这份 OfS 报告采访了 127 所高校的 300 多人,有学生直接承认论文全靠 ChatGPT 写。英国监管机构明确要求高校改回线下考试和过程记录考核,违者可被处罚。做教育产品、留学或关注学术诚信的人都该看看具体条款。
Latest
Meta 的 Muse 在新加坡上线,ShopBack 是首批 8 家接入方之一,但 Amazon 12 天内就把它封了。这篇采访讲清楚了两种路线背后的商业账:返现平台不怕代理,靠个性化卖货的巨头怕。做电商或代理开发的人值得看看。
Fable 5.2 刚发布,5 个用户案例走的是完全不同的路:有人让它写代码改绘画引擎,有人一句提示词就出了游戏,最快的 10 分钟做完一支预告片。想做视频、做游戏、玩生成工具的人都能从中挑到适合自己的用法。
台积电不只是卖芯片给 Anthropic,还直接掏钱当股东了:最多 5 亿美元按 IPO 发行价认购,OpenAI 那边也是最多 5 亿美元优先股。同一份公告里 10 月营收涨 60%、409.3 亿美元资本支出也一并披露,做 AI 基础设施采购决策的人值得看看这份一手数据。
Google DeepMind 给机器人厂商的模型升级了,任务成功率和完成速度都比老版本好,还加强了物理安全控制。做具身智能或机器人部署的团队可以关注一下,看看能不能接上自己的硬件。
做工业软件的 Dassault Systèmes 要在新加坡开实验室了,五年内招 30 多个 AI 人才,专门服务东南亚制造业客户。在新加坡搞工业 AI 或找相关岗位的朋友可以留意后续招聘动态。
新加坡航空把 OpenAI 接进了客服、行程推荐和内部工具三条线,Kris 机器人的 CSAT 直接翻倍。做服务行业数字化的团队可以照着这个分层接入思路抄作业,比自建模型省得多。
如果一直觉得智能体只能靠云端大模型跑,这篇可以看看:BotPsy 用不到 10 亿参数的小模型在手机等设备本地完成规划和工具调用,数据不出设备。做端侧 AI 或在意隐私产品的人会想研究它的实现思路。
腾讯把自家大模型能力装进了通用搜索,so.qq.com 直接就能用,能搜到别家搜不到的公众号和视频号内容,还会把广告整块折叠起来跟答案分开。想查公众号文章或者读英文论文的人可以试一试。
亚马逊 Ring 这次把安防摄像头做成了会飞和会跑的机器人,Drone Cam 能按设定的航线巡逻看家,Rover Cam 升起潜望摄像头能越过货架拍 4K 画面。家里装了 Ring 门铃或商铺装了监控的都可以关注,不过巡逻录像要订阅 Ring Protect 才能用。
Fable 5.2 这波演示从单个物体干到了整片伊斯坦布尔,还有浏览器里能跑的开放世界。对比之前只能生成孤立物体的方案,这次规模和可交互性都上了一个台阶。做 3D 生成、游戏原型的人都该看看这 5 个案例。
有用户拿折纸任务实测 Fable 5.2,以前一直折不好,这版居然成功了。折纸很考验空间理解和分步执行,想直观感受这版能力变化的话可以看看这段视频,不过原作者没放提示词,想复现得自己摸索。
有人在用 Fable 5.2 把达·芬奇500年前的手稿做成可交互作品,还有人用它做折纸,这个任务以前模型一直做不好。5个案例横跨音乐、长视频和空间结构,想找创作灵感的可以看看大家怎么测它的。
开发者 midudev 用 Fable 5.2 十分钟就做出一支完整预告片,成片直接贴在推文里。比传统剪辑出一版粗剪还快,经常做短视频或宣传片的人可以看看这条工作流能省掉多少工序。
Fable 5.2 的 5 个新演示挺直观的:有整座伊斯坦布尔、能打碎的体素场景,还有一个直接开浏览器就能玩的开放世界。做游戏或世界模型方向的人可以看看这批案例,感受下这类模型和静态视频生成的差别。
百度这次走的是开源路线,280B 总参数只激活 14B,长文本能吃到 1M 上下文,API 已经能在千帆上试。打算做本地部署或长文档处理的开发者可以关注 11 月 25 日的开源权重,拿它和 Qwen、DeepSeek 的开源模型对比一下再决定。
AWS 模型训练团队在招 2027 年暑期实习生,预训练、中期训练、对齐都能接触,岗位覆盖全流程比较少见。想做大模型训练方向的学生可以私信联系,提前两年开放申请,值得留意。
微软研究院 Redmond 的深度学习组在招 2027 年暑期实习生,做的是 Computer-Use Agents、强化学习和智能体自我改进这些热门方向,为期 12 周。只招博士生,要有论文或项目履历。想在 agentic AI 领域深造的同学可以准备 CV 投递。
dotey 分享了一个实用心法:别问 AI 会什么,直接给目标,要求拉高,再补足上下文和工具。类比带员工的方式很好懂,还提醒模型每次升级后可以回头重试老任务。常和 AI 协作干活的人都该看看。
保险科技公司可以看看这个案例:Oscar 没走传统的保险公司间数据交换,而是用 TEFCA 的个人授权通道直接拿病历,让 Oswell AI 助手第一天就有完整病史。做健康数据集成或保险产品的人会想研究这套流程。
韩国 DEEPX 的新芯片挺有意思,5W 功耗就能在设备本地跑 10B 参数以上的模型,基于三星 2nm 工艺。做机器人、安防这些端侧设备的开发者可以留意,2027 年初就能见到实物芯片了。
