Claude Sonnet 5 在网页设计方面效率高得离谱。
有人刚刚录了一个 18 分钟的教程,讲解如何用 Claude Code + Sonnet 5 打造获奖级网站!
NVIDIA Model Optimizer 0.45.0: The Compression Stack That Stacks
问题
NVIDIA Model Optimizer (ModelOpt) 是一个工具包,它将训练好的检查点转化为可部署、硬件加速的产物——量化、剪枝、蒸馏,并导出用于TensorRT-LLM、vLLM或SGLang。0.45.0版本带来的功能集改变了我们对优化管线的认知:它不再是单次传递,而是一组可组合的变换堆叠,每个阶段都在放大上一阶段的收益。
𝕏 实时信号 + arXiv 前沿论文,经 AI 聚类解读 · 一眼扫完全貌
Claude Sonnet 5 在网页设计方面效率高得离谱。
有人刚刚录了一个 18 分钟的教程,讲解如何用 Claude Code + Sonnet 5 打造获奖级网站!
开发者和OpenAI一起验证了提示词修改方案,上线后优化了编码工具,想优化大模型效果不一定需要改模型本身。
⚡ Prompt tuning 让 @code 里的 GPT-5.5 速度更快,token 效率更高。
了解我们如何与 OpenAI 合作验证提示词修改,并在发布后改进编码工具链。
博主分享Claude Fable 5生成应用设计的详细Prompt和样式代码
AI Agent处理本地Office文档的环节,现在有人做出来专门的适配工具了。
社区讨论:已有开发者逆向方向开发了同时适配AI智能体和人类使用的办公套件,还有开发者一年前就已推出符合ECMA 376规范的同类项目,另有两名开发者称正在做同类项目,一个是适配MCP的docx交互微调模型,另一个无需处理OOXML。有人认可这个项目能解决实际需求,有人提出建议,如果不需要交互动画,可以让AI用HTML生成幻灯片再转PDF,也有人提问这个工具对Excel的公式和宏处理效果如何,还有人质疑最近LLM生成Office文档的需求爆发原因,认为LaTeX这类工具其实更合适。
分五步拆解大模型构建,指出工程难点在于模型周边配套
你需要了解的关于GPT和Claude实际构建过程的一切,分为五个阶段。你完全可以从零搭建一个LLM。难的部分不是模型本身,而是模型周边的所有配套工作。
所有人都沉迷于Transformer和十亿参数规模的模型。但现实是,架构只是拼图中的一小块。训练一个有竞争力的LLM要从数据开始。GPT、Llama和Falcon这类模型都是基于数万亿词元训练的,数据来源包括网页、书籍、代码、科学论文,还有专有数据集。数据质量决定模型质量。
最重要的结论是什么?对大多数公司来说,从零搭建LLM根本就是选错了问题方向。如果你没有独特的专有数据,也没有拥有整个技术栈的充分理由,那么对现有基础模型做提示工程和微调能带来高得多的投资回报率。
AI领域的赢家不一定是训练出最大模型的玩家。他们懂得什么时候不要去训练大模型。先看视频,再阅读下方指南,就能了解从零搭建LLM实际上都涉及哪些工作。这能帮你省下好几个小时拼凑零散资源的时间。
视频鸣谢:Shaw Talebi (Youtube)
Hermes Agent近日完成重大更新,新增六项实用功能
社区正在热议这家头部AI公司的操作,能看出行业对大模型厂商的态度正在变化
社区讨论:一部分用户认为,Anthropic用Claude Code订阅补贴低价token是公平的市场策略,类似运营商补贴锁机,不想绑定可以选择付费解锁,指责该行为没有道理。另一部分用户认为Anthropic的一系列举措反消费者,一边修改规则伤害用户利益,一边还将其宣传为产品优势,已经透支了用户好感,不少用户已经开始迁移到其他替代产品。Anthropic此前已经在上线前临时取消了原定6月15日的规则变更,政策反复也加重了用户的不信任。
Anthropic最新研究发现大模型Claude存在类似人脑的全局工作空间J-space
腾讯开源100%本地运行的AI智能体长记忆向量存储项目
中国干掉了整个向量数据库行业。他们开源了 TencentDB Agent Memory。
它能为任何 AI 代理提供可100%本地运行的长期记忆。不需要 Pinecone,不需要云端API,不需要每次会话都重复输入信息。
- 减少61%的 token 用量
- PersonaMem 准确率:48% → 76%
- 零外部 API 依赖
- 可运行在普通 SQLite 上
大多数记忆系统会把你的历史压缩成一团不透明的向量堆。召回出错时,你只能靠猜。这套系统不做压缩,它会构建一个语义金字塔。
层级结构为:L0 对话 → L1 原子信息 → L2 场景 → L3 persona。
短期状态会以 Mermaid 图的形式编码到代理的上下文里。冗长的工具日志会被卸载到磁盘上。
当代理需要凭证时,它会通过 node_id 向下钻取到精确的原始日志。没有有损压缩,每一层都是可读的 markdown,你可以直接打开查看。
目前已有5.1k星,100%开源。
Anthropic论文披露大模型中发现类人意识工作空间J-space
要参会需要在 July 10 前提交申请
