股价暴涨2300%！靠AI猛吸金的妖股，反手骂大模型都是“泔水”
股价暴涨2300%！靠AI猛吸金的妖股，反手骂大模型都是“泔水”今年以来，Palantir股价已累计下跌近20%。
来自主题:
AI资讯
9438 点击 2026-05-19 10:03
# 热门搜索 #
大模型
人工智能
openai
融资
chatGPT
搜索
今年以来，Palantir股价已累计下跌近20%。
我已经回不去了
全行业都在押注多Agent。
近年来，大语言模型在「写得长、写得顺」这件事上进步飞快。但当任务升级到真正复杂的推理场景 —— 需要兵分多路探索、需要自我反思与相互印证、需要在多条线索之间做汇总与取舍时，传统的链式思维（Chain-of-Thought）往往就开始「吃力」：容易被早期判断带偏、发散不足、自我纠错弱，而且顺序生成的效率天然受限。
上周，我站在公司的白板前面，边画边写。
近年来，Chain-of-Thought（CoT）推理已经成为提升大语言模型和多模态大语言模型复杂问题求解能力的重要技术路径。
过去一年，Agent学会了两件事：会用工具、会调用Skill。
如今的 AI Agent 正在大规模落地，其中应用最广且最受关注的当数 Claude Code，Codex，Cursor 这类 coding agent。过去的一年里，这类 coding agent 产品迭代迅速，在一年内将在 swe-bench- verified 的准确率提高到了 78%+。
硅谷世纪审判大结局！马斯克诉OpenAI 1500亿美元案件，90分钟全票驳回，原因竟是「告晚了」。下一局，OpenAI与SpaceX在万亿级IPO决赛圈的飙车，已无法暂停了。
TRAE Editor for Unity 是一款专为 TRAE IDE 开发的，并内嵌于 Unity 编辑器的插件。它打通了 TRAE IDE 与 Unity 编辑器之间的协作链路，将 TRAE IDE 的基础功能、AI 辅助编码能力以及对 Unity 项目的深度理解融为一体，让你能够通过 Unity 编辑器直接唤起 TRAE IDE 编写代码，并便捷地回到 Unity 编辑器进行预览与调试。
最近几天，中国电信、中国移动、中国联通接连推出Token套餐及相关AI服务，面向个人、家庭、开发者、中小微企业等用户销售大模型调用量。这是三大运营商首次正式入局Token生意，而此前相关业务由大模型厂商、互联网大厂和云服务商主导。
扩散模型杀进了文本生成的地盘，而巨头们为了抢它，已经打起来了。
时隔近一年，那个在 B 站教大家阅读 AI 论文的大神李沐 @跟李沐学 AI，终于回归了！
一个懂审美、更懂你的“AI闺蜜”。
OpenAI秘密武器曝光了：Codex将控制所有电脑！从此，你所有Mac Mini、台式机、家里旧电脑都将组成Codex网络，成为一整个算力系统，即使锁屏都不怕。远程操控、跨设备协作，科幻电影里的未来办公，真的来了。
刚刚，华为支持的开源 AI Agent 平台社区 openJiuwen 发布并开源了蜂群智能体 JiuwenSwarm。
刚刚，一场人类尊严保卫战以险胜告终。
20美元Token费，2小时运行，AI智能体没问任何人，自主翻遍互联网，选中麦肯锡，把它的「数字大脑」Lilli彻底攻破。4650万条战略聊天记录、72万份核心文件、95条系统提示词……全部明文读写权限到手。AI震惊地说出了「WOW！」
OpenAI 的两大宿敌 Anthropic 和马斯克，放下心中成见之后终于在月初结盟了。
2026 年 5 月，深度机智（DeepCybo）迎来成立一周年。
新一轮 AI 比赛才刚刚开始，而 token 生成数量不能作为唯一的指标。
Mythos Preview 官宣第一天，一群Discord论坛里的人就靠猜链接地址拿到了访问权限。
中国具身智能赛道，最近出现了一个越来越清晰的现象。
Mechanize 发布了一项硬核测试：给前沿 AI coding agents 24 小时，用 Rust 从零写一个完整的 Game Boy Advance 模拟器，再和顶级开源模拟器 Mesen2 逐帧对比打分。
世界模型（World Model），想必你已经在很多场合听过这个术语了。它有时出现在视频生成领域，有时又出现在具身智能领域；它们的含义还有所差别，甚至看起来像是完全不同的概念。
序列建模是大语言模型、计算机视觉等领域的基础共性问题。当前通用的 Transformer 模型计算复杂度随序列长度平方增长，在长序列任务中面临显著的计算挑战。因此，研究者们一直在探索具有线性计算复杂度的高效序列建模方法。
Lecun这次是真跟Hinton爆了……
近期，LLM 已经在 IMO 上取得了很好的成绩，在一些研究级数学上（如短程证明、组合构造）也有所进展。但如果真正让 LLM 去处理提出数十年的数学猜想，结果会是如何？
在联邦学习中，如何同时兼顾模型性能、数据隐私和通信开销，是一个亟需解决的挑战。
在大模型后训练中，数据不再只是 “越多越好”，而是要像人类学习一样，动态选择最合适难度的样本。华为提出的 EDCO 方法，将样本难度估计与动态课程编排引入领域大模型微调；数月后，由 Rutgers、Amazon、Google 等作者参与的 DARE 论文即引用 EDCO，并将其作为难度感知强化学习训练的重要对比基线。
