搜索
就在今年的WAIC上，无问芯穹一口气亮出了「前店后厂一中心」，一整套完整的Agentic Infra战略布局：算力集散中心（一中心）：Agentic Infra自主式基础设施平台；Token工厂（后厂）：Agentic MaaS大模型服务平台；
最近喜欢用Flova做点AI小视频。
让大模型 "读得更长" 一直是 Agent、深度推理和海量资料整合等场景的刚需，但标准全注意力机制的计算量随序列长度呈平方级增长，始终是横亘在长上下文建模面前的三座大山。
在计算历史的绝大部分时间里，编程的本质是一项翻译工作：开发者需要在人类理解的维度上剖析问题，设计抽象方案，随后将其转译为机器能够执行的语法。当前的软件工程领域正在经历自高级编程语言问世以来最为显著的变化。
2026 年 Agent 全球火爆，黄仁勋称赞 OpenClaw 是 “当代最重磅的软件” 连代安装都成了赚钱生意。但在国内，这类开源 Agent 由于其数据泄露、权限裸奔等风险在办公场景一度遭遇落地寒冬。
过去一年，AI 行业最确定的故事属于 Coding。
过去一年，Deep Research Agent 被视为大模型落地的下一个突破口，它们会检索、能用工具、可多步推理，在一个个榜单上高歌猛进。但把它们放到真实世界的专业场景里，表现是否也同样亮眼？
市面上已有几十种Agent记忆方案，有的基于向量检索，有的基于知识图谱，有的靠定期总结“压缩”对话，有的则完全依赖模型自身的上下文窗口。它们各有各的说法，但在系统层面，到底哪种方案靠得住？哪种方案在你的工作负载下既不贵又准？
出差第三天，晚上八点回到酒店，你拿出手机，贴一贴按自家猫 1:1 定制的玩偶，屏幕上弹出今日份“猫猫日报”：睡了 14 小时，呼吸平稳，深度睡眠占比 72%，体重较昨日增加 30g，一切安好。
发布之前，我在 X 上看到有人说，测 K3 的感觉就像在测 Fable 5。虽然离 Fable 5 还差一点点 🤏，但超过 Opus 4.8 和 GPT 5.5 基本没有问题。在前端能力，K3 的提升非常明显，我已经用它复刻了前段时间爆火的独立工作室 Abeto 推出的一款 3D 网页游戏 《 Messenger》（ps. 音乐手动配的，主角模型是 K3 自己判断、自主去游戏官网找的）