如何花 17 美元训练你自己的 Jev 分类模型
Together AI 发布教程，演示如何在 Qwen3.5 4B 基础上微调一个 Jev 式分类模型，并已在其 serverless 平台推出 together/Tev1-4B-experimental。
全部动态
Together AI BlogAI 评分4242
Trail of Bits · AI安全研究AI 评分6969 在 AI 够用的时代做审计，Trail of Bits 让智能体为 Miden zkVM 自建工具链与 Lean 模型
Trail of Bits 复盘 Miden zkVM 审计，团队在代码审查开始前用智能体从零构建了 LSP 服务器、反编译器、静态分析引擎和 Lean 形式化模型。
goose 官方博客AI 评分4848 goose 用可重入状态机取代经典智能体循环
goose 将经典智能体循环替换为可重入状态机：持久化对话作为主状态，每类智能体行为编码为一个 Operation，按序检查、首个命中者生效，其效果持久化后从顶部重新开始。进程重启后可从最近持久化步骤继续，另一前端也能加载同一会话接续，代码更易测试与重构。模型提供商、扩展管理器与 hooks 仍是运行时依赖，外部副作用仍需谨慎处理。
Augment Code 博客精选AI 评分6464 Augment Code 复盘软件工厂实践：按瓶颈部署 Agent，人均规模调整产出提升 4.5 倍
Augment Code 复盘其 2025 年 11 月至 2026 年 7 月在 Augment Cosmos 上构建软件工厂的经验，覆盖 17,200 个已合并 PR。
推荐理由：Augment 复盘自家九个月的软件工厂实践，给出了产出、合并时长和回滚率的量化数据，以及按瓶颈扩展自动化的可迁移方法。
Ahead of AIAI 评分6060 Claude 如何为 AI 生成的文本添加水印
Sebastian Raschka 用 52 页幻灯片和 48 分钟讲座拆解 Claude 文本水印机制，说明水印施加在采样阶段，不需要改动或重新训练模型。生成时由密钥结合前四个词推导随机种子，在候选词概率接近的位置固定采样选择，使文本带有只有 Anthropic 能解码的水印。
Ahead of AIAI 评分6767 Sebastian Raschka 从零构建 AI 文本检测器
Sebastian Raschka 发布教程，从零构建一个输出 0-100 分的 AI 文本检测器，借此讲解此类检测器的工作原理，思路类似据其所知支撑 Substack AI 检测功能的 Pangram 模型。
Microsoft Source · AIAI 评分4545 如何用 Microsoft Copilot 构建 AI 智能体：人人适用的简明指南
Microsoft 发布零代码构建 AI 智能体的入门指南：在 Copilot Chat 中点击「Agents」→「New Agent」，用自然语言描述需求即可生成智能体草稿。指南分五步，从明确问题、查看预构建智能体商店、配置行为语气，到接入邮件、文档、SharePoint 等知识源并定义输出，最后测试、共享与扩展。
Ahead of AIAI 评分6363 Sebastian Raschka 解析 LLM 推理强度档位的控制与训练机制
Sebastian Raschka 撰文解析 LLM 推理强度档位的原理，指出档位在推理时通常通过系统提示控制，训练上可采用档位条件化的 RLVR 或 RLVR 后按档位做 SFT 两条路径。
Lilian Weng 博客AI 评分6464 Lilian Weng 长文解析 Harness 工程如何支撑递归自改进
Lilian Weng 在博客发布长文，把 harness 定义为围绕基础模型编排执行、工具调用、上下文管理与结果评估的系统，并系统梳理 harness 工程对递归自改进（RSI）的作用。
Ahead of AIAI 评分7171 Sebastian Raschka 详解如何用 Ollama 与 Qwen3.6 搭建本地编码智能体
Sebastian Raschka 分享长篇教程，演示用 Ollama 服务 Qwen3.6 35B-A3B 等开放权重模型，在本地搭建编码智能体并接入 Qwen Code、Codex 和 Claude Code 三种框架。
Lilian Weng 博客AI 评分4646 Lilian Weng 详解 Scaling Laws：缩放定律需谨慎对待
Lilian Weng 长文解析深度学习 Scaling Laws：训练损失随模型规模 N、数据量 D、算力 C 呈幂律可预测下降，近似 C ≈ 6ND。文章讨论 Kaplan 与 Chinchilla 定律的调和、数据受限场景及现实拟合缩放定律的难点。实践中可用少量小规模运行拟合后外推，估算大模型所需 token 与算力。
goose 官方博客AI 评分5151 goose 团队复盘自改进智能体仍需人类把关的基准使用方法
goose 团队阐述其基准方法论：编码智能体基准易因 Goodhart 定律被过拟合，他们把 Terminal-bench 当作失败信号来源而非排行榜分数，并刻意用 Sonnet 留出足够失败样本。
goose 官方博客精选AI 评分6363 goose 如何跨多个智能体编排复杂工作流
goose 官方博客介绍如何用编排功能协调多个智能体并行处理复杂工作流，把复杂任务分解成子任务后分派给子智能体、ACP provider 或其他 goose 实例。
推荐理由：goose 官方讲解如何编排多个智能体并行协作，附可直接复用的提示词示例和读并行写串行的实践原则。