01
GPT‑5.6 系列模型进入限量预览，旗舰版 Sol、日常版 Terra 与高速版 Luna 同时开放试用。 预览采用多层安全体系，包括模型内置拒绝、实时输出监测和帐号级风险审查，并在更高风险情境下暂停生成以让更大推理模型复核；同时通过提升最大推理时长和子代理协同实现更深度推理和复杂任务加速。 这些改进使安全研发、漏洞分析和代码审查等专业工作在成本更低、响应更快的前提下获得更强能力，同时对潜在攻击行为的阻断和检测力度提升。
ZhangYvJing's
Daily Brief
00
Film / Book Chapter
Perfect Days
Perfect Days (2023) · Wim Wenders
在高强度的模型安全审查、微服务隔离和多代理协同的日常里，《Perfect Days》让你在偶然的清晨公交站、微噪的洗手间里感受时间的细致流动，提醒你别把每一步判断都压缩成代码，给忙碌的大脑留一段安静的空间去体会细节、尊严与自我节奏，从而在接下来几周的系统迭代中保持更清晰的决策感。
The Effective Engineer
The Effective Engineer · Edmond Lau
Chapter 1: Focus on High-Leverage Activities
A direct chapter for choosing what to work on today: it keeps attention on compounding engineering output rather than just being busy.
01
Insight
今天的材料透露出两条全局趋势：其一，AI 研发的核心竞争已经从单一模型的规模转向“安全、可监管的多模态生态”和“模型组合的边际收益”，其二，工程实现层面的创新正把“高成本的云原生抽象”向“本地化、低门槛的可组合模块”倾斜。OpenAI 把 GPT‑5.6 系列包装进严密的安全栈并交由美国政府把关使用者，实际上在把前沿算力锁进合规围栏；同时间，Anthropic 的 Mythos 也被美国批准只向“可信合作伙伴”开放，说明监管已不只是事后审计，而是直接决定模型的流通路径，这和 AWS Lambda 推出的 MicroVM、DBOSify 把工作流迁移到 Postgres、hopscotch‑map 通过更轻量的数据结构提升性能的做法形成呼应——都在用更细粒度的资源/安全隔离来降低多租户风险，且都摆脱了传统容器/服务的运维负担。相对地，Hacker News 那些围绕 GPT‑5.6 “谁能用” 的讨论以及一些噪声化的“翻页板”“压缩级别13”之类的边缘实验，显得与上述安全‑可组合核心脱节，更多是技术秀而非产品路径。再看学术与工程的交叉验证：arXiv 里几篇关于模型组合上限（β‑co‑failure）和概率与正确率关系的论文直接说明，单纯叠加模型并不能突破错题共性，只有在“错题互补”且路由信号足够强的场景才有收益；这与 YouTube 上 Victor Savkin 以及 OpenGov、TowardsAI 等人强调的“记忆/长期上下文”和“Agent 经验自采样”正好对应——只有把数据覆盖和检索能力提升到足以提供可靠路由，才会让多模型体系真正产生价值。相反，Z.ai 的 GLM‑5.2 在代码和推理基准上抢分，却仍靠硬件加速提升吞吐，未触及路由层面的改进，说明商业宣传的高分仍可能是“单模型放大”的短期噪声。综合来看，真正的重心在于构建安全可审计的模型入口并通过细粒度的执行环境（MicroVM、DBOSify）和更可靠的路由/记忆机制（PEEU、RLAIF、RLVR）让模型组合产生实质增益，而非简单堆砌更大的算子。今天看这些信息，应该把关注点从“更大模型”转向“安全治理、模块化执行与高质量路由”，并审视自己项目是否已经具备了足够的错误互补信号和数据覆盖，以决定是否值得投入多模型路由架构；顺带一提，今晚可以放松一下看《Perfect Days (2023)》。
03
Hacker News
02
03
AWS Lambda 推出 MicroVM 功能，使用户或 AI 生成的代码可以在虚拟机级别隔离、快速启动且可保存状态的沙箱中运行。由于多租户场景既需要强隔离又要降低启动延迟，传统 VM、容器和函数即服务各有不足，MicroVM 通过 Firecracker 快照技术实现镜像即启动并在空闲时自动挂起，保持内存和磁盘状态。该特性让需要独立执行环境的交互式平台、代码分析工具和安全扫描等开发者能够以更低的运维成本提供低延迟、持久会话的服务，且风险限制在单一租户的微型实例中。
04
