头条精讲
Anthropic 研究员 Emmanuel Ameisen：语言模型究竟如何运作（在新标签页打开）
推荐理由模型逐字生成答案，为什么还能提前规划？Emmanuel Ameisen 从可解释性研究出发，借助概念表征、押韵规划和金门大桥干预解释模型内部计算。读者既能建立比自动补全更准确的理解，也能分清模型自述与实际机制，为判断能力和对齐风险补足基础。
Anthropic 研究员 Emmanuel Ameisen 从可解释性研究出发，解释下一词预测训练如何让模型形成概念、隐性规划及相互冲突的行为压力。
黄仁勋最新 3 万字长访：AI 营收支撑资本支出的 27 个瓶颈，奇点和开源闭源（在新标签页打开）
推荐理由AI 使用成本下降，为何算力投入仍可能增长？黄仁勋把推理中的搜索与反思、能源约束和全栈基础设施放在一起解释。访谈提供供应商如何理解需求与资本配置的完整逻辑，帮助读者区分经营判断、扩张预期与已经实现的业务结果。
黄仁勋在最新长访中阐述 AI 从检索转向推理的范式转移、物理 AI 的万亿级市场、工程化安全治理以及 40 吉瓦算力缺口下的基础设施重构逻辑。
任鑫与晓辉博士聊创业和 AI：以后一定会更糟，所以现在先别慌（在新标签页打开）
推荐理由AI 降低开发门槛后，创业者该先验证什么？任鑫与晓辉博士结合企业转型服务、产品转向和失败创业，讨论付费需求、交付标准与个人节奏。适合正在做产品或独立探索的读者，把做得出来、有人买单和自己愿意长期做分开判断。
任鑫复盘两次创业的教训：AI 让「做东西」贬值约百倍，创业者应先卖再做；老板只需想清值多少钱与验收标准；袋鼠去了新西兰就该改签，早点关公司。
今日精华
新的创业机会，正在 Claude Code 和 Codex 周围长出来｜对谈 Treg（在新标签页打开）
推荐理由跟随 Treg 团队的转型，观察通用编码智能体变强后，哪些垂直能力会被吸收，哪些数据、工具与协作需求仍值得创业者投入。
Treg 创始人 Jason 与石天鑫复盘九个月三次转型，判断 Claude Code 与 Codex 正成为新平台，创业者应在人机协作与 Agent 数据工具层寻找机会。
模型量化验收：平均准确率之外，还要检查决策阈值（在新标签页打开）
推荐理由准备上线量化模型的工程师，可用这篇实验重查验收清单：除了平均准确率，还要看业务阈值附近的误接受、误拒绝及其变化。
对十个量化验收门的审计发现，没有一个使用依赖阈值的指标；一项人脸验证实验表明，沿用继承的相似度阈值会导致 int8 量化后误接受率飙升 3.5 倍，而准确率和 rank-1 几乎不变。
智能体让用户的 Resy 账号被封：Keycard、JPMorgan Chase 与 AAuth 谈授权（在新标签页打开）
推荐理由以账号被封的具体事故理解行动授权，适合智能体产品团队把任务范围、资源预算与执行控制落实到每次外部操作。
Keycard、JPMorgan Chase 与 AAuth 的圆桌嘉宾解释如何用任务上下文、资源预算和外部执行控制，让自主智能体更安全，也更便于追责。
教编码智能体证明任务已经完成：Nick Nisi 与 Zack Proser 的 WorkOS 工作坊（在新标签页打开）
推荐理由编码智能体报告完成之后，如何证明真实用户目标已达成？工作坊提供持久化检查与应用专属验证器的思路，可直接用于交付验收。
Nick Nisi 与 Zack Proser 演示如何用可观测目标、应用专属验证命令和留存证据，让编码智能体发现失败、修复问题并证明完成。
Contains：我为家庭烘焙者做了一个过敏原检查工具，它宁可说「我不确定」也不瞎猜（在新标签页打开）
推荐理由从一次微调失败学习如何设计不确定性：产品开发者可观察规则层、冻结测试与明确弃权怎样共同支撑高责任工具的交付。
一位家庭烘焙者基于微调后的 Qwen3.5-4B 加一层规则构建了过敏原检查工具，通过引入明确的「需要核查」判定，在微调模型单独表现不如基座模型的情况下，实现了 86% 的召回率和零误报。
让你的 dot 参与值班：在手机上接手故障调查（在新标签页打开）
推荐理由这段值班演示适合想把编码助手接入日常运维的团队，观察告警如何转成调查任务，以及人如何在手机上接续判断和引导。
OpenAI 工程师展示了一个持续运行的 dot：它监控 Slack 告警、调查值班故障并启动 Codex 线程，供工程师在手机或电脑上继续引导。
Kairos：你的记忆评估应当通过的三项检验（在新标签页打开）
推荐理由用伪造记忆和无记忆基线检查评测捷径，帮助研究与应用团队分清系统是否真正用到了记忆，以及评测问题本身是否泄露答案。
