• 科研 Agent 跑了许多实验，结果真的算创新吗？
• Agent 做不到时，能不能停下来？
• Agent 成本优化：先看看缓存有没有被自己破坏
• Michael Lynch：编程助手为什么还让人费心
• 多 Agent 写代码，怎样把验证放进流程
• Thomas Hales：通过 Lean 检查之后，还需要相信什么？
• Nathan Lambert：进展会很快，但会走向哪里？
• 一个普通用户的评测困惑：会做一次，还是稳定做对？
• Simon Willison 试着用语音做了一个项目
• François Chollet：自我改进不等于智能爆炸
• swyx：团队需要的是把活干完
• Sierra 发布 Personal Agent Protocol 草案
• ttok 1.0 调整默认 tokenizer
• TokenRouter：模型路由的收益，可能被调度开销吃掉
• 游戏能运行，不代表反编译正确：一份三个月的 Agent 实践
• MASS：从团队轨迹训练模型，收益先出现在研究任务上
• Mac 流式推理：页对齐与同步等待，怎样拖慢首 token
• Karpathy：为什么不同人看到的 LLM 能力差这么多
• Mollick 补充：先进模型的用途不该只盯数学和代码
• “十分钟 AI”研究：撤走辅助后测了什么，没测什么
• 昇腾 310P 上的本地 MoE 调试：先找数值参照，再优化内核
• 检索到“红富士手机”：先加 Reranker，还是先收窄知识库？
• AI 接走基础工作以后，新人从哪里学会判断？
• 代码多了三成，交付为何没有同比增加？
• Vapi：让审查机器人证明问题，也把误报算进成本
• SWE-TaskFlow：同一个补丁，换成交互流程就可能更贵
• Context Mode：压缩比例、任务费用与检索遗漏要分开看
• Muse Wonder：模型进步，要连同推理强度和执行器一起比较
• Anthropic：小模型能搭起推理，完整自主复制仍有缺口
• Huahai 回应 Rich Hickey：使用 AI 时，人是否还在作判断？
• MetaKernelBench：存下来的经验，也可能让下次优化退步
• AgentSWE：从演示样例到冻结交付，还隔着一组保留测试
• TerminalHorizon：重建训练环境，把被预先做掉的工作还给 Agent
• BranchOPD：在有信息的分叉处采样，生成费用与总成本分开看
• AlphaNIST：二元奖励学会装配，结果仍限于仿真
• Minions：让闲置 Mac 领取推理批任务，先看适用的并行粒度
• IBM 的开放模型芯片探索：推理费少了，最优设计也不同
• Huntley 用提交钩子约束诊断接口，也要求重测提示词包
• Scion 讨论：检出更快，与审查改动意图是两项工作
• 一份旧秋招面经：Agent Runtime 之外，MySQL 与 LRU 仍在考
• 读对事实，仍选错动作：System One 模型的配对诊断
• DeRef：先不看候选，替工具参数裁判补一份参考
• vLLM 用在线校准扩大自适应验证：预测的是接受率
• PRISM 向量索引：先分区再重排，过滤查询仍要单测
• 两份本地模型应用都通过测试，却都没保住数据含义
• Niko Matsakis：类型系统能拦错，设计意图仍要说清
• Scion 的设计出处争议：Mononoke 原参与者要求更明确归属
• 删掉16.8万行注释后的两项试验：单次运行能得出相反故事
• 扫描仪驱动从停滞到可对照：Schaller 的硬件逆向实践
• Cortex：规则要被读到，收益也要经得起重复运行
• PreciseCoder 给必要修改计分，也检查正确代码会不会被改坏
• MAI-Base-2 的训练笔记：重复数据缩放与固定内存 MoE
• Muse Spark Open 开放权重：能装入桌面集群，仍要另测速度
• Nick Cammarata 重审多义神经元：先检验原生机制的解释
• Simon 的 SPARQL 扩展尝试：验证循环也会大量消耗 token
• Mason Mosen：改 prompt 后，先回放同一批旧失败
• ARC Prize 的 Argon 结果：同模型，两种执行层与不完整运行
• 时钟生成了曲线种子，仍有候选跳过的原因未明
• Claude 重设计量子电路：少存历史，也显式使用失败预算
• OmniVerifier-C1 把图像要求拆开计分；规则任务再提供参考终态
• SAE 重建表现接近，学到的特征仍可能对不上
• Kimi K3 的 AMD 推理优化：缓存要能在同一位置恢复
• 审查机器人也要会停：Claude Code 团队把误报和循环轮数纳入评估
• Piotr Sarnacki 重测聊天应用改写：送达率上升，也可能只是排队更久
• DeepSeek 1017 的便宜，要放回同一组任务里看
