a16z YouTube | How Real-Time AI Video Is Changing How Creatators Work
H3 Max Turbo 通过联合优化模型后训练、推理内核和底层系统，将 5 秒视频的生成时间压至约 1.5 秒，意味着 AI 视频正在从离线等待迈向实时创作。
Anthropic X / Anthropic | Anthropic 提出三项前沿 AI 发展透明度指标
Anthropic 提出 AI 参与 AI 研发的比例、智能体监督有效性和算力分配三项可公开验证的指标，为观察前沿 AI 的发展速度与可控性提供了模型榜单之外的新框架。
Anthropic X / Anthropic | Claude 将 30 多种开源生物模型的推理平均加速 4 倍
Claude 自动编写包括 GPU 定制软件在内的优化代码，使 30 多种开源生物模型的推理平均提速 4 倍；项目代码和技术报告已经公开，展示了 AI 自动完成科学计算性能工程的现实能力。
Anthropic News | Anthropic 推出 Life Sciences Verification Program
Anthropic 以 Standard 和 High-risk 两级验证，在新增安全控制下向生命科学团队开放限制更少的模型，并首次向参与者提供 Mythos，体现了高风险能力从统一限制转向身份与用途分级授权。
Anthropic X / Anthropic | Anthropic 与 Adaptyv Bio 举办蛋白质设计竞赛
双方计划实验验证超过 5,000 个蛋白质设计方案，并提供 Claude 额度、算力、DNA 与实验资金，把 AI 生成方案进一步连接到大规模湿实验验证。
claude-code-releases | Claude Code v2.1.275 发布
新版本加入队列消息立即发送以及云端 skills、plugins 同步，并修复 URL 凭据泄露、子代理输出缺失和缓存稳定性问题，对重度用户具有直接升级价值。
OpenAI X / OpenAI | Astra for Law：面向法律实务的专业 AI 产品
OpenAI 推出基于 GPT-6 Astra 的法律产品，整合法律工具、行业上下文、隐私能力以及 73 个合作伙伴和社区插件；首批通过 Trusted Access 向选定律所的 ChatGPT 与 Codex 开放，API 将随后推出。
Why Not TV | Danfei Xu：人类数据、行为克隆与机器人领域的 GPT-3 时刻
徐丹菲认为机器人智能的主要瓶颈是可规模化的人类行为数据和全栈系统集成，高质量行为克隆与第一人称操作数据可能比强化学习更接近机器人领域的 GPT-3 路径。
Claude Blog | Claude Projects 重构：从文件夹升级为多线程工作协调器
新版 Claude Projects 可由一个协调对话拆分并监督多个 Claude Code 云端线程，共享项目记忆并在电脑离线后继续运行；Beta 正向部分 Pro 和 Max 用户开放，但云端线程暂时无法访问本机文件、工具或内网。
Claude Blog | Balyasny 如何评估和治理 Claude Fable 5
Balyasny 以真实金融任务评测、内部代理平台、最小权限和人工复核治理 Claude Fable 5，并将部分投资分析流程从数天缩短至约 30 分钟到一天，提供了较完整的企业智能体落地样本。
dontbesilent | 使用两个 Codex 对话并行推进剪辑工作
作者在竖屏中上下排列两个 Codex 对话，在一个任务生成时处理另一个任务，用简单的并行布局降低 AI 辅助剪辑中的等待损耗。
Dwarkesh Podcast | 万级 AI agents 如何攻克 Navier–Stokes 难题
约一万个并行智能体在 88 小时内消耗 1,300 亿 tokens，推进 Navier–Stokes 相关研究；实验显示大规模代理科研的潜力，但底层模型贡献可能更关键，且目前缺少充分的规模消融验证。
rwayne / Roland.W | 自己 vibe 一个 Daily Dashboard
作者建议自建 Daily Dashboard，每天只保留二三十条真正有用的信息，以主动限制信息摄入，为 AI 时代的信息过载提供了可立即实践的应对方式。
thsottiaux / Tibo | 让 Astra 与 Fable 共同制定并托管 Style Guide
作者设想由 Astra 与 Fable 协商统一的 Style Guide，再通过 Web MCP 向其他工具提供，提出了一种跨模型共同维护、机器可调用内容规范的早期工作流。
