Simon Willison 使用 IBM 的 Granite 4.1 3B 模型的 21 個量化變體進行實驗，每個變體都要求生成一張騎自行車的鵜鶘的 SVG 圖像。所有結果都很糟糕，且質量與模型大小無關。

股權管理公司Carta展示了企業如何利用AI和智能體來轉型和塑造業務。Carta的首席產品官在AI Agent會議上介紹了其從服務業務轉向AI驅動產品業務的策略，並強調了實驗、避免急於求成以及保持人工參與的重要性。

在AI新聞相對平靜的一天，一場關於AI“性格”的討論引發廣泛關注。OpenAI員工Roon公開稱讚Claude的設計，將其與GPT的功利導向形成鮮明對比。此外，本文還涵蓋了Sierra的新估值、智能體編排的演進、編程智能體的成本問題以及基準測試的最新動態。

Simon Willison的2026年4月贊助者專屬月度通訊介紹了Opus 4.7和GPT-5.5等新模型、Claude Mythos與LLM安全研究、ChatGPT Images 2.0等內容。通訊對贊助者開放，每月10美元。

微軟在用户投訴後撤銷了VS Code的一項改動，該改動會自動在Git提交中添加“Co-authored-by: Copilot”的署名，即使用户未使用AI工具。開發者對此表示不滿，認為錯誤地將AI歸為代碼合著者。微軟已將該功能改為默認選擇加入，並將在版本1.119中發佈修復。類似問題也出現在Anthropic的Claude Code和OpenAI的Codex上。此舉引發了關於AI代碼貢獻署名、版權保護和法律責任的複雜討論。

OpenAI和普華永道宣佈合作，利用AI代理幫助企業自動化財務工作流程、改進預測、加強控制，並實現CFO職能的現代化。

美國最大的食品和藥品零售商之一Albertsons Companies（擁有約2300家門店，營收800億美元）基於“一個團隊、一個平台、一個運營模式”戰略構建了集中化AI核心。在Sunil Gopinath的領導下，他們利用Databricks平台進行數據工程、機器學習和分析，採用特許經營模式平衡中央治理與本地創新。重點領域包括客户體驗、商品智能、勞動力管理和供應鏈。該方法強調可複用加速器、AI增強工程和領導問責制，以在企業中擴展AI。

Anthropic聯合黑石、H&F和高盛成立新AI服務公司，幫助中型企業採用Claude。此舉與OpenAI的“部署公司”模式類似，表明兩家公司均認識到AI落地的複雜性遠超技術本身。微軟憑藉Copilot在分發渠道上仍具優勢。

Simon Willison探索了Ville Laurikari的TRE正則表達式引擎，使用Claude Code構建了一個實驗性的Python ctypes綁定，並測試了其對抗惡意正則表達式攻擊（ReDoS）的能力。結果表明，TRE由於不支持回溯，在處理“邪惡模式”和大型輸入時遠超Python標準庫re模塊，性能呈線性擴展而非指數級。

傳統儀表盤只能回答已知問題，當團隊需要探索臨時、多維或不可預見的問題時，就會遇到瓶頸。Amazon Quick的Dataset Q&A功能允許用户用自然語言提問，並在幾秒內獲得準確答案，無需構建新儀表盤或排隊等待。AWS內部開發了TARA（技術分析研究代理），利用此功能將查詢準確率提升48%，故障率降至接近零，分析時間從數小時縮短至幾分鐘。

通過生產追蹤生成建議，使用批量評估和A/B測試進行驗證，並自信地部署。AI代理的初始性能會隨着時間退化。新功能提供自動化的觀察、評估、改進循環。

Amazon Bedrock AgentCore 推出了新的優化循環，包括建議、批量評估和 A/B 測試，以持續提升生產環境中 AI 智能體的質量，用基於數據的迭代取代手動調試。

Amazon SageMaker AI 推出代理式體驗，開發者用自然語言描述用例，AI 編碼代理即可引導從數據準備到部署的整個模型定製流程。內置的代理技能涵蓋微調技術選擇、數據轉換、質量評估等，生成可編輯的代碼工件，支持 Amazon Bedrock 或 SageMaker AI 端點部署。本文詳細介紹了通過九種模塊化技能實現定製工作流，並以醫療推理模型微調為例進行演示。

Google在2026年4月發佈了一系列重大AI更新，包括Gemini企業智能體平台、第八代TPU、開源模型Gemma 4、免費視頻生成工具Google Vids、深度研究助手Deep Research Max、編程學習模式Colab Learn Mode等，同時宣佈了醫療、教育、翻譯等領域的AI應用進展。

科林·安格爾（Colin Angle）——Roomba 的創造者，曾將 5000 萬台家用機器人送入千家萬户——帶着一款新機器人迴歸。但這一次，它設計為伴侶而非清潔工具。他的新公司 Familiar Machines & Magic 推出的第一款機器人是一隻狗大小的機器寵物，外形介於熊、倉鴞和金毛尋回犬之間。它擁有富有表現力的面部，可動的眉毛、耳朵和眼睛，公司稱之為“Familiar”（精靈），這個名字意在喚起民間傳説中超自然伴侶的概念。該機器人使用生成式 AI 建立情感聯繫並發展獨特個性，計劃明年上市，價格與養寵物相當。

