大模型的思维链越长，推理能力就越强？谷歌Say No——token数量和推理质量，真没啥正相关，因为token和token还不一样，有些纯凑数，深度思考token才真有用。新研究抛弃字数论，甩出衡量模型推理质量的全新标准DTR，专门揪模型是在真思考还是水字数。
SpeechLLM 是否具备像人类一样解释 “为什么” 做出情绪判断的能力？为此，研究团队提出了EmotionThinker—— 首个面向可解释情感推理（Explainable Emotion Reasoning）的强化学习框架，尝试将 SER 从 “分类任务” 提升为 “多模态证据驱动的推理任务”。
开工第一天，我狠狠补了假期里认为最重要的一期播客：Notion 创始人 Ivan Zhao 的访谈。这期内容在互联网上几乎没有传播，但我认为它的价值被严重低估了。 Ivan 谈到了 AI 对 Noti
复旦大学与微软亚洲研究院带来的 ArcFlow 给出了答案：如果路是弯的，那就学会 “漂移”，而不是把路修直。在扩散模型中，教师模型（Pre-trained Teacher）的生成过程本质上是在高维空间中求解微分方程并进行多步积分。由于图像流形的复杂性，教师模型原本的采样轨迹通常是一条蜿蜒的曲线，其切线方向（即速度场）随时间步不断变化。
Second Me 也是从这里出发的。他们在春节前的最后一周，把这个问题变成了一场大型实验，办了「Second Me 全球首届 A2A 黑客松」，300 多支团队来了。五天后，一个 Agent 互联网 APP Store 的雏形，出现了。
DeepSeek员工节后一上班，美国AI圈又要抖三抖了（doge）。就从十几个小时前开始，DeepSeek的GitHub仓库突然一阵猛更新，Merge了一堆PR：维护者主要是mowentian——DeepSeekMoE等论文的署名作者之一Huang Panpan。他这一干活不要紧，大洋彼岸“V4来了？？？”的紧张神经，又被瞬间挑了起来。
「世界正在变成乐高」 一个显而易见的趋势是，AI编程工具正在成为网络世界的引擎。 绝大部分APP终将消失。因为绝大部分软件需求，都可以由编程Agent生成的一次性软件来完成，用完即弃，像3D打印一个零
上个月，我在 X 上刷到一个叫 Gabriel 的年轻人的故事。他从大学辍学，用 AI 自学人工智能，最终成为了 OpenAI 的研究员。真正吸引我的，是他在个人博客里分享的一套学习方法：「递归学习法」。
来自东南大学、微软亚洲研究院等机构的研究团队提出了一种全新的解决方案——Re-TRAC（REcursive TRAjectory Compression），这个框架让 AI 智能体能够「记住」每次探索的经验，在多个探索轨迹之间传递经验，实现渐进式的智能搜索。
在AI编程时代，效率飙升却隐藏危机：Anthropic最新研究揭示，使用AI助手虽能快速生成代码，但开发者在概念理解、代码阅读和调试能力上显著落后。独立解决问题才是技能之钥，AI若不当用，将成「懒惰陷阱」。