Mike Krieger | 用交互式 artifact 理解《Dungeon Crawler Carl》的 Iron Tangle 关卡
Mike Krieger 将小说中结构复杂的 Iron Tangle 关卡制作成交互式 artifact，展示了 AI 生成交互内容如何辅助读者理解复杂叙事。
Y Combinator YouTube | Startups Are Moving From Bits to Atoms
YC 称其批次中硬科技公司的占比在 18 个月内从约 8% 升至 20%，机器人、制造、国防、芯片和能源项目同步增加；与此同时，AI 软件也正从辅助工具转向端到端完成工作的代理系统。
来源：a16z YouTube；作者：a16z YouTube。H3 Max Turbo 团队介绍了模型后训练、推理内核与底层系统的联合优化：5 秒视频约 1.5 秒即可生成，相比原始模型最高提速约 35 倍。关键不只是某个模型更快，而是多个技术层级共同把视频生成从离线等待推向接近实时。
这值得读，因为速度跨过实时阈值后，改变的是创作方式而非单次生成成本：创作者可以像剪辑、调色一样连续试错，产品界面也可从“提交任务—等待结果”转向即时操控。它带来的可迁移判断是，生成式产品的突破有时来自模型、内核和系统协同，而非只靠扩大模型；评估类似工具时，也应关注延迟是否真正改变了交互范式。
来源：Claude Blog；作者：Claude Blog。新版 Claude Projects 不再只是收纳对话与文件的容器，而是由一个协调对话承接长期目标，再拆分、监督多个独立的 Claude Code 云端线程；各线程共享项目记忆，可在电脑离线后继续运行。Beta 正分批向部分 Pro 和 Max 用户开放，现有项目稍后迁移；目前云端线程仍不能访问本机文件、工具或内网。
这篇文章改变了对 AI 工作单元的理解：未来需要管理的可能不是一串会话，而是一个持续运行、能够分工的项目。现阶段它已适合代码库可在云端取得、任务边界清楚的并行工作，但涉及本地环境、私有工具和内网系统的流程仍不完整。可迁移的做法是把目标、共享记忆、任务拆分和验收集中在协调层，同时让执行线程保持独立，减少上下文相互污染。
来源：Anthropic X；作者：Anthropic。Anthropic 称 Claude 为 30 多种开源生物模型自动编写优化代码，包括 GPU 定制软件，使推理速度平均提升 4 倍；项目代码和完整技术报告也已公开。这个结果把编码代理的应用范围从常规软件开发推进到模型特定的科学计算与性能工程。
真正值得检查的不是“平均 4 倍”这个数字本身，而是加速分布、正确性验证和跨模型泛化：它能帮助判断 Claude 只是在复用常见优化模板，还是可以针对不同计算结构完成更深的性能工程。对其他工作最有价值的启发是，自动优化必须把性能收益与结果一致性绑定，并同时报告均值、长尾与失败案例，避免少数高增益样本掩盖整体能力边界。
来源：Anthropic News；作者：Anthropic News。Anthropic 推出测试版 Life Sciences Verification Program，通过机构身份和使用目的验证，提供 Standard 与 High-risk 两级授权，使生命科学团队能在新增安全控制下使用限制更少的模型；参与者还将首次获得 Mythos 的访问机会。其核心机制是按主体与用途差异化开放能力，而不是对所有用户采用同一限制。
这篇公告值得读，因为它展示了高风险行业可能采用的产品化路径：更强能力并非简单地全面开放或全面封锁，而是与身份验证、用途审查和分级控制绑定。它改变了“安全只能依靠模型统一拒绝”的判断，并可迁移到法律、金融、医疗等专业领域——能力边界、准入资格与使用场景可以共同构成产品架构。
来源：Claude Blog；作者：Claude Blog。Balyasny 使用真实金融任务评测 Claude Fable 5，并通过内部代理平台、最小权限和人工复核控制其使用范围。案例称，部分投资分析流程已由数天缩短至约 30 分钟到一天之内；这里呈现的不只是模型表现，还包括评测、基础设施、权限和复核如何组合成可运行的部署体系。
它最有价值之处，是把“模型更强”与“业务可以上线”区分开来：效率提升既来自模型能力，也来自流程重构，二者不能混为一谈。对其他企业部署可直接迁移的方法是，以真实任务而非通用榜单决定适用范围，让代理只获得完成任务所需的最小权限，并把人工复核放在高影响输出进入业务之前。
