Thariq
Thariq 回看了一年前用 Claude Code 制作视频的尝试。那些作品并不是一次生成就完成。他当时需要反复指出细节错误，并花很长时间迭代。如今再比较，他感到能力已经前进了很远。这条回顾把模型进步落实到了创作中的修改成本。
Garry Tan
Garry Tan 分享了自己目前最喜欢的修 bug 方式。他把 capy 与 GStack 的 /autoplan 配合使用。演示针对的是一个生产环境问题。模型选择为 GPT-6，使用 medium reasoning。他把这套组合呈现为实际修复流程，而非只展示代码生成。
Peter Yang
Peter Yang 正用 Gemini audio API 做一个练习日语会话的应用。课程规模是 10 节，每节 10 个短语。为了尝试 Google 的新音频 API，他首次使用 Antigravity，并寻找反馈渠道。同一天，他说自己感受到的 Claude 额度从几乎不够用变得很宽裕。这些是他在具体学习应用开发中的工具体验。
Dan Shipper
Dan Shipper 先把 Plato 的《Protagoras》改写成小说。他随后让 Opus 5.5 把这份改写转成电影。已分享的作品包含第一场和第二场。两条推文展示了同一个创作项目的连续片段。这个流程把文学改写与影像生成接在了一起。
Guillermo Rauch
Guillermo Rauch 呼吁拒绝没有理解的 AI 输出。他担心低质量、未经核实的文字不断被塞给读者，会让人因疲惫而放弃认真阅读。他举出把算法与数据结构优化误称为编译器优化的讨论，说明问题也存在于技术解释中。这种低质量输出不只影响代码和 PR。Rauch 希望 AI 被用来增强理解与创造，而不是让读者承担辨认错误叙述的成本。
No Priors | Why Diffusion Will Win AI Inference with Inception Co-Founder and CEO Stefano Ermon
核心要点：扩散语言模型的突破口是并行推理，把同样质量的答案更快、更省地交付给用户。
Inception 联合创始人兼 CEO Stefano Ermon 从 2014 年起在 Stanford 研究生成模型，2019 年与 Yang Song 探索逐步去噪的生成方法。他在 2024 年看到一个关键结果：GPT-2 规模下，扩散模型能在相同数据和参数量上达到自回归模型相近的困惑度，同时文本生成约快 10 倍，随后创办 Inception 推进商业化。
第一，瓶颈在生成时的串行计算。自回归模型必须先生成前面的 token，才能生成后面的 token，GPU 大量时间花在搬运权重。扩散模型同时处理多个 token，从粗到细反复修正，更接近 GPU 擅长的并行矩阵计算。Ermon 的判断是：“最终胜出的会是更并行的方案。”
第二，速度已经有明确的使用场景。语音 agent 要串起语音识别、LLM 推理与工具调用、语音合成，任何一段等待都会影响体验。他介绍 Open Call 从专用芯片上的模型转向 Mercury，以 NVIDIA GPU 获得所需速度。Mercury 保留 OpenAI 兼容 API 和结构化输出，方便复用原有产品栈。
第三，研究结果必须配上完整服务能力。Inception 约 50 人，不仅训练模型，还自建推理服务引擎、后训练工具和评估，利用真实客户反馈迭代。现成的自回归模型服务框架无法直接承担它的生产需求，这些工程投入也逐渐成为积累。
第四，速度优势不等于已达到最前沿智能。Ermon 明确说，现阶段很多任务仍需要更强的模型；他估计约 20% 到 30% 的工作负载高度在意延迟。更强可控性和数据效率仍是继续探索的方向，他选择先把可测量、用户愿意付费的速度做好。他也承认，新架构的工具生态尚不成熟，部署和本地化使用更难，需要团队自己补齐大量基础工具。