斯坦福相关 AI 资讯

8月16日

23:26

23:26IT之家（博客/媒体）

斯坦福《AI Index 2026》显示，84%中国受访者对AI产品和服务感到兴奋，美国仅38%。中美模型性能差距已基本消失，2025年初以来交替领跑。在编码基准SWE-bench Verified上，模型性能一年内从60%提升至接近100%。生成式AI三年达到53%人口采用率，美国消费者年度价值约1720亿美元。美国仅31%受访者信任政府监管AI，为调查国家中最低之一。

推荐理由：斯坦福报告说中美AI态度差一倍多，编码基准一年冲到近满分，想聊AI的可以看看。

原文

8月15日

18:50

18:50IT之家（博客/媒体）

OpenAI CEO萨姆·奥尔特曼在科技实习生峰会上表示，自己在斯坦福大学只读了两年就退学，并认为两年已足够学到核心内容，再继续读新增收获会越来越少。2005年他退学后与人共同创办位置分享应用Loopt，该项目成为Y Combinator首批孵化项目之一。奥尔特曼还提到，自己认识很多没上过大学也发展得很好的人，并建议年轻人初期可同时尝试多个项目，但确定方向后应果断取舍。

行业 OpenAI 奥尔特曼斯坦福

事件专题

推荐理由：奥尔特曼公开谈教育观，说大学两年就够，还拿自己斯坦福退学的经历举例，想听他怎么劝年轻人可以看看。

原文

8月11日

22:00

22:00IT之家（博客/媒体）

斯坦福大学教授、World Labs联合创始人李飞飞在《商业内幕》采访中表示，AI进入校园最大的危险不是学生作弊，而是削弱学习能力。她警告不当使用AI可能导致年轻一代自主性和学习动力被夺走，大脑未充分发育。李飞飞同时反对全面抵制AI，认为学生投入学习后遇到困难时，AI可成为强大学习伙伴。牛津大学出版社报告显示AI让学生学习速度变快但思考深度降低，MIT研究员科斯米娜研究发现使用生成式AI写作者表现随时间下降。

行业李飞飞 World Labs AI教育

推荐理由：李飞飞聊AI进校园，观点很实在：怕的不是作弊，是孩子懒得动脑。她自己也说当年学有机化学要是有AI就好了，关键看怎么用。

原文

8月10日

17:00

AI Will@FinanceYF5

Jeff Dean从Google离职后现身斯坦福，公开其“5+2选题法”。该方法用于区分基础性技术与时髦技术，被描述为AASF 2026首日最可复用的回答。Jeff Dean强调，该方法的核心是判断技术是否具有基础性，而非追赶时髦。

技巧 Jeff Dean Google 斯坦福

推荐理由：Google传奇Jeff Dean离职次日斯坦福开讲，教你挑研究方向，5+2选题法很实用。

原文

7月14日

02:35

官方账号Fei-Fei Li@drfeifei

斯坦福大学启动第二届 BEHAVIOR 机器人挑战赛，聚焦日常生活中的长周期复杂任务。去年获胜方案在真实场景中完整任务成功率仅12.4%。本届新增更多任务类型，改进评估方法并降低使用门槛。提交截止日期为2026年10月16日，奖金池总额11000美元。

AI模型 BEHAVIOR Challenge 斯坦福机器人

推荐理由：斯坦福的机器人挑战赛又来了，去年最佳方案成功率才12%，说明这事真难。今年任务更多、评测更靠谱，想测测你家机器人的真实水平就参加。

原文

7月3日

04:00

Stanford AI Lab@StanfordAILab

精选

QuasiMoTTo是一种新的推理计算扩展方法，通过相关采样替代独立采样，避免重复发现相同解。该方法样本覆盖率更高，且保持边缘精确的LLM分布。实验显示，在测试时扩展中，仅需25-47%的样本即可达到相同性能；在强化学习训练中，减少50%的步骤。该研究由斯坦福大学团队完成，探索了相关采样器的设计空间。

AI模型 QuasiMoTTo 斯坦福推理计算

推荐理由：发新论文了，斯坦福团队搞的QuasiMoTTo，不用独立采样浪费算力，相关采样省25-47%样本，训练步骤也砍半。做推理扩展的可以看看。

原文

6月30日

22:21

官方账号Clement Delangue@ClementDelangue

斯坦福大学研究显示，71.3% 的ChatGPT查询可由本地模型准确回答。Hugging Face CEO Clement Delangue指出，企业AI工作负载可免费本地运行，避免高昂API成本及模型被收回风险。Hugging Face新增按本地硬件（如M5 24GB）过滤800k+公共模型的功能，支持通过llamacpp轻松使用。

