搜索
“99%的企业级 Agent 都只是玩具！”
他们不光能造GPU，还能写出全球顶级的算法！摩尔线程这次开源给国产具身智能递了一把「神兵利器」。
最近,这家由两位丹麦年轻创始人打造的公司宣布完成了 1800 万美元的 A 轮融资,由 Alt Capital 的 Jack Altman 领投。加上此前 320 万美元的种子轮,Parahelp 总共融资超过 2100 万美元。更有意思的是,他们的客户流失率为零。是的,你没看错,零流失率。在 SaaS 领域,这几乎是不可能完成的任务。这让我非常好奇:他们到底做对了什么?
人需要的不是功能，而是情感连接。
在大模型研究领域，做混合专家模型（MoE）的团队很多，但专注机制可解释性（Mechanistic Interpretability）的却寥寥无几 —— 而将二者深度结合，从底层机制理解复杂推理过程的工作，更是凤毛麟角。
多模态大语言模型（MLLMs）在处理来自图像和文本等多种来源的信息时能力强大 。 然而，一个关键挑战随之而来：当这些模态呈现相互冲突的信息时（例如，图像显示一辆蓝色汽车，而文本描述它为红色），MLLM必须解决这种冲突 。模型最终输出与某一模态信息保持一致的行为，称之为“模态跟随”（modality following）
“用户”这个身份从人类转移到了Agent本身。换句话说，现在真正写代码的“程序员”，已经不再是人类，而是AI。
2025年11月4日，一家总部位于英国伦敦的人工智能公司Stability AI，赢得了一项具有里程碑意义的高等法院案件，该案审查了人工智能模型在未经许可的情况下使用大量受版权保护数据的合法性。而本案的原告，Getty Images 在针对人工智能公司 Stability AI 图像生成产品的英国诉讼中基本败诉。
厦门大学和腾讯合作的最新论文《FlashWorld: High-quality 3D Scene Generation within Seconds》获得了海内外的广泛关注，在当日 Huggingface Daily Paper 榜单位列第一，并在 X 上获得 AK、Midjourney 创始人、SuperSplat 创始人等 AI 大佬点赞转发。
对抗样本（adversarial examples）的迁移性（transferability）—— 在某个模型上生成的对抗样本能够同样误导其他未知模型 —— 被认为是威胁现实黑盒深度学习系统安全的核心因素。尽管现有研究已提出复杂多样的迁移攻击方法，却仍缺乏系统且公平的方法对比分析：（1）针对攻击迁移性，未采用公平超参设置的同类攻击对比分析；（2）针对攻击隐蔽性，缺乏多样指标。