Jakub Pachocki观点
AI 评分30Jakub Pachocki 澄清模型解题中的人工提示引导
#评测/基准#推理
N全部新闻
全部新闻
- Jakub Pachocki观点AI 评分45
内部模型挑战“First Proof”，10 道前沿研究题中至少 6 道解答很可能正确
#评测/基准#推理#OpenAI
- Charlie O’Neill 研究写作一手观点AI 评分63
开源 AI 为何可能靠专业化模型等到与前沿实验室的差距缩小
Charlie O’Neill 认为，开源 AI 无需在通用能力上追平前沿模型，只需通过领域数据、强化学习和更低推理成本扩大可经济自动化的工作范围。多数企业任务依赖专有数据与特定工作流，专业化的小模型可能比通用前沿模型更快、更便宜且更贴合实际分布。随着开放模型能力提高和服务成本下降，专业化层创造的收入还可能反哺后续模型训练。
#现象/趋势#数据/训练#部署/工程
- 蚂蚁百灵：Developer Blog一手观点AI 评分62
蚂蚁百灵实测 Moltbot：拆解通用 Agent 架构与安全成本问题
蚂蚁大模型团队在隔离 VM 中部署开源项目 Moltbot（原名 Clawdbot），用 Ling-1T 驱动并接入 Discord 测试，验证了角色扮演、文档调研、代码编写等任务。文章将其架构拆为动态上下文主循环、Channels 与 50+ Skills、Cronjob 加 Heartbeat 主动机制、以 Markdown 文件为中心的记忆与工作区四部分，并总结出通用 Agent 公式：强力基座模型加工具集合加上下文管理加长期记忆加调度策略。作者同时指出赋予完整 OS 权限存在指令注入风险，对抗测试中可被诱导读取 ~/.ssh 等敏感目录，且高频推理的 token 成本可能超过设备本身，认为它目前更适合作为开发者的实验田。
#教程/实践#Agent#开源生态
- Charlie O’Neill 研究写作一手观点AI 评分61
持续学习与后单体 AI 时代：通用性越强，记忆成本越高
Charlie O’Neill 认为，持续学习的成本会随模型通用性上升，实际部署将走向大量可持续更新的专业模型，而非单一全能模型。文章将现有方案归为稀疏更新与时间尺度分离两类，指出二者都通过限制干扰缓解灾难性遗忘。作者还比较了 SFT 与 RL，认为 RL 的在策略学习和逆 KL 目标更有利于保留既有能力。
#现象/趋势#数据/训练#部署/工程
- METR Notes一手观点AI 评分54
METR 作者澄清时间跨度指标的局限与仍成立的结论
METR 时间跨度论文作者发文澄清该指标的常见误读，指出时间跨度并非 AI 能独立工作的时间长度，而是其以 50% 成功率可替代的人类串行劳动量，且测量本身并不精确。作者表示仍坚持核心结论，包括长期趋势约每 6-7 个月翻倍，以及线性外推预测 AI 将在 2030 年达到 1 个月即 167 工作小时的时间跨度，并提到计划很快更新任务集，纳入大部分 HCAST 任务及新任务。
#论文/研究#评测/基准#数据/训练
- Browser Use一手观点AI 评分65
Browser Use 联合创始人：Agent 框架的苦涩教训
Browser Use 联合创始人兼 CTO 撰文称，agent 本质上只是一个消息 for-loop，99% 的工作在模型内部完成，框架里的抽象反而会限制模型能力。他复盘团队如何推翻初版框架，重写为极简的 BU Agent，让模型直接发出 Chrome DevTools Protocol 指令并调用浏览器扩展 API，先给最大能力再按评测收紧限制。文中还介绍了用于控制浏览器状态膨胀的 ephemeral messages、用 done 工具显式终止 agent 的做法，并宣布将这套方案以 agent-sdk 开源。
#行业动态#Agent#部署/工程
- Charlie O’Neill 研究写作一手观点AI 评分50
