AI Signal 日报 - 2026-07-16
翻译状态：已完成 | 语言：简体中文 | 详细度：标准
今日精选：播客 6 条，X 动态 12 条，论文 8 篇。
X / Twitter 动态
X1 · swyx
好吧，这可能是 AI Woodstock 2.0，我很想在户外、有一个小摄影棚的公园里进行，但没有联系人。以前有人在 Presidio、市政厅或 GGP 组织过户外活动吗？即使是一个小抄送 @NaderLikeLadder @TheAhmadOsman 你也得延长你的逗留时间 lmao
原文：ok this might be AI Woodstock 2.0 i'd love to do this actually outdoors, in a park with a small sound stage, but dont have contacts. has anyone organized an outdoors event in the Presidio, City Hall, or GGP before? even a small one cc @NaderLikeLadder @TheAhmadOsman youre gonna have to extend ur stay lmao
链接：https://x.com/swyx/status/2077439609336991813 投资视角：关注该动态对 AI 产品采用、基础设施需求和行业竞争格局的后续影响。
X2 · swyx
有人刚刚告诉我关于 CUA 的这个看法*，这对我来说是 Gell mann 的时刻之一，哈哈。自 World of Bits 以来，我一直在关注计算机的使用（Shi, fan, karpathy, Hernandez & liang 2017）。三年前，我们是第一个就 Adept 的工作采访 @jluan 的技术小组；两年前，@AnthropicAI 大楼首次推出计算机使用时，我们就在那里；三个月前，我在 @felixrieseberg 小组中迷恋 Claude Cowork；三周前，我们在 @aidotengineer ft. @DhruvBatra_ @proceduralia @francedot 上运行了我们的第一个完整的计算机使用跟踪。 GPT 5.6 + Superapp 在 CUA 上比我刚才提到的一切都更好。很高兴我们的 @AriX 播客能够讨论 @skybysoftware 的故事和 Codex 的进展。如果你真的像我们一样频繁地使用这些东西，CUA 的进步会非常非常快。我已要求我的非技术团队尽可能多地使用 CUA，他们所有的知识都涉及注册随机付款和发票门户、演讲者、赞助商、与会者、供应商和工会数据请求。如果你发现自己同意下面的观点，那么你就太不了解最新情况了，以至于你不知道自己不知道什么，如果你正在做任何人工智能决策，低估能力是一个非常危险的类别错误。 *我非常欣赏矮人；只批评某一个镜头，不批评消息，也不批评整个企业，截图仅供分享
原文：someone just told me about this take* on CUA this is one of those gell mann moments for me lol. i've been watching computer use since World of Bits (Shi, fan, karpathy, hernandez & liang 2017). we were the first technical pod to interview @jluan about Adept's work three years ago, we were there in the @AnthropicAI building when they first launched Computer Use 2 years ago, I fanboyed over Claude Cowork in our @felixrieseberg pod 3 months ago, and we ran our first full computer use track at @aidotengineer ft. @DhruvBatra_ @proceduralia @francedot 3 weeks ago. GPT 5.6 + Superapp is even better at CUA than everything i just mentioned. excited for our @AriX podcast to discuss the @skybysoftware story and Codex progress. if you actually use these things as intensely as we do, CUA is progressing so, so incredibly fast. i have asked my nontechnical team to CUA as much as possible, all their knowledge work with signing up for random payment and invoicing portals and speaker and sponsor and attendee and vendor and union data requests. if you found yourself nodding along to this take below, you are so not up to date that you don't know what you don't know, and underestimating capabilities is quite a dangerous category error if you are doing any ai decisionmaking. *i admire dwarkesh alot; only criticizing one single take, not the message nor the overall enterprise, screenshot only to share
链接：https://x.com/swyx/status/2077475285205958771 投资视角：关注该动态对 AI 产品采用、基础设施需求和行业竞争格局的后续影响。
X3 · sama
在许多情况下，完成相同任务时，GPT-5.6 sol 的价格是传说的一半，代币效率是传说的两倍。很高兴以四分之一的价格交货。
原文：GPT-5.6 sol is half the price and ~twice as token efficient as fable in many cases for accomplishing the same task. happy to deliver at one-quarter of the price.
