全部

这条消息目前只有标题能看，正文卡在付费墙后面，所以能说的很有限。美国司法部指控一名英伟达员工把受出口管制的先进芯片偷偷运往中国，这在中美芯片战越收越紧的当口，直接把英伟达的合规漏洞摆上了台面。但关键信息全是缺口：到底走私的是什么型号？是 H100 还是 B200 这类训练卡，还是消费级产品被挪用了？走了什么渠道，是个人夹带还是伪造最终用户？涉及多少数量和金额，是单次行为还是长期操作？这些都不知道。 唯一能确定的是，这不是公司层面的出口许可争议，而是个人被刑事指控，性质更严重。对英伟达来说，哪怕最后证明是员工个人行为，也免不了被华盛顿拿放大镜看合规体系。对国内买芯片的一方，这事可能让本就紧张的灰色渠道进一步被掐紧。等起诉书公开或者 FT 放出全文，才能判断这到底是个案还是冰山一角。

Laude 和 MIT 开源的 Headlong 把“持续思考”做成了默认状态。常见的代理框架是反应式的，完成任务就冻结，等下次指令才动。Headlong 的代理则在一个自我引导的循环里不停生成想法，人类发来的消息只是被丢进它的思考流里，它自己决定什么时候回、回什么。核心代码不到一万行 Bash，这个体量说明框架本身很轻，主要逻辑就是让模型在一个无限循环里根据过往想法选择下一个想法。 团队把一个叫 Audel 的代理公开跑了好几周，让它同时跟多个人在 Slack、Telegram 上聊天。所有对话汇入同一条思考流，没有按用户隔离的会话。这带来了有趣的社交行为：Audel 会主动审查同事的代码分支并挑错，会自己开项目，还会不请自来地 ping 人汇报进展。但这也意味着它守不住秘密，问它别人聊了什么它就会说。正文没披露这种多用户混流场景下的冲突处理机制，也没给出代理产生有害指令或幻觉时的安全护栏细节。 项目明确标注为 alpha 研究软件，要求必须在沙盒里运行，用设了消费上限的专用 API 密钥，别喂敏感信息。这点很实在，因为代理 7x24 小时思考，API 费用会持续产生。目前缺少对长期运行成本、思考质量衰减或上下文窗口管理的量化说明，这些是实际部署前必须搞清楚的问题。

吴恩达团队扒了一万多条招聘信息，圈出四个 AI 工程核心能力，这个判断框架比具体课程值钱。第一项“构建和部署 AI 应用”强调跑通严格的评估和错误分析循环，别让系统行为靠运气，这戳中了很多团队只拼 prompt、不做评测的软肋。第二项“软件工程基本功”直接点名“感觉流编程”的人，不懂取舍就指挥不动编程智能体，产出会很差——这个提醒很实在，LLM 确实更放大高手和菜鸟的差距。第三项“使用编程智能体”要求知道什么时候该插手、什么时候该放手，还得保持试新工具的习惯，说明工具链迭代太快，没有一劳永逸的用法。第四项“塑造构建过程”讲产品判断，什么时候快速扔 MVP、什么时候慢下来，这部分原文着墨最少，具体怎么教还不清楚。 整体看，这套能力画像把传统 MLE、SWE 和新兴的智能体协作揉在了一起，定位准。但文章没给出任何课程大纲细节、讲师阵容或定价，也没说这些能力怎么考核、有没有实战项目。一万条招聘数据听起来不少，可没交代数据来源、时间范围和地域分布，样本偏差未知。所以框架值得参考，课程本身还得等更多信息再下判断。

Plicara 扫了 187 万份教 AI 干活的技能文件，发现非英语写的比例从 2026 年一季度的 13% 跳到了二季度的 16.3%。这个速度比 GitHub 上非英语文档的普及快得多，说明 AI 开发这件事确实不再围着英语圈转了。中文技能占 6.2%，差不多是 GitHub 文档里中文占比的两倍，欧洲语言也在翻倍涨，日语韩语反而在掉。 但别急着下结论。文章自己就列了一堆互相打架的数字：有的研究说英语技能只占 65%，有的说 99.7%。原因不是谁造假，而是大家扫的池子根本不一样——有人扫医疗领域的精选市场，有人用英文关键词去爬，自然结果天差地别。Plicara 还专门验证了语言识别工具，发现不同工具之间差异很小，所以数字对不上主要还是因为采样范围不同。 最关键的信息缺口是：正文没披露用非英语写的技能，AI 执行起来效果会不会打折扣。毕竟模型训练数据里英语占大头，你用中文写指令它可能理解得更准，也可能更容易跑偏。这点先别太激动，等有人拿任务成功率来比过再说。