Apptronik扩建Robot Park工厂,Apollo 2人形机器人收集到的真实场景数据,会用来推进Gemini Robotics的训练
随着 @Apptronik 扩建其 Robot Park 设施,我们的研究合作意味着,最新的 Apollo 2 人形平台收集到的真实世界数据,将帮助训练和推进 Gemini Robotics。🤖
了解更多 →
2020年,GPT3刚出来的时候。.. 那时,大多数人,包括一群搞技术的,都不相信AI能代替程序员。我也如此,天真的认为那些复杂的逻辑业务,一个基于文本预测的模型,怎么可能搞的定。
可仅仅过去5年,我的99%的代码,都是AI写的、文案是AI写的、图片是AI做的、就连服务器也交给了AI管理了。上任何新需求,新功能,我都像一个小学生一样,请教AI,让AI帮我出出主意。说是5年,其实也就4年。
想想真恐怖,一个大学本科生,大一的时候还在学java入门与精通,大四的时候发现自己这四年学到的东西远不如AI模型。世界发展太快了。
《Claude Code 的诞生》读起来有些怀旧,甚至有点动人。
它写的是 Claude Code 从无到有的故事:多年的研究,一个叫 Clide 的内部工具,一个小小的 Labs 团队,产品直觉,设计细节,以及那些在事情变得显而易见之前,就已经看见未来的早期用户。
文章里点名了 19 个人,横跨研究、核心开发、产品、发布和推广各个阶段。
现在很多大模型实验室都在组建自己的 Claude Code 团队。组织可以复制,功能可以照着做。但难复制的是这种 hive 文化:产品直觉、idea 在人与人之间自然接力,用户反馈当天就能变成新版本,背后还有模型能力一路上涨。
每个人都在感知同一个信号,不需要有人下令。
下面这张 Claude Code 人物图,也可以看作它的组织结构图。帮你快速看清谁做了什么。
阿里集团主席蔡崇信在VivaTech讨论AI成本上涨,提出这会成为未来创新的垫脚石。感兴趣可以看完整发言。
工程师们正在接纳AI工具来突破边界,探索全新可能性。
阿里巴巴集团董事会主席蔡崇信 Joe Tsai 探讨了AI成本的上升,以及为何这会成为未来创新的垫脚石。
点击观看他在@VivaTech的发言,了解更多!
传统程序员追求不让错误状态存在,AI程序员则要让所有存在的状态都合法,这一对比道出两种开发思路核心区别。
基础模型本身没法输出等距圆柱投影,这个rank-128 LoRA经过15k步训练,带上了生成等距投影360度视频的能力。
LTX2.3 😃👓
LoRA Seamless-Equirectangular 基础模型本身无法生成等距柱状投影输出——这个 LoRA 才承载了这项能力。
这是一个秩为128的 LoRA,用于配合 LTX-2.3 生成等距柱状投影 360° 视频,训练了15k步。
👇
做模型训练时,可以直接参考这份评测分级选优化器
过去十多年社科调研一直靠它招受访者,大语言模型普及后,大家都改用AI做调研了。
不出意料,但影响依然重大:MTurk正在退出历史舞台。
在整个2010年代,Mechanical Turk一直是社会学与调查研究的支柱,因为它能让你快速买到获取大量代表性人类样本的渠道。
它曾经在这方面表现相当不错,直到LLMs出现,所有人都开始转而使用AI。
当前多数AI研究者把太多精力放在优化嵌入上,真正的更大瓶颈是检索架构,检索正在变成应用设计问题
AI 研究者花了太多时间优化嵌入向量。更大的瓶颈其实是检索架构。
哪怕你的向量质量再好,如果你的智能体不知道以下这些问题的答案,都无济于事:何时该搜索、如何组合信号、何时该遍历关系、何时该停止。
检索正在变成一个应用设计问题。
发布在Hacker News的新项目,专门检测AI代理自带的危险能力,关心AI安全可以试试这个工具
Hyperspell从创立就坚持这个判断:企业AI的长期价值,不在不断迭代的模型层,而在能梳理全组织信息的上下文层
从创立第一天起,这就是我们 @Hyperspell 的核心论点。
模型层会持续进化,但对企业而言,持久的价值存在于那个在整个组织内构建、治理并持续优化上下文的层级中。
检索是其中的关键部分,但仅靠检索还不够。最终胜出的系统不会只停留在查找信息。
它们会真正理解一个组织的知识、权限、关系、工作流,以及工作实际是如何完成的。每一次交互都应该加深这种理解。
从而带来更优决策,更好编排,为每一个人、每一个智能体提供更好的上下文。
这就是上下文层如何实现复利增长的路径。
这是一种新的大模型知识蒸馏方法,通过RL前后教师模型的对数比对知识提取,得到性能更好的学生模型。
免费18分钟视频教程教从零搭建Claude Cowork自动化工作流
这个18分钟的视频会教你从零开始设置Claude Cowork。观看并练习之后,你就能自动化整个工作流程,而且它是免费的。
这一个视频就涵盖了所有内容。有些人卖300美元的课程,教的东西还不如这个视频前5分钟讲得多。
把它收藏起来,有空的时候看吧。
整理为4个模块,涵盖编码、协作、设计等学习方向
面向学习者的原生智能体个性化辅导工具DeepTutor v1.5正式开源发布
清华大学和上海智臻研究院的研究人员发布了OpenHLM,用一套模型完成从头到脚的全身控制。
如果人形机器人从头到脚的全身都只由一个 AI 模型控制,会怎么样?
