导语：2026年6月10日，Hacker News被三场完全不同的AI讨论引爆——Anthropic要求保留你的API数据30天、€0.01的银行转账就能黑掉AI金融助手、Google悄悄发布了比传统LLM快4倍的扩散文本模型。这三个看似无关的事件，拼出了一幅AI行业信任危机与技术范式转移的完整拼图。中国开发者在用Claude API写代码的时候，可能完全不知道自己的数据正在被「安全审查」。
6月10日，Anthropic同时发布了两个模型：Claude Fable 5（公开发布）和Claude Mythos 5（受限访问）。HN帖子在几小时内冲上2521赞、2018条评论——这是2026年上半年HN热度最高的AI帖子之一。
两个模型共享同一套权重，区别在于安全过滤级别：
| 指标 | Mythos 5 | Fable 5 |
|---|---|---|
| SWE-bench Verified | 95.5% | 95.0% |
| SWE-bench Pro | 80.3% | 80.0% |
| Terminal-bench 2.1 | 88.0% | 84.3% |
| RiemannBench | 55.0% | 未公开 |
| GPQA Diamond | 94.1% | 未公开 |
| 定价 | $10/$50 per M tokens | $10/$50 per M tokens |
评论区用户217总结：「Mythos拥有完整能力，但只有「超授权公司」才能访问。Fable是安全阉割版，面向大众。」
HN用户sigmar发现了一个致命细节：system card长达319页。但更关键的是Anthropic同步更新的数据保留政策——
对于Fable 5、Mythos 5及未来同级别模型，Anthropic将要求30天数据保留，无论你通过API、Bedrock还是Copilot使用。数据号称「不用于训练」，但用于「检测滥用模式」。
这条政策直接引爆了第二个热门帖子（351赞、209评论）：「AWS Bedrock现在要求与Anthropic共享数据」。
mindmap
root((Anthropic数据保留争议))
愤怒派
"承诺的数据边界被打破"
"Bedrock的卖点是数据不出AWS"
"30天+合法要求=永久保留"
"EU合规直接崩溃"
理解派
"安全审查确实需要数据"
"这是前沿模型不可避免的代价"
"不用可以关闭，但关闭就没模型用"
"OpenAI迟早也会跟进"
阴谋派
"这是训练数据的后门"
"NSA/CIA随时可以合法调取"
"opt-in迟早变成ToS的一部分"
"聚合器增加供应链风险"
最刺痛人心的评论来自chattermate：
Bedrock向合规客户推销的核心卖点是「你的数据永远不会离开AWS边界」。30天保留要求让这一承诺静默失效。对于医疗、金融和政府客户，这不是一个可以拨动的开关，无论模型有多好。
shevy-java则一针见血：「30天后数据自动删除——你信吗？条款还说『或法律要求保留』。所以，数据是永久的。」
用户rozumbrada的担忧代表了很多人的恐惧：「他们说这是opt-in，但我等着看它什么时候被悄悄塞进新模型访问的ToS里。」
安全公司Blue41发布了一篇博客：「€0.01银行转账就能攻破银行AI助手」（79赞、60评论）。
攻击路径极其优雅：
flowchart TD
A[攻击者向受害者转账€0.01] --> B[转账备注写入隐藏Prompt]
B --> C[受害者打开银行App]
C --> D[询问AI助手「最近有什么交易？」]
D --> E[AI读取转账备注]
E --> F[AI将备注内容解读为指令]
F --> G[AI生成钓鱼链接或执行恶意操作]
G --> H[受害者点击AI「推荐」的链接]
style B fill:#ff6b6b,color:#fff
style F fill:#ff6b6b,color:#fff
style G fill:#ff6b6b,color:#fff
核心漏洞：LLM无法区分「数据」和「指令」。当银行转账备注被注入恶意Prompt时，AI助手会把它当作自己的操作指令执行。
reddalo的评论获得了大量共鸣：
做得好啊AI，我们好不容易把SQL注入几乎消灭干净了，你又让它们回来了！
nticompass提出了最直白的解决方案：
没有任何单一控制手段能解决间接Prompt注入。 其实有。那就是移除AI Agent。完事。
EnglishRobin96抓住了问题的本质：
「它看起来像普通文本，但当被放入LLM上下文窗口时，模型可能将其解释为指令而非数据。」——我觉得只要这是事实，我们就永远不会有安全的LLM。每次有人谈论在产品中添加AI功能时，我都能听到警钟在响。
doctorpangloss则暗示自己正在利用这个漏洞赚钱：
这个问题的解决方案从第一性原理出发如此简单、如此容易推理，我很震惊自己能继续通过给金融客户部署Agent赚钱。
在Fable 5和数据隐私的风暴中，一条107赞的消息被很多人忽略了：Google发布了DiffusionGemma，文本生成速度提升4倍。
这不是传统LLM。传统LLM（GPT、Claude等）使用自回归解码——一个token一个token地生成。DiffusionGemma使用扩散模型——像Stable Diffusion生成图片一样，从噪声中「去噪」出文本。
minimaxir（知名ML博主）点出了背景：
几天前我还在想，Google在I/O大会上演示了扩散文本生成模型后就再也没提过。传闻是太贵了跑不起来。但从他们提供的图表看，在相同H100硬件上对比，应该不是这个问题。
vineyardmike分享了实际使用体验：
我最近试了Mercury（另一个扩散模型）。不是因为它「聪明」，而是因为它快得离谱。更像结对编程的体验，而不是「提示然后等待」。说实话，也更有趣，带回了一些AI前的编程乐趣。