动能随速度的增长被证明是二次而非线性，关键在于通过弹簧驱动的盒子碰撞实验与重力自由落体的能量转换推导出 \(KE\propto v^{2}\)。实验中，释放压缩弹簧后动量守恒导致右盒子加速至 \(2v\)，而势能的正值使得动能必须四倍增长；在重力场里，分段捕获并重新释放物体的过程同样要求 \(KE(v)=4\,KE(v/2)\)，从而确认动能随速度平方增长。此结论直接影响物理建模、仿真及工程设计中能量预算的计算方式，要求在涉及高速运动或冲击的系统中采用二次比例来评估功率需求和安全余度。
05
Hacker News 前页现已通过火车站式翻页板实时展示，榜单、分数和标题以机翼式翻转方式滚动。页面内容由 Quickish 云函数定时抓取并广播至所有打开的板块，用户可点击顶部修改标题，亦可通过 token 的脚本、cron 或 webhook 远程更新。此方式让开发者和内容运营者可将新闻流嵌入实体展示或自动化流程，降低自建显示系统的成本，同时引入凭证管理的安全风险。
06
美国政府周五撤销对Anthropic的Claude Mythos 5模型的封锁，批准该模型向百余家美国企业和政府机构开放；此前因亚马逊等警告模型可能被“越狱”用于恶意用途，特朗普政府曾对其实施出口管制并迫停模型运行；商务部长在信中称已确认“可信合作伙伴”具备足够安全防护，并要求Anthropic配合制定协议和标准；此举使受信机构无需再申请出口许可证即可内部转移模型，直接影响它们获取前沿AI能力的成本和合规流程，同时让美国在AI监管框架下保持技术领先。
07
AI 已经能够独立完成可发表的博士级数学研究，并在组合几何等领域推翻重要猜想，标志着机器不再只是辅助工具。传统上数学家凭直觉提出猜想、创造性地构造证明并人工检验，而现在大型语言模型借助证明助理将非正式推理自动转化为形式化代码，削减了人工形式化的瓶颈。这一转变将迫使学术研究者重新规划实验设计和成果验证的流程，同时提升验证成本的可控性并提升对机器生成证明的信任风险。
08
hopscotch‑map 库在 C++ 中提供了基于 Open‑addressing 和 hopscotch 哈希的高速 hash map 与 hash set 实现；通过缓存友好的布局和可选的幂次或素数增长策略，它在多数场景下比 std::unorderedmap 具有更低的时延并且占用更少内存；因此在追求性能、内存或抵御散列 DoS 风险的项目中，开发者可以直接以头文件方式引入该库，替换原有容器以降低查询成本并提升鲁棒性。
09
DBOSify 作为 Temporal Python 的即插即用替代品，把工作流执行从专有的 Temporal 服务器迁移到 PostgreSQL；它通过 DBOS Transact 把每个工作流、活动、信号、更新和重试等全部持久化写入数据库，并利用 PostgreSQL 的 LISTEN/NOTIFY 实现持久消息和定时器，在出现故障时解释器可以从已记录的检查点重新播放，确保工作流只执行一次；这使得仅使用 Python 的开发团队可以在不部署额外服务的情况下运行可靠工作流，显著降低基础设施成本并把故障恢复风险压缩到数据库层面。
10
DEFLATE 13 级别被加入 libdeflate，压缩结果仍是标准 DEFLATE，但编码器在解析、哈夫曼表和块划分上进行更深搜索，导致比 12 级慢约 56 倍。该级别在 Silesia 数据集上比 12 级多省 86 990 字节（约 0.134%），通过全窗口搜索、最多 15 次优化迭代、对 50 000 字节以内块使用静态哈夫曼、以及延迟块大小和分割决策实现更精细的匹配与编码选择。仅在一次压缩后需要大量分发的场景下，这种极端慢速却略微省空间的方式会影响分发系统的压缩流程和成本评估。
11
Z.ai's GLM-5.2 leads in coding and agent benchmarks with top scores like 1595 on Code Arena: Frontend and 34.29% reasoning accuracy with zero failures. Databricks improved GLM-5.2 speed to 392 tok/s using hardware and optimizations. Ornith-1.0, a new MIT-licensed coding model family, spans 9B to 397
04
YouTube
01
