行业
LMArena 拿六家实验室的智能体数据做了三个月对比，发现大家完成任务的水平差不多后，用户满意度成了新分水岭，OpenAI 和 Anthropic 领先 35 分。
LinkedIn 工程师要讲他们怎么用 Ray 把 CPU 预处理和 GPU 训练串起来跑强化学习，做分布式训练的可以听听他们的实践经验。
有人拿 Astra 和 Opus 5.5 做完大项目后给出对比体验，还分析了 token 需求和 ARR 会落在哪，做模型选型可以参考。
字节 Seed 招 10 个模型安全研究员，做评测 Benchmark、Red Teaming 这些方向，最近在看机会的朋友可以直接投了。
Goodfire AI 的首席科学家在播客里讲了个挺扎心的问题：模型要是把推理全藏在脑子里不写出来，现有的思考链监控就基本失效了，涉及 recurrent-depth 这类新架构。
Nathan Lambert 聊了聊为啥开 Trillium：别人卖钱买 RL 环境，他直接免费送，还讲了中国实验室缺算力的真实情况。
去 PyTorch 大会优先排 NVIDIA 这 12 场：FP4 训练、vLLM 弹性专家并行、WAM 都有工程师现场答疑。
a16z 把企业 AI 分成 Assistant、Agent、长时程 Agent 三层，讲清各层从软件还是人力预算收钱，做 To B 的可以拿来自查定价方式。
前 Intel 掌门基辛格直接开喷 HBM：位密度低、30 瓦就发烫、芯片边缘接不下几堆，关心 AI 算力硬件的可以看看他的具体论据。
助听器也卷 AI 了：Counterpoint 预测 2030 年近半产品带端侧 AI，峰力实测信噪比能多提 10 dB，不过续航会从 56 小时掉到 10 小时，代价写得挺实在。
LangChain 的 Harrison Chase 在推特上公开问大家 deepagents 子 agent 异步通知该怎么设计，做了 agent 框架的可以去看两套方案再留言。
一个刚参加完 SF Tech Week 的人写了篇笔记，说大家聊的不再是能不能做 Agent，而是怎么让百万个 Agent 便宜可靠地跑起来，还讲了 FDE 这个新角色。
a16z 的 Casado 和 MakerMaker.AI CTO 聊怎么识别真假 RSI：关键看模型自己是不是被优化的对象，判断框架很实用。
a16z 播客聊递归自我改进，MakerMaker.AI 两个创始人讲怎么判断 RSI 是真是假，还提到 100 美元训练 GPT-2，挺有意思。
