Y Combinator CEO Garry Tan
Garry Tan 转引一项结果，称用普通人面对复杂道德困境时的建议训练，仅 3 million tokens 就把 malicious behavior 降至 0%，跨模型代际效率提升 28 倍；本批原文没有展开评测条件。另一条主张，agent skills 需要 eval-driven development loops，模型进步后应移除不再需要的部分。他说自己删掉了 /investigate，因为 Opus 5.5 不依赖该 skill 反而做得更好。他还赞赏 Aside 的 computer use，认为使用真正的 Chromium browser 带来较少被网站阻挡的优势。这些是转引、个人经验与产品评价，不表示某项模型永远无恶意或浏览器可以绕过访问限制。
AI Engineer 组织者 Swyx
Swyx 计划每周跟进 Anthropic IPO，直到它发生或不发生。他提到自己曾报道 BABA、TEAM 等大型 IPO，现在希望把 equity hedge fund analyst 的经验与 AI Engineer 视角结合，并与 Jamin Ball 合作。原帖是在介绍报道计划，不能据此认定 IPO 已完成或必然发生。
FPV Ventures 合伙人 Nikunj Kothari
Nikunj Kothari 用一篇明确标注 satire 的文字讽刺融资包装：先融 2M 美元，拿 200k 做 launch video、200k 买推广、500k 烧 tokens，再用友好客户的 LOIs 与 cARR 包装收入。他继续描绘分批融资把估值从 40M 推到 80M、100M，晚注册公司以营造短期收入增长，并花 100k 找人打磨 vision。他说每个桥段都曾独立发生在自己的经历中，但这不是一份真实创业计划或执行建议。另一条也质疑部分 startup 把付费合作曝光包装成自然 X views。同时他重新介绍 texts wrapped，分析 iMessage、WhatsApp 与电话记录，声称在 Mac 本地运行、无 AI、开源，并更新界面、insights 与准确度。使用入口是终端命令或 Claude Code/Codex，需要 full disk access；本地处理是产品陈述，这项权限仍意味着广泛文件访问。
Builder Zara Zhang
Zara Zhang 认为，个人网站正在成为新的 resume。LinkedIn 主要呈现职衔列表，个人网站则能展示品味、思考和真实作品。她主张不必被既有社交媒体平台的形式限制。
AI 教程作者 Peter Yang
Peter Yang 观察到，可使用不同实验室模型的 apps，包括 Conductor、Cursor 等，似乎正被模型实验室收购。他提到仍独立的 T3 Codes 与 Orca 是 open source。对于后续走向，他认为个人与企业仍然需要能使用多家模型的 apps；收购范围与未来需求都是他在原帖中的观察和判断。
SPC 普通合伙人 Aditya Agarwal
Aditya Agarwal 以 Starship 并非一夜建成为例，强调有雄心的技术既需要紧迫感，也需要耐心。原帖没有展开具体研发阶段或时间表。
曾参与 Claude Code 的 Thariq
Thariq 喜欢一种 creator apps 的产品模式：Instagram Edits、Roblox Studio 等内置 MCPs，让 agents 承担部分工作。同时，熟练用户仍能在已经习惯的工具中协作并继续完成任务。他关注的是 agent 与原有专业工作界面的衔接，而不是另起一套操作环境。
Vercel CEO Guillermo Rauch
Guillermo Rauch 介绍 conversational agents 的 generative UI：把 AI SDK、Chat SDK 与 json-render 结合，可以从 LLM 输出直接走到 Slack、Teams 等平台的界面。他认为这会成为主要的 Human-Agent Interaction（HAI）方式。这是他的产品方向判断，原帖没有给出跨平台覆盖率或用户采用数据。
Latent Space — Controlling Biology - Fabian Theis, Helmholtz Munich
核心要点：虚拟细胞的进步不只靠更大的模型，更要选对预测问题、守住简单基线，并让实验结果回到下一轮模型。
Helmholtz Munich 的 Fabian Theis 研究单细胞建模，也参与 Scanpy 等工具。他提醒，干预不只包括基因敲除，还包括药物、培养条件与细胞信号，虚拟细胞不能只等同于干预预测。
模型复杂度要由任务证明。他举例，同一器官内的 cell type 分类，logistic regression 仍可能很好用；跨器官或根据单细胞状态预测邻近细胞表达，问题才更复杂。他对学生的要求是：“我知道你们想做最花哨的 deep learning，但请一定要有 baseline。”药物数据难胜均值基线，留出集与指标会改变结论。
表示状态与预测干预需要分开。Foundation model 学到细胞状态空间，不代表已经会预测行动后果；后者更像输入状态 X 与行动 A，输出下一状态 X′ 的 world model。Theis 介绍，团队把表示学习与 flow matching 等生成方法结合，也要求用 scaling behavior 证明复杂模型的必要性，而不是直接复制 NLP 的训练目标。
下一步是让模型指导真实实验。他介绍 Lab Compass 逆向生成模型，目标是从期望细胞状态倒推实验输入，并与 Cambridge 合作者做了三、四轮 lab-in-the-loop 迭代。这需要实验人员愿意投入时间测量模型建议，不能只在论文里画一个闭环。当前更接近 active learning，把整个流程做成 RL 仍是愿景，实验周期也限制了自动化。
组织方式同样影响进展。Munich School for Data Science 的 Y 型指导让方法与领域两位 PI 共同提出项目，学生参加两边的 lab meetings，把尚不清晰的生物问题转成可测量任务。商业化上，他看到单纯“生物学 foundation model”平台常转向药物资产，更看好模型与独特数据生成结合。研究效果与产业前景按他的陈述归属。类器官仍有限制，不代表完整器官模拟或临床疗效。