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。
大模型在科研领域越来越高效了。 昨天，谷歌发表了一篇重磅文章，提出了一个能够帮助科研人员编写「专家级」科研软件的 AI 系统。 该系统融合了大语言模型和传统树搜索，能够自动编写和优化科研任务中所需的软件程序，能够获取多种渠道的现有知识，整合并且重组这些知识来构建一个新的研究思路。 谷歌生成，该系统不仅稳定达到专家水平，还常常超越人类。在基因组学、公共健康、数值分析等多个领域，这套系统的表现甚至超过了顶尖研究团队和国家级集成系统。 论文标题：An AI system to help scientists write expert-level empirical software论文链接：http
国产自研开源模型，让模型不用在快思考和慢思考间二选一了！
GPT-5真不愧是博士水平的AI！ 在数学教授引导下，它首次将定性的第四矩定理扩展为带有显式收敛率的定量形式。 简单来讲就是，原来的定理仅说明收敛会发生，却没有给出具体速度，而借助GPT-5，这项研究首次明确了收敛速率。 OpenAI联合创始人Greg Brockman对此表示甚是欣慰。 网友同样表示，真是奇迹。 借助GPT-5解决第四矩定理的定量收敛率 上个月，OpenAI研究人员Sebastien Bubeck称，GPT-5 Pro在数分钟内解决了凸优化领域的一个开放性问题，将已知的边界值从1/L改进为1.5/L。 受此启发，三位数学教授在Malliavin–Stein框架下开展了一项对照
打开手机，让 AI Agent 自动帮你完成订外卖、订酒店、网上购物的琐碎任务，这正成为智能手机交互的新范式。
数据智能体到底好不好用？测评一下就知道了！
在具身智能中，策略学习通常需要依赖场景表征（scene representation）。然而，大多数现有多任务操作方法中的表征提取过程都是任务无关的（task-agnostic）：
机器具备意识吗？本文对AI意识（AI consciousness）进行了考察，特别是深入探讨了大语言模型作为高级计算模型实例是否具备意识，以及AI意识的必要和充分条件。
苦等多年，Excel终于长大了！全新COPILOT函数神器，直接把AI塞进了表格，不论是整理数据、头脑风暴，还是分类反馈，通通一键搞定，打工人效率直接原地起飞。
一群机械臂手忙脚乱地自己干活，彼此配合、互不碰撞。
在现代科学中，几乎所有领域都依赖软件来进行计算实验。但开发这些专用的科学软件是一个非常缓慢、乏味且困难的过程，开发和测试一个新想法（一次“试错”）需要编写复杂的软件，这个过程可能耗费数周、数月甚至数年。
人类一眼就能看懂的文字，AI居然全军覆没。
在当前由大语言模型（LLM）驱动的技术范式中，检索增强生成（RAG）已成为提升模型知识能力与缓解「幻觉」的核心技术。然而，现有 RAG 系统在面对需多步逻辑推理任务时仍存在显著局限，具体挑战如下：
Meta超级智能实验室的首篇论文，来了—— 提出了一个名为REFRAG的高效解码框架，重新定义了RAG（检索增强生成），最高可将首字生成延迟（TTFT）加速30倍。
自从 Claude code 上线 sub-agents 后，我一直对其抱很大的期待，每次做 case 都会搭建一支“AI coding 梦之队”。想象中，它们会在主 agent的协调下火力全开， 完成我超级复杂的需求。
过去几年，大语言模型（LLM）的训练大多依赖于基于人类或数据偏好的强化学习（Preference-based Reinforcement Fine-tuning, PBRFT）：输入提示、输出文本、获得一个偏好分数。这一范式催生了 GPT-4、Llama-3 等成功的早期大模型，但局限也日益明显：缺乏长期规划、环境交互与持续学习能力。
SpikingBrain借鉴大脑信息处理机制，具有线性/近线性复杂度，在超长序列上具有显著速度优势，在GPU上1M长度下TTFT 速度相比主流大模型提升26.5x， 4M长度下保守估计速度提升超过100x；
在大型语言模型（LLM）进行数学题、逻辑推理等复杂任务时，一个非常流行且有效的方法叫做 “自洽性”（Self-Consistency），通常也被称为“平行思考”。
继π0后，具身智能基座模型在中国也终于迎来了真正的开源—— 刚刚，WALL-OSS宣布正式开源！在多项指标中，它还超越了π0。如果你是搞具身的开发者，了解它的基本资料，你就一定不会想错过它：
经历了前段时间的鸡飞狗跳，扎克伯格的投资似乎终于初见成效。
自2014 年提出以来，Adam 及其改进版 AdamW 长期占据开放权重语言模型预训练的主导地位，帮助模型在海量数据下保持稳定并实现较快收敛。
参与交流
了解加入交流群的方式，阅读内容无需登录。