来自清华大学和上海智浦研究所的研究人员带来了 OpenHLM。他们构建了一个视觉-语言-动作模型,可以直接将语言和像素映射到所有人形关节,采用了全身遥操作界面,并结合多样数据进行联合训练。
OpenHLM 在复杂长周期任务上的表现优于顶级人形 VLA 基准模型(GR00T N1.6 和 Ψ0),且所用演示时长不到一半。
OpenHLM: An Empirical Recipe for Whole-Body Humanoid Loco-Manipulation
论文:
项目:
我们的报道:
📬 被机器之心接收 #PapersAccepted
有从业者认为,强化学习对接真实实验室场景,能衍生出数不清的创业方向,很快就会出现几十家这类公司。
我认为市面上有无数“将强化学习(RL)连接到真实实验室”的创业点子。我们很快就应该会看到几十家这类公司诞生。
我特别感兴趣的一个方向是专门针对藜麦(Quinoa)的项目。藜麦营养丰富、生命力顽强、耐旱等等。
你可以对它成像,测量压力下的根系分布、有效用水率、应激反应基因、抗氧化剂水平等等。
想象一个小型温室里的RL循环,它培育出来的新一代作物可以对抗水资源短缺和全球饥饿。
一位研究者看到新出的明确针对测试时计算的短语搜索研究,终于知道自己不是在孤军奋战做这个方向。
体积很小的AI嵌入模型,不需要依赖后端服务,普通浏览器就能直接运行
两位作者梳理AI热潮发展后得出这个判断,关注科技行业走向,可以参考这个观点
混元Hy3现在可以搭配vllm使用
做AI问答的人可以试试这个思路,能减少多余信息干扰,提升回答的准确性。
Anthropic的J-space论文验证了两项结果:可以中途修改AI推理的主题,同时AI能检测出自己被做了什么修改
在我看来,这是今天 Anthropic 的 J-space 论文最重要的部分。这件事分为两部分:1)Anthropic 证明他们可以对推理过程进行「脑外科手术」干预,在中途改变话题* 2)**模型能够检测出施加了什么干预**——这和评估意识非常接近**
*对照 > 相关性——这项研究令人信服地证明了理解的存在。
**这里的意识是提示引出的……可以肯定 @mlpowered 的团队肯定也尝试评估过无提示的意识,但我没看到相关证据。
支持编码、推理、工具调用,想试大模型不用花钱,直接去OpenRouter就能用
来自@TencentHunyuan的Tencent Hy3,截至7月21日都可以在@OpenRouter免费使用。
它是295B MoE,拥有256K上下文,专为编码、推理、智能体和可靠工具调用构建。
现在就可以在OpenClaw试用它:openclaw models set openrouter/tencent/hy3:free
想入门智能体AI可以直接找这份社区整理的免费指南,目前在Hacker News获得44个赞
该工具搭配大模型可从截图还原生成落地页
The Taste skill + 是将提示词转化为精致、非AI垃圾的设计和图像生成的最简单方法之一。
将它与 Codex 或 Claude Code 搭配使用,几乎可以从视频或整页截图重建任何着陆页。
这篇讨论在 Hacker News 获得了大量互动,观点指向大语言模型正在让所有内容逐渐趋同。
社区讨论:多数评论者认同大语言模型会输出同质化内容,趋向回归平均,挤压真正的新创意空间。有AI从业者提到,连续读60份AI生成报告,重复的措辞、结构和论点令人极度压抑。也有人指出原帖本身是缺乏深度的空洞内容,还有人持不同看法,认为AI本身可以成为探索新发现的工具,市场会提升人类独特创意的价值,不必完全悲观。
微软正在调整业务方向,把资源集中投放到AI相关业务中,现有4800个岗位被裁撤,这是企业转向AI过程中的直接变化。
微软在围绕 AI 调整业务方向的过程中,将裁员 4800 人。
The Information 的 @aaron_holmes 解释了微软内部对此次裁员的表述:
“微软在对这件事的表述上相当谨慎。它称自己正在围绕 AI 重新调整业务方向,这一点是真的。但它也谨慎地表示,此次被裁掉的岗位实际上并没有被 AI 直接取代。”
由Geoffrey和他同级别同事牵头成立,现在正是对AI安全押注大投入的时候,不少从业者看好这件事的方向。
我非常兴奋看到一家资金充足的全新非营利机构,全心专注于AI安全领域,而且由Geoffrey及其同事这种水平的人士领导。
另外,现在正是下重注的时候,Coefficient Giving愿意这么做值得称赞。如果你拥有他们需要的技能,快来申请吧!
