EasyVibeCoding Podcast

EasyVibeCoding Podcast

By EasyVibeCodingTechnology
Download on the App Store

EasyVibeCoding Podcast episodes

  • OpenAI 更新 ChatGPT:GPT-5.6 Sol 統一支援 Plus 與 Pro 對話,GPT-5.6 Luna 開放免費無限文字聊天

    OpenAI 更新 ChatGPT:GPT-5.6 Sol 統一支援 Plus 與 Pro 對話,GPT-5.6 Luna 開放免費無限文字聊天。

    更新重點 OpenAI 在 2026 年 8 月 7 日表示,GPT-5.6 Sol 已成為 Plus 與 Pro 使用者所有 ChatGPT 對話的核心模型,涵蓋 Instant 與較深度的 reasoning,目標是提供更聚焦、可靠且一致的回答。Free 與 Go 使用者則獲得 GPT-5.6 Luna 的無限文字聊天;面對較複雜的問題,也能使用新的「Think」按鈕要求模型投入更多 reasoning。
    GPT-5.6 Sol 改進 這次更新針對 ChatGPT 的日常對話體驗,重點包括:
    優先直接回答問題,減少不必要的格式與細節。
    依問題難度調整回答長度;處理規劃、研究、寫作或多步驟任務時,仍保留完整脈絡。
    當單純同意使用者並無幫助時,主動提出適當修正。
    Plus 與 Pro 使用者可在網頁、手機與桌面版 ChatGPT 使用滑桿,調整每次回答投入的思考量。影片畫面顯示選項可在 5.6 Instant、5.6 Medium、5.6 High 與 5.6 Extra High 之間切換。
    星空背景中的手機畫面,淺色 ChatGPT 介面顯示 Ask ChatGPT 輸入框與 5.6 Medium 調整選項
    可靠性評測 OpenAI 引用涵蓋金融、醫療與法律問題的內部評測指出,回答至少包含一項事實錯誤的比例,相較 GPT-5.5 Instant,GPT-5.6 Luna 約少 62%,GPT-5.6 Sol 則少 68%。官方將改進歸因於模型更善於運用找到的來源,尤其是回答涉及日期、數字、規則、來源或前提假設的問題時。原文也以自行車騎乘天氣問題示範:GPT-5.6 Sol 先回答「不會被雨淋濕」,再指出真正需要注意的是前往 Ocean Beach 時的逆風與降溫,而不是重複完整天氣預報。
    比較 GPT-5.5 Instant 與 Updated GPT-5.6 Sol 兩款模型對同一通勤氣象問題的回答介面,上方顯示使用者輸入的問題文字,下方左右兩欄分別呈現不同版本的詳細天氣分析與建議,右側版本附有帶時間、天氣狀況與降雨機率的 San Francisco, CA 表格。
    免費使用擴大 GPT-5.6 Luna 將在本週成為 Free 與 Go 使用者的預設模型;自下週起(官方文寫下週起、發布當日推文則稱隔日起),兩種方案可無限進行文字聊天,並透過「Think」按鈕處理需要較深思考的問題。這項擴大服務仍受 abuse guardrails 約束,檔案上傳、圖片與其他工具也仍有使用限制。背景脈絡是 ChatGPT 每週已有 10 億人使用,OpenAI 希望降低持續提問與發展想法的門檻。
    宣傳 GPT-5.6 Luna 無限文字對話服務的星空背景圖
    範圍與限制 Plus 與 Pro 使用者可從今日開始使用更新後的 GPT-5.6 Sol 與滑桿;Free 與 Go 使用者則依上述時程取得 GPT-5.6 Luna。這個版本的 GPT-5.6 Sol 是為日常聊天最佳化,因此只會出現在 ChatGPT 的 Chat 體驗中;支援 Work 與 Codex 的 GPT-5.6 Sol 不在本次發布範圍內。更多安全訓練與未滿 18 歲使用者的評測,可參考 OpenAI 的官方說明。

    原文:https://easyvibecoding.app/curated/2873-openai-gpt-5-6-sol-unifies-plus-pro-chats-luna-unlimited-free

    4 min
  • Prime Intellect 開源 Prime Agent:harness 讀自己的執行軌跡改寫 prompt 與 skill,搭 Opus 5 在 ARC-AGI-3 勝人類專家基準

    Prime Intellect 開源 Prime Agent:harness 讀自己的執行軌跡改寫 prompt 與 skill,搭 Opus 5 在 ARC-AGI-3 勝人類專家基準。

