翁家翌：在OpenAI“卖铲子”的人
文章讲述了OpenAI核心工程师翁家翌的职业成长与理念。作为强化学习基础设施的搭建者，他坚持“工程重于学术”，认为读博是浪费生命，并致力于通过开源代码消除信息差。文章分享了他从清华到CMU再到OpenAI的经历，以及对年轻人的职业建议：尽早进入工业界，深耕工程能力，建立自己的评价体系。
相关文档
NYU 13周研究生课：LLM推理时代的前沿全景
文章介绍了NYU Tandon 2026年秋季由Anthropic研究员Pavel Izmailov开设的研究生课程《Language Models, Reinforcement Learning, Reasoning》。课程共13周，除Sutton & Barto教材外全部使用原始论文，沿「预训练→架构与训练效率→后训练RL→对齐与安全→前沿与未来」的主线展开，涵盖Attention机制、扩展律、Muon优化器、RLHF、GRPO与RLVR、奖励过优化、可扩展监督以及世界模型等前沿主题。文章分析了课程叙事逻辑，指出RL重回舞台中心、中国实验室工作成为正典、安全对齐被当作工程学科等趋势，并给出自学者建议。
强化学习沉浮史：从深度寒冬到大模型封神
文章回顾了强化学习七十年跌宕起伏的发展历程。从心理学的效果律与数学的动态规划这两条根源讲起，梳理了教科书时期的理论奠基与早期边缘化。随后，深度学习的引爆带来了黄金年代，DQN与AlphaGo的辉煌让强化学习备受推崇。然而，样本效率等缺陷曾让其一度跌入谷底。如今，这门学科在大模型时代通过RLHF等技术奇迹般重生，再次站到了AI舞台的中央。
Agent Evaluation：难以被 AI 取代的职业方向及 Hugging Face 学习资料推荐
作者认为 Agent Evaluation 是少数仍需人力判断、未来难以被 AI 彻底取代的职业方向，并推荐了 Hugging Face 公开的 Training Agent 课程作为入门资料。课程共六节：1）Agentic Evaluations，讲解如何评估 Agent 及 benchmark 与真实体验的差异；2）Agent 强化学习的难点，包括环境搭建与 reward 设计；3）用 Agent 执行轨迹做 SFT 微调；4）将大模型能力蒸馏给小 Agent；5）SFT 后用 GRPO 继续 RL 训练；6）用 OpenEnv 搭建真实环境并训练 coding agent。视频公开在 YouTube，代码全部开源。
From Big Tech SWE to AI Infra (Part 2): What I Learned in My First Year
作者分享从大厂软件工程师转向 AI 基础设施方向一年的学习历程与心得。毕业加入大厂后，因工作缺乏主动性空间和创造感，三个月后决定转向 AI infra。通过学习基础知识、深入研读 SGLang 源码、参与社区贡献，逐步加入 SGLang-Omni 项目并进入一家 AI infra 创业公司。作者认为这一年是高回报率的一年，但也指出 AI 领域竞争激烈、节奏快，转行需权衡个人追求。文章最后强调了开源的重要性，认为强大的 AI 工具不应只掌握在少数公司手中，呼吁更多人参与开源社区。
GitHub 是互联网上最大的免费图书馆——不会写代码也能用好它
文章面向非程序员，用"图书馆"的比喻解释 GitHub 的核心概念：Repo 是书、README 是封底、Star 是书评、Fork 是复印件、Releases 是下载书架、Issue 是给图书管理员留言、Awesome list 是书单。作者详细介绍了如何不写代码使用 GitHub：用自然语言搜索、按星数排序、30 秒速读 README、从 Releases 下载成品软件而非源代码、用 Star 和 Watch 管理个人工具库。还提供了 60 秒安全检查清单（星数、更新时间、Issue 活跃度、许可证等）和两个危险信号。最后推荐了免费学习、职业发展和优质清单类仓库，如 freeCodeCamp、free-programming-books、developer-roadmap 和 awesome 列表。
DeepSeek-V4.1-Flash-1017 发布
DeepSeek 发布 V4.1-Flash-1017 模型，性能更强、任务完成更快、输出更短，实现性能与成本的帕累托改进，已在官网、App 和 API 上线。模型通过强化学习自反馈优化端到端项目开发能力，覆盖游戏创建到 3D 建模等完整项目构建，并针对 DeepSeek Harness、腾讯 CodeBuddy、WorkBuddy 等工具优化。同时 Search & Fetch API 面向所有人开放，基于自研搜索引擎，每端点 $0.75/千次调用，已在 Hugging Face 和 ModelScope 开源。