有人分享自己读代码的习惯,不逐行阅读代码文本,而是在脑子里生成代码的嵌入(向量表示)。
可以用harborframework和LangSmith沙箱运行AI智能体(能自主完成任务的AI程序)评估,还能保留完整运行轨迹。
有研究者放出新的AI模型基准测试,测试结果里GLM-5.2的表现只够得上中端模型的水平。
开发者正在适配seedthree的钩子,让AI智能体能在视频里使用程序生成的植物,这套工具后续会往交互领域拓展。
正在为 seedthree 开发 Eidoverse 接入钩子,这样智能体就能在视频里使用 Eidoverse 的程序化生成植物了:)
顺便说一句,Eidoverse 不只是做视频。Eidoverse-Video 只是第一步,这套工具后续会拓展到交互内容领域。
我从今年年初就一直在做相关开发,目标是逐步解锁 LLM 3D 世界建模的全部潜力。懂吧…就是全息甲板,哈哈哈。
开发者可以直接在kilocode里调用这个大模型,直接用它来搭建开发项目。
已经有欧洲打造的AI公司做到年营收2000万美元,服务超过2万家团队,获得了Accel投资。创办AI公司不一定非要挤去硅谷。
建立一家优秀的 AI 公司并不要求你一定要在旧金山。
我和来自全球各地的创业者合作,如今地理位置的影响已经没那么大了。
Viktor 就是最好的证明:它是一款 AI 员工产品,服务超过 2 万个团队,年化营收达到 2000 万美元,完全在欧洲打造,由 Accel 投资。
就在你所在的地方创业吧。@viktor__com
比起在测试榜单刷分,它直接让270位专业人士盲测,赢了312轮对比,在日常工作场景赢的优势最大,运行成本还比对手更低。
腾讯回来了。他们刚刚发布了一款名为 Hy3 的全新 AI 模型。完全开源,可免费用于任何用途。
但真正吸引我注意的是这点:和其他所有公司不同,腾讯没有炫耀测试分数,而是把真实任务交给了 270 名专业人士。所有人都不知道自己在用哪款 AI,整个测试是完全盲测的。
结果 Hy3 赢了。总共进行了 312 组对比,它在人们日常处理的工作类型上优势最大。
这个模型的准确率也提升了很多。过去它生成虚构内容的概率是 12.5%,现在已经降到了 5.4%。而且它的运行成本比它击败的那些模型还要低。
现在每家 AI 公司都想着在排行榜上登顶,而腾讯走出去,直接问真实用户,它到底能不能帮人们更好地工作。
行业观点都认可大模型要从预训练转向强化学习结合产品反馈闭环,国产开源模型在各维度的进展速度确实相当快。
进步的第一核心要素「从预训练转向强化学习+产品反馈闭环」,现在来看已经不算什么新观点了。
尽管如此,这里给出的具体数据,还有开源中文模型在各个维度上取得的整体快速进展,都非常令人印象深刻。
物理AI被认为是AI下一发展方向,这意味着AI发展重心正在从思考转向行动。
这是一次很棒的开源发布。物理 AI 是下一个前沿领域,因此一切正在从「思考」转向「采取行动」。
LingBot-Vision 看起来是一个强大的视觉基础模型,它在长时连续操作的一致性深度方面展现出了进步。
文件夹堆太多笔记和PDF不好搜,跟着教程能搭一个运行在本地机器的私有RAG问答代理,直接查询文档获得带引用来源的答案
当你的笔记、PDF 和文档堆积在文件夹里后,就很难搜索了。
在本教程中,Darsh 会教你如何构建一个能在你自己机器上运行的私有 RAG 问答智能体。
你将使用 Python、LangChain v1、Ollama、Qwen 和 ChromaDB 查询你的文档,并获取带引用来源的回答。
前沿实验室攒够数据训练出能管理循环的智能体后,就能验证产品品味到底算不算难以跨越的护城河
汇总Virtuals生态多个机器人项目最新动态进展
Anthropic发布Claude Code 2.1.202,含18项CLI变更和1项系统提示更新
创始人离职谷歌DeepMind创办Bespoke,官宣完成两轮融资
我很高兴终于宣布我们完成了种子轮和A轮融资。自从2年半前我离开Google DeepMind,以民主化后训练为目标创业以来,这是一段很棒的旅程。
如果你能获取优质数据,现在还能获得强化学习环境,后训练就会变得容易很多。这就是为什么我们一直投入精力做数据研究。我们也会继续把Bespoke打造成全球最好的数据研究实验室之一。
感谢所有人的支持,也感谢出色的Bespoke团队迄今为止完成的了不起的工作!
附言1:是的,我们在种子轮后一直忙着搭建产品(MiniCheck、Curator、OpenThoughts、Terminal Bench等等),所以一直没机会宣布种子轮融资!
附言2:我从周三开始会出席ICML!
