Fireworks AI估值冲到175亿美元，投资人放话“有芯片就无脑投”，AI推理平台真的一本万利吗？前Google Gemini产品经理Lewis和前Google工程师Will拆开推理（Inference）这门生意：开源模型把token价格一路往下压，GPU却越来越贵；蒸馏、缓存、推测解码（speculative decoding）这些降本手段大多已经开源，很难拉开差距。最后拼的是资本、电和场地、销售，越做越像重资产的卖水生意。CoreWeave先签合约、再拿合约贷款买卡，6个月股价腰斩；Anthropic招股书里写着向SpaceX最多买1205亿美元算力；Lewis讲他在Vertex做Gemini时，卡不够先给自家模型，大云厂商就这样把开源模型的推理让给了Fireworks和Together AI。最后两人聊创业者还能往哪走：是针对固定任务的专用推理？还是Agent Infrastructure？ 时间线 00:00 推理平台为何爆火 02:45 两头挤压的生意 05:39 推理平台拼什么 08:36 先会卖再买卡 16:32 大云为何让出推理 20:50 Fireworks对Together 23:29 推理还能创业吗 29:37 上周趣闻

上期我们从使用者出发聊Personal AI，这期换到builder和创业视角：Personal AI爆火，创业的机会到底在哪。切口是亚马逊屏蔽Meta的Muse。Agent替用户逛店，亚马逊就沦为一个API，广告位、用户数据和流量入口一起丢掉。Lewis在Google做Grounding时撞过同一堵墙：把搜索接进API，技术不难，难的是站长的流量怎么分。没有分利益的机制，平台的默认选项就是block。Will觉得这本身就是机会，Agent时代需要自己的DoubleClick来管点击、曝光和分成。谁握住入口，谁就握住排序：Exa靠给Agent做搜索做到1亿美元ARR，OpenAI自建爬虫，抢的都是这一层。 往下拆，Personal AI现在缺三样东西：一是责任：Agent下错单谁负责？特斯拉辅助驾驶出事算车主，Waymo出事算Waymo，而Will接触到的创业公司几乎都还是前一种。谁敢像Waymo一样兜底，谁就能拿到用户的信任。二是协议：A2A不温不火，MCP在Will看来已经可有可无，Lewis说Google联合PayPal做的支付协议还不如A2A，反倒是Anthropic的Skill靠模型训练跑出了飞轮。我们的判断是，协议是大公司的游戏，必须开源免费，小公司推不动，也赚不到钱。三是身份：客服还在靠姓名、生日、地址认人，Vanguard的声纹验证挡不住五秒克隆。Agent到底是冒充你还是代表你，委托授权得重新设计。连跑Agent的沙箱都嫌冷启动慢、共享CPU不够用，有人干脆改用Mac mini。 最后两人各自下注。Lewis看好"像你"的模型：不跟大厂卷benchmark，难题转给Fable或OpenAI，自己做本地部署加硬件，再把你看过、经历过的事都记下来，变成只给自己用的knowledge base。Will押垂直场景，比如懂你全部病史的私人医生。至于Agent identity，两人都觉得现在从头入场已经偏晚，赛道上已经有人跑在前面了。 时间线索引 00:00 亚马逊为何封Muse 06:06 Agent闯祸谁买单 12:40 协议为何推不动 18:45 入口就是竞价权 22:48 Agent身份怎么认 28:07 不卷benchmark的AI 29:59 替你记住一生 34:34 上周趣闻

从使用者角度拆Personal AI，聊聊Meta的Muse、OpenAI的Dots、X的Grok Bot的定位，以及越来越多上线的新品。Will每月在AI上至少花1000美元，但省下的时间并没有回到家人身上：雇主会收走效率红利，人越用越卷。Instinct这类邮件日历助理在VC和创始人圈爆火，出了圈。但离开硅谷多数人只把豆包当更强的搜索。真正值钱的是以前贵、做不到的事，比如看病、高尔夫动作分析、几千页工程图纸的进度管理。 Personal AI的瓶颈在Context：邮件日历只是生活的一小片，穿戴设备能补，但越懂你越creepy。Lewis也聊到当年在Google做Gemini时没来得及推的端到端加密推理。最后我们把产品形态分成委托、镜子、延伸、挑战四类，Will反对做数字分身，主张为具体任务设计员工。 时间线索引 00:00 省下的时间去哪了 07:55 效率是VC刚需 09:36 以前贵的才值钱 12:39 Context才是瓶颈 19:57 越懂你越creepy 25:34 四种产品形态 29:58 专才胜过分身 37:26 上周趣闻

