📰 2026-06-25 AI 日報

Figma 做了一件讓工程師又愛又怕的事
阿凱📝 主編觀點 · 產品思維 — 哪個 AI 產品做對了什麼,我們能學到什麼

Figma 做了一件讓工程師又愛又怕的事

Figma 這次更新悄悄動了一個對工程師影響很大的功能:Code Layers。 過去設計師交稿,工程師拿到的是一堆圖層和標注,要自己判斷這個元件應該是 `div` 還是 `section`、間距是 `margin` 還是 `padding`、哪些東西要用 Flex 哪些要用 Grid。翻譯這份「設計語言」本來就耗時,如果設計師命名習慣不好,那更是一場災難。 Code Layers 直接把視覺設計的層級結構對應到前端程式碼結構。設計師在 Figma 畫的每一層,現在可以直接標記語意,工程師拿到的不再是「一堆方塊」,而是接近可以直接實作的邏輯結構。 這件事有趣的地方在於:Figma 在做的,不是讓 AI 幫你寫 code,而是讓設計師說人話給工程師聽。 這才是產品思維的正確打法。很多公司看到 AI 浪潮就硬塞一個「Generate Code」按鈕,生出來的東西能跑但維護成本爆炸。Figma 走的路不一樣——它先把設計和開發之間的資訊落差填起來,讓 AI 在這個基礎上才介入,而不是跳過這個問題直接生成結果。 順帶一提,這次更新還加了 Shader 支援和 AI 自訂插件。Shader 代表 Figma 想把動畫這塊也納進來,讓設計師在工具裡就能做出接近最終產品的視覺效果,減少「設計稿看起來很酷,實作出來又是另一回事」的老問題。AI 自訂插件則是讓設計師可以用自然語言建立自己的自動化流程,不用等 Figma 官方更新。 Figma 這輪更新其實在搶一個很具體的市場:設計師和工程師協作的「中間地帶」。過去這塊是 Zeplin、Storybook 這類工具在填,現在 Figma 自己吃掉了。 設計到開發的交接流程,可能很快就不需要一份密密麻麻的 Spec 文件了。
OpenAI 造晶片,不是為了讓你等更少,是為了讓對手追不上
塵子💬 塵子觀點

OpenAI 造晶片,不是為了讓你等更少,是為了讓對手追不上

OpenAI 和 Broadcom 合作推出一顆叫 Jalapeño 的晶片,專門跑 AI 推理。 名字聽起來像辣椒,任務卻很具體:你問完問題,它負責把答案算出來。不訓練模型,只管生成回應。聽起來是個小角色,但現在所有聊天 AI 最消耗資源的環節,就是這一步。你問它中午吃什麼,背後跑的運算成本,比你想的高得多。 OpenAI 為什麼要自己造晶片?因為推理太燒錢了。 每一次對話都要燒電、燒伺服器、燒錢。如果能用自家晶片把推理成本壓下來,就能以更低的邊際成本服務更多使用者,或者把省下來的預算繼續砸在 GPU 採購上。這筆帳不難算。 但這顆晶片真的解決了什麼問題嗎? 現在大家抱怨 AI 慢,通常不是晶片的問題,而是網路延遲、伺服器塞車,或者模型本身反覆確認答案。換一顆更快的晶片,就像把塞在國道上的車裝了一組更好的音響——硬體升級了,路況沒變。 更值得玩味的是,OpenAI 一邊喊著讓 AI 更普及、更便宜,一邊打造別人買不起也複製不了的專屬硬體。小型 AI 公司既沒有資源自研晶片,也租不起同等規模的雲端運算,這顆 Jalapeño 本質上是在拉開護城河。 所以與其說這是技術突破,不如說這是一步商業棋。硬體協同設計的真正目的從來不是跑得更快,而是讓別人跟不上。 下次你覺得 AI 回應順了一點,那可能不是進步,是壁壘。 SOURCE: OpenAI 與 Broadcom 推出專為 LLM 推理優化的 Jalapeño 晶片
🚀 產品速報2026-06-25

