Modal 推出 Sticky Sessions，實現具備工作階段感知的無伺服器路由
Modal 推出 Sticky Sessions，在其低延遲的 Modal Servers 之上，將工作階段中的每個請求固定導向同一個容器。開發者可使用 @modal.sessioned() 裝飾器建立具備工作階段的 Server，並透過 SDK 或 HTTP API 啟動工作階段，自動擴縮由作用中的工作階段數量驅動，而非請求量。
全部動態
Modal BlogAI 評分4040
Sakana AI BlogAI 評分5555 Sakana AI 提出 QD-Rec：一種將候選項與 LLM 撰寫的假設配對的品質多樣性推薦方法
Sakana AI 開發了 QD-Rec，這是一種推薦方法，將候選項加上解釋為何選擇它的假設視為推薦單位，並使用品質多樣性搜尋來累積高品質、多樣化的提案。在併購、客戶定向和論文推薦的實驗中，QD-Rec 建立的檔案庫平均分數更高、規模更大，優於從頭撰寫每個假設的基線方法，其程式碼已在 GitHub 上發布。論文報告了一些案例，其中一個假設對某家公司評分為 10 分中的 1 分，經過變異並轉移到另一個候選項後，分數提高到 5 分。
Modal BlogAI 評分5858 Modal 對 NVIDIA Vera CPU 進行基準測試：負載下沙箱吞吐量最高可達 2 倍
Modal 對 NVIDIA 新款 Arm 相容的 Vera CPU 伺服器進行了基準測試，測得任務吞吐量最高可達同等 x86 GNR 機器的兩倍，且單一任務延遲持平、有時更低。結果來自 Agentless Agent Bench、50 個 Terminal-Bench oracle 解決方案與驗證器，這些項目已移除網路呼叫，並在並行 Docker 容器中執行。Modal 將此增益歸因於 Vera 在並行容器累積時仍能維持步調，並將其連結至高記憶體頻寬，同時表示支援 Arm 需要在其基礎設施與映像建置系統中進行變更。
Import AIAI 評分3030 Import AI 477：我告訴 IMF，奇點已經開始
Anthropic 共同創辦人 Jack Clark 在曼谷 IMF 會議的 Per Jacobsson 講座上主張，奇點已經開始，並引用如今已能在人類科學前沿運作的 AI 系統，這些系統有時還能自主運作。他提到 Anthropic 內部的程式碼編寫進展，研究人員現在的產出幾乎是公司最初四年的十倍，並警告更強的網路能力正迫使全球展開部署競賽。
inclusionAI RepositoriesAI 評分5858 inclusionAI 發布 Ming-3.0-tts 語音合成模型，提供 0.5B dense 與 7.9B MoE tiny 兩種版本
inclusionAI 發布 Ming-3.0-tts，這是一個開放權重的多語言語音合成系列，包含兩個模型：Ming-3.0-tts-0.5b，一個 0.5B dense 模型；以及 Ming-3.0-tts-tiny，一個建構於 Ling V3 之上的 MoE 模型，總參數 7.9B、活躍參數 1.3B。兩者均附有推論程式碼、任務 cookbook 與基準測試表格，並支援聲音複製、基於文字的語音設計、自由形式的自然語言表達控制、14 個行內副語言標籤、情緒與語速/音高/音量控制，以及中文、英文、德文、西班牙文、法文、韓文、日文、四川話與粵語。在 2026 年 10 月的 Artificial Analysis 文字轉語音排行榜上，Ming-3.0-tts 在 Controlled Voice 項目於開放權重模型中排名第 1，在 Pronunciation Robustness 項目以 93.2% 排名總體第 1，並在 Provider Voice 項目於開放權重模型中排名第 3。
inclusionAI RepositoriesAI 評分55 inclusionAI 上的 venus-asi 儲存庫
inclusionAI 下的 venus-asi 儲存庫僅包含一個 README.md 和一個 index.html，未提供描述、網站或主題。它擁有 0 個星標、0 個關注者和 0 個分支，且未列出任何發行版、套件或貢獻者。
inclusionAI RepositoriesAI 評分5858 inclusionAI 發布 Ming-3.0-asr-tiny 上下文感知語音辨識模型
