Eiso Kant，Poolside AI 联合创始人，在 Latent Space 上聊了十年豪赌代码模型的故事。2015 年受 Karpathy 的 RNN 启发，他自掏腰包 1200 万美元押注代码生成，直到 ChatGPT 才让市场看懂。核心议题是：为什么 Poolside 选择开放权重、坚持从零训练模型，以及他们如何在 8 周内完成从预训练到发布的“模型工厂”流水线。

Eiso 反复强调，模型构建 90% 是工程，不是科学。Poolside 的 Model Factory 每月跑 1-2 万次实验，通过流式数据直接喂入训练、不可变数据版本化、低精度计算，把模型迭代周期从 6 个月压缩到 5-8 周。他反对把 Agent 能力简单归因于模型本身，认为persistence（持久性）、verification（验证）、backtracking（回溯）比单纯增加模型智能更重要。他还直言，当前行业过度依赖蒸馏和合成环境，这些是“毒品”，短期内有效但长期会限制能力上限。Eiso 预测，强化学习会前移到预训练阶段，而 next-token prediction 仍然从互联网中提取的信息太少，需要更高效的 curriculum 设计。

值得持续关注的是 Poolside 的“模型工厂”思路——把训练变成可复现的工程流水线，这可能是中小团队追赶大厂的关键策略。另外，Eiso 关于开放模型可能被监管锁死成寡头的警告，以及他认为代码是通往 AGI 最有效路径的判断，都值得跟踪。如果 Poolside 的 Laguna S（118B 参数，8B 激活）真的能在长期任务中证明 persistence 比 raw intelligence 更关键，那整个 Agent 评估范式可能需要重写。