搜索
当谈及数学时，我们近乎本能地认为，数学是一个严谨、精确、不容置疑的完美逻辑体系，但在菲尔兹奖得主迈克尔・弗里德曼（Michael Freedman）眼中，人类真正创造和关心的数学，本质上是「柔软且可塑」的。
当前大模型的发展呈现出类似于“军备竞赛”的趋势——模型规模持续攀升，对计算硬件的需求也随之快速增长。
如果把今天最热门的几个方向摆在一起看，你会发现它们其实在卡同一道坎。
近年来，视频多模态大模型（VideoLLM）发展迅猛，在视频描述、视频问答、时序定位等任务上不断刷新性能上限。随着模型能力持续增强，业界也开始思考一个更重要的问题：视频大模型能不能不再只是 “看完一段视频再回答”，而是真正进入实时世界，持续观察、实时理解，并在关键时刻主动给出反馈？
AI工程范式的迭代速度，正让行业陷入一种“定义赶不上进化”的焦虑。
中国人民大学团队打造的AiScientist，旨在解决长程机器学习研究工程的持续性难题。该系统从论文理解开始，跨越环境配置、代码实现与实验迭代，保持状态连续与决策连贯，显著提升科研效率。其核心在于通过File-as-Bus机制，稳定保存项目状态，使AI能真正接手科研流程，而非仅辅助单个环节。
ATM-Bench 将「个人 AI 助手是否真的记得你」这件事，变成了一个研究的测试基准。结果并不乐观：专用记忆智能体系统普遍低于 20%，而 OpenClaw、Codex、Claude Code 等通用智能体普遍表现不佳，最高准确率不到 40%。
本文主要介绍来自该团队的最新论文：Scalable Object Relation Encoding for Better 3D Spatial Reasoning in Large Language Models。
如今的大多数智能体，仍然活在一种「失忆式工作」模式中：每一次检索都是从零开始，每一条推理路径都无法沉淀，每一次失败也不会转化为经验。它们虽能多轮交互，但很难在深度研究中持续变强。
研究者们花了十年去扩展层内的计算能力，却忘了扩展层间的通信能力。