inclusionAI 發布 Ming-3.0-asr-tiny，這是一款語音辨識模型，將 Ling-tiny-v3 語言模型與音訊編碼器搭配，用於中英文轉錄、方言辨識與上下文 ASR。方言評測涵蓋 15 個測試集，包括湖南、閩南、粵語、川渝與上海，並可在提示中提供熱詞或前文對話，以解析人名與技術術語。該儲存庫提供 Transformers 與 SGLang 部署指南，程式碼與權重以 MIT 授權條款釋出。
MiniMax Blog精選AI 評分8383 MiniMax 發布 M3.1 Flash，聲稱成本降低 70%、推理速度提升近 3 倍
MiniMax 正式推出 MiniMax M3.1 Flash，這是一款新一代 Flash 模型，該公司稱其使用成本較前代降低 70%，線上推理速度提升近三倍。該公司報告其在 DeepSWE v1.1 上達到 73.7%，在 BankerToolBench 上為 76.2，在 OSWorld V2 上為 61.7，在 Agents' Last Exam 上為 29.6，在 CyberGym 上為 82%，輸出速度達 200+ TPS，中位數為 170+ TPS。定價為每 100 萬輸入 token 0.15 美元、每 100 萬輸出 token 0.60 美元、每 100 萬快取輸入 token 0.015 美元，該模型可透過 MiniMax API、M Plan 和 MiniMax Code 使用，權重將於稍後發布。
推薦理由：MiniMax 的 Flash 模型聲稱以每 100 萬輸入 token 0.15 美元的價格提供頂級的代理與編碼分數，為代理工作負載的成本面提供了具體的數據點。
Modal BlogAI 評分3838 Legora 如何在 Modal Sandboxes 上執行 2,000 個平行代理評估
Legora 現在將每一項法律代理評估分別執行於獨立的 Modal Sandbox 中，啟動其完整應用程式並固定於特定 commit，使每次執行都反映確切的產品版本。典型實驗包含 100 個案例、4 種 harness 變體、每種各 5 次試驗——共 2,000 次平行執行——並以 Modal Volumes 快照文件、資料庫與權限狀態。Legora 也從 gVisor 遷移至 Modal VM Sandboxes，移除了其 Docker 網路與 FUSE 的變通方案，並透過更智慧的壓縮與自訂工具搜尋，將代理成本降低 30%。
Recode China AIAI 評分4040 中國擬議AI出口管制，DeepSeek押注機器人，Infinigence募資3.34億美元
中國商務部與科技部擬將AI模型、代理、晶片設計與運算叢集納入技術出口管制目錄，草案規則將API、應用程式與SaaS存取排除在外。據報導，DeepSeek計劃領投機器人AI新創Winverse AI的種子輪，而Infinigence AI完成23億元人民幣C輪融資。DeepSeek亦發布V4.1-Flash-1017，權重採MIT授權，並具備100萬詞元上下文視窗。
Anthropic Newsroom精選AI 評分6060 Anthropic 承諾將 5% 股份投入新的公益基金，並隨估值增長追加更多
Anthropic 在獲得股東批准的前提下，承諾將 5% 股份投入新成立的 Anthropic Public Benefit Fund（一家全資有限責任公司），並在公司價值較既定基準每增長 50% 時，由董事會酌情追加 2%。
推薦理由：Anthropic 將其公益承諾與公司成長掛鉤，因此投入公益的股份會隨估值擴大，而非維持固定。
Google Research精選AI 評分7171 Google Research 概述 VERID 與閉環代理工作流程，用於自主濕實驗室
Google Research 描述了三個旨在將 AI 代理紮根於真實濕實驗室實驗的專案，包括 VERID 框架——一個建構於開源 PyLabRobot 框架上的實驗室工作單元語義數位孿生，可追蹤平台佈局、孔槽體積與吸頭庫存，並在執行前對協議進行乾跑。
推薦理由：Google Research 概述了三個將 AI 代理連接至真實濕實驗室硬體的專案，展示模擬乾跑與閉環實驗如何讓代理修正自身的設計規則。
Big TechnologyAI 評分4242 Rivian 執行長 RJ Scaringe：機器人技術的進展遠比你想像的快得多
