给世界模型装上「生成式显卡」!Code World Model 2.0实现30分钟一镜到底
给世界模型装上「生成式显卡」!Code World Model 2.0实现30分钟一镜到底创造一个世界不难,难的是让这个世界「听话」。
搜索
创造一个世界不难,难的是让这个世界「听话」。
开发一个新应用时,能不能直接用上 Agent,让它读取业务状态、调用工具,甚至和其他 Agent 一起完成任务?
继 Coding Agent 之后,Muse、Grok Bot 等 Personal Agent 产品也快速成熟。不少团队尝试把它们引入组织:要么给每位成员部署一套,要么把同一个 Agent 接进部门群聊。但单人使用表现稳定的 Agent,一旦放到多人协同场景总是表现得非常不及预期。
大家好,我是被Claude折磨久矣的袋鼠帝。 前两天我在X上刷到个巨魔幻的事情,看完直接给我愣住了。
一道好问题,可能比一千道普通问题更有价值。
现如今,搜索、推荐已经成了很多互联网产品的基础功能。内容产品需要“搜一搜”和“猜你喜欢”,电商需要相似商品,社区需要找到兴趣接近的人。即使是内部知识库,也经常需要同时解决关键词查找和语义查找。
浙江大学与宇树科技具身智能联合实验室等团队从海量互联网人类视频中构建并开源了预训练数据集 Movens-5M,收录 500 万条经仿真执行验证的机器人动作,总时长超过 1 万小时。
想象一下,你在现实中拿起一瓶水,递向屏幕。下一秒,屏幕里的虚拟人物竟然伸出手,接过了这瓶水。
如今,百万 token 上下文已经从卖点变成了标配。4 月,DeepSeek-V4 把 1M 上下文定为所有官方服务的默认规格;8 月,智谱发布的 GLM-5.3-Flash 同样支持 1M 上下文,并首次在 GLM 系列中引入稀疏注意力与线性注意力的混合架构。这些模型背后有一个共同的选择:让每个 query 不再看遍所有历史 token,只挑出少数最相关的去「看」。
大模型智能体已经能够检索文献、调用模拟软件,甚至与自动化实验室协同工作。但要让它们独立完成一项完整的材料研究,仍然面临挑战:
给“机器人战场”建立新坐标。
能搜索资料、运行代码,还能完成多步科学研究任务——训练这样的智能体,究竟需要多少道工序?
给智能体造训练环境,一定要先从数据库开始吗?现有的环境合成方法通常以数据为中心,先生成数据库和业务场景,再据此构造工具与任务。但沿着这条路线,工具接口和参数逻辑可能偏离真实定义,工具组合也可能缺少执行依据,任务往往局限于单个环境。
近年来,多模态基础模型凭借规模化带来的泛化能力,越来越多地被用作机器人的「大脑」,负责任务规划和动作决策。
让 AI 成为 AI 研发的助手,书生-S2.1 Flash 正在展现 AI4AI 的潜力。近日,这款科学多模态大模型正式发布并开源,在机器学习工程基准中取得 90.3 分,展现出 AI 参与机器学习研发任务的能力。
你要说上周用AI来做东西,最火的玩法是啥,那必然逃不过一个东西。
强化学习环境(RL Envs)正在成为一门新生意。
《季载录·秋丨全球AI应用行业发展报告丨Xsignal》基于2026年第三季度数据指出,全球AI应用正从技术奇观转向场景基建,豆包、千问、ChatGPT等依托生态流量领跑,WorkBuddy、商汤小浣熊在Web生产力场景增长突出,垂类及情绪陪伴应用则在App端形成机会。
11 月 11 日,AI Engineer Code Summit(AIE CODE 2026)第二天,Google DeepMind 的技术员工(MTS)Philipp Schmid 上台,讲的不是新模型,而是他自己的一个习惯:大约每半年,他把自己的编程 agent 从零重写一遍,每次都问同一个问题:这套东西里,模型现在还需要多少?
Kimi Delta Attention(KDA)、Gated DeltaNet(GDN)、Mamba-2 等线性注意力与状态空间层,正在成为开源大模型的常见组件。Kimi K3.1 Pro、GLM-5.3-Flash、Qwen3.8-Flash-Next、Nemotron 3 Super 都采用了「全注意力 + 线性层」的混合架构,以换取更快的解码和更小的 KV Cache。
AI看长视频,模型需要逐帧把画面编码成视觉Token,再送进语言模型理解。
1987 年成立的台积电只做代工。晶圆厂把制造工艺封装成 PDK(Process Design Kit,工艺设计套件)交给客户,PDK 是晶圆厂的核心技术,通过有限接口分享给芯片公司 ,保留核心的制造配方。通过使用 PDK,芯片公司可以把制造交出去,自己专心做设计,这类公司被叫作 Fabless。
AI视频生成中,推理速度提升与生成质量下降,可能同时发生。
随着递归自我改进(Recursive Self-Improvement,RSI)研究的兴起,智能体的长期能力演进受到更多关注。技能(Skill)能够将交互经验提炼为可复用的操作流程与任务策略,使一次任务的收获服务于后续任务。让智能体学会自主创建和改进这些技能,为其持续进化提供了一条具体路径。
来自 Duke、Google、USC、UPenn、UNC 等八家机构的研究者联合发布最新视觉语言模型(VLM)记忆机制的系统性综述。基于全新的 4D 分类框架,系统梳理了 300 余篇相关工作和近 70 个评测基准,覆盖长视频理解与生成、多模态 RAG、具身导航与行动、个性化助手等八个热点应用场景。
大语言模型有时会把训练时见过的内容原样「背出来」,其中可能包含邮箱、电话号码等个人信息。随着扩散语言模型走向更大规模,一个问题也随之出现:当模型不再从左到右逐词生成,它还会以同样的方式泄露训练数据吗?
个人智能体,正在迎来一场前所未有的密集爆发。
11月15日,硅谷老牌风投机构Menlo Ventures合伙人Deedy Das(@deedydas)在社交平台晒出一张全球AI公司估值与营收排行榜。这张榜单统计了截至11月14日,全球估值超过100亿美元、公开年化营收达到1亿美元以上的未上市AI公司。符合这两个条件的公司,已经有30家。
最近在用 Claude Code 干活的时候,我遇到了一个让人头疼的问题: 我让 Agent 帮忙在本机打开一个设计软件,截图分析界面布局。结果它直接接管了我的桌面,鼠标开始乱飞,我正在写的文档焦点被抢走,剪贴板里刚复制的内容也被覆盖了。
最近在阿b上掀起一股 AI 娘化潮,随手一刷相关视频,播放量都是轻松破百万。