2026年09月22日AI 版

依据

TypeSafe AI 的 CEO Diogo Almeida 是 InstructGPT 论文的共同作者、OpenAI 后训练团队出身。他的说法是：ChatGPT 的成功让自回归聊天微调以外的模式全被丢掉，之后的函数调用、结构化输出、推理，都只是打在字符串序列预测范式上的补丁。他给出的替代方案叫 RLCD，即面向校准决策的强化学习（Reinforcement Learning for Calibrated Decisions）：训练目标不是人类评分，也就是 RLHF（基于人类反馈的强化学习），而是在 System One 这类短任务上直接输出带认知诚实概率的答案。按他的说法，RLHF 会养出幻觉、谄媚和对人工的长期依赖；可编程验证的 RLVR 能解出 Navier Stokes，却加剧能力参差、不好接进其他软件。他要优化的不是单点正确率，而是能不能被别的程序安全调用。

依据

彭博首席苹果记者 Mark Gurman 说，这场发布会“和 Tim Cook 的发布会几乎可以互换”，唯一不同是 Ternus 开场就亮出 AI 观点：先讲 intelligent personal hub（智能个人中枢）。他给的机制对照是管理风格：库克面对高管提案会不断追问，很多情况下不做一个单一决定，偏 communal decision-making（集体决策）；Ternus 会直接给决定和观点。Apple Intelligence（苹果智能）自 WWDC 2024 推出已两年，Gurman 称其一直是 mishmash（杂烩），没有强叙事；Ternus 至少补上了观点。折叠屏 iPhone Duo 是首次亮相，且距他接替库克不到两周，Gurman 认为时机不是巧合。

依据

AWS Machine Learning Blog 这篇的标题写明，BMW Group 要在 14,000 个云账户上检测成本异常。机制在于：账户数到万级以后，单账户的日成本曲线很平，一个跑飞的批处理任务混在集团总量里几乎看不出来，所以必须按账户或按业务单元分别建基线，再拿当天实际值去比基线、看偏离幅度；基线切得越细，抓得越准，告警条数也越多，误报的处置成本就从云账单转移到值班人力。这也是为什么先要定告警归属，而不是先选工具。

依据

AWS Machine Learning Blog 这篇公告只承诺一件事：Positron（Posit 出的数据科学集成开发环境，R 与 Python 在同一窗口跑）可以在 Amazon SageMaker AI 上运行，后者是 AWS 的托管机器学习平台，提供算力、镜像与运行环境。机制上，Positron 原本是本地优先的编辑器，一旦托管到 SageMaker，内核与算力改由 AWS 侧拉起，团队省掉的是自建 R 与 Python 双环境、双镜像的运维；让出的则是算力、身份与计费全部落进 SageMaker 的账号与权限体系，想换回自建或别家云，这套接入要重做一遍。所以变化不在编辑器层，而在选型层：拿主意的从每天写分析的人，变成管预算和合规的人，因为绑定的是账号而不是工具。

依据

Simon Willison 引述 TypeSafe AI 的 Jev：它把文本输入映射成带置信度的浮点决策输出，而不是文本。TypeSafe 称其为“frontier-intelligence function call”（前沿智能函数调用），即“非结构化状态进，带类型的概率决策出”。机制上，Jev 只按输入 token（文本计量单位）收费、输出免费，首模型输入价 $0.042/百万 tokens，低于 OpenAI GPT-5 Nano 的 $0.05/百万；同一文档可并行多问。但其 1.13 jaggedness 文档承认对数字、日期和对抗内容不强。Willison 还指出它更黑箱：只回浮点数，若判垃圾邮件也无法知道哪个信号触发，用于招聘排序会掩盖偏差。取舍是：高吞吐、低单次错误代价的分类可先做影子评测；需要申诉、审计或解释的决策不应让它单独拍板。

依据

AWS Machine Learning Blog 说，xAI 的 Grok 4.6 已在 Amazon Bedrock 上可用。Amazon Bedrock 在原文里是构建生成式 AI 应用与代理的端到端平台；机制上，AWS 用户可在同一托管平台内选用 xAI 模型，不必为调用 Grok 单独维护 xAI 接入。原文材料只确认模型上架，没有给出窗口大小、推理档位、定价、区域或限流等可对照数字，因此不能替它补上这些规格比较。

依据

Multiverse Computing 的 Antonio Tiene、Ali Hashemi、David Jansen、Roman Rausch 在 Hugging Face 论文页提出，把删除哪些 transformer 块从排序问题改成约束二元优化（CBO, constrained binary optimization）。他们给每块一个 0/1 变量，0 保留、1 删除；对损失做二阶泰勒展开得到近似 Hessian（海森矩阵），对角项是单块重要性，非对角项是块间耦合。最小化 xᵀH⁰x 且恰好删 M 个块，等价于在伊辛玻璃（Ising glass，全连接耦合、自旋数守恒的自旋系统）里找低能态。低能态被当作下游质量的代理，因此可跳过逐候选跑基准。Hessian 只用小标定集的前向/反向传播算一次，之后每个候选只需一次能量计算；作者报告 Llama-3.3-70B-Instruct 在 50% 压缩下，MMLU（多任务语言理解基准）比最佳竞品块移除方法高近 23 个百分点。取舍在于：精确求解可行时用精确，不可行时依赖量子或量子启发式求解器，前期工程与求解时间不是零。