    產品定位 Prime Intellect 將 Prime Agent 定位為通用程式開發 harness,也適合研究與長時間自主評測(long-horizon autonomous evaluation)。官方表示,它不只針對單一 benchmark 設計,在 ARC-AGI-3 上以 Opus 5 取得 95.5% 成績,超過人類專家基準 95.4%;團隊也稱,Prime Agent 在多項長上下文與長 horizon 任務中,相較模型原本搭配的專有 harness,能讓開放權重與封閉模型的下游表現更好。
    Prime Agent 搭配 Opus 5 在 ARC-AGI-3 取得 95.5% 的得分,超越人類專家基準線(95.4%)。
    Prime Agent 建置於 pi 之上,採完全開源與 MIT License。
    三個核心設計 Prime Agent 將三種機制組合在同一個執行環境中:
    RLM-native programmatic tool calling:模型把 context 視為變數,並在持續運作的 REPL 中以程式碼操作歷史內容、呼叫工具與啟動 sub-agents。
    Persistent multi-agent orchestration:sub-agents 能並行或在背景執行,彼此直接傳送訊息,並保留自己的工作狀態。
    Self-improving Continual Harness:harness 可保存並更新 prompt、記憶、skill 與 sub-agent 規格,讓 Agent 根據實際執行軌跡逐步調整工作方式。
    單一 turn 與 Continual Harness 迴圈的架構圖,圖上標示 MODEL、IPYTHON KERNEL、SUB-AGENTS 與 CONTINUAL HARNESS;圖說寫明 Continual Harness 讀取跨 turn 的執行軌跡並寫回 harness 狀態
    RLM 執行模型 Prime Agent 的模型使用持續存在的 IPython kernel,並將它視為唯一的工具介面。檔案操作、Shell 命令、工具呼叫、context 管理與 sub-agent 啟動,都能由模型在 kernel 中以程式碼完成。這讓長 session 不必把所有歷史重新塞回 active context;模型可以把有用資料保存在變數或外部狀態中,把長時間工作變成可以用程式管理的問題。
    RLM 架構圖,說明讓 LLM 透過 persistent Python REPL 來檢查與轉換輸入資料,並在該 Python REPL 內呼叫 sub-LLMs 的運作機制。
    多 Agent 與持續工作 rlm(...) 能建立真正的子 Agent,每個子 Agent 都擁有自己的模型、IPython kernel、session tree 與對話歷史。Agent 之間可透過 daemon 傳遞訊息,協調平行工作、追蹤進度或處理共用資源;官方說明這類訊息傳遞限於同一個「核心家庭」,也就是父、子與兄弟 session 之間。Prime Agent 也支援 background session、heartbeat、schedule、persistent goal 與 bounded autonomous mode,官方提醒通過的 gate 只驗該 gate 檢查的項目、達到上限並不代表任務成功;即使終端機中斷,工作仍可在背景繼續,之後再重新連線。官方展示的使用情境包括 EmulatorBench、Factorio、MazeBench,以及從零以 Rust 建立 SEGA Genesis 與 Game Boy Color emulator。
    Prime Agent + GPT-5.6 Sol (xhigh) 在 GAME BOY COLOR 評測中 SCORE 達到 0.998,領先 Codex 與 Claude Code 等其餘組合(SCORE 均為 0.000)。
    執行 Prime-Agent 配合 GLM-5.2 在 MazeBench 上的迷宮導航與測試過程
    Continual Harness 與 skill harness 狀態會持續寫入磁碟,並在不同 turn 與 session 間保留。/refine 會檢視 Agent 過去嘗試及其結果,對 prompt note、記憶、skill 或 sub-agent 規格做最小、有證據支持的修改,而不是重寫整個 harness。基礎 system prompt 維持不可變更,更新也會留下歷史紀錄並支援 rollback。這裡的 skill 是可匯入的 Python package,可由內建 skill creator 將重複性的工作流程整理成專案或個人 skill。
    Prime Agent 與各模型原廠 harness 在多項長文本與長任務 benchmark 的比較中,在多數指標上取得優於原廠 harness 的成績,但在部分指標上互有高低。
    評測結果 Prime Intellect 表示,Prime Agent 在 ARC-AGI-3 上以 Opus 5 取得 95.5% 的 RHAE Best@1(圖上標示該次通過 179/183 個 levels),三次執行分數為 95.0%、95.2% 與 95.5%;三次合計的 Best@3 分數為 99.97%,且 183 個 levels 全數至少通過一次。官方也指出,透過程式化函式直接處理資料,能在達到較高分數的同時降低整體 token 使用量。影片畫面另顯示另一次執行的中途狀態,從 93.39%(164/183 levels)更新至 95.54%(178/183 levels、11,118 actions),並將 Prime Agent 的 95.5% 與 native coding harnesses 的 38.3%、人類基準 95.4% 並列;這些是畫面展示的數據,不是額外的正式評測規格。
    開源與安裝 原始貼文提供的安裝方式如下;官方文件說明該 installer 會下載已版本化的發行版並驗證其 SHA-256 checksum。(編按)它仍是透過網路下載、直接交由 Shell 執行的指令,建議先確認內容、權限與執行環境再執行:
    介紹 Prime Agent 程式碼 harness 的安裝指令與 ARC-AGI-3 基準測試表現
    `bash
    curl -fsSL https://app.primeintellect.ai/prime-agent/install.sh | sh
    `
    專案原始碼可見於 Prime Agent GitHub repository,發布說明則見 Prime Intellect 官方部落格。文件特別警告,Prime Agent 會以使用者權限執行模型產生的 Python 與專案命令;它的 worker 與 kernel 生命週期隔離、復原機制都不是 security sandbox,所以要用可信任的 repository、指示、skill 與 extension,並在可檢查、可還原的工作副本或外部沙盒中執行不受信任的程式碼。

    介紹 Prime Agent 程式碼 harness 的安裝指令與 ARC-AGI-3 基準測試表現 影片中的 Prompt 與操作:

    Prompt(00:09): how do you work?