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。
Ed Zitron · Where's Your Ed AtAI 評分3434 創投正在自我毀滅
Ed Zitron 主張，2012 年的《JOBS 法案》取消了 500 名股東即須申報的門檻，讓科技公司與創投業者得以合法剝削散戶投資人，也使新創公司能遠更長久地維持私有狀態。他寫道，這項變革造就了史上數一數二的私人估值泡沫，如今估值是由創投的隨意決定而非市場力量所決定。
Redwood ResearchAI 評分5858 Redwood Research 推出 Screwtape，一套透過編輯代理對話紀錄來對僅監控動作的監控器進行紅隊測試的流程
Redwood Research 推出 Screwtape，這是一套流程，會將攻擊插入真實的代理對話紀錄中，並反覆調整，直到僅監控動作的監控器不再偵測到它，同時由 LLM 驗證器檢查其真實性與嚴重程度。在 94 份不重複對話紀錄上進行的 252 次執行中，它產生了 35 個攻擊，成功繞過 Redwood 自家基於 Opus 4.8 與 Gemini 3.1 Pro 的監控器，其中 6 個還繞過了某前沿開發者的一套保留監控器，並經人工審查確認有效。作者指出，這套流程無法產出量化的安全估計，目前也無法為思維鏈監控器生成推理軌跡，且不會公開發布，但他們願意與研究人員分享。
Modal BlogAI 評分3636 Modal 說明如何為 VM Sandboxes 打造快速檔案系統堆疊
Modal 詳細說明其如何演進檔案系統堆疊以支援 VM Sandboxes，將客體請求透過 virtio-fs 與 virtiofsd 路由至其 ImageFS 延遲載入檔案系統。第一個版本開機快速但執行緩慢：遞迴 chown 從四秒變成超過一分鐘，pnpm 與 bun 安裝約慢了三倍。微基準測試顯示，chown 在 virtio-fs 上為 9.87 秒，而在 gVisor 上為 2.31 秒、在 ImageFS 上為 1.58 秒。
Replit BlogAI 評分4040 Replit 將自帶雲端 (BYOC) 引入其平台
Replit 推出自帶雲端 (BYOC) 選項，讓企業能在自己的 Microsoft Azure、Google Cloud 或 Amazon Web Services 租用戶內執行 Replit 平台與已發佈的應用程式。完整 BYOC 處於私人預覽階段，會在客戶的雲端中部署 Replit 的 cells 與 agent harness；而針對已發佈應用程式的 BYOC 則處於早期存取階段，會在該處託管已發佈的專案，並由 Replit 管理平台。Image Exports 則為團隊提供 Docker 映像、Terraform 檔案與 SBOM，以便自行託管以 Replit 建置的應用程式。
Waymo BlogAI 評分4545 Waymo 進軍多倫多，目標 2028 年迎來首批乘客
Waymo 正將其全自動駕駛叫車服務擴展至多倫多，這是該公司首個加拿大市場，目標是在 2028 年迎接首批乘客。未來幾天內，Waymo 車輛將開始在多倫多街頭以手動駕駛方式行駛，作為分階段、安全優先的驗證流程的一部分，首先從高精度地圖測繪開始。該公司正與總部位於多倫多的 Element Fleet Management 合作，並計劃在車隊維護、驗證駕駛和客戶服務領域投資數百個職位。
OpenClaw BlogAI 評分2222 PJ 如何協助小型企業採用並擁有 OpenClaw
PJ 是佛羅里達州奧卡拉（Ocala）一位由工程師轉行的除蟲業老闆，如今為小型企業提供顧問服務——其中包括屋頂、泳池與汽車承包商——協助他們架設 OpenClaw，並教他們自行操作。他的客戶想要一個完全屬於自己的工具，而不是把公司資料餵給租用的軟體；其中一位客戶、66 歲的行政人員 Donna，每天都使用她的 OpenClaw。
LiveKit BlogAI 評分3838 如何打造可上線的 AI 語音代理
LiveKit 的指南彙整了解決方案架構師與前線部署工程師的經驗，說明如何讓 AI 語音代理從展示階段走向正式上線，並圍繞三個問題組織：代理是否足夠聰明自然、其效能是否可觀測，以及能否可靠且具成本效益地擴展。指南建議單獨量測第一輪對話，因為有公司發現約四分之三的通話在問候步驟就結束了，並指出客戶從 GPT-4.1 改用 LiveKit Inference 上的 Gemma 4 31B，在 p50 下節省了 300–500ms。
