速賣通618戰報：品牌成交同比增長90%，多類目湧現百萬美金冠軍

這篇消息聚焦「GPT設計GPT」。原始導語提到：如果說英偉達賣鏟子，那麼OpenAI想擁有礦山。 從 AI 情報角度來看，這類內容值得關注其背後的技術進展、產品落地、產業競爭與後續市場影響。

原文作者：公眾號-時序大模型原文鏈接：https://mp.weixin.qq.com/s/ZJfbE2OFeV9kZ6kBrLTsDg雷峰網轉載本篇論文來自ICML2026，最新前沿時序技術，針對時間序列預測，提出了名為SEER的Transformer魯棒時序預測框架，首次實現多類型低質量時序數據的統一魯棒建模。文章信息論文名稱：SEER:Transformer-based Robust Time Series Forecasting via Automated Patch Enhancement and Replacement論文作者：Xiangfei Qiu、 Xvyuan Liu、 Tianen Shen、 Xingjian Wu、 Hanyin Cheng、 Bin Yang1 Jilin Hu研究背景時間序列預測是支撐金融經濟研判、智慧交通調度、醫療健康監測、電力能源調控、環境氣象預警等諸多關鍵領域的核心基礎技術，精準的長短期時序預測結果能夠為行業資源動態調配、風險提前預警、智能化精準決策提供核心數據支撐，具備極高的學術研究價值與工程落地價值。在時序預測模型迭代發展歷程中，傳統循環神經網絡（RNN、LSTM、GRU）依賴串行迭代計算，存在長距離時序依賴捕捉能力弱、並行度低、訓練效率差的固有缺陷；CNN類模型僅能聚焦局部鄰域特徵，無法建模長時序關聯；而傳統線性時序模型泛化能力不足，難以適配複雜非線性時序場景。近年來，基於Patch分塊建模的Transformer時序模型憑藉創新性的時序切割思路，成為時序預測領域的主流SOTA方案，代表性模型包含PatchTST、Triformer、Crossformer、xPatch等。這類模型的核心優勢是打破逐時間步建模的侷限，將連續完整的長時序序列均勻切分為若干具備完整局部語義的子序列分塊，以Patch分塊作為基礎建模與Tra

蘋果Xcode 26.6 正式發佈，編程助手新增 Google Gemini 支持，開發者可在 Anthropic Claude Agents 和 OpenAI Codex 之外多一個 AI 輔助選項。該版本集成 Swift 6.3.3，並同步更新 iOS、iPadOS、tvOS、watchOS、visionOS 及 macOS 26.5 全平臺 SDK。

月之暗面在亞馬遜雲科技峰會上公佈Kimi最新進展：海外付費用戶及API收入增長400%，覆蓋全球200多個國家和地區，業務涉足互聯網、金融、製造、教育、醫療等行業。公司強調將堅持研發優先戰略。

你熟悉的豆包，變了。6月24日，豆包發佈基於最新豆包2.1系列大模型的豆包專業版。過去大家用 AI，常見姿勢是：問問題、寫文案、改稿子、做總結、生成圖片。AI 給一段答案，後面的複製、整理、排版、填表、做 PPT、搭網頁，還是自己來。豆包專業版想往前多走一步，讓 AI 從對話框裡走出來，進入真實複雜工作任務。專業版新增 Agent 驅動的辦公任務模式，它不是簡單把免費版的額度放大，也不只是把模型換成更強版本，而是想真正幫到職場人士。這一模式搭載豆包 2.1 Pro，可以將找資料、寫文檔、做報告等工作任務一網打盡。當然，免費用戶的日常使用不受影響，也可以在一定額度內體驗搭載豆包 2.1 turbo 的辦公任務模式。目前看來，豆包付費訂閱的檔位，也遠低於海外主流大模型，價格還算良心。換句話說，豆包並沒有把原來的免費體驗直接收窄，而是在免費能力之上，劃出一個更偏生產力、更偏高頻重度使用的專業層。專業版到底“專業”在哪裡過去一年，大模型產品的競爭，很大程度上圍繞“誰回答得更好”展開。模型能不能寫出更自然的文案，能不能更準確地總結網頁，能不能更好地理解圖片、寫代碼，是用戶最直觀的評價標準。但專業用戶在真實工作裡遇到的問題，往往不是“問一個問題，得到一段答案”這麼簡單。做一份行業調研，要搜索資料、篩選來源、組織結構、生成文檔，最好還能繼續改；做一個活動頁面，不能只給出代碼片段，還要能創建頁面、修改樣式、部署預覽，甚至連接後端數據庫。豆包專業版主打的辦公任務模式，正是試圖把這些分散步驟串起來。在辦公任務模式下，豆包支持理解工作目標、自主拆解任務，並調用本地電腦/瀏覽器操作、網站生成、Office/飛書集成、Skill 技能、定時任務等能力，幫助用戶完成軟件開發、數據分析、專業設計、流程自動化、金融分析等工作。這意味著產品形態發生了變化。普通對話模式裡，AI 更像一個“答題者”；辦公任務模

Coding Agent 的下一站，是動態交互系統的構建。 作者丨GameCraft-Bench Team 過去一年，代碼智能體（Coding Agent）發展迅速。從編寫簡單的單一腳本、修復局部 BUG，到跨文件完成長序開發任務，模型能力正在不斷提升。以“一句話生成遊戲”為代表，AI 正在大幅降低遊戲構建門檻。過去需要開發者熟練掌握引擎架構、手寫邏輯代碼的開發工作，現在可以通過自然語言快速生成原型，甚至生成可運行的遊戲項目。這也讓規模化由 AI 創造交互式體驗變得前所未有地現實。但問題是：這些從零自動生成的遊戲，真的“能玩”嗎？如果生成的代碼只是“看起來邏輯合理”，但在真實的引擎環境中根本跑不起來，或者視覺表現與玩家交互一塌糊塗，那麼在這些只看靜態代碼的基準裡刷出高分的 Agent，就很難真正勝任現實中的遊戲開發場景。香港中文大學（深圳）、深圳河套學院等高校聯合騰訊的最新研究 GameCraft-Bench 正是要解決這個問題：如何構建一個基於真實遊戲引擎、產物完整可運行、且能通過真實玩家多模態交互來驗證的 AI 遊戲生成評測基準。論文鏈接：https://arxiv.org/abs/2606.17861項目主頁：https://tongxuluo.github.io/gamecraft-bench-website評估代碼：https://github.com/tongxuluo/gamecraft-bench01為什麼不直接用現有的評測基準？過去已經提出了一些與遊戲生成相關的評估基準，那我們為什麼還要重新確立一個新的評估基準 GameCraft-Bench 呢？核心原因是：現有的基準很難全面、真實地衡量端到端的可玩性。表. GameCraft-Bench與已有的遊戲生成評估基準的對比。1. 真實引擎的整合難度被低估。 像 OpenGame-Bench 主要針對 Web