来源：Dwarkesh Podcast；作者：Dwarkesh Podcast。Noam Brown 讨论了强推理模型与约一万个并行代理如何在 88 小时内消耗 1,300 亿 tokens，推进 Navier–Stokes 相关研究。访谈也保留了关键证据边界：底层模型可能比代理规模更重要，而现有实验缺少充分的规模消融，尚不能把成果简单归因于“一万个代理”。
这期内容值得读，是因为它同时展示了大规模多智能体科研的潜力与归因困难。它会修正“代理越多，研究能力自然越强”的直觉：真正决定结果的还包括任务如何拆分、候选成果如何汇总、错误如何淘汰，以及最终结论怎样验证。迁移到其他复杂项目时，应先建立可分解、可汇总、可核验的工作结构，并用不同代理规模和模型能力做对照，再判断并行投入是否值得。
来源：OpenAI X；作者：OpenAI。OpenAI 推出基于 GPT-6 Astra 的 Astra for Law，将法律行业工具、专用配置、上下文与隐私能力组合成专业产品，并接入 26 个合作伙伴插件和 47 个社区插件。产品将先通过 Trusted Access 向选定律所的 ChatGPT 和 Codex 用户开放，API 计划随后推出。
这次发布的重要性不只在于法律模型，而在于基础模型公司开始用行业上下文、工具生态、受控准入和多端分发共同构建垂直产品。它改变了“专业 AI 的护城河主要来自模型微调”的判断：真正难复制的部分可能是工作流集成、插件网络、隐私机制和客户准入。这个形态也可迁移到财务、医疗和科研等领域，但前提是找到足够明确、可验证且高价值的专业任务。
来源：Why Not TV；作者：Why Not TV。徐丹菲认为，机器人智能的主要瓶颈是能够规模化获取的人类行为数据，以及感知、控制、硬件和训练系统的全栈集成。她提出，高质量行为克隆与第一人称人类操作数据，可能比单纯依赖强化学习更接近机器人领域的“GPT-3 时刻”，访谈也系统讨论了遥操作和不同数据来源的限制。
这套判断把注意力从“还需要更强算法”转向“如何获得足够多、足够自然且可复用的行为数据”。它值得读，因为第一人称数据、遥操作数据和强化学习各有不同的规模化瓶颈，不能只比较单次实验成绩。可迁移的启发是，具身智能产品应把数据采集机制视为核心产品能力，并把模型、硬件和部署环境作为一个系统共同优化。
来源：Y Combinator YouTube；作者：Y Combinator YouTube。Y Combinator 表示，其批次中的硬科技公司占比在 18 个月内从约 8% 上升到 20%，机器人、制造、国防、芯片和能源项目同步增加。与此同时，AI 软件也在从辅助人类完成局部工作的工具，转向能够端到端承担任务的代理系统。
这组内部批次数据值得关注，因为它显示的不是单一热门赛道，而是创业结构可能同时发生两种迁移：软件走向完整执行，创业机会则更多进入实体产业。它会改变“AI 创业主要等于做软件界面”的判断。可迁移的机会识别方法是，寻找代理能力与实体产业瓶颈的交叉点——尤其是那些过去因工程成本、人才稀缺或操作复杂而难以自动化的环节。
a16z YouTube | How Real-Time AI Video Is Changing How Creators Work
How Real-Time AI Video Is Changing How Creators Work
时长：39:03
Dwarkesh Podcast | How a swarm of 10,000 agents solved Navier-Stokes
How a swarm of 10,000 agents solved Navier-Stokes
时长：1:20:10
Why Not TV | Danfei Xu：人类数据，行为克隆，机器人GPT-3，全栈，EgoMimic，遥操作，UMI，斯坦福 | WhynotTV Podcast #5
Danfei Xu：人类数据，行为克隆，机器人GPT-3，全栈，EgoMimic，遥操作，UMI，斯坦福 | WhynotTV Podcast #5
时长：2:17:24
Why Not TV | 假如我不再敷衍
假如我不再敷衍
时长：8:10
Why Not TV | 如何从零准备一次留学申请-MIT哈佛CMU录取经验分享
如何从零准备一次留学申请-MIT哈佛CMU录取经验分享
时长：13:15
Why Not TV | 当「无可奉告」无可奉告——反思与告别
当「无可奉告」无可奉告——反思与告别
时长：16:29
Y Combinator YouTube | Startups Are Moving From Bits to Atoms
Startups Are Moving From Bits to Atoms
时长：36:29