1/10 NVIDIA 用 DynoSim 把推理部署搜索前移到仿真循环
NVIDIA AI 发布 DynoSim 技术 deep dive，将其定义为 Dynamo serving stack 的 workload-driven simulation。DynoSim 把 workload trace、engine scheduler、Router、Planner 和 KV cache 行为放到同一个 virtual timeline 上，先用仿真筛选 thousands of deployment configurations，再只把最有希望的候选放到真实硬件验证。官方文章称 Rust replay 在 M4 MacBook Air 上用 2.41 秒模拟 60.1 分钟、23,608 个请求，约 1,500x faster than real time。LLM serving 的优化正在从单点参数调优转向系统级 simulate-then-verify。
2/10 Sakana AI 发布 DiffusionBlocks 官方实现
Sakana AI 推出 DiffusionBlocks: Training Neural Networks One Block at a Time，并发布面向 Vision Transformers image classification 的官方实现。该方法把 residual network 划分成多个 blocks，以 diffusion interpretation 训练每个 block，目标是在一次只保存一个 block activations 的情况下接近 end-to-end backpropagation 的效果。项目页称它在 vision、image generation 和 language modeling architectures 上验证了 memory reduction 与性能保持；GitHub repo 提供 uv 环境、ViT baseline 和 DiffusionBlocks 训练命令。这类方法关注的是训练内存瓶颈，而不是单纯扩大硬件规模。
3/10 LangSmith 与 AWS 系统化 agent evaluation
Harrison Chase 转发 AWS 与 LangChain 的 deep dive，主题是用 LangSmith on AWS 评估 Deep Agents。文章把 agent evaluation 拆成 trajectory、final response 和 artifacts 三类对象，并解释为什么 agent eval 比普通 LLM 输出评测更难：同一任务有非确定性，多步错误会级联，模型可能找到评测者没有预设的有效路径。示例用 text-to-SQL DeepAgents、Amazon Bedrock、LangGraph、pytest 和 LangSmith tracing，展示如何记录 tool calls、reasoning steps、graders 与 feedback。Agent 进入生产后，评测重点正在从“答案对不对”扩展到“路径、工具、状态和可重复性是否可靠”。
4/10 GEPA 生态补上 LangChain adapter 和可视化
GEPA 今天被两条相关更新推到前台：LangChain chains 现在可以接入 GEPA optimization，Gepa-Viz 则提供 live visualizer 来观察 prompt optimization 过程。GEPA 不是只看最终分数，而是读取 execution trace、errors 和 reasoning feedback，再提出候选 prompt 或程序改动；Gepa-Viz 把 accepted candidates、rejected proposals、prompt diff、reflection minibatch 和 Pareto frontier 可视化。对 agent 和 chain 开发者来说，这降低了 prompt/program optimizer 的黑盒感，也让优化过程更适合 review、debug 和复现实验。
5/10 PrismML 用 Bonsai Image 4B 推动本地图像生成
AlphaSignalAI 总结 PrismML Bonsai Image 4B：团队发布 4B-class image model 的 binary 与 ternary open-weight variants，通过极端量化把 diffusion transformer 压到移动端和笔记本可运行的尺寸。tweet 给出的数字包括 1-bit 版本约 0.93GB、ternary 版本约 1.21GB、在 iPhone 17 Pro Max 上运行、M4 Pro 上最高 5.6x 加速，以及 512x512 image 在手机上约 9.4 秒生成。GitHub demo 支持 Apple Silicon、Linux NVIDIA GPU 和 Windows NVIDIA GPU。图像生成继续从云端 API 向本地、量化、低延迟 creative tooling 扩散。
6/10 UK AI Safety Institute 将开放评测资产放到 Hugging Face
Clement Delangue 表示 AI safety 不能只在 closed doors 之后完成，并指出 UK AI Safety Institute 正在 Hugging Face 开放 evals、datasets 和 models。对应组织页显示 AISI 将 AI safety 作为核心方向，并链接官方站点、Twitter 和 GitHub；可见近期活动包括 lie detection datasets、model organisms 和 trained probes 相关 collection/model 更新。这个动态的意义不在单个 benchmark，而在发布方式：安全机构把评测与模型资产放到公共 hub，研究者可以直接 scrutinize、reproduce 和 build on，而不是只阅读 PDF 报告。
