标签：推理

Palantir debuts ‘war’ data center in a container, full of Nvidia’s B300 AI accelerators and open-weight models

Palantir 联合基础设施公司 Armada，把搭载 Nvidia B300 AI 加速器的数据中心装进标准集装箱，部署到战场边缘。这套系统不依赖稳定云连接即可处理情报，意味着 AI 算力正在从集中式云端走向真正的前线场景。

本周值得关注的 AI 论文集中在智能体开发效率上：NVIDIA 提出把智能体写成 Python 对象，微软联合阿姆斯特丹大学提出用离线轨迹复用替代高成本的在线采样，另有研究揭示了思维链监控的假设存在失效案例。三篇论文分别指向智能体的编程范式、训练成本和推理可观察性三个现实问题。

埃默里大学和佐治亚理工学院的研究团队开发出一套名为“CapuchinAI”的野外灵长类认知测试系统，把面部识别、触屏交互和自动喂食奖励整合进一套低功耗设备，首次实现了对野生卷尾猴的大规模、自动化认知评估。这套方法为“AI + 动物行为学”提供了一个可复制的开源范式。

Wafer.ai 把 2.8T 参数的开源模型 Kimi K3 部署到了 AMD MI355X 上，在每美元推理吞吐上明显跑赢 NVIDIA B300 和 B200。它说明超大模型推理不再只能依赖英伟达 Blackwell，高显存容量的 AMD 芯片也能成为性价比选项。

Cursor在最近的更新中移除了使用量页面和CSV导出文件里的美元成本信息，个人与Teams计划用户只能看到token数量，官方确认这是有意设计。对依赖精细成本追踪的团队和开发者来说，这直接削弱了预算管控能力。

AI 编程智能体正在被用于大型科研软件的现代化改造，能大幅提升代码迁移与重构效率，但目前仍无法对代码背后的科学逻辑与结论正确性负责。

WAIC 收官圆桌上，四位一线从业者没有停留在“AI 改变世界”的宏观叙事，而是从速率、边界、商业模式和真实收入四个维度，盘点 AI 到底重写了什么、哪些场景已被验证、哪些仍在讲故事。

在多数 AI 从业者已经放弃使用 /loop 和 /goal 时，Swyx 公开表示自己仍在坚持，并认为大家是在 g5.6/c5 时代过早放弃。这场关于“agent 循环工程”的争论，反映了自主运行与人工可控之间的路线分歧。

阿里云 Quick BI 团队将于 8 月 AICon 深圳站分享数据分析智能体的工程实践，核心不是炫模型能力，而是解决数据 Agent 从演示到生产准确率骤降、越用越“飘”的可靠性问题。

MarkTechPost 发布了一篇关于 LingBot-Map 的教程文章，重点讲解如何在 GPU 环境下完成推理并将结果导出为点云。这件事值得关注，因为它反映了大模型/视觉模型从“能跑通”到“方便用”的工程化落地趋势，这类教程正在成为 AI 工具普及的关键一环。