搜索
过去一年，LLM Agent几乎成为所有 AI 研究团队与工业界的共同方向。OpenAI在持续推进更强的推理与工具使用能力，Google DeepMind将推理显式建模为搜索问题，Anthropic则通过规范与自我批判提升模型可靠性。
一睁眼，Anthropic上新模型，让Claude Opus 4.6来给您拜！年！了！
大模型的革命行将结束，即将开启的会是物理 AI 时代？
2026 刚来到 2 月，无论是底层模型大厂还是初创公司统统加速开卷，其中 Agentic Memory 方向的快速进化更是把大模型的能力上限推向了 NEXT LEVEL!
刚刚，何恺明团队提出全新生成模型范式漂移模型（Drifting Models）。
近年来，Vision-Language Models（视觉 — 语言模型）在多模态理解任务中取得了显著进展，并逐渐成为通用人工智能的重要技术路线。然而，这类模型在实际应用中往往面临推理开销大、效率受限的问题，研究者通常依赖 visual token pruning 等策略降低计算成本，其中 attention 机制被广泛视为衡量视觉信息重要性的关键依据。
扩散语言模型（Diffusion Language Models, DLLMs）因其多种潜在的特性而备受关注，如能加速的非自回归并行生成特性，能直接起草编辑的特性，能数据增强的特性。然而，其模型能力往往落后于同等规模的强力自回归（AR）模型。
开年，DeepSeek论文火遍全网，内容聚焦大模型记忆。
在大模型时代，从代码生成到数学推理，再到自主规划的 Agent 系统，强化学习几乎成了「最后一公里」的标准配置。
空气炸锅“叮”了一声。