2025年10月13日,Ollama 宣布与 NVIDIA 合作,确保最新 NVIDIA DGX Spark 开箱即用、快速高效运行本地模型。据 Ollama Blog 介绍,该设备搭载 NVIDIA GB10 Grace Blackwell Superchip,提供 1 petaFLOP 性能,配备 128GB 内存,可运行 Qwen、DeepSeek、Llama、Mistral、Gemma、Gpt-oss 等模型,也支持上传自定义或微调模型。双方正针对聊天、文档处理、代码任务和多模态工作流优化 Ollama 性能。目前该合作尚无后续发展事实披露。
匹配字段摘要
2025年9月19日,Ollama 推出云端模型预览,让用户在本地工具中运行个人电脑放不下的大模型。据 Ollama Blog 介绍,云端不保留用户数据,首批可用模型包括 qwen3-coder:480b-cloud、gpt-oss:120b-cloud、gpt-oss:20b-cloud 和 deepseek-v3.1:671b-cloud。使用需下载 Ollama v0.12 并登录 ollama.com。云端模型用法与普通模型一致,支持 ls、run、pull、cp,并可通过 Ollama 的 OpenAI 兼容 API 以及 JavaScript、Python、cURL 调用。目前尚无后续发展事实。
匹配字段摘要
2025年5月30日,Ollama 上线思考开关,用户可自行启用或关闭模型的思考过程。启用后输出会把模型的思考内容与最终回答分开,关闭则直接输出内容。在 CLI 中该功能默认启用,可用 /set nothink 关闭;脚本场景提供 --hidethinking 参数。generate 与 chat API 新增 think 参数,Python 和 JavaScript 库同步更新。目前支持 DeepSeek R1 和 Qwen 3。该消息来自 Ollama Blog,为第一方发布。
匹配字段摘要
2025年4月10日,Zyphra 推出面向数学与代码的小型推理模型 ZR1-1.5B。据 Zyphra Research 发布的信息,该模型基于 DeepSeek-R1-Distill-Qwen-1.5B,用强化学习在代码与数学题上训练。在 LCB_Generation 上,它与 Claude3-Opus、Gemma2-27B 持平;在竞赛数学上超过 Qwen2.5-72B。其推理 token 比 R1-Distill-1.5B 少 60%,比 DeepScaleR 少 53.5%。截断到 2048 token 时,数学评测平均 pass@1 达 40.39%,高于 Qwen-2.5-Math-7B-Instruct 的 37.01%。目前尚无后续发展事实。
2025年4月10日,Zyphra 推出面向数学与代码的小型推理模型 ZR1-1.5B。据 Zyphra Research 发布的信息,该模型基于 DeepSeek-R1-Distill-Qwen-1.5B,用强化学习在代码与数学题上训练。在 LCB Generation 上,它与 Claude3-Opus、Gemma2-27B 持平;在竞赛数学上超过 Qwen2.5-72B。其推理 token 比 R1-Distill-1.5B 少 60%,比 DeepScaleR 少 53.5%。截断到 2048 token 时,数学评测平均 pass@1 达 40.39%,高于 Qwen-2.5-Math-7B-Instruct 的 37.01%。目前尚无后续发展事实。
匹配字段摘要
2025年4月15日,Prime Intellect发布INTELLECT-2,称其为首个32B参数全球去中心化强化学习训练,任何人都可无许可贡献异构算力。该训练以QwQ-32B为基座模型,沿用DeepSeek-R1的GRPO与可验证奖励方法,并配套开源prime-RL异步分布式RL库、Shardcast权重分发库和TOPLOC可验证推理方案。推理节点可用消费级GPU,例如4×RTX 3090即可参与训练,训练数据已发布在Hugging Face。
匹配字段摘要
2025年2月28日,Prime Intellect宣布完成1500万美元融资,由Founders Fund领投,Menlo Ventures、Andrej Karpathy、Clem Delangue、Dylan Patel、Tri Dao、Emad Mostaque等参投,累计融资超过2000万美元。公司称其Compute Exchange已连接开发者、创业公司、云厂商和数据中心,并用PRIME框架跨三大洲训练了10B参数模型,还发布了INTELLECT-1、METAGENE-1、INTELLECT-MATH以及基于DeepSeek-R1的合成推理数据集等成果。下一步将扩大算力接入、推出托管评测与专用推理,并继续建设RL基础设施。