NVIDIA花130亿买下Hugging Face，AMD用82亿收了李飞飞的World Labs。同样是芯片厂买模型层，买到的东西完全不同。 Hugging Face作为独立公司很难靠营收扩张，放进NVIDIA才值钱：开发者选模型、测模型的早期信号都在这，抓住源头就能影响inference最后跑在谁的卡上。大厂都在自研芯片，企业却没人造得起TPU，只能买现成的，开源模型的使用者才是GPU的基本盘。小模型已经够用，最贵的token适用场景越来越窄，模型趋近免费，要付钱的只剩GPU。AMD这笔我们觉得风险很大：人很强，但world model连定义都没定下来，离变现还远。 时间轴 00:00 130亿买便宜了 07:03 抢在推理之前 11:43 开源用户是大客户 14:18 Token终将免费 18:18 AMD押注World Model 25:45 Muse证明够用就行 28:45 国内只挖人不并购 30:17 上周趣闻

硅谷温差 “我们是在 GPT 发布三个月前就开始做这个工作了。” “水龙头形状已经定义下来，后面更多是卷水，不卷水龙头。” “SharePoint 里的数据是整个互联网的很多很多倍。” “Google 太按照规矩来做事情。” “Personal assistant 在两年前 Google I/O 就聊到了，但产品迭代速度不够看。” “很多现在跑在云端的大模型，六七年之后都可以跑在手机上。” “现在头部公司很少发 paper，因为只能保住三个月，发 paper 只能保一周。” 主持：Raymond - 美元二级基金合伙人，苔藓之火主播 视频播客：小红书 ｜B站 ｜抖音 ｜视频号｜Youtube 嘉宾：Lewis - 微软 Product Lead，谷歌 Gemini founding PM Linkedin / 小宇宙 播客 / 小红书: 硅谷温差 免责申明：本节目的所有内容都并非旨在提供任何形式的建议，包括但不限于投资、税收、会计或法律上的任何建议。 Show Notes 00:13开场：Lewis 背景，Oracle 公有云到 Google PM 01:55PaLM 2 产品化：GPT 前三个月开始，团队八九人 03:48大模型史前时代：Document AI 泛化，内部 chat 未发布 05:49ChatGPT 冲击：Google 两派、危机感、Bard 与苔藓之火 08:20离开 Google：Gemini 2.5 Pro 高峰，转微软做 agent/knowledge 09:40大公司组织病：层级多、信息 withhold、指令上传下达失真 11:08为什么去微软：企业护城河，SharePoint 数据是互联网很多倍 12:27微软做什么：agent memory、knowledge、context graph、procedure memory 16:40企业 memory 权限：个人/双人/team/公司层级，consolidation 与隐私 24:35Personal agent 兴起：Muse、Grok bot、Instinct、OpenClaw/Aris；读 Gmail/Calendar 32:42为什么不是 Google 先做 Muse：Google 慢、reactive、合规束缚 36:15Google 会封数据吗：开放文化 vs 中国 walled garden，微信/小红书机会 42:46Personal agent 定价：C 端 freemium/token，B 端 ROI 抽成，长期 commodity 51:40端侧模型与硬件：Mac Studio 跑万亿参数，千问 27B，苹果/Google 后发先至 57:17Google 前景与 DeepSeek 冲击：发布慢、SOTA 窗口短、不发 paper 核心观点总结 1. Google 不是没看到 personal agent，而是做得太慢、太 reactive Lewis 认为 Google 在 Gemini/Bard 时代就定义过 personal assistant，但组织层级多、信息 withholding、法律与 Responsible AI 束缚，导致产品迭代速度跟不上 OpenAI、Anthropic，甚至被 Muse 这类新产品弯道超车。 2. 大模型产品化的“史前时代” 2022 年 8-9 月，ChatGPT 发布前三个月，Lewis 已加入 PaLM 2 产品化团队，团队仅八九人。内部早有 chat 产品，但因 legal/responsible AI 没发布。ChatGPT 出来后，Google 内部有明显危机感。 3. 微软的企业护城河：数据量 + 权限 + 场景 SharePoint 里的企业数据是互联网很多倍，但企业找不到、用不上。Agent 要利用这些数据，必须解决 memory、knowledge、权限、consolidation 等复杂问题。 4. 企业 memory 与 C 端 memory 完全不同 C 端主要做 personalization；企业里 CEO、员工、双人 chat、team、公司各有层级权限。什么能 promote 到 team/公司，涉及隐私、法律、当事人控制，不能由模型或 manager 随意决定。 5. Personal agent 兴起，核心是产品导向而非技术导向 Muse、Grok bot、Instinct、OpenClaw、Aris 等产品，技术上很多建立在类似 harness 上，护城河不高。关键是谁能把 Gmail/Calendar 数据变成具体、傻瓜式 use case，如退订、退款、保险追款、生活琐事。 6. 隐私与安全是 personal agent 的核心矛盾 Instinct 条款被质疑可拿用户数据训练，Muse 有自己模型，用户不信扎克伯格，但也不一定信小公司。企业里 99% 公司不会无故看员工 chat，但 Anthropic 等公司 policy 可能不同。 7. 端侧模型与硬件会重新定义 personal agent Mac Studio 已可跑 trillion 参数模型，千问 27B 满足日常。未来六七年，现在云端大模型可能跑在手机上。苹果、Google 可能后发先至，创业公司先打样。 8. Google 仍有底子，但发布节奏和合规文化是最大挑战 Gemini 2.5 Pro 后压力持续增加，SOTA 窗口只有一两周。DeepSeek 出现时 Google 内部惊讶，但 Google 合规严格，不参考/蒸馏，不发 paper，员工不能上播客。技术瓶颈人员发光期可能只有 18 个月。 EP53 中文逐字稿：https://insights.mossfire.xyz/posts/ep53-google-muse/ English transcript：https://insights.mossfire.xyz/en/posts/ep53-google-muse/