链接：https://x.com/sama/status/2077036999303999910 投资视角：关注该动态对 AI 产品采用、基础设施需求和行业竞争格局的后续影响。
X4 · sama
5.6 溶胶的增长是疯狂的。为了支持需求，推理团队付出了巨大的努力。我们将移山继续扩大规模，但很快就会出现一些问题。
原文：5.6 sol growth is insane. the inference team has done heroic work to be able to support demand. we are going to move mountains to continue to scale, but it is possible there are some hiccups soon.
链接：https://x.com/sama/status/2077106587307798989 投资视角：关注该动态对 AI 产品采用、基础设施需求和行业竞争格局的后续影响。
X5 · jietang
我们的 Single-rollout 异步优化 (SAO) 能够稳定训练一千步，并在代理编码和推理基准测试上始终优于 GRPO 及其变体，例如 SWE-Bench Verified、BeyondAIME 和 IMOAnswerBench。 https://t.co/oca1DvDvdB
原文：Our Single-rollout Asynchronous Optimization (SAO), is able to train stably for one thousand steps and consistently outperform GRPO and its variants on agentic coding and reasoning benchmarks, such as SWE-Bench Verified, BeyondAIME, and IMOAnswerBench. https://t.co/oca1DvDvdB
链接：https://x.com/jietang/status/2076913247316492510 投资视角：关注该动态对 AI 产品采用、基础设施需求和行业竞争格局的后续影响。
X6 · nvidia
⚡ 每瓦性能是当今在功率受限环境中运行的每个人工智能工厂的基本指标。 🧵 https://t.co/MjKyT704zf
原文：⚡ Performance per watt is the foundational metric for every AI factory today operating in a power-constrained environment. 🧵 https://t.co/MjKyT704zf
链接：https://x.com/nvidia/status/2077060563666866491 投资视角：关注该动态对 AI 产品采用、基础设施需求和行业竞争格局的后续影响。
X7 · nvidia
企业需要他们可以信任、控制和定制的人工智能。开放模型为团队提供了可见性和所有权，可以根据他们的标准评估人工智能，利用领域知识专业化人工智能，并提高准确性和效率。 https://t.co/DSEV4McGUx
原文：Enterprises need AI they can trust, control and customize. Open models give teams the visibility and ownership to evaluate AI against their standards, specialize AI with domain knowledge, and improve accuracy and efficiency. https://t.co/DSEV4McGUx
链接：https://x.com/nvidia/status/2077075654210695537 投资视角：关注该动态对 AI 产品采用、基础设施需求和行业竞争格局的后续影响。
X8 · nvidia
任何单一的表演数字都只能说明故事的一部分。 AI 基础设施性能是一条帕累托曲线🧵 https://t.co/hBA2eiAuBx
原文：Any single performance number only tells part of the story. AI Infrastructure performance is a Pareto Curve 🧵 https://t.co/hBA2eiAuBx
链接：https://x.com/nvidia/status/2077460228350546173 投资视角：关注该动态对 AI 产品采用、基础设施需求和行业竞争格局的后续影响。
X9 · bcherny
我一直在思考的事情是：过去，我认识的最好的工程师花了很多时间以各种方式自动化他们的工作。更好的 vim/emacs 自动化，编写 lint 规则来捕获重复代码问题，构建一套 e2e 测试，这样他们就不需要手动对应用程序进行冒烟测试。这些事情是工程师可以做的最高杠杆活动，因为它使他们自己的产出成倍增加，这反过来意味着他们可以建造更多的东西。我认为许多自动化现在变得更加重要。出于多种原因，确实如此。首先，基础设施和 DevX 自动化可以加快您的速度。如果你管理着一支特工大军，那么每个特工的速度也会加快。更多自动化==每单位时间更多产出。其次，将事物转移到代码中可以提高效率。您的代理可以在每次看到问题发生时修复该问题，但这需要使用令牌，并且可能会错过案例。如果 Claude 编写 lint 规则、CI 步骤或例程，则此类问题可以永远完全自动化。这确实是人们在谈论循环时所谈论的内容——它是关于自动化整个类型的繁忙工作，而不是一次性解决它们。这根本不是什么新想法。工程师们已经这样做了很长时间了！第三，也是最重要的一点，自动化使其他人可以更轻松地为代码库做出贡献。我越来越多地看到工程师在第一天就为代码库做出了贡献，因为 Claude 可以为他们导航代码库，并且非工程师也能够像工程师一样有效地为代码库做出贡献。阻碍这两者的是存在于人们头脑中而不是自动化中的领域知识——这些知识是你过去在升级时必须学习的东西。由于代理而发生的变化是，可以编码为基础设施的领域知识不再局限于 lint 规则、类型和测试中可表达的内容；它现在可以捕获几乎所有领域知识，编码为代码注释和技能以及 CLAUDE.md 规则和记忆。如果我为我不知道的 iOS 代码库提出 PR，并且代码审查者拒绝它，因为它没有使用正确的框架，或者如果设计人员构建了一个新功能，但它因为没有遵循正确的架构模式而被拒绝，这些都是自动化的失败。每个团队都应该编写 CLAUDE.md、REVIEW.md、技能和文档，使代理能够在提示器中零额外上下文的情况下在其代码库中高效工作。这听起来很疯狂，但同时也是工程师一直在做的事情的自然延伸：自动化并将领域知识编码为基础设施。随着模型变得更加智能以及线束变得成熟，这项任务变得更加容易。与此同时，每个团队都在寻找将其领域知识转换为基础设施的方法，以便 Claude 可以更好地编写代码，以便代码审查自动捕获问题，以便下一个处理代码库的人可以更轻松地做出贡献。