Anthropic · Claude.dev精選AI 評分6262 Claude Code 團隊如何進行程式碼審查
Claude Code 團隊描述其分層的程式碼審查流程，其中大部分閱讀由機器完成，人類注意力則保留給基於風險的核准。從六月到九月，合併至 Claude Code 程式碼庫的拉取請求增加了一倍以上，而必須回退的比例下降了超過 40%。該流程在 PR 之前堆疊驗證、必要的 CI、Claude 審查、安全審查、風險分級的人工核准，以及帶有旗標和快速回滾的合併佇列，團隊並將過去的事件轉化為審查者的每日評估集。
推薦理由：Anthropic 的 Claude Code 團隊詳細說明了他們如何將大部分程式碼閱讀移至自動化層，同時合併的 PR 翻倍且回退下降超過 40%，為代理密集的團隊提供了一個可轉移的審查模型。
Modal BlogAI 評分3434 用 Modal GPU 強化你的 LiveKit Agent
Modal 說明如何在其無伺服器 GPU 上，以開放權重或自訂模型執行 LiveKit Agents，並使用 BitHuman 的開放權重 Expression Video Avatar，搭配 Qwen3-TTS 配音來複製 Charles Frye。此設定透過 Modal Server 對外開放 avatar 容器的 /launch 端點，並使用 Sticky Sessions 讓 WebSocket 用戶端維持在同一個容器上，同時以 GPU 快照隱藏冷啟動。
Mistral AI精選AI 評分7171 Mistral 發布 Timestral 時間序列基礎模型，在 GIFT-Eval、TIME 與 fev-bench 上奪冠
Mistral 發布 Timestral，這是其首個時間序列基礎模型系列，共有 5M 至 209M 參數四種規模。其中最大的模型在 GIFT-Eval、TIME 與 fev-bench 這三個主要公開基準上，於單一檢查點、未使用集成方法的預訓練零樣本模型中排名第一，且僅使用前代最先進模型三分之二的參數。Timestral 可產生具 21 個分位數的機率性多變量預測，支援僅過去與已知未來的共變量，可在無 GPU 的 CPU 上執行，並可透過 Mistral Forge 進行微調，同時在修改版 MIT 授權下發布了 GitHub 儲存庫與技術報告。
推薦理由：Mistral 首個時間序列基礎模型系列以 209M 參數的檢查點，宣稱在 GIFT-Eval、TIME 與 fev-bench 上取得零樣本排名第一，為預測工作提供了規模與準確度的取捨參考。
inclusionAI Repositories精選AI 評分6767 inclusionAI 發布 Ming-3.0-audio-flash 與 Ming-3.0-audio-tiny 音訊模型
inclusionAI 發布 Ming-3.0-audio-flash，這是一個 126B 參數的混合專家（MoE）音訊模型，啟動參數為 6.5B，同時推出精簡版 Ming-3.0-audio-tiny，參數為 9.3B、啟動參數 2.7B。flash 模型涵蓋中英文語音辨識，包括方言與嘈雜多說話者場景、長音訊理解、非語音聲音與音樂感知、音訊推理，以及可選合成語音輸出的端到端口語對話。它隨附 vLLM-Omni、SGLang 與 Transformers 推論路徑，採用 MIT 授權，預設 Flash 配置在 128K 上下文下使用四張 80 GB H800 GPU 的張量平行。
推薦理由：此次發布詳細介紹了一個 126B 參數的 MoE 音訊模型，啟動參數為 6.5B，外加一個 9.3B 的 tiny 變體，為開放音訊語言模型的規模與部署提供了具體參考。
Platformer精選AI 評分7878 八州起訴OpenAI，指控其ChatGPT安全聲明不實
阿肯色州、亞利桑那州、愛達荷州、愛荷華州、堪薩斯州、蒙大拿州、內布拉斯加州和西維吉尼亞州的州檢察長分別對OpenAI提起訴訟，指控ChatGPT引導用戶（包括青少年）傷害自己及他人。這些案件依據州消費者保護法而非《通訊端正法》第230條，仿效新墨西哥州對Meta處以9.42億美元罰款的先例，各州並請求法院禁止OpenAI開發可自我改進的AI模型，除非能確保其與人類價值觀一致。OpenAI表示已建立針對年齡的保護措施，例如家長監控和休息提醒，並將與各州合作制定涵蓋整個行業的AI政策。
