香港城市大学朱宗龙、曾晓成团队给出了终极终结方案。他们首创了一套AI驱动的自动化闭环研发平台。从2万个分子的“大海捞针”，到自动化机械臂精准制备，再到AI实时反馈调整，全程无需人类插手。
刚刚，Anthropic 发布 Claude Opus 4.7，已经在 Claude 的所有产品、API、Amazon Bedrock、Google Cloud Vertex AI、Microsoft Foundry 上全面可用。模型 id claude-opus-4-7
2026 年初这几个月，随着 OpenClaw 的爆火，AI 领域也正式步入了 Harness 时代。在这股浪潮中，MiniMax 凭借其敏锐的技术嗅觉，成为了这场变革中的一大核心焦点。
养虾已经成为我们团队的日常了，几乎人手都有一只🦞要养，不仅能实时抓取全网前沿 AI 资讯速递，还能干一些搬砖杂活。
「人红是非多」，Hermes Agent 最近真的火了，一边是 GitHub 积累了超过 8 万星，增长趋势完全是直线上升。
视频世界模型跑久了容易“散架”——要么人不动了，要么场景崩了。
最近Hermes agent被讨论得沸沸扬扬的，今天，我们来深度拆解下它是怎么做Skills 闭环系统的。
很多人以为，给Agent装上更多Skill，它就会变得更强。
Agent 的持续学习和自我进化是最近行业内的讨论热点。
大模型写代码这件事，越来越像「既能写片段，又离真实工程差一截」。
本文是北京大学彭宇新教授团队在视觉定位方向的最新研究成果，相关论文已被顶级国际期刊 IEEE TPAMI 接收。为视觉定位模型赋予「自知之明」能力 —— 通过自监督的关联校正与验证模块，在训练过程中动态识别、衰减并纠正错误的监督信号。大量实验证明，让模型学会「自我纠错」，是突破弱监督视觉定位瓶颈的有效途径。
AI模型只看了一串纯数字序列，就能继承另一个模型的危险偏好，即使删掉敏感词没有用，合成数据时代最隐蔽的安全裂缝，被撕开了。
最近沉迷 VibeCoding 哎嘿，做了非常多有意思的小工具，工具太多也还没来得及整理，等有时间再分享下。
有这样一种 “模型玄学”：明明是同一个 Prompt，仅仅换一种说法，模型的回答可能就天差地别。
蚂蚁灵波，下了盘大棋。
我和周围朋友都特别爱玩《星露谷物语》。
质量和成本只能二选一？通过大脑+小脑分层、场内+场外双轮驱动，数据堂给出了具身智能数据难题的解。
大模型写代码这件事，越来越像「既能写片段，又离真实工程差一截」。
当强化学习后训练的大规模 rollout 已经被证明能够提升图像生成模型的偏好对齐能力，推理负担就成了制约训练速度的核心瓶颈。来自 NVIDIA、港大和 MIT 的团队提出的 Sol-RL，通过「FP4 先探索、BF16 再训练」的后训练框架，将达到等效 reward 水平的收敛速度最高提升到 4.64x，在训练速度与对齐效果之间给出了一条更具工程可行性的解法。
最新研究提出合成数据的全新分类框架，突破「生成模型=合成数据」的传统认知，涵盖反演、仿真与数据增强等方法，并按应用层次划分为数据中心AI、模型中心AI、可信AI和具身AI。
为什么你的“AI优先”战略可能大错特错？一文读懂。
如何工业化生产AI漫剧。
我们很荣幸地宣布 CloudBase CLI V3 正式上线，这是一个面向 AI Agent 重新设计的 CloudBase 命令行工具。
一个在 AI 社区广泛流传的架构思路，正在让大量团队走弯路。
全球最强编程模型，中国造。
Hermes Agent最近在AI圈彻底火了。
Claude Code 今天上了一个新能力：Routines，面向 Pro、Max、Team 和 Enterprise 用户开放
在生成式视频快速发展的今天，模型已经能够生成高质量的短视频片段，但一个更具挑战性的问题正逐渐成为研究焦点：
当大模型训练进入深水区，竞争的关键已经不再只是「模型参数怎么调」，而逐渐转向一个更核心、也更难系统解决的问题：模型在训练过程中究竟看到了什么数据、以什么比例看到、哪些样本应该被更频繁地学习。
眼瞅着四月马上过半，OpenClaw 刮起的这股「养虾风」依然没有停歇。
