OpenAI Developers 分享了其工程师如何使用 Codex 探查代码库、找出需要关注的部分，并减少维护积压。 在引用的帖子中，@rrroim 表示，Codex 现在可以在 Slack 中找出可能的死代码，将其与生产环境遥测数据进行核对，并起草清理 PR；而几个月前，它还需要明确指示去哪里查找。 https://developers.openai.com/blog/maintaining-software-with-the-gpt-6-family
AWS 介绍了其 SMGS 运营团队如何使用 Amazon Bedrock AgentCore，为内部销售智能系统构建了一个包含九个阶段的评估框架。该框架结合了特定领域的评估器、版本化的黄金数据集、CI/CD 门禁、持续监控，以及基于追踪数据对工具、代理和多代理工作流进行改进。AWS 报告称，自动化评估将质量回归的发现时间从几天或几周缩短到不到四小时。
推荐理由：该框架提供了一种可迁移的方法，可将特定领域的故障类别与发布门禁和生产监控相结合，覆盖工具、单个代理和多代理工作流。
别小看 Claude Slides。我现在就用它制作幻灯片——再也不用像以前那样搜索“iphone frame svg”了。 试试：https://claude.ai/artifacts
使用 GPT-Live-1 构建应用？为它们打造合适的声音。 以下介绍如何通过提示词塑造声音，或从全新的国际预设声音中进行选择：
还有一点：除了让 Opus 5.5 负责协调，你还可以充分利用顾问，让 Fable 为 Opus 提供建议。 GPT 6.1 Sol 处理日常任务其实相当不错 https://t.co/RZgKqn62g8
Reflection AI 推出了 Beam，这是一款用于智能体编程和多步骤任务的开放权重模型，总参数量为 5010 亿，激活参数量为 230 亿。Reflection 称其有效上下文长度为 100 万个 token，并以 Apache 2.0 许可发布 Beam 1.0，提供 BF16、FP8 和 NVFP4 版本。本指南介绍如何通过 Amazon SageMaker JumpStart，或借助 JumpStart、SGLang 或 vLLM 在 HyperPod Inference 上进行部署，内容包括容量规划、调用、性能测量和清理。
推荐理由：部署方式的比较说明了何时托管端点已足够，以及何时 Kubernetes 基础设施或自定义运行时能为服务配置、分布式执行和扩缩容提供有用的控制。
Bao Yu 表示，他们制作了一段教程视频，介绍如何在不进行训练的情况下将代码转化为神经网络，并使每个数字都完全匹配。该帖子还提供了视频的英文版和中文版链接，并称他们尝试使用 Handwired 制作了倒计时和贪吃蛇等示例。
Hugging Face表示，一场与Reflection团队探讨他们如何构建Beam的直播将在几分钟后开始。 直播：https://t.co/q6OKvCiB9o https://t.co/scNsrfsC3s 在被引用的公告中，Reflection表示，Beam已在多个平台开放，权重采用Apache 2.0许可证，并与40多家合作伙伴协作推出；还提供分词器、参考实现、BF16、FP8和NVFP4权重，以及DFlash2起草模型。
推荐理由：列出的制品和Apache 2.0许可证，为评估Beam如何融入现有模型部署工作流提供了具体背景。
Simon Willison 表示，他的实验展示了两名玩家可以在各自的手机上运行一款游戏，并通过麦克风检测到的啁啾声传输游戏状态。这个游戏是一种具有竞争性的类 Pong 体验，并加入了图形和玩法上的变化。原文最后提到“Claude Code 中的 Claude Opus 5.5 Extra”，但没有解释它与该实验有何关系。
QbitAI智库发布报告《智能体驱动的企业智能：从提升单项任务到规模化企业转型》，探讨了企业采用人工智能面临的六大障碍：任务定义、数据可靠性、决策可验证性、执行、责任与权限，以及价值衡量和复制。报告提出围绕业务成果构建端到端框架，并建议先验证一个高价值用例，再逐步推广。
