WorkBuddy日活破千万了,KroWork还在角落里吃灰,快手这张牌到底怎么打
WorkBuddy日活破千万了,KroWork还在角落里吃灰,快手这张牌到底怎么打4月30号,快手Krow团队推出了一款桌面端AI智能体KroWork,在这里你不用写一行代码,对着它说一句话,它就能自己写代码、调试、部署,最后交付一个能直接在桌面运行的应用。
搜索
4月30号,快手Krow团队推出了一款桌面端AI智能体KroWork,在这里你不用写一行代码,对着它说一句话,它就能自己写代码、调试、部署,最后交付一个能直接在桌面运行的应用。
把一个Bug交给Claude Code或Codex,十几分钟后它回了一句“Done”和一大片Diff。过程中它读错了什么、为什么反复改同一个文件、最后有没有重新跑测试......开发者想知道就只能去几百行日志里碰运气。7月11日,一个名叫Mindwalk的开源项目发布了v0.1.0。
2026年,视频生成赛道正在经历一场从“离线生成”到“实时交互”的范式转移。7月3日全球数字经济大会上——生数科技创始人朱军正式发布Vidu S1实时交互模型,让AI从“视频生成”正式迈入“实时交互”的新阶段。
AI基础设施的核心任务,已经从支撑大模型推理,转向支撑海量智能体的规模化运行与高质量Token的持续生产。
Lyzr 的为其 Agent B 轮融资开展外联活动。该轮融资据公司称有望筹集 1 亿美元,估值约为 5 亿美元。Agent 回应了来自 130 多位投资者的查询,并协助起草了数十份投资备忘录。最终,这家获得 Accenture 支持的公司吸引了来自硅谷基金、中东风投公司和金融行业投资者共计 4 亿美元的兴趣。
CB Insights 上个月公布了 2026 年 AI 100。简单来说,就是从全球 AI 初创公司里,挑出 100 家它认为最值得关注的企业。CB Insights 的筛选范围超过 4 万家公司,不只看融资,还会综合交易活动、投资机构、团队招聘、行业合作和实际商业进展等数据。
一家推翻传统网络架构的清华系创业公司,联合智谱、清华大学推出了全新的网络架构ZCube,能提升推理算力集群15%的Token产量,还能砍下约33%的网络硬件成本。近日,驭驯网络已完成智谱独家领投的数千万元融资,源合资本担任长期财务顾问。
过去十几年,程序员面试早就形成了一套成熟的应试套路。背题、刷题、共享面经,一条龙服务,从几块钱的 PDF 到十几万的“包过内推”,每一个价位都有对应的产品。只要你花够时间准备,进大厂的概率不低。
米哈游吊了人们一年的AI陪伴产品《BSide:Olivia Lin》(以下简称《林离》)在今天悄悄开放了抢先体验。这款产品的主角就叫林离,在前几日的BW展会上,米哈游还带着她来到了现场。不过当时现场的互动内容只有简单地写信与回信,我们还是不清楚具体到了桌面之后,她会是什么样子的。
就在今天,阶跃星辰在发布会上一口气抛出三样东西——全球首个大模型原生AI终端品牌STEPX;全球首个智能体原生操作系统Step AOS;全球首款大模型原生智能体手机STEPX Neo。
本期Product Hunt周榜Top 1出自中国团队,AnySearch——一款AI搜索产品。过去一年,PH榜一的位置被Agent、AI IDE、大模型轮番占据,几乎没见过搜索类产品的影子。就是因为在全球开发者眼里,普通AI搜索已经很难突围了。
近日,有外媒报道称,自 2022 年成立以来一直专注于编程工具的 Cursor,正在开发一款名为 Sand 的通用型 AI 智能体,希望在更广泛的生产力场景中,与 Anthropic 的 Claude 和 OpenAI 的 ChatGPT 展开正面竞争。
这家名为 PrismML 的初创公司表示,已将 Qwen 3.6 缩减至可在 iPhone 17 Pro 上运行,该模型拥有 270 亿参数(参数大致类似于大脑中的突触,能够帮助决定模型可处理数据的复杂性)。相比之下,大多数在手机上运行的模型一次仅有几十亿个参数处于活动状态。
图片来源:Unsplash 在 ChatGPT 的发布将生成式人工智能带入主流市场三年多之后,OpenAI 正将其关注点从个人用户扩展到家庭。 OpenAI 正在旧金山招聘一名专职产品经理,负责在其产
刚刚,Agnes 升级了!
OpenAI高管亲自下场,教开发者5分钟极速「策反」Claude Code,这波贴脸开大太狠了。
最近刷小红书,总能刷到 ChatCut。
AI 生图最难的地方,早就从「生成一张好看的图」变成了「把那张差一点的图改对」。
这一天天的,OpenAI的安全负责人怎么接二连三地跑路啊…
试图把医疗级脑刺激技术装进日常耳机。
外界不只有 Meta 一家公司表达过收购兴趣。
7 月 7 日这一天,有两条关于中国 AI 公司自研芯片的消息成为热点新闻。
不教AI认手,而是从视频世界模型里直接「读」出双手:三大基准SOTA,让百万小时野生视频第一次能变成机器人的操作教材。
机器人正在进厂打工……
“这个问题不用解决,你也可以拿到非常好的offer!”
一个AI工具挖出了藏在Linux里15年的致命漏洞,另一个AI却因为一个被录错的数字,让四辆警车把无辜记者当成盗车贼围了起来。
奖励模型(Reward Model, RM)是大语言模型对齐的核心组件,负责为模型输出提供符合人类偏好的评价信号。现有方法各有短板:标量判别式 RM 高效稳定但可解释性有限;生成式 judge 能给出判断理由,却需为每个样本生成长 reasoning,token 与延迟开销显著。
近期,围绕「世界模型」的讨论持续升温。机器人、自动驾驶、视频生成、具身智能等多个方向都在频繁使用这一概念,相关系统不断出现,演示形式日益丰富,评价指标也越来越多。伴随这一趋势,一个基础问题变得格外重要:当一个模型被称为「世界模型」时,人们究竟在评价什么?
在过去二三十年的互联网发展中,个性化推荐几乎一直是平台的核心能力之一。打开视频 app,平台决定你接下来会刷到什么视频;打开购物软件,平台预测你可能会购买什么商品;打开短视频 app,平台根据你的浏览、点赞、停留和互动,不断优化信息流。某种意义上,现代互联网的用户体验本身就是由推荐系统塑造的。
人类可以在一生中持续学习新知识,而不会轻易遗忘已有技能。然而对 AI 模型而言,这恰恰是一道极具挑战性的难题:每当模型学习新任务时,参数更新往往会覆盖历史知识,产生经典的 “灾难性遗忘” 难题。持续学习(Continual Learning)正是为突破这一瓶颈而生的研究方向。