这是一种新的大模型知识蒸馏方法,通过RL前后教师模型的对数比对知识提取,得到性能更好的学生模型。
做模型训练时,可以直接参考这份评测分级选优化器
Anthropic的J-space论文验证了两项结果:可以中途修改AI推理的主题,同时AI能检测出自己被做了什么修改
在我看来,这是今天 Anthropic 的 J-space 论文最重要的部分。这件事分为两部分:1)Anthropic 证明他们可以对推理过程进行「脑外科手术」干预,在中途改变话题* 2)**模型能够检测出施加了什么干预**——这和评估意识非常接近**
*对照 > 相关性——这项研究令人信服地证明了理解的存在。
**这里的意识是提示引出的……可以肯定 @mlpowered 的团队肯定也尝试评估过无提示的意识,但我没看到相关证据。
基础模型本身没法输出等距圆柱投影,这个rank-128 LoRA经过15k步训练,带上了生成等距投影360度视频的能力。
LTX2.3 😃👓
LoRA Seamless-Equirectangular 基础模型本身无法生成等距柱状投影输出——这个 LoRA 才承载了这项能力。
这是一个秩为128的 LoRA,用于配合 LTX-2.3 生成等距柱状投影 360° 视频,训练了15k步。
👇
支持编码、推理、工具调用,想试大模型不用花钱,直接去OpenRouter就能用
来自@TencentHunyuan的Tencent Hy3,截至7月21日都可以在@OpenRouter免费使用。
它是295B MoE,拥有256K上下文,专为编码、推理、智能体和可靠工具调用构建。
现在就可以在OpenClaw试用它:openclaw models set openrouter/tencent/hy3:free
物理AI被认为是AI下一发展方向,这意味着AI发展重心正在从思考转向行动。
这是一次很棒的开源发布。物理 AI 是下一个前沿领域,因此一切正在从「思考」转向「采取行动」。
LingBot-Vision 看起来是一个强大的视觉基础模型,它在长时连续操作的一致性深度方面展现出了进步。
比起在测试榜单刷分,它直接让270位专业人士盲测,赢了312轮对比,在日常工作场景赢的优势最大,运行成本还比对手更低。
腾讯回来了。他们刚刚发布了一款名为 Hy3 的全新 AI 模型。完全开源,可免费用于任何用途。
但真正吸引我注意的是这点:和其他所有公司不同,腾讯没有炫耀测试分数,而是把真实任务交给了 270 名专业人士。所有人都不知道自己在用哪款 AI,整个测试是完全盲测的。
结果 Hy3 赢了。总共进行了 312 组对比,它在人们日常处理的工作类型上优势最大。
这个模型的准确率也提升了很多。过去它生成虚构内容的概率是 12.5%,现在已经降到了 5.4%。而且它的运行成本比它击败的那些模型还要低。
现在每家 AI 公司都想着在排行榜上登顶,而腾讯走出去,直接问真实用户,它到底能不能帮人们更好地工作。
开发者可以直接在kilocode里调用这个大模型,直接用它来搭建开发项目。
过去十多年社科调研一直靠它招受访者,大语言模型普及后,大家都改用AI做调研了。
不出意料,但影响依然重大:MTurk正在退出历史舞台。
在整个2010年代,Mechanical Turk一直是社会学与调查研究的支柱,因为它能让你快速买到获取大量代表性人类样本的渠道。
它曾经在这方面表现相当不错,直到LLMs出现,所有人都开始转而使用AI。
阿里集团主席蔡崇信在VivaTech讨论AI成本上涨,提出这会成为未来创新的垫脚石。感兴趣可以看完整发言。
工程师们正在接纳AI工具来突破边界,探索全新可能性。
阿里巴巴集团董事会主席蔡崇信 Joe Tsai 探讨了AI成本的上升,以及为何这会成为未来创新的垫脚石。
点击观看他在@VivaTech的发言,了解更多!
2020年,GPT3刚出来的时候。.. 那时,大多数人,包括一群搞技术的,都不相信AI能代替程序员。我也如此,天真的认为那些复杂的逻辑业务,一个基于文本预测的模型,怎么可能搞的定。
可仅仅过去5年,我的99%的代码,都是AI写的、文案是AI写的、图片是AI做的、就连服务器也交给了AI管理了。上任何新需求,新功能,我都像一个小学生一样,请教AI,让AI帮我出出主意。说是5年,其实也就4年。
想想真恐怖,一个大学本科生,大一的时候还在学java入门与精通,大四的时候发现自己这四年学到的东西远不如AI模型。世界发展太快了。
Claude Sonnet 5 在网页设计方面效率高得离谱。
有人刚刚录了一个 18 分钟的教程,讲解如何用 Claude Code + Sonnet 5 打造获奖级网站!
