CODA：将 Transformer 模块重新表达为 GEMM+Epilogue 程序
CODA 提出一种 GPU kernel 抽象，将 Transformer 训练中的内存密集型算子（LayerNorm、激活函数、残差等）表达为 GEMM+Epilogue 程序，通过编译时融合消除全局内存往返，最高 2.8 倍加速。
多流LLM：用并行思维流、输入流和输出流释放语言模型潜能
多流LLM引入并行的token流处理多条思维线，在安全性和效率上带来突破——K=4流实现3.2倍加速，94%提示注入抵御率。
Project Glasswing：Mythos 教会我们的事
Cloudflare 分享了使用 Anthropic Mythos Preview 进行漏洞研究的经验：漏洞链构建、概念验证生成、信噪比问题和多阶段测试框架设计。
Agora-1：多智能体世界模型
Odyssey 发布 Agora-1，首个多智能体世界模型，支持四人在同一生成世界中实时交互，将模拟与渲染解耦，开创游戏、机器人、RL 训练新范式。
Vibe编码的Photoshop去哪儿了？
如果vibecoding真那么强，世界应到处是vibecoded的作品。但现实中一个也没有。AI降低了打字门槛但从未触及验证层和决策层——真正的门槛一直在那儿。
我不认为AI会让你的流程更快
当市场下行时每家公司都在优化流程，AI带来不切实际期望。但作者指出仅靠AI无法让流程变快——真正瓶颈在上游输入质量。瓶颈需要高质量输入而非盲目加速。
Semble：面向AI智能体的高效代码搜索工具
Semble是一个专为AI智能体打造的代码搜索库，CPU运行无需API Key或GPU，tree-sitter分块+Model2Vec+BM25双路检索，比grep+read节省98% token，支持MCP模式兼容主流AI编码工具。
对齐的人造性
AI对齐（alignment）的核心难题在于：我们试图让智能系统“自然”地服从人类意图，但对齐本身却是一项彻头彻尾的人造工程。这种人造性体现在三个层面：目标设定、价值嵌入与评估反馈。首先，对齐目标的定义源自人类的主观判断，而非机器的内生法则。我们通过人工标注、偏好聚合或法律规范来“捏造”一个近似于人...
以福祉为本：我们需要为AI构建积极愿景
当前AI发展的主流叙事往往聚焦于风险防范与伦理边界，但仅止步于规避危害远远不够。若要真正驾驭人工智能的社会价值，我们必须转向以“福祉”（wellbeing）为核心的积极愿景建构——这不仅是技术路线选择，更是文明层面的价值观重塑。 从技术细节看，当前AI系统的优化目标通常局限于效率、准确性或商业转化...
LLM聊天机器人缺失了什么：一种目的感
当前的大语言模型（LLM）聊天机器人，如GPT-4o、Claude等，虽然在对话流畅度、知识覆盖和指令遵循上取得了惊人进展，但一个根本性的缺陷正日益凸显：它们缺乏真正的“目的感”。这种缺失导致对话虽然看似合理，却往往在深度和方向性上显得空洞。 从技术本质看，现有LLM的核心机制是“下一个token...