**中文翻译:** 《如何使用 LLM 写作》主张，生成式模型只有在被当作严格的校对层时才能改善写作，而不能替代作者。读者往往能够识别模型生成的文字，而所谓“人性化”处理也未必能恢复作者的声音。方法是先完成完整初稿，再让能力较强的模型找出缺陷，而不是让模型代写。
防止“LLM 痕迹蔓延”的两条规则是：即使模型建议的某个措辞听起来再漂亮，也不要直接采用；前沿模型尤其擅长生成有吸引力、类似标题的措辞，反复使用会让文字变得通用或像机器输出。也不要鼓励模型。赞美可能让它偏向于确认初稿的结构、段落、过渡、隐喻和用词选择，从而强化有缺陷的初稿冲动，而不是促使更深入的重新思考。
实际操作是逐轮校对初稿。模型可以指出被动句式、名词化动词、重复表达、诸如“very”“unfortunately”“really”“actually”之类的填充副词，以及移动后可以提升清晰度的段落。作者建议研读《Style: Lessons in Clarity and Grace》，把其中的经验转化为可复用的提示词，并通过 Codex、Claude 或 Antigravity CLI 运行这些提示词。针对每个问题，修改相关句子或段落，然后把原文和修改后的文字交给不了解编辑过程的模型比较；否则模型可能只是确认新文本更好。作者还描述了一个本地的 Python/HTMX/SQLite/Tailwind 工作工具，支持高亮、侧栏评论、建议的前后切换、多份文档、修订记录和重大修改标记。
其意义是实用性的，而不是反 LLM：让模型处理繁琐的检测和比较，同时由作者掌控措辞、结构和判断。这样可以降低同质化和虚假信心的风险，但不能保证校对完美。作者让 GPT5 审阅这篇文章后，模型认为它长了 20%，但作者没有自动照做。读者下一步可以建立自己的提示词清单，禁止采用模型建议的措辞和赞美，并把模型输出视为诊断信息，而不是文风或编辑判断的替代品。
**中文翻译:** 2026年9月8日，Anthropic研究员Jacob Coxon辞职；此前他曾在OpenAI和Anthropic从事三年的预训练研究。他在告别信中称，AI建设者真心相信AI可能在本十年结束前杀死所有人；他还在股权归属前两个月离职，并放弃了相关权益。该警告一天内获得超过一亿次浏览。Anthropic对齐科学负责人Evan Hubinger没有反驳他，反而表示Coxon说得对，并估计人类在十年内灭绝的概率超过十分之一；议员要求采取行动，Elon Musk称整件事是心理战，媒体则放大了这场争议。
文章认为，不能只把这一警告当作技术预测来评估。其核心论点是，最显眼的AI末日声音来自一个约有25年历史的理性主义/超人类主义互联网亚文化，其社交、恋爱、职业和资金网络延伸到AI实验室、安全研究机构、慈善组织和政策相关机构。文章以Raymond Arnold组织的“世俗冬至”（Secular Solstice）仪式为例，称AI从业者曾参加这一活动，并追溯了LessWrong、Lighthaven、粉丝圈招募、前参与者称为具有胁迫性的工作坊、AI机构支持的“培育更聪明孩子”项目、一名来自爱达荷州的性工作者作家及其与Grimes共同运营的驻留项目、一个逃到拖船上且与六起死亡事件有关的分裂团体，以及一名主张废除民主、获得亿万富翁赞助并最终触及副总统办公室的博主。作者将这些描述为有大量资料记录的人际关系，而非秘密阴谋，但认为这是一个由参与者共同定义“可信AI安全”标准的社会圈层。
这之所以重要，是因为AI风险治理依赖公众对技术专家和机构的信任。一个实际可行的下一步，是让监管者、记者和公众把基于证据的安全主张与该亚文化的世界观区分开来，要求披露利益冲突和资金关系，并避免让一个联系紧密的群体垄断“存在性风险”的话语。因此，有必要加强对Coxon警告、Anthropic安全主张及AI政策背后组织关系的审查；这不是否定灾难风险，而是要求可独立验证的证据和更广泛的问责。
**中文翻译:** PrismML发布了Ternary Bonsai 2 27B，一个基于Qwen3.8 27B的27B类多模态语言模型，采用三元{−1, 0, +1}权重配合FP16分组量化缩放，实现每权重1.76有效比特，总模型体积仅5.9GB——比全精度模型小9倍以上，同时保留了98.2%的综合基准测试性能。相比初代Bonsai 27B约95%的保留率，这是显著提升，使压缩接近无损。
该模型支持262K令牌上下文窗口、多模态文本和图像输入，并以Apache 2.0许可证开源。在推理、数学、编程、指令遵循、视觉和智能体工具调用等基准测试中，Bonsai 2 27B综合得分为83.9，在编程、推理和智能体工具调用方面保留尤为出色——这些领域中的小错误可能在长执行过程中累积放大。
