scale

本文讨论了AI公司被忽视的规模及其在科技行业中日益增长的影响力。

本文突显了OpenAI运行10,000个智能体88小时的巨大规模，这几乎等同于一个世纪的工作量，强调了人工智能与丰富计算资源结合的潜在影响。

该推文将部署对齐讨论为大规模前沿AI系统的一项关键挑战，强调配置环境比对齐推理更难。

WorldClaw 支持大规模智能体式3D开放世界生成，利用AI智能体创建广阔的虚拟环境。

Exa 宣布其服务 800 亿个页面并跟踪 1.4 万亿个 URL，将自己定位为最大的网络索引之一，并计划在 2027 年初达到 Google 规模。

本文介绍了GPT-Red，一种通过规模化自我对弈训练的自动化红队测试代理，旨在发现针对前沿LLM的新型提示注入攻击，并利用其对GPT-5.6进行对抗训练，实现了有记录以来最大规模的LLM安全训练运行。

York Yang提出，迭代速度是前沿AI团队的关键，需要将规模和速度作为配置变化来对待。

AskCodi 是一个能够大规模编排 AI 代理并降低成本的产品。

微软分享了从原型到生产过程中，在企业级规模下部署数千个AI代理的工程经验，涵盖代理框架、检索即子代理、代理身份以及基于评估标准的自动化优化循环等关键挑战。

一条推文认为，中国在人才、规模、紧迫感和较少监管方面的优势，使得赢得AI竞赛的可能性比普遍认为的要大。

一条推文分享了一篇博客文章，讨论了LLM预训练中FP8的三种方法：per-tensor、blockwise和MXFP8，重点介绍了缩放因子的附加方式。

本文评估了多智能体编排架构（DAG Plan and Execute、ReAct）在企业规模下的表现，并引入了一个任务管理器以实现持续的事件驱动操作，展示了在延迟和正确性方面的改进。

Kepler 是一个面向代理的开发环境，旨在大规模运行 AI 代理，专为需要管理多个代理工作流的开发者设计。

关于在AI智能体设计中堆叠循环重要性的概念性讨论，将其与Sutton的苦甜教训相类比，倡导可扩展系统而非人工修复。

LSEG与OpenAI合作，在其组织内部署ChatGPT Enterprise和API，将产品发布周期从数月缩短至数周，并为全球数千名员工提供支持。

ScaleMAP是一种新的非线性降维方法，通过基于原始空间局部半径重新缩放嵌入距离来保持局部密度和邻域结构，在保持UMAP级别邻域保留的同时，实现了比DensMAP更好的密度保留。

OpenClaw 作为快速崛起的开源智能体项目热度飙升，但尚未有经过验证的规模化安全运行案例；Brex 正内部探索安全部署实践。

Adomate 是一款帮助将数据大规模转化为成功广告的产品。

本文探讨了 Meta 在两年内部署四款 MTIA 芯片的战略，旨在为数十亿用户规模化 AI 体验，同时控制基础设施成本。

Descript 重新设计了其翻译管道，使用 OpenAI 推理模型来优化大规模多语言视频配音，通过解决语音时长与视频时间限制匹配的挑战，实现了翻译视频导出量增加 15%，以及各语言时长符合度提升 13-43%。