从上周孙宇晨的八卦说起：如果你把自己的资产、关系和高风险决策都丢给 Claude Code，问它“5000 万美元该不该给”，AI 劝你别转钱——这个建议靠谱吗？ 这一期《硅谷温差》聊的是 Personal AI / 个性化 AI 助理 的真正难题。Lewis 和 Will 都分享了自己把投资账户、资产配置喂给 AI 分析的经历：AI 已经能把很多陌生领域从 0 分拉到 80 分，但这还不等于真正懂你。加一个 memory 不叫个性化，模型能理解你的问题，却未必拿得到你生活里的完整 context。 我们也聊到 AI Chief of Staff、AI coach 和高风险决策。Will 现在把 agent 当成自己的 chief of staff，用来补全助理、PR、投资顾问、跨文化沟通 coach 等角色；但前提是，人必须知道该问什么、如何定义问题，以及如何判断 AI 的答案。 真正危险的地方在于：Personal AI 越懂你，也越可能顺着你。几轮对话之后，模型很容易靠向用户原本的倾向，变成一台高级“确认偏误机器”。所以在重大决策里，我们需要反向 prompt、正反两面分开研究、多模型交叉验证，而不是只问一个 AI：“你觉得我对吗？”最后我们聊到 AI coaching：为什么在跨文化冲突、英文措辞、人际关系处理上，AI 有时候比真人 coach 更实用？以及为什么 AI 能帮你提高执行效率，但它的上限，很多时候仍然取决于人自己。 本期核心问题： 当 AI 开始劝你转不转钱、做不做决定、发不发消息，它到底是理性刹车，还是你的确认偏误放大器？ 时间线索引 00:00 孙宇晨的5000万 02:41 懂问题，不懂你 07:29 幕僚长，不是CEO 13:10 瓶颈还是context 16:13 AI只是在顺着你 20:13 哪些决策交给AI 28:43 拿AI当coach 33:51 上周趣闻

