在 GPU Mode 与 Core Automation 联合举办的一场「自动研究」主题编程竞赛里，一名开发者借助 OpenAI 的 Codex 编程智能体，把一道 CUDA 矩阵分解内核的运行效率提升到基准方案的 232 倍，在 183 名参赛者中位列第 12。整篇复盘没有停留在「调参玄学」，而是把「让 AI 替你做研究、自己跑实验」的工作方式拆解得相当具体。

赛题：给张量核心喂饱矩阵乘法

竞赛的要求是实现批量方阵的紧凑 Householder QR 分解，输出格式需与 PyTorch 的 torch.geqrf 一致。QR 分解把矩阵拆成正交矩阵 Q 与上三角矩阵 R，是许多线性代数与优化器的底层算子。难点在于，标准的 Householder QR 是「一列一列串行」地清零下三角，串行部分只能跑在 SM 的慢速向量单元上，而昂贵的张量核心只能干等。

该作者的突破口是经典的「分块 Householder + WY 表示」：先在一个窄面板内完成串行工作，再把面板的多个反射子压缩成一次秩-b 更新，用三次连续的矩阵乘法（GEMM）一次性覆盖后方的主块。这样串行工作量被锁在窄面板里，其余部分全部变成张量核心最擅长的 GEMM 形状。测试覆盖的矩阵规模从 512×512 一直到 4096，批量大小跨度很大，最大的矩阵批量太少填不满张量核心，最小的 32 阶又得把多份矩阵塞进同一次内核启动。

自动研究：把未知未知变成已知未知

更值得借鉴的是人机协作的方法论。作者坦承自己只是「有一年的 GPU 内核优化基础、并非专业人士」，在排行榜上属于逆风开局——排在他前面的人里有英伟达的首席工程师。他的体会是：对问题理解得越透，给大模型的提示词就越精准，本质是「把未知未知转化成已知未知」。他先用 Claude 补 QR 分解与 Householder 反射的直觉，确认主干架构必须走分块 Householder 配合尾部 WY 更新；GPT-5.5 在这一架构上也给出了同样的判断。

在 14 天里，他提交了超过 1500 次方案。竞赛提供的命令行工具让智能体能直接测试、跑分并提交排行榜，形状级别的反馈加上整体几何平均耗时，构成了一个让智能体不断「爬山」的紧凑循环。他还利用低精度（FP16、FP8、NVFP4）在内部加速，同时保证返回的因子仍通过 FP32 级别的 QR 校验。工具链上，他使用 ChatGPT Pro（每月 200 美元）与 Claude Pro（每月 20 美元）两套订阅，并用 Modal 提供的每月 30 美元免费额度做性能剖析，Codex 的 /compaction 等功能则用来维持长程上下文。

对开发者的启示

这则案例的价值，不在于「232 倍」这个炫目的数字，而在于它展示了一种新的工程范式：当反馈循环足够紧凑、可自动评测时，编程智能体可以代替人完成大量试错，而人类的作用退化为「提对问题」与「判断方向」。对于日常做性能优化的工程师，文章也直言不讳地指出可改进之处——例如更早引入更系统的低精度策略、把更多形状纳入回归测试。自动研究不会取代领域知识，但确实把「懂一点」和「完全不懂」之间的差距，压缩得比过去小得多。

来源：Hacker News（原文出自 sankalp 个人博客，作者 sankalp）

MacWhisper：播客后期的转写保险

MacWhisper 由开发者 Jordi Bruin 制作，核心功能是把音频转成文字。与简单的在线转写服务不同，它在本地提供丰富的自定义选项： watched folders 自动转写、会议录音、快捷键调用、实时字幕、批量导出、自定义词典，也支持接入云端或本地模型。

一位每周录制并剪辑多档播客的作者描述自己的工作流：导出节目后，先用 MacWhisper 调用 Nvidia 的 Parakeet v3 模型跑一遍完整转写，再把转写稿和写好的节目描述一起交给 ChatGPT，检查有没有漏掉链接、时间点或适合发社交媒体的引用。他坦言，MacWhisper 的使用方式其实非常基础，但光是「有一个准确的文字底稿」这一点，就让整理 shownotes 和社交媒体文案时少了很多返工。

