给模型100美元和全套工具，让它自己拍视频

01没有市场的毛利语正在训练自己的语音模型，同期开源视频模型追平闭源

新西兰最北端，一家毛利广播机构在给毛利语训练语音模型。这门语言小到没有任何公司愿意碰，训练数据锁在一份只对社群开放的授权协议下，只归说这门语言的人所有。他们没有向谁申请许可，也租不到这样的东西，模型从头到尾是自己的。同样的做法下，瑞士一个公共联盟用公共超算训练出一个国家级模型，把权重、数据、训练代码整套开源放出。

这些项目服务的都是商业公司算不过账的长尾：一门没有市场的语言，一个连不上云、直接在离线手机上诊断作物病害的模型。它们的共同点是没人需要谁授权，也没人租得到。而就在同一时期，开源在最前沿的能力上也在逼近闭源。

视频理解模型VideoChat3把训练数据、代码、权重全部开放，主打跨越不同视频类型的通用理解——此前的开源视频模型大多只在单一领域好用，关键组件还不公开。多模态模型Boogu-Image-0.1同期放出，覆盖文生图、指令编辑和中英文渲染，论文称其性能可与Nano-Banana-Pro等闭源系统竞争。开发者能把整套模型下载到自己机器上跑，不必按token向谁付费。

02衡量AI值不值，这家二手车平台盯的是每次成功任务的成本，不是模型跑分

二手车平台Cars24把语音和聊天机器人铺进了旗下多个团队，但它真正盯着的不是这些系统能不能聊天，而是它们到底值不值这笔投入。答案落在两个数字上：这些agent每月扛下超过100万分钟的对话，还把原本要流失的线索追回了12%。

怎么算这笔账，OpenAI最近给了个说法。它的首席财务官Sarah Friar提出一份AI记分卡，主张别再纠结模型能做什么，而是看三件事：每次成功任务花多少钱、系统靠不靠得住、投进去的算力换回多少产出。

Cars24走的正是这条路。它没把这批agent当成一次炫技，而是像审一笔生意那样，先问清楚每一次成功对话的成本，确认划算，再决定要不要把同一套agentic工作流铺到下一个团队。整个行业的关注点，也从「模型能不能做到」挪到了「部署下来到底划不划算」。

03一边承认「LLM批评者说得都对」，一边把100美元和整套工具丢给模型自己拍视频

一名开发者干脆把投降写进了博客标题：「LLM批评者说得都对，我照用不误。」他说这种撕裂自己也觉得别扭，但清楚不止他一个人这样。柏林一场大会现场就是缩影：台上演讲者数落着LLM的种种毛病，台下一排排屏幕开着Claude Code。

造工具的人陷得更深。Flask框架的作者做了个开源的coding agent框架，结果自己也被机器生成的PR淹没，只能几乎全部自动关闭。产品页上还留着一句话：在冲向AI的世界里，人类才是最好的agent。

怀疑是一回事，放权是另一回事，而放权还在加码。有团队搭了个agentic harness，只干一件事：丢给模型一首歌、一个花光就停的硬预算、一套工具，然后走开。模型自己查视频生成模型、生成片段、回看拍出来的画面、用ffmpeg剪辑，拼出一支完整音乐视频。

两个前沿模型各在25和100美元两档预算下跑了四轮，六个工具、一个自动循环，钱烧完就交片。同一首《Uptown Funk》，查什么、生成什么、怎么剪，全由模型自己定。