我的 X 阅读

看来，只有 Anthropologie 公司向纽约市议员证实，其模型会编写代码以生成更智能的后续模型。 在 10 月 5 日的市议会听证会上，一位纽约市议员就一个循环问题向他们提出质询：在这个循环中，模型自身的代码会在下一轮训练中运行，并生成一个 https://t.co/HGbuzXUGlS

转帖：这篇论文发现，基于供应商较旧模型训练的 AI 文本检测器在生成模型变更之前，能够捕获超过 99% 的改写文本，而变更之后仅为 3.8%。 用于筛查科学论文中 AI 写作的检测器在新一代 LLM 发布时可能会失效，因此任何依赖它们的人都应在每个模型发布时重新测试。

我让 Codex 将一个在线 HTML 书籍转换成 Markdown 格式。它尝试了，但服务器阻止了脚本下载，返回 HTTP 403 错误。 我说：“使用我的 Chrome 会话。” 它在 Chrome 中打开了网站，我以为它会像我一样浏览网站，但它打开的是 https://t.co/EF6olEeNYR

我们需要从那些疯子手中夺回人工智能。

转帖：“人们很容易想象，一种我们不太理解但似乎我们最擅长的神奇数字技术会奇迹般地修复我们的病痛。 而想象我们如何在这个世界上重建并改进这样一个相互关联的、物理的技术堆栈（广泛需要将这种智能实施到物理世界中）……这就更难了，而中国在其中占据主导地位。” 这是来自 @packyM 和 @sdamico 的《The Electric Stack》中的一句精彩的话（加上我的一点额外色彩）——是我读过的最好、最具信息量的帖子之一。 https://t.co/hCvS3TcplL

转帖：亚马逊 Prime 的发明者霍尔登，消失了六年，这周带着 2.5 亿美元和一座工厂回来，他的工厂干一件听起来像假的事，吃进去一行行代码，吐出来一台台会动的机器，换一批代码，另一端就换一种产品。 这东西有个名字，物质编译器，尼尔·斯蒂芬森在 1995 年的小说里写过它，那是科幻，霍尔登做的是它的现实版，它花了六年，正因为听起来太像假的。 要懂它关键在哪，得先看芯片厂，那是人类造过最精密的工厂，可它只生产一种东西，扁平的硅片，专门处理信息，一旦你想要可动的部件，想要多种材料，想要真正的三维结构，就得离开芯片厂，一个新设备从图纸到量产，要数年时间，数千万美元。 工程师给这个世界起了个名字，一产品，一工艺，每换一种产品，就要重配一套工艺，这才是微型机器一直没有摩尔定律的真正原因，不是精度不够，是工艺不能复用，霍尔登真正消灭的，就是这条分界线。 他的工厂特征尺寸能做到几微米，换产品不用换工具，系统在构建中测量每一步，校正每一步，再把学到的东西喂回下一个设计，工厂因此像模型一样，越用越准，制造第一次有了自己的数据飞轮。 第一个产品能看出他的眼光，PrimeSwitch，给 AI 数据中心 800 伏电源用的 150 安培继电器，50 微秒左右打开，比普通接触器快约 1000 倍，他没拿通用工厂去做炫酷的东西，第一枪对准一个需求几乎无限的市场，开关快一点，烧掉的硬件就少一片。 这里有个反直觉的真相，摩尔定律从来不是芯片的专利，它属于所有换设计不用换产线的行业，芯片厂因为通用，几十年一路缩小，机器厂因为专用，几十年原地踏步，霍尔登做的，是把芯片厂的通用性，第一次装进会动的机器里。 斯蒂芬森 1995 年写进小说的物质编译器，今年运出了第一个真实产品，不是给家庭用的，是给 AI 数据中心做一个继电器，50 微秒接通，比传统接触器快 1000 倍，科幻落地的第一站，总是最不性感的地方。 https://t.co/mLN1tyqyUa

转帖：萨姆·奥特曼在彭博社讨论IPO时间表，与@EdLudlow：OpenAI的投资者并不急于IPO “我们的投资者似乎对我们非常满意，也非常有耐心。” ---- 完整视频在“Bloomberg Tech”YouTube频道上，(链接在评论中)

沉思

Anthropic 是第一个新实验室。

转帖：Tristan Buckmaster，纽约大学数学教授： OpenAI 投入了数百万美元的计算资源来解决这些未解的数学难题。 “这有点像是生死攸关的局面，因为如果 Anthropic 率先解决了千禧年奖问题（第一个），那将证明他们拥有更好的内部模型” ---- 完整视频在“CNBC Television” YouTube 频道上，（链接在评论中）

转帖：Mikhail Parakhin：用于编码、测试和研究时，使用最大的模型。在生产环境中，针对成本、吞吐量和质量进行微调。 他一直看到相反的情况：在开发时省钱，在生产中使用超大模型。 @MParakhin

转帖：Pangram，这款AI文本检测器，漏掉了Meta的Muse-Glimmer重写的79.8%的科学摘要，同时仅标记了5000个人类摘要中的1个。 在东京都市大学的一篇新论文中，研究人员发现Pangram漏掉的AI重写摘要比例强烈取决于LLM版本 结果显示，它检测到了93.5%的GPT-5重写版本，但漏掉了另一个新模型的79.8%。其漏检率主要取决于哪个模型进行了重写。

转帖：Xiaom 的 MiMo-V2.6 论文已经发布了。 在 MiMo-V2.6 中，AI 运行了其大部分自身的训练循环：代理构建任务、审核测试、评分答案并搜寻作弊行为。人类设定预算和规则。 显示代理模型通过同时扩展批处理大小、任务和测试套件多样性，以及评分努力，随着更多 RL 计算而持续改进。 为编码代理扩展 RL 很困难，因为通过/失败测试无法区分干净修复与 hacky 修复。代理还会学会操纵环境，例如通过下载已发布的修复。 一个评分代理比较了每个组中通过的补丁，并将奖励转移到更干净的那些。没有它，代理会偏向于更长的运行和变通方法，如吞没异常。 MiMo-V2.6-Pro 的 DeepSWE 分数在 $2.6M 的 RL 训练中从 58.4 上升到 72.6，并在训练停止时仍在攀升。 – arxiv. org/abs/2610.11959 标题：“MiMo-V2.6：扩展强化学习以实现自我改进”

转帖：哇。这看起来太棒了！

值得一读。 能够对每次购买进行极其详尽研究的个人人工智能代理（例如购物代理）可能会让产品质量比分销渠道更为重要。 永远不会忘记取消订阅的代理将终结建立在客户疏忽之上的订阅收入模式。 这种不对称性 https://t.co/HBgYLa8Ntm