Imagine a genie grants your wish and materializes the best engineer in the world, John Carmack in his prime, to work on your codebase. The catch: he can only see a tiny corner of it, and he forgets everything between interactions. No matter how good he is, the value isn’t there. This is what coding agents are today. We need to fix it. Speakers: - Victor Savkin (Nx): Victor is the creator of Nx, the agentic monorepo platform, and Polygraph, the meta-harness for maximum agent autonomy, with 20+ years building high-performance frameworks and build tools. X/Twitter: https://x.com/victorsavkin
02
Come and learn about building AI Agents in production. Learn hands-on directly with the AI Agents team from OpenGov which powers AI workflows across thousands of state and local governments. This session will cover: * The core agent loop/harness * A2A protocol * Building with Effect-TS and Typescript * Feedback and evals * Long context handling * Monitoring and observability * Building out tools and skills * Enterprise contribution model * Accelerating workflows with Claude and Cursor Speakers: - Gabe De Mesa (OpenGov): Gabe works on the flagship AI Agent product offering at OpenGov which se
03
04
Full implementation is open-source: https://github.com/iusztinpaul/ai-research-os-workshop Agent Engineering: Building Multi-Agent Systems Course: https://academy.towardsai.net/courses/agent-engineering Turning thousands of notes, videos, documents, and repositories into usable AI context requires more than a bigger context window. It requires memory and context engineering: organizing sources, indexing what matters, and loading only what the model needs. The talk shows how the authors turn an Obsidian vault of 10,000+ notes, documents, videos, and repositories from a passive knowledge archi
05
Full episode: https://www.youtube.com/watch?v=U1FrhkLQnCI Me on twitter: https://x.com/dwarkesh_sp
06
Brand voice that survives real users isn't an instruction you write once - it's an architecture. Drawing on production code from a wedding venue, a personal AI companion, and a tool for families of missing people, this talk breaks voice into four layers: immutable identity, situational mode, example-anchored voice, and a deterministic post-generation veto. The difference between a prompt that holds and one that breaks on turn 21 is knowing which job belongs to which layer. Speakers: - Isadora Martin-Dye (Isadora & Co | The Bloom House AI): Isadora Martin-Dye is the founder of Isadora & Co, a
