NVIDIA以120亿美元“反向收购”AI创企Poolside，创始人留任获10亿Vercel Ora平台实测：所有主流AI智能体在真实网站上一较高下Joon Sung Park新创Simile AI：为每个活人打造80亿数字分身AI公司正在毁掉实体书：呼吁在一切太晚前扫描稀有书籍AI辅助家庭作业提高成绩，但考试成绩反而下降LLM安全对齐存在跨语言漏洞：非英语场景保护失效停止制作TUIs：编码智能体时代，原生GUI才是正解资深开发者自述：我正变得对AI“视而不见”Google DeepMind十五年游戏AI研究：从Atari到EVE Online别让AI太“老实”：新研究把幻觉变成科学发现工具DeltaMomentum优化器：基于Delta规则的各向异性动量更新机械断层扫描：面向控制导向可解释性的新测量方法黑盒LLM置信度估计新方法：更精准的不确定性量化Matt Webb：我用ChatGPT作导师，学会了矩阵旋转而非靠读书Vercel Deployment Storage：部署回滚秒级完成llm-openrouter插件更新至0.7，全面兼容LLM 0.32Ben's Bites创始人分享：我是如何构建这个产品的多模态LLM基准测试：系统消息下的合规、能力与冲突llm工具0.32.1修复：OpenAI依赖变更致全新安装失效OpenAI Codex发布0.150.0-alpha.6，连续迭代多个版本NVIDIA以120亿美元“反向收购”AI创企Poolside，创始人留任获10亿

NVIDIA以120亿美元完成对AI创企Poolside的“反向收购”（reverse acqui-hire）。作为交易的一部分，Poolside创始人将留任并获10亿美元，员工则获60亿美元。NVIDIA计划利用Poolside的技术和团队，建设名为Infraco的7GW级“新云”（neocloud）基础设施。这笔交易融合了人才获取与基础设施扩张，反映出科技巨头对AI人才和算力资源的双重争夺。

Simile AI 首席执行官 Joon Sung Park 在访谈中讲述了从病毒式传播的 Generative Agents 项目到成立公司、计划为每个活人创建 80 亿数字分身的经历。他表示这项工作已从趣味探索转变为严肃的商业实践。数字分身技术可用于个性化服务、模拟决策等场景，具有广泛的应用前景。

Anna’s Archive博客发文警告，AI公司正在物理上摧毁实体书籍（可能指为了扫描数据而切割书脊），这导致大量稀有书籍面临永久性损失。文章呼吁立刻行动，对稀有书籍进行数字化扫描保存，以避免人类知识遗产的不可逆损失。该帖在HN上获得701分并引发大量关注。

一项研究显示，使用 AI 辅助完成家庭作业的学生，作业成绩有所提高，但考试成绩反而下降。该研究在 Hacker News 上引发热议，获得 165 分和 9 条评论。研究结果提醒教育者和家长，AI 工具可能帮助学生完成作业，但并未真正促进知识内化，反而可能影响学习效果。

arXiv 新论文揭示大语言模型安全对齐训练存在严重的英语中心化问题。当安全过滤器在非英语语言中失效时，影响会立即体现在用户端，语音助手和口语对话系统可能产生不当内容。该研究提醒开发者注意多语言模型的安全对齐不足，建议在部署非英语场景时额外验证安全性。

技术专家Thomas Ptacek撰文呼吁开发者停止为小工具制作文本用户界面（TUI），转而构建真正的原生图形界面（GUI）。他认为，由于编码智能体（coding agents）已将开发一个可用GUI的成本降至几乎为零，开发者没有理由再局限于文本界面。作者本人也通过“vibe-coding”快速构建了macOS任务栏的带宽和GPU监控工具。这一观点在开发者社区引发对工具交互形态的讨论。

一篇在Hacker News引发热议（252分，258条评论）的文章，作者描述了自己对AI生成内容逐渐麻木的状态，称之为“AI盲”（AI-blind）。文章反思了当AI输出成为常态，开发者如何在效率与警觉之间找到平衡。讨论聚焦于AI工具的过度依赖及其对判断力的潜在影响。

Google DeepMind 发布博客，回顾十五年来在游戏 AI 领域的研究历程，从早期的 Atari 游戏到与游戏工作室合作开发 EVE Online 等项目的 AI 原型。文章展示了游戏作为 AI 试验场的重要性，以及 DeepMind 如何将研究成果应用于真实游戏场景，推动 AI 在复杂环境中的决策能力提升。

