标签
在研发Evot过程中发现，要让Anthropic Opus模型发挥极致，官方Claude Code的方法是最优解，因为训练时将Agent Harness行为模式编入了权重，而非纯prompt工程；未来Agent Harness竞争将把行为下沉到模型层。
Cursor 发布了 Composer 2.5，这是其 AI 编程助手的重大更新，通过定向强化学习和增加计算资源，提升了智能、行为表现和训练效果，该版本基于 Moonshot 的 Kimi K2.5 构建。
一种新的训练方法通过允许模型在早期阶段更灵活地学习，实现了2-3倍的加速，类似于在家教育相对于工厂式教育的优势。
@mervenoyann 的演讲展示了开源模型（如 GLM 5.1）已赶上闭源模型，并说明了 Hugging Face 生态系统如何让智能体训练模型、执行推理和构建工作流。
由 William Barr Held 领导的 Marin AI 研究团队推出了 Delphi，这是一种通过预训练小模型来准确预测更大规模 25B 参数训练结果的方法论。该研究旨在建立可预测的缩放规律，以实现更高效的人工智能开源模型开发。
ml-intern 在 3 周内处理了超过 100 万条消息，加速了 ML 研究进程。用户项目涵盖模型训练、架构复现以及自动化任务等。
Fireworks AI 宣布其训练平台进入预览阶段，允许开发者训练、微调并部署自定义 AI 模型，同时完全拥有数据和模型权重。
OpenAI正在改进安全措施，以防止模型训练中的CoT评分问题，包括实时检测、意外评分预防和压力测试。
RAO（递归智能体优化）是一种端到端强化学习方法，用于训练大语言模型智能体生成、协调并委托给自身的递归副本（这些副本本身也可以生成其他智能体），将递归推理转化为可学习的能力。
Luma 的 Uni-1.1 模型通过与好莱坞摄影师和 VFX 艺术家进行反馈闭环训练来实现差异化。这一策略表明，在图像 AI 领域，经过精心筛选的人类审美品味可能成为超越传统基准测试的关键竞争壁垒。
这篇文章分析了OpenAI的一份报告，探讨了近期GPT模型为何发展出使用"哥布林"（goblin）和"小魔怪"（gremlin）隐喻的倾向。报告指出，这一现象源于特定角色设定中的奖励系统偏差，这些偏差形成了自我强化的行为吸引子。
用户寻求建议，询问是购买Mac（M5）还是自组的RTX 5090用于机器学习项目，涉及微调、自定义管道以及图像/视频密集型工作流，同时对苹果的MLX框架作为NVIDIA CUDA的替代方案感到好奇。
OpenAI 已同意收购 neptune.ai，这是一个用于实验跟踪和模型监控的平台，旨在加强其研究基础设施，并提高对前沿模型在训练过程中如何学习的可见性。
Anthropic发布了关于用户如何向Claude寻求个人指导的研究，重点介绍了不同领域中美言奉承率（sycophancy rates）的研究发现。该研究为Claude Opus 4.7和Mythos Preview的训练提供了参考，以更好地保护用户福祉。