Anthropic Claude 团队 Boris Cherny
Boris Cherny 表示，Claude 模型在过去几年里持续改进了提示注入防御。随着 agent 承担更多工作，他认为解决这类问题对整个行业越来越紧迫。Anthropic 将与 Gray Swan 合作举办相关竞赛，邀请参与者寻找问题。这条更新强调的是继续检验防御能力，没有宣称提示注入已经解决。
OpenAI Codex 产品成员 Nan Yu
Nan Yu 提醒，品味不等于审美。他认为把品味只理解为外观上的偏好，是最浅的一层定义，也因为太常见而缺乏意思。原帖没有进一步定义更深层的品味。
Box CEO Aaron Levie
Aaron Levie 预计，从来回聊天转向在后台持续完成工作的 agent，token 消耗可能达到现在的100到1000倍。现在的知识工作受限于人的信息处理能力，包括跨系统搬运数据、审阅文档、查代码安全、分析日志和研究潜在客户；聊天助手虽然加快单项任务，人仍是并行工作的瓶颈。他设想先把更难的问题交给 agent，再把任务拆给多个 agent，最终让任意数量的 agent 围绕目标持续工作。代码安全、每次改动的 QA、基础设施检查、逐份文档风险分析和更大规模审计，都可能因此覆盖以前没有做过的工作，而非只是替代既有劳动。这些 agent 群可以由人、工作流、触发器或其他 agent 启动，前提是模型继续改进、成本足够低，随后算力供给会成为限制。另一条更新中，他称 Meta 推出 Muse 开放权重模型，有助于企业用前沿模型处理编排和高难任务，再用低成本、定制后训练模型承担重复工作。他认为这会进一步增加整个技术栈的 token 和工作量，也对机器人、飞行汽车、太空设施及疾病治疗等技术的长期发展表示乐观。100到1000倍消耗与这些未来场景均是他的预测。
AI 教程与访谈作者 Peter Yang
Peter Yang 与8岁的孩子一起征集 T 恤设计反馈。他请家长选择愿意给孩子购买的设计和最喜欢的角色，并用编号和理由回复。他展示了通过 Fourthwall 订购的企鹅设计样品。随后，他向 bot 发出请求，希望它监测这串回复，并在12小时后报告胜出设计。这是一组从实物样品、用户选择到委托汇总反馈的动作，帖子没有提供最终统计结果。
Every CEO Dan Shipper
Dan Shipper 用一段讽刺性的文字提醒，不应把识别模型内部表征直接等同于理解其计划。他描述了一条容易让人过度自信的路径：先关注多义性和叠加，再找到对埃菲尔铁塔有反应的神经元，继而认为知道模型何时想到 France 就足以对齐超级智能。他的落点是，知道模型认出了什么，并不能说明它准备做什么。这是对可解释性结论边界的批评，没有给出新的实验结果。
Builder Zara Zhang
Zara Zhang 引用 Ezra Klein 的一句话：“永远不要低估受众的智力，也不要高估他们已有的知识。”这条分享把理解能力和背景知识区分开。她还展示了自己制作的 The Toddler Times，一份 Harry Potter 风格、图片能动起来的报纸。她称制作过程很有趣，但原帖没有说明实现工具和具体制作步骤。
SPC 普通合伙人、Bevel Health 联合创始人 Aditya Agarwal
Aditya Agarwal 认为 Goodfire 可能是从 SPC 走出的最重要的公司之一。他看重的是这家公司把可解释性和对齐作为工程问题来处理。这是他的评价；原帖没有展开具体技术方法或测量结果。
The MAD Podcast with Matt Turck — Jev: The AI That Makes Decisions, Not Text - and Why It Changes Everything (Diogo Almeida)
**核心要点：Jev 把 AI 做成可组合、可设阈值的决策部件，目标是让软件可靠地自动运行。** TypeSafe CEO Diogo Almeida 曾在 OpenAI 参与 RLHF 工作。他认为，聊天模型流畅、自信的表达抬高了用户预期，但在后台自动化中，细小而不易察觉的错误仍会让整套流程失效。Jev 因此瞄准直接嵌入软件的机器原生智能。 第一，把庞大 prompt 拆成能测试的判断。邮件助理不必一次理解全部偏好，可以分别判断来信是否为销售、招聘，或是否点名要求本人处理，再由代码组合这些判断。每个分支都能单独评估，错误可以加入测试集；他没有声称邮件排程已经被 Jev 完全解决。 第二，把概率和选择权交给开发者。错过重要投资人邮件与多看一封普通邮件的代价不同，开发者应自行调节阈值，而非接受模型隐藏的二元决定。Almeida 说：“你会得到你所优化的东西。”他认为可靠性与概率校准才决定能否把任务交给后台，基准分数不能直接证明这一点。 第三，训练创新从任务定义开始。RLCD 不只是换一个强化学习算法，还涉及输入输出形式、数据形状、平衡方式与目标。团队自行制作数据，并组合开放权重模型，没有从头预训练。分类器在他看来是一种让智能影响软件分支的接口，复杂能力可以由可靠的小部件逐层组合。 第四，低成本应打开新需求。他期待开发者把有效部件反复调用，成本下降后扩展到过去不值得自动化的工作。当前优先通过 API 快速迭代，开放权重仍在讨论，并无承诺。他也提醒，复制接口容易，达到可靠性更难，但对竞品的优劣判断仍需测量。其核心主张是先让明确任务在真实软件里稳定工作，再讨论更宏大的智能愿景。