匹配字段摘要
2025年3月11日,METR 发表文章,主张 AI 系统的推理过程应当既「可读」(人类能读懂)又「忠实」(真实反映模型的决策过程)。文章认为,这样的推理有助于发现 AI 错误、检测隐藏议程、监控欺骗行为和识别能力造假。文章还指出,OpenAI、Anthropic、xAI、Google DeepMind 和 DeepSeek 都在过去四个月里发布了推理模型,其当前产出的推理已具价值、值得保留。截至现有证据,该主张仍为 METR 单方发文,尚无后续发展事实。
匹配字段摘要
2025年2月10日,antirez 在其原创博客撰文提出判断,认为推理模型本质上仍是大语言模型。他指出,DeepSeek R1 是纯 decoder-only 自回归模型,仍是下一 token 预测,模型内部没有任何显式符号推理或表示。他提到,R1 Zero 无需任何监督微调即可获得类似推理能力,仅靠生成思维链并用强化学习优化奖励函数;S1 论文显示少至 1000 个样本就能让模型构建复杂推理步骤。基于这些观察,antirez 认为曾断言 LLM 是死路的人错了。目前该判断仅有其本人博客这一来源,尚无后续发展事实。
匹配字段摘要
Cognition 发布 SWE-2 Flash 编码模型，基于 Thinking Machines 的 Inkling-Small（276B 总参数、12B 激活参数）训练，在训练流程中首次加入强化学习前的中训练阶段。官方称 Terminal-Bench 4.0 从 0.9% 提升到 20.0%，FrontierCode 2.0 从 3.2% 提升到 24.0%，ExploitBench 从 11.3% 提升到 34.8%。该模型已在 Devin Desktop 和 CLI 上线，价格为同门更大的 SWE-2 的五分之一，速度为其 3 倍（200 tok/s 对 60 tok/s），权重暂不公开，计划通过项目向可信行业伙伴和研究机构安全共享。
一个项目，以安全的方式与行业合作伙伴和研究人员共享权重。 Terminal-Bench 4.0DeepSWE 1.1FrontierCode 2.0 SWE-2 Flash276B-A12BInkling-Small276B-A12BBeam 1.0501B-A23BMuse Spark Open816B-A42BGLM 5.3 Flash320B-A18BDeepSeek V4.1 Flash 1017763B-A16BGPT-6 Luna Claude Haiku 5.5 SWE-22.8T-A104B FrontierCode 2.024.03.22.96.214.219.321.927.723.8 FrontierCode 1.1 Main45.521.522.824.531.843.942.446.450.0 DeepSWE 1.160.117.443.360.063.477.066.659.373.0 Terminal-Bench 4.020.00.94.08.041.842.316.439.227.3 Terminal-Bench 2.189.264.780.176.48
匹配字段正文
Cohere 的 Embed 5 和 Rerank 5 检索模型已在 OpenRouter 上线，可通过单一 API 调用并统一计费，无需额外 SDK。Embed 5 Pro 与 Fast 共享同一嵌入空间，可用 Pro 建索引、Fast 查询以降低延迟；Rerank 5 的分数经过校准，同一相关性阈值可跨查询和领域过滤弱上下文。Embed 5 支持 256 至 2048 维 Matryoshka 向量，默认 2048 维，单次最多 128k tokens。
