搜索
现在，图灵奖得主 Yoshua Bengio 给出了一份全新的并行方案。他们提出了 GRAM（Generative Recursive reAsoning Models，生成式递归推理模型），把确定性的递归潜在推理变成了概率性的多轨迹计算。模型在潜在空间中进行随机递归推理，每一步都可以采样不同的方向，最终形成对解空间的多路径探索。
ber！这个五一假期，我也是真够忙的： 自拍、电影、追剧、街头采访、听音乐会，还抽空回老家结了次婚……
最近，一家叫 CopilotKit 的公司宣布完成 2700 万美元的 A 轮融资，由 Glilot Capital、NfX 和 SignalFire 联合领投。这不只是一条融资新闻，它背后指向的是一个更大的问题：当 AI agent 已经可以真正嵌入应用、理解用户意图、生成动态界面、自主执行任务，我们今天所熟悉的软件交互方式，还能撑多久？
快手的这篇论文，正是对这一问题交出的一份沉甸甸的工业级答卷。他们提出了 GR4AD（Generative Recommendation for ADvertising），一个横跨表征、学习、服务三大层面协同设计的生成式广告推荐系统，并已全量部署于快手广告平台，服务超过 4 亿用户。
感谢AI！
大家好，我是袋鼠帝。 今天想跟大家聊聊最近很火的一个新概念：GEO
基准测试（Benchmarks）在人工智能的发展进程中扮演着至关重要的角色，构成了评价生成式模型（Generative Models）性能的事实标准。对于从事模型训练与评估的AI研究者而言，GSM8K、MMLU等数据集的数据质量直接决定了评估结论的可靠性。
2025 年，生成式推荐（Generative Recommender，GR）的发展如火如荼，其背后主要的驱动力源自大语言模型（LLM）那诱人的 scaling law 和通用建模能力（general-purpose modeling），将这种能力迁移至搜推广工业级系统大概是这两年每一个从业者孜孜不倦的追求。
每当我们讨论AI对就业的影响时，大多数都是专家拍脑袋的预测。但微软研究院的这篇论文不一样，他们分析了20万个真实的Microsoft bing Copilot用户对话，每一个数据点背后都是一个真实的人，一个真实的工作场景，首次用硬数据告诉我们：AI到底在改变什么工作？哪些工作活动和职业正在被生成式AI（Generative AI）最大程度地影响？
7 月 10 日，微软研究院 AI for Science 团队在《Science》杂志发表了题为「Scalable emulation of protein equilibrium ensembles with generative deep learning」的研究成果。