Charlie O’Neill 分析 Claude 如何通过自我学习内化 Constitution
Charlie O’Neill 认为，Claude 对 Constitution 的内化可能不只是反复读取文档，而是借助宪法式对齐生成同一概念的多种语言表达。文章结合 CARTRIDGES 的合成问答与对话式自我学习机制，解释多角度训练如何帮助模型形成潜在概念之间的联系。作者进一步推测，这种方法也可能用于提升写作、哲学和深度思考等任务。
#现象/趋势#安全/对齐#数据/训练
- One Useful Thing观点AI 评分66
Claude Code 与接下来会发生什么
Ethan Mollick 让 Claude Code 自主开发一个每月赚 1000 美元的创业项目，AI 问了三个选择题后独立工作 1 小时 14 分钟，生成数百个代码文件并交付一个可运行、可部署的网站。他认为这类编码工具的跃升来自两点：最新模型能在编程任务中自主完成更多工作并自我纠错，以及被赋予工具与方法的 agentic harness。文章以 Opus 4.5 驱动的 Claude Code 为例，说明它通过上下文压缩、Skills 和子智能体等机制突破 LLM 限制，并提到 OpenAI Codex 配 GPT-5.2、Google Antigravity 配 Gemini 3 有类似表现。
#现象/趋势#Agent#编码
- Ahead of AI观点AI 评分71
2025 年大语言模型回顾：进展、局限与未来预测
Sebastian Raschka 回顾 2025 年大语言模型发展，认为主要进展来自 RLVR、GRPO、推理时扩展、工具调用及架构效率优化，而非单纯扩大预训练规模。他指出公开基准已难以可靠反映真实能力，并预测 2026 年 RLVR 将扩展到数学和编码以外的领域，本地工具调用与智能体能力会逐步普及。文章同时主张将 AI 作为提升专业工作的伙伴，而非完全替代人的思考、编码与研究。
#现象/趋势#推理#数据/训练
- One Useful Thing观点AI 评分55
AI 能力的形状：锯齿前沿、瓶颈与反向突出部
Ethan Mollick 撰文指出，AI 能力仍呈锯齿状分布，记忆等弱项长期没有明显改善，而系统整体受最差环节制约。他以 Google 的 Nano Banana Pro 为例，说明图像生成质量曾是瓶颈，突破后 NotebookLM 可直接把资料生成整页幻灯片，并认为判断 AI 走向应关注瓶颈而非基准分数。
#现象/趋势#推理#多模态
- Linear：Now一手观点AI 评分55
Linear 反思 AI 与代码工具下的设计价值
Linear 团队认为，设计不应被简化为直接用代码执行，而应先明确问题、意图与产品愿景，再进入概念探索和实现阶段。文章以 Linear 的项目功能为例，说明设计师需要在不同抽象层次间切换；AI 智能体和新工具可以加速执行，但不应削弱发散思考与有意识的方向选择。
#大佬观点#编码#现象/趋势
- Benedict Evans：Blog观点AI 评分52
AI 如何改变互联网的 Mechanical Turk 与冷启动问题
Benedict Evans 分析称，互联网平台依赖用户行为数据形成 Mechanical Turk 式推荐，但 LLM 带来了对内容和意图的更深理解，可能让新进入者通过 API 调用通用模型来绕过冷启动。他还指出，智能体助手将成为新的数据入口，但当前 AI 状态类似 1997 年的互联网，具体路径尚不明确。
#大佬观点#Agent#数据/训练
- Dan Hendrycks观点AI 评分62
Dan Hendrycks 发布新榜单，称 Gemini 3 是近期最大跃升
Dan Hendrycks 发布了一个用于追踪 AI 进展的新榜单，并称 Gemini 3 是很长时间以来最大的一次跃升。他同时抛出问题，询问 Gemini 3 的这次提升究竟有多显著。
