#代码优化
Salesforce Research 搞了个跑研发全流程的智能体系统，代码优化提速最高 1.84 倍，还能自动训练 1T 模型，搞基建的可以看看。
朋友，NousResearch 用他们自己的开源 Agent「Hermes」去重构了「Hermes」自己的代码库，花了 19 个小时，1393 个 Agent，把代码量砍了三分之一，还省了好多钱，挺有意思的。
Claude、GPT-5和Gemini在代码生成时加入执行约束后，代码效率大幅提升，最高快3.1倍。
想又快又稳地优化CUDA内核？Kernel Forge用MCTS自动探索，比手动写靠谱多了，实测14个内核超基线。
一篇教你用强化学习优化代码执行速度的论文，针对测量噪声和奖励稀疏问题设计了DMC-Optim基准和三阶段方法，让Qwen 2.5 7B的pass@1从18%提到31%，CWM 32B提到50%。
Fable 自己找到了 Next.js 内存优化 15-30%，这 AI 太猛了。看看它怎么干活的。
Mitchell Hashimoto 的实测揭示了 Fable 模型的真实表现：它并非全能，但在特定优化任务上能带来数量级提升。做高性能计算或深度优化的开发者，可以看看他如何用 Fable 将微秒级操作压到纳秒级，以及是否值得为此付出时间和成本。
做性能优化或高精度代码重构的开发者值得关注——Fable 5在聚焦任务上能突破人类极限，但日常开发用GPT更划算，看完能帮你选对工具。
对于游戏开发者、3D 设计师和想快速验证创意的产品经理，Fable 5 的单提示生成能力意味着原型制作时间从几天缩短到几分钟，值得立即体验。
AI 模型自我优化的能力正在指数级增长——从 3 倍到 52 倍只用了不到一年，做 AI 训练和推理优化的开发者值得关注这个趋势。
做 AI 编译器或硬件优化的开发者会关心——LLM Agent 的搜索能力被高估了，实际表现受限于预训练数据分布，直接套用反馈循环可能适得其反，建议先看实验设计再决定是否采用。