07
08
Warp (YC W23) recently announced a $60 million Series B and now serves more than 1,000 customers, processing over $600 million in payroll annually and on track to surpass $2 billion in the next year. In this episode of Founder Firesides, YC's Harj Taggar sits down with Warp founder and CEO Ayush Sharma to discuss how the company found its way into one of enterprise software's most competitive markets and why AI is fundamentally changing how software companies should be built. https://www.joinwarp.com Apply to Y Combinator: https://www.ycombinator.com/apply Work at a startup: https://www.yco
06
Bilibili
01
AI对远洋鱿鱼产业的冲击。
02
03
法律问题并不像数学一样，它无法做到精准，也许它只能满足理性有限的人类对于相对合理性的认同。
04
影片聚焦于2013年发生的波士顿马拉松爆炸事件，是继《伦敦陷落》《深海浩劫》之后，又一高口碑灾难巨制，该片真实还原了在波士顿恐袭发生后，FBI、当地警方在102小时内全力缉捕真凶，阻止了犯罪分子下一步攻击行动的英勇事迹。
05
本篇为世纪风暴系列番外篇——吉米·卡特的败局。
06
07
1、项目名称：OpenMontage – Agent 视频生产系统 GitHub 链接：https://github.com/calesthio/OpenMontage 2、项目名称：Maigret – 用户名情报搜索工具 GitHub 链接：https://github.com/soxoj/maigret 3、项目名称：Agent-Reach – 给 Agent 一键装上互联网能力 GitHub 链接：https://github.com/Panniantong/Agent-Reach 4、项目名称：c
08
可能是你从没见过的显卡对比！国产显卡新秀砺算对阵摩尔线程，再加上标杆英伟达，这仨放在一起的对比，那可太有看头了，砺算这次虽然出现了很多问题，但惊喜也不少，国产显卡这次真能带得动 2077 吗？一起来看看国产显卡现在性能到底什么水平。
09
一个在地球上几百块就能解决的马桶，凭什么到了太空里，要2300万美元？今天我们就来聊一聊，太空里的厕所是怎么修的？
10
参考资料： 1、《濒临破产的国产女鞋，在抖音杀回TOP 1》 2、《消失的国民女鞋，突然卖到第一》 3、《“鞋王”达芙妮正在“死去”：6000家店全部关闭》 4、《达芙妮，就输在了这个字上》 5、《达芙妮关店，可你还不知道它的老板是谁》 6、《达芙妮CEO陈英杰：台湾摇滚男孩“误入鞋途”》
07
Papers
01
该文聚焦一个被忽视的瓶颈：多模型组合（路由、投票、混合代理）能提升准确率的上限实际上被所有模型在同一道题上 simultaneously 错误的比例 β 所限制，单凭模型间的平均误差相关性 ρ 并不能捕捉这点。作者用 Clopper‑Pearson 统计方法给出 β 的置信上界，并在 67 种前沿 LLM（21 家提供商）上实测，发现真实的全错率远高于传统高斯 copula 预测，数学题目 β≈5%，代码评测 β≈8%，自由回答时甚至达 12%。结论是：组合模型的收益只能来源于“错题互补”，而不是单纯增加模型数量；若缺乏强查询层路由信号，组合往往赶不超单一最强模型。对张玉璟做 Agent/AI 产品的同事来说，这提供了一个实用的上界评估工具，帮助判断何时值得投入多模型路由架构，避免盲目堆砌模型导致的收益不确定。
