内容栏目
分享不同 AI 工具、模型与相关技术的使用方法和实践文章。
1. 引言 打官司，从来不是一问一答就能结束的事。 对当事人来说，一个案件意味着与律师的反复沟通、一轮轮文书起草，再到一审庭审、提出上诉、二审裁判，事实在积累，证据在交锋，每一步都建立在上一步之上。而对律所来说，这背后还有一整套专业运转：检测利益冲突、分配代理律师、拟定诉讼策略…… 一个案件的生命周期，远比一次问答复杂得多。而现有的模拟系统，大多还停留在单点模拟：演一次庭审、答一道法考题，答完就重置，仿佛案件没有过去，也没有未来。 LEGALWORLD 想改变这一点。 这是一个基于 LLM 智能体驱动的全生命周期交互模拟的法律环境。在这里，一个完整的中国民事实务被组织成一条连续推进的状态链，沿
过去几年，扩散模型几乎定义了高质量图像生成：从随机噪声出发，经过多轮迭代，逐步 “雕刻” 出一张图像。但随着大语言模型席卷人工智能领域，另一条路线正迅速走到舞台中央 —— 图像，能否也像语言一样，通过自回归方式逐步生成？
OpenAI高管亲自下场，教开发者5分钟极速「策反」Claude Code，这波贴脸开大太狠了。
刚刚，Agnes 升级了！ 不，不是这个 Agnes，而是 Agnes 大模型。刚刚，这个模型家族迎来了其最新成员：Agnes-2.5-Flash。这是 Agnes 全新一代高性能文本模型，围绕 Coding、Agent 和日常开发场景做了整体优化，目标是在性能、速度与成本三者之间找到更好的平衡点。 相比上一代，Agnes-2.5-Flash 在代码理解、工程修复、多步骤任务执行以及复杂推理上都有明显提升，能够覆盖从代码生成到项目维护的大部分开发任务，定位是开发者日常使用的主力模型。值得一提的是，它延续了不限期免费开放的策略！ 与此同时，Agnes 还首次预告了旗舰模型 Agnes-2.5-P
最近刷小红书，总能刷到 ChatCut。
不教AI认手,而是从视频世界模型里直接「读」出双手:三大基准SOTA,让百万小时野生视频第一次能变成机器人的操作教材。
一个AI工具挖出了藏在Linux里15年的致命漏洞，另一个AI却因为一个被录错的数字，让四辆警车把无辜记者当成盗车贼围了起来。
奖励模型（Reward Model, RM）是大语言模型对齐的核心组件，负责为模型输出提供符合人类偏好的评价信号。现有方法各有短板：标量判别式 RM 高效稳定但可解释性有限；生成式 judge 能给出判断理由，却需为每个样本生成长 reasoning，token 与延迟开销显著。
近期，围绕「世界模型」的讨论持续升温。机器人、自动驾驶、视频生成、具身智能等多个方向都在频繁使用这一概念，相关系统不断出现，演示形式日益丰富，评价指标也越来越多。伴随这一趋势，一个基础问题变得格外重要：当一个模型被称为「世界模型」时，人们究竟在评价什么？
人类可以在一生中持续学习新知识，而不会轻易遗忘已有技能。然而对 AI 模型而言，这恰恰是一道极具挑战性的难题：每当模型学习新任务时，参数更新往往会覆盖历史知识，产生经典的 “灾难性遗忘” 难题。持续学习（Continual Learning）正是为突破这一瓶颈而生的研究方向。
2026年下半场，AI Coding赛道最大的焦虑变了。
在过去二三十年的互联网发展中，个性化推荐几乎一直是平台的核心能力之一。打开视频 app，平台决定你接下来会刷到什么视频；打开购物软件，平台预测你可能会购买什么商品；打开短视频 app，平台根据你的浏览、点赞、停留和互动，不断优化信息流。某种意义上，现代互联网的用户体验本身就是由推荐系统塑造的。
把腾讯WorkBuddy用透，你26年下半年会轻松很多。
我把那种号称能省 Token、要求 AI 尽量少说话的 Skill，叫做“电报体 Skill”。
近期，美国俄勒冈州立大学研发出一种新型成像传感器，不仅可在探测光线的同时进行图像存储（近期光照信息），还能实现信息的按需“遗忘”。
这篇文章，我会从我对Skill的理解、设计Skill的方法、怎么升级和迭代Skill这些维度展开。并且会结合之前的Codex自动化剪辑工作流，尽可能用简单和直白的语言，把Skill讲清楚，确保朋友们看完就能用得上。
近日，Anthropic官方发了一篇长文专门来讲这件事。 起因是太多人把Claude Code里的两个选项搞混了：一个是模型选择（Model），一个是努力度（Effort）。过去，大家对这两个选项的理解都很简单：换更大的模型，AI就更聪明；把Effort调高，无非是让AI多想一会儿。
为了打破多镜头长视频面临的高延迟、零交互困境，香港中文大学与快手可灵团队联合提出了首个实时流式多镜头长视频生成框架 ——ShotStream。该研究打破了传统双向架构的限制，将多镜头合成定义为基于历史上下文的下一镜头生成任务，用户可以通过动态流式提示词在运行时动态指导叙事走向！更令人振奋的是
GraphPlanner通过引入图记忆网络，将多智能体LLM的路由过程升级为动态工作流生成。不仅选择调用哪个模型，还决定每个模型应承担的角色，实现任务分解与协作规划。
来自北航、北大、美团的研究团队提出了Policy Improvement Reinforcement Learning, PIRL，以及对应的落地算法 PIPO。这项工作关注的是大模型 RL 后训练中一个非常基础、但长期被默认跳过的问题：一次更新在当前数据上看起来优化了学习信号，是否就真的说明模型策略变强了？
参与交流
了解加入交流群的方式，阅读内容无需登录。