据TheRundownAI，UpDoc获首个面向患者LLM器械许可，可调胰岛素并下达检验与随访。

据@gdb称，OpenAI推自研Jalapeño芯片，与博通合作，强化每瓦性能并支撑ChatGPT等规模化。

据OpenAI称，Jalapeño与博通量产，面向ChatGPT级LLM推理与代理产品。

据@CNBC称，该初创融资9.8亿美元以降低LLM推理成本。

据DeepLearningAI称，与VocalBridge合办的7天语音AI挑战6月23日开启。

据AndrewYNg称，新课教授相似度、LLM评审与量化量表评估法。

据@KyeGomezB称，LIFE框架以四阶段构建可自我改进的闭环多智能体LLM系统。

据@ylecun称，访谈聚焦LLM局限、机器人路径、AMI世界模型与Meta离职及2027预测。

据AndrewYNg称，此课程与AMD合作，讲授注意力、RAG与GPU推理加速，助力高效部署。

据@godofprompt称，按任务路由模型可降本并提升可靠性。

据@_avichawla称，免费开源路线图涵盖RAG、微调、代理、部署与安全。

据@emollick称，ChatGPT、Claude与Gemini常引用四首诗，反映共同文化先验。

据Andrej Karpathy称，LLM正催生如menugen等全AI应用，远超加速编码。

据DeepLearningAI称，Box演示以文件系统支撑智能体记忆与协作。

据@soumithchintala称，该LLM以复古趣味测评吸引关注。

据@emollick称，预1931文本训练LLM可本地运行，带来复古Siri体验。

据 Jeff Dean 表示，Decoupled DiLoCo 论文已发布至 arXiv；据 arXiv 预印本所述，该方法将前向与反向过程解耦，以低通信量策略在大模型训练中显著减少跨设备带宽需求。根据 arXiv 论文，Decoupled DiLoCo 允许异构集群协同训练，把数据中心GPU与边缘设备结合，通过异步传输紧凑的激活或梯度在保持模型效果的同时提升吞吐与成本效率。基于 arXiv 的实验报告，这一方案为企业带来联邦式LLM微调、合规本地部署以及运营商边缘场景等商业机会，尤其适用于带宽受限环境。

据KyeGomezB在推特表示，MoonViT取消标准ViT的固定输入几何约束，避免重采样与长宽比失真，并在异构批次中实现零填充，从而提升每批次的计算密度与令牌效率。根据Kye Gomez的信息，其混合嵌入方案带来更稳定的位置泛化，且通过轻量级MLP投影器无缝对接LLM接口，便于落地视觉语言模型管线，帮助企业降低推理成本并提升多模态生产部署效率。

据Kye Gomez（@KyeGomezB）介绍，MoonViT是一种原生分辨率的Vision Transformer，可在无需缩放或填充的情况下对任意尺寸图像进行编码，同时保持高效批处理并兼容大语言模型。根据其推文，该架构面向多模态场景，避免固定尺寸裁剪导致的细节损失，适用于文档解析、医疗影像与遥感等需要像素级特征的行业应用。推文还指出，保持批处理效率有助于规模化推理与降低预处理开销，从而改善端到端时延；同时，与LLM的兼容性有利于在视觉语言模型中实现更高保真度的视觉对齐，并提升无OCR解析与多模态RAG工作流的效果。

根据 Stanford AI Lab 在推特发布的信息，实验室公布了其 ICLR 2026 论文清单，涵盖 LLM 推理、智能体系统、AI 安全、机器人学、空间智能与视频生成，完整内容见其博客（据 Stanford AI Lab 报道）。据 Stanford AI Lab 博客介绍，本届论文聚焦大模型可扩展推理、自主智能体评测与框架、安全对齐与稳健性、面向机器人的基础模型学习、三维空间理解以及基于扩散的高质量视频生成，并展示了从企业助理到具身智能与内容生产的落地路径（据 Stanford AI Lab）。据 Stanford AI Lab 报道，这些进展为企业自动化、更安全的智能体部署、低成本机器人训练与媒体生产管线带来切实机会，并提供基准与开源资源，便于产业快速对接与评估（来源：Stanford AI Lab 博客）。