Jill Walker Rettberg 將 Jørn Lier Horst 在 AI 協助下完成的小說《Den siste saken》與同系列較早的兩本書進行比較，發現被 AI 標記的段落使用更多名詞與形容詞，代名詞與動詞則較少。她指出，被 AI 標記的段落偏重靜態的場景描述，以及諸如嗡嗡作響、寂靜與沉重空氣之類的陳腔濫調，而 ChatGPT 問世前的小說則是透過角色動作來傳達場景。Horst 表示他僅將 ChatGPT 用於研究和句子層級的編輯，Rettberg 則主張，這樣的使用程度仍會改變文本本身。
e-means 是一種新的 k-means 變體，它在每次遍歷中使用小批次和指數移動平均持續更新質心，在將 100 億個 DINO 嵌入聚類為約 1670 萬個簇時，僅需 2.5 個 epoch 即可達到全批次 k-means 的測試損失，而非 25 個 epoch。它保持相同的目標函數和凸最近質心幾何結構，並通過擬合縮放定律自動設定批次大小和更新率。作者認為，更便宜的運行意味著嘗試更多 k 值，而不是降低計算成本。
Breakthrough Energy 技術長 Eric Toone 在麻省理工學院能源計畫的 Energizing@MIT 會議上表示，全球經濟脫碳將耗資約 7.5 兆美元，約占全球 GDP 的 5%，但人們不願支付綠色溢價。Breakthrough Energy Ventures 已向約 140 家公司投入約 30 億美元，其中包括 Luxwall，其隔熱窗在一棟商業建築中實現了 30% 的節能。
Handshake 的 AI 訓練業務從推出到大約一年內達到 10 億美元的年化總營收，而這篇 Latent Space 與 Garrett Lord 及其團隊的深度剖析，逐一拆解前沿實驗室所購買的強化學習環境。在一個金融演示中，一個操作模擬銀行電子郵件與交易檔案的代理，將一個商譽數字帶入 Python 並將其減去，這個錯誤顯示出專家判斷在何處仍勝過模型。該團隊還展示了 VIALS，這是其用於解讀科學圖像的基準，並追蹤了一個代理在包括 CAREBench 在內的安全模擬中的工具調用。
一則瘋傳的說法指稱中國55%的AI token用於短劇和影片生成——此說法可追溯至COL集團6月的投資者電話會議——已引來字節跳動與《人民日報》的反駁，字節跳動稱影片生成僅占其自身算力約10%。2026年前八個月發布的約43萬部微短劇中，超過90%為AI製作，而在字節跳動的Seedance上，一段五秒720p片段約花費10萬個token。
Redwood Research 主張，AI 的概念推理能力——諸如哲學這類缺乏可驗證基準真相的任務——應被差異化地加速發展，因為 AI 研發與接管對這類推理的依賴程度遠低於其他能力。該團隊表示，基本的引導技術與小規模訓練，就能讓模型在其主要概念推理基準上提升三到十二個月，而該領域目前被 AI 安全社群忽視且投資不足。
Rivian 執行長 RJ Scaringe 表示，機器人技術的進展將「遠、遠、遠、遠比」世人預期的更快，並指出如今的機器人已能透過基於 transformer 的模型學習廣泛且可泛化的技能。他於 2025 年創立的初創公司 Mind Robotics 募得 10 億美元，用來打造賣給製造商的雙臂工業機器人，並在 Rivian 的工廠內訓練這項技術。
本文主張，那些聲稱一切都將變成 RL 環境的人，並未依此信念行事；而隨著模型逼近 RSI，有用的 RL 環境將呈指數級愈發稀缺、愈發有價值。文章呼籲在真正專業的領域中建構長程任務，而非 Goodhart 式的任務農場，並主張環境的廣泛分佈勝過少數一組前沿難度的環境。
一位作者探討 LLM 代理的持續學習，將當今的模型描述為失憶的實習生，其知識在上下文窗口結束時就會重置。LLM 只有兩種原生記憶：無損但昂貴的上下文與 KV 快取，以及壓縮但難以更新的權重，兩者之間幾乎沒有中間地帶。文章權衡了更長的上下文、有狀態的記憶框架，以及將上下文壓縮為學習到的潛在表徵，並引用了 Llama 3.1 70B 的 141 GB 權重和每個 token 320 KiB 的 KV 快取。
UC Berkeley 的 Aditya G. Parameswaran 與合作者主張，隨著推論成本從 2023 年初約每百萬個 token 30 美元降到今日不到 1 美元，資料系統必須圍繞三大挑戰重新設計：為 Agent 而生的系統、由 Agent 組成的系統，以及由 Agent 打造的系統。他們指出，在一個每項任務配置多個 Agent 的 text-to-SQL 基準測試中，只有 10-20% 的子計畫彼此不同，因此 80-90% 的子查詢都在重複相同工作，並據此提出重用、近似與主動式資料系統。
Opus 4.6 與 GPT-5.3-Codex 上週雙雙發布，但決定性的競爭並非原始能力。論點認為，多數具經濟價值的工作位於專業化層，在該層中，一個以客戶自有資料微調、參數低於 80B 的模型，在該客戶的工作流程上勝過 GPT-5.2——更快、更便宜，且不必將專有資料送交第三方。開源只需追上智慧上限，而非前沿，而實驗室對資本依賴的時鐘才是較弱的一環。
持續學習與專業化密不可分，因為記憶的成本會隨範圍擴大而增加：隨著上下文增長，KV 快取會線性增長，甚至可能超過所有模型權重，因此資訊必須從 token 層級移入權重之中。任務專業化基本上已透過持續微調流程解決，而廣泛範圍、稀疏回饋、一次性保留仍是困難的問題。