与「App测试」相关的搜索结果

做海外App的人，最好不要等到测试阶段才发现自己的账号环境没准备。 需要下载、测试或体验特定地区App的，可以提前把对应Apple ID准备好。需求明确，直接看产品。 👉 下单地址： #AppleID# #App测试# #海外App#

🌕 Gate 招人啦～月亮圆了团队也想再圆一点☺️ 这次内推岗位覆盖合作、产品、研发、法务、机构和 Web3，欢迎大家来看看重点方向： - 全球合作伙伴经理 - APP 研发 / 测试 / 性能治理 - 高级法律顾问（投资与战略交易） - 机构客户关系经理 - 后端、交易系统、SRE - 机构市场运营与数据分析 - 机构 API 技术支持 - Web3 产品 / 前端 / 后端 - 产品经理（KYC、美股、理财、专业交易、社交、AI） 有相关经验、想进交易所核心业务的朋友，可以把简历发我，合适的我帮内推，岗位细节可以看我们官方 JD～ #Gate内推#

Claude Code 的设计感确实更胜一筹，但在实际开发和测试的硬指标上，它被 Codex 甩开了几个数量级。一位开发者通过并行构建 App 的测试发现，虽然 Claude Code 看起来更精致，但一旦涉及到核心的开发逻辑与测试环节，Codex 的效率表现完全是另一个维度的存在。 现在的 AI 编程工具，好用与好干，可能根本不是一回事。

华尔街日报最新发了一篇长文《How Google Got Its Groove Back and Edged Ahead of OpenAI》，讲的是 Google 在 AI 竞赛中如何从落后到反超的故事。 2025 年 8 月的一个凌晨两点半，Google 的一位 AI 项目经理 Naina Raisinghani 正在上传 DeepMind 实验室的最新成果，一个超快的图像生成器。她需要给它取个名字才能提交到 LM Arena 排名平台，但这个点没人在线。 于是她随手用朋友给她起的两个外号拼了一个：Nano Banana🍌。 几天后，Nano Banana 冲上排名榜首，在 X 上成为热门话题，用量远超 Google 预期。到 9 月，Gemini App 成了苹果应用商店下载量第一。11 月，Google 发布了迄今最强的 Gemini 模型，在多项指标上超越 ChatGPT，股价大涨。 OpenAI 内部随即发出 Code Red。 时间拨回 2015 年，Pichai 刚接任 Google CEO，那时候 AI 还只是学术圈的事。2016 年他发了一篇博客，说过去十年是智能手机的时代，未来十年将是 AI 优先的时代。 其实 Google 早就在布局。2011 年成立了 Google Brain，联合创始人 Jeff Dean 参与开发了神经网络技术，这是今天大语言模型的基础。后来又收购了伦敦的 DeepMind，创始人 Demis Hassabis 是个国际象棋神童，后来因为 AlphaFold 拿了诺贝尔奖。 还有一步棋当时不太引人注目：Google 开始自研 AI 芯片。他们认为语音识别这类应用会需要大量算力，于是设计了 TPU（张量处理单元），比传统 CPU 和 GPU 更省电。这步棋后来被证明是关键。 不过 Google 一开始对聊天机器人很谨慎。一些高管和研究员担心安全问题，早期模型很容易被诱导出种族歧视或性别歧视的回答。前 Google Brain 员工 Julia Winn 说，Google 对这类风险看得比她待过的任何公司都重。 这种谨慎让一些研究员很沮丧，有的选择了离开。 2022 年 8 月，Google 发布了一个叫 LaMDA 的聊天模型，只开放给少数人测试。测试 App 叫 AI Test Kitchen，有三个功能：想象它、列出它、聊狗。对，第三个功能只能聊狗。 三个月后，OpenAI 发布了 ChatGPT。五天内，一百万人注册。用户没有太多限制，想聊什么聊什么。 Google 内部一些在 AI 上耕耘多年的员工气坏了。分析师和投资者开始质疑：Google 是不是要错过科技史上的下一波大浪？ 2023 年 1 月，Jeff Dean、Demis Hassabis 和新加入的机器人专家 James Manyika 向董事会汇报了打造最强模型的计划。 但 Google 等不及了，需要先推一个产品出来。2 月，他们匆忙发布了基于 LaMDA 的 Bard。 发布会翻车了。宣传视频里，Bard 被问到韦伯望远镜的问题，回答说它拍了第一张系外行星照片。这是错的。Alphabet 股价当天跌了 8%。 差不多同一时间，已经退休的联合创始人 Sergey Brin 在一个派对上碰到了 OpenAI 的研究员 Daniel Selsam。Selsam 问他：ChatGPT 这么厉害，作为计算机科学家你不心动吗？怎么不回来全职搞 AI？ Brin 觉得他说得有道理，于是回归了。 2023 年大部分时间，Google 都在努力整合内部的 AI 力量。Google Brain 偏研究，DeepMind 偏产品，两边文化不同，合并后产生了不少摩擦。 