原文：Something I have been thinking about: in the past, the best engineers I knew spent a lot of time automating their work in various ways. Better vim/emacs automations, writing lint rules to catch repeat code issues, building up a suite of e2e tests so they don't need to smoke test the app manually. These kinds of things were the highest leverage activities an engineer could do, because it multiplied their own output, which in turn meant they could build more things. I think many of these automations have become even more important now. This is true for a number of reasons. First, infra and DevX automation speeds you up. And if you are running an army of agents, each of those agents will be sped up also. More automation == more output per unit of time. Second, moving things to code improves efficiency. Your agent could fix an issue every time it sees that issue happen, but that uses tokens and might miss cases. If Claude instead writes a lint rule, CI step, or routine, that class of issue can be fully automated forever. This is really what people are talking about when they talk about loops -- it's about automating entire types of busywork rather than solving them one off. This isn't a new idea at all. Engineers have been doing this for a long time! Third and most importantly, automation makes it possible for others to contribute to the codebase more easily. Increasingly what I am seeing is engineers are contributing to codebases on day one because Claude can navigate the codebase for them, and that non-engineers are able to contribute to a codebase as effectively as engineers can. What gets in the way of both of these is domain knowledge that lives in peoples' heads rather than in automation -- the stuff you used to have to learn when ramping up. What has changed thanks to agents is the domain knowledge that can be encoded as infrastructure is no longer limited to what is expressible in lint rules and types and tests; it can now capture nearly all domain knowledge, encoded as code comments and skills and CLAUDE.md rules and memories. If I put up a PR for an iOS codebase I don't know and a code reviewer rejects it because it doesn't use the right framework, or if a designer builds a new feature and it gets rejected because it doesn't follow the right architectural patterns, these are failures of automation. Every team should be writing the CLAUDE.md's, REVIEW.md's, skills, and docs that enable agents to productively work in their codebase with zero additional context from the prompter. This sounds crazy, and at the same time is a natural extension of the stuff engineers have always done: automate, and encode domain knowledge as infrastructure. As the model gets smarter and as the harness matures, this task becomes easier. In the meantime, it is on every team to look for ways to convert their domain knowledge to infra so that Claude can write code better, so that code review catches issues automatically, and so the next person working on your codebase can contribute more easily.