    Prompt(00:23): /goal solve ARC-AGI-3

    操作步驟: 1. (00:04)輸入安裝指令並執行 2. (00:09)輸入問句查詢運作方式 3. (00:23)輸入目標指令求解 ARC-AGI-3

    執行 Prime-Agent 配合 GLM-5.2 在 MazeBench 上的迷宮導航與測試過程 影片中的 Prompt 與操作:

    操作步驟: 1. (00:00)啟動 MazeBench 測試並以 3D 視覺化呈現迷宮場景與 Agent 移動過程

    原文:https://easyvibecoding.app/curated/2863-prime-intellect-open-sources-prime-agent-arc-agi-3-95-5

    6 min
  • Alpamayo 2 Super 開放商用:34B 規模在 LingoQA 拿下 79.2 分居首,自駕先推理再行動

    Alpamayo 2 Super 開放商用:34B 規模在 LingoQA 拿下 79.2 分居首,自駕先推理再行動。

    發布定位 Alpamayo 2 Super 於 2026 年 8 月 4 日推出,目標涵蓋 robotaxis、卡車、接駁車、配送車、拖拉機,以及長尾的各式行動機器人——Jensen Huang 形容未來會有數十億台自主機器。他表示,模型依 OpenMDW-1.1 授權開放商用,團隊可以檢視、微調並部署;他認為開放模型有助於推進安全(safety)與資安(security),下一波 AI 就是 robotics,而這一波從 autonomous vehicles 開始。
    模型架構與部署 NVIDIA 表示,Alpamayo 2 Super 建立在 NVIDIA Cosmos 3 Super Reasoner 上,並以 reinforcement learning 做 post-training。它的模型規模是 10 billion-parameter Alpamayo 1 與 Alpamayo 1.5 的 3 倍,能更有效從稀疏範例中泛化推理,尤其針對罕見的多方互動情境。模型會融合車輛前方、側面與後方攝影機影像,形成 360 度環景脈絡。
    背景為黑色的科技宣傳圖片,中央上方呈現一台透視內部的黑色汽車並圍繞金色發光圓環,下方橫向排列五個帶有金色線條圖示的方形區塊。
    開放授權與工作流程 先前 Alpamayo 版本只供研發用途,這次 OpenMDW-1.1 一次套用到整個 Alpamayo 家族,開發者不必另外申請授權即可商用部署;它允許微調、建立衍生模型及商業再散布,讓車商、卡車製造商與供應商能搭配自有資料、駕駛政策及部署策略開發。NVIDIA 描述的 cloud-to-car workflow,是先在雲端用 Alpamayo 2 Super 產生 reasoning traces、synthetic training data 與 teacher outputs,再將蒸餾後的專用模型最佳化,部署到車上做即時推論;Alpamayo 1.5 與 Alpamayo 1 則提供成本較低的選項。
    多任務能力 每個駕駛情境可產生五類相互連結的輸出:
    描述車輛行駛路徑的 trajectory。
    解釋決策因果關係的 chain-of-causation(CoC)trace。
    表達讓行、變換車道與停車等意圖的 meta-action。
    為訓練與驗證資料產生 CoC 標註的 reasoning auto-label。
    結合 2D visual grounding、將回答對應至影像特定區域的 visual question answering。
    這些輸出可協助開發者檢查模型看見了什麼、為何選擇某個動作,並支援 NVIDIA Halos 的安全驗證流程與 ISO/PAS 8800 對齊的 AI safety 工作。NVIDIA 也稱,模型可把車隊影片轉成更完整的訓練資料,將標註週期從數月壓縮至數日。
    Alpamayo 2 Super 在各項主要自動駕駛(AV)任務上的表現全面超越 Qwen3-VL-32B-Instruct。
    評測與生態系 NVIDIA 表示,Alpamayo 2 Super 在 LingoQA、近 40 個模型的評測中排名第一;以 Lingo-Judge 測試時,分數比 Qwen2.5-VL 72B 高 17.0 分、比 Gemini 2.5 Pro 高 15.1 分、比 GPT-4o 高 23.2 分。它也支援 scene understanding、model critiquing 與 knowledge distillation,並可搭配 NVIDIA AlpaSim、NVIDIA AlpaGym、NVIDIA Physical AI Open Datasets、開放訓練 recipes 與 autolabeling pipeline。Alpamayo 系列在 Hugging Face 的下載量已超過 500,000 次。
    Alpamayo 2 Super 在 LingoQA Score 指標上以 79.2 分領先其他模型。

    原文:https://easyvibecoding.app/curated/2856-nvidia-alpamayo-2-super-open-models-reason-before-action

