Ben在视频中提到了一个令人震惊的数据对比。虽然ChatGPT的使用率在飞速增长，企业也在疯狂尝试各种AI解决方案，但真正能看到商业价值的却少之又少。根据MIT的研究，在供应商销售的AI解决方案中，只有5%的试点项目最终进入了生产环境。Deloitte（德勤）发现只有15%的组织表示他们从AI中获得了显著的、可衡量的ROI。
想象您是一名渗透测试工程师，面前是前几天宣布完成安全升级的OpenClaw 3.8。您不需要去找RCE（远程代码执行），也不用费劲构造缓冲区溢出。您只需要回想一下，近期在网上发生过的两场OpeClaw“闹剧”。第一次Meta AI的对齐总监眼睁睁看着自己的OpenClaw开始疯狂清空她的历史邮件。
“时光流转，谁还用日记本。往事有底片为证。”—— 许嵩《摄影艺术》
LyapLock首次让大模型在上万次知识更新中稳住旧记忆、精准学新知。它用「虚拟队列」实时监控遗忘风险，动态平衡新旧知识，理论保证长期不崩盘，编辑效果比主流方法提升11.89%，还能赋能现有模型，让AI真正学会「持续成长」。
上周有个朋友跟我吐槽，说他们线上跑的 Agent，单次任务 token 消耗到了六位数。
随着大语言模型 Agent 开始在对话、问答与复杂交互环境中长期运行，“记忆该如何设计” 正在成为一个绕不开的核心问题。
一段几十秒的音视频，上万Token，一半以上是冗余——Omni-LLM的计算浪费，比想象中更严重。
近年来，大规模视频扩散模型在视频生成领域取得了显著进展。然而，采样效率低下仍然是这类模型的核心瓶颈。
当前，大语言模型（LLMs）和视觉语言模型（VLMs）在语义领域的成功未能直接迁移至物理机器人，归根结底在于其互联网原生的基因。
对比学习已成为表征学习中的一种强大范式，能够在不依赖标签的情况下有效利用无标注数据。
朋友们，先问你们个问题：你们的 Claude Code 里装了多少个 skills？
让AI像Kaggle顶尖选手一样设计算法，需要几步？
![[小山译] Claude Skill 编写与实战指南](https://www.aitntnews.com/pictures/2026/3/11/a659f881-1cf1-11f1-af9f-fa163e47d677.webp)
最近沉迷折腾龙虾，想把日常工作都 Skill 化，试了挺多方法都不怎么好用。正好最近 Anthropic 出了一份官方指南，我边学边翻，分享给你。
最近在研究 OpenClaw，这个工具的火热程度不用再赘述。
大家是否有这样的感觉？给定几张场景中拍摄的图片，往往能够在脑海中想象出这个场景的三维布局，然而当前的多模态大模型还停留于纯文本或者 2D 视觉的推理表示，限制了图像中隐含几何结构的表达能力。
扩散模型终于学会“看题下菜碟”了！
用强化学习微调扩散模型，还有更好的办法吗？
NUS、ZJU、UW、Stanford、CUHK 联合提出 「ThinkMorph」，主张让文字与图像在统一架构里「原生协作」、「共同演化」，而不是像当下大多数多模态模型那样，看完图像就闭上眼睛，后续完全靠文字链条推进。仅用 2.4 万条数据微调 7B 统一模型，视觉推理平均提升 34.74%，多项任务比肩甚至超越 GPT-4o 和 Gemini 2.5 Flash。
如果有价值 $100 万美金的顶级专家任务，AI 能完成其中多少？
三年前，我们发布了这份榜单的第一版，目标很简单：找出哪些生成式 AI 产品真正被主流消费者使用。在当时，「AI 原生」公司和其他公司之间的界限很清晰。ChatGPT、Midjourney 和 Character.AI 都是围绕基础模型从零构建的产品，而软件行业的其他玩家还在摸索这项技术该怎么用。
DragStream，首次实现视频生成时的实时拖拽编辑。用户可随时拖动画面中的物体，自由平移、旋转或变形，系统自动保持后续帧连贯自然，无需重训模型，无缝适配主流AI视频生成器，真正实现「所见即所得」。
视频生成进入大规模时代，但计算成本也炸了。
如果你在过去一年关注过大模型训练的技术，大概率听过 Muon 这个名字 —— 这个在月之暗面 K2 模型的相关讨论中走红的优化器，被视为是可能挑战 Adam 的新秀。它的思路很直接：对动量矩阵进行正交化，让各个奇异方向上的更新速率一致，提升训练效率。
在生成式 AI 的浪潮中，自回归（Autoregressive, AR）模型凭借其卓越的性能占据了统治地位。然而，其「从左到右」逐个预测 Token 的串行机制，天生限制了并行生成的可能性。
近年来，随着大语言模型规模与知识密度不断提升，研究者开始重新思考一个更本质的问题：模型中的参数应如何被组织，才能更高效地充当「记忆」。
AI圈追逐多年的通用人工智能（AGI），可能从一开始就走偏了。
在 AI 视觉生成领域，扩散模型（DM）凭借其强大的高保真数据生成能力，已成为图像合成、视频生成等多模态任务的核心框架。然而，预训练后的扩散模型如何高效适配下游应用需求，一直是行业面临的关键挑战。
自扩散模型提出以来，它不仅在图像、视频和音频生成方面取得了优异效果，也正逐渐成为解决图像复原、超分辨率、去模糊等逆问题的重要工具。
大神Karpathy又开源了新项目——一个能够自主进化的AI科研循环系统。这个项目名叫autoresearch，主打让智能体完全自主地搞科研，只要在Markdown文档里写好指令，剩下的流程全都由AI自动完成。
这两年，大模型大厂之间堪比军备竞赛。不论开源还是闭源阵营，为了在指标上领先对手，都在疯狂地卷 Scaling Law，卷算力，卷参数量，已经达到了近乎离谱的程度。
