搜索
尽管大语言模型（Large Language Models, LLMs）在复杂数学推理、代码生成和知识问答上表现突出，但它们仍常在多位数加法这类基础算术任务上犯错。
随着大语言模型逐步从「单轮问答」走向「真实环境中的持续交互」，LLM agents 正在被用于越来越复杂的 agentic applications：deep research、coding、computer use、customer service、medical inquiry、troubleshooting 等等。
刚刚被 SpaceX 宣布以 600 亿美元收购的 Cursor，发布大模型了。本周二，Cursor 宣布了一个新的 1.5 万亿 + 参数模型，该模型在超过 10 万块 GPU 上进行了预训练。消息是在旧金山举行的 Cursor Compile 上宣布的，这是 Cursor 举办的首届旗舰大会。
6 月初，一则关于爆款 AR 手游《精灵宝可梦 GO》（Pokémon GO，以下简称《宝可梦 Go》）的消息开始发酵：有报道称，Niantic（《宝可梦 Go》开发商）过去通过玩家收集的现实世界图像和空间数据，正被用于训练一种可能服务于无人机导航的人工智能系统，而合作方之一 Vantor 与军工、国防场景存在关联。
机器学习已经习惯了处理序列：一句话中的词、视频中的帧、推荐系统中的点击、金融市场中的订单。但在很多真实场景里，数据并不是按固定步长排好队出现的。
当大模型开始控制机械臂、家用机器人时，“安全”这件事也变得不一样了。
导读：视觉 latent reasoning 希望让多模态模型在内部生成连续 latent token，用这些中间表示补充多模态理解和推理任务中缺失的视觉证据。但问题在于，模型生成出来的 latent token 可能并不落在它原本熟悉的视觉输入空间里；如果模型无法稳定读取这些 token，它们就很难成为有效的中间视觉证据。
当用户给出一句简单提示词时，当前的音视频生成模型往往已经能够生成具有不错质量的视听内容。然而，一旦提示词变得复杂，问题便开始暴露出来。
国产算力生态的难题，从此有了 AI 解。
当视频生成模型走出娱乐创作的舒适区，进入科学、医疗、教育等知识密集场景，它们是否还能生成事实准确、清晰可用的视频？