iFeeling Daily
每天精选值得关注的 AI 动态
OpenAI工程师拆解Codex：模型迭代周期6周，成本降至$1/百万token
OpenAI工程师用真实数据告诉你：模型发布周期从15个月缩到6周，推理成本降到$1/百万token，速度750 tokens/s。他们分享Codex如何从台上祈祷模型别崩溃进化到全自动测试验证，还抛出一个观点——未来的瓶颈是人的注意力，不是模型能力。
Runway推出AI模型路由器，应对生成式媒体拥挤市场
生成式媒体模型太多选不过来？Runway 推出首个媒体路由器，基于质量、速度或成本自动选择最优模型，并支持设置模型来源国偏好。
llm-d项目引入协同时间切片提升RL训练效率
分布式RL训练中GPU闲置率达60%，llm-d的协同时间切片将占空比从40%提升至70%，无需修改模型框架即可实现硬件利用率接近翻倍。
AI工程生产力的三个层级：从20%到8x
AI工程生产力实测数据：IDE仅提升20-46%，构建Agent层达3x，工厂级8x+。差距不在模型而在运营纪律。
13个Gemini企业代理平台演示
Google一口气发布了13个Agent开发实战演示，从基础搭建到生产级治理全覆盖。每个demo都能直接用，配合Agents CLI让IDE自动帮你写代码、评估、部署，省掉大量手工配置。
用BigQuery桥接SQL与Python
BigQuery的%%bqsql魔法让你在笔记本里直接用SQL查询本地pandas DataFrame，结果自动存为BigQuery DataFrame，实现零拷贝的SQL-Python链式处理。从此不用再手动搬运数据，迭代效率直接翻倍。
单层足矣：适配预训练视觉编码器用于图像生成
预训练视觉编码器跟生成模型latent空间不对付？FAE用单层注意力层就把这事搞定了，还在ImageNet上刷出FID 1.29的SOTA。核心思路是解耦特征提取和生成，用两个解码器各自干各自的事，简单又高效。
AI应用在生产环境失败的真相
YouTube工程师用“丢弃代码”策略解决了AI原型落地难题：搭建只读数据层和隔离注入通道，让95%的失败率成为设计，验证周期从季度缩短到周。不是不犯错，而是让犯错变快变安全。
GKE Autopilot集群托管DRANET：GPU和TPU集成
Google把GPU/TPU的网络配置也扔进了Kubernetes的声明式管理里。以后跑大模型，你只需要写YAML描述要什么加速器和网络类型，集群和网络自己搭好，不用手动配复杂的RDMA拓扑了。