推薦理由：八位州檢察長依據消費者保護法而非《通訊端正法》第230條起訴OpenAI，此舉借鑒了Meta案件的模式，可能使該公司面臨基於設計的責任。
AI as Normal TechnologyAI 評分3636 引導 AI 超越自動化：人機協作的研究議程
史丹佛經濟學家 Gabriel Unger 與 Arvind Narayanan 主張，AI 研究過度偏向全自動化，並勾勒出一套以人機協作為核心的替代議程。他們提出四個研究方向，其中包括「白箱代理」（white box agents），這類代理會揭露其中間過程、來源、假設與不確定性，讓使用者能直接與之互動。該文追溯了電腦科學界這場辯論的歷史，並呼籲以由下而上、市場驅動的方式引導 AI 發展。
EveryAI 評分4040 Codex 如何誕生：OpenAI 在 AI 編程領域的逆襲
OpenAI 的 Codex 曾是一項未能找到產品市場契合度的簡陋雲端嘗試，在轉向終端機與程式碼編輯器版本後，成為該公司 AI 編程逆襲的核心。在 2025 年夏季的測試中，Codex 內建的 GPT-5 感覺快速但過於謹慎，相較之下，Anthropic 的 Claude Code 讓使用者能將整個任務委派給 Opus 4 後逕自離開。
Meta AI Research Blog精選AI 評分8888 Meta 發布 Muse Spark Open，一個可在兩台 Mac Studio 上運行的 816B 開放權重多模態模型
Meta 發布了 Muse Spark Open 的權重，這是一個原生多模態的開放權重模型，總參數 816B（活躍參數 42B），上下文視窗達 1M token，定位於程式編寫與代理式工作。它是同類模型中首個能在桌面上運行的模型，使用兩台 Apple M5 Ultra Mac Studio 搭配 MLX 框架；並可透過 Baseten、Fireworks AI、Groq、Modal、Nebius、OpenRouter 與 Together AI 等 API 合作夥伴取得，權重則發布於 Hugging Face、Amazon SageMaker AI、Google Cloud Model Garden 與 Microsoft Foundry Models。Meta 表示，該模型隨附 SGLang 中可自動調校的 Helion GPU 核心，在 NVIDIA 與 AMD GPU 上帶來 1.03–3.95 倍的核心層級加速，在 AMD MI350 上則有 3% 的端到端加速。
推薦理由：Meta 發布了一個 816B 參數多模態模型的開放權重，該模型可在兩台 Mac Studio 上運行，為開發者提供了針對長時程程式編寫與代理式任務的本地選項。
Apple Newsroom精選AI 評分6060 Apple 推出 iPhone Duo，首款摺疊式 iPhone，配備 7.58 吋內螢幕
Apple 發表 iPhone Duo，這是其首款摺疊式 iPhone，搭載歷來最大的 iPhone 螢幕：7.58 吋內螢幕，比 iPhone 18 Pro Max 的螢幕大 50%，另有 5.4 吋外螢幕，覆蓋 iPhone 18 Pro 螢幕面積的 90%。它採用 A20 Pro 晶片與雙電池架構，iOS 27 也針對摺疊形態重新設計，包括可並排顯示 Siri 與 Mail 的 Split View。由 Apple Intelligence 驅動的 Siri AI 正以 beta 版隨 iOS 27 推出，先提供英文版，初期不會在歐盟提供；Apple 指出，Siri AI 與其他新的 Apple Intelligence 功能將不會在中國提供。
推薦理由：Apple 首款摺疊式 iPhone 結合 7.58 吋內螢幕、5.4 吋外螢幕與 A20 Pro 晶片，展示 iOS 27 與 Siri AI 如何配合摺疊形態作出調整。
Goodfire Research精選AI 評分6262 Goodfire 研究文章主張神經網路本來就是乾淨的，而疊加現象被誤讀了