对于需要处理采访、播客、课堂录音或会议纪要的 Mac 用户，这款工具基本可以替代多款在线订阅服务。

Codex：不会写代码也能搭小工具

OpenAI 的 Codex 和 Anthropic 的 Claude Code 是近期最受关注的 AI 编程工具。两位作者都曾尝试用它们完成同一个需求：做一个能监控没有 RSS 的网站、并在更新时提醒的小工具。

Claude Code 在这次比拼里整体表现更好，但命令行界面让非程序员用户上手成本更高；Codex 的集成方式更顺手，作者最终选择留在 Codex 上。两个月后他再次打开 Codex 时，发现模型能力已经比去年底有了明显进步，于是又陆续开始写两个新的小工具。他现在的习惯是：遇到 bug 或想到功能改进时，先把问题丢给 Codex，再人工检查输出。

这种「自然语言描述需求、AI 生成代码」的方式，降低了制作一次性工具的门槛。

Perplexity Computer：让 AI 替你跑长任务

Perplexity Computer 是一款能直接操作电脑、完成多步骤任务的智能体产品。它不是把结果直接塞给用户，而是可以在文档、表格、浏览器和第三方工具之间自动流转。

定价上，Perplexity Pro 用户需要购买积分，Perplexity Max 用户每月赠送一万积分，超出部分再额外付费。作者用它处理的一项重复工作，是每月分析约 200 份多页文档，把其中部分数据整理进多页电子表格。过去这几乎要花掉大半天，现在由 Perplexity Computer 在几分钟内完成初稿，之后他再人工复核。

它并不能做到完全无需检查，但在「先跑一遍、再人工确认」的 workflow 里，省下的时间非常可观。

LM Studio：在本地跑模型，兼顾隐私与离线

LM Studio 让 Mac 用户可以在本地运行开源大模型。它的优势有两类场景：一是在飞机、高铁等没有网络的环境里继续工作；二是处理不方便上传到云端服务器的敏感资料。

作者曾在一趟航班上用 LM Studio 运行 Google 的 Gemma 4 120 亿参数模型，认为效果已经接近网页版大模型的体验。LM Studio 还会根据机器配置自动判断哪些模型能流畅运行、哪些会吃力，省去用户自己试错。此外，LM Studio 近期推出了 Bionic，这是一个面向智能体模型的本地运行框架，同时提供按量付费的云端开源模型接口，并声称对用户数据执行零保留政策。

工具不在多，关键是用得上

上述四款工具解决的问题各不相同：转写、编程、长任务自动化、本地模型运行。它们的共同点是都围绕具体的工作环节做深，而不是泛泛地「聊天」或「生成」。对于 Mac 用户来说，与其追逐新模型，不如先理清自己每天重复最多的事情，再判断哪款工具能真正接管其中一部分。

来源：9to5Mac｜原文标题：These AI tools make my life much easier on the Mac

支持哪些发行版

该应用面向全球发布，Linux 用户可在其中使用 ChatGPT、ChatGPT Work 与 Codex。OpenAI 列出的受支持发行版包括 Ubuntu 24.04 与 26.04 长期支持版（LTS）、Debian 13，以及 Fedora 43 与 44。Linux 社区由数百个发行版组成，OpenAI 选择的这些版本是众多「下游」桌面发行版的基础，因此衍生版本也应当兼容。

对开发者群体而言，原生 Linux 客户端意味着无需再依赖浏览器标签页或命令行工具，即可在本地调用 ChatGPT 与 Codex；ChatGPT Work 则是面向企业的版本，支持团队与企业级功能。

落后竞争对手一个月

在 Linux 桌面端，OpenAI 其实慢了一步。竞争对手 Anthropic 约一个月前已发布 Claude 的 Linux 桌面应用，支持 Ubuntu 22.04 等版本。随着 ChatGPT 桌面版登陆 Linux，两大主流 AI 聊天工具均已覆盖 Windows、macOS 与 Linux 三大平台，开源开发者长期呼吁的本地客户端终于落地。

由于本次发布仍处于预览阶段，部分功能与发行版兼容性可能随后续更新逐步完善。

来源：TechCrunch

编程智能体一旦放手，效率确实高；可真放手，又担心它顺手改错配置、误删文件，甚至把 .ssh 里的密钥亮出来。Docker 最近把 Sandboxes 推到了可用版本，核心思路是给 Claude Code、Codex、Kiro 这些智能体一人一个轻量级 microVM，让它们在该改的目录里使劲折腾，宿主机和敏感文件一概碰不到。