链接：https://x.com/bcherny/status/2077460395279692197 投资视角：关注该动态对 AI 产品采用、基础设施需求和行业竞争格局的后续影响。
X10 · rauchg
@agentmail 团队一直在做饭。告诉您的代理𝚟𝚎𝚛𝚌𝚎𝚕 𝚒𝚗𝚜𝚝𝚊𝚕𝚕 𝚊𝚐𝚎𝚗𝚝𝚖𝚊𝚒𝚕 – 无需注册，自动设置和统一计费。
原文：The @agentmail team has been cooking. Tell your agent to 𝚟𝚎𝚛𝚌𝚎𝚕 𝚒𝚗𝚜𝚝𝚊𝚕𝚕 𝚊𝚐𝚎𝚗𝚝𝚖𝚊𝚒𝚕 – no signup, automatic setup and unified billing.
链接：https://x.com/rauchg/status/2077154901013221444 投资视角：关注该动态对 AI 产品采用、基础设施需求和行业竞争格局的后续影响。
X11 · rauchg
Web Analytics API 的一些非常酷的用例： ▪️ 要求您的代理将访问者、自定义事件（“购买”、“结账”）与您的部署和性能的发展相关联 ▪️ 构建自定义前端，并将这些数据与例如：Stripe 和 Resend 一起绘制
原文：Some really cool usecases of Web Analytics API: ▪️ Ask your agent to correlate visitors, custom events (“purchase”, “checkout”), with the evolution of your deployments and performance ▪️ Build custom frontends, and plot this data alongside e.g.: Stripe’s and Resend’s
链接：https://x.com/rauchg/status/2077426190386946539 投资视角：关注该动态对 AI 产品采用、基础设施需求和行业竞争格局的后续影响。
X12 · rauchg
我们正在 @vercel AI Gateway 上开放 AI 代币流的数据集。里面蕴藏着令人着迷的见解！
原文：We're opening up the dataset of AI token flows on @vercel AI Gateway. Fascinating insights contained within!
链接：https://x.com/rauchg/status/2077176141790752798 投资视角：关注该动态对 AI 产品采用、基础设施需求和行业竞争格局的后续影响。
播客精选
P1 · 英特尔前首席执行官谈出了什么问题，下一步是什么 + 可爱的首席执行官谈 Vibe 编码的真正前景
(0:00) 英特尔前首席执行官帕特·基辛格 (Pat Gelsinger) 加入杰森 (Jason) 行列！ (1:41) 英特尔出了什么问题 (15:19) 为什么台湾封锁会削弱美国经济 (25:00) Lovable 的 Anton Osika：每周推出一百万个新应用程序 (33:38) Lovable 如何降低构建成本 感谢我们的合作伙伴使这一切成为可能！ Airwallex 是一家面向现代企业的全球领先支付和金融平台，提供值得信赖的解决方案来管理从企业账户、支付、财务和支出管理到嵌入式金融的一切事务。 https://airwallex.com/allin Plaud - 如果您的工作依赖于对话——会议、交易流程、访谈、客户电话——Plaud 可以帮助您捕捉和组织一切……
原标题：Former Intel CEO on What Went Wrong, What's Next + Lovable CEO on the Real Promise of Vibe Coding
频道：All-In Podcast | 链接：https://allinchamathjason.libsyn.com/former-intel-ceo-on-what-went-wrong-whats-next-lovable-ceo-on-the-real-promise-of-vibe-coding 投资视角：重点评估其中的技术落地速度、成本曲线、商业模式和潜在受益环节。
P2 · 存档中：有人能赶上 NVIDIA 吗？ |芯片和基础设施的未来