    4 min
  • OpenAI 拆解 GPT-Live 語音架構:移除 turn detector,語音啟動的網路往返從六次降到一次

    OpenAI 拆解 GPT-Live 語音架構:移除 turn detector,語音啟動的網路往返從六次降到一次。

    核心體驗 GPT-Live 的 voice model 能同時接收與輸出音訊,不再依賴先判斷何時輪到誰說話的 turn detector。當需要更深度的推理或工具呼叫時,系統會在非同步路徑交由 GPT-5.5 等 frontier models 處理,語音主流程仍持續運作。OpenAI 表示,這讓 ChatGPT Voice 從啟動開始就能提供更快速、自然的對話。為了讓對話 UI 與分析、安全系統仍能取得離散訊息,application server 會用部分逐字稿與時間訊號把連續語音切分成一則則發言,最終稿才寫入分析管線。
    系統架構 OpenAI 在六個月內重做從 client 到 model 的 voice stack,將音訊與應用程式邏輯分離:
    音訊經由專用 fast path 傳送,delegation、tool use 與其他後端工作則放在非同步 RPC 邊界後方,避免緩慢的工具或服務阻塞語音。
    media frontend 與 inference logic 改用 Go 撰寫;新系統的 p95 表現達到舊 Python asyncio 系統 p50 的水準。
    WebRTC 負責低延遲媒體傳輸,能處理封包遺失、時鐘漂移與連線變化,並透過減少 buffering 與 blocking 維持次秒級回應。
    GPT-Live 系統架構圖,展示即時語音路徑與非同步委派路徑的資料流向
    啟動與長時間執行 OpenAI 開發 WebRTC Abridged Roundtrip Protocol(WARP),以一組向後相容的協定改良組成:把 DTLS 交握夾帶在 ICE 上(SPED)、改用較快的 DTLS 1.3、預先協商 SCTP 交握(SNAP)與 data channel,將媒體與資料啟動所需的網路往返從六次降至一次。WARP 以開放規格形式推進 IETF TSVWG,libwebrtc 與 Pion 已加入支援。另以 Instant Connect 預先協商 SDP 參數,與 WARP 合起來,才讓 client 能以單一 UDP 封包啟動 session。面對長時間對話,系統會在舊 model instance 持續交談時預熱替代 instance、填入最新 context,必要時完成 context compaction 後再切換,避免語音中斷。
    VANILLA WEBRTC 與 WEBRTC + WARP 交握流程的比較圖
    實際驗證與延伸 OpenAI 先以 read-only 的 silent test,將少量、逐步增加的 ChatGPT Voice 流量影子導向 GPT-Live,未改變使用者聽到的內容。測試顯示,容量不只取決於 GPU,也受 CPU stream handler、佇列、網路路徑、地理位置與長時間 session 影響;因此團隊增加更細緻的 telemetry、分階段 rollout 與快速隔離故障的控制。這套架構已支援 ChatGPT 桌面版 app 中的電腦控制與 Agent 協作,未來也將成為 GPT-Live API 的基礎。詳細工程說明見 OpenAI 技術文章。

    原文:https://easyvibecoding.app/curated/2850-openai-gpt-live-voice-architecture-removes-turn-detector

    4 min
  • Cursor 開源 MoE megakernel Mixture-of-Kittens,自家生產環境端到端訓練吞吐量達先前 DeepEP 堆疊的 1.41 倍

    Cursor 開源 MoE megakernel Mixture-of-Kittens,自家生產環境端到端訓練吞吐量達先前 DeepEP 堆疊的 1.41 倍。

    開源與實際部署 Cursor 表示,MoK 已支援 Cursor 的 agentic 程式開發模型 Composer 在數萬張 GPU 上的訓練,並希望透過開源降低 AI 研究團隊高效率訓練模型的門檻。完整技術說明與程式碼可參考 Mixture-of-Kittens: our open-sourcing MoE megakernel for NVL72s。
    MoE 瓶頸 Composer 擴大訓練與推論後,MoE layer 在不同工作負載與訓練設定下可能占用超過一半的端到端訓練時間。過去的 MXFP8、NVFP4 training kernels 與 warp decode 主要改善運算部分,但 Cursor 發現生產環境真正受限的是跨 GPU 通訊,因此重新設計整個 MoE layer,把通訊直接放進 kernel。
    針對 NVL72s 設計 GB300 NVL72s 將 72 張 GPU 放在同一個 NVLink domain,能細緻重疊運算與通訊;但整合的 Grace CPU 相較 GPU 較慢,容易讓 GPU 等待 CPU 工作。MoK 因此減少 CPU 工作與 CPU-GPU 同步,並將所有 MoE 通訊和運算融合為單一、完全 deterministic 的 kernel。
    MoE forward 運算與通訊重疊機制的 Sequential 與 Overlapped 執行流程圖
    通訊策略 DeepSeek-V3(DSV3)風格的 MoE layer 廣泛用於 GLM、Qwen、Kimi(到 K2.7)與 DeepSeek 自家的開放權重模型。MoK 針對這類結構,採用不同方向處理 dispatch 與 combine,而不是一律使用常見的 push-based 方法:
    forward dispatch:pull-based
    forward combine:push-based
    backward reverse-combine:pull-based
    backward reverse-dispatch:push-based
    在 expert imbalance 情況下,pull-based dispatch 的 NVLink 頻寬利用率最高可比 push-based 高 29%;不過當所有 lane 都滿載時,push-based 因傳送位元組較少反而利用率較高,兩者各有適用情境。此外,在多節點微基準中,push-based dispatch 的跨 GPU signalling 延遲約為 103 µs,pull-based dispatch 為 18 µs,前者約是後者的 5.8 倍;改用 pull-based dispatch 也能避免多 GPU 的跨節點同步。
    交錯排列的黃綠色與粉紅色正弦波形圖案,其中包含實線與虛線的組合。
    效能與取捨 MoK 將每輪傳輸的 token 數量設為可調整的 minibatch size,在過細的通訊與一次傳送大量 token 之間尋找適合不同工作負載的平衡。Cursor 在多個 NVL72 racks 的生產訓練堆疊中,測得每秒端到端 token 數成長為 1.41 倍;MoK 對公開實作的比較結果則最高達 2.37 倍。
    Mixture-of-Kittens 在 GB300 NVL72s 上的 MXFP8 前向吞吐量顯著優於各公開基線,提升最高達 2.37 倍