为什么容器还不够

用普通容器隔离智能体看起来省事，但很快会遇到三个坎。第一，OS 自带的沙箱机制在不同系统上行为不一致，写好的脚本换个平台就失灵。第二，智能体经常要跑 docker build 或 docker compose up，把 Docker socket 挂进容器等于把宿主机的 Docker 守护进程暴露给它。第三，传统虚拟机隔离强，但启动慢、配置重，换个项目就得重新搭。

Docker Sandboxes 想走的是第四条路：比容器硬、比虚拟机快，还允许「Docker 里跑 Docker」。

microVM 里关一只智能体

每个 Sandboxes 实例跑在一个独立 microVM 里，只把当前项目目录挂载进去。智能体可以安装系统包、改配置、删测试文件、甚至在里面再起容器，但宿主机的文件系统、网络栈、Docker daemon 都不在视野内。出了错也简单，一个命令删掉沙箱，重新起一个干净的即可。

它自带几层安全控制：

• 网络白名单/黑名单：可以只让智能体访问特定域名，默认 deny 状态下逐个放行。
• 文件系统最小挂载：只有项目工作区可见，家目录、系统配置、密钥目录默认隔离。
• 安全的 Docker 访问：智能体在沙箱内自建容器，不需要接触宿主 Docker daemon。

Docker 给出的安装方式也很轻：macOS 上 brew install docker/tap/sbx，Windows 上 winget install Docker.sbx。不需要先装 Docker Desktop。

哪些智能体能直接用

官方列出支持 Claude Code、Codex CLI、GitHub Copilot CLI、Gemini CLI、OpenCode、Kiro 以及 Docker Agent。另外像 NanoClaw、OpenClaw 这类新一代自主系统也能跑在里面，省下一台专门用来隔离的 Mac mini。

这些工具原本大多有个 --dangerously-skip-permissions 模式，开发者戏称为「YOLO 模式」——不弹窗、直接执行，效率最高也最危险。Docker 把它变成了默认：沙箱先替你画好边界，里面随它怎么 YOLO。

这还不是终点

Docker 在产品页和博客里列出的下一步包括 Linux 支持、MCP Gateway 支持、向宿主机暴露端口，以及接入更多智能体。目前 Sandboxes 可在 macOS 和 Windows 上直接下载使用。

对普通开发者来说，这意味着一个之前很纠结的选择题被改了题面：要么每步都点确认当「人形剪贴板」，要么冒着把环境搞坏的风险让智能体狂奔。现在可以先画好一个硬边界，再把钥匙交给它。

来源：Docker 官方博客

一块会亮的键盘：RGB 灯告诉你 AI 在做什么

Codex Micro 的外形与 Work Louder 旗下 Creator Micro 2 几乎一致：13 个机械轴体、1 个电容触摸传感器、1 个旋转编码器（可调旋钮）、1 个平面摇杆。机身采用 CNC 加工聚碳酸酯外壳 + 喷砂阳极氧化铝底座，2.6 磅（约 1.18 千克）的自重让它在桌面上稳如磐石。连接方式支持蓝牙与 USB-C 双模，兼容 Mac 与 Windows（Linux 由社区维护）。

最特别的设计是 6 颗半透明 Agent Key（智能体按键），各带一颗多色 LED，用来实时显示当前 Codex 编程智能体的状态：

• 蓝色：思考中
• 绿色：任务已完成
• 琥珀色：等待额外输入或反馈
• 红色：出现错误
• 常亮白色：智能体空闲

机身边缘的聚碳酸酯透光带也会亮，用来显示麦克风状态：海绿色表示麦克风正在录音，白色流光表示正在处理语音指令，常亮白色表示语音指令已处理完成。这套 LED 灯语的最大价值是「瞥一眼就知道」，无需在屏幕与窗口之间反复切换。

旋钮与摇杆：把推理强度装进指尖

旋转编码器（旋钮）的默认功能是实时调整 Codex 的「推理强度」参数 —— 简单任务保持高速，需要深度思考时拧高强度。这是把原本藏在 Codex 设置面板里的下拉菜单，搬到了物理旋钮上。

平面摇杆则可映射到常用的 Codex 技能上，比如「审查 PR」「调试错误」「重构代码」等。拨动摇杆即可触发，整个交互无需打开任何应用。

剩下 6 颗命令键则分配给最高频操作：接受生成的代码、拒绝输出、按下说话（push-to-talk）、开始新对话、YEET（一键暂存所有本地修改 → 提交 → 推送到 Git → 自动打开 PR）、YOLO（绕过手动审批的全自动模式，对应 CLI 命令 --dangerously-bypass-approvals-and-sandbox）。

