1. DeepSeek V4 开源放出：1.6T MoE + 1M 上下文，长上下文推理成本砍 90%
一句话: V4-Pro 是目前开源最大权重模型，KV cache 比 V3.2 砍 90%，长上下文推理成本被改写。
DeepSeek 04-24 在 Hugging Face 同步放出 V4-Pro 与 V4-Flash 两个 preview 版本。Pro 是 1.6T 总参 / 49B 激活的 MoE，是目前开源世界最大权重模型；Flash 284B / 13B 激活。两个模型都吃 1M token 上下文，全部走标准 MIT 协议 —— weight 直接可下载、本地可跑、可微调，没有任何 commercial license 限制。距上一代 V3.2 只过了大约 4 个月，节奏快得可怕。
真正值得读两遍的不是参数大小，是架构。V4 引入了 Hybrid Attention：在 1M 上下文条件下，V4-Pro 的单 token FLOPs 只有 V3.2 的 27%、KV cache 只有 10%；V4-Flash 更激进，FLOPs 10%、KV cache 7%。翻译成钱：之前跑 1M context 推理你需要租满血 H100 集群，现在 V4 在同样 token 量下显存占用直接砍掉 90%。MIT Tech Review 给的判断很直接：closes the gap with frontier models —— 开源模型第一次能在长上下文场景咬住 GPT-5.5 和 Claude Opus 4.6。Simon Willison 在他 blog 里测完直接说 almost on the frontier, a fraction of the price。
对工程师的实操线索：第一，做 RAG / Code Review / 法律合同分析这类「上下文吃 100K+」的场景，立刻测 V4-Flash —— 单 token 推理成本是同档闭源模型的零头。第二，如果你之前在跑 Llama 3 / Qwen 系列 + vLLM 自托管，本周就该把 V4 weight pull 下来对比 benchmark。第三，做 Agent 的，1M context 意味着「工作记忆 + 工具历史 + 规划 chain」可以全塞 prompt 不用 RAG，Agent 设计接下来会朝「超长 in-context」演化。
来源: Simon Willison's Weblog · TechCrunch · MIT Technology Review
2. Kimi K2.6 开源登顶：13 小时连续编码 + 300 子 Agent 并发
一句话: 1T MoE / 32B 激活，国产开源第一次在「长程编码 + 多 Agent 编排」两个工程场景同时压制 GPT-5.4 与 Claude Opus 4.6。
月之暗面 04-20 正式发布并开源 Kimi K2.6。模型本身是 1T 总参 / 32B 激活的 MoE 架构，统一上下文窗口 256K。它的卖点不是参数大小 —— 是 Agent 工程能力。单 Agent 模式下它能连续编码 13 小时、写或改 4000+ 行代码不停；Agent 集群模式下，它可以动态拆任务、自主生成专门的子 Agent，最多并行调度 300 个子 Agent 完成 4000 个协作步骤。在多个 benchmark 上，K2.6 是第一个在「代码 + 长程任务」两个维度同时压过 GPT-5.4 和 Claude Opus 4.6 的开源模型。
和今天另一条 DeepSeek V4 放在一起看，国产开源的两条路线就清晰了。DeepSeek V4 押的是「foundation model 通吃 —— 1.6T 参数 + 1M 上下文 + 推理成本砍 90%」，走的是覆盖范围；Kimi K2.6 押的是「Agent 工程化 —— 13 小时不掉链子 + 300 子 Agent 并发」，走的是工程级可靠性。两条路线都对，解决的是不同问题。Kimi 把模型直接做成「能接进 CI/CD pipeline 跑半天活的数字员工」，比 demo 级 Agent 高一个量级。同步动作是 K2.6 API 涨价 58%，月之暗面在赌「企业客户愿意为可靠的长程作业付钱」。
实操线索：做 Code Agent、自动化重构、legacy codebase 升级的人，把 K2.6 当 Claude Code 工作流 的开源平替直接测。做 multi-agent 编排（CrewAI / AutoGen / LangGraph）的，把 orchestrator 切到 K2.6 试一下「子 Agent 并发上限」是不是真能撑 300 路。对 prompt 工程师来说要换思路 —— prompt 设计开始往工作流编排靠，不再是「写一段 prompt 让模型一口气出结果」。
