我最近用 KerasHub + JAX + TPUs 尝试了各种 LLM 后训练实验，玩得很开心。可能会开源其中一些。

100B+ 模型的数据看起来很相似。

Nathan Lambert 表示正为 Mercor 提供建议，推动构建可扩展的 RL 高效样本数据生成方法，并强调需推进评测科学、针对高经济价值领域打造专用 benchmark。他预测前沿实验室周边将出现围绕开放推理、开放后训练与数据的重大投资，聚焦真实世界代表性评测与合成数据方法。他认为这将让更广泛经济领域首次"感受到 AGI"，且开源模型是重要机会。

Elvis Saravia 表示看好让后训练更易获取的趋势，指出在 agentic RL 中长上下文任务昂贵且难以扩展，而 rollout 占用大部分 token，每一轮都要重读不断增长的上下文。

训练机器人抓取物体意味着要从大量尝试、视角和情境中学习。一台配备三个摄像头、以 20 fps 运行的机器人每小时会产生 216,000 张图像。随着机器人技术不断扩展，我们如何高效地利用所有这些数据进行训练？

如果你在想OpenAI是怎么做到数学那部分的，可能就是这个。他们用Lean形式化数学问题创建了大量RL环境。起初可能是手工创建较简单的，但后来模型已经足够好，可以自主创建环境，然后他们就可以基于arxiv论文大规模生成问题了。

TechCrunch · AIAI 评分5151

Ben Affleck 在访谈中展示 AI 技术理解引发热议

TechCrunch 报道演员 Ben Affleck 近期多段访谈视频走红，他在 GQ 的 One More Question 和 Screentime 2026 会议等场合熟练使用机器学习、神经网络、transformers、tensors、GPUs、inference 等术语，还自称能写 Python 脚本。

Latent SpaceAI 评分6161

Periodic Labs 谈合成超智能：让 AI 在真实实验中发现新材料

Latent Space 播客邀请 Periodic Labs 的 Liam Fedus 和 Ekin Dogus Cubuk，阐述其“合成超智能”愿景：用以物理实验为基础的强化学习、AI 驱动的材料表征与高通量实验室，让模型从科学探索的完整过程而非仅发表结果中学习。

一次微调就让孟加拉语的WER从85%降到7.65%。 这样的数字就是为什么一周内有80家实验室申请授权Monsoon。我最尊重的是其背后的规则：@voicearena_ai 只有在数据集能带来显著提升时才会构建。大多数数据供应商做不到这一点。

DAIR.AI 编辑 Elvis Saravia 指出，RL 解锁的商业机会正促使更多公司和开发者转向全栈 AI 模式，后训练时代已经到来。他认为许多现实任务无需 AGI，只需专用模型、harness 和数据飞轮即可。全栈 AI 公司正不断涌现并持续增长。

Ben Affleck 创立的电影 AI 公司 InterPositive 于 2026 年 3 月被 Netflix 以 5.87 亿美元现金收购。Affleck 因不认同 AI 研究者"模型仅靠更多数据即可泛化"的观点，拒绝 AI 公司合作邀约，于 2022 年自建公司，其模型使用他耗时数月亲自拍摄采集的数据集训练。

Francois Chollet 提出假设：AI 的"锯齿状前沿"可能主要集中在数学与代码，可通过 RLVR 无限推进，而其他领域因受限于人类生成数据将趋于平台期。他指出非可验证领域的模型性能虽仍在稳步提升，但远慢于数学与代码，其提升究竟源于 RLVR 带来的更高 G，还是仅取决于持续注入的新人类数据，尚无定论。这一问题的答案将影响 AI 发展的诸多判断。

我也开始认为，美国需要将蒸馏合法化。禁令是不可能的，否则几年后战略竞争将变得难以维持。

Rohan Paul 转发微软 AI CEO Mustafa Suleyman 在《The Rest Is Politics: Leading》播客中的观点：千亿美元级训练即将到来，正在汇集的算力达数吉瓦，而参与竞争的实验室只有 5 到 6 家。他判断算力与测试时扩展（test time scaling）将构成显著优势，大型实验室的大规模投入会出现极端加速。完整视频发布在该播客的 YouTube 频道。

