搜索
用流匹配（Flow Matching）或扩散模型（Diffusion Models）生成一张手写数字图像、一段 DNA 序列，通常需要从噪声出发，经过多步采样才能得到结果。每一步都要调用模型，生成质量逐渐改善，计算开销也随之增加。
深度原理 DeepPrinciple 将 GLM-5.3 后训练为科学模型 Hydrogen-1.0，开放权重并纳入失败实验等实验室记录，使模型可完成实验设计、流程纠错和多步科研推理。
多轮图像编辑允许用户通过连续指令，逐步调整同一张图片中的物体、外观与场景。随着图像生成进入交互创作，用户需要根据中间结果继续修改，模型也需要在完成新要求的同时，保留此前已经确认的内容。
AI模型后训练公司Trajectory宣布完成4500万美元A轮融资，由红杉资本领投，英伟达、Bessemer Venture Partners和Bain Capital Ventures参投，估值达3亿美元，其基于持续学习的后训练平台已正式向公众开放。
近日，DeepSeek 为下一代超级智能体（Super Agent）提出了四个标准：连续，高效，主动，持久，让智能体称为能够承担工作的 AI 同事。
人工智能先驱 Yann LeCun 一直主张「生成式 AI 是一条死胡同，世界模型才是真的未来」。
在企业级真实业务与复杂数据分析中，让大模型「一眼看穿数据库并写出完美SQL」，往往只是一个不切实际的幻想。
用螺丝刀拧紧螺丝，听起来并不复杂。
随着递归自我改进（Recursive Self-Improvement，RSI）受到关注，智能体如何从交互经验中持续改进自身成为研究热点。智能体记忆机制影响着这些经验能否被有效保留和利用。
过去几年，神经网络接连改写了一个又一个领域：图像生成有了 Stable Diffusion，视频生成已经能做到以假乱真，就连 3D 渲染也出现了 RenderFormer 这样的纯神经网络方法。但在高保真物理仿真上，神经网络始终没能交出令人满意的答卷，游戏、动画和机器人领域至今仍依赖需要手动调参、难以求梯度的传统求解器。