AI日报 9月2日：Gemini 视频理解、Codex 0.152.0 与 Jamf 预算控制

9月2日这期关注企业怎样把 AI 能力变成可控制的工作流：Google Cloud 增加智能体计费与支出控制，OpenAI 的 Codex 0.152.0 改进草稿搜索和 MCP 输出限制，Google DeepMind 为三款 Gemini Flash 模型加入智能视频理解。Atos 与 AWS 分享工程师实训方法，Jamf 则公开了 Amazon Bedrock 预算控制方案。

本期保留五项能够回到官方页面或官方仓库核对的更新。每条先列出来源明确写下的事实，再用普通中文解释工作原理和实际影响；产品可用性、案例数据和版本修复各按自己的证据边界表述。

本文未实测相关模型、软件或云架构，也没有复测厂商给出的成本与准确率数字。准备升级、采购或部署时，仍需结合账号资格、地区、价格、数据治理要求和现有系统做小范围验证。

模型与开发工具：能力更新要落到具体操作

Google Cloud 2026年8月企业 AI 更新增加计费与支出控制
- Google Cloud 的2026年8月企业 AI 回顾新增了更灵活的计费方式，以及面向 Gemini Enterprise 和开发工具中智能体工作负载的成本管理工具。
- Google Antigravity 已纳入符合条件的 Gemini Enterprise 应用订阅，并带有开箱即用的管理和支出控制。
这类变化处理的不是模型怎样回答，而是企业怎样给智能体使用量记账和设限。管理员把资格、管理策略与支出控制放进订阅层后，可以在同一治理入口观察和约束开发工具里的智能体消耗，减少每个团队各自维护预算规则的情况。

已经使用 Gemini Enterprise 或 Android Studio 中相关开发工具的组织，可先核对当前订阅是否符合条件，再把智能体费用归属、预算阈值和异常支出处理写进上线清单。这样能在扩大使用人数前看清谁在用、花了多少以及何时需要干预。

官方写的是“符合条件的”Gemini Enterprise 应用订阅，并不表示所有地区、套餐和账号都自动获得相同能力。文章没有给出本站可复现的节省比例；具体价格、额度、开放范围和控制粒度需要以实际控制台与合同为准。

Google Cloud · Google Cloud 企业 AI · 一手来源 · 2026-09-02
Codex 0.152.0 加入 Vim 草稿搜索并限制 MCP 工具输出
- OpenAI 在 Codex 0.152.0 中让 Vim 模式可以用 / 和 ? 搜索当前草稿，并高亮匹配项，再用 n 与 N 前后跳转。
- Codex 0.152.0 允许给单个 MCP 工具设置 output_token_limit，并让截断规则在恢复会话后保持一致。
草稿搜索解决的是长输入里的定位问题，用户不必退出编辑状态就能查找和重复跳转。MCP 输出上限则控制单个工具返回给模型的文本量；恢复会话后继续采用相同截断方式，有助于避免同一任务因会话重开而突然改变上下文规模。

经常编辑长提示或长命令的 Vim 用户会更容易检查草稿。接入日志、搜索或代码分析类 MCP 工具的团队，则可以按工具特性分别设置输出上限，减少无关内容占用上下文；升级前应记录当前配置，并用真实任务检查截断位置。

这是版本记录确认的交互与配置变化，不代表所有 MCP 工具都适合同一个 Token 上限。上限过低可能删掉关键尾部信息，上限过高也可能增加上下文占用；本文未在不同终端、插件和恢复流程中做兼容性测试。

OpenAI · Codex · 一手来源 · 2026-09-01
Gemini 3.7 Flash 等三款模型加入智能视频理解
- Google DeepMind 于9月1日宣布在 Gemini 3.7 Flash、3.6 Flash 和 3.5 Flash-Lite 中推出智能视频理解。
- Gemini 智能视频理解把模型推理与原生视频工具结合起来，按任务动态搜索、扫描和检查目标片段，并同时利用画面、音频与转录文本。
- Google 在其标准基准中报告，这种方法最高可把分析成本降低66%、Token 消耗降低88%，同时把准确率提高最多7%。
传统做法可能把整段视频均匀切分并全部送入模型。这里的关键是先根据问题规划查找，再让视频工具缩小到有关片段，模型随后综合画面、声音和转录内容作答；少处理无关片段，才可能减少 Token 与分析成本。