02
该稿聚焦工业招聘平台的“低带宽查询接口”难以完整表达候选人高维背景，提出端到端 RLAIF 框架生成 portable query：去掉个人标识、保留通用资质的检索词。核心做法是把 LLM 作为评价器，利用无评估器的强化学习（RLOO、REINFORCE++）配合细致的奖励塑形，特别加入规则化的奖励下限防止模型直接复制原句，从而避免奖励黑客。实验表明，只要奖励设计扎实，优化算法本身影响不大，质量提升可达 +0.147，训练时的奖励模型误导更是放大 2.4 倍。对做招聘搜索或通用语义检索的工程师来说，这篇提供了“一套稳健的奖励构造+无评估器 RL”思路，可直接迁移到其他需要生成抽象、可搬运查询的 Agent 场景。
03
问题：生成式世界模型在预测未来画面时常出现“幻觉”，即画面流畅却偏离真实动力学，主要出现在状态‑动作空间覆盖不足的区域。 做法：作者构建了大规模覆盖数据集MMBench2（427 h、210 任务），训练350 M 参数模型，并提出三类幻觉检测信号（感知、动作边缘、场景分歧）用于定位风险点；随后用覆盖感知采样和将检测信号作为好奇心奖励的在线数据收集，实现在仅 50 条真实轨迹的情况下，对未见环境进行高效微调。 价值：把幻觉归结为数据覆盖问题，提供了既能预警又能自驱采样的统一工具，让工程师在实际部署的 agent 中快速发现并修复预测偏差，显著提升数据利用率和跨环境适应能力。
04
它针对小型开源多模态大语言模型在 GUI 自动化任务中规划能力差、跨站点泛化弱的问题，提出 “规划经验探索与利用”(PEEU)——让模型在真实网页环境里自行尝试，收集行动轨迹，再用 hindsight 方式把低层动作回溯成严格对齐的高层任务示例，生成高质量的训练数据。实验显示，仅 7 B 参数的模型经 PEEU 训练后在实际网页基准上准确率达 30.6%，超越 32 B 大模型，说明通过自主经验和逆向任务构造，能显著提升小模型的 OOD 规划能力，值得在资源受限的 Agent/AI 产品里快速实现可靠 GUI 自动化。
05
它想解决老年人认知健康监测难、尤其是早期轻度认知障碍（MCI）筛查不便利的问题。方法是把大语言模型当作“语言数字孪生”，在对话中注入个人写作风格特征和上下文元数据，并用多头条件变分自编码器同步评估重建质量和认知评分预测；在 I‑CONECT 数据上，生成的对话既保留了个体特征，又能把 MoCA 评分的误差压到跟真实数据差不多，明显优于普通 GPT。对想做可持续、隐私友好、基于语言的健康 Agent 的产品团队来说，这展示了一条把 LLM 直接用于持续、非侵入式认知状态追踪的技术路线。
06
它在探讨“大模型的序列概率到底能否当作答案对不对的可靠信号”。作者通过四层实验（不同解码方法、同方法的超参、同数据集的prompt‑answer对、同prompt的多次回答）系统量化概率与正确率的关联，发现：在固定数据集上高概率往往对应高正确率，但调超参或换解码方式提升概率并不一定提升准确度，同一prompt的多次回答概率差别也不能说明对错。对做Agent/AI产品的工程师来说，这直接告诉你：别盲信“更高概率＝更好”，在调解码、做自一致或无验证器自提升时，需要另辟评估手段，否则优化可能是徒劳。
07
它针对的是“在热力学平衡下高效抽样分子构型”这块老大难——传统 Boltzmann Generator 多依赖正则化流，受可逆性或计算代价限制，难扩展到大分子。作者抛开流的框架，直接用自回归模型（ArBG），把抽样过程拆成顺序生成，既摆脱拓扑约束，又能套用大语言模型的高效架构。实验显示在十残基肽等规模上明显跑赢流模型，且推出的 1.3 亿参数通用模型 Robin 把零样本能量误差降超 60%。对做 Agent/AI 系统的工程师来说，这提供了一种更易扩展、算力友好的生成式采样方案，能直接迁移到更大、更复杂的物理或化学状态空间，值得一看。
08
它想打破“只能用有标准答案的题目来给大模型打奖励”的硬限制，直接用代码运行得分（没有真解）来做强化学习。作者设计了 RiVER 框架：先把每次执行得到的连续分数经过实例级比较和奖励校准，防止分数尺度和采样频率扭曲学习；再在组相对 RL 中把排在前几的解放大、其余合法解保持有界反馈。实测在不依赖任何真解的 AtCoder 评分任务上，能把 Qwen3‑8B、GLM‑Z1‑9B‑0414 在 ALE‑Bench、LiveCodeBench、USACO 等代码竞赛基准上整体提升 2‑10% 左右，说明纯评分任务+校准奖励已经能显著提升模型的通用编码能力。对做 Agent/AI 产品的工程师来说，这提供了一条不需要人工标注答案、就能用大规模“玩分数”环境持续驱动模型进化的实用路径。