Product
1. 预测市场显示谷歌 Gemini Pro 新模型或于7月17日发布
Polymarket 预测市场上出现一笔引人注目的合约：下个 Gemini Pro 模型有 62% 概率于 2026 年 7 月 17 日发布。该合约已有近 5 万美元交易量。背景是谷歌 I/O 2026 已发布 Gemini 3.5 系列，但 Pro 版本迟迟未上线，内部仍在验证高级推理、200 万 token 上下文和 Deep Think 能力。OpenAI 和 Anthropic 的竞争压力使市场对发布时间形成聚类，安全审查或供应链问题也可能进一步推迟。这反映了顶级模型发布节奏的不可预测性，以及预测市场正在成为 AI 行业情报的另类来源。
来源：Will the next Google Gemini Pro model be released on July 17, 2026?
2. Superpowers 6.0 发布：Fable 5 优化提速50%且消耗降低60%
Superpowers 是一套广受欢迎的 Agent 技能和指令组合，适用于 Claude Code、Codex 等多种编码 Agent。6.0 版本经过 Fable 5 深度优化，运行速度提升高达 50%，Token 消耗减少 60%，同时保持同样高质量的输出。官方博客详细介绍了优化过程：通过让 Fable 5 重写核心技能、消除冗余指令和重新设计流程，实现了效率和成本的显著改善。对于在 token 成本上压力较大的团队，这次更新直接转化为更低的开销和更快的迭代周期。
来源：Massively Parallel Procrastination
3. Simon Willison 用 Claude Fable 找出并修复了5个发布阻塞 bug
知名 Python 开发者 Simon Willison 用 Claude Fable 对即将发布的 sqlite-utils 4.0 进行了最终审查，结果 Fable 发现了 5 个他未曾遇见的发布阻塞问题，其中最严重的是 delete_where() 方法永不提交导致连接被毒化，可能造成数据丢失。整个审查与修复流程估计花费了 149.25 美元（非补贴价格）。Willison 感慨说，让 Fable 做最终审查是一件令人谦卑的事情。这个案例具体展示了前沿模型在代码审计中捕捉人类盲区的实际能力，也量化了成本与价值。
4. DSpark：DeepSeek 自建推理栈使速度提升 60-85% 且模型质量不变
DeepSeek 与北京大学联合发布了 DSpark，一套针对 LLM 推理的定制服务栈。它基于推测解码，核心创新包括半自回归草稿生成（避免并行草稿器的模态冲突）和置信度调度验证（根据接受概率和系统负载动态调整验证长度）。系统在 DeepSeek-V4-Flash 和 V4-Pro 上部署，在保持总吞吐量不变的情况下，每位用户的速度提升 60-85%，且输出分布与目标模型完全相同。这表明推理基础设施优化仍是降低延迟和成本的重要方向。
来源：Agentic AI
5. Anthropic 宣布进入药物研发领域，启动内部药物发现项目
The Verge 报道 Anthropic 宣布 Claude Science 平台并启动内部药物发现项目，专注于传统药企不愿投入的冷门疾病。虽然没有提供具体疾病目标，但这标志着大型 AI 公司从工具提供商向应用端的纵向扩张。Anthropic 之前已建立相关的科学团队，现在将利用自己的 Claude 模型加速药物研发。
来源：The Verge
Tutorial
1. Fable 实战指南：发现未知，匹配地图与领地
Rob Hallam 发布了一篇深度文章，系统阐述如何在与 Claude Fable 的协作中系统性地发现并处理“未知数”。他将问题拆解为已知已知、已知未知、未知已知和未知未知四类，并提供了从实施前到实施后的完整方法流程，包括盲点排查、头脑风暴原型、面试式提问、参考代码、实施计划、实施笔记以及后期汇报与自测。文章指出，更好的模型越能揭示用户自身的未知，而提升代理编程的核心技能就是缩小地图与领地之间的差距。这是一个融合了启发式框架与大量可复制提示的高密度方法论，对于任何使用 Fable 进行复杂任务开发的人都有参考价值。文章还附带了一系列可直接上手的 HTML 演示产物。
来源：A Field Guide to Fable: Finding Your Unknowns
Opinions/Thoughts
1. AI 时代的职业建议：选择问题比解决问题更重要
曾任 OpenAI、DeepMind、Scale AI 研究员兼创始人的 Hesamation 发布了一篇面向 AI 时代早期职业者的深度建议文章。核心论点是：AI 擅长解决有明确损失函数的问题，因此未来的价值在于选择问题、建立关系、投入时间。文章提出了六条具体建议：集中于真正有限的资源（时间、关系、声誉）；学会发现问题而非只解决问题；选择最雄心勃勃的问题形式；冲刺最后 10% 的精细化；平衡期望进球数（xG）与效率；以及现在就可以进入研究工作。对于一个完全 Agent 原生公司的招聘经验尤其具有参考价值。
来源：Career advice in the age of AI
2. Armin Ronacher 发现新版 Claude 模型在特定工具调用上比旧版更差
知名 Python 开发者 Armin Ronacher 详细记录了一个奇怪的问题：新版 Claude 模型（Opus 4.8、Sonnet 5）在调用 Pi 的 edit 工具时，会在 edits[] 数组中凭空捏造字段，而旧版模型不会。虽然编辑本身通常是正确的，但参数不符合 schema 导致工具调用失败。他在博客中深入分析了工具调用作为文本的内部机制，并指出 SOTA 模型在特定模式上反而退步。这是一个反直觉的退化案例。