AI 时代年轻人该怎么做

作者以模式（列向量乘行向量）为核心概念，讲解低秩近似、LoRA 与 4 位量化的原理：LoRA 冻结原有权重只训练新增的 r 个模式，量化用 NF4 分块缩放压缩存储。文中回顾华盛顿大学 QLoRA 在单块 48GB GPU 上微调 65B 模型的结果，并估算 7B 模型全参数微调约 100 GB、LoRA 约 15 GB、QLoRA 约 5 GB 显存开销。

马东锡认为“Agent +”场景中会搭 Agent 已是最不重要的能力，更关键的是熟悉具体业务场景，AI engineer 这一角色已与 AI 关系不大、也不值钱。他建议 AI 领域的年轻人靠近模型本身，去做训练、量化、推理或参与 AI 基础设施建设。

作者以 InstructGPT 与 GPT-3 对同一请求的不同回答为切入，解释预训练只教模型猜下一个词，基座模型因此存在不听指令、可能造成伤害、不擅长长链条推理三个短板。

Hamel Husain 发布新文章《How To Use Decision Models For Evals》，讲解如何为任务选择决策模型、调优阈值（提醒不要默认 0.5）并解读分数，配有交互式图表。

Anthropic 介绍其 Code Review 实践，Claude 编写了约 90% 的 Claude Code 代码，6 月到 9 月合并 PR 翻倍以上、回退占比下降超过 40%。

Anthropic Applied AI 团队的 Kevin Bai 做 FDE 101 分享，讲清前线部署工程师角色。他指出 Palantir 靠 FDE 模式做到上市 SaaS 公司最高平均合同金额 400 万美元；FDE 成立前提是有可复用平台，仅适用于把复杂产品卖给非技术买家的场景。

我整理了一套最新且经过验证的 DGX Spark 配置方案，适用于后训练等机器学习实验： - aarch64 架构上配备原生 PyTorch 2.13 的 CUDA 13 - 经 GB10 测试的训练内核 - 隔离的 vLLM 环境 - 以 PyTorch SDPA 作为可靠的注意力基线 https://github.com/dxnlp/dgx-spark-dongxi

数字生命卡兹克分享用 AI 逆向改造现实设备的实操教程，以公司 4 台会议室电视为例，通过 Codex 开启 ADB 调试连接电视，清理开机广告、重做简洁桌面和粒子动态屏保，并复刻到其余 3 台。

Browser Use 作者整理了让 Claude Code、Codex、Gemini CLI、Cursor 等编程智能体使用已登录 Chrome 的方法：Claude 订阅用户可用 claude --chrome 的 Claude in Chrome 扩展。

Anthropic Applied AI 团队发布指南，讲解何时把 orchestrator 下的路由器、规划器和领域子智能体合并进单个主 Agent 循环。文中对比显示，带 skills 的单智能体在质量上常优于一提示全包和子智能体设计，且成本和延迟更低，一家客户改用单循环后运行时间约快 2x。