    原文:https://easyvibecoding.app/curated/2846-cursor-open-sources-mixture-of-kittens-boosts-nvl72s-moe

    4 min
  • Demis Hassabis 轉任 Google DeepMind 主席,專注 AGI 長期策略與 Isomorphic 生醫研究

    Demis Hassabis 轉任 Google DeepMind 主席,專注 AGI 長期策略與 Isomorphic 生醫研究。

    Google 的大寫字母「G」標誌,色彩依序為紅、黃、綠、藍並帶有漸層效果。

    領導交接 他表示,自己一生都在追求 AGI,當前正處於關鍵時刻,因此交出 Google DeepMind 的日常營運責任,騰出時間思考 AGI 的長期發展與全球策略。Koray Kavukcuoglu 將升任 Google DeepMind SVP,負責領導團隊;Demis Hassabis 對 Koray Kavukcuoglu、Josh Woodward 及執行團隊表達高度信心。

    工作重心 在新職務中,Demis Hassabis 將與 Sundar Pichai 合作處理 AGI 相關策略,並從 London Platform 37 辦公室為模型與研究團隊提供建議。他也會更投入 Isomorphic,藉由加速 AI 在生醫領域的進展,推動協助治癒癌症等疾病的目標;他認為改善人類健康應是 AI 最重要的應用方向之一。

    Google 與 Alphabet 執行長 Sundar Pichai 身穿學位袍在畢業典禮致詞。

    Google DeepMind 的背景 Sundar Pichai 的內部訊息指出,Gemini App 已達每月超過 950M 名使用者,Gemma 模型下載量超過 900M;Demis Hassabis 另提到 Gemini 4 等新模型正在推進。這次人事調整的核心,是讓 Demis Hassabis 專注 AGI 與科學願景,同時由 Koray Kavukcuoglu 接手 Google DeepMind 的日常領導。

    原文:https://easyvibecoding.app/curated/2844-demis-hassabis-gdm-chair-alphabet-chief-scientist

    2 min
  • Jeff Dean 與 Sanjay Ghemawat、Oriol Vinyals、Quoc Le 創辦 Discovery Loop,把 ML 實驗迴圈自動化推向大規模實驗

    Jeff Dean 與 Sanjay Ghemawat、Oriol Vinyals、Quoc Le 創辦 Discovery Loop,把 ML 實驗迴圈自動化推向大規模實驗。

    成立背景 Jeff Dean 於 2026 年 8 月 6 日宣布,與長期合作夥伴 Sanjay Ghemawat、Oriol Vinyals、Quoc Le 共同成立 Discovery Loop(@DiscoLoopAI);公司採 Public Benefit Corporation 形式運作,使命是自動化機器學習、科學與工程,以加速發現與進展。四位創辦人合作時間介於 14 至 30 年,過去曾參與打造全球廣泛使用的產品、基礎架構與 AI 模型,如今將重心轉向這項更具企圖心的工作。公司資訊可見官方網站。Google 執行長 Sundar Pichai 在同日發給員工的信中證實此事:Jeff Dean 在 Google 任職 27 年後,想嘗試新方向,Google 表示支持;他與 Google 資深院士 Sanjay Ghemawat 共同創辦這家獨立的公益公司,兩人過去推動了從早期搜尋基礎架構到神經網路的多項重大技術轉型。同日的 Google DeepMind 人事調整見〈Demis Hassabis 轉任 Google DeepMind 主席〉。
    四位男士並肩站在灰背板前的合照
    DISCOVERY LOOP 的使命與願景說明頁面,闡述其打造 AI 解決方案以解決機器學習、科學和工程領域重要問題的目標
    核心方法 Discovery Loop 的一般做法,是把科學與工程中的「實驗迴圈」自動化:系統反覆提出方案、執行實驗並利用結果改進下一輪。團隊認為,這套方法可套用到許多科學與工程領域;初期會聚焦機器學習研究與工程,並相信它能協助解決 NAE 14 個 Grand Challenge 問題中幾乎每一個的重要子問題。Jeff Dean 指出,要把這件事做好,必須同時具備深厚的機器學習專業與大規模系統能力。
    科學與工程領域的通用 loop 運作流程與自動化方法說明圖
    Discovery Loop 的使命頁,說明其目標是把 ML、科學與工程自動化,以解決具影響力的問題,並列出其方法適用的多個科學與工程領域,包含涵蓋多數美國國家工程院重大挑戰(U.S. National Academy of Engineering Grand Challenge problems)等適用領域。
    資金與投資者 團隊已製作 pitch deck,向少數創投機構說明公司背景與計畫,並選定 Radical Ventures 與 Khosla Ventures 領投初始融資。Lightspeed Venture Partners、Kleiner Perkins、Doerr Capital(@johndoerr)及 Alphabet(@Google)也參與其中;seed round 預計在接下來幾週完成。投影片中也整理了曾在他們團隊工作、後來自行創業的人名單。
    Discovery Loop 共同創辦人的經歷,以及曾在這個團隊工作、後來出去創業的 AI 創辦人名單。
    四位共同創辦人,以及他們參與過的 Products、Infrastructure、AI Research 與 AI Applications。
    這張投影片以左右並排的介面展示兩個領域的高引用研究人員排行榜,左側為「Most-cited AI Researchers」(搜尋指令 label:artificialintelligence),右側為「Most-cited Distributed Systems Researchers」(搜尋指令 label:distributedsystems),列出各研究人員的姓名、所屬機構、驗證電郵、研究領域標籤與被引用次數。
    多張包含不同人物在餐廳、戶外、街頭與海景前合照的生活紀實拼圖照片
    近期計畫 公司接下來幾週會尋找辦公空間,招募 founding team,並建立重視技術卓越、團隊合作、尊重與企圖心的工作文化。同時,Discovery Loop 將開始建置基礎架構、AI 模型與系統,處理第一個領域:自動化機器學習研究與工程的大規模實驗。
    產品驗證方式 團隊會先把自己當成 Discovery Loop 的第一批使用者,直接用自建系統支援自身研究與工程工作。Jeff Dean 認為,這種使用過程帶來的快速回饋,將是打造產品的重要方法。公司目前也正在招募,職缺資訊刊於官方網站。