Cheng Lou 发布了 Handwired，这是一个采用 MIT 许可证的项目，可将 JavaScript 程序逻辑手动表示为具有精确输出、无需训练且支持可微操作的神经网络。Baoyu 的概述介绍了一个浏览器桌面、文档搜索和可训练的照片布局演示。Handwired 不会自动转换现有的 JavaScript 源代码；开发者必须使用其构造函数重新搭建逻辑，声明数值范围，并遵守 32 位浮点数和执行方面的限制。 https://chenglou.me/handwired/ https://github.com/chenglou/handwired
llama serve -hf ggml-org/Muse-Spark-Open-816B-A42B-GGUF:Q2_K（在两台 Mac Studio 上）。 干得漂亮，@finkd 和 @johnternus！
Meta 针对代码优化的开放权重模型 Muse Spark Open 现已在 Amazon SageMaker JumpStart 上提供，包含 BF16 和 NVFP4 两种版本，支持 100 万 token 的上下文窗口，总参数量为 816B，其中每个 token 激活 42B 参数。AWS 提供了使用 SageMaker Studio 或 SageMaker Python SDK 进行部署的说明，以及推理和清理示例。发布时，该模型可在美国东部（弗吉尼亚北部）和美国东部（俄亥俄州）使用。
推荐理由：部署指南将 BF16 和 NVFP4 的内存需求与受支持的实例类型对应起来，为团队在代码仓库上评估该模型时规划基础设施提供了具体依据。
使用 Gemini 4 Argon 为家具增添 3D 打印配件。 上传一张附有大致尺寸的照片，然后在 Gemini 中使用 Canvas 搭建交互式 3D CAD 工作室，探索不同风格、实时调整滑块，并导出可供打印的 STL 文件，为你的空间焕新。
Google DeepMind 介绍了生物学家如何使用 Google Antigravity，在 *Streptococcus pseudopneumoniae* 中发现一种新型候选抗微生物肽。ProtNLM 帮助扫描数百万种此前未经表征的 UniProt 蛋白质，而智能体则协调数据库检索、结构分析和文献综述。该候选肽预计对参与呼吸道感染的病原体具有活性，目前正在进行湿实验验证。
1/ 🚀 vLLM 博客新文：更快完成 RL 训练——位级一致、高性能、由智能体驱动 权重相同并不保证策略相同：推理优化可能改变训练时重新计算的 logprobs。 我们让 rollout 与训练实现位级一致 https://t.co/S0xkMKfSmc
AWS 的 Shawn Bice 介绍了深度信任（Trust in Depth），这是一种通过四个层次——范围（Scope）、了解（Know）、约束（Bound）和观察（Observe）——来管理智能体的框架。他介绍了 AWS 工具如何支持策略、智能体身份、外部强制执行和追踪，并以员工离职流程说明依赖顺序的防护措施。自动推理可以在系统定义的假设范围内，证明表述精确的规则；而依赖上下文的预期则需要评估和人工判断。
推荐理由：员工离职示例提供了一种可迁移的方法，将业务要求转化为强制执行的前置条件，并说明操作顺序的重要性可能不亚于单个工具的权限。
这份全面的教程详细介绍如何使用由 Opus 5.5、Astra、Tripo、Blender 和 Unity 构成的 AI 驱动工作流程，打造一款基于《小王子》的互动式3D叙事游戏。教程涵盖素材生成、场景搭建、骨骼绑定和动画制作：https://t.co/tIWxDkVbFb
使用 Kimi Work 自动化工作流 - 教程 #3 看看 Kimi 如何融入你的日常工作流： - 在本地项目、浏览器和电脑上开展工作。 - 使用 Swarm 分解复杂任务；在 Goal 模式下迭代。 - 通过 Plugins、AGENTS.md 和 Dashboard 自定义 Kimi 的工作方式。 接下来你希望我们介绍什么？欢迎在评论区告诉我们！
给我的 Dot 单独设置一个电子邮箱地址，结果出乎意料地简单，也解决了几个关于如何与个人智能体相处的问题。我不希望它使用我的邮箱或代我起草消息，也希望确保人们知道自己是在与 AI 互动。
