---
title: "AI Builders Digest · 2026-09-19"
url: https://www.liamding.com/posts/2026-09-19-follow-builders-digest/
markdown_url: https://www.liamding.com/posts/2026-09-19-follow-builders-digest/index.md
html_url: https://www.liamding.com/posts/2026-09-19-follow-builders-digest/
language: zh-CN
date: 2026-09-19
lastmod: 2026-09-19
description: "2026-09-19 AI Builders Digest：Jev（Typeface 的小模型）在 24 小时内刷屏，Guillermo Rauch 晒出 Vercel AI Gateway 上开源模型 token 占比 78.4%，Aaron Levie 演示 Box + Jev 秒级做企业文档分类；No Priors 请来扩散模型之父 Stefano Ermon，详解为什么扩散架构会在 inference 上赢。"
categories: ["AI"]
tags: ["AI", "Builders"]
author: "Liam Ding（丁洪）"
canonical: https://www.liamding.com/posts/2026-09-19-follow-builders-digest/
---

# AI Builders Digest · 2026-09-19

## X / Twitter

**Vercel CEO Guillermo Rauch** 抛出了今天最硬的一组数据：Vercel AI Gateway 上开源模型的 token volume 占比今天可能创下纪录，开源 78.4%，闭源只有 21.6%。他补充说，按花费（spend）看故事不一样，但今天第 3 和第 4 名分别是 Moonshot AI 和 DeepSeek，把 Z.ai 加进来，三家的合计支出已经超过了排第 2 的 OpenAI。他特意标注：这是各家 provider（主要在美国）跑这些模型推理的支出，不是直接流向开源权重实验室的收入。他另外连着两条都在讲 Jev，说 adoption 的数据和 anecdote 都令人震惊，人人都在用，并把这波热度归因于"AI 太贵太慢"的时代情绪，大家急着优化、把 AI 塞进更多场景。
https://x.com/rauchg/status/2101186741042663579
https://x.com/rauchg/status/2101116978677285241
https://x.com/rauchg/status/2101079472732848510

**Box CEO Aaron Levie** 认为 Jev 对企业 agent 极其有用：workflow 里的瞬间判断、数据分类、judgment calls，以及上百种类似场景都能用上。他给了一个 Box + Jev 的 demo：从 Box 拉出一份事故报告，判断它是否面向客户、严重程度如何，把文件移进 escalate、monitor 或 review 三个文件夹之一，并写入一条 metadata template。整个过程近乎瞬时、成本近乎为零。他说可以想象这用在保险理赔、合同管理、贷款审批、安全审查、客户日志分析里，是一类全新的 AI 用例。
https://x.com/levie/status/2101007708044574906

**Anthropic Claude Code 团队的 Thariq** 宣布 Claude Code 开始支持 AGENTS.md：从 2.1.277 版本起，如果某个文件夹里没有 CLAUDE.md，Claude 会检查并使用 AGENTS.md，这个行为可以在 /config 里开关。他还透露 AGENTS.md 的支持正是构建在 Claude Code mods 之上的，这是即将推出的 harness 自定义方式；这个 mod 是内置的，但用户之后也能自己构建定制版本的项目指令，并附上了源码链接。
https://x.com/trq212/status/2101009392611278961
https://x.com/trq212/status/2101009393731223817
https://x.com/trq212/status/2101009395052343462

**Every CEO Dan Shipper** 为 Jack Cheng 的 demo 被指"造假"打抱不平：X 上确实有夸张的 AI demo，但说 Jack Cheng 的作品是假的让人难过，他是自己共事过的最聪明、最智识诚实、最讲究 craft 的人之一，那个 demo 既真实，也是对未来一次有意思的窥探。
https://x.com/danshipper/status/2101155521818476693

**Peter Yang** 说 Meta 的 Muse 是他至今试过最好的个人 agent，替他在有线电视和电话账单上一年省了 800 多美元，对免费 AI agent 来说价值感"离谱"。他分享了新视频，展示 10 个 favorite use case，包括个性化晨间新闻、习惯追踪，以及让 Muse 打电话替他跟客服砍价。他还贴出一份 Muse 与 Comcast 谈判、一年省下 288 美元的 phone transcript，感叹大多数公司的客服热线还没准备好迎接 agent。
https://x.com/petergyang/status/2101033599319613533
https://x.com/petergyang/status/2101083891507593576