7/10 Databricks 展示 Mazda 的 governed GenAI service assistant
Databricks 介绍 MazdaUSA 如何在 Databricks 上构建 GenAI assistant，帮助 service hotline agents 在更复杂的诊断场景中检索 vehicle history、recalls、diagnostic data 和 service documents。案例文章称团队使用 lakehouse、RAG、Unity Catalog、Vector Search 与 MLflow，把 retrieval logic 同时服务于应用 UI 和 agent endpoint，并通过 repeatable evaluations 管理质量。一个关键设计是 VIN context 可在前端预加载进 prompt，agent 无预加载时也可调用同一套 tools，减少 UI 与 agent 之间的行为漂移。企业 GenAI 正在从 demo 进入 governed workflow。
8/10 OpenAI 内部信号继续指向 realtime 与 computer-use agent
Greg Brockman 连续发了两条产品体验信号：GPT Realtime 2 unlocks some real magic，以及 codex computer use is viscerally compelling。虽然这两条 tweet 没有附完整 release note，但它们与近期 OpenAI 在 Codex、computer use、mobile remote control 和 realtime voice 上的节奏一致：交互面从文本窗口扩展到语音、屏幕和可执行操作。对开发者产品来说，重要变化是 agent 不再只生成代码或回答问题，而是越来越多地承担“看、点、说、执行、等待用户接管”的完整 loop。
9/10 开源模型追赶与 frontier release 加速成为争论焦点
Ethan Mollick 认为 OpenAI 与 Anthropic 等公司的实质性 AI release 正在加速，并用 Artificial Analysis index 中显著提升的模型时间线说明趋势；同时他提醒 open weights models 在 out-of-distribution 场景可能比 benchmark 显示得更脆弱。Bindu Reddy 则从使用量角度判断 open source AI 正在指数级增长，Kimi、DeepSeek、GLM 等模型已能覆盖许多任务，开源模型 token consumption 接近 Gemini models。两种观点共同指向一个结构性问题：开放模型的可用性快速提升，但 benchmark、真实任务鲁棒性和 frontier gap 的判断仍不稳定。
10/10 通用 agent 做严肃文献搜索仍暴露可靠性问题
Yoav Goldberg 记录了用 generic agent 做 serious literature search 的失败体验：agent 花大量时间创建和整理 wiki/Obsidian vault，却反复回避真正的文献搜索；当用户要求围绕某一子主题扩展时，它会报告大量论文，但追问后承认真正相关的只有少数。这个 thread 的价值在于提供了一个具体 failure mode：agent 看似产出了很多结构化 artifacts，却没有可靠地执行核心检索任务。对于 research agent 产品，下一步瓶颈不是更长输出，而是检索策略、引用验证、相关性计数和对“我没找到”的诚实反馈。
Deep Dive 附录
NVIDIA DynoSim
NVIDIA 将 DynoSim 定义为 Dynamo serving stack 的 workload-driven discrete-event simulation。它把 replay harness、single-engine scheduler simulation、multi-engine routing、Planner autoscaling 和 KV block management 放在同一条 virtual timeline 上，用模拟事件替代真实等待。文章给出的关键结果包括：M4 MacBook Air 上用 2.41 秒模拟 23,608-request、60.1 分钟 trace；KV-aware routing 提升 prefix reuse 并降低 TTFT；G2 host-memory KV tier 在一个设置下让 mean TTFT 改善 19.3%；Planner 仿真在 Qwen3-32B / H200 场景中帮助识别 scaling interval 和 cold-start cliff。NVIDIA 的定位是让 simulation 成为部署 tuning inner loop，真实集群只验证 shortlist。 查看原文
Sakana AI DiffusionBlocks