不过 Google 有一个巨大优势：OpenAI 需要融资，Google 可以从自己几百亿的利润里拿钱做研发。 但 Google 还有一个难题：怎么在拥抱生成式 AI 的同时，不把自己的摇钱树给弄死？Google 占了网页搜索市场 90% 的份额，这是广告业务的根基。 为了弄清楚 AI 搜索应该长什么样，Google 启动了一个叫 Project Magi 的多团队项目，由后来成为搜索副总裁的 Liz Reid 牵头。 Reid 说，难点在于当答案不在单个网页上时，怎么让搜索快速给出清晰的回答。人们不只是在用搜索，而是在依赖搜索。搞砸了的话，你妈、你朋友、你孩子都会来找你算账。 2023 年底，Google 发布了第一版 Gemini。OpenAI 的 ChatGPT 主要用文本训练，Google 的 Gemini 从一开始就用文本、代码、音频、图像和视频一起训练。这是技术野心更大的方案，虽然开发时间更长，但后来证明是值得的。 2024 年 5 月，Google 推出了 AI Overviews，在搜索结果顶部显示 AI 生成的摘要。用户开始进行更复杂的搜索。随后 Google 开发了 AI Mode，一种聊天机器人式的搜索选项。 Reid 说，经过无数次迭代，团队开始发现自己不再只是为了测试而用它，而是真的想用它。 Brin 回来后做的很多工作是帮 Gemini 挑毛病。他还促成了一笔 27 亿美元的收购，把两位离开 Google 创业的 AI 研究员 Daniel De Freitas 和 Noam Shazeer 带了回来。这两人后来参与领导 Gemini 的开发。 2024 年 8 月，Nano Banana 爆火。负责 Gemini App 和 Google Labs 的 Josh Woodward 把这次发布称为成功的灾难：全球用户生成了数十亿张图片，Google 一度找不到足够的算力，只能紧急借用服务器。 到 10 月，Gemini 月活用户从 7 月的 4.5 亿涨到了 6.5 亿。 11 月 Gemini 3 发布又造成算力瓶颈。但 Google 十多年前就在准备这一天了。他们自研的 AI 芯片成了竞争优势，最新的 Ironwood 芯片大幅降低了 AI 模型的运行成本。 11 月底传出消息，Google 正在和 Meta 谈判，要卖给他们价值数十亿美元的芯片。这个消息让 Nvidia 股价当天跌了 7%。 Pichai 在 12 月的内部备忘录里写道：我们以很棒的姿态结束了 2025 年。想想一年前我们在什么位置，这个进步令人难以置信。 Google 用了十多年的积累，经历了 ChatGPT 的冲击和 Bard 的翻车，整合了内部资源，最终在 2025 年底完成逆袭。当然，OpenAI 后来也发布了更强的 ChatGPT，用户量仍然远超 Gemini。这场 AI 竞赛远没有结束。

iOS用户苦定位久矣——系统自带的地理限制常常让人束手无策，但一个名为wloc的开源项目，正在彻底改写这个游戏规则。 通过wloc，你只需要一次操作，就能把iPhone的全局网络定位瞬间投送到全球任意坐标点，无论是香港、东京、纽约还是巴黎，所有主流城市随你切换，真正实现足不出户走遍世界。 实操体验远比想象中更友好： 交互方式极其直观：在地图界面轻点目标位置即可完成定位变更，彻底告别手动输入经纬度的繁琐操作 代理工具全面覆盖：完美兼容Surge、Quantumult X、Loon、Stash以及小火箭等主流软件 快捷指令的联动堪称行云流水：在地图App内长按选定兴趣点，通过共享菜单呼出指令，一键触发切换 国内用户无感知适配：同时打通苹果地图与高德短链，坐标转换全程自动完成，无需人工干预 全程无需越狱环境，基于纯MITM脚本实现，既保证了操作门槛极低，也兼顾了设备安全性 无论你是要进行室内定位模拟、App地理边界测试，还是快速切换城市模式以应对异地办公打卡需求，wloc都能一套工具全部包圆，堪称iOS生态里不可多得的定位利器。 🔗

软件开发里有一种叫 TDD（Test-Driven Development）的方式，简单讲，就是先写好测试用例，然后再写程序。每写一部分代码就立刻跑对应的测试，看能不能通过。能通过说明实现符合预期，不通过就说明有 bug。TDD 的好处在于，它让整个研发过程可验证、可回归，也让开发变成一种持续的反馈循环。 AI 的发展其实也像是在做一场巨大的 TDD，只不过测试用例变成了数据集（Dataset）。每一次模型迭代，本质上就是在跑新的单测（Benchmark）。MMLU 测知识广度，GSM8K 测逻辑推理，HumanEval 测编程能力，AIME 和 MATH 则测严谨的数学推理。每个 leaderboard 都是一张 AI 世界的成绩单——DeepSeek 在数学推理上用 GSM8K 打出好成绩，Manus 则靠打榜多模态任务的数据集 GAIA 崭露头角。这些 Benchmark 像是模型进化的里程碑，每一代 AI 都得交卷。 2025 可以说是智能体（Agent）元年，模型不再只靠会算、会说来评估，而是要能动手。