DeepSeek Harness（dsh）开源了，everything is a plugin，连agent loop都是可换的。agent harness到底是什么、DeepSeek为什么要开源、跟Claude Code和Pi差在哪、企业到底能不能用，这期从头拆。 先说定义：从prompt engineering到context engineering再到harness，就是把只会答题的模型包成一个能跑几小时任务的系统。DeepSeek把agent loop都做成plugin，本质是放权给模型；为什么开源？用open weights的企业根本不会用它的API，开源harness是唯一的触达路径。企业侧的温差很实在：现在的agent harness也就一个9，企业要三个9，同一个任务跑五遍结果都不一样就很难落地。有人把信用卡号告诉过模型，下次它直接拿去结账，决策和执行不分层，人就失控。Pi coding agent靠四个工具和不到1000 token的system prompt走红，但开源harness出来大家先测的是cache命中率，省token是真的，提质量还是问号。最后没吵完的问题：harness是CPU里的checksum，还是迟早被模型吃掉。 时间线索引 00:00 Harness到底是什么 03:14 DeepSeek开源的算盘 08:41 从一个9到三个9 11:33 放权模型还是hardcode 14:59 谁能靠harness赚钱 23:13 决策和执行分层 26:45 Harness会被模型吃掉吗 29:51 上周趣闻

这一期《硅谷温差》聊AutoResearch和Self-improving Agent：AI Agent真的能自己变聪明吗？还是只是被包装成自我进化的Workflow Automation？ Lewis和Will从Karpathy提出的AutoResearch、Jeff Dean的Discovery Loop、AI Scientist、Deep Research、Hermes Agent、企业 SaaS 自我迭代等案例出发，拆解self-improving agent的真实技术路径：它到底是靠brute force搜索、memory、harness、eval loop、tool refinement，还是模型能力本身的突破？ 这一期重点讨论三个问题： 1. Auto Research 的核心价值是“AI 科学家”，还是帮助人类更快探索更多方案？ 2. Self-improving Agent 能不能产品化？会成为独立公司，还是被 OpenAI、Anthropic、Google 等大模型平台吃掉？ 3. 对创业公司和 AI builders 来说，真正的机会是在通用 Auto Research 平台，还是垂直行业里能自我优化的 AI-native SaaS？= 我们也聊到enterprise software的下一阶段：未来的软件可能不再只是固定功能，而是会随着用户使用、数据反馈和agent loop持续变聪明。但这也带来新的难题：如何定义 ROI？如何定价？如何控制agent的边界？以及它到底是产品、平台，还是一个会被大厂内化的feature？ 如果你关心AI Agent、Auto Research、Deep Research、AI 科学家、企业 AI、AI SaaS、agent startup 和 self-improving systems，这一期会帮你区分：哪些是真机会，哪些只是新一轮 AI 叙事包装。 时间线索引 00:00 三个词的分层 03:34 超越人类最优解 06:23 两类自我提升 08:28 穷举还是框架 13:43 卖方案还是卖系统 17:18 自我迭代怎么定价 24:41 会不会被模型吞掉 29:24 上周趣闻

本集深度简介 接着上期的Stanford EMBA，大家带着三个问题来硅谷：AI是不是泡沫？AI会不会改变员工的工作？VC还赚不赚钱? Lewis的判断是这轮不是泡沫，芯片和能源都不够用，能做这件事的就那么几家公司，巨头互相买是把整条供应链盘活的唯一路径。课上老师那句“AI replaces task, not job”被当场拆穿。Task被吃掉得足够多，那就是工作没了。企业侧的实情更直接，客户把裁员正经立项，叫workforce transformation，目标是砍掉20%到30%。金门大桥的收费员也不是被技术裁的，是被COVID裁的。VC行业三年整体回报只有0.3%。理论半年一换，Vector DB、RAG、harness这些被押注的“未来一层”，回头看大多只是feature不是产品，连吴恩达的Landing AI都栽在这里。 时间线索引 00:00 三个问题 04:25 不是泡沫是溢价 11:07 必须自己动手试 14:17 取代任务就是取代人 16:40 转型只能靠换血 24:45 VC三年只赚0.3% 28:59 别赌技术栈 35:29 上周趣闻

Lewis刚从斯坦福Stanford Executive Program六周集训回来，这期我们用工程师思维把这个项目当成一个产品来拆：它卖的到底是什么，谁在买单，ROI怎么算。把两年MBA的课表压进六周课表，学费8.9万美元，早上5点45分bootcamp，8点15上课，一直排到晚上9点，一天超过12小时。178个人来自37个国家，卡的不只是年限和履历，还有你从哪儿来。 真正有意思的是课堂内部的错位，教授只负责引路，case study反而是从这个班里输出出去的，最高密度的信息发生在课后的party和晚饭上。ROI这一段我们掰得比较细：脱产、住校、被迫step back，可能才是这8.9万里最贵也最难复制的部分。 时间线索引 00:00 六周压缩两年MBA 01:27 学费与门槛 05:12 跳出湾区找定位 08:24 向同学们学习 12:47 miniTED与信任 16:37 大佬节奏实测 21:46 脱产才是最大ROI 25:25 能量越大回报越大