Alibaba Qwen 團隊發布 Qwen-AgentWorld:不訓練代理行為,改預測環境回饋以提升效能

今天最值得關注的 AI 動態,來自阿里巴巴 Qwen 團隊發布的 Qwen-AgentWorld。這不僅是一個新模型,更是一套針對自主代理(Autonomous Agent)開發的全新架構思路。簡單來說,他們發現傳統讓 AI 直接學習「該做什麼動作」的方法效率太低且容易出錯,於是改讓模型去預測「環境會給什麼回饋」,結果在七項標準測試中全面勝出。 先說最重要的功能:預測環境回饋而非直接訓練動作。傳統的大型語言模型在執行代理任務時,通常依賴強化學習或直接訓練模型輸出特定指令。這就像教小孩走路,如果只告訴他「抬腳、邁步」,他很容易摔倒。Qwen-AgentWorld 的做法不同,它讓模型學習預測環境在執行動作後的狀態變化。也就是說,模型不需要死記硬背每個動作,而是理解動作會如何改變世界。這種方法大幅降低了訓練的複雜度,讓模型在面對動態環境時更具適應力,解決了以往代理行為不穩定的痛點。...

Anthropic 推出強化編碼與長程任務一致性的 Claude Opus 4.8,同時 Alibaba 以 Qwen-AgentWorld 透過預測環境回饋提升代理效能,展現大模型應用新趨勢。此外,Figma 整合 Code Layers 與 AI 功能,PP-OCRv6 則以擴增參數支援多語言識別,進一步推動開發與視覺設計工具的智能化。

Alibaba Qwen-AgentWorld:不訓練代理行為,改預測環境回饋以提升效能

Alibaba Qwen-AgentWorld:不訓練代理行為,改預測環境回饋以提升效能

Alibaba Qwen 團隊發布 Qwen-AgentWorld,這是一組針對 MCP、搜尋、終端機等七大領域優化的模型。其核心創新在於不直接訓練模型執行代理動作,而是專注於預測環境的回饋結果,這種方法在七個基準測試中均提升了代理效能,顯示出在自主代理領域的新技術突破。

AlibabaQwenAgent
VentureBeat AI
Figma 更新加入 Code Layers、動畫支援與更多 AI 功能

Figma 更新加入 Code Layers、動畫支援與更多 AI 功能

Figma 發布重大更新,正式引入 Code Layers 功能,讓設計師能更直觀地將視覺設計轉換為前端程式碼結構。此次更新同時強化了動畫與 Shader 支援,並開放利用 AI 建立自訂插件,大幅縮短設計到開發的轉換流程,提升協作效率。

FigmaCode LayersAI 插件
TechCrunch AI
Anthropic 推出 Claude Opus 4.8:強化編碼、Agentic 任務與長程工作一致性

Anthropic 推出 Claude Opus 4.8:強化編碼、Agentic 任務與長程工作一致性

Anthropic 正式發布 Claude Opus 4.8,這是其 Opus 系列模型的重大升級版本。新版本在程式碼生成、自主代理(Agentic)任務處理以及專業工作流表現上均有顯著提升,特別針對長時程工作的穩定性與一致性進行了優化,旨在滿足企業級與高強度開發者的需求。

Claude Opus 4.8AnthropicAgentic AI
Anthropic Blog
利用本地模型免費自動化審查 OpenClaw 程式碼庫

利用本地模型免費自動化審查 OpenClaw 程式碼庫

Hugging Face 團隊展示了一種高效且零成本的程式碼審查流程,透過部署本地執行的 AI 模型來自動分析 OpenClaw 這個開源專案。此方法不僅能大幅降低對雲端 API 的依賴與費用,更為開發者提供了一種可私有化、可重複使用的自動化代碼品質管控方案,特別適合注重資料隱私或預算有限的團隊參考。