要让一个 Agent 真正好用，光靠写 Prompt、加检索、拼上下文是不够的，它得能使用工具，能执行 Python、Shell、SQL，能感知状态、理解任务依赖，更要能在反馈中调整自己的行为。评估 Agent 好不好用，也就不能只看单轮问答，而得看它能否完成一件真实的工作。 Anthropic 做的 SWE-bench 就是个典型例子，让 Agent 去修真实项目里的 Bug，看能否通过单测。OpenAI 的 MLE-bench 则更进一步，考察 Agent 在机器学习工程中的执行力，从读数据、清洗、编程、训练，到收集指标、分析再改进，形成一个完整的闭环。社区里还在探索更复杂的测试，比如 App-bench，看 Agent 是否能独立开发一个 Web 应用，从前端到后端再到部署上线；或者 Ops-bench，让它去处理运维任务，比如容器编排、日志分析、系统回滚。这些都在考验 Agent 的真实工程执行力。 AI 的进步，正在从“能思考”走向“能执行”。TDD 让软件工程可验证，而在 AI 世界，Dataset 和 Benchmark 是创新的发动机。Dataset 定义了模型学习的方向，Benchmark 则刻画了行业标准与竞争格局。 未来的竞争，不再是谁的模型更聪明，而是谁的智能体更能干活。真正厉害的 AI，不一定语义最深、参数最多，而是那个能自己规划、自己验证、自己改进的 Agent。换句话说，AI 的未来不只是更聪明的脑子，而是更靠谱的手和脚，能想、能做、还能自己查错修正，这才是“用得上”的智能。

2026 年 9 月 29 日，OpenAI 在旧金山 Fort Mason 办了今年的开发者大会 DevDay。主讲是 CEO Sam Altman。其他几位上台的人都在做这些产品。产品团队的 Holly 演示了新产品 Dots。后训练（模型预训练之后做对齐和能力调优的阶段）研究负责人 Tejal 讲了模型怎么反过来帮 OpenAI 做研究。Codex 的演示由 Romain Huet 来做，他在 OpenAI 负责开发者体验，去年 DevDay 主题演讲里的 Codex 演示也是他做的。整场演讲分三块：面向用户的常驻智能体 Dots 和协作空间 ChatGPT Space，给开发者的新模型和新工具，以及帮开发者做分发、赚钱的渠道。 1. Dots：一直在线、会主动干活的智能体 Sam 把 Dots 比作电影里那种一直在身边帮忙的 AI 助手。他认为订餐厅、买机票这类代办虽然有用，但和这项技术能做的事比起来太小了。他想要的 AI 知道正在发生什么，也知道你在意什么，不用你事事交代。 Dots 是常驻在线的智能体（Agent），有自己的云端电脑和浏览器，能写代码、跑测试。它的权限跟着用户走，能直接用用户已经在 ChatGPT 里连好的插件，覆盖 4000 多个应用。除了在 ChatGPT 里对话，之后还可以给它发短信、打电话。目前每人先有一个 Dot，以后可以配一整组。Dots 跑在 本月早些时候发布的 GPT-6 Astra 上，Sam 称它是 OpenAI 对齐做得最好的模型。用户可以限定 Dot 能用哪些应用、能不能操作电脑，也能给它的各类操作写自定义指令，愿意交出多少责任就放多少权。 Sam 说，他自己的 Dot 每天早上会把夜里进来的消息过一遍，挑出紧急的提醒他。他说这让他拿回了一部分注意力，没那么离不开手机了。他还举了一个更重的例子：把应用从一个即将停用的旧 API 上迁走。这个 API 可能散落在代码库各处，改了哪里会连带弄坏什么，事先看不出来。Dot 可以追踪依赖关系，找出所有要改的地方，写代码、跑测试，最后把 PR（代码合并请求）交给团队审。他让听众想想，过去做这件事要几个人、花多久。 开场视频里，用户把自己的 Dot 改名叫 Alfred。Alfred 和另一个 Dot 帮用户上线网站，改董事会材料，在婚礼蛋糕商家取消后找好备选。它们还发现财务会和女儿的演出撞了期，提出改时间。每件事都是 Dot 推进到需要人确认的地方，再由人拍板。 2. ChatGPT Space：人和智能体一起用的工作区 Sam 认为，现有的生产力软件几乎都没考虑过人和 AI 一起干活。ChatGPT Space 以页面为单位，可以在里面写计划、做调研、生成图片和数据。页面和文件像网盘一样放在同一个空间里。Dot 能直接在页面上工作，在评论里 @ 它，它就会接活。页面本身也能带指令，比如“每天去看 API 平台的 Slack 频道，把发现更新到这里”。之后 Space 里还会加入演示文稿，格式做成智能体方便读写的样子，团队成员可以和各自的 Dot 一起改。 在 Holly 的演示里，页面用斜杠命令就能插入交互图表、表格和可运行的原型。她 @ 自己的 Dot（名叫 Dotty），让它把一组数据改成柱状图。图表可以按反馈类型筛选，Dotty 每小时刷新一次。她还让 Dotty 把“某位工程师在我 Slack 私信里提过的新手引导数据”补进 FAQ。Dotty 能看到她的上下文，所以这种模糊的指代也找得到。 