搜索
如果只看标题，它很容易被归到“又一个万亿参数大模型”的队伍里：1.6 万亿总参数、MoE 架构、100 万 token 上下文、面向代码和 Agent 场景。但这次真正值得看的，不只是模型有多大，而是它背后的三个问题：国产算力能不能支撑前沿级大模型训练？
长期以来，机制可解释性（mechanistic interpretability）领域有一个几乎从未被明说、却被视为理所当然的前提：模型对于同一种任务的能力或表现，背后对应着一条唯一的、或近乎唯一的内部「电路」（circuit）。该领域的研究者们之所以要做「电路发现」（circuit discovery），是为了要把这些「特定的」电路找出来。
近期，DeepSeek发布DSpark让大模型推理效率再次成为行业焦点。
6月22日Claude全家桶集体宕机，只是冰山一角。当最强大模型被丢进真实机房直面「幽灵故障」，AISHPerf-智算运维智能体评测基准给出残酷答案：全军覆没，无一过50分。这道鸿沟，第一次被量化。
2026 年 6 月，大模型行业正在经历一场前所未有的「开源海啸」：英伟达放出了 550B 参数的混合架构模型，谷歌送出多模态的 Gemma 新版本，智谱用最宽松的协议全量开源了自家旗舰模型。
如今，大模型越来越擅长回答问题了，但当 AI 不再只停留在聊天窗口，而是走向智能眼镜、可穿戴设备乃至家庭机器人时，问题会随之改变。用户未必有时间把需求完整说出来，也未必希望助手随时插话。更理想的助手，应该能在现场真正理解人，在用户需要的时候出现，在不合适的时候保持安静。
你有没有想过一个问题： 我们平时选模型，到底有多少是因为它真的好用，又有多少是因为它便宜？
就在今天凌晨，哈佛博士Douglas Yao在X宣布，研发了一款针对阿尔茨海默病的新药PAC-832，引发了数百人的围观。这是世界上第一个选择性GalR1拮抗剂，创始人表示全程使用了机器人自动化技术和AI大模型。
近年来，大语言模型展现出了越来越强的能力，从上下文学习（In-Context Learning, ICL）到复杂推理、代码生成，这些能力不断刷新人们对模型能力边界的认知。
这篇来自 Interlatent（一家聚焦具身智能后训练与部署的早期创业公司） 的文章，试图从第一性原理出发，把现代 AI 机器人技术重新讲清楚：一个机器人到底如何理解世界，如何生成动作，又为什么会在数据、延迟和泛化上遇到如此多的困难。