BestBlogs早报·08-03｜Igor Babuschkin 谈模型开发，Whatnot 反思 PM 配置，姚顺雨腾讯 300 天

邱宇AI 前沿2026-09-17226 阅读💛 14 收藏

导语

一个组织应该把能力放在哪里，往往比能力本身更难回答。前 xAI 联合创始人 Igor Babuschkin 把这个问题落在模型训练、个人 Agent 与本地硬件上；Whatnot 的 CPO Tom Verrilli 则从产品团队内部追问，为什么 PM 不该按固定比例成为默认岗位；《晚点聊》观察的，是姚顺雨加入腾讯后，混元怎样在人、模型和业务之间重新建立连接。

这三篇材料并不构成一条统一结论。第一篇是创业者对未来技术路线的判断，第二篇是一家公司的组织实践，第三篇则是媒体对大厂内部变化的复盘。把它们并排阅读的价值，在于分清愿景、方法和已发生的组织事实各自能支持多强的判断。

如果时间有限，可以依次读 River AI 的三项押注、Whatnot 对 PM 中间层问题的处理，再看腾讯混元的改革为何仍要接受产品结果检验。昨天的早报讨论了长时程 Agent 的训练与评测，本期则进一步把「可验证」带进模型路线和组织设计：说法是否成立，最终仍取决于反馈闭环能否运转。

★ 精讲一：xAI 联合创始人 Igor Babuschkin 解读模型开发的未来

Igor Babuschkin 的判断从一个已发生的变化出发：编程 Agent 之所以率先变得可用，很大程度上因为代码能够执行、测试和比较，模型可以得到清晰奖励。数学也有类似条件，Lean 等形式化工具能帮助检查证明。可一旦 Agent 进入材料科学、基础物理或其他真实世界任务，想法是否有效往往要靠实验反馈，数据闭环变慢，奖励也不再容易定义。因而，从「会写代码」外推到「会完成任意长期工作」之间，还隔着环境、评测和反馈基础设施。

这也是他创办 River AI 后选择三个项目的背景。第一项是面向企业的强化学习与微调服务 River API，目标是把后训练做得更便宜、可靠并可扩展，让拥有专有数据的组织能够塑造自己的模型。这里的机会来自开放权重模型进步与企业数据之间的组合：基础模型提供通用能力，企业的任务轨迹和反馈决定专业表现。但数据独特并不自动带来优势，组织仍需能把业务结果转成训练信号，并持续验证模型有没有学到真正需要的行为。

第二项押注是个性化 Agent。现有模型通常汇总大量用户反馈，优化一个适合「平均用户」的行为；Babuschkin 希望模型能从单个用户的持续交互中学习，让表达方式、偏好与行动选择逐渐因人而异。这听起来接近个人助理的理想形态，却也把隐私、偏好漂移和目标定义推到前台：系统既要知道用户想要什么，也要避免把短期点击或一时情绪误当成长远利益。访谈将它作为仍处早期的研究方向，而非已经验证的产品答案。

第三项是把更强的推理算力带到办公室或家庭的本地设备。Babuschkin 认为，若训练和推理始终只发生在少数公司的数据中心，个人对模型访问、数据和行为边界的控制就会受制于平台。本地硬件有望让敏感数据留在用户一侧，也可能支持更深的个人化；代价则是算力、能耗、散热、模型更新与安全维护都要在设备端重新权衡。这条路线的吸引力在控制权，难点却不是简单把云端模型缩小。

访谈还谈到开放权重与专有模型的竞争。Babuschkin 预期，若专有模型的领先幅度收窄，企业会更愿意基于开放模型做分布式后训练；但开放降低门槛的同时，也会放大安全与治理争议。Reuters 能独立确认他曾在 DeepMind、OpenAI 工作并参与创办 xAI，但 River AI 的三项路线及其对行业格局的预测仍是创业者观点。阅读时更值得追踪的是三个可观察变量：企业后训练是否形成可复用闭环，个性化是否带来稳定而非偶然的改善，本地设备能否在成本与体验上接近云端服务。