3. OpenAI 内部怎么用 Dots Holly 用一个虚构的歌单应用 Blossom Music，模拟发布前一天的状况。早上 Dotty 已经做了几件事：发现发布评审会提前，改好了日历；看完前一晚测试用户的反馈；注意到设计团队临时改了首页，把新设计发给她。她让 Dotty 直接把这个设计做出来。Dotty 调用她笔记本上的 Codex 构建应用，在 iPhone 模拟器里跑起来，再提交 PR。现场的语音演示卡住了，Dotty 一直回复“还在查”。Codex 线程也报过一次错，她重试后才继续下去。 她说，Dots 真正改变 OpenAI 工作方式的地方在 Slack。Dots 在公司 Slack 里有自己的身份，员工就开始把它们当作代理人。被同事 @ 到的零碎请求，直接转给自己的 Dot 处理。建群时，大家从一开始就把各自的 Dot 拉进来，Dot 带回结果时所有人都能看到。 工程师走得更远。有人在反馈频道贴出会话 ID 和一个用户 bug，某位工程师的 Dot 就会接手排查，提 PR 修复。她说这是真实情况：工程师们的 Dots 每天这样修掉几十个 bug，Dots 这个产品本身有很多部分就是 Dots 写的。 4. 上线范围和企业用的 Specialist Dots Dots 和 Space 当天向 ChatGPT Pro、Business Premium 和 Enterprise 用户开放。Dot 包含在套餐里，和它的对话不占用额度。 企业客户还可以预览 Specialist Dots。这是由公司统一设置、供整个团队使用的虚拟同事，负责会计、市场、法务这类工作量大的事。公司给它目标和背景，审核它的产出，给它反馈，反馈在全公司共享。OpenAI 也在和微软合作，把 Specialist Dots 接入 Agent 365（微软用来管理企业智能体的工具），企业可以用已经在用的微软工具来管理它们。 5. 新模型：更便宜的 GPT-6.1 Sol，更快的 UltraFast Astra 发布这几周，用户的要求集中在两点：更便宜，更快。GPT-6.1 Sol（转录稿误作 Soul）的能力接近 Astra，价格是它的五分之一。缓存输入（重复发送、已被缓存的上下文）比标准输入便宜 95%。智能体需要反复读同一批上下文、长时间迭代，这对它们尤其省钱。Sam 说 Sol 在某些方面比 Astra 还聪明，定位是开发者的日常主力模型。 UltraFast 是新的速度档，API、ChatGPT 和 Codex 里都能用。原有的 Fast 档是两倍速度、两倍价格；UltraFast 是八倍速度、六倍价格，每秒 300 个 Token。它现在可以配合 Astra 用，之后也会支持 Sol。现场让两个模型用同一个提示词，做一个 DevDay 配色的火箭。UltraFast 的火箭已经升空时，标准速度的还没做完。 订阅也跟着调整。新推出的 500 美元档 Pro 订阅叫 Pro 500，额度最高，是 Plus 的 25 倍。它可以在 ChatGPT 和 Codex 里用 UltraFast，还能通过“用 ChatGPT 登录”在合作方的应用里使用。Pro 200 重新开放，继续提供所有前沿模型。 另外预览了 Decisions API。它给 Luna 模型一组预先定义好的选项，让模型从中选一个，比如给请求分流、给图片分类、决定智能体下一步做什么。任务收窄成选择题之后，响应时间可以压到一秒以内，同时保留图像理解、多语言和安全防护。Romain 后来补充说，做机器人的朋友看中的是它能处理视觉输入：机器人可以根据看到的东西，近乎实时地快速行动。 6. 模型开始帮 OpenAI 做研究 Sam 提到，去年这个时候，他和 Jakob 在一次直播里预测，一年内会出现第一个“AI 研究实习生”，当时几乎没人相信。几周前 OpenAI 宣布达成了这个目标：有了一个能接手定义清晰的研究任务的系统，这类任务原本要熟练的研究员花大量时间和精力。 Tejal 的方向是电脑操作（computer use，让模型像人一样操作桌面和浏览器）。她举了两个例子。 第一个是让模型优化电脑操作的运行框架（harness，包在模型外面、负责调用工具和管理步骤的代码）。模型在循环里持续寻找能同时降低延迟、提升效果的改动，团队把找到的改进合进生产环境的框架，并用于后训练。结果是延迟改善了两倍以上，已经上线。 第二个是模型帮忙改进了监控和拒绝训练，让 Astra 在不安全的场景里更会拒绝。Astra 在电脑操作压力测试上因此达到业内领先，操作时出错更少，也更贴合用户的本意。 她给出了几项内部数据。今年夏天之后，研究工作消耗的 Token 量急剧上升。1 月时，模型能做好 15 分钟以内的短任务，需要一天以上的任务大多会失败；到 7 月，超过三分之一的一天量级研究任务，模型能在无人干预下完成。她还提到，Astra 这类模型已经帮忙解决了 100 多个悬而未决几十年的数学问题，也在参与针对耐药感染的新抗生素、古代语言研究、可再生能源和工业机器人等方向的工作。 7. 给开发者的底层工具 Sam 说，OpenAI 想让开发者用上自己内部用的东西。 