每个按键都可自定义功能，整块键盘支持 6 层控制、合计 120 个可编程动作。出厂仅预配置第 1 层。包装内附赠 32 颗 Codex 定制图标键帽与 11 颗纯色键帽，可直拔直插替换。

软件割裂与「YOLO 模式」争议

Codex Micro 的控制被拆在两个软件里：基础操作由 ChatGPT 桌面应用内的 Codex 模块管理，高级按键绑定则需要 Work Louder 自家的 Input App。即便评测者本身是宏键盘老用户，他也坦言「整套配置流程并不像我预期的那样直观」。

更让保守用户犹豫的是 YOLO 键帽 —— 触发的是 Codex Composer 中的全自动模式，绕过所有手动审批，实际执行的 CLI 命令是 --dangerously-bypass-approvals-and-sandbox，等同于「让 Codex 在沙箱里自己跑到底」。这把双刃剑是把高风险流程简化成一个按键，对习惯了全程人工把关的团队来说需要谨慎对待。

为何一天售罄？

Codex Micro 在 OpenAI 自营 Supply Co 商店以限量形式开售，售完即止、未承诺补货。从产品角度看，它本质上是 Work Louder Creator Micro 2 的联名定制款 —— 同样的键盘模组，叠加 OpenAI 品牌溢价与软件集成，售价从 Creator Micro 2 的 199 美元涨到 230 美元。

但它解决了一个真实痛点：开发者同时运行多个 Codex 智能体时，「这个任务跑完了没？」需要不停切窗口确认。Agent Key 的 LED 灯把这一确认成本压缩到「一眼扫一眼」。这是从「看不见的 AI 工具」到「桌面上的物理指示器」的转化，也是 OpenAI 在硬件赛道的第一次尝试 —— 与 Jony Ive 合作的消费级 AI 伴侣预计 2027 年才会面世，Codex Micro 是更早一步的低风险试水。

来源：PCMag

Muse Code 基于 Meta 同日推出的 Muse Spark 1.2 模型。与竞品不同，它没有独立图形界面，安装只需一行命令即可集成进终端工作流。官方介绍称，该工具能够规划代码改动、编写代码、验证结果，并通过多个持久运行的后台子代理协同完成复杂工程任务。

价格双轨：标准版与贡献版相差 20 倍

Muse Code 的计费方式分为两档。标准档按量计费，输入 token 为每百万 1.25 美元，输出 token 为每百万 4.25 美元；贡献档则降至输入每百万 0.10 美元、输出每百万 0.20 美元，输出成本约为标准档的二十分之一。代价是用户需授权 Meta 将提示词与模型输出用于训练未来模型。两档的速率限制也不同：贡献档每分钟最多 60 次请求、210 万 token；标准档可达每分钟 3000 次请求、400 万 token。

这种定价模式把”数据换折扣”摆上了桌面。对于处理公开代码或原型项目的开发者，贡献档极具吸引力；但对于涉及商业机密、私有代码库或受监管行业的团队，标准档几乎是唯一选择。

功能亮点：持久代理与崩溃恢复

Muse Code 在架构上强调长时任务稳定性。它在本地维护一份追加式事件日志，记录每次模型调用、工具执行、审批与编辑。即便运行过程中断，代理也能从断点精确恢复，官方称之为”可重放、可重启”。此外，内置的 /plan、/grill、/goal 等命令分别用于生成待审批计划、压力测试计划以及推进目标完成。

在 Meta 自己公布的基准测试中，Muse Spark 1.2 在 Terminal-Bench 2.1 上取得 82.9%，低于 Anthropic Opus 5 的 86.7%，但略高于 OpenAI GPT-5.6 Terra 的 81.8%。需要注意的是，该分数为厂商自报，尚未经过公开排行榜独立验证。

竞品格局与选择建议

Anthropic Claude Code 与 OpenAI Codex 目前仍是该领域的头部产品，拥有更成熟的社区与生态。Muse Code 的优势在于激进的定价和面向长时任务的运行时设计，劣势则是起步较晚、缺少图形界面、数据授权引发隐私担忧。

对普通开发者而言，若项目代码可公开且追求最低成本，贡献档值得试用；若涉及企业代码或敏感业务，标准档虽贵，但避免了将核心资产变成训练数据的风险。平台竞争越激烈，开发者反而越要先算清楚这笔账。