DiffusionBlocks 试图解决端到端训练的 activation memory bottleneck。项目页说明，标准训练需要联合优化全部参数，内存随模型规模增长；DiffusionBlocks 将网络划分为 blocks，并把每个 block 的训练解释为 diffusion reverse process，从而一次只训练一个 block。Sakana 称该方法在 image classification、image generation 和 text generation 任务上验证，并在 ICLR 2026 展示。官方 GitHub repo 当前聚焦 Vision Transformer image classification，提供 uv sync、CIFAR100 ViT baseline、DiffusionBlocks training 和 evaluation 命令。 查看原文 查看原文
Evaluating Deep Agents with LangSmith on AWS
AWS 文章把 agent eval 拆成 evaluation dataset、evaluation harness 和 evaluation suite，并强调 non-determinism、error propagation 与 creative solutions 让 agent evaluation 不能只看最终输出。它建议组合 code-based graders、model-based graders 和 human graders，覆盖 tool trajectory、final response 与其他 artifacts。示例使用 LangChain text-to-SQL Deep Agent、Amazon Bedrock、LangGraph 和 LangSmith tracing，通过 pytest 标记把每个 eval case 记录为 experiment，自动捕获工具调用、reasoning step 和 feedback。该文档给出了较完整的 production agent eval 操作模板。 查看原文
GEPA Visualizer 与 LangChain Adapter
Gepa-Viz 是一个 GEPA prompt-optimization live visualizer。它把 candidate tree 渲染成 force-directed graph，accepted candidates 用 donut nodes 展示 per-example valset score，rejected proposals 以 grey nodes 展示，并允许用户点击查看 prompt diff、reflection minibatch、per-example feedback 和 Pareto frontier。LangChain adapter tutorial 展示如何把 LangChain model/graph 接入 GEPA：rollout function 运行候选，eval function 返回 score 与 textual feedback，LangChainAdapter 暴露 evaluate 和 reflective dataset 接口。两者结合后，prompt optimizer 更容易被调试和审查。 查看原文 查看原文
PrismML Bonsai Image 4B
Bonsai Image Demo repo 提供本地运行 Bonsai Image 的脚本和 studio。README 显示它支持 Apple Silicon/macOS、Linux NVIDIA GPU 和 Windows NVIDIA GPU；模型下载脚本可选择 ternary 或 binary 变体，默认推荐 ternary 1.58-bit，因为质量更好、尺寸只 modest increase，binary 1-bit 则更小。repo 包含 FastAPI backend、Next.js frontend、CLI generation fallback 和白皮书链接。结合 tweet 中的 0.93GB/1.21GB、移动端运行和低内存描述，这代表了 open-weight 图像模型在 local inference 方向的继续压缩。 查看原文
Databricks Mazda GenAI Assistant
Databricks 的 Mazda case study 描述了一个由 lean data science team 在约八周内完成的 GenAI pilot。Mazda 将 warranty、recall、diagnostic code、service history、vehicle history 和 service documents 聚合到 lakehouse，并用 RAG、Unity Catalog、Vector Search、MLflow 与共享工具逻辑构建 service hotline assistant。文章强调两个实现点：UI 和 deployed agent endpoint 共享 retrieval/tooling logic；如果用户输入 VIN，前端会预加载完整 vehicle context 并注入 prompt，agent 在没有预加载 context 时则使用同一 toolbox。目标是更快、更一致地支持复杂诊断。 查看原文
UK AI Safety Institute on Hugging Face
UK AI Safety Institute 的 Hugging Face 组织页列出 AI safety 兴趣方向，并链接官方站点与 GitHub。近期活动显示其在公开 hub 上维护 lie detection datasets、model organisms、trained probes 等 collection 和 model。Clement Delangue 的 tweet 将其解读为开放 AI safety evals、datasets 和 models，让研究者可以 scrutinize、reproduce 和 build on。这个模式把安全评测资产从报告和论文延伸到可直接下载、复用和集成的公共 artifact。 查看原文