Product
1. Claude Marketplace 新增五家合作伙伴，支持 Anthropic 支出抵扣
Anthropic 在 Claude Marketplace 中新增了 Augment Code、Bolt、CodeRabbit、Hebbia 和 Legora 五家合作伙伴。企业用户现在可以将现有的 Anthropic 支出承诺用于这些 Claude 驱动的解决方案。此举旨在通过整合 AI 支出，简化企业采购流程，并加速 Claude 在代码审查、全栈应用构建及企业级编排等场景的落地。该市场目前处于有限预览阶段，旨在为企业提供一站式的 Claude 驱动工具生态。
来源：Claude
Opinions/Thoughts
1. 研究：AI 代理的 harness 复杂度与模型能力并非线性相关
DAIR.AI 分享的一项新研究挑战了“更强的模型需要更简单的 harness”这一普遍假设。通过对 6 个模型在 24 个任务上的 432 次实验，研究发现对于 frontier 聊天模型，增加 harness 复杂度反而会降低成功率（harness-complexity 悖论）；而对于 frontier 推理模型，严格的 harness 反而能提升稳定性和降低延迟。该研究揭示了模型能力与 harness 敏感性之间的非单调关系，为 AI 代理的工程化设计提供了重要参考。
来源：arXiv.org
2. Dax Raad 谈 AI 编码工具：生产力提升与工程判断的博弈
OpenCode 联合创始人 Dax Raad 在播客中分享了对 AI 编码工具的深刻见解。他认为，目前没有 AI 编码公司通过单纯的 AI 能力胜出，且 AI 带来的生产力提升多体现为时间节省而非产出增加。他指出，AI 代码生成可能掩盖技术债务，导致开发者在处理 hack 代码时缺乏重构动力。Dax 强调，在 AI 时代，工程品味和判断力比以往任何时候都重要，AI 只是工具，核心竞争力依然在于对软件质量的把控。
来源：Spotify
3. DiffusionBlocks：通过扩散模型解释实现块级神经网络训练
研究人员提出 DiffusionBlocks 框架，通过将神经网络的前向传播视为扩散模型的去噪过程，实现了神经网络的块级独立训练。该方法打破了端到端反向传播对内存的依赖，允许在不存储所有层激活的情况下训练深度模型。实验表明，该方法在 ViT、DiT 和 LLM 上均能匹配端到端训练的性能，同时显著降低了内存需求。这一突破为大规模深度学习模型的训练提供了新的内存优化路径。
来源：arXiv.org