处理长课程、会议录像、体育视频或素材库时，团队可用带明确时间点答案的问题做测试，比较系统找到的片段、引用依据、漏检率和总消耗。相比只看最终回答，这些中间证据更能判断工具搜索是否真正减少了无效扫描。

66%、88% 和7%都是 Google 在标准基准中报告的最高变化，不是本站实测，也不是每类视频的保证。实际结果会受视频长度、音画质量、问题类型、工具调用次数和模型版本影响；涉及重要判断时仍需回看原片段。

Google DeepMind · Gemini 智能视频理解 · 一手来源 · 2026-09-01

组织能力与成本治理：把培训和预算写进流程

Atos 与 AWS 用三天活动训练 400 名工程师构建多智能体系统
- 2026年，Atos 与 AWS 为400名工程师举办了为期三天的 Agentic AI League，参与者从有限实操经验转向构建包含路径搜索、护栏、记忆和微调模型的多智能体系统。
- Atos Agentic AI League 的支持安排包括2小时启动工作坊、每天1小时答疑，以及1小时的前三名决赛。
这套方法把集中讲解、连续动手和公开收尾组合在同一个短周期里。启动工作坊统一基础和目标，每日答疑及时处理卡点，决赛要求团队展示可运行结果；学习因此不只停在听课，而是通过约束明确的项目反复应用路径搜索、记忆和护栏。

需要大规模提升智能体工程能力的组织，可以借鉴这种活动结构：先定义可验收任务，再安排固定答疑窗口和最终演示，同时沉淀权限、评估、失败处理与复盘模板。重点是让培训产物进入后续工程规范，而不是只统计报名人数。

这是 Atos 与 AWS 对一次活动的案例总结，没有独立对照组，也没有披露每位参与者后续进入生产项目的比例。400人和三天说明活动规模，不等于任何组织照搬日程都能得到相同能力提升；本文未验证培训效果。

AWS · Atos Agentic AI League · 一手来源 · 2026-09-01
Jamf 用分级阈值和定时策略实现 Amazon Bedrock 预算控制
- Jamf 的方案在日预算使用到80%时拒绝 Claude Opus，在达到100%时拒绝 Claude Sonnet，但继续允许 Claude Haiku。
- Amazon Bedrock 把调用记录写入 Amazon S3，其中包括模型 ID、输入与输出 Token 数量以及用户身份。
- Jamf 架构中的 AWS Lambda 预算执行程序每15分钟运行一次。
- AWS 提醒，单个托管策略最多保留五个版本，自动更新策略时必须处理这个上限。
流程先从调用日志取得用户、模型和 Token 用量，再按日预算汇总；定时 Lambda 根据阈值更新访问策略，从而逐步关闭更昂贵的模型，同时保留成本较低的选择。它是基于日志和周期任务的策略门控，不是每个请求发出前都进行一次同步余额扣减。

同时向多人开放多档 Bedrock 模型的团队，可以据此设计“先降级、后限制”的预算保护，而不是到达阈值就全部停用。上线前应模拟80%和100%两个临界点，检查身份归属、策略传播、跨日重置、告警以及仍被允许的模型是否满足最低业务需求。

每15分钟执行意味着用量记录、聚合和策略生效之间可能存在时间差，不能把它理解成严格的逐请求实时结算。托管策略最多五个版本也要求自动化清理旧版本；阈值、模型层级和预算周期需要按组织自己的风险承受能力设置。

AWS · Jamf 的 Amazon Bedrock 预算控制 · 一手来源 · 2026-09-01

如何使用这份日报

如果只想掌握变化，可先看每条的事实列表。准备采用时，应把问题换成可验证的检查项：Google Cloud 套餐是否符合资格，Codex 的草稿搜索和 MCP 截断是否适配现有配置，Gemini 视频任务能否在自己的素材上减少扫描范围，培训活动能否产出可复用的工程规范，以及预算控制能否在允许的延迟内阻止超支。

对案例数字不要直接外推。视频理解的成本与准确率来自 Google 报告的标准基准，Atos 的训练成效来自一次活动记录，Jamf 的门控阈值也服务于它自己的模型分层策略；这些信息适合帮助设计验证方案，不能替代本组织的安全、财务和效果评估。