DeepSeek-V3.2 来了！ DeepSeek 正式推出其最新的实验性模型 DeepSeek-V3.2-Exp 。这是一个实验性（ Exp erimental）的版本，该版本在 V3.1-Terminus 的基础上，引入 了革命性的 DeepSeek Sparse Attention （DSA） 技术，旨在大幅提升长文本处理的效率。 目前，官方 App、网页端、小程序均已同步更新为 DeepSeek-V3.2-Exp。 与此同时，官方宣布 API 服务价格 下调超过 50% 。 核心亮点一览： 以下内容要点来自官方文章。 超 14000 人的「AI 产品市集」社群！不错过每一款有价值的 AI 应用。 DeepSeek Sparse Attention （DSA） DeepSeek Sparse Attention （DSA） 首次实现了细粒度稀疏注意力机制，在几乎不影响模型输出效果的前提下，实现了长文本训练和推理效率的大 幅提升。 1. 技术革新 ：首创 DeepSeek 稀疏注意力（DSA） 机制，在几乎不影响模型性能的前提下，显著提升了长文本的训练和推理速度。 2. 成本骤降 ：得益于效率提升，AP ...

AI Agent开发痛点与Context Engineering需求 - AI Agent开发面临海量工具调用和长程推理(long horizon reasoning)产生的长上下文(long context)问题，严重制约Agent性能和成本，甚至导致模型能力下降[4] - 典型任务通常需要约50次工具调用，生产级Agent运行时可能需要多达数百次工具调用[11] - 单次运行可能消耗50万个token，成本达到1-2美元[11] Context Engineering核心概念 - Context Engineering定义为"在大语言模型的上下文窗口中放入正好适合它执行下一步所需的信息"[8] - 本质上是AI Engineering的子集，包含内循环(即时筛选所需context)和外循环(长期优化context window)[10][13] - 随着context长度增加，模型注意力会分散，推理能力下降，这种现象称为context衰减(context decay)[15] 五大Context Engineering策略 Offload(转移) - 将完整工具调用context转移到文件系统等外部存储，仅返回摘要或URL标识[21][26] - 使用文件系统记录笔记、跟踪进度、存储长期记忆[23] - 必须生成有效摘要描述文件信息，prompt engineering在其中起重要作用[28] Reduce(压缩) - 通过摘要(summarization)和剪裁(pruning)减少context内容[21][35] - Claude Code在95% context window占满时自动触发reduce机制[35] - 存在信息丢失风险，Manus选择先offload确保原始数据不丢失再进行reduce[37] Retrieve(检索) - 从外部资源检索与当前任务相关信息加入context window[21][46] - 包括经典向量检索、文件工具检索和context填充等方法[47] - 测试表明基于文本文件和简单文件加载工具的检索方法效果最佳[48] Isolate(隔离) - 在multi-agent架构中拆分context，避免不同类型信息相互干扰[21][59] - 不同角色agent各自压缩管理不同内容，避免单一agent承担全部context负担[59] - Cognition认为sub-agent获得足够context极其困难，需要大量精力在context摘要与压缩上[61] Cache(缓存) - 缓存已计算结果，降低延迟和成本[21][67] - 使用Claude Sonnet时缓存输入token成本为0.30美元/百万token，未缓存为3美元/百万token，相差10倍[69] - 只能优化延迟和成本问题，无法解决long context根本问题[70] The Bitter Lesson启示与实践经验 - 计算能力每五年增长十倍，scaling趋势是推动AI进步的关键因素[71] - 随着模型能力提升，早期添加的结构化假设可能成为发展瓶颈[74][81] - AI-native产品应在模型能力足够时从零构建，而非受限于现有流程[82] - Claude Code设计保持简单通用，为用户提供广泛模型访问权限[81] 记忆系统与检索关系 - Agent记忆分为情景记忆、语义记忆、程序记忆和背景记忆四类[50] - 大规模记忆读取本质上就是检索操作，复杂记忆系统就是复杂RAG系统[54] - Claude Code采用极简模式，启动时自动加载用户GitHub仓库，效果出奇地好[53][54] 框架选择与架构设计 - 应区分agent抽象(高级封装)和底层编排框架(精细控制)[77][78] - 开发者需要警惕agent抽象，但不排斥透明可自由组合的底层编排框架[79] - 大型组织推动标准化框架是为了解决实际协作问题，而非框架本身[80]