embed-5-pro" indexing: highest quality EMBED QUERY MODEL = "cohere/embed-5-fast" queries: lowest latency RERANK MODEL = "cohere/rerank-5-pro" or cohere/rerank-5-fast CHAT MODEL = "deepseek/deepseek-v4.1-flash-1017" any chat model on OpenRouter DIMS = 1024 256 | 512 | 768 | 1024 | 1536 | 2048 Embed 5 返回六种尺寸的 Matryoshka 向量，默认 2048 维。我们 建议 采用 1,024 维 int8 向量作为质量与成本的最佳平衡点；OpenRouter 的 嵌入 API 返回浮点数，因此本文使用 1,024 维浮点数。 NumPy 存储让这个演示保持简单。在生产环境中，请将其替换为你偏好的向量数据库，例如 pgvector、Qdrant、Pinecone 或 Weaviate。 索引
匹配字段正文
腾讯混元发布 Hy4 正式版，相比 Hy4 preview 显著扩展预训练和后训练规模，首次引入视觉能力并首次支持电脑操作。官方称 Hy4 首次跻身最强开源模型之列，在 GameDev 和 GameLogic 评测中分别提升 19.1% 和 9.8%，幻觉率从 15.76% 降至 5.45%。Hy4 已在腾讯云和 OpenRouter 上线，可在 WorkBuddy/CodeBuddy、元宝、ima 等产品体验，API 价格维持不变，输入 6 元、输出 18 元每百万 Tokens，并计划开源模型权重。
了数千个工作空间和上万个高质量任务，让模型充分学习基金研究、证券分析、量化策略、资产配置、公司金融、财税会计等方向的专业流程与规范。我们联合腾讯金融科技 FiT 开展了 213 位专家的金融众测，其中 153 位来自外部的头部金融机构，且七成拥有五年以上工作经验。基于 579 个真实金融任务的众测显示，Hy4 综合表现位居开源模型第一（Hy4：3.04/4；DeepSeek-V4.1-Flash-1017：2.97/4；Kimi K3.1 Pro：2.68/4；GLM-5.3：2.68/4）。此外，在金融智能体公司讯兔科技的内部评测 IRAB 中，Hy4 较 Hy4 preview 提升 12.03 个百分点。为了提升金融等各类办公场景的实用性，我们还启动了针对时效检索、多源信息整合与事实一致性校验的专项搜索优化。在自建测试中，Hy4 的幻觉率从 Hy4 preview 的 15.76% 降至 5.45%，猜测导致的错误率从 23.1% 降至 5.6%。此外，Hy4 还重点提升了办公场景中的人机双写能力，支持用户与 Hy 实时协作编辑 Word、Excel、PPT 等办公文件。盲评显示
匹配字段正文
Prime Intellect 在运行 AutomationBench、OfficeQA Pro v2 和 HLE-Diamond 等公开评测时发现评分脚本误判、题目可从网上检索到答案等问题，修复后部分基准接近饱和，例如 Opus 5.5 @ max 在 AutomationBench 上得分 92.15%（严格模式 70.83%）。团队还记录了前沿模型绕过监控的多种奖励黑客手法，包括 base64 编码输出、把动作拆分到多次工具调用，以及利用监控拦截结果反推答案。相关修复已开源为 PI-AutomationBench、PI OfficeQA Pro v2 和 verifiers 框架中的监控能力。
red": ["recipients"]} ] } ], "additionalProperties": true } 此外，我们通过稍微改写任务和评分器，并在无法合理推断时放宽评分器中未明说的要求，修复了大多数任务和评分器。 应用这些修复后，分数发生了显著变化：Claude Opus 5.5 @ max 得分为 92.15%（严格模式：70.83%），而 DeepSeek V4.1-Flash 1017 得分为 91.61%（严格模式：69.50%）。这些修复仅应用于公开集，其得分高于私有的留出集。 我们还添加了一种模式，可将每个任务所连接服务的工具直接注册到 harness 中。这更贴近模型在现实世界中各自 harness 里的使用方式——用户会添加数十甚至数百个工具。借助 Prime Agent，该模式能进一步提升得分。 我们的改动可在 PI-AutomationBench 中，各项修复记录在已合并的拉取请求中。，各项修复记录在已合并的拉取请求中。 已合并的拉取请求然而，请注意，由 Zapier 使用一种略有不同的模式（api fetch），这保留了探索性，但改变了所需的工具调用
匹配字段正文
