搜索
SFT是LLM从“通才”变成“专才”的关键步骤。业界默认做法是：准备标注数据（QA对、指令-回复对等）在基座模型上跑SFT训练。看loss曲线收敛了→认为训练完成。但问题在于：loss是全局平均，掩盖了样本间的差异。loss收敛只代表“大部分样本学会了”——那些始终学不会的样本被淹没了。
以往的空间音频模型，要么受限于实验室的苛刻采集条件，要么被高昂的人工标注成本卡住脖子。而团队的核心洞察是：相机的自运动本身就是一种免费的监督信号。当相机转动时，声源在声场中的相对位置随之改变——这种变化无需人工标注，模型即可从中学习空间对应关系。这项工作入选CVPR 2025 Highlight，投稿论文前2%。
多模型Agent系统显然是未来的趋势。cursor 的一篇很不错的文章。他们的最新研究表明，将前沿模型作为规划者和协调者，与一个更廉价的“主力”模型搭配，可以大幅降低项目中总token的成本，从而实现 15 倍的成本改进。
3D打印无疑是全球增长最受关注的赛道之一，但结构化、可编辑的物理3D数据却极度稀缺。就在这个行业真空里，一家年轻公司浮出水面——AI生成矢量3D模型的比特无限（BitInf）。
根据IT桔子数据，截至2026年7月17日， 32家“商汤系”公司在上半年共完成28笔融资，累计融资额超过470亿元人民币，在中国AI融资市场取得了耀眼的成绩。其中，既有商汤科技自身通过“1+X”战略拆分出的子公司——曦望Sunrise、大晓机器人、商汤医疗等；也有大批从商汤离职创业的前高管所创立的公司
都说AI抢工作，但一个显而易见的疑问是—— 失业率的数据为神马动静不大？ 没错，一边我们看到AI能力在狂飙，但另一边就业市场似乎比较平静。 我现在很多工作的确交给Claude Code和WorkBud
2009年，李飞飞团队正式发布ImageNet。
一次错误回答，可能只会让用户关掉页面；一次错误执行，却可能改写企业数据库、触发一笔交易，甚至让整条业务流程偏离轨道。
数据市场的故事，正在进入新一轮周期。来自企业真实工作流的 Real-world Data，成为越来越多 AI Labs 争夺的新资源。比如 GitHub 就是典型的 Real-world Data，它几乎完整保留了一个问题从出现到解决的全过程。相比之下，今天绝大多数 Human Data 公司提供的，仍是人为构造的数据。
开源一周多，DojoAgents 已经在 GitHub 获得超过 1000 个 Star。DojoAgents 项目受到关注，是因为其并不只是一个能回答投资问题的 Agent，而是一种新的金融决策辅助方式：让 AI 不再停留在生成答案，而是形成对金融世界持续更新的理解，并在数据、工具、权限和风险边界内，长期且持续主动地推进研究与决策辅助任务。