全球玩具市场概况 - 2025年上半年全球玩具市场回暖明显 全球12个主要市场（不含中国）玩具销售额平均同比增长7% [6] - 增长势头主要得益于特定品类爆发式表现 "游戏与拼图"品类同比增长36% "收藏品类"同比增长35% [7] - 由于法律法规原因 Circana跟踪的消费数据不包含中国市场 中国本土调研机构暂未披露相关数据 [10] 2025年上半年全球玩具公司收入排名 - 乐高集团以384.5亿元人民币销售收入位居榜首 基于公司2025年半年报 [12] - 泡泡玛特以138.8亿元收入位列第二 超越迪士尼的138.6亿元 [12] - 万代南梦宫以144.4亿元收入排名第四 孩之宝和美泰分别以133.4亿元和131.8亿元位列第五和第六 [12] - 榜单统计专注于各公司直接来源于玩具、收藏品、集换式卡牌及相关衍生品的业务收入 剥离了主题公园、非相关数字娱乐等业务收入 [13] IP收藏玩具发展趋势 - IP开发、获取、运营及跨平台价值放大能力成为品牌成败关键因素 [19] - 迪士尼通过内容撬动共鸣 用角色链接情感 消费品部营收138.6亿元 同比增长约3.5% [20][21] - 万代南梦宫采用内容与实体商品高度协同模式 高达系列和《海贼王》TCG卡牌游戏成为主要贡献者 [27][29] - 美泰加速从传统玩具公司向内容供应商转型 成立美泰工作室强化IP跨媒体叙事能力 [39][42] - 泡泡玛特用无故事IP撬动全球潮玩市场 THE MONSTERS系列贡献48.1亿元收入 占总营收34.7% [48][49] 集换式卡牌游戏爆发 - 集换式卡牌游戏成为增长最快、毛利率最丰厚的玩具品类 [53] - 2025年全球TCG市场规模预计达到78亿美元（约555亿元） 2034年将突破150亿美元（约1068亿元） [56] - 孩之宝《万智牌：最终幻想》创下单日2亿美元（约14.3亿元）销售额记录 [59] - 艾赐魔袋集换式卡牌游戏贡献约64%收入 成为连接IP方与全球玩家的黄金桥梁 [69][76] - 万代南梦宫卡牌业务表现亮眼 《海贼王卡牌对战》销量在2025年8月超过《宝可梦卡牌游戏》成为日本卡牌销售榜首 [77][80] 成人玩具消费市场崛起 - 成人消费者成为全球玩具市场复苏的关键力量 [87] - 乐高成人向系列产品推动业绩增长 上半年营收创历史纪录达384.5亿元 同比增长约12% [88][91] - 世嘉通过IP怀旧再造与周边收藏品化双轮驱动方式刺激成年消费者情感与购买力 [95][101] - 多美聚焦高端收藏品类市场 变形金刚大师系列和TLV车模贡献显著利润增长 [102][107] 中国玩具品牌出海模式 - 泡泡玛特采用IP合作孵化+直接面向消费者模式 构建闭环生态系统 毛利率达70.3% [109][112] - 布鲁可采用授权IP+海外渠道商模式 上半年销售收入13.38亿元 同比增长27.9% 海外收入同比飙升898% [113][118] - 两家公司代表中国玩具从幕后工厂进化为主桌玩家 在全球市场与国际巨头同台竞技 [119]