**fpv ventures 合伙人 Nikunj Kothari** 展示了一份 Jev 的实测数据：在某个多条件评测里给 3000 份儿童零食打分，28 秒完成，花费 0.11 美元。他还顺手做了一个叫 Jevable 的网站，把 X 上所有好玩的 Jev demo 汇集起来、支持按分类筛选，并开放 + 按钮让大家提交自己的项目。
https://x.com/nikunj/status/2101006585481073093
https://x.com/nikunj/status/2101077053567332618

**OpenClaw 的 Peter Steinberger** 分享了一个 agent 编排的实况：最酷的部分是 roboclaw 跑在团队服务器上、活跃在 Discord、能跟 gpt-live 对话，并且知道自己同时在处理的所有 session，团队开会时就能直接问它当前和历史 session 的 context。他还提到一个 hot tip：打开 home sidebar，让你的 claw 重新整理 session，保持井然有序。
https://x.com/steipete/status/2101141707375227372
https://x.com/steipete/status/2101139037801283997

**Builder Zara Zhang** 给了一句很锋利的判断：当你消费的大多是垃圾时，很难不生产垃圾。想修输出，先修输入。
https://x.com/zarazhangrui/status/2101123389528457596

**SPC 普通合伙人、Bevel Health 联合创始人 Aditya Agarwal** 感慨 AI 是一个轮回：所有旧的东西都变成了新的。
https://x.com/adityag/status/2101097330107875437

**OpenAI 的 Thibault Sottiaux（Codex & ChatGPT）** 透露他们今天在和 Romain Huet、Sam Altman 一起打磨 keynote，最难的部分是怎么把这么多好东西讲清楚，因为内容密集到有点夸张。他说下周就会放出一些东西，不让大家等太久，也很期待展示未来几个月这些新工作如何拼到一起。
https://x.com/thsottiaux/status/2101157729037586694

## Podcast

**The Takeaway：扩散模型之于 inference，就像当年 transformer 之于 training——谁在 inference 时更并行，谁就赢下最终的经济账。**

Stefano Ermon 是斯坦福教授、扩散模型的奠基人之一（与杨松在 2019 年提出 score-based generative models），如今是 Inception 的联合创始人兼 CEO。他的判断很反直觉：整个行业在文本和代码上几乎一边倒押注自回归架构，但他认为真正的分水岭在 inference 端。

他给出的论证链条干净得不像话。2017 年 RNN 到 transformer 的转折，本质是让 training 从串行变成并行，这是 LLM 得以成立的前提。但到了 inference，自回归模型依然是串行的：生成第 10 个 token 之前必须先生成前面所有 token，这个负载严重 memory bound，大部分时间耗在 weight 的内存搬运上，算术量极小，跟 GPU 的天性不匹配。而扩散模型 coarse-to-fine、一次并行输出多个 token，它的 inference 负载跟 training 负载在形态上高度相似，天然吃满 GPU。用他的话说，"the bitter lesson is that the more parallel solution is the one that is eventually going to win"。

这不是纸上推演。Inception 的 Mercury 模型在 benchmark 上已与 frontier labs 的速度优化版模型（Haiku、flash、mini/nano 系列）质量相当，但显著更快，而且已经在生产环境服务客户。语音 agent 公司 OpenCall 原本用 Cerebras 定制芯片来换速度，后来直接切到 Mercury，因为软件层面的并行加速能在 NVIDIA GPU 上拿到同样的速度，而 GPU 可得性更高、成本更低。

几个细节值得记下来。Inception 只有约 50 人，但 Stefano 说瓶颈更多是算力而不是人，agent 让他们的小团队产出远超人数。扩散模型在可控性上也有结构性优势：自回归模型必须等整个对象生成完才能用 reward function 打分，而扩散模型从第一步粗粒度开始就能被外部约束和 reward 引导，这在自回归架构上根本做不到。他甚至抛出两个尚未验证但已有学术证据的方向——扩散模型可能更 data efficient（加噪去噪本质是一种数据增强），也可能在 intelligence 上反超。他估算了 OpenRouter 上的任务分类，大致 20% 到 30% 的 workload 对延迟极其敏感，这是一条清晰的下界。

对做产品的人来说，最实用的一句是：他们把所有东西都做成 backward compatible，API 不变、OpenAI 兼容、text in text out，所以客户换架构几乎不需要改技术栈。这大概也是他敢在自回归的天下里下注的底气。

https://www.youtube.com/@NoPriorsPodcast

---

Generated through the Follow Builders skill: https://github.com/zarazhangrui/follow-builders