深圳 GEO 大会 11 月 21 日开幕,嘉宾每天介绍一位,今天这位是 WaytoAGI 发起人 AJ,她要讲海外营销增长策略。做 AI 内容出海或 GEO 的朋友可以关注下议程,官网在评论区。
这篇清单盘点了现在跑得起来的无人驾驶出租车:Waymo 已有 4,000 辆车在路上,Tesla 走纯视觉路线,Baidu 和 Pony.ai 在中国已经商业化跑了一段时间。如果你在关注出行行业或者网约车就业前景,这份清单能帮你看清各家进展到哪一步。
有人拿 Fable 5.2 两条提示词生成了一个 FPS 小关卡和带双人模式的 3D 打砖块,提示词原文全贴出来了。想做小游戏原型的可以直接抄这两条的写法,试玩链接就在评论区。
北京给具身智能机器人企业上了“专属保姆服务”:上市有人一对一对接,还定了 2026-2028 三年内培育 200 家专项企业的目标。做机器人整机、零件、VLA 模型的团队值得关注,政策红利含金量不低。
如果你在玩 KAN 或者函数回归,这个库挺有意思:曲线参数可以直接放进训练循环里一起优化,不用自己写 B 样条求值。作者还拿 EfficientKAN 做了性能对比,什么时候开销大会吃亏都说清楚了,写 PyTorch 自定义层的可以参考实现思路。
训练 RL 模型时奖励只有一个数字,浪费了大量信息。这篇让教师模型自动写提示和策略当脚手架,四类任务全赢过普通 RL 基线,数学只用三分之一步数就超过 QuestA。做后训练的工程团队可以直接参考这套自动化方案。
搞药物发现或计算化学的可以看看这篇:专家靠 3D 工具和物理打分排序分子构象几乎等于瞎猜,而两个 LLM 智能体分别做到 67% 和 74%。用代码生成特征做回归这套路子,比直接让模型推理更有效,开源模型经 GRPO 微调后还能追平闭源模型。
做物联网或智能家居硬件的朋友可以看看:Nordic 这款 nRF71 把 Axon NPU 直接塞进 Wi-Fi 芯片,关键词检测、图像分类在片上跑,不用再外挂 AI 处理器,待机功耗还比 nRF70 降了最多 20 倍。
做神经形态或连接组建模的值得细看:同一份 Drosophila 连线数据,调参协议一换,"真实连线更好"能翻转成更差,差距都是 0.09 量级。文章把 P1/P2/P3 三种协议拆得很清楚,还给出 44% alpha'beta' 占比这个反例。想引用"结构决定功能"类论文的人,最好先照这套协议自查一遍。
这个基准把记忆型和权重型学习放进同一条 ARC-AGI 任务流里打分,结论挺扎心:单纯加记忆的 agent harness 还不如缓存演示的笨基线,泛化还是得靠改权重。做长期记忆和智能体框架的人应该看看,它给了可复现的评测管线。
这篇论文把大模型的涌现现象搬到了药物分子层面:只用序列训练的 Bonbon,不做任务监督就能自动学会找结合位点、判断共价与非共价。速度比共折叠快十万倍,湿实验命中率 61.5% 相当扎实。做药物设计或分子机器学习的都该看看。
这个 TimeSeek 把预测、异常检测、分类三个任务塞进了一次预训练里,架构上按领域自适应提取特征,不再只靠堆 Transformer 层。做时间序列的工程师可以对比一下 TimesFM、Chronos 这类单任务模型,看 few-shot 和 zero-shot 成绩是否真能省掉多套模型的维护成本。
做 VLM 推理优化的开发者可以看看这篇。它不训模型,靠按问题选裁剪还是压缩来省算力,FLOPs 省三成多、精度只掉不到 1%,RTX 3090 就能复现,比单纯砍视觉 token 上限更细。
做 RLHF 或 GRPO 训练的工程师应该看看这篇。它用理论解释了一个常见现象:为什么训练到后期最优响应概率会掉到接近零,以及为什么定期重置 KL 参考点能救回来。连 Kimi 用的训练算法都被纳入了收敛证明。
搞模型评估的人常纠结选几折,这篇论文直接证明了 K-fold 一阶方差最优、且一阶方差与 K 无关,leave-one-out 在合理条件下方差最小。做交叉验证置信区间或审稿判断方法学时可以直接引用这套结论。
用预训练表格模型 TabPFN 预测含能材料的撞击感度、分解温度和晶体密度,不调参就赢了 XGBoost、随机森林和 Chemprop,还快一个数量级。做材料性质建模或者被调参折磨的可以看看,思路在其它小数据集上也能借鉴。
一个模型同时出视频、深度和相机位姿,靠分模态噪声设计把生成和预测合成一件事。做 3D、视频生成或具身的开发者值得看看,稀疏观测下的几何预测成绩比拆开来的基线都强。
做时空预测或环境传感数据分析的人可以看看这篇。标准 Neural Processes 假设输入干净,DnNP 用变分推理把传感器噪声直接建进模型,PM2.5 插值上 RMSE 降 30%、NLL 降 73%,还给了理论保证,比简单加平滑滤波更有依据。
CLAP、MuQ 这些音频模型的嵌入是纠缠在一起的,这篇论文证明加一层很小的可训练门控就能把属性拆开,检索效果还顺带提升。做音乐检索或者想精细控制属性的工程师可以看看实现细节,不用重训骨干,成本很低。
Only the latest 2000 items are listed; for older ones see the daily archive