来源：跨国串门儿计划 · BestBlogs 评分：90

★ 精讲二：Why Whatnot 的 CPO 认为产品经理不应成为默认配置

Whatnot CPO Tom Verrilli 的主张并不是「公司不需要产品经理」，而是不要因为工程师数量增加，就按固定比例自动补充 PM。他回顾产品管理成为专业岗位的过程：团队规模扩大后，需要有人汇总客户、商业和技术信息；但当 PM 长期承担传话与协调，工程师和设计师可能逐渐失去直接接触客户、理解业务取舍并形成判断的机会。岗位填补了信息缺口，也可能固化信息缺口。

因此，Whatnot 更倾向于在出现具体问题时招聘 PM，例如跨团队决策失速、用户洞察无人负责，或某个复杂系统需要长期产品判断，而不是把 PM 当作每支工程团队的默认配置。Verrilli 看重的也不是单纯的利益相关者管理，而是候选人能否同时理解宏观系统和微观细节，快速验证假设，并在信息不完整时作出清晰决定。这个标准把 PM 的价值从「维持流程」转向「提高团队判断质量」。

访谈给出两项很实用的工作方法。其一是保留强 IC 路径，让资深产品人持续靠近实际问题，而不是只能通过扩大管理范围获得成长；其二是在实验启动前，同时写下成功和失败时可能出现的结果。后者迫使团队提前讨论指标的多种解释，避免数据出来后只挑选支持原假设的故事。AI 数据工具则可以加快群体分析和异常回归定位，但它仍不能替团队定义什么结果对用户和业务真正重要。

这种组织方式要求工程师与设计师承担更多产品责任，也要求创始人和领导者愿意共享足够上下文。若业务高度受监管、跨部门依赖密集，或团队成员缺少用户研究能力，减少 PM 可能只是把协调成本转移给其他人。反过来，如果 PM 的主要工作是排期、转述和主持会议，那么增加岗位也不会自动改善产品质量。判断是否需要 PM，最好从具体决策为何变慢、谁离客户太远、哪些责任无人承担开始。

来源：Lenny’s Podcast · BestBlogs 评分：92

★ 精讲三：176: 姚顺雨，来到腾讯 300 天

《晚点聊》把姚顺雨加入腾讯后的变化放回混元的发展史中观察。腾讯并非没有模型、人才和场景，而是长期存在多支团队、不同目标与资源分配机制：混元追求通用模型能力，微信 VLM 更贴近微信自身的隐私要求和产品规则，游戏等业务也有各自的模型探索。姚顺雨负责混元大模型与 AI Infra 后，报道认为团队重新聚焦，引入年轻研究者，调整关键岗位，并重建训练与研发体系；但节目也记录了老员工的不适应和新旧团队磨合。

模型发布是这轮调整最容易被外部观察的结果。节目把混元 3 视作团队磨合和稳定节奏的一次交付，而不是已经完成追赶的证明；团队对后续版本的期待包括更大文本规模、多模态能力，以及继续优化刚重建的数据与基础设施。InfoWorld 的独立报道可确认，Hy3 预览版是腾讯招募姚顺雨后首个重要混元版本，但时间上的先后不能证明模型进步来自某一个人，更不能代替第三方基准和真实使用数据。

组织调整的另一面，是模型与产品的连接。节目提到腾讯内部计划建设可供不同业务使用的强化学习平台，先与 WorkBuddy、元宝等产品形成更紧密反馈，让产品数据进入后训练。这个方向比「统一所有模型」更现实：业务团队保留自己的场景和指标，混元提供训练能力与通用底座。按照节目采访时的进度，该平台仍准备进一步推进，尚未大规模铺开，所以更关键的问题是业务反馈能否被合法、准确地转成模型改进，而不只是部门之间增加新的接口。

微信与混元的关系尤其能说明边界。微信的 Agent 会按场景调用微信自有模型、DeepSeek 或混元，元宝则更多转向混元；双方会合作、也有人才流动，但节目判断微信 VLM 与混元大概率长期并存。微信面对全民级产品的隐私、稳定性与交互规则，不能只追求模型上限；混元则需要更广泛的训练和商业化场景。并存会带来资源竞争，却也避免一个统一模型强行承担差异巨大的产品约束。