Satya Nadella 称租用 AI 模型"本质上为智能付两次费"：一次是 token 费用，另一次是为让模型有用而必须透露的专有知识。他指出这构成"学习循环"——每次提示词和纠正都在捕获企业 know-how，闭源模型提供商会将这些信息蒸馏留存。OpenAI 已有先例：推出选择加入计划，某些模型每天最多给账号 100 万免费 token，换取该流量的训练权。

作者指出个人智能体的记忆并非越多越好，相关笔记超过一定长度后反而会让智能体漏掉规则，建议凡是需要计数或追踪的事项改用代码实现，记忆保持简短。文中给出数据：对于持续累加的消费总额，仅用文字规则时失败率达 44%，改用代码维护则失败 0%；在 Claude Haiku 4.5 上，无记忆时违规率 77%，10 行记忆降到 20%，记忆更长后又升至约 25%。

🎵 蒸馏浪潮 🎵 美国实验室称中国实验室蒸馏他们的模型。而欧洲新的"主权模型"是在由……GLM 和 Qwen 生成的数据上微调的。

Yann LeCun 在 ETH Zürich 演讲称 Scaling LLM 无法实现 AGI

Yann LeCun 在 ETH Zürich 的最新演讲中表示，靠扩大 LLM 规模实现 AGI 是“不可能的”。他指出，大语言模型训练约 30 万亿 token，约合 10^14 字节文本，一个人读完需要约 40 万年；而一个 4 岁儿童仅通过视觉在约 1 年 10 个月内就接收到同等量级的数据。

SemiAnalysis：HBM4 控制器与 PHY 约占 Nvidia Rubin 计算die 16%

SemiAnalysis 估算，HBM4 控制器和 PHY 约占 Nvidia Rubin 计算 die 的 16%，大量先进制程面积被用于与内存通信而非计算。

Latent SpaceAI 评分2828

MIT 的 Alex Zhang 谈 RLM、GPU Kernel 与智能体集群研究

MIT 的 Alex Zhang 在 Latent Space 播客中介绍了其递归语言模型（RLM）研究，基于 RLM 的 harness 是首个接近解决 ARC-AGI-3 的方案，早于 OpenAI 的 Astra。

Max Jaderberg 发文回顾，深度强化学习与前沿AI能力的进展让他确信同样的计算原理可用于新药工程，这促成了 Isomorphic Labs 在 2021 年成立。他表示五年后已有令人信服的证据表明其 AI 能为广泛疾病类别解锁疗法，并分享了用 AI 改变人类健康的机会以及目前已取得的可衡量进展，文中附有相关文章链接。

Latent SpaceAI 评分3636

Foundries 与 Navigators：AI 如何降低科学研究的成本

在 AI x Science 领域，Foundries 通过新一代测序、多重检测和物理自动化将实验数据生成速度提升一个数量级，而 Navigators 则把 AI 嵌入公司日常流程以加速决策。Endura Therapeutics 的实践显示，实验分析从一周缩短到一小时，原本需六位数授权的软件变成一天即可自建，疾病项目候选评估从 5 个扩展到 500 个。

Latent SpaceAI 评分4040

Radical Numerics CEO Eric Nguyen 谈生物安全：一场 AI 军备竞赛

Radical Numerics 联合创始人兼 CEO Eric Nguyen 在访谈中提出，能提升生物能力的基因组语言模型（GLM）同样可用于防御，并称当前防御方在这场军备竞赛中处于落后。

Latent SpaceAI 评分3939

Latent Space 对话 John Platt：Google ERA 如何用 Gemini 自动求解可评分科学问题

Google 的 Empirical Research Assistance（ERA）把可写成评分函数的科学问题交给 Gemini 自动求解：它维护一棵实验 notebook 树。

Latent SpaceAI 评分7474

TypeSafe CEO Diogo Almeida 谈 Jev：为生产环境打造 System One 模型

TypeSafe AI CEO Diogo Almeida 在 Latent Space 播客中介绍新模型 Jev，称其为面向代码消费的 System One 大模型，按每美元智能优化，发布视频播放量约 4000 万次。

OpenAI CFO Sarah Friar 解读充裕智能背后的全栈布局

OpenAI CFO Sarah Friar 阐述了芯片、算力、模型与产品各层面的进步如何相互叠加，从而以更大规模和更低成本交付更有用的智能。她将这一链条称为"充裕智能"背后的全栈。

Hugging Face Blog精选AI 评分6060

Hugging Face 发布 2026 夏季开源模型观察报告

Hugging Face 发布 2026 年 1 月至 8 月的开源模型生态观察报告，模型仓库从 243 万增至 296 万，数据集从 71.1 万增至 100 万，Spaces 从 100 万增至 144 万。