Simon Willison 描述了他如何在 Claude iPhone 应用默认的聊天模式中提示 Claude Opus 5.5 Max，制作一款名为“Tree appreciator”的游戏。这是一款基于 three.js 的游戏，玩家需要比较算法生成的树木。Claude 工作了 3 小时 7 分钟，随后交出了一款带有音乐、动画和成就系统的找不同游戏，Willison 觉得这款游戏很吸引人，玩起来很有意思。
作者描述了他们遇到的字幕翻译问题：字幕在说话者开口前就出现；句子被拆分成与口语内容不对应的片段；多行字幕遮挡视频。文章在这些挑战的背景下介绍了他们的开源项目 BaoCut，但没有说明它如何处理这些问题。 https://t.co/WFPLrSceV7
作者介绍了一期节目，讨论字幕翻译面临的挑战，以及他们的开源项目 BaoCut 如何在中英文语序不同时实现对齐。他们描述了字幕在说话者开口前就出现、句子被拆成与口语译文不匹配的片段，以及两三行字幕占据半个屏幕的情况。文章附有项目链接：https://t.co/c3VnQEt8x3
Baoyu 表示，Claude Code 现在会在缓存过期前主动运行 /compact，有助于避免离开一小时后发出的首个请求导致令牌成本骤增，并称这一功能很实用 👍 https://t.co/4PT3UQ5kWD 在引用的帖子中，@lydiahallie 表示，空闲压缩会在提示缓存即将过期（约 1 小时）前压缩长时间闲置的会话，因此用户回来后只需重新处理摘要，无需重新处理整个对话，从而节省一些用量。https://t.co/SG3QyTNFwr
Aravind Srinivas 分享了一篇文章，介绍 Perplexity 的沙箱平台如何每天处理数百万次执行，同时利用多台机器降低服务成本。https://t.co/lmRrwROweu 在被引用的帖子中，@perplexity_ai 表示，SPACE 的错误率低于 0.0002%，并使用加密身份机制，确保沙箱暂停、恢复和迁移时，请求始终关联到正确的执行。https://t.co/jH6TX2cgI9
AWS 介绍了如何使用 Amazon Bedrock AgentCore 和八个专用代理构建文档处理系统。这些代理负责对文档分类、提取数据、验证结果，并保存经过优化的提取说明以供重复使用。在其采购订单示例中，处理一种不熟悉的格式需要 3 分 49 秒，而使用已保存说明处理后续文档则需要 1 分 30 秒。本指南还包含部署步骤，并说明如何自定义架构、验证逻辑和提示。
Grok 的 AI 新闻更新相当不错，但你可能想在另一个机器人或智能体中采用这种方法。一个简单的办法是询问它的工作方式： 为我整理新闻时，你如何在 X 上搜索我需要的信息？你如何判断信息是否新颖且有价值？ 基本方法也很简单：关注特定账号，分为三类，从 AI 开始。 https://t.co/FBLL9FvCPa
我们的沙箱 SPACE 每天处理数百万次执行，错误率低于 0.0002%。 我们将介绍它如何利用加密身份，确保请求在沙箱暂停、恢复和迁移时仍与正确的执行关联。 了解更多：https://t.co/jH6TX2cgI9
你给 AI 智能体布置一项任务。接下来会发生什么？ 本视频介绍智能体如何使用模型和工具完成任务，以及它们为何能快速响应。 无需技术背景。https://t.co/zoKBeOPqwL
让推测解码更易于实践，将惠及整个推理社区。 观看 @huggingface 与 @mervenoyann、@MaartenGr 和 @_EldarKurtic 的直播，了解如何加速本地 LLM！https://twitter.com/huggingface/status/2110350304613114226
Amazon SageMaker JumpStart 提供了一套工作流程，用于部署预训练模型、使用 SageMaker Python SDK 运行可重复的性能测试，并在测试后删除端点。该测试使用示例提示词来衡量延迟、估算的输出长度和单请求生成速率。模型中心发现功能和预配置的端点选项简化了浏览与部署流程，而深度链接集成则让用户只需单击一次，即可从 Hugging Face 模型发现页面部署模型。