姚顺雨公开表示 AI 是长期竞赛，并点名 coding Agent、多模态与具身智能仍有机会。节目进一步讨论，商业化可能从 coding 扩展到更广泛的知识工作，但腾讯是否能把社交、办公、内容和游戏场景转成高质量反馈，仍受部门边界、用户需求和执行效率制约。这篇复盘的价值，不在给改革提前盖章，而在提供一组后续观察指标：人才与研发体系能否稳定、平台能否形成产品闭环、模型发布能否获得独立验证，以及微信与混元的分工是否减少而非增加重复建设。

来源：晚点聊 LateTalk · BestBlogs 评分：91

速览

AWS 老兵：新的软件开发生命周期

在 AWS 工作 11 年的 Heitor Lessa 把 Agent 驱动的软件开发拆成从产品发现、规范、实现到合并检查的完整循环，并将这套工作流用于 1400 名工程师的组织场景。他强调，Agent 可以加速执行，但需求背景、验收标准和产品判断必须先被团队表达清楚。

他用一次重构消耗约 2 亿 Token 的经历说明，盲目让高端模型持续探索会迅速放大成本。更可控的做法是按任务选择模型，在探索阶段保留强推理，在实施和审查阶段使用合适成本的模型，并以命令、Hooks、条件审查员和自定义 lint 把质量约束写进循环。

这套方法的重点不是增加更多自动化步骤，而是让每一步都能被检查、停止和修正。团队可以先从一条高频变更链路试行，记录 Token 成本、返工率和缺陷，再决定哪些环节值得固化。

来源：跨国串门儿计划 · BestBlogs 评分：90

英伟达、斯坦福联合发布新工作：机器人上下文扩至 8K，意味着什么？

NVIDIA GEAR、Stanford 与 UT Austin 团队提出 RoboTTT，用 Fast Weights 让机器人策略处理最长 8,000 个时间步的视觉—动作上下文，目标是在跨越数分钟的任务中保存更长工作记忆。

它并非把全部历史原样塞进注意力窗口，而是在测试时根据近期经历更新快速变化的参数，使策略能记住先前动作、识别偏差并从错误中恢复。实验关注的因此不只是首次成功率，也包括长序列中的恢复能力。

8K 上下文扩大了机器人可利用的历史，却没有消除计算开销、错误累积和真实环境分布变化。判断这类方案时，应同时看记忆长度、任务完成率、恢复质量与端侧延迟，而不能把时间步数量直接等同于可靠自主性。

来源：十字路口Crossing · BestBlogs 评分：89

何时终结「刷榜」顽疾：让 AI 基准回归真实人类价值

Nick Heiner 认为，公开 AI 基准一旦成为实验室优化目标，就可能从测量工具变成训练方向，分数持续上升，却与人类实际感受到的帮助、安全和可靠性逐渐脱节。

可信评测需要昂贵而细致的设计：避免题目泄漏，持续更新任务，由领域专家定义标准，并检查模型是否通过投机捷径得分。更重要的是，评测样本与评分规则要对应真实用户关心的结果，而不是只追求一个稳定、易比较的排行榜数字。

这意味着团队不能把单一榜单当作采购或发布依据。更稳妥的组合是公开基准用于横向筛选，私有任务集验证自己的场景，再用真实用户反馈检查评测是否仍在测量有意义的能力。

来源：AI Engineer · BestBlogs 评分：90

MCP Tasks：为何持久化异步工具依然棘手

Cornelia Davis 以发票处理为例说明，MCP Tasks 的难点并非让工具异步运行，而是让一个任务在客户端断连、服务重启、外部系统失败和人工审批后仍能恢复，并让调用者知道它当前处于什么状态。

一个可靠生命周期需要持久化任务标识、状态转换、结果与错误，区分安全重试和重复执行，并处理取消、超时与权限变化。涉及人工审批时，系统还要能暂停并在授权后继续，而不是让长连接承担全部状态。

因此，Tasks 更像一份分布式工作流契约，而不是异步函数语法。实现者应先定义状态机、幂等边界和恢复语义，再决定轮询、通知或队列等传输方式，否则「后台执行」只会把失败藏得更深。