作为夏季重播系列的一部分，我们将重温我们最喜欢的关于人工智能基础设施未来的对话之一。 SemiAnalysis 创始人 Dylan Patel 与 Erin Price-Wright、Guido Appenzeller 和 Erik Torenberg 一起研究人工智能硬件快速发展的经济性，从 GPU 和定制芯片到数据中心、电力和全球计算竞赛。对话探讨了 NVIDIA 的竞争优势、谷歌、亚马逊和 Meta 定制芯片的崛起、前沿人工智能模型的经济性以及影响行业下一阶段的基础设施限制。他们还讨论了人工智能初创公司、出口管制、机器人技术、企业软件，以及为什么简单地复制 NVIDIA 并不……
原标题：From the Archive: Can Anyone Catch NVIDIA? | The Future of Chips and Infrastructure
频道：a16z | 链接：https://a16z.simplecast.com/episodes/can-anyone-catch-nvidia-the-future-of-chips-and-infrastructure-zpJUqKwQ 投资视角：重点评估其中的技术落地速度、成本曲线、商业模式和潜在受益环节。
P3 · 2026 年世界博览会上定义人工智能工程的 5 个趋势
在今年的 AIE 世界博览会上，人工智能工程进入了一个新阶段：围绕代理构建系统，而不仅仅是与代理一起构建。
原标题：5 Trends That Defined AI Engineering at World’s Fair 2026
频道：Latent Space | 链接：https://www.latent.space/p/aiewf26trends 投资视角：重点评估其中的技术落地速度、成本曲线、商业模式和潜在受益环节。
P4 · Supermicro CBO 谈大规模构建人工智能
Dylan Patel 与 Supermicro 首席财务官 Vik Malyala 讨论了 AMD Helios、NVIDIA Vera Rubin、双宽机架、液体冷却以及重塑 AI 基础设施的存储转变。订阅更多。 #AI #半导体 #datacenter #shorts
原标题：Supermicro CBO on Building AI at Scale
频道：SemiAnalysis | 链接：https://www.youtube.com/shorts/F8nO8ldG1rg 投资视角：重点评估其中的技术落地速度、成本曲线、商业模式和潜在受益环节。
P5 · 人工智能是泡沫吗？ | Gavin Baker 谈数据中心、GPU 和人工智能经济
作为夏季重播系列的一部分，我们将重温 Runtime 上的一场精彩对话，即 a16z 关于人工智能基础设施和计算未来的会议。 Atreides Management 的执行合伙人兼首席信息官 Gavin Baker 与 David George 一起探讨了当今人工智能投资周期的最大问题。人工智能是泡沫吗？数据中心、GPU 和计算基础设施的前所未有的建设对经济意味着什么？投资者应该如何看待构建下一代人工智能的公司？对话探讨了前沿模型、Nvidia、谷歌、定制芯片、人工智能基础设施、应用软件、机器人，以及为什么贝克认为当今的人工智能投资……
原标题：Is AI a Bubble? | Gavin Baker on Data Centers, GPUs, and the AI Economy
频道：a16z | 链接：https://a16z.simplecast.com/episodes/is-ai-a-bubble-gavin-baker-on-data-centers-gpus-and-the-ai-economy-HMRKhpqK 投资视角：重点评估其中的技术落地速度、成本曲线、商业模式和潜在受益环节。
P6 · John Kim - 如何筹集数十亿美元 - [像最好的那样投资，EP.482]
今天我的嘉宾是约翰·金。约翰是世界上最顶尖、最多产的筹款人之一。他曾担任 General Catalyst 的首席客户官，帮助筹集了该公司的许多旗舰基金。他现在是 Lila Sciences 的董事长兼企业发展总裁，这是一家致力于打造科学超级智能的公司，他已帮助该公司筹集了数亿美元。他也是《筹款之道》一书的作者。这次谈话实际上是一个关于如何从最高级别的人那里筹集资金的指南。我们讨论为什么说服等于欲望减去恐惧、信念和信任之间的区别、筹款法则，以及如何建立推动共识……
原标题：John Kim - How to Raise a Few Billion Dollars - [Invest Like the Best, EP.482]