    原文:https://easyvibecoding.app/curated/2845-jeff-dean-discovery-loop-automating-ml-experimental-loop

    4 min
  • OpenAI 公開內部版 Astra 產出的十項數學新結果,按 GPT-5.6 Sol API 費率約 2,000 美元

    OpenAI 公開內部版 Astra 產出的十項數學新結果,按 GPT-5.6 Sol API 費率約 2,000 美元。

    核心發布 OpenAI 於 2026 年 8 月 4 日分享,這個內部版本完成的成果涵蓋球體堆積、編碼理論、群論、量子複雜度、格密碼學、極端組合學等領域。官方特別指出,其中包括建立 non-sofic groups 存在性的構造,以及對高維球體堆積界線的指數級改善。OpenAI 同時公開論文手稿、形式化的 Lean certificates,以及模型對推理過程的 walkthroughs,讓數學家能檢視結果、延伸相關想法。
    十項研究結果 OpenAI 表示,這批成果由內部版本的 Astra 完成;模型找出解法所需的 token,若按 Sol API 費率計算,總成本約為 2,000 美元。成果包括:
    高維 sphere packing:將球體堆積密度的上界推進至 Cohn–Elkies threshold。
    Binary and spherical codes:在任何指定最小距離下,對 binary codes 的最大規模界線取得指數級改善,並對高維 spherical codes 得到類似結果。
    Non-sofic groups:建立 non-sofic groups 存在性的構造,回應群論中的核心未解問題。
    Connes’s rigidity conjecture:反駁一項認為特定群可由其 von Neumann algebras 唯一決定的長期猜想。
    Arithmetic circuit complexity:提出以 arithmetic circuits 與 formulas 計算 permanent 的新下界,其中 arithmetic-formula 下界達 n⁴/log n 量級。
    Quantum parallel repetition:為一般雙人量子遊戲提出指數級 parallel repetition theorem,延伸古典複雜度理論的基礎原則。
    Closest vector problem:證明最近向量問題具有多項式因子近似困難度,這是與後量子密碼學相關的格問題。
    Ehrhart’s volume conjecture:在每個維度中,找出質心是唯一內部格點的凸體之最大可能體積。
    Multicolor Ramsey numbers:提出多色三角形 Ramsey numbers 的超指數級下界,解決 Erdős problem 183。
    Extremal number conjectures:處理極端圖論中的 compactness 與 degeneracy conjectures,解決 Erdős problems 146 和 180。
    研究流程與可驗證性 OpenAI 表示,模型先產生數學論證,再由人員與同一模型共同整理成論文手稿,之後模型為每項論證建立 Lean certificate。影片畫面則以 01/10 的 High-Dimensional Sphere Packing、07/10 的 Closest Vector Problem、08/10 的 Ehrhart’s Volume Conjecture、09/10 的 Multicolor Ramsey Numbers,以及 10/10 的 Erdős-Simonovits Conjectures 作為代表性展示。
    OpenAI 的 Mathematical Advances 短片,逐張卡片標示題目名稱、編號與所屬數學領域,展示十項成果中的五項
    AI 在數學中的角色 OpenAI 指出,數學讓我們理解交通如何流動、疾病如何傳播、細胞如何合成蛋白質,也支撐 GPS、天氣預報與醫學影像等日常技術;基礎數學的進展可能外溢到更廣的科學與技術,這些成果顯示 AI 可能協助研究者推進數十年未解的問題。不過官方也表示,AI 成為數學研究協作者後,其角色與影響不能由科技公司單方面決定,並表示尊重包括 Leiden declaration on AI and Mathematics 簽署者在內的疑慮。
    作者歸屬爭議 OpenAI 主張,若證明完全由 AI 系統產生,卻宣稱為人類作者成果,會錯誤呈現系統的貢獻,也扭曲真正的人類智識工作。官方表示,團隊負責準備手稿、以 Lean 形式化證明並承擔正確性責任,但數學論證本身是由系統產生;相關成果可於官方文章查閱。

