随着大型语言模型在各类任务中展现出卓越的生成与推理能力，如何将模型输出精确地追溯到其内部计算过程，已成为 AI 可解释性研究的重要方向。然而，现有方法往往计算代价高昂、难以揭示中间层的信息流动；同时，不同层面的归因（如 token、模型组件或表示子空间）通常依赖各自独立的特定方法，缺乏统一且高效的分析框架。
昨晚，数学界炸了！由HarmonicMath开发的AI数学家「亚里士多德」（Aristotle），100%独立完成了埃尔德什问题#124。它在Lean证明系统中，耗时仅6个小时，验证只需1分钟。
Hi，早上好。 我是洛小山，和你聊聊 AI 应用的降本增效。
刚刚，Erdos 问题 #124 的一个弱化版本被证明。
ICLR 2026，居然有21%的评审是纯纯由AI生成的？！
我们能否像《头号玩家》那样伸手就能触摸到虚拟世界？像《阿凡达》那样植物和动物仿佛就在眼前飞舞？这不再只是科幻。11 月 26 日，在一篇最新 Nature 论文中，来自复旦大学团队和上海人工智能实验室的研究人员打造出一款名为 EyeReal 的裸眼 3D 显示器。
导读 过去两年，小语言模型（SLM）在业界备受关注：参数更少、结构更轻，理应在真实部署中 “更快”。但只要真正把它们跑在 GPU 上，结论往往令人意外 —— 小模型其实没有想象中那么快。
在大语言模型（LLM）的研究浪潮中，绝大多数工作都聚焦于优化模型的输出分布 —— 扩大模型规模、强化分布学习、优化奖励信号…… 然而，如何将这些输出分布真正转化为高质量的生成结果 —— 即解码（decoding）阶段，却没有得到足够的重视。
AI 创作 Agent 正在接管过去最耗时的部分。
在架构层面，Milvus 2.6 大幅简化系统架构，整合多个核心组件 —— 例如将原有的 Coordinator 组件（含 RootCoord、QueryCoord、DataCoord）统一整合为 MixCoord，并将 IndexNode 与 DataNode 合并为单一组件。这些调整不仅降低了系统复杂度，更显著提升了系统的可维护性与横向扩展性。