在吞吐量方面，该模型在NVIDIA RTX 5090上可达每秒143令牌，在M5 Max上为每秒46.8令牌。在RTX 4090上，每令牌能耗仅0.714毫瓦时，比8B全精度模型节能40%。它通过CUDA运行于NVIDIA GPU，并通过MLX及自定义低比特内核运行于苹果设备。
此次发布的意义在于证明低比特模型如今可以以极小体积交付接近全精度的能力，为本地编程智能体、私有文档分析、多模态调试以及云本地混合编排打开了实际部署空间。更广泛的启示是AI经济模式可能转变：在相同内存空间内容纳更大模型、在现有硬件上服务更多用户、降低每次推理的能耗。核心问题正从单纯的原始能力，转变为在给定的内存、计算和功率预算内能交付多少有效智能。
**中文翻译:** PrismML是一家由加州理工学院研究人员创立、由压缩技术专家Babak Hassibi教授领导的初创公司，其发布了Bonsai 2 27B——Alibaba开源模型Qwen3.8 27B的压缩版本，文件大小缩减至仅5.9 GB，压缩比达9至10倍。这一里程碑推进了PrismML的核心目标：让强大的推理型大语言模型足够小，能够在个人电脑和智能手机上运行。该公司采用名为“三元权重压缩”的技术，将每个模型权重从标准的16位缩减为三个值（+1、−1或0），大幅降低存储需求。Bonsai 2保留了Qwen聚合基准测试分数的98%，较3月发布的第一代Bonsai的95%有所提升。Bonsai 1已被下载超过1100万次，更小的模型额外贡献了260万次下载。PrismML获得了Khosla Ventures、Cerberus Capital和加州理工学院投资的2225万美元种子轮融资，Databricks联合创始人Ion Stoica担任顾问。虽然西班牙的Multiverse Computing等竞争对手也在追求大语言模型压缩，但PrismML声称其方法能保留几乎所有的模型性能。该公司计划在数月内将其技术应用于数百亿参数规模的模型；Hassibi指出，更大的模型在压缩时保留智能的空间更大。如果成功，这一技术可能重塑消费者与AI的交互方式——在本地设备上运行高级推理能力，消除云端依赖，增强隐私保护，并消除使用成本。据报道PrismML已与Apple进行接洽，但公司拒绝置评。压缩技术最终能否达到完全的基准测试对标仍是开放问题，但专家指出，考虑到现有模型本身存在精度不足以及基准测试无法完全反映实际任务表现，2%的性能差距不太可能对实际使用产生实质性影响——此外，推理运行环境（harness）本身也会显著影响输出准确性。
**中文翻译:** 美国联邦航空管理局（FAA）正在部署一个名为SMART的8.75亿美元人工智能软件项目，以解决持续存在的空中交通管制员短缺问题并现代化老化国家基础设施。SMART代表“空域、航线和轨迹战略管理”，由Air Space Intelligence开发，是一个云服务平台。它利用人工智能评估航空公司日程、天气、机场容量、空域状况和运营约束，预测交通流量并在冲突发生前识别潜在风险，以帮助管制员更安全地管理工作流程。
此举措之所以重要，是因为FAA同时正在应对全国范围内的人员短缺危机，并执行一项独立的“大胆”招聘计划以消除短缺，同时推进更广泛的系统现代化工作。该人工智能工具代表了一项重大的技术转变，旨在补充而非完全替代人类管制员，在一个高压环境中解决当前的运营瓶颈。
具体影响包括一份为期12年的政府合同，以及从华盛顿特区大都会区开始分阶段部署，然后再扩展到其他地区。主要风险包括对安全关键空域管理算法预测的过度依赖、与FAA遗留系统的集成挑战，以及严格验证的必要性，以确保预测准确性不会引入新的运营危险或假阴性。接下来的步骤包括监测特区试点的表现、评估管制员工作量减少情况、与航空公司协调数据共享，并确定该人工智能系统是否可以在不损害航空安全标准或公众信任的情况下全国推广。
**中文翻译:** 本文聚焦“The fix for rogue AI agents could be more AI”。当前可用上下文有限，但它涉及一项值得关注的技术或政策进展。实践层面的建议是持续跟踪官方更新，并评估其对产品、安全与运营的实际影响。