claude-code-releases | v2.1.261
Claude Code 新增技能上下文诊断、提高工具输出上限，并支持通过文件配置子代理提示词；同时修复会话恢复、Remote Control、代理网络和输入交互问题，提升复杂开发工作流的可调试性与可靠性。
Latent Space | 不会熔化的更快芯片设计：Anima Anandkumar 与 Benedikt Jenik 谈 Accelerated Understanding
Accelerated Understanding 正结合神经算子、物理定律与模拟数据训练跨物理领域基础模型，率先服务半导体和能源工程，显示 AI 正从语言任务进入高门槛的复杂物理设计领域。
(今日无内容)
(今日无内容)
来源：Latent Space；作者：Latent Space。Accelerated Understanding 的核心路线不是让通用生成模型“学习更多物理知识”，而是把神经算子、物理定律与模拟数据结合，训练能够跨物理系统迁移的基础模型。神经算子学习的是场与场之间的映射，物理约束负责缩小可行解空间，模拟数据则补足真实实验昂贵、稀缺且覆盖不足的问题。团队首先瞄准半导体和能源工程，希望把原本计算密集、迭代缓慢的仿真与设计流程压缩到更短周期，用于探索更快、热约束更可控的芯片等复杂方案。
这场访谈值得读，因为它把“AI for Science”从宏大叙事落到了模型结构、数据来源和付费场景三个层面。它改变的判断是：物理基础模型的竞争力未必来自最大参数量，而更可能来自物理先验、专有模拟管线、真实工程反馈以及与既有设计工具的深度结合；半导体与能源率先商业化，也不是因为概念更炫，而是这些行业的仿真成本高、设计空间大，缩短一次迭代就可能产生可量化价值。可迁移到其他工作的启发是，面对高专业门槛领域，应先寻找昂贵且重复的决策闭环，再判断模型能否通过领域约束提高可信度，并把持续产生的数据与工程集成沉淀为壁垒。