    原文:https://easyvibecoding.app/curated/2838-openai-astra-ten-math-results-2000-sol-rates

    5 min
  • OpenAI 反駁 Apple 訴訟,指對方寄錯聯絡對象且未妥善管理離職權限,並否認持有 Apple 商業機密

    OpenAI 反駁 Apple 訴訟,指對方寄錯聯絡對象且未妥善管理離職權限,並否認持有 Apple 商業機密。

    訴訟定調 OpenAI 先稱 Apple 是史上最偉大的公司之一、以講究細節聞名,接著批評這場訴訟「草率、具攻擊性且異常針對個人」,不符其名聲。
    聯絡經過 OpenAI 表示,Apple 原先稱 2026 年 2 月曾聯絡 OpenAI、但未獲回應;如今承認,其外部律師因混淆兩個亞洲姓氏寄錯對象,而且是在 OpenAI 指出這項錯誤後才承認。Apple 也承認,並未與 OpenAI 總法律顧問討論。OpenAI 稱 Apple 當時沒有提出本次訴訟的具體指控,反而表示正在「解決任何問題」,之後沉默五個月才提起訴訟。OpenAI Newsroom 於 2026 年 8 月 4 日分享這篇聲明,標題直接寫道:「Apple is getting this wrong」。
    離職員工爭議 Apple 指控 Chang Liu 離職後仍存取 Apple 機密資訊。OpenAI 反駁指出,Apple 現在承認是 Apple 員工主動聯絡他、請他協助尋找這些資訊;Apple 卻改以「殘留存取權限」解釋事件。OpenAI 進一步指稱,這是 Apple 未妥善管理離職員工系統權限的常見問題;實際上,離職時想照規矩做事的前員工,仍保有 Apple 檔案的存取權,即使他們不想使用,甚至不知道權限仍在。
    OpenAI 公布的 iMessage 記錄,藍色為 Chang Liu。圖上說明載明他 2026 年 1 月 22 日自 Apple 離職,前同事在那之後請他協助尋找檔案與資訊
    同一份記錄後續:Chang Liu 離職後,他的 iCloud 與 iMessage 仍登入在 Apple 員工的裝置上,雙方討論何時登出
    商業機密指控 Apple 另指控 Tang Tan 試圖取得並使用其商業機密。OpenAI 稱他一直明確告知團隊,不應取得或使用其他公司的機密資訊;Tang Tan 曾在 Apple 任職超過 24 年,並以創新領導者聞名。OpenAI 表示,自己已認真看待訴訟指控並願意合作釐清,但認為 Apple 正試圖改寫事件敘事,甚至對其他前員工提出模糊指控。
    同一份記錄後續:Apple 員工表示已登出他的 iCloud 帳號、並選擇不保留副本,之後仍繼續向他詢問工作內容
    OpenAI 的立場 OpenAI 認為 Apple 要求的初步禁制令建立在錯誤資訊上,也沒有必要,因為 OpenAI 沒有、也不想要 Apple 的商業機密;其關注重點是打造推進技術前沿的產品與技術。
    同一份記錄末段:2026 年 3 月的對話已擴及多名 Apple 員工,其中一人回覆「這非常不尋常,請把我移出這個討論串」

    原文:https://easyvibecoding.app/curated/2840-openai-rebuts-apple-lawsuit-wrong-email-residual-access

    4 min
  • Next.js 16.3 預設開啟磁碟快取,dev 記憶體最多降 90%、部分專案的 CI warm path 建置速度最高為原本 5.5 倍

