Pocket FM 如何靠 AI 内容生产从 $250M ARR 翻倍到 $500M

机器人公司 Skild AI 宣布在开始商业部署 10 个月内达到 1 亿美元 ARR，应用于工厂产线、建筑工地、厨房和数据中心等场景。作者补充：其通用模型可让机器人通过观看视频掌握超过 10 分钟的多步任务而无需重新训练，目前驱动数百台机器人、服务 60 多家公司（年初为 8 家），覆盖人形、机械臂、灵巧手和四足形态。

Rohan Paul 指出，个人AI的难点不在于提供更多上下文，而在于判断哪些上下文应真正改变答案--需按相似度之外的标准（如时效性、当前任务、新旧记忆是否矛盾）对记忆排序，有时检索到信息也应决定其不影响回答。他引用 @kimmonismus 的观点：AI 需识别用户优先级变化、让假设可见并可修正，@TodayAIofficial 正探索此方向。考验在于能否应对普通而混乱的一天，把决定权留给用户。

Claude Code 创作者 Boris Cherny 在 Y Combinator Startup School 2026 上被问如何学会用好 Claude Code 时表示，别听 LinkedIn 网红，模型使用没有所谓一招制胜的诀窍。

Rohan Paul 转发 Sapient 的回应称，Sapient 于 2025 年 6 月提出 Hierarchical Reasoning Model，并于今年 5 月开源 HRM-Text，认为 OpenAI Astra 将循环架构带入前沿讨论验证了其早期方向。

用户 @anshuc 使用 GPT-6 Astra 在 45 分钟内构建了一个 afterlight 庭院场景。流程是先生成概念艺术图，再让 Astra 在 Blender 中迭代，直到游戏内截图与概念图匹配。

Semianalysis 报道，OpenAI 自研 Jalapeño 芯片将于 2026 年底部署于自有算力。该芯片在约 100 tok/s/user 下实现约 11M tok/s/MW，约为最佳 Blackwell 级配置的 2 倍，且采用单 token 预测（STP）而非多 token 预测（MTP），性能全面超越其他芯片。

卡兹克发文讲解GPT-6 Astra的推理强度等级（Reasoning Effort）含义，指出各档位是同一模型的不同思考预算，Ultra则类似拉起多个智能体协作的专项工作组。

作者数字生命卡兹克发布GPT-6 Astra操控Blender的小白教程，介绍前期安装、官方MCP与Computer Use插件配置，并实测三种玩法。Computer Use花约4小时搭出天坛祈年殿，但耗掉200美刀Pro会员近半额度；MCP更快，可完成摩托车建模与组装动画，但复杂任务会单次运行超时，可拆分步骤或用CLI执行Python脚本解决。

Shir Meir Lador 在 Google AI 开发者博客介绍如何用 Cloud Run instances 以每月 $5.70（1 vCPU、1Gi 内存、共享 CPU）在云端 24/7 运行常驻 Agent。

GitHub 工程师 Erik Kristensen 分享了 Copilot 降本的四项改动：选择性压缩工具输出、移除 view 工具行号前缀（线下推理成本降约 5%，线上用户日均推理成本降约 3%）、压缩 task-tool 提示词（每轮省约 1300 token，每活跃小时归一化成本降 2.9%）、后台任务完成后直接交付结果（AI Credits 用量降约 2.3%）。