《Claude Code 的诞生》读起来有些怀旧,甚至有点动人。
它写的是 Claude Code 从无到有的故事:多年的研究,一个叫 Clide 的内部工具,一个小小的 Labs 团队,产品直觉,设计细节,以及那些在事情变得显而易见之前,就已经看见未来的早期用户。
文章里点名了 19 个人,横跨研究、核心开发、产品、发布和推广各个阶段。
现在很多大模型实验室都在组建自己的 Claude Code 团队。组织可以复制,功能可以照着做。但难复制的是这种 hive 文化:产品直觉、idea 在人与人之间自然接力,用户反馈当天就能变成新版本,背后还有模型能力一路上涨。
每个人都在感知同一个信号,不需要有人下令。
下面这张 Claude Code 人物图,也可以看作它的组织结构图。帮你快速看清谁做了什么。
混元Hy3现在可以搭配vllm使用
两位作者梳理AI热潮发展后得出这个判断,关注科技行业走向,可以参考这个观点
清华大学和上海智臻研究院的研究人员发布了OpenHLM,用一套模型完成从头到脚的全身控制。
如果人形机器人从头到脚的全身都只由一个 AI 模型控制,会怎么样?
来自清华大学和上海智浦研究所的研究人员带来了 OpenHLM。他们构建了一个视觉-语言-动作模型,可以直接将语言和像素映射到所有人形关节,采用了全身遥操作界面,并结合多样数据进行联合训练。
OpenHLM 在复杂长周期任务上的表现优于顶级人形 VLA 基准模型(GR00T N1.6 和 Ψ0),且所用演示时长不到一半。
OpenHLM: An Empirical Recipe for Whole-Body Humanoid Loco-Manipulation
论文:
项目:
我们的报道:
📬 被机器之心接收 #PapersAccepted
有从业者认为,强化学习对接真实实验室场景,能衍生出数不清的创业方向,很快就会出现几十家这类公司。
我认为市面上有无数“将强化学习(RL)连接到真实实验室”的创业点子。我们很快就应该会看到几十家这类公司诞生。
我特别感兴趣的一个方向是专门针对藜麦(Quinoa)的项目。藜麦营养丰富、生命力顽强、耐旱等等。
你可以对它成像,测量压力下的根系分布、有效用水率、应激反应基因、抗氧化剂水平等等。
想象一个小型温室里的RL循环,它培育出来的新一代作物可以对抗水资源短缺和全球饥饿。
一位研究者看到新出的明确针对测试时计算的短语搜索研究,终于知道自己不是在孤军奋战做这个方向。
发布在Hacker News的新项目,专门检测AI代理自带的危险能力,关心AI安全可以试试这个工具
Apptronik扩建Robot Park工厂,Apollo 2人形机器人收集到的真实场景数据,会用来推进Gemini Robotics的训练
随着 @Apptronik 扩建其 Robot Park 设施,我们的研究合作意味着,最新的 Apollo 2 人形平台收集到的真实世界数据,将帮助训练和推进 Gemini Robotics。🤖
了解更多 →
要参会需要在 July 10 前提交申请
微软正在调整业务方向,把资源集中投放到AI相关业务中,现有4800个岗位被裁撤,这是企业转向AI过程中的直接变化。
微软在围绕 AI 调整业务方向的过程中,将裁员 4800 人。
The Information 的 @aaron_holmes 解释了微软内部对此次裁员的表述:
“微软在对这件事的表述上相当谨慎。它称自己正在围绕 AI 重新调整业务方向,这一点是真的。但它也谨慎地表示,此次被裁掉的岗位实际上并没有被 AI 直接取代。”
由Geoffrey和他同级别同事牵头成立,现在正是对AI安全押注大投入的时候,不少从业者看好这件事的方向。
我非常兴奋看到一家资金充足的全新非营利机构,全心专注于AI安全领域,而且由Geoffrey及其同事这种水平的人士领导。
另外,现在正是下重注的时候,Coefficient Giving愿意这么做值得称赞。如果你拥有他们需要的技能,快来申请吧!
