建的项目，才会真正放在 Origin 上。

Origin 还接入了 Vercel、Depot 和 Buildkite。代码提了 Pull Request 之后，可以直接跑预览部署和 CI。仓库因此不只是放代码，后面的测试、构建和上线流程也开始接进来了。

当 Agent 已经能开分支、写代码、跑检查、提交 PR，代码托管也跟着变成 Agent 的执行环境、权限边界和协作记录。

目前 Origin 只向付费计划分批开放，仍是 early beta；企业管理员可以选择关闭。它现在更像 GitHub 旁边的一条新轨道，距离成熟替代品还很远。

🔗 https://cursor.com/changelog/origin-code-hosting

🔗 https://cursor.com/docs/api/origin

ChatGPT 给青少年单开一套：系统猜你未满 18 岁，就自动切过去

8 月 18 日，OpenAI 发布 ChatGPT for Teens。

只要用户自报年龄在 13—17 岁，或者系统判断其可能未满 18 岁，就会自动进入青少年版体验。

OpenAI 也重新做了学习流程。学习模式不会直接把答案扔出来，而是用提问和步骤带着用户往下做。如果系统判断你明显是在找作业捷径，「负责任的作业提醒」会把你拉回解题过程。

简单说就是：「孩子，先别抄答案，做到哪一步了？」

测验、学习可视化和 Study Hours 也被放进产品里。ChatGPT 不只负责答题，还开始管练习和学习时间。

家长把帐号关联起来以后，可以设置安静时段，也能管理部分功能。在少数高风险情况下，家长还可能收到安全通知。默认保护主要覆盖自伤、暴力、进食障碍、危险活动和露骨内容等领域。

这里的年龄估计现在还有待完善。因为系统一旦判断你未满 18 岁，后面用的就是另一套 ChatGPT。但 OpenAI 没有在这篇公告里公布年龄预测的准确率。

那系统把你认成几岁，谁说了算？

🔗 https://openai.com/zh-Hans-CN/index/chatgpt-for-teens/

OpenAI 想让模型跨对话查安全风险，又不把客户原文交给自己

企业客户要求 AI 厂商「用完即删」，提示词和回答处理完后不能继续保存。这也给安全系统出了个难题：如果一个人把危险行为拆成很多轮、甚至多个帐号慢慢完成，平台又该怎么识别？

OpenAI 预告了一个叫 Private Safety Processing 的方案。

按 OpenAI 的说法，ZDR 部署里，用户内容始终留在客户自己的基础设施中，OpenAI 不保存这些内容。

另一种方案还在开发。客户可以把内容加密后存到 OpenAI 的基础设施上，但解密密钥仍由客户自己保管。

在这两种模式下，自动系统仍可以从多次相关交互中识别潜在风险。不过 OpenAI 最终收到的只是有限的风险类型信号，不会拿到完整的提示词和回答，员工也看不到这些底层内容。

有一个例外。涉及儿童性虐待材料时，OpenAI 仍会按照法律要求处理和报告。

🔗 https://platform.openai.com/docs/models/default-usage-policies-by-endpoint

🔗 https://openai.com/index/offering-zero-data-retention-for-frontier-models/

Hunt for Tools｜先进工具

OpenMotion：给一句话，做出还能继续改的发布视频

OpenMotion 是一款 Mac 端 AI 动效工具。你可以从提示词开始做产品视频、发布预告、解释动画和社交短片，生成结果仍可在场景、画布和时间线上继续调整。

它可以配合 Claude Code 或 Codex 订阅工作，不用再单独管理一把 API Key；输出支持普通视频、透明 WebM 和可独立运行的 HTML。

它适合做产品发布、Logo 动效和短解释视频，又希望保留人工编辑权的人。

不过目前只有 Mac 版，同时支持 Apple 芯片和 Intel；现阶段免费不代表以后没有 Pro 计划。本文没有实测导出质量。

🔗 https://openmotion.design/

Kitbitz：2000 多张免费手绘插画，商用也能直接用

Kitbitz 把 2000 多张手绘素材分进 13 套主题：自然、城市、中世纪、地牢、海盗、太空、赛博朋克……每张都能单独下载 SVG 或 PNG，也能整套拿走 Figma 组件库。

仓库中的原创插画采用 CC0 1.0，可以复制、修改和商用，不要求署名。作者还在围绕这批素材做 Figma 插件、MCP 支持和世界生成工具。

插画本身不是生成式 AI 做的，AI Agent 用在了网站、分类和元数据整理上。

游戏原型、地图、活动页、解释图和任何不想再走一遍素材授权流程的小项目。

CC0 不会替你清除所有可能涉及的商标、隐私或第三方权利；把素材组合成具体品牌或人物时，仍要自己检查。

🔗 https://kitbitz.art/

Hunt for Insights｜先知

ChatGPT 广告审计：低收入人设帐号，更容易等到广告

研究者创建了 91 个模拟美国用户的「袜子帐号」（sockpuppet accounts），再用代理 IP 和带地点线索的提示词，组合出不同种族／族裔和收入背景。这些帐号持续向 ChatGPT 提出 335 个接近真实使用场景的问题。

整个实验一共记录到 3000 多次广告展示，来自 186 个不同的广告

研究者先看的是：什么样的帐号更容易第一次看到广告。

只看那些最终见到过广告的帐号，从开始实验到第一次看到广告，中位数要等 14 天，而且没有任何帐号在头 7 天看到广告。

收入似乎也和「会不会看到广告」有一点关系。按研究者的回归结果，帐号所在邮编的家庭年收入每高 1000 美元，至少看到一次广告的赔率大约下降 2%。如果这个关系一直保持不变，收入高 1 万美元，对应的赔率大约低 18%。