• Lean 把“再检查一次”做进工具链
• Sphinx 要你解释改动，也暴露了出题者会判错
• 让 Agent 学会接棒：MPT 的启发与被放大的结论
• “花了多少 token”之后，还得问活做完没有
• llmspeed 把本地推理估速变成等待体验
• OpenCode Console 披露安全事件，修订帖明确了影响范围
• Reason Network：会话能互通之后，交接问题才刚出现
• Agens Volundr v1：优先修循环和续接，低显存运行仍有代价
• EmbeddingGemma 转写实验：用共享向量空间读出语音
• Karri Saarinen：功能都能用，产品仍可能失去整体方向
• KillSwitch：故意为难模型的语言，究竟测到了什么
• HybridAgent：内部用潜在状态思考，对外仍能调用工具
• Harness²：从任务中的执行差异，改进下一次运行框架
• TrenTorch 的练习提醒：会讲 Softmax，还要会处理溢出和维度
• Timestral：让数值预测用上已知的未来条件
• Meta 把流程固定下来，把领域判断交给专门 Agent
• Laminar flow-1：沿轨迹追查隐性错误，也暴露“没有轨迹”的盲点
• Interlock：把“改了这里，还必须改哪里”写进训练任务
• Ben Congdon：让模型写监控方案，再由固定程序执行
• 不理解每一行 AI 代码，谁来承担发布责任
• 一份秋招复盘：Agent 实习之外，还要解释项目取舍
• Maxwell 的运行时优化：等价性承诺需要分清适用层次
• Mercury 3 发布：扩散文本模型扩至百万 token 上下文
• Ming-3.0-tts 开源，语音控制需注意模式边界
• MiniMax M3.1 Flash 已提供服务，权重尚待发布
• DeepInfer 开放推理核心，完整服务仍有三块拼图
• TorchTPU：兼容 PyTorch 之后，性能来自整步编译
• StopLoss：小模型决定何时停下，账单必须算入误停
• SlopCodeBench：新功能通过，旧行为却未必保住
• Simon 做出了想玩的游戏，也碰到自动测试没听见的噪声
• 给 Agent 加记忆之前，先留下全文搜索这条基线
• PHP 修复复盘：发现漏洞之后，还要解决兼容性与决策
• Trail of Bits 把“修好了”拆成可重放的证据
• HarnessAdapt-RL：训练会改模型，也要重调工具
• 同一台 4B 模型的 50 次运行：失败常在编辑接口
• 分布式生物推理：把扰动数据变成可追问的线索
• Dan McAteer：监督界面要帮人注意，也可能让人略过
• 语音代理会要求再说一遍，为什么仍记错名字？
• 一次内部监控红队调查：覆盖率的分母从哪里来
• 子代理何时该合并：先看它们是否反复传递同一份上下文
• Anthropic 与 Theorem：把模糊测试入口变成可检查的证明
• OpenShell 把权限放进运行环境，证明器还要说明证明了什么
• LiteLLM 1.107.0 事故：签名发布物也要核对构建来源
• WorldTUI：208 MB 的终端模拟器，暴露了局部准确率看不到的记忆
• Chris Kiehl：让 AI 做软件，不必让自己放弃编程的乐趣
• 一桶 HTML 能替代 Looker，前提是数据平台已经在那里
• Flint 把图表交互拆成可复用的语义事件
• Kimi K3.1 Pro 的外部成绩上升，权重仍要等到 11 月
• ThinkingCap 缩短 Gemma 推理，但平均分会藏住单项退步
• Dessa 从语音本身学习对话，先展示同时听与说
• AISI 重放越界行为：说得出有害，仍可能继续行动
• Cloudflare 把漏洞扫描拆成持续任务，保留每次检查的证据
• GPU-unlock：矩阵计算更快，逐字生成未必跟着加速
• Dan Luu 想做更大的项目，Yossi Kreinin 追问谁能判断做对了
• 数学社区开始整理 AI 证明稿，也在争论这份劳动该由谁承担
• Atlassian 调查：写得更快，可以与更多协作摩擦同时发生
• Raw-RAG：先保留原始对话，再判断复杂记忆是否必要
• Skyvern：调用更多、总 token 更多，网页任务反而更快更便宜
• Cerebras 怎样把万亿参数模型分布在多片晶圆上
• 上下文工程的难题：保留哪些信息，何时重新开始
• 发现评测缺陷之后，还要追问它改变了什么
• 本地模型的实际难题：硬件投资能用多久
• 一份大模型求职复盘：准备清单怎样碰到真实追问
• Cloudflare 的155次串读：被拒绝的请求为什么仍然生成了答案
• 工具参数写错，可能需要修推理服务：Ubicloud 的 vLLM 排查
• Kapa 追踪检索丢失：答案需要的材料，可能已找到却没送进上下文
