搜索
最近，像 OpenAI o1/o3、DeepSeek-R1 这样的大型推理模型（Large Reasoning Models，LRMs）通过加长「思考链」（Chain-of-Thought，CoT）在推理任务上表现惊艳。
近来风头正盛的GPT-4.5，不仅在日常问答中展现出惊人的上下文连贯性，在设计、咨询等需要高度创造力的任务中也大放异彩。
谷歌DeepMind研发的DreamerV3实现重大突破：无需任何人类数据，通过强化学习与「世界模型」，自主完成《我的世界》中极具挑战的钻石收集任务。该成果被视为通往AGI的一大步，并已登上Nature。
从Google Glasses到HoloLens，再到近几年雷鸟创新、Even Realities、影目、星纪魅族、Rokid等陆续发布量产产品，AR眼镜在不断刷新其轻薄程度。
由于 DeepSeek R1 和 OpenAI o1 等推理模型（LRM，Large Reasoning Model）带来了新的 post-training scaling law，强化学习（RL，Reinforcement Learning）成为了大语言模型能力提升的新引擎。然而，针对大语言模型的大规模强化学习训练门槛一直很高：
随着 AI Agent 元年的到来，一个新的趋势正在兴起：初创公司提供工具，帮助雇主打造一支机器人队伍。
还记得之前推荐过一键生成网页代码的 readdy.ai(好用到哭！AI神器Readdy，一键生成网页代码，前端工程师要失业了？)，如今这样的神器市场上已冒出一大堆。我们做个详细点的对比，然后根据不同的用户场景，做出一些推荐。
在基于物理世界的真实场景进行视觉问答时，有可能出现参考选项中没有最佳答案的情况，比如以下例子：
如果你让当今的 LLM 给你生成一个创意时钟设计，使用提示词「a creative time display」，它可能会给出这样的结果：
如果你已经读过我们上一篇经典长文《DeepSearch/DeepResearch 的设计与实现》，那么不妨再深挖一些能大幅提升回答质量的细节。这次，我们将重点关注两个细节：