第一件是 Codex 的运行框架。它同时支撑着 Codex、ChatGPT Work 和 Dots，目标是用最少的 Token、最快拿到准确结果，现在已经开源。第二件是 Codex 完全上云：在手机上开始的任务，可以在浏览器或桌面端接着做，合上笔记本任务也不会中断。 云端能力带来了 Codex Security Cloud。它在云端环境里持续寻找漏洞，并准备好验证过的修复方案供人审核，这次新增了自动去重、定时扫描和新界面。Sam 说这是为了给防守方更好的工具，因为“我们看得到接下来会发生什么”。 新的 Agents API 进入公开测试。它包含运行框架、托管、记忆、多智能体控制等功能，是 Codex 和 Dots 用的同一套技术，也加入了电脑操作能力。现场的例子是一个网站测试智能体，会自己打开浏览器、点击页面、测试流程。基础设施方面，OpenAI 和 AWS 合作推出由 OpenAI 驱动的 Bedrock（AWS 的托管 AI 服务）托管智能体，AWS 客户可以直接使用 OpenAI 的前沿模型、Codex 和 ChatGPT Work。 隐私方面预览了 OpenAI Private Intelligence。其中的零数据留存（ZDR）配合私有安全处理，可以在不把用户内容存到 OpenAI 服务器的情况下做安全检测；私有推理则把隐私保护延伸到推理阶段。Sam 说这套方案是和最大的一批客户一起设计的，目的是让他们能把模型用在最敏感的工作上。 性能方面，Responses API 一年里增长了 100 倍，可靠性保持在 99% 以上。首个 Token 的等待时间缩短了 45%，工具调用和工作流提速 30% 以上。 8. Romain 的 Codex 演示 演示从手机上的 Codex 开始。Romain 人还在会场外，让 Codex 替他跟观众打招呼、讲一个会场的冷知识。接着他用几张会场照片生成的 3D 场景演示 UltraFast，一边说一边改：把小人放到座位上，把直播画面投到场景里的大屏幕上。现场语音没连上，他改成了打字。 Codex 命令行工具（CLI）这次全面翻新。他让 UltraFast 写一个应用，从观众里随机抽三个人送明年的门票，几秒就写完；改成抽六个人，也几乎是瞬间完成。命令行现在支持由 GPT Live 驱动的双向实时语音，不只是语音转文字，但现场没能演示出来。 后面几段演示了多模态和电脑操作。游戏 Astra Adventures 从一张纸上的草图开始，几轮之后画面还很粗糙，借助图像模型，才变成有质感、能用在正式游戏里的美术。然后他让 Astra 通过浏览器自己学着玩这个游戏，屏幕左边显示模型的决策，右边显示它按下的按键。 他又用“应用快照”（app shot）把自己记录飞行课程的应用作为上下文交给 Codex，让它在各种屏幕尺寸下审查这个应用并截图。Codex 自己在模拟器里点开了各项功能。云端 Codex 现在和本地版用同样的工具，包括插件和电脑操作。他顺手把一个“用 Rust 重写整个后端”的任务丢到云端，打算稍后在手机上查看。 最后一个演示用的是 Hugging Face 借来的可编程小机器人 Micro Duck，它名叫 Lavender。Romain 前一晚让 Codex 把它接好：视觉用 Astra，图像生成用 GPT Image 2.5，语音交互用 GPT Live 1。机器人现场看着观众画了一幅画。他说，OpenAI 做 Dots 和 Codex 用的，就是 API 里开放给开发者的同一批工具。 9. 分发和变现：让开发者在 ChatGPT 上做生意 ChatGPT 每周大约有 12 亿人使用。Sam 承认，此前类似的尝试效果参差不齐。他说这次有信心，是因为开发者拿到的是 OpenAI 自己做 ChatGPT 用的工具。 第一项是“用 ChatGPT 登录”（Sign in with ChatGPT）。用户登录第三方应用时，可以直接用自己 ChatGPT 套餐里包含的 Token，开发者不必替新用户垫付模型费用。首批有 16 家合作方。 第二项是插件扩展（plugin extensions）。开发者可以把编辑器、仪表盘乃至整个工作区，做成原生嵌在 ChatGPT 和 Codex 里的应用。现场展示了三个例子。一个是会议应用：在 ChatGPT 里看日历上的会议，点“记笔记”后，页面变成团队和 Dots 一起跟进待办的 Space。一个是 Figma：打开设计稿、看团队评论、让 ChatGPT 改稿。还有一个是 Adobe：在 ChatGPT 里使用 Photoshop 的功能。ChatGPT sites（在 ChatGPT 里生成的网站，几个月里已有数百万个）现在也能接入插件和数据。访客用自己的账号登录、带上自己的智能体，看到的内容因人而异。 用户发现插件的渠道也扩大了。除了在插件库里搜索，ChatGPT 还会在对话中识别出能帮上忙的插件，用户当场就能连接。插件审核流程也简化了：开发者可以跟踪审核进度，看到需要修改的地方，申请人工复审，更新工具时也不用从头提交。 