Jill Walker Rettberg将Jørn Lier Horst在AI辅助下创作的小说《Den siste saken》与同一系列的两本早期作品进行了比较，发现被AI标记的段落使用更多名词和形容词，代词和动词更少。她报告称，AI标记的部分依赖静态的环境描写和诸如嗡嗡声、寂静与沉闷空气之类的陈词滥调，而ChatGPT之前的小说则通过人物动作来传达环境。Horst表示他只将ChatGPT用于研究和句子层面的编辑，Rettberg则认为这种程度的使用仍然改变了文本本身。
e-means 是一种新的 k-means 变体，它在每一轮遍历中通过小批量与指数移动平均持续更新质心，在将 100 亿条 DINO 嵌入聚类为约 1670 万个簇的任务上，仅用 2.5 个 epoch 就达到全批量 k-means 的测试损失，而后者需要 25 个 epoch。它保持相同的目标函数与凸最近质心几何结构，并通过拟合的缩放定律自动设定批量大小与更新速率。作者认为，更廉价的运行意味着可以尝试更多 k 值，而不是降低计算账单。
突破能源首席技术官Eric Toone在MIT能源倡议的Energizing@MIT会议上表示，全球经济脱碳将耗资约7.5万亿美元，约占全球GDP的5%，但人们不愿支付绿色溢价。突破能源风险投资公司已向约140家公司投入约30亿美元，其中包括Luxwall，其隔热窗在一栋商业建筑中实现了30%的节能。
Handshake的AI训练业务在大约一年内从启动做到10亿美元年化毛收入，本次Latent Space与Garrett Lord及其团队的深度剖析梳理了前沿实验室所购买的强化学习环境。在一个金融演示中，一个智能体处理模拟银行的邮件和交易文件，将一个商誉数值带入Python并减去它，这个错误显示出专家判断在何处仍胜过模型。团队还介绍了VIALS——其用于解读科学图像的基准，并追踪了一个智能体在包括CAREBench在内的安全模拟中的工具调用。
一个广为流传的说法称，中国55%的AI token用于短剧和视频生成——该说法可追溯至COL集团6月的一次投资者电话会议——已遭到字节跳动和《人民日报》的反驳。字节跳动表示，视频生成仅占其自身算力的约10%。2026年前八个月发布的约43万部微短剧中，超过90%为AI制作，而在字节跳动的Seedance上生成一段五秒720p片段约需10万个token。
Redwood Research 认为，AI 的概念推理能力——如哲学这类缺乏可验证真值的任务——应当被差异化地加速，因为 AI 研发与接管对此类推理的依赖要小得多。该团队表示，基本的引导技术和较小规模的训练就能让模型在其主要概念推理基准上提升三到十二个月的水平，并称该领域目前被 AI 安全社区忽视且投入不足。
Rivian CEO RJ Scaringe 表示，机器人技术的进展将“远、远、远、远快于”世界的预期，他提到如今机器人通过基于 transformer 的模型学习广泛、可泛化的技能。他于 2025 年创立的初创公司 Mind Robotics 融资 10 亿美元，用于打造销售给制造商的双臂工业机器人，并在 Rivian 的工厂内训练这项技术。
文章指出，那些声称一切都会变成强化学习环境的人，并未按这一信念行事；而随着模型逼近递归自我改进（RSI），有用的强化学习环境将呈指数级变得愈发稀缺、愈发有价值。文章呼吁在真正具备专业知识的领域构建长时程任务，而非古德哈特式的任务农场，并认为广泛铺开的环境胜过一小撮前沿难题。
一位作者探讨了LLM智能体的持续学习问题，将当今的模型比作失忆的实习生——上下文窗口一结束，其知识就被重置。LLM只有两种原生记忆：无损但昂贵的上下文与KV缓存，以及压缩但难以更新的权重，两者之间几乎没有中间地带。文章权衡了更长的上下文、有状态记忆框架，以及将上下文压缩为学习到的潜在表示，并引用了Llama 3.1 70B的141 GB权重和每token 320 KiB的KV缓存。
加州大学伯克利分校的 Aditya G. Parameswaran 及其合作者认为，随着推理成本从 2023 年初的约每百万 token 30 美元降至如今的不到 1 美元，数据系统必须围绕三大挑战重新设计：为智能体、由智能体、属于智能体的系统。他们指出，在一个每个任务使用多个智能体的 text-to-SQL 基准测试中，只有 10-20% 的子计划是互不相同的，因此 80-90% 的子查询在做重复工作，并提出了复用、近似和主动式数据系统的方案。
Opus 4.6和GPT-5.3-Codex上周双双发布，但决定性的较量并非原始能力。该论点认为，大多数有经济价值的工作位于专业化层，在那里，一个用客户自有数据微调的80B以下模型在该客户的工作流上胜过GPT-5.2——更快、更便宜，且无需将专有数据发送给第三方。开源只需匹配智能上限，而非前沿，而实验室对资本的依赖时钟是更弱的处境。
持续学习与专业化密不可分，因为记忆的成本随范围扩大而增长：随着上下文增长，KV缓存线性增长并可能超过所有模型权重，因此信息必须从token层面转移到权重中。任务专业化基本上已通过持续微调流水线解决，而广泛范围、稀疏反馈、一次性保留仍然是难题。