Microsoft 研究：AI 评测如何暴露传统 benchmark 之外的“意外失败”
Microsoft 的 Jennifer Neville 在 Microsoft Research Podcast 中讨论了评测如何推动当前 AI 系统突破性能边界，以及模型在传统 benchmark 之外测试时出现的“意外失败”。她结合自身从数学、物理、认知科学到计算机科学的经历，分享了使用当前 AI 系统的实用建议，并强调当结果偏离预期时应仔细审视数据。
#大佬观点
Microsoft ResearchAI 评分2222
OpenAI NewsAI 评分1212 OpenAI：先进 AI 或成突破性创意背后的日常执行关键
OpenAI 发文探讨先进 AI 对突破性创意背后日常工作的价值，认为执行环节可能决定下一轮经济的形态与进步速度。文章未给出具体模型、参数或评测数据。
NVIDIA BlogAI 评分2222 NVIDIA AI 工厂如何实现高产出、长寿命与通用性以最大化投资回报
NVIDIA 提出 AI 工厂回报取决于产出能力、使用寿命与需求三项，其平台以每兆瓦吞吐量和每 token 成本优化产出，并靠 CUDA 跨代兼容延长硬件寿命。SemiAnalysis AgentX 数据显示，Vera Rubin NVL72 每兆瓦吞吐量超 GB300 NVL72 的 30 倍，在 DeepSeek V4 Pro 上每百万 token 成本最多低 45 倍。
GitHub Blog · AI & MLAI 评分4848 GitHub Copilot 为什么说聊天框是错的 UI：用 canvas 替代 chat
GitHub Copilot 提出，chat 虽是 LLM 的默认交互界面，但多数任务下并非合适 UI，应改用 canvas——一种运行在 GitHub Copilot app 内、无浏览器外壳的全栈应用，可与 agent 双向通信并在本地执行代码。
GitHub Blog · AI & MLAI 评分2222 GitHub Podcast 拆解 AI 热门观点：该不该读 AI 生成的代码、RAG 是否已死、Skills 是否杀死了 MCP
GitHub Podcast 最新一期拆解了五个 AI 热门观点：AI 生成的代码仍需阅读和负责，只是审查力度应按风险分配；Skills 与 MCP 解决不同问题，前者是打包的 Markdown 专业知识，后者是智能体连接工具和数据的标准，二者可组合使用；RAG 并未消亡，检索能让模型基于训练数据外的文档、内部知识和代码库上下文作答，减少 token 浪费和不完整回答。
Berkeley AI ResearchAI 评分3434 智能免费之后：为智能体、由智能体、属于智能体的数据系统
伯克利 AI 研究发文指出，GPT-4 级能力从 2023 年初约 $30/百万 token 降至如今不到 $1，部分厂商已低于 $0.10，推理价格年降幅在 9x 到 900x 之间、中位数约 50x。作者提出近乎免费推理带来的三大数据系统挑战：为智能体设计的数据系统、运行智能体集群的数据系统，以及由智能体合成数据系统。