samuelknight指出了关键应用场景：
扩散模型的优势在边缘设备上。LLM解码器逐token计算，因为attention需要考虑每个前序token。扩散模型没有这个限制。在手机或电脑GPU上，这是颠覆性的。
schmorptron提出了最有趣的问题：
扩散推理模型会是什么样？一个预定义长度的thinking block，经过长时间扩散，然后输出block使用thinking block的内容作为输入？
graph LR
subgraph 自回归LLM
A1[Token 1] --> A2[Token 2] --> A3[Token 3] --> A4[...Token N]
A1 -.- A2 -.- A3 -.- A4
end
subgraph 扩散LLM
B1[噪声] --> B2[去噪Round 1] --> B3[去噪Round 2] --> B4[完整文本]
end
style A1 fill:#4a9eff,color:#fff
style A2 fill:#4a9eff,color:#fff
style A3 fill:#4a9eff,color:#fff
style A4 fill:#4a9eff,color:#fff
style B1 fill:#ff9f43,color:#fff
style B2 fill:#ff9f43,color:#fff
style B3 fill:#ff9f43,color:#fff
style B4 fill:#ff9f43,color:#fff
| 维度 | 自回归LLM | 扩散LLM |
|---|---|---|
| 生成方式 | 逐token串行 | 并行去噪 |
| 延迟 | O(n)，n为输出长度 | O(k)，k为去噪轮数（固定） |
| 长文本优势 | 短文本快，长文本慢 | 长短文本速度一致 |
| 边缘设备 | 受限于串行解码 | 天然适合并行计算 |
| 质量 | 成熟、可靠 | 仍在追赶 |
| 代表模型 | GPT-4/Claude/DeepSeek | DiffusionGemma/Mercury |
关键信息差：国内几乎没有人关注扩散文本模型。但它可能是解决LLM推理成本和延迟问题的真正出路——特别是在端侧部署场景。
Apache Burr（91赞、59评论）是一个Apache孵化器中的AI Agent框架。但评论区的焦点不是Burr本身，而是整个Agent框架赛道的疲劳感。
drchaim直接说：
我刚给客户做了个Django AI聊天机器人MVP。我选择了不用任何框架。Claude/Codex帮我写了Agent Loop、工具调用、流式传输……MVP运行得很好。
brotchie的总结最有深度：
Agent框架有它的位置，取决于Agent的性质：「3秒内返回一个够好的响应」vs「花3小时解决一个问题」。但归根到底，Agent就是：构建上下文 → LLM调用 → 执行工具 → 解析输出 → 返回。
vanuatu吐槽最狠：「vibe coded landing page + reddit user testimonial + framework for state machines... why man...」
另一个AI相关的热门帖子（117赞、127评论）问了这个问题。答案几乎是一致的「是」。
prepend分享了一个真实故事：
我在50人项目中工作时，感觉很多人什么都没做，少数人在做负功。经历了一轮裁员，我不得不「完成」另一个程序员的Java App。他把HTML直接复制粘贴到JSP里，里面全是示例数据和消息。
phyzix5761引用了Price定律：团队中√N的人贡献了50%的成果。50人团队，约7人干了50%的活。
在AI加速开发的2026年，这个讨论变得更有意思：如果大部分SWE工作本来就是「表演性的」，AI是在暴露这个事实，还是在创造新的表演性工作？
| 你知道的 | 你不知道的（信息差） |
|---|---|
| Claude发了新模型Fable 5 | Anthropic现在强制保留你的API数据30天，且「法律要求」时永久保留 |
| Bedrock是企业级部署的安全选择 | Bedrock的数据边界承诺已被打破，合规客户需要重新评估 |
| Prompt Injection是理论风险 | €0.01转账就能实战攻破银行AI助手，金融行业无一幸免 |
| LLM就是GPT/Claude那种 | 扩散文本模型（DiffusionGemma）快4倍，长文本延迟恒定，端侧部署的真正出路 |
| Agent框架百花齐放 | HN顶级开发者正在回归「无框架」——用Claude直接写Agent Loop |
| AI让开发更高效 | HN社区正在讨论大部分SWE工作本来就是「表演性的」，AI只是加速了暴露 |
本文由「51学通信」技术团队出品。51学通信由通信行业18年老兵爱卫生（微信ID: gprshome201101）维护。 聚焦5G/6G核心网、3GPP标准、AI工具实战。知识星球「51学通信」提供深度技术答疑和行业洞察。
[!tip] 51学通信知识星球 星主：爱卫生（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 星球定位：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 当前规模：5200 篇主题 / 990 个回答，198 元/年。 加入福利：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 AI 加持：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。