Amazon Quick 的新功能允許用户通過自然語言提示生成完整的多工作表分析，將儀表板創建時間從數小時縮短到幾分鐘。用户選擇數據集、描述所需內容、審查生成計劃，然後獲得可交互的分析，並可一鍵發佈為儀表板。

Amazon Quick 引入 Amazon S3 表（Apache Iceberg 格式）作為新數據源，用户可直接查詢和可視化 S3 表桶中的數據，無需中間層。該功能通過 Direct Query 和 SPICE 模式實現近實時分析，簡化現代數據架構，減少數據移動，並通過自然語言交互提升洞察速度。

今天，Amazon SageMaker AI 為新的和現有的推理端點引入了容量感知實例池。您可以定義優先級列表的實例類型，當容量在創建、擴展和縮減期間受到限制時，SageMaker AI 會自動遍歷您的列表。您的端點可以在可用的 AI 基礎設施上自動配置，無需手動干預。此功能適用於單模型端點、基於推理組件的端點和異步推理端點。

本文介紹如何將面試風格的SQL查詢轉化為生產就緒、可測試且版本控制的工作流，涵蓋單元測試、CI/CD自動化及數據質量檢查。

Redis 創始人 Salvatore Sanfilippo 提交了一個 PR，為 Redis 增加了一種新的數據類型——數組，並引入了 18 個新命令。開發者 Simon Willison 利用 Claude Code for web，將 Redis 子集編譯為 WASM 並在瀏覽器中構建了交互式演示頁面。其中最引人注目的命令是 ARGREP，它使用新集成的 TRE 正則表達式庫在服務器端對數組元素進行 grep 操作。Sanfilippo 還撰寫了一篇博文，介紹了 AI 輔助的數組類型開發過程。

谷歌推出 Gemini API 事件驅動 Webhooks，基於推送的通知系統替代低效輪詢，提升長時間運行任務的效率。支持標準 Webhooks 規範、安全簽名和自動重試，可全局或按請求配置。

本文探討了代理式AI對雲存儲和數據訪問層帶來的前所未有的壓力。隨着AI從簡單聊天機器人向自主多步代理轉變，推理不再是無狀態計算問題，而是大規模數據問題。文章指出傳統數據基礎設施無法應對AI代理的高併發、突發讀取和不可預測訪問模式，並分析了AWS EBS的限制，最後介紹了Silk的軟件定義存儲解決方案如何解耦性能與容量。

OpenAI已籌集超過40億美元，成立了一家名為“部署公司”的合資企業，旨在幫助企業推廣其人工智能軟件。共有19家投資者參與，包括TPG、Brookfield資產管理公司、Advent和貝恩資本。OpenAI前期投入5億美元，並可選擇追加15億美元。該合資企業建立在OpenAI的Frontier企業平台及其與BCG、麥肯錫、埃森哲和凱捷的“Frontier聯盟”基礎上。

Open SWE 是一個基於 Deep Agents 和 LangGraph 構建的開源框架，它捕捉了 Stripe、Ramp 和 Coinbase 等公司在內部編碼智能體方面的成功架構模式，提供了可定製的沙箱、工具集、編排和集成組件。

像GLM-5和MiniMax M2.7這樣的開放權重模型在核心智能體任務（文件操作、工具使用、指令遵循）上已媲美封閉前沿模型，同時成本更低、延遲更短。LangChain的評估顯示其正確率接近頂級閉源模型，使開放模型適用於生產環境。本文詳細介紹評估方法、結果及如何在Deep Agents SDK中使用開放模型。

英國科學家在《PNAS Nexus》上發表研究，證明AI系統與人類利益的完美對齊在數學上是不可能的。他們提出“管理性錯位”策略，通過構建不同價值觀的AI生態系統來相互制衡。

本文分析了AI在編程、科學研究和工程任務上的快速進展，認為到2028年底有60%以上的可能性實現無人類參與的AI研發——即AI系統能自主構建其繼任者。作者從SWE-Bench、METR時間線、CORE-Bench、MLE-Bench等基準測試的數據出發，論證了AI在代碼生成、科學可重複性、競賽解決、內核優化、模型微調等方面的能力已接近或超越人類水平。文章還討論了AI管理AI的元技能、創造性潛力以及自動化AI研發對對齊問題、經濟生產力倍增和“機器經濟”形成的深遠影響。

本文以初學者、中級和高級三個層次解釋代理型RAG（檢索增強生成）的概念。它介紹了基礎原理、架構設計以及在實際應用中的優勢與挑戰，幫助讀者根據自身水平理解這一新興技術。

本文評測了ML Intern，一款開源機器學習助手，它超越傳統AutoML，覆蓋數據探索、編碼、調試到模型發佈的完整工作流。通過一個客户支持工單分類案例，展示了從數據集選擇、煙霧測試到訓練計劃生成的步驟。

每天有數百萬條由人工智能生成的虛假內容被大規模傳播，旨在改變整個國家的輿論。從俄羅斯的CopyCop網絡到惡意AI蜂羣，這些系統利用開源模型和個性化數據，製造虛假共識，侵蝕民主基礎。文章探討了水印、監管的侷限性，並強調提升數字素養和迴歸可信來源的重要性。