本集深度简介 这期我们把token这个被讲烂、却没几个人讲透的概念从头拆到底。Lewis用"模型认知世界的最小切片"给它下定义，复盘了当年Gemini坚持用字符定价、最后被整个行业倒逼着改用token的往事。一次典型的技术导向的胜利。 真正的摩擦从agent时代开始：使用方式从chatbot转向agent，token消耗爆炸式增长，一年预算三四个月就见底。更隐蔽的坑是not every token is created equal。同一段输入在OpenAI、Gemini、Anthropic上切出的token数完全不同，Anthropic往往还多一大截。加上它没什么动力帮你省，连阿里内部都一度停用了Claude。 我们真正想回答的是impact per token。算力买来了，价值链却是断的：为什么该回到revenue、KPI这些最原本的商业指标，而不是像Meta那样拿token用量考核工程师、逼出一堆刷token的假动作。从caching、memory、蒸馏到neuro-symbolic和自我进化的agent，提效的技术路径也一并摊开讲透。最后落到一个更大的判断：scaling law本身可能就有bug,大模型的护城河正在消失,而"法拉利模型"与"本田模型"并存的智能霸权,也许才刚刚开始。 时间线索引 00:00 什么是Token 03:38 agent引爆token经济学 04:34 不是每个token都平等 12:03 咨询公司复兴 15:06 别用间接指标考核 18:29 提高impact的技术清单 30:42 上周趣闻 这期我们讲到的内容 Meta Muse Spark: https://ai.meta.com/blog/introducing-muse-spark-meta-model-api/ Scaling law: https://lilianweng.github.io/posts/2026-06-24-scaling-laws/

本集深度简介 这期拆的是被网友点名很久的OpenRouter: 把400多个模型收进一个API的中间商，一年半干到5千万美元ARR，估值13亿。听起来是开发者福音，但越拆分歧越大是本集的看点。Will的判断很冷：这护城河不堪一击。5%抽成对任何认真在model上花钱的公司都是不可接受的，一年在token上花1000万，5%就是50万，够在湾区雇个全职工程师；一旦所有model趋同，选择器只剩一条逻辑：越便宜越好，跟用电一样不看来源只看价格。 Lewis不认：谁握入口谁有议价权利。OpenRouter手里800万开发者、25万亿token，而且两头赚钱，从大厂批发拿折扣，再向散户抽5%，真实赚的不止表面这点。当用户根本分不清模型好坏时，分发方反而攥住了对大厂的议价权，甚至可能演化成Google search式的流量竞价。两人还扒了名字里Router的由来，那个最早的智能模型路由，为什么被创始人亲手放弃。最后落在一道裂缝上：它是独角兽，还是一台注定被迫降价的cash cow，取决于它能不能真正拿到定价权。 时间线索引 00:00 拆OpenRouter 02:48 护城河到底有多深 04:13 5%抽成不堪一击 06:01 个人开发者vs企业 10:22 怎么防守 13:02 智能分发的死局 15:52 越便宜越好？ 20:01 假如你是CEO 31:02 上周趣闻

本集深度简介 SpaceX冲刺史上最大IPO，但我们盯上的不是火箭、不是Starlink，而是招股书里那个把企业AI大饼画到22.7万亿美元、占整体估值近八成的数字。这期我们不聊泡沫、不做投资建议，而是用"模型、生态、token economics"三段论，从开发者和创业者的视角拆这企业AI叙事到底能不能落地。 Will 拿自己做工作流自动化（Orby）的经历开场：自动化知识工作最难的从来不是demo，是企业到底敢不敢把核心流程交给你。XAI 在入口竞争上已经掉队，Tesla 是消费级入口撬不动企业应用，人才才流失又成最大的威胁。 下一企业AI竞争的胜负手，是谁能做好System of Record那一层，用更便宜、更可控的方式替代积累多年的SaaS；以及谁能稳定捕获公司内部那些tribal knowledge。再加上token economics，把推理成本压到像水电一样便宜，太空数据中心省的其实是土地和冷却这两块可控成本。最后落到SOM，合理区间也就五六万亿。 时间线索引 00:00 22.7万亿的企业AI市场 03:05 XAI模型为什么是失败的入口 11:23 消费者习惯能反向倒灌进企业吗 19:44 生态比模型更重要 26:32 从TAM到SOM 32:48 token economics才是核心壁垒 40:01 上周趣闻 本期聊到的内容 * The Intelligence Tax (https://willlu.com/essays/the-intelligence-tax) * Github pushes Microsoft to AWS (https://letsdatascience.com/news/github-capacity-surge-pushes-microsoft-to-aws-13a2ffa4)