一篇来自arXiv的新论文（编号2608.19206）提出，当前大语言模型（LLM）被过度训练去抑制幻觉，导致其在事实检索上表现优异，但牺牲了组合性创造力。研究者认为，这种对齐策略虽然能减少错误信息，却也限制了模型在科学探索中提出新奇假设的潜力。为此，他们提出了一种多智能体架构，专门利用模型的“幻觉”输出，将其转化为可测试的科学假说。该架构并非纠正错误，而是对发散性思维进行结构化筛选和验证。这项研究为AI在科研中的应用提供了新思路：开发者或研究人员可借此工具，从模型的无约束输出中挖掘创新想法，再通过实验验证，而非仅依赖模型的精确回答。

一篇新论文提出DeltaMomentum，这是一种基于Delta规则（Delta Rule）的Key-Value架构优化器。传统优化器（如Adam）对梯度方向使用固定的指数移动平均（EMA），忽略了数据中的各向异性。DeltaMomentum通过Delta规则动态调整更新方向，让优化器对不同方向的变化更敏感。该方法在理论上能更好地适应深度网络训练中非均匀的数据分布，或可提升训练效率和模型性能。

一篇新论文提出“机械断层扫描”（Mechanistic Tomography）方法，用于提升大模型的可解释性。该方法旨在通过设计测量来识别模型内部表示的状态、组件效应及相互作用等。该研究将带动量、梯度、Hessian向量积和子集干预等技术结合，为控制模型行为提供更精确的工具。这一方法有望帮助研究人员更好地理解和控制AI系统。

一篇新论文提出一种改进黑盒大模型置信度估计的方法。现有方法如口头置信度或多次生成，多为零样本（zero-shot）方式，且对不确定性量化不够准确。新方法通过迭代生成来提升置信度评分的可靠性，让用户能更好地判断模型输出的可信程度。这对于大模型的安全部署具有实际意义。

Simon Willison引用Matt Webb的一段话：在发布v1.0后，他原本打算自己学习矩阵旋转。他没有让ChatGPT写代码，而是请它当耐心、互动的导师。通过这种方式，他做到了以前看书或请教数学朋友都没做到的事——终于学会了。这一例子展示了LLM作为个性化教育工具的潜力。

Vercel 推出 Deployment Storage 功能，每次部署生成的页面、函数和资源文件都会被保留，方便开发者随时检查和回滚。如果生产环境部署出现问题，可以在几秒钟内回滚到之前的版本。该功能免去了手动备份的麻烦，为频繁迭代的团队提供了安全网。

llm-openrouter插件发布0.7版本。新版本已兼容LLM 0.32，并改进了对OpenRouter上推理模型的支持。模型现已使用OpenRouter的Responses API实现。此外，该版本新增三个服务端工具：Shell、WebFetch和（可能还有第三个）。开发者可通过此插件在LLM中更方便地调用OpenRouter上的各类模型，尤其是推理模型。

Ben’s Bites 创始人 Ben 在第三期系列分享中，讲述了自己如何构建这个 AI 新闻简报产品。内容包括从创意到落地的开发过程、技术选型、内容生成流程等。对于想了解独立开发者如何运营 AI 内容产品的读者具有参考价值。

一篇新论文针对多模态大语言模型（MLLMs）在系统消息约束下的表现，提出了新的基准测试。目前的基准要么只测试文本约束，要么把约束嵌入用户指令中，忽略了系统消息的影响。该研究专门评估了在系统消息设定下，多模态模型的行为合规性、执行能力以及二者之间的冲突，揭示了现实部署中的潜在问题。

llm 命令行工具发布 0.32.1 版本，修复了因 OpenAI Python 库放弃使用 httpx 而导致全新安装失败的问题。此前 llm 依赖 openai 传递安装的 httpx 库，但该依赖链断裂后，新用户无法正常使用工具。本次更新通过固定 openai 版本暂时解决了问题。开发者需升级到此版本以恢复正常安装。

OpenAI Codex 发布 0.150.0-alpha.6 版本，此前已连续推出 0.150.0-alpha.5、rust-v0.150.0-alpha.4 等多个预发布版本。此次更新延续了高频迭代节奏，主要面向开发者的代码生成与执行场景。开发者可尝试最新 alpha 版本体验新功能，但需注意预发布版本的稳定性风险。