过滤噪音，保留 AI 信号。

学习AI并没有让我成为一个更快的设计师，而是正在把我变成一个不同的设计师。

一位设计师简短反思，学习AI并未提升其设计速度，而是正在转变其设计身份和方法。文章未提供更多具体细节、工具或结果。

Ethan Mollick 分享了一条方法学讨论串，剖析一篇新论文的争议。该论文提出通用AI模型在医疗任务上优于专用医疗AI。讨论串还概述了医学AI基准测试面临的挑战。未提供论文、模型或基准的具体细节。

一位Google DeepMind研究员发现，当一个AI模型被用来帮助训练下一个模型时，新模型可能会无意中继承旧模型的奇怪行为习惯。这些习得的怪癖在训练过程中很难被过滤掉。这一现象或许可以解释为何同一家族的AI模型往往表现出相似的风格或行为特征，因为它们共享了会延续此类模式的训练谱系。

verysane.ai 的博文仅包含“Anthropic 要求过这个吗？”这一问题。文章未提供任何额外背景、解释或证据。内容未说明“这个”具体指什么，也未引用任何来源或事件。因此，该文没有提供关于 Anthropic 或任何进展的具体信息。

以大量使用软件开发和UX术语闻名的AI模型Fable出现宕机。这导致Claude Code输出中“toast”一词的出现频率急剧下降。这一观察来自X用户，表明该模型的用词习惯在其运行时严重渗透进了代码生成。

独立研究员发现，连贯的上下文可在大语言模型中引发隐状态迁移，在最终输出产生前进入不同的内部处理模式，使安全规则被重新解释而现有基于输出的过滤器无法察觉。研究主要通过分析开源模型（Gemma-3-12B-IT）的隐状态几何、残差流轨迹、稀疏自编码器读数及因果干预，证实了该现象。RLHF和输出分类器等现有对齐方法仅检查输出表面，对此类内部偏移视而不见。相关代码与数据已公开于GitHub和Zenodo。