搜索
刚读了一篇 AI4AI 论文《AI4AI at Scale》，来自 XYZ Agentic Team。还是第一次听到这个 Lab。他们用 AI4AI 的方式做出了两个很强的搜索 agent，也公开了方法。借这篇 paper 讲讲 AI4AI 到底怎么工作，下面尽量少堆术语。
有知情人士透露，美团LongCat团队基础模型负责人裴鹏即将离职。公开资料显示，裴鹏毕业于北京大学，长期深耕信息检索与自然语言处理方向，职业履历覆盖多家全球顶尖科技企业。
新智元报道 AI第一次拿起彩铅画蒙娜丽莎，但发生了一件奇怪的事： 没有任何一个模型的最终作品，赢过它自己中途最好那版：它们总在最好的时候改过了头。 而且，同样是7幅画，成本相差了20倍！ 最左为原作，
2026 年春天，AI 中转站这门略显灰色的生意，突然迎来了一位最不缺流量的玩家。4 月，孙宇晨开始为 B.AI 站台，把「一个 Key 调用所有大模型」的生意，称作「AI Agent 的底层金融基础设施」。
现在的 Agent 将所有的工程线索和垃圾噪音都一股脑扔进 Chat Context 里，缺乏一层独立、结构化的 Engineering State 来做隔离与控制。为了打破这个瓶颈，Valkor 联合浙江大学智能计算与软件研究中心、伦敦大学学院（UCL）软件工程团队正式推出并开源了 loom。
这些项目未必都是最成熟的，但它们有一个共同点：没有把模型本身当作产品，而是把 AI 放进一条具体的任务链里，让一个想法变成物品，让一个需求得到回应，或者让一套智能系统真正运转起来。
我们想强调的是：智能体 “跑得久”，并不等于 “具备长程能力”。真正的关键，不在于占用更多时间与算力，而在于能否在更长、更复杂、更真实的推理依赖链上持续、有效地行动。长期以来，Autonomous Agent、Self-Evolving Agent 等概念常与长程智能体混用。
SFT是LLM从“通才”变成“专才”的关键步骤。业界默认做法是：准备标注数据（QA对、指令-回复对等）在基座模型上跑SFT训练。看loss曲线收敛了→认为训练完成。但问题在于：loss是全局平均，掩盖了样本间的差异。loss收敛只代表“大部分样本学会了”——那些始终学不会的样本被淹没了。
以往的空间音频模型，要么受限于实验室的苛刻采集条件，要么被高昂的人工标注成本卡住脖子。而团队的核心洞察是：相机的自运动本身就是一种免费的监督信号。当相机转动时，声源在声场中的相对位置随之改变——这种变化无需人工标注，模型即可从中学习空间对应关系。这项工作入选CVPR 2025 Highlight，投稿论文前2%。
按照超聚变的定位，TokenBox™ 是一套面向办公室场景的企业级本地 AI 平台。它将算力模块、模型服务、推理加速、Token 运营和安全管理整合进同一套产品体系，让企业能够在本地持续生产、调度和管理 Token。