• Epoch 把日常工作交给六个模型：会做步骤，仍可能误判研究结果
• Cohere 公开 Qwen 异常调用轨迹：行为可查，成因仍未定
• 只看 AI 标红的代码，怎样知道它漏了什么
• FLORA 把机器人视频变成可用标签：做了什么，与做得怎样分开
• 专家也会顺着 Agent 的倾向做判断：一项有意设置偏好的实验
• LFM3：小模型的价值，落在内存、专用输出和真实部署上
• Axiom 将有限单群分类证明形式化：难点也在把定义接起来
• Agent 写代码以后，开发者还需要知道什么？
• 让模型评“有没有新意”，先检查它到底在回答哪个问题
• Enveda 审查生产记录：把“找问题”变成可逐项核对的意见
• 编码便宜之后，他接下了更多工作，也更难停下来
• LangChain 的设计 Agent：删去固定模板，保留设计原则与制作流程
• Scaling Hierarchical Networks：让模型学习怎样把字节合成更大的单元
• Nemotron 3.5 Transcribe：转写准确之前，先说清要写成什么样
• MiniCPM-OCR 把“读出文字”和“判断读得对不对”拆开
• DAYJOB Tax：文件给齐了，模型仍可能漏掉没有被点明的问题
• AA v5 更换了考题，也让“总分代表什么”重新成为问题
• Simon Willison 做了四个小游戏，评论者追问的却是“好玩吗”
• “AI 技巧会过期”，不等于不必练习使用工具
• Simantic：让固件 Agent 在虚拟开发板上运行测试
• tinyworldformer：小模型能运行游戏，也会给玩家留下漏洞
• SkyPilot 的 27%：让故障机架继续贡献可用 GPU
• Sleep：把上下文里的短期经验转成参数中的长期知识
• Mistral Large 4 开放权重：稀疏计算之外，还要看缓存怎么放
• Rachel Laycock：资深开发者的顾虑，藏在持续运行的问题里
• Martin Fowler 的“LLM Voice”：写得顺，不等于想得清楚
• 15 个 AI 助手的讨论：交接建议之外，读者还想看到产出
• Gemini Carbon 引发试用兴趣，评测细节却要求重新拆开“更强”
• Nathan Lambert：模型忙着回避灰区时，可能漏掉用户真正的问题
• AI 回复让谁在和谁说话变得模糊：Mollick、Shah 与 Willison 的分歧
• Mollick 推荐组织能力视角：更聪明的个体，还要能一起做事
• WONTFIX：把工单改编成恐怖游戏，生成内容装进固定场景
• Figma 的专用模型，学的是怎样改好已有设计
• MICA：能力相同，MCP 与命令行仍会改变 Agent 的选择
• nesformer 把 NES 的 CPU 与内存编译进神经网络
• 50个 Agent 的 Minecraft 村落：会分工，也会被自己的流程困住
• 微软先造一家公司，再让 Copilot 回答它的问题
• Lambert 修正了“没问题”这个说法，仍支持开放模型
• 推理快了、总分近似不变，就能说质量不变吗？
• Lambert 推荐的 RL 方法表：先看它纠正哪一种偏差
• dsh-superagent：把任务、会话和人工接手分开
• 50：经理也可能把正确答案改错
• Demoscener：先学会短代码，再学一个人的审美
• Huang：控制工作不该挤满执行者的上下文
• Mollick：知道何时能介入，也是助手的能力
• HackerTube：用社区推荐重做视频入口
• BootGPT：启动扇区里的小语言模型
• Jepsen 检查 ParticleDB：测试通过之前，先确认它会失败
• 把代码审查意见带进沙箱，仍要再检查补丁
• 生成一次小应用，框架成本差在哪里
• tandem.cpp：让放不进显存的专家，分给 CPU 和 GPU 计算
• Frank Calegari：数学研究还需要选择问题、理解结果
• 直接改 0.016% 权重：先修复小模型的重复推理
• Message threads：少传历史，模型仍读完整对话
• Pando：让不同分支并行写入，让读取复用同一批数据
• agent-desktop：先认清控件身份，再让 Agent 操作桌面
• PostgreSQL 的延期：更多真实缺陷，仍要有人接住
• Proton 的 AI 宣言：提速以后，谁保留工程决定权
• Lambert：开放模型的机会，在便宜而反复发生的任务里
• FlashProve：回答来自哪组权重，开始有了可检查的证明
• OpenHands × Snowflake：让模型在真正使用的工具循环里训练
• Prime Intellect 审查公开评测：涨分可能来自工具和判分器的修正
• USDB：训练该重建模型当时看见的历史，而非事后补齐的历史
• 六个 Agent 同时工作之后，人的精力花在了哪里