这家基金叫 Situational Awareness，创始人 Leopold Aschenbrenner 是前 OpenAI 员工。7 月底 AI 股大跌时，它几乎爆仓，现在 SEC 开始传唤帮它做交易和融资的银行，要求保留记录。目前还没被指控有不当行为，基金方面说被关注很正常，会配合。 这件事有意思的地方在于时间线：从“华尔街新宠”到“联邦调查对象”只隔了一个多月。正文没披露基金的具体杠杆率、亏损幅度和投资者赎回情况，所以没法判断是单纯赌错了方向，还是风控本身就有窟窿。SEC 的动作目前只是“保留记录”，离正式指控还远，但通常意味着监管嗅到了比公开信息更麻烦的东西。 对从业者来说，这条新闻的价值不在八卦，而在于它是个信号：当 AI 概念被金融工具放大到极致，监管的注意力会从技术本身转向资金流向。正文没提 Aschenbrenner 是否还在管理基金，也没说投资者能不能拿回钱，这两点比 SEC 的传票更值得盯。

OpenRouter拿自家平台数据算了一笔账：7月27日到8月14日，OpenAI给Terra和Luna大幅降价，Luna的每日token用量暴涨13.8倍，Terra涨了5.6倍，而没打折的Sol模型只微涨1.1倍。这说明降价确实能刺激用量，而且抢的主要是别家饭碗——OpenAI家族在平台上的token份额从7.1%涨到12.4%，新增份额里大约四分之三来自外部模型，Anthropic的用量在这期间就明显下滑。 不过用户粘性这块要打个折。折扣期间用过Terra或Luna的10万多用户里，只有32%在恢复原价后还在用，能维持甚至超过折扣期用量的更少，只有18%。好消息是，留下来的这批用户体量不小，折扣结束后的日均token量反而是折扣期的1.38倍。 正文没披露具体降价幅度，只提到后来Sol单独打了五折也复现了类似用量飙升。另外，折扣结束后的观察期只有6天，比19天的折扣期短很多，用户留存情况可能还会变。

这篇文章把 YaRN、DeepSeek V4 和 DeepSeek-OCR 串了起来，点出了一个很朴素的工程直觉：在算力和显存都有限的情况下，对所有信息一视同仁是最笨的做法。最合理的策略就是把最高精度留给眼前或焦点，对远处信息做有损压缩。这个思路在坐标层、信息通路层和输入表示层分别落地，效果都很直接。 数字上，YaRN 让 Llama 2 7B 用约 384 个 A100 GPU 小时就扩到 128K 上下文，短文本性能衰退不到 1%；DeepSeek V4-Pro 在 1M 上下文下，单 token 计算量降到 V3.2 的 27%，KV cache 显存降到 10%；DeepSeek-OCR 在 10 倍压缩比下文字还原准确率 97%，单卡日处理超 20 万页。这些数字说明，在各自层级上，近处保真、远处有损的策略确实省下了真金白银的算力。 不过文章也诚实点出了新问题：压缩之后，模型怎么保持对位置远近的感知？文中提了双轨位置尺度、按文档重置坐标、甚至 Kimi K3 直接去掉位置编码这三种解法，但都还处于探索阶段。另外，文章没给出这三种方法在同一个任务上的横向对比，也没讨论压缩策略在需要精确回忆远处细节的场景下会丢多少分。这点先别太激动，等有了更系统的消融实验再看。

AB 1651 是 2025 年 2 月加州律考事故的直接立法回应。那场考试有 23 道题是心理测量服务商 ACS Ventures 用 AI 生成后直接塞进正式考卷的，事前没告诉任何人。法案的核心就一句话：只要律协用 AI 生成考题或备考材料，就得提前 60 天在官网公开说明，就算后续有真人专家审核修改，这个披露义务也免不掉。 这条规则比学术界的惯例更严，没有微量使用或仅做文字润色的豁免。但它的约束力也有限：整部法案没有设置罚款，没有给考生私人诉权，而且适用范围在审议过程中收窄了——律协担心自己无从获知外部承包商是否在内部用了 AI，所以法案只管律协自己主导开发的材料。 值得对比的是律师执业端的规则。美国律师协会的伦理指引允许律师用 AI 辅助工作，只要核验输出并承担责任就行，无需向客户或法庭披露。同一个行业里，准入考试端要求用了就要说，执业端却是用了、核验、负责就完事，两条路径走向相反。法案正文没解释这种差异背后的政策考量，也没说明 60 天公示期够不够考生做出实质应对。