搜索
第一篇论文来自字节SEED团队， 打了一些基础； 《Over-Tokenized Transformer》。 论文标题看上去在讨论“过度分词”。 而重点必然是在第二篇上—— DeepSeek公司的学术成果Engram。 《Conditional Memory via Scalable Lookup》 也就是Engram模块所出处的论文。
三月的Claude，不是在崩，就是在去崩的路上。状态页48条incident、major/critical事故窗口累计超44小时——这还是保守算法。更离谱的是，$200/月的Max顶配用户反映一小时不到就被限流，项目做到一半突然断供，零预警。推特上「60秒退订教程」疯传，开发者成群结队涌向Codex+GPT 5.4。但逃到对岸就安全了吗？OpenAI状态页显示：Codex三月也崩了7个小时。
在生成式 AI 领域，视觉分词器（Visual Tokenizer）通常采用固定压缩率 —— 无论是单调的监控画面，还是复杂的动作大片，都被切分为等量的 Token。这种 "一刀切" 的做法不仅会造成巨大的计算冗余，也产生了 “信息量” 不同的 Token，不利于下游理解生成任务处理。
三周前那个疯狂传言，如今被Mythos彻底印证？Anthropic或已完成史上最大规模训练，新模型性能或将达到预期的2倍，翻倍碾压Scaling Law！一场颠覆性变革正在降临，算力、能源成为终极筹码，创业公司恐遭毁灭性降维打击！
机器人能认出杯子，却看不懂杯口朝哪、离自己多远、该抓哪里。
在具身智能领域，机器人操作的泛化能力一直是一个核心挑战。当前，视觉 - 语言 - 动作（VLA）模型主要分为两大范式：端到端模型与分层模型。端到端 VLA 模型（如 RT-2 [1], OpenVLA [2]）严重依赖海量的 “指令 - 视觉 - 动作” 成对数据，获取成本极高，导致其在面对新任务或新场景时零样本泛化能力受限。
大模型能否预测未来？UniPat AI构建了一套完整的预测智能基础设施，Echo，包含动态评测引擎、面向未来事件的训练范式和预测专用模型EchoZ-1.0。在其公开的General AI Prediction Leaderboard上，EchoZ-1.0稳居第一，并在与Polymarket人类交易市场的直接对比中展现出显著优势。
这家新西兰的公司给奶牛戴上AI项圈，估值一年飙升20亿美元！Founders Fund领投，投资人抢到超额认购。它的秘密武器叫「Cowgorithm」——一套让牛自己放自己的算法。
Granola 最初是一款面向专业消费者的应用，安装在用户电脑上，用于转录会议并生成笔记。如今，它一直在开发功能以适应企业级技术栈。例如，去年它开始允许团队成员协作处理笔记。公司表示，目前已成功打入 Vanta、Gusto、Thumbtack、Asana、Cursor、Lovable、Decagon 以及 Mistral AI 等企业客户。
在GitHub上上线没几天就冲到5.4k stars的3D建筑编辑器开源项目——Pascal Editor。设计软件咱见的不少，但跑在浏览器里的还是有点新鲜，我帮大家浅浅总结了一下Pascal Editor的一些核心亮点：