频道：Invest Like the Best | 链接：https://colossus.com/episode/how-to-raise-a-few-billion-dollars/ 投资视角：重点评估其中的技术落地速度、成本曲线、商业模式和潜在受益环节。
论文精选
Paper1 · 人工智能代理知道任务何时简单吗？迈向复杂性感知推理和执行
大型语言模型 (LLM) 代理越来越多地实现多步骤工程和信息学工作流程的自动化，但他们很少询问任务实际需要多少工作量。他们通常遵循最大上下文优先策略 - 重新读取他们已经看到的文件和依赖项 - 将一行编辑变成小型代码库审核。我们认为缺失的能力是任务感知的执行范围估计：判断任务的难度、它真正需要的信息以及提交预算之前的最短可靠路径。我们形式化了最小充足执行和代理认知冗余比（ACRR），并提出了E3（估计、执行、扩展）：代理估计初始操作点，执行最小可行路径，并仅在验证失败时扩展范围。在 MSE-Bench（能力控制模拟器中 121 次编辑的确定性基准）上，E3 匹配强项……
原标题：Do AI Agents Know When a Task Is Simple? Toward Complexity-Aware Reasoning and Execution
arXiv：https://arxiv.org/abs/2607.13034v1 投资视角：关注方法能否降低训练或推理成本、形成可复用产品能力，并转化为可持续壁垒。
Paper2 · 视频传播模型中的序列性差距
当一个球击中另一个球，然后击中另一个球时，视频模型应该预测每次弹跳的后果。在多球硬球动力学的受控实验中，我们发现，即使提供更多的降噪步骤，标准双向视频扩散的性能也会随着因果链的延长而降低。在长度匹配的单球控制中，不存在球与球的相互作用，退化很大程度上消失，隔离相关事件结构而不是视频长度作为原因。在干预研究中，增加有效串行计算的方法极大地提高了性能，包括自回归/分块生成和架构深度。我们将这种模式识别为串行差距：需要不断增长的串行计算的任务与去噪循环不提供可扩展串行计算的视频扩散模型之间的不匹配......
原标题：The Seriality Gap in Video Diffusion Models
arXiv：https://arxiv.org/abs/2607.13031v1 投资视角：关注方法能否降低训练或推理成本、形成可复用产品能力，并转化为可持续壁垒。
Paper3 · TerraZero：大规模零演示自我游戏的程序驾驶模拟
训练强大的自动驾驶代理需要一个模拟器，该模拟器必须足够快以进行大规模强化学习，足够真实以在现实世界地图结构中提供基础行为，并且足够多样化以涵盖记录数据很少包含的安全关键长尾。我们推出 TerraZero，一个程序化驾驶模拟器和自玩训练堆栈。可配置的 C 引擎通过零复制路径在 CPU 上运行模拟并在 GPU 上运行策略推理，在单个服务器级 GPU 上维持每秒 130 万个代理步骤，远快于现有的对象级模拟器，同时保持保真度较轻的单代理系统省略：异构代理、多个动态模型和完整的流量规则实施。 TerraZero 仅将记录的数据视为现实世界地图几何的来源，用基于规则的随机道路使用者和信号控制器填充每个地图，并随机化年龄……
原标题：TerraZero: Procedural Driving Simulation for Zero-Demonstration Self-Play at Scale
arXiv：https://arxiv.org/abs/2607.13028v1 投资视角：关注方法能否降低训练或推理成本、形成可复用产品能力，并转化为可持续壁垒。
Paper4 · PalmClaw：移动电话的本机设备上代理框架
大型语言模型 (LLM) 代理已经不再只是生成响应，而是通过调用工具、观察结果并迭代地决定下一步操作来执行多步骤任务。大多数代理系统运行在桌面或服务器上，支持工具使用和任务自动化。移动设备也是重要的代理环境，因为它们可以广泛访问并且包含用户的数据、传感器和日常使用的应用程序。现有的移动代理主要通过点击、滑动和打字等图形用户界面（GUI）操作来操作智能手机，这些操作通常形成长的、依赖于界面的序列，无法直接访问设备功能，并且使得执行边界难以定义。我们提出了 \textbf{PalmClaw}，一个开源代理框架，它在移动电话上本地运行，并直接在设备上管理会话、内存、技能、工具和代理循环。棕榈…
原标题：PalmClaw: A Native On-Device Agent Framework for Mobile Phones
arXiv：https://arxiv.org/abs/2607.13027v1 投资视角：关注方法能否降低训练或推理成本、形成可复用产品能力，并转化为可持续壁垒。