文章转载自 「机器之心」 今天，OpenAI 宣布推出 ChatGPT 新功能「Pulse」的预览版，首先向 Pro 订阅用户开放。 「Pulse」类似于一个超级私人助理，会在每天晚上主动进行研究，根据你每天的聊天记录、反馈 以及日历等关联应用提供个性化更新。第二天清晨， 它会以可视化卡片的形式，向你的手机 App 推 送一组你可能感兴趣的个性化内容。 这是一个基于智能体（Agent）的新功能，山姆・奥特曼表示：「想象一下把 ChatGPT 视为一个 超级私人助理：有时你会询问当前需要的东西，但如果你分享一般偏好，它会主动为你做好工作。 这会是我想象 ChatGPT 的未来： 从完全被动转变为主动，提供高度个性化服务。 」 奥特曼表示，这是迄今为止他最喜欢的 ChatGPT 功能。 超 14000 人的「AI 产品市集」社群！不错过每一款有价值的 AI 应用。 邀请从业者、开发人员和创业者，飞书扫码加群： 最新、最值得关注的 AI 新品资讯； 不定期赠送热门新品的邀请码、会员码； 最精准的AI产品曝光渠道 01 一个主动为你服务的个性化 AI 助理 具体来看，ChatGPT 现在可以代表你进行异步搜索。每晚， ...

Plaud 在招兵买马，疯狂招人。 他们去年赚了一亿多美金，今年能赚两亿多。 怎么理解这个数字的价值？如果你在国内融资，几乎不可能拿到比这更多的美元。 不过 Plaud 没那么需要融资，它是全世界最成功的 AI 硬件 Startup。约 150 美金的录音卡片，卖给了全球超过 100 万人，引来大厂效仿，甚至还有美国团 队跑来中国找供应商。 你不好奇吗？为什么？ 莫子皓是 Plaud 中国区 CEO，也是负责 AI 产品和研发的合伙人。加入之前，他「看到了真实的数据，一年增长四倍。这就是 PMF。」 硬件的销售带来的用户，稳定、真实、有粘性，还高净值。他们有真实的需求，用 Plaud 记录了密度和价值极高的信息，对他们个人至关重要的信息。所 有这些，用今天流行的话说，就是 context。 过去的东西任由行业 follow 和 copy，对 Plaud 来说，这些竞争来得太慢了，他们无瑕顾及。 我们更好奇的是，在 PMF 的助推下，在这丰沃的用户 context 土壤上，Plaud 可以做什么？他们「误打误撞」发现和解锁的下一个关卡，是什么？ 以下是我们与莫子皓的对话内容，经 Founder Park 编辑整 ...

「现在头部的 AI 企业并不一定存在留存问题，核心是如何准确衡量留存情况。」 近期，a16z 的研究团队发布了一篇博客文章《Retention Is All You Need》,在分析了数百家 AI 企业的情况后发现： 将衡量用户留存率的基准点从第 0 个月 （M0）后移至第 3 个月（M3），反而能更清晰地评估 PMF 和 GTM 策略。 同时，研究团队收集了数十家头部 AI 企业的留存数据，将其统一换算为「总营收留存率 （Gross Revenue Retention）」进行分析，得出了一个典型的 AI 产品同期群 （cohort） 的营收留存曲线，可以被清晰地拆解成三个阶段：获客期（M0-M3）、留存期（M3-M6/M9）和扩张期（M9+）。 其中，M12/M3 比率是预测长期留存质量的早期关键指标。一个接近甚至超过 100%的 M12/M3 比率，是企业长期净收入留存率有望突破 100%的重要信 号。 以下为原文内容。 原文链接： https://a16z.com/ai-retention-benchmarks/ 超 14000 人的「AI 产品市集」社群！不错过每一款有价值的 AI 应用。 邀请从业 ...

名单很重磅，海内外的知名创业者比如李开复、肖弘、 陈冕、 Harrison Chase、Yoav Shoham 等，知名 投资人比如 戴雨森、韩锐、万浩基、郑庆生、 Sara Guo、Jennifer Li 等。 给出的观点也颇为实用，毕竟他们是「下水游泳」的人，亲自感受了水温。 Founder Park 取得授权，节选了报告中部分观点，感兴趣的可以阅读报告全文。 给创业者的一些建议： Google Cloud 出了一份面向 AI 创业者的趋势报告，邀请了不少创业者和投资人，谈对 AI 趋势的展望、 给创业者的建议以及 AI 发展方向的预测。 报告获取（点击文末 阅读原文 也可获取）： http://services.google.cn/fb/forms/startupswhitepaper/?channel=geekpark 超 14000 人的「AI 产品市集」社群！不错过每一款有价值的 AI 应用。 邀请从业者、开发人员和创业者，飞书扫码加群： 动作要快。抢占市场先机，是初创公司的重中之重，这时候正是最好的时机。 以交付的价值为准绳来定价：不要局限于按人头收费，应考虑按用量或价值收费。定价应与产品 为用 ...