第三项是 OpenAI Marketplace，首批有 30 多家合作方，包括 CodeRabbit、Notion、Vercel。企业客户可以用已经和 OpenAI 签下的采购承诺额度来买这些产品，有承诺额度的开发者也能在这里花。通过和模型推理托管公司 Baseten（转录稿写作 Base10）合作，市场里还能用到开源模型。 10. 收尾：一次额度重置，和“文艺复兴”的说法 当天的后续安排里，Peter 会讲 OpenAI 对开源社区的投入，包括新的 OpenClaw Enterprise Harness（OpenClaw 是一个开源 AI 智能体项目）。还有一个 Codex 游戏工作室环节，观众可以用 Codex 做复古游戏，每人能领一台 DevDay 限定的 chromatic computer，用来玩自己做的游戏。最后是 Sam、Tibo (Thibault) 和 Tejal 的现场问答。 Sam 和 Tibo 还在台上按下按钮，给全世界的用户重置了一次用量额度。Sam 说 OpenAI 已经做过太多次重置，Tibo 一直想把公司改名叫“重置公司”。 最后 Sam 说，他不喜欢把 AI 比作新一轮工业革命，那意味着人变成巨大机器里的齿轮，转得越来越快；生活里有些部分不能也不该被自动化。他希望，如果做对了，AI 带来的会更像一场新的文艺复兴：让人对自己的生活有更多掌控，有更多工具去创造、学习和探索。

大家好，我是MEXC被盗事件的当事人，以下是被盗事件经过 MEXC 确认我的账户被盗、冻结了账户、帮我找回——却漏掉了攻击者留下的 API。24 小时提币限制解除 27 分钟后，34 万美元资产被提空。 1/ 先说结果 2026 年 9 月 27 日 04:12–04:25（北京时间，下同），我的 MEXC 账户被提走 322,110 USDT 和 9,133,999 ONE，合计约 34 万美元。 两天前，MEXC 已经确认我的账户被盗，冻结了账户，帮我找回。我按要求改了密码，换了谷歌验证。但攻击者控制账户期间创建的一个 API 一直没有被撤销，MEXC 也从没告诉过我它的存在。 2/ 攻击者是怎么拿到账户的 9 月 25 日 03:10，我收到 MEXC 邮件，说我的账户「正在申请重置安全项，操作为换绑邮箱，解绑谷歌」，「将于1个工作日内处理完毕」。10 分钟后，03:20，申请通过。 这个申请不是我提交的，用的证件照片和手持视频也不是我提交的。 MEXC 客服事后书面答复：「经过审核资料是符合要求的，所以通过了更改邮箱的申请，但是在复审时，由于发现了此次申请涉及风险，所以紧急冻结了账号，同时回调为您初始的邮箱。」 图：09-25 03:10、03:20 两封邮件；客服答复截图 3/ 攻击者控制账户的七个半小时 账户的「安全操作历史」和「登录历史」显示： · 03:22 重置登录密码；03:23 从印尼雅加达的 IP 187.40.232.161 登录 · 04:19 绑定攻击者自己的谷歌验证 · 05:03 再次修改密码；05:04 再次登录 · 05:05:42，账户里创建了一个 API（客服被盗后告知），距攻击者登录只有 83 秒 · 10:55，MEXC 复审发现风险，冻结账户，把邮箱改回我的 MEXC 当时只改回了邮箱。攻击者绑的谷歌验证、改的密码，是我第二天自己申请才改掉的。那个 API，没有人动过。 图：安全操作历史、登录历史（我自己的 IP 已打码） 4/ 我做了所有被要求做的事 客服当时告诉我：「由于更改安全项之后会有24小时的提币限制，所以在此期间您的资金是无法提出的」，「我们的相关安全设置会尽最大可能的保护用户的账号安全」。 9 月 26 日，我解绑了攻击者的谷歌验证（03:34 获批），重置了密码（03:41），绑定了新的谷歌验证（03:45）。我想把资产转走，被 24 小时提币限制挡住了。 5/ 24 小时一到 按 MEXC 的规则，修改谷歌验证后 24 小时内禁止提币。我最后一次修改是 9 月 26 日 03:45:07。 9 月 27 日 04:12:45，第一笔提币：1 USDT，是测试。随后 13 分钟里，又提了 4 笔 USDT、1 笔 ONE，全部提到同一个新地址。【当时我在睡觉】 登录历史里，这段时间没有任何新的登录。 提币限制锁住了我，没有锁住那把后门。 图：提币记录 6/ 为什么一个 API 就够了 MEXC 帮助中心写着：冻结账户后，「与账户关联的所有 API 密钥将失效」。 MEXC 2023 年的公告写着：通过 API 提币「默认不启用提币白名单，即可以提币到任何地址」。 也就是说，API 提币不需要谷歌验证码，也不需要邮箱验证码。我改密码、换谷歌验证，对它都没有作用。 MEXC 冻结过我的账户，那这个 API 当时失效了吗？如果失效了，为什么解冻后又能用？如果没失效，MEXC 的紧急冻结到底冻结了什么？ 我没有办法知道这个 API 存在：它被创建时，账户绑定的邮箱已经换成攻击者的，通知不会发给我；我能看到的「安全操作历史」里也没有这条记录。我是 9 月 27 日问了客服才知道的。 