AI 编程实时动态与要闻

Anthropic 平台工程负责人 Katelyn Lesse 在 Latent Space 播客（10 月 27 日上线）中说，上周已全量上线用 Rust 写的 Messages API：原系统是吃 CPU 的 Python 单体，团队起步时「一个 Rust 开发都没有」，人负责系统设计和验证，Claude 写实现，再用影子流量比对新旧两套输出。她给出的粗略数字是 CPU 少约 40–50%，首 token 延迟改善约 10–20%。这段片段被 Somi（@somi_ai）剪出后在 X 上获得 1,000+ 点赞、约 14 万次浏览，swyx 等人转引，讨论焦点是「别搞大重写」这条老经验是否已经过时。以下观点属于 X 讨论，数字为 Lesse 口头估算，Anthropic 尚未发布书面工程报告。

查看大图

近期兴起的像素级世界模型（Pixel-space World Models）试图通过预测执行后的未来屏幕画面再反向选动作，但在 GUI 环境中面临双重困境：全屏像素重构计算成本极高，且极易触发“恒等捷径”（Identity Shortcut，即预测画面倾向于维持原样而非体现动作引发的变化）。KAIST 等团队提出首个专为 GUI 智能体打造的隐空间世界动作模型（Latent World Action Model）：将预测目标从全屏像素渲染转移至动作引发的隐空间动态转移，引入动作选择与预测转移双头架构及动作感知对比学习。实验显示，在线任务成功率暴增 40.6%，同时将推理延迟大幅压缩了 98.9%。

查看大图

Yann LeCun 参与创立的 Advanced Machine Intelligence（AMI Labs）联合 NYU、INRIA Paris、Brown 发布 H-JEPA（arXiv 2610.06805），一次端到端训练多层动作条件 JEPA 世界模型，每层在自己的潜空间里预测更远的未来，规划时自上而下下发子目标。论文口径：三层模型在 Visual AntMaze 成功率 73.3%，单层 LeWM 为 18.0%，规划算力反而更低。训练与评测代码（MIT 协议）以及 93 个 checkpoint 已在 GitHub / Hugging Face 公开。

查看大图

长期以来，深度神经网络普遍被视作极端非线性（Non-linear）的黑盒映射函数。然而最新前沿可解释性研究《Your Transformer Can Hold Two Thoughts at Once: Evidence of Linear Superposition in LLMs》（arXiv:2609.29845，社区超百赞）给出了颠覆性的数学与实证发现：Transformer 底座在本质上展现出惊人的“叠加线性性（Linear Superposition）”——当向模型线性组合输入两条完全独立的文本流时，输出的预测 Logits 严格呈现为两组独立下一个 Token 分布的线性叠加态！虽然该天然线性在自回归预训练后期因过度饱和会有所衰退，但研究证明仅需轻量级低秩微调即可完全恢复该叠加特性。团队更进一步设计了引导式解码算法（Guided Decoding），在单次模型前向计算（Single Forward Pass）中即可无损解耦出两条连贯独立的长文本续写，为大模型推理并发度拓展开启了全新的理论大门。

查看大图

比萨大学计算语言学实验室（CoLingLab）联合发布论文并在 GitHub 开源核心实验套件，针对大语言模型可解释性研究中的核心工具稀疏自编码器（SAE）展开严格实证。研究以词性（Part-of-Speech, PoS）形态句法作为受控基准，系统性探究语言模型内部的语法结构究竟由孤立单义神经元编码还是由结构化特征群承载。实验证明：词性特征能够从 SAE 激活中极高精度恢复，且不可归结为词汇记忆；但语法分类绝非“单潜变量对应单类别”，而是由高度紧凑且具有类别特异性的稀疏潜变量群（Compact Groups）共同表征，且在未见测试数据上保持高度稳定。

查看大图