在过去五年里，微软已关闭至少15家中国分支机构和合资企业。五名微软内部人士表示，公司正在推进一项可被描述为“战略性收缩”的计划。

消息人士称，微软曾在2023年认真考虑退出中国市场，因为部分高管认为，公司承担了过多地缘政治风险，却只获得有限经济回报。不过他强调，微软目前并无退出中国的计划。微软曾表示，2024年中国市场收入仅占其全球营收的1.5%。

这五名人士表示，中美两国互信恶化对微软造成了重大冲击。自2017年以来，中国一直推动采用本土软件，北京方面认为国产软件更安全，而且其质量正越来越接近Windows和Office等产品。与此同时，美国的各项限制措施，包括先进技术出口管制，也阻碍了微软在中国扩大其高利润AI和云计算业务的努力。

三名知情人士表示，微软最终决定继续留在中国，原因之一是其已建立起一项盈利能力良好的业务，为字节跳动等中国企业提供服务。这些企业在海外运营中需要借助西方技术。另有两名人士表示，微软还认为，公司需要保留在华存在，以持续接触中国世界领先的工程师人才资源。

特朗普签署公告，以应对国家安全威胁为由对进口无人机及零部件征收10%至100%的从价关税。公告规定，对具有高度敏感性的特定尺寸或特定功能的无人机，以及此类无人机的停靠站和某些关键组件，征收100%的从价关税。该类别包括最大起飞重量超过25公斤的无人机以及具备热成像功能的无人机。

对尺寸较小且不具备特定功能的某些无人机及其他无人机组件，征收25%的从价关税。

对来自欧盟、日本、列支敦士登、韩国和瑞士等的无人机及组件征收15%的从价关税。此外，对来自英国的无人机征收10%的从价关税，前提是其硬件、软件和技术基本上均源自上述国家和地区，以及美国。

规定称，上述关税将于签署之日起21天后生效。对于非高度敏感的无人机组件，关税将于签署之日起180天后生效。

2026 年 8 月 12 日，xAI 正式发布 Grok 4.6。新模型在 Grok 4.5 基础上继续强化长时间运行的 Agent、复杂多步骤任务，以及交互式和视觉应用开发能力。xAI 称其可持续完成研究、信息分析、大型代码库操作以及从想法到完整应用的开发流程。

训练方面，Grok 4.6 进行了比 4.5 更长的补充训练，并加入模型生成的推理与技术数据、高质量工程数据，同时更新优化器和训练方法。后续 SFT 数据由 Grok 4.5 重新生成，并在知识工作、通用编程、Kernel 优化、Web 开发和 CAD 等环境中进行了 Agentic RL。

在 xAI 公布的评测中，Grok 4.6 High 的 Artificial Analysis Intelligence Index 得分为 61，与 GPT-5.6 Sol Max 持平；CursorBench 3.2 为 69.9%，FrontierCode 1.1 Extended 为 61.3%。这些结果包含 xAI 自测以及公开的第三方模型成绩，仍应结合独立评测看待。

Grok 4.6 已上线 Grok Build、Cursor、xAI API，并通过 OpenRouter、Vercel 和 Cloudflare 等平台提供。API 起价为每百万输入 Token 2 美元、每百万输出 Token 6 美元，另有速度更快、价格翻倍的版本。

‼️huge ssi news.

ilya is about to take his first tentative steps out of the age of research and back into the age of scale. it’s time to smell what ssi is cooking.

ssi have built a small reasoning engine that can compete with much larger training runs because his data is better curated to meta learning. but, more importantly.

we’re about to step into the era of TTT (test time training. gradient descent happening in real time to solve your problems). so instead of a context window you get actual learning.

and because it’s so sample efficient it can be trained on hard to verify tasks that other paradigms can’t touch. everyone else’s weights are frozen, they struggle out of distribution. ssi have created something that has a bundle of knowledge but can truly learn in real time and use that to your advantage.

current approaches are trying to hack their way to ‘learn’ with memory trick......

我们正在步入 TTT（Test-Time Training，测试时训练）的时代：梯度下降将在推理过程中实时发生，模型不再只是从上下文中检索和组合已有信息，而是能够在解决问题的过程中真正完成学习。换言之，我们获得的不再仅仅是一个不断扩大的上下文窗口，而是一种可以持续更新自身的学习机制。
正因为这种机制具有极高的样本效率，它有望被应用于那些难以验证、因而长期难以用于训练的任务。传统模型的参数在部署后基本保持冻结，一旦面对分布外问题，往往只能依赖已有知识和上下文进行推断；而 SSI 所构建的系统则不同：它既拥有广泛的知识基础，又能够在面对新问题时实时学习，并将新获得的经验直接用于后续推理。
目前的许多方案都在试图借助记忆、检索等机制模拟“学习”，但这种系统所做的事情更加直接：它会真正更新自身的权重，保留关键经验，并有望逐渐形成更加接近人类的持续性推理能力。这不仅是对现有技术路线的一次改进，更可能意味着整个范式的转变。