Tamnoon 基于 Amazon Bedrock 构建了 Tami，这是一款智能体云修复编排器，可调查云安全发现、评估修复是否安全，并在防护措施和治理机制下编排修复流程。该公司称，90 天内关键云暴露风险降低了 90% 以上，且未出现生产问题。
AWS 的文章介绍了如何使用 Amazon Bedrock AgentCore 构建 AI 智能体系统，从企业文档创建面向客户的 PowerPoint 演示文稿。在内部测试中，该工作流在 90 秒内完成；它使用监督智能体、RAG 以及用于生成演示文稿和摘要的专用工具。文章还提供了包含代码资源的公开代码仓库。
在这场直播中，向 @mervenoyann、@MaartenGr 和 @_EldarKurtic 了解如何使用推测解码实现本地 LLM 的倍数级加速 https://www.youtube.com/watch?v=H4azmWcqO5g
Gemini 4 Argon：一个 24 词的提示词如何打造出一款定制合成器，将奔腾的马匹、潺潺的流水和你自己的双手化为音乐。
Baoyu 根据 Anthropic 的工程博客介绍了公司为何用 Scion 替代 git：每天合并的代码变更从 5 月的约 2,500 次增长到 9 月的 30,000 多次。Scion 按需获取文件，将操作移至服务器，并使用命中率超过 99% 的分层缓存。Anthropic 报告称，智能体工作区的启动时间中位数从 7.1 分钟降至 5.1 秒，同时强调 Scion 面向规模极大的单体仓库，并非通用型 git 替代方案。
推荐理由：这一对比展示了假设服务器始终可访问会如何改变源代码管理架构，并将按需获取文件和服务器端操作与智能体生成代码的基础设施需求联系起来。
使用 Python 3.15 内置的 `profiling.sampling` 对未经修改的 web-edit 应用进行性能分析后发现，保留混合行尾占据了编辑工作负载的主要部分。在 15,296 个 CPU 调用栈中，`preserve_endings` 出现在 64.8% 的调用栈里；在叶节点样本中，`SequenceMatcher.find_longest_match` 占 38.3%；95.1% 的调用栈来自 AnyIO 的工作线程，因此对所有线程进行采样至关重要。
Simon Willison 更新了他的 llm-meta-ai 插件，以支持 Meta AI 新发布的 Muse Wonder 模型。他分享了六种推理级别（从 minimal 到 max）生成的鹈鹕图画，并将其与 Muse 1.3 和 Muse 1.2 进行比较，称各版本之间的绘图效果有明显提升。他推测这些可能是 Meta 首批 Fable 类模型，并称 Artificial Analysis 的评分显示，Muse Wonder (Max) 与 GPT-6.1 Sol 相当。
Simon Willison 为 llm-gemini 添加了 Gemini 4 Argon 支持。该模型今天通过 Gemini API 和每月 100 美元的订阅计划开放使用。Willison 称赞了它绘制的 SVG 鹈鹕插图，其中高插画的成本为 17.166 美分。Argon 上市时的价格为每百万输入 token 2 美元、每百万输出 token 10 美元，价格定于 12 月 1 日翻倍；Artificial Analysis 报告称，运行其基准测试需花费 2,407 美元，Willison 认为这比按 token 计价更便于比较。
Baoyu 介绍了一项演示：Gemini 4 Argon 使用 Antigravity，根据一个包含详细工作流程的提示词，在 Blender 中构建了一座日本寺庙建筑群。提示词引用了一份场景构建技能文档，并要求提供建筑平面图、四张 Nano Banana 参考图，以及多个协同工作的智能体；这些智能体会将渲染结果与参考图进行比对，并反复修改场景。演示者第二天又要求添加动画，以及通过程序生成的钟声和环境音效；这些内容是在最初的建模流程之后加入的。
推荐理由：这种工作流程将建构规则、视觉参考、智能体协作和对渲染结果的反复比对结合起来，为复杂 3D 生成提供了一种可迁移的方法。