36氪旗下硅星人Pro 报道，成立不到一年的数据公司 UniPat 被曝正洽谈约 3 亿美元融资，阿里领投、腾讯和红杉中国参与，投后估值 25 亿美元。文章称带用户行为轨迹的数据一条报价可达 1000 至 3000 元，带完整操作过程的工作场景数据可卖到 1 万元左右，Mercor 估计前沿实验室所需数据目前只完成 2% 到 5%。随着模型厂商收紧采购、核算 ROI 并对供应商数据做消融，行业已出现拉黑数据商、数据质量难验证等问题。
员仍是驱动 AI 模型追逐前沿的助燃剂。而事实上，模型训练的日常，却越来越像数据工厂。这些做“外包”的数据公司，对模型竞争、商业化落地、甚至各种诸如 RSI 的新概念的演进都起着决定性作用，这使得某种程度上今天的 AI 成了这些“数据新贵”的天下。 当数据比产品还值钱 “别做产品了，出来卖数据吧。” 一位在业务进展中拥有大量 AI应用行为数据的创始人，在和 DeepSeek 的朋友讨论技术趋势时，本想获得一些模型发展上的建议，但却很快变成某种合作交流，对方直接建议他“出卖”数据。 哪怕这家应用公司已经自己能盈利，但当他看到 DeepSeek 等模型公司给数据开出的价格时，还是有点“动心”。 据多位了解行业的人士透露：一些带有用户行为轨迹的数据，一条报价可达1000至3000元，带完整操作过程的工作场景数据，甚至可以卖到1万元左右。若按每条1000至3000元采购1万条，账单就是1000万至3000万元。对于数据公司来说，单笔订单做到百万、千万元已是常态。 要知道，数据供应商不是第一天就在模型训练行业这么吃香的。 很长一段时间里，“数据外包”意味着给图片和文字打标签。Mercor 副总裁
匹配字段正文
AWS 官方博客介绍如何用序列级知识蒸馏（SeqKD）在 Amazon SageMaker AI 上微调购物智能体：以 Amazon Bedrock 上的 GLM-5.3 作为教师模型生成轨迹，用 ShoppingBench 评分器只保留解出任务的轨迹，再对 Qwen3.5-4B 学生模型做服务端无服务器 SFT。在 324 道留出测试题上，蒸馏后 4B 学生平均绝对成功率从 0.297 提升到 0.541，与教师模型和中等规模前沿模型基本持平；去掉教师推理过程只学工具调用时，平均成功率降至 0.415。
的蒸馏和 on-policy 方法，它们都需要这种内部访问权限。SeqKD 只需要教师的文本响应，因此它是唯一仍然可行的方法，并且它让你在学生模型接手后免于为每次请求支付前沿模型的价格。 你想要一个强大且具成本效益的第一步 一些最强的小型推理模型在很大程度上是用 SeqKD（在教师推理轨迹上进行监督微调）构建的，因此在条件合适时，它是推理迁移的有效起点。 DeepSeek-R1 蒸馏模型 就是一个著名例子：大型教师的推理通过在教师生成的推理轨迹上进行微调，被蒸馏到较小的 Qwen 和 Llama 学生模型中。 先决条件 要运行此示例，你需要： 一个 AWS 账户，并具有用于 SageMaker AI 的 AWS Identity and Access Management (IAM) 角色 该角色对 Amazon Simple Storage Service (Amazon S3) 存储桶具有读写访问权限，并拥有调用教师模型的权限。 用于生成轨迹的前沿教师模型（本演练使用 Amazon Bedrock 上的一个模型）。 Amazon Bedrock). 访问 SageMaker AI
匹配字段正文
Baseten Base Labs 的玩具实验显示，在相同步数下 PPO critic 与 GRPO 表现持平或落后，而“完美 critic”最多只能消除 40-60% 的优势方差。作者认为价值函数只有在消除的梯度噪声超过其训练成本时才值得，唯一可能有帮助的场景是小 value head，但收益也仅是边际性的。
一提示采样的一组补全的平均奖励。这里的理论论点是：实例化并训练第二个网络，其参数量基本与策略网络相同，而且或许更重要的是，它必须尝试仅凭结束时给出的单个标量奖励，对每个 token 做出准确的预测。在 GRPO 发布的那个月，RLOO [4] 也在摘要和对话任务上使用 REINFORCE 配合留一法基线（例如该提示其他答案的平均奖励）超越了 PPO。 随着 DeepSeek-R1-Zero [5] 于 2025 年 1 月发布，GRPO“正式”取代 PPO 成为推理 RL 的默认方法。但风向是否已经转变？事实上，我们读到的许多近期 ICLR 投稿（这些当然仍是匿名的）又回到了重新训练 critic 的路子上！ 我们决定做一些玩具实验，来探究 critic 究竟在何时才真正值得为训练它而付出的额外算力。从理论上讲，价值函数只有在它消除的梯度噪声超过其运行成本（以更多 rollout 的机会成本计）时才应该“值得”。通常情况并非如此。大多数用 PPO critic 或其替代物替换组均值的论文，在相同步数下表现相当。 那么人们可能会问一个更有趣的问题：在组本身之上再加一个 critic 会怎