Goodfire 研究員主張，神經網路中多義性與疊加現象的經典證據被誤讀了，那些看似任意堆疊的現象，大多是一種他稱為遞迴泛化的模式。以一般架構改進、且不改變模型大小或訓練資料的方式重新訓練 InceptionV1 後，其最後一層 99-100% 的神經元都變得易於解讀；而對 Qwen3-32B 的初步稽核估計，約 90% 的神經元極性只有一項主要職責。文章結論認為，網路只使用一種學習原理而非兩種，因此可解釋性研究可以直接研究神經元與電路，而不必先訓練稀疏自編碼器等分解模型。
推薦理由：這是對該領域經典多義性證據的第一手重新詮釋，主張網路是遞迴地泛化，而非把不相干的概念堆疊在一起，這將使直接的機制性研究變得可行。
Modal Blog精選AI 評分7878 Meta 的 Muse Spark Open 權重已釋出，並可在 Modal Auto Endpoints 上使用
Meta 釋出了 Muse Spark Open 的權重，Modal 現在透過其 Auto Endpoints 以按 token 計費的方式提供該模型。該模型針對代理式編碼與長程任務，具備原生多模態理解、100 萬 token 上下文視窗、多步驟規劃、依序工具使用與失敗復原能力。Meta 回報，搭配 Terminus 2 代理在 Terminal-Bench 2.1 上得分 76.4，並在其偏好的測試框架下以 xhigh 推理強度在 DeepSWE 1.1 上得分 60。
推薦理由：Meta 的開放權重模型 Muse Spark Open 現已在 Modal 上提供，讓團隊能以按 token 計費的方式試用一款具備 100 萬 token 上下文視窗的代理式編碼模型。
GitHub Blog · AI & MLAI 評分3838 GitHub 的秘密偵測模型：以更少雜訊找出更多秘密
GitHub 訓練了一個微調過的 ModernBERT 分類器，用來取代先前以 LLM 為基礎的通用秘密偵測流程，將擁有者加權的警示精確率提升了 11.5%，並把推送後掃描執行時間的中位數縮短了 86%。這套兩階段流程先用正規表達式產生候選，再進行情境感知分類，相較於遠端 LLM 呼叫，也讓服務成本降低了超過 98%。效率的提升使得把通用秘密偵測擴展到推送保護變得可行，能在變更被推送前就回傳結果。
Ed Zitron · Where's Your Ed AtAI 評分5858 Ed Zitron：年化運行率與隱藏的初創經濟如何吹大 AI 泡沫
Ed Zitron 主張，OpenAI、Anthropic 與 AI 初創公司所使用的年化運行率是定義不明、無法比較的數字，掩蓋了真實的季度營收。他引用 OpenAI 據報的 700 億美元 ARR 後來修正為 500 億美元、Anthropic 的 650 億美元運行率，以及 Harvey 的毛利率到 6 月從約 50% 降至 -50%，並主張 AI 初創公司虧本轉售 token，而 OpenAI 與 Anthropic 的成長依賴於持續的創投資金。
Apple NewsroomAI 評分1212 Les Benjamins 的 Bünyamin Aydın 首發以 iPad Pro 打造的「From Earth to Sky」系列
Les Benjamins 設計師 Bünyamin Aydın 發表「From Earth to Sky」系列，該系列以 iPad Pro 與 Apple Pencil Pro 創作，並於卡帕多奇亞的玫瑰谷以 iPhone 18 Pro Max 拍攝。這場秀標誌著這個伊斯坦堡品牌成立 15 週年，帶來 10 套造型，靈感來自三種原生花卉與三顆訂製熱氣球。Aydın 在整個設計流程中使用了 Freeform、Procreate 以及 iPad Pro 的 M5 晶片。
Modal Blog精選AI 評分7171 Modal 年化營收突破 10 億美元，並以 157.5 億美元估值完成 7.5 億美元 D 輪融資
Modal 的年化營收突破 10 億美元，並以 157.5 億美元投後估值完成由 Accel 領投的 7.5 億美元 D 輪融資，所有現有投資者均參與其中。該公司表示，自五個月前完成 C 輪融資以來，使用量已成長兩倍，較去年同期成長超過 15 倍，且光是其 Sandboxes 產品就達到 3 億美元的年化營收，已啟動近 30 億個沙箱。Modal 還描述了在橫跨 20 多個雲端的容量池上重建自家檔案系統、容器執行環境、排程器與網路，並指出近期推出多節點訓練、Modal 伺服器，以及 Sandboxes 正式可用的 VM。