目前 MEXC 客服表示，无法查看这几笔提币是从 APP、WEB 还是 API 发起的，问题已转交相关部门（工单 M2026092712031）。 图：客服对话截图 7/ 我要求 MEXC 回答 ① 不是我提交的重置申请，为什么 10 分钟就通过了？提交的是什么材料？复审发现了什么风险？ ② 10:55 紧急处置时，为什么只改回邮箱，不同时撤销攻击者的谷歌验证、密码和 API？ ③ 这个 API 是从哪个 IP 创建的？有哪些权限？冻结时它失效了吗？解冻时是不是又恢复了？ ④ 6 笔提币分别通过什么渠道、用什么凭证发起？ ⑤ 一个刚被盗过的账户，禁提到期半小时内就被提空到一个新地址，风控为什么没有拦？ 8/ 我的诉求 请 MEXC：保全全部相关日志；书面回答上面的问题；返还被盗的 322,110 USDT 和 9,133,999 ONE。 我已经向 MEXC 提交正式索赔，并已尝试报警。 9/ 如果你也收到过 MEXC「申请重置安全项」的邮件 有 MEXC 用户给我发来截图：最近几天，他们也收到了「申请重置安全项」的通知，有的因为「证件正面照片与账户身份信息不一致」「手持证件视频人脸与本人不一致」被驳回。我无法核实这些情况和我的事件有没有关系。如果你也收到过，或者已经受损，欢迎联系我。 建议所有 MEXC 用户现在就去【API 管理】看一眼，有没有自己没建过的 API。 图：其他用户提供的邮件截图（已征得同意，邮箱已打码）　【发布前确认对方同意公开，并给邮箱打码】 #MEXC# #账户安全# #资产被盗#

最近其实收到好几封这样的私信了，说实话挺难受😣 而且这位小伙伴之前尝试绑定我的返佣，后来卡在某一步了就没进行然后没进群，不然这波应该至少不会亏。。。 作为爆仓破产过多次从尸山血海走出来的交易者，太理解这种心情了。重新上班攒钱再打，资金太小不知啥时候才能出头😞😞 如果有一个机会，让你用几十U的成本获得1wu本金，只要交易水平达标，就可以拿走80%分润，各位意下如何？ Bitfrog (旧名合约帝！） @BitFrogOfficial 推出了这样的产品 - 他们目前有三个模式，2step和1step都需要经过模拟盘测试，进入收盘阶段后分钱，当然成本少的可怜😃 比如最受欢迎的1wu包，成本99U, 相当于配资了99%，你开单的时候却是用1wu作为本金，等于0风险有了100倍杠杆, 亏完失败也就损失99U Instant就是直接进入实盘阶段，盈利部分可以拿走70%！ - 他家是基于Binance OKX交易对与盘口深度的平台，可交易这两个平台上所有的优质的USDT合约币对，常见的数字货币、美股、黄金原油等都包含， 深度好、滑点小； - APP和网页端都有， 可以用我的邀请码注册，后续给大家要福利 我们群里的小伙伴已经抢先用上，还做了非常详细的表格对比！感谢闪迪，我已经完成20%第一阶段了哈哈哈哈

为什么越来越多人愿意“自己搓一个工具”？Vibe Coding正在发生什么变化？ 微博VibeLab AI 创意赛收官了，一共有 2500 多件原创作品，2.4 亿多话题阅读。很荣幸这次是评委一员，有机会翻看了不少优秀的参赛作品，也转发了其中一部分。 一个直观的感受就是软件开发这种事情，不再需要专业人士了，普通人也能 Vibe 一个工具出来。 所以借这个机会，整理总结一下：为什么越来越多人愿意“自己搓一个工具”？Vibe Coding正在发生什么变化？ 一、写代码这件事，门槛和成本都降下来了 写代码以前是程序员的专利，想写个工具，别说学语言框架，搭个环境都费劲的要死，随便一个环境都能把你卡住，像我这样写程序得有很多年的，换个不熟悉的语言，一样也搞不定。 现在借助 AI Agent，门槛一降再降，现在你只要有一个 Agent，会打字或者会语音，都能指挥 Agent 帮你写一个 App 出来。写代码这件事，从以前需要专业技能，到现在变成了语言表达能力。 我自己身上都有明显变化，从以前对 Vibe Coding 的嗤之以鼻，到现在“真香”，每天都大量的在指挥 Agent 帮我写代码。 二、以前的软件，满足不了长尾需求 长尾理论说的是，需求分布是一条长长的尾巴：头部是大多数人共有的需求，尾巴上是无数小众的、个性化的需求。传统软件只能做头部，因为为少量用户单独开发功能，成本上是不合算的。 而且，就算你有个好想法，也很难传递到开发者那里。想象一下一个普通用户的需求要经过的链条： 用户反馈 → 产品经理收集筛选 → 转化成需求文档 → 设计师出设计稿 → 程序员做系统设计 → 编码 → 测试 → 运维部署 每一环都在过滤、都在排优先级。最终大部分普通用户的需求，都被筛选掉了，软件最终只能取最大公约数，做绝大部分人都需要的那部分。 结果就是，市面上的软件很多，但每个人都有一堆“要是能这样就好了”的小需求，从来没有被满足过。 这次 VibeLab 里我印象很深的一个作品是 @机器旁白 做的 SiaoCut 。起因是他看到我做的 BaoCut，很喜欢“转写、像改文稿一样编辑、AI 处理、人工审阅、导出”串成一条工作流的思路，但 BaoCut 只支持 macOS，他是 Windows 用户。