#评测/基准#Google#现象/趋势
- Cognition 模型 / Devin 博客一手观点AI 评分66
Cognition 复盘 Devin 十八个月：从初级执行到按需资深智能
Cognition 发布 Devin 上线十八个月的性能复盘，称其已进入包括 Goldman Sachs、Santander、Nubank 在内的数千家公司工程团队，累计合并数十万个 PR。Devin 在需求明确、结果可验证的任务上表现最好，如漏洞修复、语言与框架迁移、测试生成和 PR 初审，其中安全漏洞处理从人工平均 30 分钟降至 1.5 分钟，测试覆盖率通常从 50-60% 提升到 80-90%。其短板在于无法独立完成需求模糊的端到端项目、难以应对任务中途的需求变更，也缺乏软技能，因此仍需人工审查代码质量与测试逻辑。
#行业动态#Agent#编码
- One Useful Thing观点AI 评分62
Ethan Mollick：给 AI 做一场面试，而不是只看基准分数
Ethan Mollick 认为，公开基准存在题目泄漏、含义不明和未校准等问题，无法衡量写作、共情或商业判断等能力，因此个人可以用"氛围测试"感受模型差异，企业则应像招聘一样对 AI 做严格面试。他以 GuacaDrone 无人机送鳄梨酱的点子让多个模型各打分十次，发现模型内部评分相当一致，但模型之间差异明显，Grok 和 Microsoft Copilot 更看好，GPT-5 和 Claude 4.5 更怀疑，这种 3 到 4 分的系统性偏差在规模化使用时会持续影响决策方向。他建议企业用真实业务场景反复测试、由专家评估并横向比较模型，而且每年需多次重做。
#评测/基准#OpenAI#Anthropic
- Linear：Now一手观点AI 评分52
Linear 描绘自驱动 SaaS 愿景，让软件自主推进工作
Linear 提出自驱动 SaaS 愿景，希望规划与软件构建系统能代表用户自主推进工作，而非依赖持续提示。其设想分为辅助建议、选择性自动执行和完全自主处理三个层级，最终可将部分问题自动分派给编码智能体，仅由人工评估结果。
#大佬观点#Agent#编码
- One Useful Thing观点AI 评分68
Ethan Mollick：AI 智能体已能完成真实工作
Ethan Mollick 在 One Useful Thing 撰文称，AI 智能体已跨过能完成真实且具经济价值工作的门槛。他让 Claude Sonnet 4.5 仅凭论文文本和复现数据，自行读取论文、整理文件、把 STATA 统计代码转成 Python 并逐项核对，成功复现了多项研究结果，并用 GPT-5 Pro 二次验证。他认为智能体能力提升源于准确率小幅提高即可完成更多步骤，以及新模型能自我纠错；同时提醒若不加判断地使用，也可能产出 17 份没人需要的 PowerPoint。
#现象/趋势#Agent#论文/研究
- SemiAnalysis观点AI 评分78
xAI 的 Colossus 2：全球首座吉瓦级数据中心、独特强化学习方法与融资
xAI 正在孟菲斯与密西西比州南海文建设 Colossus 2，SemiAnalysis 预计其将成为全球首座吉瓦级数据中心，并称项目在约六个月内形成约 200MW 冷却能力。Solaris 计划到 Q2 2027 为 xAI 部署超过 1.1GW 的燃气轮机，但项目需要数百亿美元资本支出，而 xAI 仍需筹资购买 GPU。
#行业动态#AI芯片#数据/训练
- TLDR AI观点AI 评分65
AI 原生办公套件：AI 如何替你完成工作
Andreessen Horowitz 测试了一批面向常见商业任务的智能体 AI 工具，发现通用工具更灵活，而 Gamma 等演示文稿工具和 Serif 等邮件工具能为对外工作提供质量更高、更完善的成果。企业应根据具体任务，在通用平台与专业智能体之间进行选择。
#现象/趋势#Agent#部署/工程