Product
1. Google DeepMind SkillSmith：把模型权重当作可读模态
Google DeepMind 新研究 SkillSmith 提出把模型权重视为 LLM 可原生读取的「额外模态」。增强后的模型在读取已有前缀权重的同时，辅以描述某项能力如何关联目标的丰富文本，直接输出新的权重。其思路是把「给模型植入新能力」从微调语料层面，迁移到把权重本身作为输入信号。这指向一种更直接、更可控的能力注入范式，被 omarsar0 标记为值得收藏的研究。若可复现，可能改变我们给基础模型「打补丁」的方式。
来源：@omarsar0
2. ChatGPT Work 自主装 Blender 并还原名局棋盘
goodside 演示 ChatGPT Work（5.6 Sol Max）自主安装 Blender，并建模出一整套国际象棋，棋盘还原了 1956 年 Byrne vs. Fischer 那局「丢后之后」的经典局面。这背后是模型从「给指令」走到「自己拉起外部 3D 工具链、产出可编辑场景文件」的跨越。配套演示里它还渲染了 4K 的五级 Menger 海绵并返回可编辑 .blend。两条共同说明：高阶 ChatGPT 已能把成熟桌面 3D 软件当作被调用的「工具」。
来源：@goodside
Tutorial
1. 给 AI 工程师的硬核清单：roofline、调度器、paged attention
akshay_pachaar 给出一份偏推理基础设施的 AI 工程师学习清单：理解 roofline 模型与「decode 是访存受限」这一本质；部署 vLLM 与 SGLang 后去读它们的调度器代码；从源码而非博客理解 paged attention；先建可观测再谈优化；持续追踪 TTFT 等关键指标。清单的核心立场是「读代码、建观测、盯瓶颈」，对想做推理服务而非只调 API 的工程师是一份扎实路线图。
2. Codex 小技巧：让 multiple-choice 工具在非 plan 模式也可用
davis7 分享一条 Codex 配置技巧：加入特定配置后，Codex 会在 plan 模式之外也使用 multiple-choice（多选）工具，让交互手感「好 100 倍」。multiple-choice 工具让模型在分歧点给出可选项而非开放式追问，能显著减少来回与误判。这是一条小而实用的配置项，适合想微调 Codex 协作体验的开发者即装即用。
来源：@davis7
Opinions/Thoughts
1. 观点：AI 内容不等于垃圾，低质 AI Slop 才是
brucexu_eth 的长文核心论点：AI 生成的内容并不天然是垃圾，AI 生成的低质量 Slop 才是；同理，人工产出也未必就是精品，关键仍在思路、逻辑、知识与文笔。文章分享他如何用 AI 辅助自己写出质量不错的内容的初步探索。这条价值在于把「反 AI 内容」的笼统情绪，校正为「反低质、不论出处」的更精确判断标准，对内容创作者如何与 AI 协作有实操意味。
来源：X Article