    Next.js 16.3 預設開啟磁碟快取,dev 記憶體最多降 90%、部分專案的 CI warm path 建置速度最高為原本 5.5 倍。

    版本重點 Next.js 於 2026 年 8 月 4 日發布 16.3,主軸是讓既有專案不需修改程式碼即可獲得效能改善,同時以選用功能帶來接近 SPA 的即時導覽體驗;官方建議升級,指引見Next.js 16.3 。
    效能改善
    來源:@nextjs(回覆)|Next.js 在編譯 50 個路由後,vercel.com (dashboard) 的記憶體用量減少約 90% 至 2 GB,nextjs.org 減少約 82% 至 840 MB
    Turbopack 的 next dev 透過預設啟用的磁碟快取與 memory eviction,開發期間最多減少 90% 記憶體使用量;vercel.com 在編譯 50 條路由後由 21.5 GB 降至 2 GB,nextjs.org 則由 4,600 MB 降至 840 MB。
    來源:@nextjs(回覆)|Turbopack 啟用快取後可大幅縮短 next build 編譯時間,其中 vercel.com/geist 專案建置速度最高約為原本 5.5 倍(30 秒降至 5.5 秒)
    next build 現在也預設使用檔案系統快取,CI 的 warm path 建置速度最高為原本 5.5 倍;vercel.com/geist 的時間由 30 秒降至 5.5 秒。
    next build 可搭配原生實作、宣稱編譯速度成長為 10 倍的原生實作 TypeScript 7 進行型別檢查:
    `bash
    pnpm add -D typescript@^7
    `
    貼文另列出的安裝方式是:
    `bash
    npm install -D typescript@7
    `
    來源:@nextjs(回覆)|Node.js streams 在 App Router 伺服器端渲染高負載測試中,處理請求數量較 Web streams 基準提升約 22%
    App Router 渲染改用原生 Node.js streams,移除 web streams 轉換負擔;官方基準測試顯示負載下最多可多處理 22% 的請求。
    來源:@nextjs(回覆)|使用 JavaScript 語法讀取 ./posts/*.md 檔案並渲染文章標題列表的程式碼片段
    Turbopack 支援 Vite 相容的 import.meta.glob,可載入多個檔案,並為讀取本機 Markdown 等檔案的 Server Components 提供 hot-module reloading。
    AI Agent 與錯誤處理 next dev 會維護 AGENTS.md 區塊,指向與專案 Next.js 版本相符、位於本機 node modules 的文件,避免 coding agents 依賴過時訓練資料。
    來源:@nextjs(回覆)|為 Agent 專用的 Next.js 規則說明區塊,位於 ` 與 標籤之間,提醒 Agent 該版本包含破壞性變更、API 與檔案結構與訓練資料不同,並指示在編寫任何程式碼前先閱讀 node_modules/next/dist/docs/` 中的相關指南。
    16.3 也加入以多步工作流程為導向的 first-party Skills,例如 next-dev-loop;原文提供的安裝指令為:
    `bash
    npx skills add vercel/next.js --skill next-dev-loop
    `
    來源:@nextjs(回覆)|透過終端機指令新增與管理 vercel/next.js 相關 skill 的命令列表,展示 agent 驅動瀏覽器、啟用 Cache Components、優化路由以及開啟 Partial Prefetching 的具體操作
    新的 catchError 可建立不攔截 notFound 與 redirect 的 custom error boundary,並透過 retry() 重新取得失敗資料、重新渲染 Server Components:
    `tsx
    'use client';
    import { catchError, type ErrorInfo } from 'next/error';
    function ErrorFallback(props: { title: string }, { error, retry }: ErrorInfo) {
    return (
    {props.title}
    {error.message}
    retry()}>Try again
    );
    }
    export default catchError(ErrorFallback);
    `
    來源:@nextjs(回覆)|app/my-error-boundary.tsx 檔案中定義 ErrorFallback 錯誤邊界元件的程式碼片段
    來源:@nextjs(回覆)|Next.js 錯誤診斷介面顯示導覽期間遇到未快取的資料,並在程式碼片段中指出 app/subnav/post/page.tsx 的第 3 行發生問題,同時於下方提供 Stream、Cache 與 Block 三種修復方式的建議選項。
    Instant Navigations 這套選用功能回應 Next.js 過去「Server Components 減少 JavaScript,卻可能讓導覽感覺變慢」、快取模型隱含且 prefetch 過度積極等問題。啟用 cacheComponents 與 partialPrefetching:
    來源:@nextjs(回覆)|next.config.ts 的 TypeScript 範例程式碼
    `ts
    import type { NextConfig } from 'next';
    const nextConfig: NextConfig = {
    cacheComponents: true,
    partialPrefetching: true,
    };
    export default nextConfig;
    `
    其中 Partial Prefetching 能控制連結預先載入最小 loading shell、部分渲染頁面或完整內容;Navigation Inspector 可在開發時暫停導覽,檢查哪些內容立即顯示、哪些需等待網路。
    來源:@nextjs(回覆)|Navigation Inspector 偵錯工具介面,顯示 debugger 已暫停於 /store/shoes 的頁面初始載入(page load)狀態,並提供 Resume 按鈕與 Pause on navigations 開關設定。
    Instant Insights 會標示非即時導覽並提供修正 prompt;instant() 則能以 Playwright 防止重構再次造成速度退化。
    來源:@nextjs(回覆)|使用 Playwright 與 @next/playwright 進行端對端測試的程式碼片段
    官方表示這些行為未來主要版本將成為預設,方向是回到「預設動態、沒有隱藏或隱含快取」。
    實驗功能與升級 Rust-based React Compiler 可在 Turbopack 內取代 Babel,v0 測試中 cold build 到可用頁面快 34%、warm build 快 46%(前提是已完全不再使用 Babel;若仍保留其他 Babel 轉換,增益會較小);Network resilience 則讓離線請求保持 pending,並在重新連線後重試。
    來源:@nextjs(回覆)|兩個對比狀態的音樂播放介面,左側顯示載入中的灰色佔位區塊,右側顯示已載入的藍色專輯封面與曲目資訊,兩者下方皆帶有「You're offline — reconnecting...」的連線狀態提示。
    啟用方式為:
    來源:@nextjs(回覆)|next.config.ts 檔案內容,設定 reactCompiler 與 experimental.turbopackRustReactCompiler 屬性
    `ts
    import type { NextConfig } from 'next';
    const nextConfig: NextConfig = {
    reactCompiler: true,
    experimental: {
    turbopackRustReactCompiler: true,
    },
    };
    export default next…

    5 min

About EasyVibeCoding Podcast

From the publisher's feed

輕鬆Vibe Coding — 每日策展的 X 技術社群精選、AI 趨勢分析與 Claude 實作心得的中文音訊版。