X / 推特
OpenAI Codex & ChatGPT Thibault Sottiaux
Thibault Sottiaux集中回应了 Codex 和 ChatGPT Work 用户关心的 GPT-5.6 Sol 使用量问题。他明确说没有“削弱”，OpenAI 做了推理优化，并把节省下来的成本传导给所有 GPT-5.6 Sol 订阅，预计单这一项就会带来约 10% 的额外可用量。他还解释，产品里把 GPT-5.6 Sol 的上下文限制从 GPT-5.5 的 272k 提到 372k 后，实际计费消耗高于预期，所以已经先回退到 272k，之后会再逐步恢复到 372k。团队也排查了 reasoning effort，也就是内部所谓 juice values 的实验，并已回滚相关变化。高和 xhigh reasoning effort 下 multi-agent 的使用量略高于预期，auto-review 也发现了一个可提高效率的小问题，后续都会修复。他还确认 GPT-5.6 Sol 会继续留在用户已经付费的 ChatGPT 订阅里，包括 Go、Plus、Pro、Team、Edu 以及其他付费订阅，至少会持续到 OpenAI 发布更好的模型为止。
https://x.com/thsottiaux/status/2076495156757577895
AI 教程创作者 Peter Yang
Peter Yang观察到当天社区里大量用户都在使用 GPT-5.6 Sol，他的粗略猜测是 90% 以上的人在用 Sol，而使用 Terra 或 Luna 的人不到 10%。这不是官方数据，而是他基于社区反馈做出的判断，但能反映出新模型发布后用户偏好快速集中到最强可用模型上。他进一步讨论了社区情绪转向时公司的沟通方式，认为越是在争议期，越不应该减少沟通或变得更“企业化”。他的建议是反过来做，用更像真人的方式沟通，透明解释发生了什么，并和社区一起找解决方案。他也点名 Anthropic，说他们的模型同样优秀，但不理解为什么沟通方式会如此疏离。在他看来，OpenAI 这次更直接地与社区互动，是值得其他 AI 公司学习的做法。
https://x.com/petergyang/status/2076512796481880270
Replit CEO Amjad Masad
Amjad Masad分享了一个“Vibe Research”实验：在 Replit 上微调一个 Qwen-8b 模型来下棋。他同时跑了 3 条并行实验分支，并表示已经取得了实际进展。这个例子让他感到惊讶的是，模型现在做 ML 工作的能力已经进步很多，而过去它们在这类任务上表现很差。他的判断是，一个有良好直觉、能指导实验方向的人，即使此前没有做过机器学习，也可能借助模型完成有意思的 ML 工作。他还展示了 Replit 的 computer use model 和他的新 chess engine 对弈，说明他不只是讨论理论，而是在把模型、工具和具体游戏环境放在一起试验。整体看，他关注的是 AI coding 环境如何把原本需要专业背景的实验工作，变成更多 builder 可以上手的实践。
https://x.com/amasad/status/2076227936202662357
Vercel CEO Guillermo Rauch
Guillermo Rauch给出的核心建议是：把模型变成你自己机器里的一个齿轮，而不是把大脑外包出去。他把 Vercel 的几层 AI 基础设施串起来看：AI SDK 对应 open model API，另一个开放 Agent API，AI Gateway 则对应 open ZDR inference。他强调，创业公司和企业必须拥有自己的数据、evals、模型选择权和软件层。这里的重点不是反对使用外部模型，而是不要把判断、流程和可替换性都交给某一家模型供应商。对企业来说，真正的长期资产是自己的数据闭环、评估体系和应用层控制权。Rauch 的观点和当前 agentic coding、模型路由、零数据保留推理的讨论高度相关，因为这些能力最终都服务于同一个目标：让 AI 成为可组合的基础设施，而不是不可控的黑盒。
https://x.com/rauchg/status/2076364176252191222
Box CEO Aaron Levie
Aaron Levie提出，21 世纪企业架构里的一个关键问题，是如何在 AI 模型拥有大量通用智能的时代，最大化公司自己的 IP。这些 IP 不只是文档内容，还包括决策、洞察、工作流模式和最佳实践。他认为，不能简单用“苦涩的教训”把这些问题抹掉，因为当所有公司都能访问 frontier intelligence 时，真正的差异反而来自企业如何独特地利用这些智能。企业需要为自己的工作流建立 evals，能够在不同智能层级的模型之间路由，并捕捉 traces 来持续改进自身流程。他还强调，企业信息的价值应该随着 AI 变强而复利增长，而不是被模型层吞掉。正因如此，底层 AI 和企业之间的 applied AI layer 还有大量价值可创造。Levie 判断，能帮助企业解决这些问题的公司，会更有机会赢得下一代企业工作负载。
https://x.com/levie/status/2076338364635287637
Builder Zara Zhang
Zara Zhang分享了一个非常具体的 AI coding 工作流：把“会议转录当作 PRD”。她会先和同事讨论一个功能的实现方案，然后把会议 transcript 发给 Codex，让它按讨论内容构建 prototype。她把这个过程总结成一句话：“The meeting is the prompt”。这个做法的关键点是，需求不再需要先被整理成传统 PRD，讨论本身就包含了足够多的意图、约束和实现线索。对团队协作来说，这意味着会议记录可以直接进入开发链路，而不是只作为会后备忘。这个例子也说明，Codex 这类工具的价值不只在写代码，还在把非结构化协作内容转成可运行原型。
https://x.com/zarazhangrui/status/2076300222884626754
FPV Ventures 合伙人 Nikunj Kothari