一项预注册研究表明，常见的智能体记忆评估——LLM 评判与识别探针——在伪造记忆和无记忆推理基线下均告失效，并提出三项对抗性检验，同时公开了代码。
补充阅读
别再告诉智能体怎么做：OpenProse 团队演示用 Markdown 契约编排工作流（在新标签页打开）
推荐理由希望复用智能体工作流的团队，可参考 Markdown 契约如何表达输入、输出和验收条件，再判断哪些步骤适合交给模型解释执行。
OpenProse 团队演示用可组合的 Markdown 契约定义智能体工作流，并结合事件触发、独立评审和银行模型文档案例说明其用途与边界。
保险理赔为何是 AI 最棘手的数据问题：Wisedocs 的 Denys Linkov（在新标签页打开）
推荐理由医疗理赔案例展示数字化欠账如何影响 AI 交付，适合企业团队先检查文档清理、信息完整性和可审计性，再决定模型投入。
Wisedocs 的 Denys Linkov 以医疗理赔为例，说明如何清理混乱病历、评估文档回答，并将单案数据转成跨理赔的运营洞察。
AI 智能体将投资组合构建从 3 天缩短至数分钟：Apollo 的 Jack McDonald 与 Rowspace 的 Michael Manapat（在新标签页打开）
推荐理由从机构信贷的真实流程理解应用价值：金融与数据团队可观察可信来源、计算方法及领域协作，如何共同减少手工整理和对账。
Apollo 与 Rowspace 介绍如何整合可信的内部数据，让 AI 加快 CLO 投资组合构建与交易报告生成，同时由人保留投资判断和结果核验职责。
评估工程的四条经验教训（在新标签页打开）
推荐理由准备建立智能体评测流水线的开发者，可借 Google 插件故障学习检查原始轨迹、异步时序与黄金样本，避免只相信最终总结。
一位 Google 工程师从构建 Google Cloud Developer 插件的过程中提炼出四条实用的评估工程经验，指出评判执行轨迹、保留轮次结构、并行运行实时与仅规划评估、以及维护专家精选的黄金集，比评判最终文本输出更为重要。
高风险 AI 智能体如何做评估：Langfuse 的银行助手实操，Doneyli De Jesus 与 Annabell Schäfer（在新标签页打开）
推荐理由银行助手演示把追踪、脱敏、人工标注与回归串在一起，适合高责任场景团队建立持续评估流程，并保留领域专家的判断。
Langfuse 工程师以银行助手演示完整评估闭环，将执行轨迹和专家反馈转化为数据集、混合评估器、CI 门禁与业务质量信号。
为反洗钱构建具备记忆能力的智能体运行框架：Oracle 的 Nacho Martinez 实战分享（在新标签页打开）
推荐理由需要给智能体增加记忆的开发者，可通过模拟反洗钱案例比较对话摘要、分块检索和工具发现，先围绕具体问题设计运行框架。
Oracle 开发者倡导者 Nacho Martinez 以模拟反洗钱工作坊为例，讲解小型智能体运行框架如何在不修改模型权重的情况下组装上下文、检索工具与技能，并保留有用经验。
防止模型崩溃所需的新鲜数据是修复它的 13-28 倍（在新标签页打开）
推荐理由这项简化实验帮助研究者区分预防模型崩溃与崩溃后恢复，重点是数据更新结构和测量口径，而非把玩具模型常数套到大模型。
对一篇关于自消耗训练循环的论文的复现表明，被广泛引用的 1–30% 新鲜数据范围混淆了三个不同的问题，而防止崩溃所需的新鲜数据是修复崩溃的 13.4–27.6 倍。
用 Python 构建把语音变成图片、视频和音频的 AI 智能体（在新标签页打开）
推荐理由希望搭建多模态原型的 Python 开发者，可学习语音、结构化输出与视频轮询如何串接，并从实际失败中识别格式和成本问题。
Tech With Tim 用 Python 串联 OpenRouter 的多类模型，将口述需求依次转成脚本、图片、可选配音与视频，并展示费用和失败处理。
机器人 CEO，集体“失眠”？（在新标签页打开）
推荐理由具身智能创业者与观察者可从融资节奏、技术路线和收入探索理解行业压力，区分资本推动的扩张与仍需验证的商业化路径。
具身智能行业融资热度回落，创始人因IPO暂缓与资金焦虑集体失眠，行业正从拼团队、拼模型转向拼订单与交付，头部企业开始尝试租赁、软件订阅、数据服务等多元营收路径。
我试图用机器学习战胜标普 500，结果 bug 比模型教会我的更多（在新标签页打开）
推荐理由机器学习回测者可跟随作者审计数据泄漏与退市处理，学习在模型表现亮眼时优先查错，并预先冻结前瞻测试的判断标准。
一次用机器学习战胜标普 500 的严谨尝试发现，数据 bug 夸大了结果；修复后，模型的优势在统计上不显著，并在 2020 年后消退。
