César Hidalgo 論《無限字母表》與知識法則
César Hidalgo 主張知識是一種不可替代、集體的現象，遵循成長、擴散與衰退等類似物理的法則，意味著它不能僅透過下載或複製取得，必須具備具身的經驗。
AutoGrad 與貝葉斯大腦：Jeff Beck 博士談 AI 的未來
Jeff Beck 博士認為，真正的智慧必須超越函數近似與大型語言模型，轉向以物件為中心、根植於宏觀物理的貝葉斯模型，而非僅依賴語言。
為何歷史上所有的大腦隱喻都是錯誤的
影片探討了科學簡化與隱喻——從液壓泵到電腦——如何常常硬化為被視為現實的觀念，並主張理解必須認識這些模型的局限。
為何 AI 有柏拉圖問題：Mazviita Chirimuuta 論神經科學哲學
Mazviita Chirimuuta 教授認為，AI 研究常依賴「柏拉圖」式的假設，認為宇宙以數學程式書寫，卻忽視了生物體現與主動互動在人類認知中的關鍵角色。
大腦只是一群專門的代理人在彼此對話 — Jeff Beck 博士
Jeff Beck 博士討論了代理性的數學基礎、能量基模型（EBM）的機制，以及將大腦視為由多個專門代理人組成的模組化智慧理論。
Blaise Agüera y Arcas 論共生起源與生命的計算本質
Blaise Agüera y Arcas 主張生命是具身計算，且共生起源——複製體的融合——是演化新奇性與複雜性的主要驅動力，而非隨機突變。
AI 程式編寫的危險幻象：Jeremy Howard 談軟體工程 vs. 程式編寫
Jeremy Howard 主張，雖然 AI 在將程式編寫視為風格轉換問題上表現優秀，但它缺乏「軟體工程」的根本能力，這會導致「理解債務」與組織衰弱的未來。
Shinka Evolve：科學發現的開放式程式搜尋
Robert Lange 介紹了 Shinka Evolve，一個樣本效率高的框架，結合 LLM 與演化演算法，以問題與解決方案的共同演化自動化程式搜尋與科學發現。
測量 AI 進展：METR 時間視界框架
Beth Barnes 與 David Rein 於 METR 討論了他們的「時間視界」方法論，該方法以人類完成時間作為統一軸線來衡量 AI 能力並預測未來的進展。
智慧是集體的，而非人工的：Michael I. Jordan 教授對 AI 與經濟的觀點
Michael I. Jordan 教授主張智慧是一個集體經濟系統，而非脫離肉體的超級智慧，倡導從 AI 炒作轉向結合計算機科學、統計學與經濟學的多學科方法。
Brad Carson on AI Weapons, Accountability, and the Fallacy of the AI Arms Race
前五角大樓官員 Brad Carson 主張，AI 發展並非不可避免的貨運列車，西方可以透過戰略克制與晶片層面的控制，主動塑造 AI 治理，防止致命自主武器，避免災難性的軍備競賽。
Stanford CS336 Lecture 15: Mid-Training and Post-Training (SFT and RLHF)
本講座說明了從基礎語言模型到指令遵循助理的轉變過程，透過監督式微調（SFT）與人類回饋強化學習（RLHF）實現，並強調資料品質與策劃比演算法複雜度更為關鍵。
Stanford CS336 Lecture 16: Reinforcement Learning from Verifiable Rewards (RLVR)
本講座探討可驗證獎勵強化學習 (RLVR)，說明 GRPO 等演算法如何以群組式獎勵取代複雜的價值函數，從而打造能在數學與程式碼領域執行複雜推理的「思考模型」。
Stanford CME296 Lecture 7: 評估文字轉圖像生成模型
本講座概述了評估文字轉圖像模型的方法，區分了美感與提示遵循度，並詳細說明了從傳統數學指標向 MLLM‑as‑a‑Judge 框架的轉變。
Stanford CME296 Diffusion & Large Vision Models Lecture 8 Summary
對圖像與影片生成範式的全面回顧，涵蓋從擴散與分數匹配到流匹配的轉變，並探討這些技術在影片、圖像編輯與 LLM 中的應用。
Stanford CS336 第17講：多模態語言建模
本講探討多模態模型的架構，重點在於視覺語言模型（VLM）如何將如 CLIP 和 SigLIP 的圖像編碼器與大型語言模型（LLM）結合，以實現視覺推理。
Stanford CS25：服務 Transformers - 前線教訓
Modal 的 Charles Frye 討論了在大規模服務 transformer 模型時的工程挑戰，重點在於 prefill 與 decode 階段的關鍵差異以及硬體利用率的最佳化。
斯坦福 CS25：Transformers United V6 - 從語言模型到原生多模態智慧
Victoria Lin 討論了原生多模態語言模型的演變，說明跨模態 token 化與類似 Mixture of Transformers（MoT）的專屬架構如何實現文字、圖像與音訊的無縫整合。
