科技与 AI 日报｜2026-10-27：浏览器开始本地跑模型，代码审查转向 Agent

Opera 把本地模型搬进浏览器

Opera 推出 WebAI 早期预览，让网页和扩展调用电脑上的模型。首批在 Opera One 开放，Opera GX 与 Neon 随后跟进。它目前支持采用 Intel 或 AMD 处理器的 64 位 Windows 电脑，以及 Apple 芯片 Mac；具体速度取决于本机硬件。

这项能力默认关闭，需要用户主动开启才会下载模型；网站访问本地 AI 也受站点权限控制。对于整理标签页、给内容分类之类的任务，这提供了另一条路：开发者不必为每次请求维护云端推理服务，用户交给本地模型处理的内容也不必发给云端 AI 提供商。

我更在意这里的两个边界。第一，本地运行不等于没有成本，内存、电量和等待时间仍由自己的设备承担。第二，WebAI 目前是提议中的标准和产品预览，不能理解成所有浏览器都已兼容。想把它用于日常工作，可以先用不重要的材料试试速度和质量，再决定是否替代现有工具。

前 GitHub CEO Thomas Dohmke 创办的 Entire 正式推出面向人和 Agent 协作的 Git 平台。它把代码审查组织成 Trail：每次推送触发评估 Agent，展示评分、理由和未解决的问题，开发者可以让编程 Agent 按反馈继续修改。

这个界面变化背后有个很实际的问题：当生成代码比审查代码快，评论区会变得越来越长，人很难从中判断“现在到底能不能合并”。Entire 把评估结果放在更显眼的位置，并提供合并门槛，可要求人工批准和 CI 通过；发布时还接入了 Buildkite 与 Depot。

它也允许保留 GitHub 作为主仓库，通过镜像尝试新工作流。对团队来说，这比立刻搬走所有代码更容易验证实际价值。不过，评分本身仍是工具输出。我的判断是，能否找到真正的缺陷、能否复现和解释判断，比把几盏灯变成绿色更重要。关键变更仍需要有人对需求和后果负责。

苹果公布 Apple Creator Studio 的下一轮更新。Keynote、Pages 和 Numbers 将加入测试版智能助手，分别协助处理幻灯片、文字与表格；同时增加 MCP 支持，让外部 AI 工具能够读取内容、编辑文档并执行自动化操作。

这比单独打开聊天框多了一层文档上下文：用户不用每次都把材料复制过去，再把答案粘回来。对已经使用这些应用的人，真正有价值的可能是减少来回搬运，而不只是多一个生成按钮。

更新计划于 11 月向现有订阅者免费提供。这里的“免费”指订阅内更新，并非所有能力都向非订阅用户开放。智能助手仍处于测试阶段，只支持美式英语，并要求支持 Apple Intelligence、运行相应 27 系列系统的设备；MCP 则要求 macOS 27 或更新版本。

这些条件值得先核对。演示能编辑一份英文文档，不等于自己的设备和中文材料已经得到同样支持。让 Agent 改正式文件前，保留原件、检查实际改动，仍是省事的做法。

印度 AI 基础设施公司 Simplismart 宣布完成 1400 万美元 B 轮融资，由 Dallas Venture Capital 领投，NVIDIA 等参与。公司主要提供推理软件与编排能力，利用第三方 GPU 资源，而不是自己建设一支 GPU 机群。

它强调按应用要求安排推理：语音对话需要及时响应，夜间批处理则可能接受更久的等待，以换取较低成本。同一个模型的部署方案，也会因为流量、延迟要求和资源价格不同而变化。

这轮融资不能证明某套优化已经适合所有客户，但它提醒我，模型能回答问题只是第一步。上线后还要考虑模型是否已加载、流量上涨时能否及时扩容、低谷时要为多少闲置资源付费。单次测试跑得快，和整天稳定地满足要求，是两种不同的能力。

评估类似服务时，最好带上自己的请求样本和高低峰流量，比较完整任务的成本与质量。厂商的客户案例可以提供方向，不能直接当成自己的收益承诺。

OpenAI 宣布涉及数学、计算复杂性和量子场论的三项结果，并邀请外部学者组织理解与核验。数学部分直接公开模型输出；计算机科学部分公开自然语言证明和 Lean 形式化材料；物理部分的材料发布安排交由外部合作组推进。

其中，关于指数时间假设的主张尤其引人注意。OpenAI 称模型给出了反证，但这仍应被表述为待学术共同体进一步检查和解释的结果，不能顺手扩写成“所有困难计算都变容易了”。公司自己也指出，从理论进展走到实用算法，还需要大量后续研究。

这些结果并非公告当天才突然出现。例如，官方称指数时间假设的自然语言结果产生于 10 月 16 日，次日完成 Lean 形式化；本次新进展是公开材料及合作安排。

我关注的是后续能否出现可独立检查、能被同行讲清楚的解释。机器检查、专家理解和现实应用各自回答不同的问题，一份形式化证明的存在，不会自动替我们完成后面两步。

IEEE Spectrum 发表 Benjamin Skuse 与 IEEE Access 合作进行的实验记录：先用聊天模型制作一篇没有真实研究支撑的论文，再尝试使用自动研究系统生成另一篇材料，观察出版前检查会发现什么。

第一篇被虚构、无法核实的参考文献暴露。第二篇的参考文献虽然真实，却过度依赖尚未经过同行评审的预印本，人工检查还发现了图中的异常。这是作者在报道前完成的实验，并非当天新发布的研究系统，也不能据此断言所有自动生成论文都会被识别出来。

它给普通读者的提醒很具体：面对格式完整、语言专业的材料，先去检查证据是否存在，再看证据是否真的支持结论。参考文献能打开只是起点，实验是否做过、结果能否复现、图表与文字是否一致，同样需要追问。

我不觉得这意味着写作时不能使用 AI。更有用的区别是：让工具帮助表达已有证据，和让顺畅的表达替代证据。两者看起来可能很像，可靠性却相差很远。