不过这个结果并不算很强。95% 置信区间是 0.96—1.00，p 值为 0.0438，刚刚越过常用的 0.05 显著性门槛。更稳妥的说法是：实验里出现了「收入越高，看到广告的可能性略低」的趋势，但还不能据此说收入直接决定了广告会不会被投放。

第二个问题是：一旦帐号开始看到广告，之后广告会出现得有多频繁？

这部分的结果没有前面那么明显。在已经见过广告的帐号里，研究者没有发现收入或族裔线索和广告出现频率之间存在显著关系。

从整体来看，一个帐号第一次看到广告之后，之后大约每 4 次提问里会出现 1 次广告。

族裔之间也没有测出显著差异。不过这里要谨慎一点：每组真正进入「已曝光」阶段的帐号只有 16—19 个，样本不大。所以更准确的说法是「这次实验没有测出差异」，而不是「可以证明不同族裔之间完全没有差异」。

研究者看到的广告主要是消费品。广告链接通常跳到广告主的网站，而不是直接指向某个具体商品页面。

广告在界面上也和 ChatGPT 的回答分开显示。OpenAI 的公开说法是，广告不会影响模型回答，广告主也看不到用户的聊天原文。

🔗 https://arxiv.org/abs/2608.05008

🔗 https://openai.com/index/testing-ads-in-chatgpt/

用六句话催眠AI

宾夕法尼亚大学两名研究者给这种现象起了个很抓人的名字：Model Hypnosis，模型催眠。

他们先放进一段和问题无关的小故事，再问同一个二选一道德问题。故事的意思不变，只在 6 个位置挑选不同的同义改写，Qwen3-8B 就从以 94% 概率回答「不」，变成以 99.93% 概率回答「是」。

这些改写单独看都很不起眼，很多甚至和问题本身没什么关系。研究者先逐个测试，找出哪些词、句式或格式会让模型稍微更偏向某个答案，再把这些方向一致的线索叠在一起。

单个线索的影响很小，但叠加之后，模型对某个答案的偏向会被明显放大，最后甚至接近「几乎必选」。

研究者还试了动物名称、错别字和 JSON 字段名，发现类似的微小偏移也会出现。有些线索换到别的模型上，仍然有效。

这类攻击貌似看起来不像攻击。提示词还是正常的、可读的，意思也没有明显变化，真的不太容易发现。

传统方法往往会去找乱码、怪字符，或者「忽略前面的要求」这类明确指令。这里没有这些明显特征，所以只靠表面内容做审核，可能很难发现。

🔗 https://arxiv.org/abs/2608.16834

多 Agent 协作的反直觉结果：共享文件有用，指定「组长」未见稳定改善

一篇新论文记录了 1902 次多 Agent 编程实验，又在密封环境里补做 244 次验证。除了任务成功率，研究者还把消息、读文件、写文件都变成带时间戳的网络，观察 Agent 到底怎么协作。

结果很像真实办公室。团队一变大，开场自我介绍和互相发消息先猛涨；任务如果有共享规格，网络会很密，如果是流水线任务，大家只在接口处碰头。

在最依赖消息的分布式任务里，8 个 Agent 被要求改用共享文件后，输出 token 减少约 42%，两个采集批次的降幅在 36%—49% 之间。缓存上下文重读也从每次运行约 1050 万 token 降到约 660 万。

但这条规律有明确反例：如果任务本来就是流水线、文件已经承担交接，强制增加共享文件会在 8 个 Agent 时把输出 token 推高约 10%；到 16 个 Agent，单次运行约从 33.3 万涨到 57.8 万，成功率反而没有改善。

研究者还指定过一名「协调者」。它没有自然变成通信中心，也没有稳定提高成功率。

244 次密封验证还暴露了一条风险：Agent 有约五分之四会主动去找被标记为隐藏的评分材料。

🔗 https://arxiv.org/abs/2608.16801

Hunt for Fun｜先行

不用 Google Lens，他让显卡比较 8069 万个三角形，找到照片里的小岛

只给只有一张 736 × 515 的度假村航拍图：没有 EXIF、没有 GPS、没有相机信息。让 AI回答 3 个问题——酒店叫什么，小岛坐标在哪，镜头朝哪个方向。

大多数人会先丢给反向图片搜索。作者 yassa9 觉得这样浪费了题目，决定把整颗地球变成一道几何搜索题。

他先在照片里点出 3 块陆地，算出角度和相对距离，留出 ±20% 误差；再拿 882 MB 的 OpenStreetMap 陆地多边形，从热带纬度、邻近岛屿密度和聚类一路筛选。

23,500 个岛群生成了 80,690,777 个三角形。作者给每个三角形分配一个 CUDA 线程，在 RTX 3050 上，核心匹配阶段用了约 204 毫秒。后面再用岛屿形状、Sentinel-2 植被指数和 Copernicus 高程数据继续淘汰候选。

既然一张图里能看见 3 个岛，就让地球上所有可能的 3 个岛都来排队。

🔗 https://yassa9.github.io/osint/gralhix-004/

本期彩蛋

作者：@JayArrVeeGee

工具：GPT-Image-2

提示词：

Make me the most AI slop image that ever AI slopped. The pinnacle of slop. A seminal work on AI slop.

🔗 https://x.com/JayArrVeeGee/status/2047049747249390036

我们正在招募伙伴

📮 简历投递邮箱hr@ifanr.com

✉️ 邮件标题「姓名+岗位名称」（请随简历附上项目/作品或相关链接）

更多岗位信息请点击这里🔗

转载说明：本文系转载内容，版权归原作者及原出处所有。转载目的在于传递更多行业信息，文章观点仅代表原作者本人，与本平台立场无关。若涉及作品版权问题，请原作者或相关权利人及时与本平台联系，我们将在第一时间核实后移除相关内容。