利用幾何學於機器人學習：斯坦福機器人研討會
Platt 教授討論了將幾何結構先驗與等變性納入機器人學習模型，如何相較於通用 VLA 模型顯著提升資料效率與姿態泛化能力。
斯坦福 CS336 從頭開始的語言建模：推理引擎與全棧創新
客座講師 Dan Fu 討論了推理引擎與 GPU 核心程式碼在將大型語言模型從數學對象轉化為可用智慧方面的關鍵角色，並介紹了 Megakernel 與 Parcae 遞迴架構等最佳化手段。
AI 超週期的經濟學：Baseten 與自訂推論的轉變
Tuhin Srivastava，Baseten 執行長，主張 AI 經濟正從前沿模型轉向自訂、後訓練的開源模型，以實現盈利性、防禦性以及更低的延遲。
Sam Altman 談規模、AGI 與前沿系統的未來
OpenAI 執行長 Sam Altman 討論了規模的實證力量、ChatGPT 與 Codex 的演變，以及 AI 時代中計算資源短缺與權力集中等系統性風險。
AI 在醫療保健：資安風險、患者賦能與監管沙盒
前美國首席資料科學家 DJ Patil 討論了醫療系統對 AI 驅動網路攻擊的嚴重脆弱性，以及 AI 透過監管沙盒與患者賦能來民主化健康服務的潛力。
斯坦福大學 MS&E435 AI 超週期經濟學：建構 AI 工廠
Crusoe 執行長 Chase Lochmiller 討論了建造千兆瓦級 AI 資料中心所需的巨額資本支出，將 AI 視為推動 GDP 成長的數位勞動力形式。
必備條件：生產環境中的代理人
要將 LLM 代理從示範階段推向生產環境，團隊必須實施七項關鍵控制：模型控制、提示詞註冊表、防護欄桿、預算限制、工具/MCP 安全、監控/追蹤，以及系統化評估。
代理時代：Logan Kilpatrick 談 AI Studio 與未來的建構
Logan Kilpatrick 討論了 AI Studio 向「vibe coding」平台的演進、代理工程的崛起，以及 Google 的願景——讓任何人都能在不具備程式設計經驗的情況下建構軟體。
NVIDIA Nemotron 3 Nano Omni 發布
NVIDIA 已發布 Nemotron 3 Nano Omni，這是一款緊湊的全功能多模態模型，專為代理設計，原生支援文字、圖像、影片與音訊，採用單一高效架構。
Claude 設計代理架構：垂直 AI 代理的 6 種模式
Claude 設計利用六種精密的代理模式堆疊——包括上下文落地、結構化記憶與自我 QA 迴圈——打造高品質的垂直代理，且可在任何產業中複製。
IBM Granite Speech 4.1 版本發布：高吞吐量 ASR 模型
IBM 已發布 Granite Speech 4.1，這是一套包含三個 2B 參數的 ASR 模型，專為邊緣部署而設計，提供針對準確度、說話者分段與極致吞吐量的專門變體。
MiniCPM-V 4.6 版本說明 / 新功能
MiniCPM-V 4.6 是一款 13 億參數的視覺模型，設計上著重於邊緣部署與代理工作流，具備高 token 效率與彈性的視覺 token 壓縮功能。
OpenShell：用於安全 LLM 代理的進程外執行
OpenShell 透過在代理程式之外的監督者，對網路、檔案與憑證政策進行執行，為 LLM 代理提供安全的執行時環境，防止提示注入與越獄攻擊。
在 AMD 硬體上執行本地 AI
AMD 的 ROCm 平台與 Radeon AI Pro GPU 使得在本地執行 LLM、影像與影片生成模型具備高效能，提供隱私與成本效益的可行替代方案，取代以 CUDA 為主的系統。
NVIDIA Nemotron 3 Ultra 發布
NVIDIA 發布了 Nemotron 3 Ultra，一款 5500 億參數的混合專家模型，針對代理工作流程進行優化，具備多教師蒸餾與開放訓練配方。
NVIDIA Nemotron 3.5 ASR 版本說明
NVIDIA 已發布 Nemotron 3.5 ASR，這是一款 6 億參數的串流語音轉文字模型，支援 40 種語言，並具備快取感知的串流技術，可大幅降低延遲。
Anthropic Claude Fable 5 與 Mythos 5 發布
Anthropic 推出 Claude Fable 5，一款安全調校的 Mythos 類模型，在程式碼與法律基準測試上優於 GPT-5.5 與 Opus 4.8，但同時引入嚴格的安全觸發機制與強制 30 天資料保留政策。
GLM 5.2 版本說明與效能分析
Z.AI 已釋出 GLM 5.2，一款在代理式程式編寫與設計上可與最前沿專有模型競爭的開放權重模型，同時提供顯著更低的成本。
VibeThinker 3B：在小型語言模型中擴展推理能力
VibeThinker 3B 是微博 AI Lab 的研究模型，透過可驗證獎勵的強化學習，在數學與程式碼等特定推理任務上，能與規模大 300 倍的模型匹敵或超越。