本集深度简介 Anthropic万众瞩目的Fable 5模型上线72小时就被政府强制下架,这场drama从Mythos的公关造势一路演到全球禁令。我们从亲手实测说起:max计划跑refactor的task,跑到一半token耗尽,等下一个session接着跑——结论是没找到任何一个非它不可的场景。 真正的暗坑在于"降智"被写进了说明书:Anthropic fable 5加了router,把它判定为有风险的task偷偷降到Opus跑,却照样按最贵的价格收费。从产品角度这就是欺诈。用一个好模型当funnel,把便宜模型高价卖出去,消费者完全失去control,最初连什么时候降了智都不知道。Lewis用Gemini时期的经验拆解了这套逻辑:质量与价格的tradeoff该不该扔给用户决定,以及"不记录用户数据"这条信任红线一旦迈出去就再也收不回来。 更深一层是访问平权问题:谁有资格用最强的智能?标榜"让所有人用上AI"的公司,真正部署时却按护照、企业和个人来分发？这就是AI霸权。再叠加企业数据从零留存被强改成30天留存、微软直接停用,所有CEO都被迫意识到：核心业务不能rent在别人的AI上,开源模型成了唯一的解。两人也顺势聊到中国开源模型靠数据优势长期可能反超,以及黑市上一条用户trace只卖10美元的灰色产业链。 时间线索引 00:00 实测跑到一半没token 03:04 降智被写进说明书 06:38 用户数据是信任红线 08:47 谁有资格访问最强智能 11:10 政府禁令的真实动机 15:05 30天数据留存 31:51 开源模型的数据优势 37:15 上周趣闻 我们聊到的话题 * Anthropic道歉降智 (https://x.com/ClaudeDevs ) * OpenAI推迟2027上市 (https://www.reuters.com/business/openai-expects-go-public-within-next-year-information-reports-2026-06-10/ ) * SpaceX上市招股书 (https://www.sec.gov/Archives/edgar/data/1181412/000162828026036936/spaceexplorationtechnologi.htm )

本集深度简介 这期Lewis和Will从内部视角拆Google大模型这几年的产品与工程博弈。开篇直击Flash 3.5这次三倍涨价：Flash当年根本不在产品线规划里，是Pro升级速度掉到两三倍、time to first token撑不住聊天机器人客户三秒drop 30%用户的硬指标，才在一个月内紧急训练出来的"意外惊喜"。 * 慢一点换更高智能是不是好trade off？ * Google为什么先发Flash，而不是Pro？ 我们聊到token定价的玄学：成本算得清，但定价全靠先到市场的定价权，Google和Anthropic早期只能跟着 OpenAI；以及从去年12月Opus拿到编程这个break out use case后，整个行业从打价格战转向每次发布都涨价的拐点。 后半段我们聊到Gemini在ChatGPT上线前两个月、从七人小组到百人团队，为什么DocAI数据如何反哺Gemini的文档理解能力，还有PM与工程师在Flash-lite免费策略上的真实对抗。 时间线索引 00:00 开场 + 听众参与的新尝试 00:45 Flash三倍涨价 04:29 产品思维vs工程师思维 14:54 token定价玄学 21:44 谷歌为什么迭代慢 26:16 下一个跃进 32:02 Gemini诞生史 40:40 上周趣闻 我们聊到的话题 * Meta发布250亿美元企业债券全(https://www.reuters.com/technology/meta-weighs-big-equity-raising-finance-ai-infrastructure-ft-reports-2026-06-05/) * Gemini Diffusion (https://deepmind.google/models/gemini-diffusion/) * OpenRouter的模型排行(https://openrouter.ai/rankings)