OpenAI 首批 Vera Rubin 机架开始运行前沿预训练栈
OpenAI 基础设施负责人表示，首批 NVIDIA Vera Rubin racks 已到位并开始运行其 training stack，用于扩展下一代 frontier AI pre-training 算力；NVIDIA 官方随后确认这批机架正在为 OpenAI 的训练栈供能。这是硬件已进入实际训练环境的官方动态，而不只是采购或路线图。公开帖子没有给出机架数量、网络拓扑、功耗、训练规模和相对 Blackwell 的端到端提升，因此不能从“首批运行”推断大规模集群已完成切换。
来源：OpenAI 基础设施动态 · NVIDIA 确认
标签：#OpenAI #NVIDIA #VeraRubin #AITraining
Meta Muse Spark 1.2 把视觉理解连接到代码、媒体生成与机器人动作
Meta AI 发布 Muse Spark 1.2，称其覆盖从视觉生成可运行网页和游戏，到把感知转化为物理动作的多模态任务，并增强工具使用与音视频理解。机器人场景中，专用版本作为“robot brain and orchestrator”，读取指令、调用工具、观察结果并循环执行；内部还用于 agentic media generation。Meta 同时预览 WildArtifactBench，用人类和 Agent preference judges 的胜率与 Elo 评估跨多种交付格式的真实任务。以上是 Meta 的产品与内部评测陈述，实际泛化能力仍需开放接口和独立测试验证。
来源：Muse Spark 1.2 主帖 · 视觉到代码 · 机器人编排 · WildArtifactBench
标签：#MetaAI #MuseSpark #MultimodalAgent #Robotics
Chroma Foundation 试图让 Agent memory 从会话归档变成自我改进系统
Chroma 发布 Foundation research preview，称其能从 Agent sessions 构建 self-improving memory。Harrison Chase 将其与“wiki-style memory”联系起来，强调团队长期思考了如何把历史交互组织成可复用知识。当前公开动态主要是产品定位，尚未展示记忆写入策略、遗忘机制、冲突处理、权限隔离和长期评测。真正的验证点不是能否检索旧会话，而是能否在不积累错误和敏感信息的前提下持续改善后续任务。
来源：Chroma Foundation · Harrison Chase 评论
标签：#Chroma #AgentMemory #Context #SelfImprovement
Miles 接入 Mooncake，为 rollout 到训练建立专用数据平面
RadixArk 宣布 Mooncake 成为 Miles v0.1 的 rollout data-transfer backend，称 remote GET 相比既有路径快 10–14 倍，structured-object PUT 快 1.2–1.6 倍。其核心设计是为 rollout-to-training handoff 建立独立数据平面，减少大规模 RL 中样本移动对训练管线的阻塞。这些倍率来自项目方特定测试，需要结合对象大小、网络、并发、序列化方式和缓存命中理解；但方向说明后训练优化正从 GPU kernel 和 rollout engine 延伸到跨阶段数据运输。
标签：#Miles #Mooncake #PostTraining #DataPlane
ChatGPT Sites 支持多人协作，Codex 负责底层 Git 与 CI
OpenAI Developers 宣布 ChatGPT Sites 可把队友添加为编辑者，多人向同一项目推送修改，由 Codex 在后台处理 Git management 与 CI。Tibo 将它描述为“创建、分享并一起建设 ChatGPT Site”。产品方向是把软件协作的版本控制与构建流程藏到生成式界面之后，而非要求每位参与者直接操作仓库。公开动态没有说明冲突合并、权限粒度、回滚和部署隔离，因此多人实时协作的可靠性仍需实际项目验证。
来源：Tibo 引用发布
标签：#ChatGPTSites #Codex #Collaboration #CI
NVIDIA NeMo Switchyard 将 Agent 工作流的每一步路由到不同模型
NVIDIA 介绍 NeMo Switchyard：开发者可在自选模型池中，根据质量、延迟和成本标准为 Agent workflow 的每个步骤选择模型。它把“哪一个模型最好”改写为“哪一个模型适合当前步骤”，与近期多模型委派和企业自有 router 的讨论一致。当前帖子确认的是路由产品定位，没有给出决策算法、在线学习方式和端到端节省比例；实际价值取决于任务级评测是否足够可靠，以及切换模型造成的上下文与行为差异能否被控制。
标签：#NVIDIA #NeMoSwitchyard #ModelRouting #AgentWorkflow
其他值得关注
- World Labs 展示 Marble 在虚拟制作中的工作流：从档案图像生成 3D 环境，经艺术家精修后进入 Unreal Engine 和 16K LED volume；这是混合式制作，不是全自动成片：主帖 · 案例
- Hark 与 AT&T 合作开发 AI-native consumer devices；AT&T 同时投资 Hark，并参与设备认证和网络连接：原帖
- IBM Spyre 团队展示用 AI coding agents 缩短新硬件 accelerator 的编译栈适配工作；帖子未展示完整量化结果：原帖
- vLLM 已支持 Ornith-1.5 9B；该系列还包括 35B MoE 与 397B MoE，项目方称采用自我改进训练策略：原帖
- ARC Prize 公布 Gemini 3.7 Flash 的已验证结果：ARC-AGI-2 为 84.6%、每任务 0.25 美元；ARC-AGI-1 为 95.5%、每任务 0.12 美元：原帖
- OpenAI 将 Mac 桌面应用的 Computer History 扩展至 EEA、英国和瑞士的 Pro、Business、Enterprise 用户：原帖
- ChatGPT Mac 新增 Apple Messages plugin，可搜索消息、整理对话、起草并发送回复，面向 ChatGPT Work 和 Codex desktop：原帖
今日观察
本轮最强的共同趋势是“把 Agent 接入真实生产链路”：训练侧有 Vera Rubin 机架与 rollout 数据平面，运行侧有逐步骤模型路由和持续记忆，交付侧有多人站点协作、虚拟制作与机器人执行。模型能力仍重要，但决定系统价值的越来越是算力、数据运输、记忆、路由、版本控制和人类精修能否连接成可靠的闭环。