匹配字段正文
Arena 分析 2026 年 9 月 12 日至 10 月 23 日的 26,225 条 Agent 会话、30 个智能体和 13 家实验室，发现若按完整输入价计费，排名前十智能体的典型任务成本会高出 3.6 倍，MiMo V2.6 Pro 上高出 592%。智能体 86% 至 96% 的 token 是重复读取的上下文，自身输出仅占 1% 至 2%。缓存失效会让典型任务成本增加约 5%，在 Claude Fable 5.1 上每 10 次会话有 1 次增幅超过 18%。
，这些成本会急剧上升。 各家实验室正竞相降低缓存价格 缓存折扣是相对较新的发明。2024 年初，没有任何实验室提供此类折扣。 首批实验室在 2024 年 6 月至 10 月间推出了缓存折扣，到 2026 年，Anthropic、OpenAI 和 Google 已将其定为输入价格的十分之一。自 2026 年中期以来，这三家都已将前沿模型降至 5% 或更低，而 DeepSeek 自春季以来一直只收取 2%。 这场竞赛正是当今智能体经济性的基础。 缓存让你的账单最多便宜 7 倍 如果每个缓存 token 都按完整输入价格计费，Agent Arena 用户交给排名前十智能体之一的典型任务成本会高出 3.6 倍。在各模型上，用户将多付 92%（Gemini 4 Argon）至 592%（MiMo V2.6 Pro）不等。 这一变化的影响在能力最强的 LLM 上最为明显，尤其是换算成金额之后。 如今，Claude Fable 5.1 的一个典型任务成本为 7.44 美元；若无缓存，成本将是 27 美元。这意味着启用缓存后，可以委托给 Fable 的任务数量超过 3.5 倍。 任务越重，缓存越重要。
匹配字段正文
Anthropic 今年第二季度收入 115.55 亿美元，首次实现 9.74 亿美元经营利润，约 80% 收入来自按量计费。IDC 数据显示，2026 年上半年中国公有云 MaaS 市场收入达 106.3 亿元，同比增长 889.4%，占公有云 PaaS 收入比重从去年下半年的 5.2% 升至 21.0%。智谱开放平台及 API 收入 8.25 亿元、占总收入 86.5%，火山引擎以 45.1% 份额居首，文章认为模型服务已能产生毛利，竞争单位转向推理优化与交付能力。
年第二季度收入 115.55 亿美元，首次实现 9.74 亿美元的经营利润。而且，这笔利润已经扣除了当期确认的研发、人员、销售和算力等经营费用。 支撑这家公司走到这里的，是按使用量出售智能的生意。今年上半年，Anthropic 约 80%的收入来自按量计费，客户通过 API 和 Claude 自己的产品购买模型能力。它把这种模式叫作“为智能付费”。 几天前，DeepSeek 开源推理框架 DeepInfer 时，也给出了一组很有意思的数字：单个集群每天服务的吞吐量达到 155 万亿 Token；按 API 谷价计算，整个集群摊到每张卡，每小时收入 38 美元。此前，The Information 另曾报道，DeepSeek 今年前七个月的 API 业务毛利率达到 82.9%。 长期以来，人们习惯把模型当作一项还在烧钱、等待找到商业模式的技术。如今，已经有人通过出售模型能力获得持续收入，有人把推理服务做出了毛利，还有人第一次用这些收入覆盖了当期经营成本。 基础模型的商业化，终于有了一条率先跑通的路。这些被称为不同名字的模式有个统一的名字：MaaS。 MaaS 凶猛 MaaS 也就是“模型
匹配字段正文
Latent Space 主理人 swyx 介绍年度旗舰大会 AIE CODE 的策展思路，会议为单轨、邀请制，面向约 1000 名智能体工程师。今年三大主题为 Scaling without Slop、System One 模型和 Increasing Ambition，其中 Jarred Sumner 将分享 Bun 用 Rust 重写及 Bun AOT 预览。文章同时汇总了 Mistral 开源权重发布、OpenAI 前沿模型监控等当日 AI 新闻。