Import AIAI 评分3232

Import AI 468：23 条 RSI 政策建议、PostTrainBench+，以及信任与透明度如何影响 AI 竞赛

Import AI 第 468 期汇总了智库 IFP 提出的 23 条"低后悔"政策建议，分属 7 个类别，用于应对 AI 研发自动化带来的风险。MIT 与 Columbia 的论文《Racing to Ruin》分析称，竞争对手间实现协调减速取决于技术开发的透明度与对彼此可信度的判断：低信任下所有均衡都奔向灾难，高信任下两家理性企业永远竞赛的概率随理性先验比值平方衰减。

Hugging Face BlogAI 评分2222

GPU 管理：为什么闲置 GPU 正在成为新的停场飞机

Hugging Face 博客指出，AI 的下一个真正约束不是智能而是 GPU 利用率：GPU 成本按日历小时累积，产出却只按计算小时计，因此两家 GPU 预算相当的公司会因利用率差异而拉开经济性差距。

Berkeley AI ResearchAI 评分3636

智能免费之后：面向智能体、由智能体构建的数据系统

伯克利 EPIC Data Lab 提出，随着推理成本从 2023 年初 GPT-4 级约 $30/百万 token 降至如今不足 $1、部分厂商低于 $0.10，数据系统需应对三大新挑战：为智能体设计的数据系统、运行智能体集群的数据系统、以及由智能体合成的数据系统。在 text-to-SQL 基准上，多智能体尝试同一任务时仅 10-20% 子计划不同，80-90% 子查询存在重复计算。

Hugging Face BlogAI 评分3636

为什么专业化不可避免：优化理论、演化生物学与机器学习给出同一答案

针对 Goldfeder、Wyder、LeCun 与 Shwartz-Ziv 2026 年论文《AI Must Embrace Specialization via Superhuman Adaptable Intelligence》，Dharma AI 撰文解读其核心论点：专业化是有限资源下的必然结果。

Import AIAI 评分6262

Import AI 455：AI 系统即将开始自我构建

Jack Clark 在 Import AI 第 455 期中判断，到 2028 年底前出现无人类参与的 AI 研发（即前沿模型能自主训练出自己的后继版本）的概率约为 60%，2027 年前出现的概率约为 30%。

Hugging Face BlogAI 评分2828

中国开源 AI 生态的架构选择：超越 DeepSeek 之后

中国开源模型社区已近乎一致转向 MoE 架构，Kimi K2、MiniMax M2、Qwen3 均采用该路线，以在成本约束下兼顾能力与灵活部署。开源活动从文本扩展到多模态与智能体，StepFun 的 Step-Audio-R1.1 语音模型性能超越闭源模型，腾讯开源 Hunyuan Video 与 Hunyuan 3D。

Hugging Face Blog精选AI 评分6262

Hugging Face 分析全球算力格局变迁：中国国产芯片与开源模型的双向推动

Hugging Face 发布分析文章，指出中国开源权重模型的推理已开始由华为昇腾、寒武纪等国产芯片承载，部分模型开始用国产芯片训练。文章认为美国出口管制与中国芯片产能提速高度相关，芯片稀缺也促使 DeepSeek 的 MLA、GRPO 等算力效率创新走向开源。

Hugging Face BlogAI 评分2020

Hugging Face 伦理与社会通讯 #6：构建更好的 AI，数据质量为何至关重要

Hugging Face 发布《伦理与社会通讯 #6》，聚焦高质量数据对 AI 模型的决定性作用，指出好数据不只是准确或量大，而是契合具体用途。文章以 Reddit 与 Google 的 RAG 搜索合作为例，说明低质数据曾导致“在披萨里加胶水”这类荒谬推荐。文中列出相关性、全面性、时效性与偏见缓解等数据质量维度，并强调数据治理、去重、内容过滤与人工反馈等流程。

Hugging Face BlogAI 评分1212

Hugging Face 机器学习专家 Sasha Luccioni 谈 AI 碳足迹与数据治理

Hugging Face 研究科学家 Sasha Luccioni 在访谈中介绍了她在 Big Science 项目中主持碳足迹工作组的工作，研究范围不止于 CO2 排放，还包括制造成本，甚至测算一封邮件产生多少 CO2。