有人分享自己读代码的习惯,不逐行阅读代码文本,而是在脑子里生成代码的嵌入(向量表示)。
可以用harborframework和LangSmith沙箱运行AI智能体(能自主完成任务的AI程序)评估,还能保留完整运行轨迹。
有研究者放出新的AI模型基准测试,测试结果里GLM-5.2的表现只够得上中端模型的水平。
开发者正在适配seedthree的钩子,让AI智能体能在视频里使用程序生成的植物,这套工具后续会往交互领域拓展。
正在为 seedthree 开发 Eidoverse 接入钩子,这样智能体就能在视频里使用 Eidoverse 的程序化生成植物了:)
顺便说一句,Eidoverse 不只是做视频。Eidoverse-Video 只是第一步,这套工具后续会拓展到交互内容领域。
我从今年年初就一直在做相关开发,目标是逐步解锁 LLM 3D 世界建模的全部潜力。懂吧…就是全息甲板,哈哈哈。
社区正在热议这家头部AI公司的操作,能看出行业对大模型厂商的态度正在变化
社区讨论:一部分用户认为,Anthropic用Claude Code订阅补贴低价token是公平的市场策略,类似运营商补贴锁机,不想绑定可以选择付费解锁,指责该行为没有道理。另一部分用户认为Anthropic的一系列举措反消费者,一边修改规则伤害用户利益,一边还将其宣传为产品优势,已经透支了用户好感,不少用户已经开始迁移到其他替代产品。Anthropic此前已经在上线前临时取消了原定6月15日的规则变更,政策反复也加重了用户的不信任。
这篇讨论在 Hacker News 获得了大量互动,观点指向大语言模型正在让所有内容逐渐趋同。
社区讨论:多数评论者认同大语言模型会输出同质化内容,趋向回归平均,挤压真正的新创意空间。有AI从业者提到,连续读60份AI生成报告,重复的措辞、结构和论点令人极度压抑。也有人指出原帖本身是缺乏深度的空洞内容,还有人持不同看法,认为AI本身可以成为探索新发现的工具,市场会提升人类独特创意的价值,不必完全悲观。
想入门智能体AI可以直接找这份社区整理的免费指南,目前在Hacker News获得44个赞
做AI问答的人可以试试这个思路,能减少多余信息干扰,提升回答的准确性。
AI Agent处理本地Office文档的环节,现在有人做出来专门的适配工具了。
社区讨论:已有开发者逆向方向开发了同时适配AI智能体和人类使用的办公套件,还有开发者一年前就已推出符合ECMA 376规范的同类项目,另有两名开发者称正在做同类项目,一个是适配MCP的docx交互微调模型,另一个无需处理OOXML。有人认可这个项目能解决实际需求,有人提出建议,如果不需要交互动画,可以让AI用HTML生成幻灯片再转PDF,也有人提问这个工具对Excel的公式和宏处理效果如何,还有人质疑最近LLM生成Office文档的需求爆发原因,认为LaTeX这类工具其实更合适。
体积很小的AI嵌入模型,不需要依赖后端服务,普通浏览器就能直接运行
Hyperspell从创立就坚持这个判断:企业AI的长期价值,不在不断迭代的模型层,而在能梳理全组织信息的上下文层
从创立第一天起,这就是我们 @Hyperspell 的核心论点。
模型层会持续进化,但对企业而言,持久的价值存在于那个在整个组织内构建、治理并持续优化上下文的层级中。
检索是其中的关键部分,但仅靠检索还不够。最终胜出的系统不会只停留在查找信息。
它们会真正理解一个组织的知识、权限、关系、工作流,以及工作实际是如何完成的。每一次交互都应该加深这种理解。
从而带来更优决策,更好编排,为每一个人、每一个智能体提供更好的上下文。
这就是上下文层如何实现复利增长的路径。
当前多数AI研究者把太多精力放在优化嵌入上,真正的更大瓶颈是检索架构,检索正在变成应用设计问题
AI 研究者花了太多时间优化嵌入向量。更大的瓶颈其实是检索架构。
哪怕你的向量质量再好,如果你的智能体不知道以下这些问题的答案,都无济于事:何时该搜索、如何组合信号、何时该遍历关系、何时该停止。
检索正在变成一个应用设计问题。
传统程序员追求不让错误状态存在,AI程序员则要让所有存在的状态都合法,这一对比道出两种开发思路核心区别。
前沿实验室攒够数据训练出能管理循环的智能体后,就能验证产品品味到底算不算难以跨越的护城河
行业观点都认可大模型要从预训练转向强化学习结合产品反馈闭环,国产开源模型在各维度的进展速度确实相当快。
进步的第一核心要素「从预训练转向强化学习+产品反馈闭环」,现在来看已经不算什么新观点了。
尽管如此,这里给出的具体数据,还有开源中文模型在各个维度上取得的整体快速进展,都非常令人印象深刻。
已经有欧洲打造的AI公司做到年营收2000万美元,服务超过2万家团队,获得了Accel投资。创办AI公司不一定非要挤去硅谷。
建立一家优秀的 AI 公司并不要求你一定要在旧金山。
我和来自全球各地的创业者合作,如今地理位置的影响已经没那么大了。
Viktor 就是最好的证明:它是一款 AI 员工产品,服务超过 2 万个团队,年化营收达到 2000 万美元,完全在欧洲打造,由 Accel 投资。
就在你所在的地方创业吧。@viktor__com
开发者和OpenAI一起验证了提示词修改方案,上线后优化了编码工具,想优化大模型效果不一定需要改模型本身。
⚡ Prompt tuning 让 @code 里的 GPT-5.5 速度更快,token 效率更高。
了解我们如何与 OpenAI 合作验证提示词修改,并在发布后改进编码工具链。
文件夹堆太多笔记和PDF不好搜,跟着教程能搭一个运行在本地机器的私有RAG问答代理,直接查询文档获得带引用来源的答案
当你的笔记、PDF 和文档堆积在文件夹里后,就很难搜索了。
在本教程中,Darsh 会教你如何构建一个能在你自己机器上运行的私有 RAG 问答智能体。
你将使用 Python、LangChain v1、Ollama、Qwen 和 ChromaDB 查询你的文档,并获取带引用来源的回答。
创始人离职谷歌DeepMind创办Bespoke,官宣完成两轮融资
我很高兴终于宣布我们完成了种子轮和A轮融资。自从2年半前我离开Google DeepMind,以民主化后训练为目标创业以来,这是一段很棒的旅程。
如果你能获取优质数据,现在还能获得强化学习环境,后训练就会变得容易很多。这就是为什么我们一直投入精力做数据研究。我们也会继续把Bespoke打造成全球最好的数据研究实验室之一。
感谢所有人的支持,也感谢出色的Bespoke团队迄今为止完成的了不起的工作!