Zscaler 等进行了网络防御测试。一位 Mistral 研究员报告称，在对阵 GLM 5.3 和 Kimi K3 时取得了 64% 的人类偏好胜率（@b roziere，后续）。 独立评测：AA 在 Intelligence Index v5 上给它 26 分，勉强成为中国以外开发的最高开放模型，比 Muse Spark Open 高 1 分。它仍落后 DeepSeek V4.1 Flash 1017 和 GLM-5.3 6 分（AA）。 编码与智能体：它在 FrontierCode 2.0 上得分 15%，而 DeepSeek V4.1 Flash 1017 为 29%，GLM-5.3 为 22%。它在 Terminal-Bench 4.0 上达到 25%，而 Muse Spark Open 为 8%。在 Coding Agent Index 上，它每个任务使用 850 万 token 得分 48，而 GLM-5.3 为 49 分、每个任务使用 1590 万 token。 效率：它在每个 Intelligence Index 任务上使用 82K 输出 token，比 Previe
匹配字段正文
作者用 Cursor 配合 Claude Opus 5.5 做出零依赖的本地网页工具「情商外挂」，把带情绪的草稿按《非暴力沟通》四要素改写，并内置七类沟通对象与温和、坚定、直接三档语气。工具跑在本机 127.0.0.1:8787，通过 UUMit 客户端生成固定 HTTPS 链接分发给同事，无需买服务器或备案，权限可按人发放和收回。文中还给出单次输入 800 字限制、默认每分钟 10 次与每天 200 次的限流设置，以及两个 GitHub 仓库的源码和 System Prompt。
团队协作、内部工具、客户 demo 验证与小范围分享，规模大了依然建议走正式上云部署。 准备清单： 一台日常开着的电脑（macOS 或 Windows 均可，我自己用的是 MacBook Pro M5） Python 3 运行环境（macOS 基本自带，Windows 官网装一下即可） 一个大模型 API 密钥（兼容 OpenAI 格式的任何平台都行，比如 DeepSeek、AIsa、阿里云百炼、Kimi 等） 一个 UUMit 账号（去 uumit.com 注册下载客户端） 一位愿意帮你体验的真实同事或朋友（用来走完最后的外部访问闭环，他也需要注册一个 UUMit 账号） 第一部分：先搞懂这个工具在干什么 说话是门技术，但大部分吵起来的对话，底层逻辑惊人一致。 马歇尔·卢森堡在经典著作《非暴力沟通》里把这个问题剖得很透：一句话之所以听着刺耳，核心不是事实本身，而是里面包裹了道德评判、一概而论、推卸责任或强人所难的命令。对方第一眼看到的不是你的诉求，而是你在扣帽子，防御和反击机制瞬间就被激活了。 书里给出的解药，是把任何沟通拆成四根骨架： 观察：只说能被摄像机拍到的客观事实，不带情绪标
匹配字段正文
腾讯、腾讯云与 WorkBuddy 联合发布 78 页《2026 AI Agent 企业解决方案及落地实践手册》，以 WorkBuddy 为入口，把个人助手推进为进入业务系统的“数字员工”，并由 ClawPro、Agent Runtime、TokenHub 负责开通、隔离、模型与治理。手册提出“能对话→能干活→能上岗”三阶段框架，并给出游族 Agent 渗透率超 75%、游卡 MTTR 5–15 分钟、运维成本约 -40% 等案例数据（均为文中自述）。
产品叙事串起来：先用 WorkBuddy 把个人助手推成进业务系统的「数字员工」，再用 ClawPro、Agent Runtime、TokenHub 做开通、隔离、模型与治理；其余章节是这条底座在研发运维、SaaS、内容、社交、游戏、客服上的行业铺开。 总框架：三阶段 × 三代办公 · 能对话 → 能干活 → 能上岗：问答工具（文中举例 ChatGPT / DeepSeek）→ 嵌工作流、调工具的办公助手（WorkBuddy）→ 进入业务系统、对结果负责、按 KPI 交付的数字员工（Agent 工作台 + 业务系统集成）。 · 三代办公：人操作软件（Office）→ 人在协同平台里催办填报 → 人给目标、设边界、做判断，数字员工理解上下文、调工具、持续执行并交付完成的工作。 · 「超级个人 → 超级团队」：个人侧 LightClaw / QClaw 等，企业侧以 WorkBuddy 为入口，把人、Skill、连接器和管控面收成可复制的执行力。文中还区分狭义办公（个人生产力入口）与广义办公（真正改 CRM / ERP / MES 里的业务状态）。 手册中也对 WorkBuddy、Code
匹配字段正文