于是，有人创建了几百个 Reddit 假账号，伪装成真人，自动发帖、评论、互赞，刷信任分，在 Reddit 上疯狂刷屏，让自家产品无处不在。 结果是，这招效果并不好，最后账号被封禁，评论被删除。 在 AEO 中，有大部分工作都被浪费了，是因为还没有搞清楚背后的引用「逻辑」。Reddit 平台的核心 优势是发布来自真人的、有用的、高质量且真实的评论。因此，ChatGPT 有意地引用来自 Reddit 的内 容。但如果 Reddit 内容变得不可信，结果可想而知。所以，五条高质量的评论反而会比一万条评论的 效果更好。 但做好 AEO 优化这事并不简单。需要你理解搜索背后的底层逻辑，找到适合的渠道及对应策略，然后 用自己的真实数据反复去验证，才能找到 AEO 优化最好的打法。 「你在网上能读到的，大部分关于 AEO 的信息和最佳实践都是不准确的。做好 AEO 最关键的一步， 是自己动手去验证。」 Reddit 是做好 AEO 最有效的渠道之一。这是近期频繁出现在各种 AEO/GEO 攻略里的一句话。 Ethan Smith，Graphite CEO、Reforge 合伙人，拥有 18 年 SEO 经验。 在与 Le ...

现在最好的图像质量，和几年后图像质量可能相差不大，实际在于模型能力下限的提升。 未来的交互一定是多模态的，识别用户的意图特别关键。 这是一篇 Nano Banana 背后核心团队成员的专访， 信息量很大。 在 Nano Banana 正式上线后的近一个月以来，社交平台上充满了各种「 邪修 」玩法和探索。Nano Banana 的热度甚至一度冲击了图像、修图类产品的股价。 Nano Banana 为什么好用？读懂背后的 「 how 」特别重要 。Nano Banana 核心团队是如何思考和做图 像模型的？基于图像模型的能力，衍生出来的应用会有哪些特点？ 在一期播客节目中，Nano Banana 核心团队研究员 Nicole Brichtova 和 Oliver Wang，围绕基于模型打造 产品时遇到的挑战、如何思考解决「空白画布难题」以及如何与其他图像编辑产品进行交互等话题进行 了分享。 TLDR: 图像模型未来的趋势可能和 LLM 的发展很像，从单纯的创意工具变为信息查询工具。 未来，模型应该会变得更主动、更智能，能根据用户的问题，灵活运用文本、图像等不同模态进 行交互。 如何把 LLM 中的「世界知识」融入 ...

以下文章来源于卫夕指北 ，作者卫夕 一个看完你会置顶的科技互联网公众号，作者卫夕，每周一篇深度文章剖析互联网、广告、营销相关的底层逻辑！ 本篇文章 作者卫夕，公众号"卫夕指北"出品人，专注科技、广告、AI底层逻辑。 不少读者朋友给我留言，说能不能聊聊AI抢工作这件事。 这其实也反应了一种普遍的焦虑情绪，即大家隐约感觉AI会对工作造成冲击。 但它具体是怎么把一个办公室白领的饭碗给干掉的，很多人并没有真实的体感。 卫夕指北 . 最近我在Twitter上看到了一篇非常精彩的论文，它全局、真切地研究了AI对工作的冲击。我看了非常有感触，也分享大家。 论文来自哈佛大学，由两位经济学博士生Seyed M. Hosseini和Guy Lichtinger操刀。 而他们的导师是劳动经济学的重量级大咖拉里·卡茨（Larry Katz）。 因此，论文是严谨而有分量的。 论文没有任何情绪渲染，就是用冰冷、庞大的真实数据，剖析了2023年以来美国就业市场的AI冲击具体是如何发生的。 报告链接： https://papers.ssrn.com/sol3/papers.cfm?abstract_id=5425555 超 13000 人的 ...