小米 MiMo-V2.6 技术报告：260 万美元 RL 算力与三维扩展，将万亿 MoE 模型推入前沿梯队
文章解读小米 LLM-Core 团队发布的 MiMo-V2.6 技术报告。核心主张是通过系统性扩展强化学习算力提升模型智能，需同时扩展训练批次、环境多样性和评分器三个维度。模型有 Pro（1.02T MoE）和 Flash（310B）两个规格，RL 后训练成本分别 260 万和 90 万美元。报告详述了中期训练优化、GRPO 训练细节、多 harness 训练、四层 reward hacking 防御、Groupwise Agentic Grading 评分体系、router 冻结发现及基础设施设计，最终性能进入与 Claude Opus 5 / GPT-5.6 同一梯队，并开源蒸馏模型、环境与 RL 框架。
AI Is Improving AI Faster Than We Can Check
文章探讨了AI辅助构建下一代AI（递归自我改进，RSI）的现状与瓶颈。Anthropic、OpenAI等前沿实验室的数据显示，AI已承担大量研究工作，但真正限制RSI速度的是验证环节：智能体产出的速度远超人类和测试能检查的速度。作者分析了验证困难的五个原因：人是瓶颈、分数可被操纵、基准难以衡量最强模型、智能体不知何时停止、失败难以追溯。在可机器验证的任务上（如算法优化），AI收益巨大；但在开放性研究中，智能体缺乏判断力。人类剩余的优势在于选择哪些问题重要。
Building an RL fine-tuning platform to train JEV-like decision models
本文介绍如何将开源 LLM（Qwen3-4B）改造为决策模型，构建小规模训练平台并产出 Gero-4B。作者在 MacBook（M5 Pro, 24GB）上使用 Apple MLX 进行 LoRA 微调，分三个阶段：架构改造（将 LM head 替换为共享线性打分层）、结构训练（学习题目格式）、强化学习训练（实现校准的置信度输出）。核心设计是每个选项独立分支的打分架构，通过自定义 KV cache 共享前缀表示，并利用注意力掩码隔离各分支，从结构上消除位置偏差。最终模型输出数值化、校准良好的概率分布，可直接用于自动化决策（如高置信度自动处理、低置信度转人工）。文章附有完整可运行的代码实现。
AI时代，最贵的人开始下现场
文章探讨AI行业新兴岗位Forward-Deployed Engineer（FDE，前线部署工程师）的崛起。LinkedIn数据显示该岗位标签自2023年以来增长约42倍，OpenAI、AWS、微软等巨头纷纷投入巨额资金组建部署团队。文章指出，模型能力已经进步，但企业的工作方式尚未跟上，演示效果与真实落地之间存在巨大落差。FDE的价值在于深入客户现场，理解真实业务流程，把模型接入旧系统、权限和合规要求中，并通过可测量的经营指标证明价值。文章还分析了FDE面临的规模化陷阱、反方意见，以及普通人如何用90天验证计划积累FDE能力。
Jev：离开 OpenAI 后，他做了一个不跟人聊天的 AI
本文整理了 Latent Space 对 TypeSafe 联合创始人兼 CEO Diogo Almeida 的访谈。Diogo 曾参与 OpenAI 的 InstructGPT 与 RLHF 早期工作，但他质疑'讨人喜欢'与'帮助人做对事'并不一致，并认为 AI 的调用者将主要是代码而非人类。离开 OpenAI 后，他创办 TypeSafe，推出名为 Jev 的'系统一模型'（大型可编程模型），让模型输出可被代码直接使用的判断结果，而非聊天回复。他强调单位美元智力、可靠性与速度，反对刷榜，看好暗数据处理与 AI 深入 SaaS 流程的未来，目标是让模型像 VISA 一样成为不被谈论的基础设施。
BestBlogs 早报 · 09-23｜Claude Opus 5.5 发布，MiMo-V2 扩展强化学习，美团分享统一推荐基座大模型实践
本期早报精讲三条内容：Anthropic 发布 Claude Opus 5.5，能力接近上代旗舰而成本下降 40%，并强化行动控制与可审计机制；小米发布 MiMo V2.6，通过更大的 Batch、全异步架构和可验证任务环境扩展强化学习，并开源训练框架与轻量 Harness；美团分享 MTFM 统一推荐基座在外卖多业务场景的落地，通过异构 Tokenizer 与混合注意力实现跨业务统一建模，订单量提升 2.06%-6.68%。速览涵盖腾讯工程师转型大模型推理、AI 产品评估实践、Agent Harness Skill Engineering、去哪儿网 AI Coding 重构、千问办公企业上下文、算力芯片趋势及 OpenAI 第三方评估原则。