Paper5 · 通过流量匹配实现统计稳态湍流的捷径
许多非线性物理系统表现出一个初始瞬态阶段，其中扰动在非线性相互作用导致统计稳态之前增长。虽然这种饱和状态是人们最感兴趣的，但直接数值模拟必须在达到它之前解决完整的瞬态动力学，从而产生大量的计算成本。在计算流体动力学中，大涡模拟等降阶方法通过对小规模动力学进行建模来降低计算成本，从而实现湍流的易于处理的近似。相比之下，对于回旋动力学等系统，通常无法获得相对有效的完整动力学闭包，并且仍然需要高保真度模拟。这些系统的现有替代建模方法是自回归的，因此它们会遭受累积误差的影响。相反，我们建议绕过显式的时间演化……
原标题：A Shortcut to Statistically Steady-State Turbulence with Flow Matching
arXiv：https://arxiv.org/abs/2607.13022v1 投资视角：关注方法能否降低训练或推理成本、形成可复用产品能力，并转化为可持续壁垒。
Paper6 · 使用冻结的离散扩散语言模型进行音频本机语音识别
自动语音识别主要由一次发出一个标记的自回归解码器主导。我们询问离散扩散语言模型是否可以转录语音，通过少量的去噪步骤并行完善整个转录。我们为 DiffusionGemma 训练了一个音频原生接口，DiffusionGemma 是一个 26B 专家混合模型，通过均匀、随机令牌离散扩散而不是最近扩散语言模型常见的吸收掩模方案来生成文本。冻结的 Whisper 编码器提供声学特征，轻型投影仪将它们映射到模型嵌入空间，低阶适配器让冻结的骨干网参与新的模态。训练了大约 42M 参数，占主干网的 0.16%。我们发现自然训练目标无法使音频接地，因为它们的梯度只能通过注意力才能到达投影仪......
原标题：Audio-Native Speech Recognition with a Frozen Discrete-Diffusion Language Model
arXiv：https://arxiv.org/abs/2607.13013v1 投资视角：关注方法能否降低训练或推理成本、形成可复用产品能力，并转化为可持续壁垒。
Paper7 · 频谱还不够：当上下文有助于时间序列预测时
越来越多的指数系列对一系列指标的可预测性进行评分。从业者越来越多地将这些分数视为回答一个不同的问题：\emph{添加上下文}、更长的回顾、检索插件或预训练模型是否会有帮助。这些不是同一个问题。上下文的值是操作点的属性，而不是系列的属性。从功率谱构建的任何指数在相位随机化下都是不变的，而检索和基础模型提供的超二阶值则不然，因为相位随机化序列是渐近高斯分布的。我们将其表述为不可能的结果，并将其与通过构造固定频谱和边际的代理对隔离。然后，我们给出无标签的配置级诊断，即覆盖赤字，其主要术语衡量超谱结构作为模拟增益……
原标题：The Spectrum Is Not Enough: When Context Helps Time-Series Forecasting
arXiv：https://arxiv.org/abs/2607.13006v1 投资视角：关注方法能否降低训练或推理成本、形成可复用产品能力，并转化为可持续壁垒。
Paper8 · 生成模型的水印取证：信息论的视角
生成模型输出中的水印通常仅询问文本是否是机器制作的。相同的标记可以做更多的事情：将其归因于生成它的用户，提取隐藏的有效负载，或者本地化编辑后幸存的部分。这些形成了一个取证阶梯，我们询问样本长度 $n$ 中每个梯级的成本是多少。一个对象组织答案。令 $S$ 为标记携带的秘密（用户的身份或有效负载），并让信息配置文件 $ν(t)=I(S;X_t\mid X_{<t})$ 记录第 $t$ 个令牌在给定先前令牌的情况下揭示了多少关于 $S$ 的内容。它的总质量用于支付归因和提取；如何传播质量来支付本地化费用；单独的检测不是通过信息来支付的，而是通过存在来支付的，即从标记分布到未标记分布的距离。文献的两种质量模型，一种是在每个标记上微妙地标记，另一种是大声地标记一些标记，是……
原标题：Watermark Forensics for Generative Models: An Information-Theoretic Perspective
arXiv：https://arxiv.org/abs/2607.13003v1 投资视角：关注方法能否降低训练或推理成本、形成可复用产品能力，并转化为可持续壁垒。
可继续追问，例如“详细讲讲 P2”或“Paper1 为什么重要？”。