AI产品 Hugging Face ChatGPT 本地模型

推荐理由：你可以根据自己电脑配置在Hugging Face上筛选能跑的模型，省下API钱，还能自己掌控模型，很实用。

原文

6月19日

06:40

Stanford AI Lab@StanfordAILab

精选

斯坦福AI实验室发布M*运行时，用于统一服务多模态模型。相比专业系统，M*在omni TTS任务上提速2.7倍，在world-model rollouts任务上提速12.5倍。它匹配或超越所有专门系统的性能。

AI产品 M*斯坦福多模态

推荐理由：斯坦福新发的M*运行时，一个系统就能搞定各种多模态模型，速度比专业方案快2到12倍，值得做部署的看看。

原文

6月18日

14:16

AI Will@FinanceYF5

斯坦福STORM方法引导用户将复杂问题拆解为多个子角度，而不是一次性提问。Claude通过多轮对话从不同视角逐步深入，例如技术、经济、政策维度。这种方法能提升回答的全面性，避免单点答案。

技巧 Claude STORM 斯坦福

推荐理由：斯坦福的这个STORM提示技巧，让你把Claude用出研究员深度，拆解问题比直接问强多了。

原文

03:57

Stanford AI Lab@StanfordAILab

精选

斯坦福AI实验室提出DeLM（Decentralized Language Models），这是一种无需中央协调器的多Agent协作框架。在SWE-bench Verified基准上，使用Gemini-3 Flash的DeLM实现了约10%的性能提升，同时推理成本降低超过一半。该方法在编程和多文档问答等Agent任务中表现出更高的准确性和经济性。

AI模型 DeLM Gemini-3 Flash SWE-bench

推荐理由：斯坦福搞了个新方法DeLM，不用中央协调器调度Agent，编程和多文档问答更准更便宜，SWE-bench提升10%成本减半，值得试试。

原文

6月16日

02:45

官方账号李开复 Kai-Fu Lee@kaifulee

斯坦福大学DigEconLab主持了一场对话，李开复与机器学习先驱Tom Mitchell分享了他进入AI领域并坚持45年的经历。对话中提到了AI从早期符号主义到现代深度学习的多个发展阶段。李开复回顾了他在卡内基梅隆大学、苹果、微软、谷歌等机构的AI工作经历。Tom Mitchell讨论了机器学习领域的几个关键里程碑，包括决策树、神经网络和强化学习。

行业 Tom Mitchell 李开复 AI历史

推荐理由：想看AI老炮聊45年从业经历？李开复和Tom Mitchell的对话，斯坦福出品，讲真话有干货。

原文

6月12日

12:37

官方账号Black Forest Labs (FLUX)@bfl_ml

精选

Black Forest Labs 创始人 Andi Blatt 在斯坦福 CS153 课程中，与 Anjney Midha 对谈视觉生成模型的演进路径。他回顾了从 GANs 到扩散模型再到 FLUX 的技术跃迁，强调从不可控到一致、可控视觉输出的关键突破。Blatt 还指出“具备行动能力的视觉系统”是下一代 AI 的重要方向，意味着视觉模型不再只是生成图像，而是能理解并驱动交互。这场分享为理解当前视觉 AI 前沿提供了技术脉络和产业视角。

AI模型视觉生成 FLUX 扩散模型

推荐理由：Blatt 把视觉生成从 GANs 到 FLUX 的演进脉络讲透了，做图像生成或视觉 AI 的开发者能从中看到技术拐点，值得花 10 分钟听一下。

原文

6月3日

11:54

向阳乔木@vista8

精选72°

斯坦福大学研究团队发现，当模型规模足够大时，使用未过滤的Common Crawl数据训练效果反而优于经过清洗的数据。在15M小模型上，过滤数据全面领先；但在330M和1B模型上，未过滤数据在充分训练后超越了所有过滤版本。这表明大模型有足够参数空间将噪声与有用信息分离，颠覆了数据清洗越干净越好的传统认知。

论文大模型数据清洗 Common Crawl

推荐理由：这项研究挑战了数据清洗的行业惯例，做大模型训练的团队值得关注——或许可以省下大量清洗成本，直接喂原始数据。

原文

5月30日

04:58

ollama@ollama

OpenJarvis 是一个由斯坦福大学 HazyResearch 和 Scaling Intelligence 实验室开发的本地优先个人AI，现已支持通过 Ollama 运行。该项目属于“Intelligence Per Watt”研究的一部分，旨在探索高效的本地AI方案。OpenJarvis 强调在本地设备上运行，无需依赖云端，从而保护用户隐私并降低延迟。对于关注本地AI部署和隐私保护的开发者来说，这是一个值得尝试的新工具。

