这期只收一条。
ForgeTrain，九月中旬挂上 arXiv 的一篇预印本，v1，标题写的是 AI 端到端锻造出了一个生产级训练框架。
简单说，它拿一个可信的训练框架当黄金参考，再配一套能自动判对错的测试装置，让 AI 对着这套装置反复改实现，改到跟参考等价、甚至更好为止。
论文报的 MFU，比现有几个主流框架高 4.7% 到 33.2%。
先说为什么单独拎这条。"AI 写出了一个训练框架"本身没什么可讲的，这类标题看多了会麻。是它做法里有个零件，能拆下来装到自己手上的活里。
作者给这个思路起了个名字，Forge Engineering。针对一个具体场景，从零写一套专用实现，不继承通用框架那层层叠叠的抽象，然后反复迭代，往性能上限逼。
这个判断不新。做性能的人一直知道，通用框架的抽象是一层一层累出来的债：算子要过好几道接口，通信和计算排不进同一条流水线，显存布局被上一层的选择锁死。新的是它把这个判断的执行交给了 AI。
通用和专用这笔账，到处都在算。通用的赢在省事，专用的赢在极限。过去中间差的那一截靠人抠，抠得慢，还不一定抠得完。现在有一截可以交给一个循环去抠了。
怎么交，落在一句话上：等价性的要求，从 bit-for-bit 放宽到"超越"。
bit-for-bit 是什么？AI 改出来的实现，算出来的每个数都得跟参考一模一样，差一位就算错。这种约束下，AI 能干的只剩一件事，把现成实现换个写法。它不敢合并算子，不敢换并行策略，不敢动数据布局。任何一步优化，都会让数对不上。
放宽到"不低于参考"，事情就变了。"不更差"能自动测。能自动测，AI 就敢改，改完自己验，验完再改，一轮一轮往下推。
这是整篇里最值钱的一句。不是 MFU，也不是那个"首个"。
有人说性能工程师要没了。我不这么看。约束放宽之后，AI 干的不再只是翻译，但它改得快，是因为有人在前面把"什么算对"定义清楚了。定的那个人，比改的那个人难替。
论文一共 18 个署名作者，标题里写着完全由 AI 端到端锻造。这两件事不冲突。端到端说的是，目标一旦定下来，从改实现到验证到再改，中间不用人插手。定目标的人还在，而且不止一个。我不觉得这有什么问题，只是想说，别把"端到端"读成"没有人"。
前面我说这套思路可以照搬。写到这里，收回一半。
能照搬的前提是，你手上那件活能被自动验证。大部分人的活不是这样。改个文案、调个页面、写个周报，好不好得自己看一眼才知道。这种活 AI 写得再快，验收那步还是回到你身上，省下的时间就打折。
真正该抄的不是 ForgeTrain，是它把力气全花在测试装置上这件事。想让 AI 接手一件事，第一步不是找个更强的模型，是把"怎么算做对了"写成一条能自动跑的检查。
这套做法最常卡住的地方也在这里。找不到能自动跑的标准，再强的模型也只能给你一堆草稿。
老实说，21 页我只翻了一半。MFU 那个区间我也不想引得太重，4.7% 到 33.2% 跨得挺宽，具体落在哪，得看它跟哪套硬件、哪个模型配。这篇我没跑过，也没复现，还是预印本，没有正式发表信息。
剩下那一半我看不懂，先放在这里，看懂了再补。
上面这条你怎么看，或者觉得我哪一步讲错了，欢迎告诉我。讲错的我补。
本周就这些，下周见。