英伟达提出，智能体模型面对的是持续变化的工具、代码库、政策和边界条件，因此后训练不再是预训练后的收尾工序，而是从生产环境不断回流的循环。模型需要学习规划、多步执行、调用工具和从失败中恢复，计算需求增长的原因不是单次训练无限变大，而是这种改进循环不会停止。

文章将“每美元智能”定义为后训练的核心目标：推理阶段的前向计算以每 token 成本衡量，而强化学习式后训练还要为任务尝试打分并通过反向计算更新权重。降低每 token 成本与提高每次前向、反向计算的有效产出，都会直接改善单位资金可获得的能力。

其论点是，智能体部署应把后训练、推理与基础设施视为一个连续系统，而不能只比较预训练规模或孤立的推理价格。Vera Rubin 面向的正是这一类持续优化工作负载；企业评估模型平台时，也应同时考察成本、吞吐、反馈速度与可重复改进能力。