来源：Meta AI Research 官方博客 / MacRumors / 9to5Mac

原因藏在一个容易被忽略的机制里：每次发消息，系统并不是只把这一句话送给模型，而是把整段对话历史一起打包送过去，好让模型知道你说的「这个」到底指什么。对话越长，每次消耗的词元就越多，额度自然掉得越快。更麻烦的是，会话大到一定程度，平台会自动压缩摘要，一旦压得不准，回答就开始跑偏。

他的解法是把长对话「固化」成技能（可复用的固定指令包）。关键一步是别自己动手写——直接让工具读完那段长对话，自己总结成一个技能文件；以后每次都在全新会话里调用它，送出去的只有必要指令。作者说，改用这种方式之后词元用量降了三到四成，套餐不用升了。

说白了，长对话给人的「连贯感」是错觉，真正稳定输出的是那套固定指令。为一致性付的钱，其实一直花在反复运输旧内容上。这也解释了一个常见困惑：为什么用得越久，同一个对话反而越不听话。

建议照着做一次：翻出你用得最顺的那个长对话，让 AI 把它整理成一个技能，凡是要做第二遍的事都这么处理。你手上有哪个流程最值得先固化下来？

来源：How-To Geek，作者 Patrick Campanale，2026 年 8 月 3 日

合并两个应用，用户先懵了

不久前，OpenAI 做了一个大动作：把 ChatGPT 和编程助手 Codex 的桌面应用合二为一，同时推出名为「Work」的智能体模式，让 AI 能替用户执行实际任务。

想法很美好，落地却翻了车。合并后的界面让大量用户摸不着头脑——尤其是那些只想继续用 ChatGPT 聊天的人，连自己的历史对话都找不到了。OpenAI 随后紧急更新，在界面顶部加了「Work」和「Chat」两个标签页，又在左侧面板加了一个下拉菜单用于在 ChatGPT 和 Codex 之间切换。导航是比之前好找了，但整体依然算不上清爽。

「确实是有点乱，我们承认」

访谈中，斯特恩直言新界面「有点乱」，布罗克曼没有辩解，反而全盘接下：「确实是有点乱，我们承认。你现在看到的，是通往未来的阶段性进展。我们本来希望一步到位做成零标签页的设计，但——我们的思路是必须迭代式发布，先把东西放出去、收集反馈，这就是当前的状态。不过我可以肯定地说，到今年年底，Work 标签页应该会消失，这些功能会无缝地融入 ChatGPT。」

换句话说，现在这个「双标签+下拉菜单」的别扭设计只是过渡形态，OpenAI 的目标是让用户在同一个对话界面里自然地聊天、写代码、跑任务，而不用先弄明白自己该点哪个入口。

界面挨骂，数据却很亮眼

有意思的是，尽管这次合并的过程招来不少吐槽，效果却实打实。布罗克曼透露，合并之后短短几天，Codex 的用户数从 500 万涨到了 1000 万，翻了一倍。

斯特恩追问：这种增长是不是纯粹靠把 Codex「硬塞」进 ChatGPT 应用换来的？布罗克曼再次坦率承认，但话锋一转表示这本来就是目的之一：「确实有很多人是这样进来的。但关键在于，还有太多人本可以从 AI 中获得更大的价值。我们的愿景是帮助这些依赖 AI 的人拿到更多价值，让他们真正体验到智能体，让智能体走向大众消费级的规模。」

这场专访是斯特恩个人视频频道「New Things」的重头内容，除了桌面应用改版，还聊到了新版 ChatGPT 语音、OpenAI 的硬件计划等话题。对于关注 AI 工具的用户来说，值得记住的时间点是年底：如果布罗克曼兑现承诺，届时的 ChatGPT 桌面版将不再有标签页之分，聊天与智能体任务会真正合为一体。

来源：9to5Mac

有意思的是，这款工具其实在官宣之前就已经被社区「偷跑」发现。OpenAI 表示，Codex Security CLI 目前仍处于早期发布阶段，后续会根据开发者反馈持续改进。

