由香港大学丁凯欣领导，联合华南理工大学周洋以及快手科技Kling团队共同完成的这项研究，开发出了一个名为“炼金师”（Alchemist）的AI系统。它就像一位挑剔的大厨，能从海量图片数据中精准挑选出最有价值的一半。
英伟达在开源模型上玩的很激进： “最高效的开放模型家族”Nemotron 3，混合Mamba-Transformer MoE架构、NVFP4低精度训练全用上。而且开放得很彻底：
能自动查数据、写分析、画专业金融图表的AI金融分析师来了！最近，中国人民大学高瓴人工智能学院提出了一个面向真实金融投研场景的多模态研报生成系统——玉兰·融观（Yulan-FinSight）。
为了AI还真是，搞网络的钱不少花，大动作，大投入，数据中心内部网络，重做；数据中心外部网络，也重做；确切表达，不是完全推翻，但也是大变革。数据中心里的网络，谭老师我写了好几篇了，
Agent 的状态数据分两种：会话内的临时上下文和跨会话的长期知识。
在生成式AI（GenAI）的推动下，2025年标志着行业从“震撼期”正式步入“深水区”。这并非资本的泡沫，而是计算范式从CPU向GPU的根本性迁移——数据中心正进化为实时生产智能的“AI工厂”。相比于模型参数的单纯竞赛，AI应用带来的“任务执行”能力与直观体验，让人切身感受到从“信息检索”向“智能生成”的范式跃迁。
将多模态数据纳入到RAG，甚至Agent框架，是目前LLM应用领域最火热的主题之一，针对多模态数据最自然的召回方式，便是向量检索。
近年来，大语言模型的能力突飞猛进，但随之而来的却是愈发棘手的双重用途风险（dual-use risks）。当模型在海量公开互联网数据中学习时，它不仅掌握语言与推理能力，也不可避免地接触到 CBRN（化学、生物、放射、核）危险制造、软件漏洞利用等高敏感度、潜在危险的知识领域。
在代码大模型（Code LLMs）的预训练中，行业内长期存在一种惯性思维，即把所有编程语言的代码都视为同质化的文本数据，主要关注数据总量的堆叠。然而，现代软件开发本质上是多语言混合的，不同语言的语法特性、语料规模和应用场景差异巨大。
在全球资本市场对人工智能基础设施持续加码、而IPO窗口尚未完全恢复的背景下，Databricks选择继续通过私募市场扩充资本实力。 这家企业级数据智能公司近日完成了一轮规模达40亿美元的L轮融资，投后估值达到1340亿美元，较三个月前的1000亿美元估值上涨34%。