本地模型程式碼審查OpenClaw
Hugging Face Blog
RubyLLM:支援各大 AI 供應商的 Ruby 框架

RubyLLM:支援各大 AI 供應商的 Ruby 框架

RubyLLM 是一個專為 Ruby 開發者設計的開源框架,旨在統一整合 Anthropic、OpenAI、Google 等主流 AI 供應商的 API。這項工具解決了 Ruby 生態系長期缺乏標準化 AI 整合介面的問題,讓開發者能用一致的程式碼介面呼叫不同模型,大幅降低多模型適用的維護成本。

RubyLLMRubyAI 框架
Hacker News
PP-OCRv6 登陸 Hugging Face:參數擴增 23 倍,支援 50 種語言的 OCR 模型

PP-OCRv6 登陸 Hugging Face:參數擴增 23 倍,支援 50 種語言的 OCR 模型

百度 PaddleOCR 團隊發布了 PP-OCRv6 模型,將參數量從 1.5M 大幅擴展至 34.5M,並強化對 50 種語言的支援能力。此更新透過增加模型容量來提升多語言環境下的辨識準確率與魯棒性,為需要處理複雜多語場景的開發者提供了更強大的開源解決方案。

PP-OCRv6OCRHugging Face
Hugging Face Blog
Xiaomi HarnessX 動態重寫 AI 框架,小模型效能大幅提升

Xiaomi HarnessX 動態重寫 AI 框架,小模型效能大幅提升

小米研究團隊提出 HarnessX,解決傳統 AI Agent 執行器(Harness)靜態且需手動調整的瓶頸。該技術能根據執行環境的數據自動重寫軟體架構,讓較小的語言模型也能在複雜任務中獲得顯著的性能提升,為企業級 AI Agent 的開發提供了新的工程解決方案。

小米AI Agent動態框架
VentureBeat AI
OpenAI 與 Broadcom 推出專為 LLM 推理優化的 Jalapeño 晶片

OpenAI 與 Broadcom 推出專為 LLM 推理優化的 Jalapeño 晶片

OpenAI 與 Broadcom 合作推出客製化 AI 晶片 Jalapeño,專為大型語言模型(LLM)的推理階段設計。這款晶片旨在提升 AI 系統的效能、能源效率與擴展能力,顯示出頂尖模型供應商正積極透過硬體協同設計來突破運算瓶頸。

OpenAIBroadcomLLM
OpenAI Blog

今日洞察

近期 AI 產業呈現模型效能與開發工具並重之趨勢。阿里 Qwen 與 Anthropic 分別透過預測環境回饋及強化長程一致性,突破自主代理技術瓶頸,展現企業級應用潛力。同時,Figma 引入 Code Layers 縮短設計到開發流程,RubyLLM 則解決 Ruby 生態系整合碎片化問題。在開源與成本優化方面,Hugging Face 展示本地模型自動化審查以降低成本,百度 PP-OCRv6 則擴增參數提升多語言辨識力。整體而言,產業正朝向提升代理穩定性、降低開發門檻及優化私有化部署方向演進,強調實用性與效率平衡。

🔮 趨勢雷達

未來三至六個月,AI 產業將從單純追求大模型參數量,轉向強調「環境感知」與「本地化部署」的務實應用階段。Alibaba 與 Anthropic 的最新進展顯示,自主代理技術將不再依賴黑盒訓練,而是透過預測環境回饋來提升穩定性,這將成為企業級 Agentic 應用的主流架構。同時,Figma 與 RubyLLM 的更新標誌著 AI 將深度嵌入開發者日常工具鏈,降低多模型整合門檻。值得注意的是,Hugging Face 與百度 PP-OCR 的案例證明,小型化、本地化的專用模型將在隱私敏感與成本控管場景中取代部分雲端 API 需求,投資熱錢將從通用基礎模型轉向這些具備明確落地效益的垂直優化技術。

延伸閱讀