能做什么：从单仓扫描到批量巡检

根据 OpenAI 官方文档，Codex Security CLI 的核心能力围绕四件事展开：

• 全仓扫描：一条 npx codex-security scan 命令即可对整个代码仓库发起安全扫描，支持标准与深度（deep）两种模式，还可以附带架构文档、威胁模型、安全策略等资料作为扫描上下文
• 问题追踪：扫描历史会自动存档，通过 match 和 compare 命令，可以把同一问题在多次扫描之间关联起来，清楚看到哪些漏洞是新增的、哪些已修复、哪些仍然存在
• 提交前拦截：内置 Git pre-commit 钩子，每次提交代码前自动扫描改动内容，发现高危问题直接阻止提交
• 批量巡检：bulk-scan 命令可以对整个 GitHub 账号或组织下的仓库发起批量扫描，也支持用 CSV 清单锁定具体仓库和代码版本，扫描中断后还能断点续跑

扫描结果可以导出为 SARIF 等通用格式，方便接入现有的安全工具链。考虑到大模型扫描有成本，工具还提供了 --max-cost 参数，可以给单次扫描设定美元预算上限，超出即停。

怎么用：门槛不算高

Codex Security CLI 通过 npm 安装，运行环境要求 Node.js 22 或更高版本、Python 3.10 或更高版本，并需要具备 Codex Security 访问权限。认证方式有两种：ChatGPT 账号登录或 API 密钥。在 CI 环境中无需交互式登录，设置 OPENAI_API_KEY 环境变量即可直接运行，不会拖慢发版节奏。

对于想把扫描能力嵌入自家工具链的团队，OpenAI 还同步提供了 TypeScript SDK，几行代码就能在应用里调用扫描并获取报告。

为什么值得关注

安全扫描并不是新鲜事物，市面上早有各类静态分析工具。但 Codex Security CLI 背后是大模型驱动的代码理解能力，理论上能发现传统规则引擎难以覆盖的逻辑类漏洞。此前 OpenAI 已经在内部用类似能力做代码审计，这次开源相当于把「内部安全巡逻队」开放给了所有开发团队。

对开发者来说，这也是观察「AI 安全工具」实际水平的一个好机会——工具是开源的，效果好不好，跑一遍自己的仓库就知道。

来源：36氪、OpenAI 官方文档、IT之家

不是手机语音助手的简单移植

这次桌面版语音功能由 GPT-Live 驱动——这是 OpenAI 本月早些时候率先在移动端推出的新一代语音模型，最大特点是「全双工」：AI 可以同时说话、聆听和协调任务，用户能随时打断、插话、临时改主意，对话不再是一问一答的对讲机模式。

与手机端主打自然聊天不同，桌面版的核心卖点是「指挥干活」。按照官方更新说明，用户能以语音模式发起新对话或新任务，然后让 ChatGPT 启动、查看或调整其他线程里正在运行的工作，涵盖 Chat、Work 和 Codex 三大板块。也就是说，用户可以一边说话一边让多个 AI 智能体并行处理任务：审查代码合并请求、分析代码库、跑后台作业，全程不用碰键盘。

语音模式还能配合 OpenAI 的「计算机操作」能力、本地文件和插件使用。Mac 用户额外获得一项独占功能「Appshots」：经授权后，ChatGPT 可以参考当前处于焦点的应用窗口，理解用户正在看的内容，省去逐字描述屏幕的麻烦。此外，通过 iOS 端的远程功能，用户还能在手机上用语音遥控电脑里的任务。

项目文件夹也迎来实用升级

同期更新还改进了桌面应用的本地项目功能：一个项目现在可以包含多个相关联的文件夹。用户在项目菜单中选择「编辑项目」即可添加文件夹并指定主文件夹——新对话、Git 操作以及配置文件的自动发现都以主文件夹为准，其余文件夹则继续支持文件搜索、读取和编辑。对于需要跨多个代码仓库工作的开发者来说，这是个相当实在的改进。

语音正在成为AI巨头的必争之地

9to5Mac 评论指出，旧版 Mac 应用的语音模式此前被移除，且一直没有用上新版语音能力，这次更新让 Mac 重新拥有了「第一梯队」的语音体验，而且比以前更强。

值得玩味的是竞争节奏：就在 OpenAI 发布桌面语音功能的前一天，Anthropic 刚刚为 Claude 推送了类似的语音模式升级。两大头部 AI 实验室在 24 小时内先后出招，说明语音已经不再是炫技的噱头，而是被押注为操控 AI 智能体的下一代主流交互界面。谁能让用户「动动嘴就把活干完」，谁就能留住那份订阅费。

来源：9to5Mac、OpenAI 官方发布说明