3. Cursor 谈 20 亿美元融资 / 500 亿美元估值，Nvidia 首次出手押 AI 应用层
一句话: Andreessen Horowitz 领投，Nvidia + Thrive 跟投，半年估值翻倍。Nvidia 第一次投 AI 应用层信号大于钱本身。
CNBC 04-19 率先披露：AI 代码 IDE 公司 Cursor 正在洽谈一轮 20 亿美元融资，对应估值 500 亿美元以上。这一轮由 Andreessen Horowitz 领投，Nvidia 和 Thrive Capital 跟投。Cursor 上一轮估值还在 250 亿美元附近，6 个月不到估值翻倍。这是 AI 应用层赛道第一次出现「单 IDE 产品估值 500 亿美元」的报价 —— 比绝大多数中型 SaaS 上市公司市值都高。
为什么 Cursor 能拿到这种估值？三个原因。第一，AI Coding 是目前 LLM 应用层 ARR 增速最快的细分赛道，Cursor 的 ARR 在过去 12 个月连续 6 个季度环比 50% 以上增长，已经把 GitHub Copilot 在专业开发者群体里的份额挤掉相当一部分。第二，Cursor 已经从「IDE」演化成「Coding Agent 平台」 —— 它的 Composer / Agent 模式直接对标 Claude Code、Codex 这类 agent 产品，护城河变厚。第三，Nvidia 这次跟投信号意义大于钱本身：Nvidia 之前只投基础模型公司（OpenAI、Anthropic、xAI、Mistral），第一次出手押 AI 应用层头部产品，等于在为下一轮 GPU 需求提前绑定关键工具客户 —— Cursor 跑在哪家云上、用谁的 GPU 推理，对 Nvidia 是真金白银的下游订单。
求职端 signal 很强：Cursor 拿到这笔钱必然激进招人，加上 Replit Agent、Bolt、Vercel v0 这一票 AI dev tools 公司同时扩张，AI Engineer 岗位池子接下来 12 个月会持续打开。会前端 + 会用 LLM 写工具调用 + 懂 IDE 内部架构的工程师是最稀缺的组合，比纯 LLM 工程师待遇还高。对个人开发者：现在不学 Cursor / Claude Code / Codex 三个里至少一个，2026 下半年简历会直接落后一个身位 —— 这个工具栈已经从「可选」变成「基本素养」。
来源: CNBC
4. Adobe Summit 把 Experience Cloud 改名 CX Enterprise，推 Coworker 数字员工
一句话: 营销栈第一次按 Agent 优先重构，Coworker 跑在 MCP + A2A 开放协议上，可以挂第三方 Agent。
Adobe Summit 2026 04-20 一口气甩了几个大动作。最重要的：Experience Cloud 这个用了十几年的产品线名字被整体改名为 CX Enterprise，同步推出 CX Enterprise Coworker —— 一个完整的 agentic AI 系统，可以跨 Adobe + AWS + Anthropic + Google Cloud + Microsoft + OpenAI 平台编排客户体验工作流，不再是「工具集合」，而是真正能监听信号、推荐 next-best-action、跨多渠道实时执行的数字员工。配套发布的还有 Engagement Intelligence（升级版决策引擎）、Journey Optimizer Loyalty（游戏化忠诚度）、CX Analytics（统一洞察）、Real-Time CDP 扩容。
为什么这件事比改名重要？这是企业级 SaaS 公司第一次把整个产品线从「工具集合」彻底重构成「Agent 编排平台」。过去十年 Adobe Experience Cloud 是给营销人员手工配 journey、配规则、配 A/B 实验；现在 CX Enterprise 的核心是 Coworker：营销人员描述目标，Coworker 自己拆任务、自己跨工具执行、人留在审批节点。最关键的细节是协议选择 —— Coworker 跑在 MCP（Model Context Protocol）+ A2A（Agent-to-Agent）这两个开放协议上，意味着第三方 Agent 可以挂进来、Coworker 也可以挂出去到别人的平台。Adobe 在赌一个非常具体的位置：成为 enterprise Agent 编排的中枢平台。配合 Google Cloud Next 2026 上的 A2A 联盟（150+ 组织加入），MCP/A2A 这套协议正在快速变成企业 Agent 的事实标准。