附言1:是的,我们在种子轮后一直忙着搭建产品(MiniCheck、Curator、OpenThoughts、Terminal Bench等等),所以一直没机会宣布种子轮融资!
附言2:我从周三开始会出席ICML!
Anthropic发布Claude Code 2.1.202,含18项CLI变更和1项系统提示更新
汇总Virtuals生态多个机器人项目最新动态进展
Anthropic论文披露大模型中发现类人意识工作空间J-space
腾讯开源100%本地运行的AI智能体长记忆向量存储项目
中国干掉了整个向量数据库行业。他们开源了 TencentDB Agent Memory。
它能为任何 AI 代理提供可100%本地运行的长期记忆。不需要 Pinecone,不需要云端API,不需要每次会话都重复输入信息。
- 减少61%的 token 用量
- PersonaMem 准确率:48% → 76%
- 零外部 API 依赖
- 可运行在普通 SQLite 上
大多数记忆系统会把你的历史压缩成一团不透明的向量堆。召回出错时,你只能靠猜。这套系统不做压缩,它会构建一个语义金字塔。
层级结构为:L0 对话 → L1 原子信息 → L2 场景 → L3 persona。
短期状态会以 Mermaid 图的形式编码到代理的上下文里。冗长的工具日志会被卸载到磁盘上。
当代理需要凭证时,它会通过 node_id 向下钻取到精确的原始日志。没有有损压缩,每一层都是可读的 markdown,你可以直接打开查看。
目前已有5.1k星,100%开源。
该工具搭配大模型可从截图还原生成落地页
The Taste skill + 是将提示词转化为精致、非AI垃圾的设计和图像生成的最简单方法之一。
将它与 Codex 或 Claude Code 搭配使用,几乎可以从视频或整页截图重建任何着陆页。
Anthropic最新研究发现大模型Claude存在类似人脑的全局工作空间J-space
面向学习者的原生智能体个性化辅导工具DeepTutor v1.5正式开源发布
Hermes Agent近日完成重大更新,新增六项实用功能
整理为4个模块,涵盖编码、协作、设计等学习方向
分五步拆解大模型构建,指出工程难点在于模型周边配套
你需要了解的关于GPT和Claude实际构建过程的一切,分为五个阶段。你完全可以从零搭建一个LLM。难的部分不是模型本身,而是模型周边的所有配套工作。
所有人都沉迷于Transformer和十亿参数规模的模型。但现实是,架构只是拼图中的一小块。训练一个有竞争力的LLM要从数据开始。GPT、Llama和Falcon这类模型都是基于数万亿词元训练的,数据来源包括网页、书籍、代码、科学论文,还有专有数据集。数据质量决定模型质量。
最重要的结论是什么?对大多数公司来说,从零搭建LLM根本就是选错了问题方向。如果你没有独特的专有数据,也没有拥有整个技术栈的充分理由,那么对现有基础模型做提示工程和微调能带来高得多的投资回报率。
AI领域的赢家不一定是训练出最大模型的玩家。他们懂得什么时候不要去训练大模型。先看视频,再阅读下方指南,就能了解从零搭建LLM实际上都涉及哪些工作。这能帮你省下好几个小时拼凑零散资源的时间。
视频鸣谢:Shaw Talebi (Youtube)
博主分享Claude Fable 5生成应用设计的详细Prompt和样式代码
免费18分钟视频教程教从零搭建Claude Cowork自动化工作流
这个18分钟的视频会教你从零开始设置Claude Cowork。观看并练习之后,你就能自动化整个工作流程,而且它是免费的。
这一个视频就涵盖了所有内容。有些人卖300美元的课程,教的东西还不如这个视频前5分钟讲得多。
把它收藏起来,有空的时候看吧。
这一天的 56 条信号到这里
https://ai-pulse-lab.com/feed.xml
每天 08:00 · 12:30 · 18:30 · 23:50 更新
在阅读器里订阅
添加到 Feedly、Inoreader 等阅读器
https://ai-pulse-lab.com/feed.xml
让你的 Agent 自动获取每轮简报
适用于 Claude、ChatGPT、Manus 等
请帮我设置一个定时任务,每天北京时间 08:30、13:00、19:00、00:20 各执行一次: 请求 https://ai-pulse-lab.com/api/brief.json,读取返回 JSON 中的 textPlain 字段,将内容发送给我。 补充:每日北京时间 08:00、12:30、18:30、23:50 更新,建议更新后 30 分钟查询。可先请求 /api/manifest.json 检查 nextUpdateAt 字段。无需认证,直接 GET 请求即可。