博客精选。
Bringing Nunchaku 4-bit Diffusion Inference to Diffusers
介绍如何在 Diffusers 中使用 Nunchaku 量化检查点的博客，发布于 2026 年 7 月 23 日。文章说明现代文生图模型以 BF16 加载常需 20–30 GB 显存，而 Diffusers 已有的 bitsandbytes、GGUF、torchao、Quanto 等后端多为仅权重量化，可省显存但不一定加速；Nunchaku 背后的 SVDQuant 采用 4 比特权重与激活（W4A4）运行主 transformer 层，在降低内存的同时加速去噪循环，此前需要单独的推理库，现在可直接在 Diffusers 中加载。
Grabette: an open system to record robot-manipulation data
Pollen Robotics 团队发布的博客，发布于 2026 年 7 月 21 日，介绍 Grabette 这一记录机器人操作数据的开放系统。文章认为机器人学习的瓶颈在数据而非模型，提出无需机器人本体，只需人手、夹爪、相机和记录方式即可在几分钟内采集操作任务并自动转换为可供机器人学习使用的数据集，同时邀请用户共同构建开放协作数据集。
The /wayfinder Skill: Navigating the “Fog of War” of Planning
这是 Latent Space 新开设的“技能”系列的开篇，形式为一篇访谈（经压缩整理）。受访者 Matt Pocock 的“AI Skills for Real Engineers”项目在 GitHub 上有超过 22 万星，他最近发布了名为 /wayfinder 的技能，用于帮助用户和其 agent 在项目终点尚不明确时理清方向，即他所说的穿越“战争迷雾”。访谈主要内容是关于 /wayfinder 的目标设定，以及他使用 AFK agent 时在规划阶段遇到的困难。
The Rise of the Forward Deployed Engineer — and How To Do the Job Right
这是 Kepler CEO Vinoo 的客座文章，讨论 FDE（前置部署工程师）这一岗位的兴起，并配有 FDE 与咨询的对比示意图。作者称自己在十余年间于三家机构三次搭建前置部署职能：在 Palantir 从产品研发起步，后被派驻商业、国防与国家安全、医疗、油气等领域，并负责把软件工程师转为 FDE 的轮岗项目 Project Frontline，约 250 人参与；在 Citadel 负责业务工程，客户是投资组合经理；在 Kepler，前置部署职能隶属产品而非销售。文章分享了他所见有效与失效的做法及对趋势的看法。
New insights from Google’s AI & Economy ATLAS
Google 官方博客文章，介绍 AI 与经济 ATLAS 项目新增的数据可视化，使这批全球数据更易浏览和使用，并给出关于科研人员如何使用 AI 的新研究。文中举例称印度创意行业相关的 AI 使用占比高于全球平均，美国在技术类 AI 采用上领先。
Previewing the Model Hardware Standard
Anthropic 的公告类文章，宣布向首批科研实验室和先进制造商开放 Model Hardware Standard（MHS）的研究预览。该标准是一套供 AI 智能体安全操作物理设备的共享规范，可让智能体并行操作显微镜、液体处理器、机械臂等仪器，完成从常规药物发现实验到量子计算机激光校准等任务；其开发始于 Anthropic 与 HHMI Janelia 研究园区的合作。
How Claude's text watermarking works
Anthropic 说明未来的 Claude 模型将在生成文本中嵌入水印，以符合欧盟《人工智能法案》，并与其他主要 AI 提供商共同实施这一变化。文中回答相关疑问：该方法对输出质量与内容没有实际影响、读者无法区分有无水印、不添加文字或隐藏字符、不需要额外 token 也不增加成本、不包含可追踪到具体个人、组织或对话的识别信息，且水印并非 Claude 独有。
Claude has improved on a longstanding lower bound for the fraction of zeros of the Riemann zeta function that satisfy the Riemann hypothesis
Anthropic 的一篇研究文章，讲述其员工让 Claude 尝试攻克黎曼猜想，虽未成功，但在相关问题上取得进展。一个未发布的研究版 Claude 借助数学家数十年来的既有研究，把满足黎曼猜想的 ζ 函数零点比例下界从 41.6% 提高到 67.2%，并由 Anthropic 的两名数学家检查验证。
How well do job retraining programs work?
这是 Anthropic 经济研究团队发布的一份证据综述，由独立研究者 David Roodman 与 Anthropic 的 Maxim Massenkoff 合著，考察在劳动力市场遭遇显著冲击时再培训项目是否有效。综述综合了 56 项美国随机研究和欧洲的实验证据，进行了一项新的元分析，结论是职业培训项目平均产生正面但幅度有限的效果：每提供一个培训名额，就业率上升两到三个百分点。文中提到这是该团队关于 AI 经济影响及政策应对系列工作的一部分。适合关注 AI 就业影响与劳动力政策的读者。
Measuring AI capabilities in intelligence targeting and conventional weapons
Anthropic 的 Frontier Red Team 开发了新的评估方法，用于测量 AI 在战术情报目标定位（如依据零散信息定位人员）和常规武器开发（如设计无人机打击移动目标）方面的能力。文中称在部分军事与情报任务上，模型能完成过去只有少数受过高度训练的人类专家才能做的事，并说明平台内安全措施的必要性及已部署的相关分类器；还提到测试的部分中国开发者开放权重模型虽落后于前沿，但也显示出令人关注的相关能力。
Formalizing Fermat's Last Theorem
Anthropic 的一篇文章，介绍其分享的首个经计算机完整校验的费马大定理证明。文中说明 Claude 在约 11 天里基本自主地用 Lean 编程语言写出该证明，并描述了形式化的完成方式，以及这项工作对数学研究可能意味着什么。文章还简述了费马大定理的背景与 1995 年 Andrew Wiles 的原始证明。
Automated researchers can reliably mitigate alignment failures
Anthropic 让 Claude 自主训练模型，以提升其在多个衡量 10 类对齐失败的公开基准上的表现，例如欺骗、谄媚和越狱。报告指出，Claude 对这 10 类均找到了改进目标基准且不损害模型能力的方案。文章将其置于 AI 开始自我构建、对齐研究自动化的背景下，并提及此前关于用弱模型作为“教师”监督强模型训练的实验。