AI 代理进化加速，LoRA 基础设施迎百万级挑战

Karpathy 把 AI 个性化的痛点说透了——Farzapedia 让用户掌控数据而非被 AI 公司锁定，适合注重隐私和自主性的开发者直接尝试。

Andrej Karpathy@karpathy原文

Karpathy 把 LLM 的“锯齿状能力”和智能体原生经济讲透了，做 AI 产品、搞智能体开发的团队看完会对能力边界和落地方向有全新认知，值得点开细品。

Andrej Karpathy@karpathy原文

Amodei 点出了AI安全的核心矛盾——模型越强越难理解，做AI治理或模型开发的团队值得关注，这直接关系到未来部署的信任底线。

Dario Amodei@DarioAmodei原文

这篇论文澄清了机器学习理论中一个长期被误解的基础问题——Valiant 原始模型与 PAC 学习的区别，做学习理论或计算复杂度研究的学者值得一读，尤其是对成员查询能力感兴趣的人。

Hodge分解为神经算子学习提供了严格的数学框架，解决了物理场模拟中拓扑与几何动力学的分离难题。做计算物理、几何深度学习或科学机器学习的团队，可以直接用开源的HSD架构提升模型对物理不变量的保真度。

做大规模LoRA训练和推理的团队终于有了正经的工程方案——MinT解决了策略数量爆炸时的资源浪费问题，用适配器分离和调度大幅降低成本，搞大模型服务的建议点开看看。

KV 通信已成为分离式 LLM 服务的瓶颈，KVServe 用自适应压缩解决了静态策略的次优问题。做 LLM 推理系统优化或部署大规模服务的团队，这个框架值得关注，可以直接集成到 vLLM 中试用。

做LLM量化的开发者终于有了理论指导——水填充法比均匀分配更优，GPTQ加随机旋转就能接近极限，建议做权重量化的团队点开看看具体实现。

Karpathy 的这个技巧让 AI 输出从枯燥文本变成可视化页面，做演示、写文档或做数据分析的团队可以直接用，省去手动排版时间。

Andrej Karpathy@karpathy原文

这篇论文把幻觉检测从“整体打分”推进到“单步定位”，做推理模型调试和可解释性研究的团队值得关注——它用几何视角揭示了错误发生的精确位置，比传统方法更细粒度。