AI产品本地AI Ollama 个人助手

推荐理由：斯坦福团队把本地AI的能效研究落地成了可用的个人助手，做边缘计算或隐私敏感应用的开发者可以直接用Ollama跑起来试试。

原文

5月29日

11:06

官方账号arXiv cs.AI@Keshigeyan Chandrasegaran, Kyle Sargent, Suchir Agarwal, Michael Jang, Michael Poli, Juan Carlos Niebles, Justin Johnson, Jiajun Wu, Li Fei-Fei

精选72°

斯坦福大学发布GPIC（Giant Permissive Image Corpus），一个包含约28万亿像素、1亿训练样本的开放许可图像数据集。所有图像均采用宽松许可，可自由用于研究和商业用途，并经过安全过滤和去重处理。数据集托管在Hugging Face上，附带基准测试协议和像素空间流匹配的参考基线。这为视觉生成模型的可扩展研究提供了稳定、大规模且合规的数据基础。

论文视觉生成数据集开放许可

推荐理由：做视觉生成模型训练的研究者终于有了一个大规模、开放许可、可直接商用的数据集，不用再为版权和合规问题头疼。建议做图像生成、扩散模型或流匹配的团队直接下载使用。

原文

5月27日

06:20

DeepLearning.AI@DeepLearningAI

卡内基梅隆大学和斯坦福大学的研究人员发现，当前AI智能体基准测试主要聚焦于软件开发任务，而美国劳动力市场的工作种类更为多样。研究将智能体测试中的任务映射到美国劳工统计局的职业数据，结果显示测试内容与大多数人的实际工作存在显著不匹配。这意味着现有基准可能高估了AI在某些领域的表现，同时低估了其在其他经济价值任务中的潜力。该研究呼吁开发更全面的评估方法，以真实反映AI智能体的经济影响。

论文智能体基准测试劳动力市场

推荐理由：这项研究戳破了AI基准测试的盲区——如果你在评估智能体工具或做AI产品，会发现现有测试可能误导了你的判断，建议点开看看如何修正评估标准。

原文

5月26日

04:52

rohanpaul_ai@rohanpaul_ai

72°

Meta、斯坦福和伊利诺伊大学联合发表了一篇综述论文，核心观点是：当代码成为AI智能体的主要工作层时，智能体表现更优。论文指出，仅靠LLM做文本预测，长任务容易丢失状态、隐藏错误，将计划转化为行动的方式也很脆弱。真正的进步不是“AI写代码”，而是“AI把代码当作它思考的环境”。作者将围绕模型构建的工具、记忆、沙箱、检查和反馈循环称为“智能体马具”，而代码应处于这个马具的中心，因为代码可以被运行、检查、保存、编辑和共享。论文总结了一个跨领域的模式：代码帮助智能体通过可执行步骤推理、通过工具调用或控制程序行动、通过测试、追踪、日志、仓库和模拟器建模环境。

论文智能体代码即环境 Meta

推荐理由：这篇论文为AI智能体架构提供了一个清晰的设计原则——用代码作为核心工作层，做智能体系统或工具链的开发者值得一读，能帮你理解为什么代码比纯文本更适合作为智能体的“思考环境”。

原文

5月22日

14:52

AI Will@FinanceYF5

斯坦福大学CS 153课程系列在YouTube上发布，邀请了Sam Altman、Jensen Huang、Satya Nadella、Andrej Karpathy、Ben Horowitz等AI领域顶级领袖演讲。该系列被认为是当前最佳的AI课程内容，覆盖从技术到产业的多元视角。对于关注AI前沿动态的开发者、研究者和创业者，这是不可错过的学习资源。

AI产品斯坦福 CS 153 AI课程

事件专题

推荐理由：斯坦福CS 153请来了AI界半壁江山做演讲，想听Sam Altman、黄仁勋、Karpathy等人亲自讲AI趋势的，直接去YouTube看就行。

原文

5月17日

23:41

rohanpaul_ai@rohanpaul_ai

精选76°

论文多智能体推理模型斯坦福

推荐理由：这篇论文戳破了多智能体系统“越多越好”的迷思，做AI推理和智能体架构的开发者看完会重新思考设计方向——先试一个强模型，别急着堆智能体。

原文

5月14日

13:37

官方账号Fei-Fei Li@drfeifei

斯坦福大学李飞飞教授在推特上分享，她主讲的计算机视觉课程 CS231n 已进入第 11 年。每年春季学期的第一堂课，她都会询问学生来自哪个学院。今年，越来越多的学生举手表示来自斯坦福全部七个学院，包括工程学院、医学院、人文科学学院、商学院、法学院、教育学院和多尔可持续发展学院。李飞飞认为，AI 真正成为了一项横向技术，能够激发不同背景和学科学生的热情。

行业 AI 教育跨学科斯坦福

推荐理由：李飞飞用 11 年的课堂数据证明了 AI 的跨学科渗透力，做 AI 教育或关注技术普及的读者会从中看到趋势——AI 不再是计算机系的专属，值得一读。

原文