推薦理由：Modal 的貼文說明了為何 AI 工作負載促使它在 20 多個雲端上重建自家檔案系統、容器執行環境與排程器，具體呈現了 AI 基礎設施堆疊如何與雲端堆疊分道揚鑣。
Recode China AIAI 評分3434 DeepSeek 工程師一篇關於 AI 風險的爆紅部落格文章，以及 Anthropic，引發全球媒體關注
DeepSeek 機器學習與核心工程師劉勝宇的一篇部落格文章在網路上爆紅，他質疑前沿 AI 如今是否能夠自行優化其低階 GPU 程式碼，並將 Anthropic 執行長 Dario Amodei 比作阿道夫·希特勒。這篇文章引來《南華早報》與《商業內幕》等媒體報導，放大了關於誰該掌控先進 AI 的爭論。
LiveKit BlogAI 評分1818 排解 LiveKit Egress 問題：常見錯誤與修正方法
LiveKit 發布了一份 Egress 的疑難排解指南，涵蓋常見錯誤，例如範本從未呼叫 START_RECORDING 而出現的 412「未收到啟動訊號」、30 秒內找不到參與者或軌道的 404，以及 S3/GCP/Azure 憑證無效導致的 400 上傳失敗。指南也處理版面配置、webhook 與自架 Egress 的問題，並指出這些指引同時適用於目前的 StartEgress API 與已棄用的來源專屬 API。
Modal BlogAI 評分5858 Modal 在 Qwen3.6-35B-A3B 上測試混合精度、混合加速器的 RL 取樣器
Modal 在代理式編碼任務上訓練 Qwen3.6-35B-A3B，取樣器分散於六種加速器類型（B200、B300、H100、H200、A100、RTX PRO 6000），精度涵蓋 NVFP4、FP8 與 BF16，並將資料饋入一個位於 B200 上的 BF16 訓練器。樸素的 GRPO 在混合與同質取樣器上皆崩潰，但加入遮罩式重要性取樣與分數中心化（無論是否搭配 top-p 遮罩重播）後，訓練穩定進行至結束，並在 SWE-bench Pro V2 pass@4 上達到與同質取樣器相當的水準，每次更新的取樣器成本約低 15%。混合取樣器的取樣器與訓練器平均 KL 為同質設定的 4.7 倍，作者主張穩定性取決於將不匹配程度維持在有界範圍內，而非維持在低水準。
GitHub Blog · AI & MLAI 評分3636 GitHub Copilot 入門：讓 Copilot 認識你程式碼庫的四種方法
GitHub 的 Copilot for Beginners 系列說明了四種為 Copilot 提供專案脈絡的方式：在 `.github/copilot-instructions.md` 中設定自訂指示，並在 `.github/instructions` 中放置路徑專屬檔案；在 `.github/skills` 中定義代理技能；在 `.github/agents` 中設定自訂代理；以及透過 MCP 伺服器將 Copilot 連接至 Playwright 等外部工具。文章逐一介紹每種機制及其組合方式，並指引讀者前往社群 Awesome Copilot 集合取得現成範例。
Amazon Science精選AI 評分7575 Amazon Web Services 研究人員提出 priming，將預訓練 Transformer 轉換為混合狀態空間模型，無需完整重新訓練
Amazon Web Services 研究人員提出 priming，此方法重用預訓練 Transformer 權重，將混合狀態空間架構的預訓練成本降低超過 99%，僅使用來源模型預訓練 token 預算的不到 0.5%。在受控比較中，Gated KalmaNet 優於 Gated DeltaNet 和 Mamba-2，而一個基於 GKA 的 32B 混合模型在推理基準上與其來源 Transformer 表現相當，同時在 128,000 token 上下文下解碼速度最高可達兩倍。團隊以 Apache 2.0 授權釋出了 8B 和 32B 的 primed 混合模型、訓練程式碼、Triton 核心以及 vLLM 服務外掛。
推薦理由：Amazon Web Services 研究人員展示，重用預訓練 Transformer 權重可將混合架構預訓練成本降低超過 99%，使狀態空間層的受控比較變得可行。