放在以前，他只能等我哪天有空做个 Windows 版，或者就此作罢。现在他自己和 AI 一起做了一个，而且不是简单复刻，还在这个过程中想清楚了自己关心的问题：AI 进入剪辑流程后，应该拿到多少数据，能替创作者决定到哪一步。 这就是长尾需求被满足的样子：不需要等别人来做，有需求的人自己就能把它做出来！ 三、Vibe Coding 让成本变低、链条变短 所以以前那种长长的从需求到交付的链条，现在可以缩成简单的几步： 有个想法，让 AI 去设计、制作、部署。 甚至于很多需求根本不需要做成一个有界面的产品。 比如你想每天自动整理某个表格里的待办，或者每周追踪最新的 AI 资讯，这些事让 AI Agent 帮你写个脚本，再让它自己定时调用就行了。 比如 @张铁蕾 开源的 Bridgic Agent 就是这样的作品：输入 /build，描述你的目标，它自己去探路、生成、验证，遇到需要你判断的地方再来问你。做出来的不是一次性跑完的任务，而是可以长期运行、随时修改的工作流。 还有一种更轻的做法：把你的操作流程、经验和偏好写成 Agent Skill，就像一份告诉 AI 怎么做某类事的说明文档，那么以后 Agent 就能按照 Skill 的说明帮你把很多繁琐的事情变成自动化半自动化的操作，大幅提升你的效率。 现在随着 Agent Computer Use（操作电脑）的能力增强，你甚至可以让 AI 观察你操作一遍，然后它自己能把它你的操作录制成 Skill。不需要界面、不用部署，但它确实能替你干活。 四、模型和智能体的能力，一直在变强 现在普通人也能 Vibe Coding，还有一个重要原因是模型能力在变强。 回头看这几年的变化： 最初，像 GitHub Copilot 只能做代码补全，你写一半它提示后半段； 然后，它能根据描述生成一段完整的代码； 后来， Claude Code 能自己在项目里探索，读文件、找上下文，把一个功能完整实现； 现在，主流 Agent 都已经能做设计、写代码，还能帮你操作电脑，打开浏览器自己验证做出来的东西对不对。 模型每上一个台阶，普通人做工具的难度就降一截。VibeLab 期间正好赶上 Kimi K3 发布，很快就有创作者拿它做体检报告工具、做斗地主游戏，还有人把 Claude Code、Qoder、GLM、Kimi K3 混着用。 由此也可以看得出越来越多的人已经不再把 AI 当聊天机器人了，能配合 Agent 把 AI 当干活的工具。 五、变化的还有“做工具”这件事本身的心态 看作品的时候我还注意到一点：很多作品不追求改变世界这种宏大的事，就是想先解决一个具体麻烦。比如说工作流太碎、长辈不听劝、拍照没人帮、看不懂热点，作品的起点都是这样一个一个具体的痛点。 最初微博在设定大赛规则的时候，把赛道拆进职场、生活、视觉、微博这些具体场景，现在看来还挺有道理的，因为这确实能激发人 Vibe 的冲动，想去用 AI 解决生活中的问题。 其实这次参赛的作品也不都是工具。@世界第一裹凉皮 把 32657 位诗人、933857 首诗做成了一个三维宇宙 ；@德里克文 的「华夏博物志」把全国博物馆收进一幅可以点开的中国画 ；@海辛Hyacinth 把三星堆&金沙文物变成了互动场景 。这些作品看起来似乎不像工具那么实用，但让我们看到 Vibe Coding 不只是提效，也可以服务于文化和审美。 以前想做这样的东西，需要一个团队，现在一个人，不需要会写程序，有自己的想法加上 AI 就可以试试看。 最后，如果你也想自己搓一个工具，我的一点建议： 从写一个 Agent Skill 开始。 这是成本最低的方式：不用部署，不用界面，把你希望 AI 帮你做的某类事情写清楚就行。做一次，发现哪里不对，改一改，很快就能用起来。 顺便推荐下我的书《图解 Skill》，也是不错的 Skill 入门书籍。 如果要做网页或者 App，不用一上来就让 AI 把整个东西做完。 建议分步走： 1. 先和 AI 一起讨论需求，把你想要什么说清楚，让它复述一遍，确认理解一致。 2. 先做原型。也就是用模拟数据，只看长什么样、怎么操作，不接真实逻辑。原型的好处是改起来成本低，修改容易，就算推翻重来都很快。 3. 再做 MVP（最小可行产品），只做一个最核心的功能，先做一个小的能跑的东西出来。 4. 再慢慢迭代，有了 MVP 了，能跑起来了，就可以慢慢迭代，一次加一个小功能，AI 能处理的过来，你也验收的过来，日积月累，慢慢会变成成熟的软件。 做完一定要验收。 从头到尾按一个真实用户的路径试一遍，AI 说做完验收完不一定靠谱，还得自己上手用用。 注意安全。 涉及钱、隐私、账号权限的东西要格外小心，拿不准的地方去找专业人士问一下。就像 SiaoCut 的作者给 AI 划定了边界：AI 只拿到任务所需的文本和时间戳，不碰原始媒体，处理完只生成待审建议，最终由人决定。这样的思路值得借鉴。 最后说一句，做出来之后，发出来。 这次 VibeLab 里不少作品原本只是作者电脑里的一个 Demo，发到微博之后被讨论、被转发，有的还上了热搜。对于自己动手做东西的人来说，“作品被看见”是最好激励，也是下一次迭代的开始。