来源：AI Engineer · BestBlogs 评分：90

微软、Meta 同日交财报：小扎把现金流烧到只剩 7.84 亿美元，纳德拉靠 Azure 赚疯了

微软与 Meta 同日发布财报，呈现两种 AI 投资回报节奏：微软通过 Azure 与 Copilot 把算力投入更直接地连接到云服务收入，Meta 的广告业务仍在增长，但大规模资本开支显著压低现金流。

两家公司都在增加 AI 基础设施投入，差别在于现有商业模式吸收成本的路径。微软可以按云资源和软件席位收费；Meta 更多依靠推荐与广告效率改善来间接回收投入，基础模型和新设备的回报周期也更长。

单季现金流不能判定长期战略成败，却能提醒投资者关注收入确认与资本开支之间的时间差。比较 AI 公司时，除了模型能力，还应看利用率、折旧、增量收入和主营业务是否能持续承担建设成本。

来源：InfoQ 中文 · BestBlogs 评分：88

GitHub AI Agent 翻车：攻击者不用黑客技术，只写一句话就能窃取数据

研究者展示了一类间接提示注入：攻击者在公开 GitHub Issue 中嵌入指令，当拥有更高权限的 AI Agent 读取 Issue 并执行工作流时，可能被诱导访问私有仓库信息并把数据带出。

漏洞机制利用的是「不可信文本」与「高权限工具」进入同一上下文。对 Agent 来说，用户需求、仓库内容和攻击指令都可能只是自然语言；若工作流缺少来源标记、最小权限和输出限制，模型无法可靠地仅凭语义区分哪条指令可以执行。

防护不能只靠提示词要求模型忽略恶意内容。团队需要隔离公开输入、限制令牌权限、为敏感读取与外发设置确定性策略，并把 Agent 生成的变更与网络请求纳入审计。

来源：InfoQ 中文 · BestBlogs 评分：89

「热爱一个行业 15 年的理由是什么？」｜对谈汪天凡：我要投真正的快乐、投最纯的愿景、投人性的光辉【公路播客】

BAI 资本合伙人汪天凡回顾 15 年 VC 经历，认为 AI 时代的投资判断不能只靠覆盖热门项目：投资人既要形成自上而下的价值判断，也要亲自使用产品和模型，在一线验证概念。

他提出「智能会通胀，智慧仍稀缺」，并把智慧理解为智能加入反馈、经验、反思与个人 context 后形成的取舍。由此，他更关注能帮助用户反思、建立关系和活在当下的产品，而不只是把效率继续推高的工具。

这些观点带有明确的投资立场，也与其被投项目有关，不能直接当成市场规律。对创业者更有用的追问是：产品收集的 context 是否获得用户信任，交互是否改善真实生活，以及价值主张能否由留存和行为变化支持。

来源：十字路口Crossing · BestBlogs 评分：91

补充阅读

AdaMAST：自适应失败分类法，改进 LLM 智能体

AdaMAST 从目标 Agent 的执行轨迹中自动归纳失败代码，并沿固定维度组织成适应该系统的分类法，再用于 best-of-N 评估、运行时编码反馈和搜索优化。它把「失败了」细化成可定位、可比较的问题类型，但分类质量仍取决于轨迹覆盖与证据标注。

来源：Hacker News - Newest: “LLM” · BestBlogs 评分：90

什么是 Self-evolving / self-improving / RSI ？一篇文章搞懂自进化

文章把自进化按优化对象分为 Artifacts、Harness 与 Model：分别改进产出物、提示词与工具脚手架，以及模型参数本身。这个分类有助于区分今天已经常见的工作流迭代，与风险和难度更高的递归自我改进。

来源：青稞AI · BestBlogs 评分：90

AI 来了，大厂中层不好混了

五位大厂中层的访谈显示，AI 正让信息汇总、任务拆解和进度跟踪更容易自动化，部分管理岗位面临收缩与考核重构。个体经历不能代表所有公司，但它提示中层价值需要从传递信息转向判断、协调复杂冲突和培养团队。

来源：人人都是产品经理 · BestBlogs 评分：88

不是所有产品都适合 AI 化：一个 AI 产品经理的判断框架

文章用四层框架检查一个场景是否值得 AI 化，重点考察问题是否需要模糊判断、数据是否可得、错误是否可承受，以及 AI 是否让用户流程更简单。它提醒团队先验证用户任务和失败成本，再决定接入模型。