实操线索：做营销自动化、CRM、CDP、客服系统的工程师，立刻去看 MCP 协议规范（Anthropic 维护）和 A2A 协议（Google 主推） —— 这两个协议接下来 12 个月会从「实验性 spec」变成「企业必学」。写 Adobe / Salesforce / HubSpot 集成的工程师，角色会从「写 ETL 同步数据」变成「设计 Agent playbook」。新的复合岗位会爆发：prompt 工程师 + 营销/运营背景。对个人开发者，2026 下半年值得花时间做一个开源 demo —— 比如「我自己的 MCP server，把 Notion / Slack / Gmail 接出来给 Claude Code 用」，这个能力直接就能写进简历。
来源: Adobe News - CX Enterprise 总览 · Adobe Unveils CX Enterprise Coworker · MarTech
5. TSMC 北美 Symposium：A13 + N2U + 14-reticle CoWoS，AI 芯片瓶颈彻底转向先进封装
一句话: 14-reticle CoWoS 单封装可塞 10 大 die + 20 HBM 2028 量产，凤凰城再购 900 英亩做先进封装本土化。
TSMC 04-22 在加州 Santa Clara 开 2026 北美技术 Symposium，一次性公布了三个量级的更新。第一个是 A13 工艺：在 2025 年公布的 A14 节点基础上做 direct shrink，面积省 6%、设计规则完全后向兼容、2029 进入量产。第二个是 N2U：基于 N2P 做 design-technology co-optimization，速度提升 3-4% 或功耗降低 8-10%、逻辑密度再涨 1.02-1.03 倍，2028 量产。第三个是先进封装路线图升级：现役 5.5-reticle CoWoS 之外，14-reticle CoWoS 提上日程 —— 单封装可以塞约 10 颗大型计算 die + 20 个 HBM 堆栈，2028 量产。同时 TSMC 董事会批准在亚利桑那 Phoenix 再购入 900 英亩土地，2029 前建成 CoWoS + 3D-IC 美国本土产能。
翻译成普通话：AI 训练芯片的瓶颈早已经不是「单 die 跑多快」，而是「我能在一个封装里塞多少个 die、塞多少 HBM、互联带宽多大」。Nvidia GB200 用的是 2 颗 Blackwell die + 8 个 HBM，AMD MI400 类似量级；现在 14-reticle CoWoS 把上限直接提到 10 大 die + 20 HBM —— 等于一个封装就是一台老式服务器机架的算力密度。下一代 Nvidia / AMD / Google TPU / AWS Trainium 几乎都会跑在这个新 CoWoS 平台上，没有第二条路。同时 Phoenix 这块 900 英亩地皮意义重大 —— 之前 TSMC 美国厂主要做晶圆制造，先进封装一直留在台湾，现在把先进封装本土化等于把 Nvidia / AMD 整条 AI 供应链拉到美国境内。
对工程师的实操线索：做 ML infra、模型部署、推理优化的人，未来 2 年要习惯「单芯片就是系统」这个新范式 —— 模型并行策略（tensor parallel / expert parallel / context parallel）、KV cache 拆分、attention sharding、kernel fusion 这些技能从「研究方向」变成「工程必修」。硬件岗位的口袋会被 AI 资本重新装满 —— chip packaging engineer、advanced thermal engineer、SI/PI engineer、co-packaged optics engineer 这些之前小众的硬件岗位接下来 2-3 年会出现大幅薪资涨幅，硬件工程师转 AI infra 是一个被严重低估的窗口。做 LLM serving 的人盯住 vLLM / SGLang / TensorRT-LLM 这些推理引擎对新封装的支持节奏。
关注 JR Academy
想每天 9 点收到 AI 日报？关注 JR Academy 公众号 · 回复「AI 日报」自动订阅。历史日报全开放：jiangren.com.au/blog
学完今天 5 条新闻，建议同步看：
- Vibe Coding 学习中心 —— Cursor / Claude Code / Codex 三件套实战
- AI Engineer 学习路径 —— 从模型 API 到 Agent 编排
- Prompt Master 路径 —— prompt 工程升级到工作流编排