Nikunj Kothari批评了一种 SF 常见现象：很多人会说自己在 tokenmaxxing，有很多 subagents 不断循环做事，但当被问到“在为谁做什么”时，很少有人能给出直接答案。他的判断是，即使在疯狂的 AI 时代，简单性和方向感仍然极其重要。换句话说，更多 token、更多 agent、更多自动化，并不会自动替代清晰的问题定义。他提醒 builder，在让 token “go brrr” 之前，先想清楚自己谋生所做的东西是否真的重要，因为时间是唯一拿不回来的东西。他还提到 outbound sales 是最让人谦卑的技能之一，虽然可以学习，但真正优秀的人做起来会让人羡慕。他认为随着时间推进，销售能力会变得更加重要，这和他前一条对方向感的强调是一致的：AI 能提高执行效率，但不能替代选择市场、理解客户和把东西卖出去。
https://x.com/nikunj/status/2076458876816540144
AI assistant Claude
Claude 官方账号宣布，所有付费计划上的 Claude Fable 5 访问权限会延长，同时 Claude Code 的每周 rate limits 继续保持 50% 的提高，持续到 July 19。它还说明，用户仍然最多可以把每周使用额度的一半用于 Fable 5。达到这一比例后，用户可以继续用 usage credits 使用 Fable 5，也可以切换到其他模型，在剩余额度内继续工作。这条更新的重点是把模型访问、周额度和 Claude Code 的使用限制放在一起说明，避免付费用户误解 Fable 5 的可用范围。对重度 Claude Code 用户来说，50% 更高的周限制延长到 July 19，是直接影响工作流容量的变化。Claude 还附上了更多细节链接，供用户查看具体规则。
https://x.com/claudeai/status/2076351399999557669
播客
No Priors — How Nuclear Will Unlock Energy Abundance with Valar Atomics Founder Isaiah Taylor
核心要点：Isaiah Taylor 认为核能的瓶颈不是设计出更复杂、更漂亮的反应堆，而是像制造业一样快速迭代、开机、运行，并把 tick rate 压到足够低。
Isaiah Taylor 是 Valar Atomics 的 founder and CEO，地点是在他们的 Utah nuclear facility。他对核能的切入点很反传统：不是从几十年核研究资历出发，而是因为长期挫败于行业推进速度太慢，最后决定自己来做。他的家庭背景里有 Manhattan Project 的记忆，但真正触发他的，是意识到美国在 1970s 后基本停止建造反应堆，而行业后来没有以足够快的速度重新启动。
他的第一层判断是，美国核能停滞的根源和 Three Mile Island 有关，但事件本身没有造成人员死亡、受伤或公众辐射剂量，真正的问题是公众信心和行业能力的断裂。之后美国从擅长大型土木基础设施，转向更擅长 advanced manufacturing。Taylor 因此认为，重启核能不应复制 1960s 的 civil infrastructure 路线，而要转向更像制造复杂设备的路线，也就是 manufactured rather than constructed。
第二层判断是，当前核能行业太像 modeling and simulation industry。很多公司把重点放在最精致、最高效率、最复杂的设计上，但 Taylor 认为今天真正需要的是“Toyota Camry problem”，不是 Lamborghini。他的原话非常直接：“We don’t wanna make Lamborghinis. We want to make a very simple, very cheap, very safe reactor that we can make literally tens of thousands of.” 他的逻辑是，复杂设计也许能带来一点性能提升，但如果 Valar 能制造一千台简单、安全、便宜的反应堆，就能在成本上获胜。
第三个关键概念是 tick rate，也就是从公司成立到第一次 split an atom，再到第二次、第三次之间的时间间隔。Valar 从 Delaware 注册到第一次 split atom 用了两年四个月，从 Project Nova 到当前反应堆再次 split atom 大约用了七个月。Taylor 的目标是把这个间隔从六个月、四个月、一个月，最终压到分钟级。他说公司未来会达到每隔几分钟就有一个新反应堆启动的状态，因为核能经济性的核心不是 uranium 成本，而是能否快速、便宜地生产 plants。
第四个亮点是他们和 NVIDIA 的演示。Valar 把一个 NVIDIA Blackwell 系统直接连到核反应堆上，称其为 first ever AI chip powered by a nuclear reactor，并用它托管 nuclearwebsite.com。网页还会显示为了交付该页面分裂了多少 uranium atoms，甚至 Valar merch 也只能在这个由反应堆供电的网站上购买。这个展示把 AI compute 和能源基础设施的关系变得非常具体：不是抽象谈数据中心电力，而是让一块 AI chip 直接从核反应堆取电。
Taylor 对 AI 带来的电力需求并不只看作短期 tailwind。他认为 energy 是 commodity，需求由价格决定，只要能降低价格，就会创造新的需求。如果能源能做到 1 cent，甚至十分之一 cent，人类会发明新的用法。他把这称为 hyper techno industrialism：随着 AI 把人工输入转化为机器人和自动化系统的能耗，能源会成为制造业、交通和物理世界扩张中更核心的约束。对 AI builder 来说，这个 framing 很重要，因为 compute 的边界最终会撞上 power 的边界，而 Taylor 想解决的正是这个底层输入。