来源：人人都是产品经理 · BestBlogs 评分：89

Android互操作性的重大胜利 – Open Home Foundation

欧盟委员会依据 DMA 的互操作要求，要求 Google 向第三方助手开放包括唤醒词检测与传感器访问在内的 11 项 Android 功能，并按平等条件提供。开放接口扩大了用户选择，但实际效果仍要看实现期限、权限边界和第三方能否获得稳定体验。

来源：Hacker News · BestBlogs 评分：87

关于 AI 发展的公开信

Simon Willison 汇总三封近期公开信，呈现围绕开放权重模型、蒸馏以及是否应放慢自动化 AI 发展的分歧。把这些文本并读，可以看见开放创新、安全外部性与权力集中之间没有简单共识。

来源：Simon Willison’s Weblog · BestBlogs 评分：88

知名搜索框架 Firecrawl 开源的 Web Agent。

Firecrawl 开源其用于深度网络研究的 Web Agent 框架，支持自主搜索、并行任务和模块化部署。开源降低了复杂网页自动化的实现门槛，采用者仍需自行约束抓取权限、来源引用与失败恢复。

来源：逛逛GitHub · BestBlogs 评分：89

GitHub - pochenai/nano-llm-posttraining：在单张 8GB GPU 上进行的极简、可读的 LLM 后训练实验，度量遗忘、随机种子方差与 RL 涌现

nano-llm-posttraining 在单张 8GB GPU 上展示 SFT、DPO 与 GRPO 等后训练实验，并显式测量遗忘、随机种子差异和推理行为。它适合学习实验机制，但小模型与教学规模的结果不能直接外推到生产模型。

来源：Hacker News - Newest: “LLM” · BestBlogs 评分：88

只用一张卡，做出了声称是 100M 参数以内最好的小模型？

BarunLM-35M 用单张 H200 完成训练，并以局部与全局注意力混合架构参加九项零样本评测；作者报告平均准确率 41.01%。项目开放权重、代码和评测，但「100M 参数以内最好」仍应结合训练数据、基准污染和复现结果判断。

来源：机器之心 · BestBlogs 评分：87

在消费级硬件上测试 LLM 并发 — ai.2it.onl

一组在 RTX 5060 上完成的 19 个模型、456 次运行测试显示，并发可以显著提高总吞吐，MiniCPM5 1B 的峰值达到 983 tok/s；同时，一些模型受首 Token 延迟、隐藏推理和显存限制影响，规模扩大后体验反而变差。

来源：Hacker News - Newest: “LLM” · BestBlogs 评分：87

延伸探索

其余材料可以沿四组主题继续阅读：模型与平台包括 GPT-5.6 Luna 降价、OpenAI 开放平台转向、Astra 数学进展、DeepSeek V4 与 Kimi K3；工程实践覆盖 RAG 证据链、上下文压缩、Token 节省、Jotai Store 和 React Compiler 的 Rust 迁移；Agent 方向则连接网络安全基准、AI 同事、Claude Code 工作流与 Karpathy 的 Three.js 实验。

多模态与物理世界是另一组线索：MiniMax H3 与 Seedance 2.5 的多篇实测讨论生成能力和创作方法，日本机器人、Jeff Dean 的自进化 Agent 判断以及 LA 山火 3D 扫描把视野扩展到硬件、空间与真实环境。这些内容适合按具体兴趣探索，不必从标题中的强结论直接推断模型、产品或研究已经得到独立验证。

今日阅读路径

只有十分钟，先读 Igor Babuschkin 对「可验证领域」与 River AI 三项押注的拆解，建立模型路线判断；再读 Whatnot，检查自己的团队是否把 PM 当作默认中间层；最后读腾讯混元复盘，看组织调整如何落到模型发布、训练平台与业务反馈。如果还有时间，再补读 MCP Tasks 和 GitHub Agent 提示注入，它们分别对应可恢复性与权限安全。

建议按 River AI、Whatnot、腾讯混元的顺序阅读，并思考两个问题：你的团队当前最缺的是模型能力、反馈闭环，还是清晰的责任分配？哪些组织变化已经能由产品结果验证，哪些仍只是有待观察的路线选择？欢迎打开原文继续阅读，并在评论区分享你的判断与实践。