智能体（Agent）时代，工具已不再只是传统 API 或函数接口的简单封装，而是决定智能体能否高效完成任务的关键。 为了让智能体真正释放潜力，我们需要重新思考工具开发的方式。传统软件开发依赖确定性逻辑，而智能体是非确定性的，它们在相同输入下可能产生不同输出，这意味着为智能体设计工具需要新的范式。
谷歌最新71页论文震惊科研界：AI不止能写代码，还能像科学家一样提出新方法、跑实验，甚至在六大领域全面超越专家！过去要花几个月的探索，如今几小时就能完成，科研节奏
Meta超级智能实验室（MSL）又被送上争议的风口浪尖了。
让智能体组团搞深度研究，效果爆表！
当人们还在惊叹大模型能写代码、能自动化办公时，它们正在悄然踏入一个更敏感、更危险的领域 —— 网络安全。
超长序列推理时的巨大开销如何降低？
在检索增强生成（RAG）飞速发展的当下，研究者们面临的最大困境并非「生成」，而是「稳定」。
LRM通过简单却有效的RLVR范式，培养了强大的CoT推理能力，但伴随而来的冗长的输出内容，不仅显著增加推理开销，还会影响服务的吞吐量，这种消磨用户耐心的现象被称为“过度思考”问题。
幻觉并非什么神秘现象，而是现代语言模型训练和评估方式下必然的统计结果。它是一种无意的、因不确定而产生的错误。根据OpenAI9月4号论文的证明，模型产生幻觉(Hallucination)，是一种系统性缺陷。
唱衰人工智能不会带来更好的明天 —— 构建于人工智能之上的未来世界既非乌托邦，也非反乌托邦，而是充满无限奇幻可能的。
Thinking Machines Lab成立7个月，估值120亿美元，首次公开研究成果：LLM每次回答不一样的真凶——kernel缺乏批处理不变性。Lilian Weng更是爆猛料：首代旗舰叫 Connection Machine，还有更多在路上。
Kimi开源又双叒放大招了！
想象一下，如果 ChatGPT 等 AI 大模型在生成的时候，能把自己不确定的地方都标记出来，你会不会对它们生成的答案放心很多？
大语言模型的局限在哪里？
AI 开发复杂软件的时代即将到来？
单台 8 卡 A800 仅需 8 秒即可生成 5 秒视频。
强化学习之父、2024 年 ACM 图灵奖得主 Richard Sutton 曾指出，人工智能正在迈入「经验时代」—— 在这个时代，真正的智能不再仅仅依赖大量标注数据的监督学习，而是来源于在真实环境中主动探索、不断积累经验的能力。
刚刚，0产出估值就已冲破120亿美元的Thinking Machines，终于发布首篇研究博客。
我们今天正式开源 jina-code-embeddings，一套全新的代码向量模型。包含 0.5B 和 1.5B 两种参数规模，并同步推出了 1-4 bit 的 GGUF 量化版本，方便在各类端侧硬件上部署。
作为一名有着8年全栈开发经验的技术人员，我最近接手了一个具有挑战性的项目：为某中型服装电商平台开发一套智能商品推荐系统。该系统需要在2个月内完成，包含以下核心功能：
大模型在科研领域越来越高效了。
国产自研开源模型，让模型不用在快思考和慢思考间二选一了！
GPT-5真不愧是博士水平的AI！
打开手机，让 AI Agent 自动帮你完成订外卖、订酒店、网上购物的琐碎任务，这正成为智能手机交互的新范式。
数据智能体到底好不好用？测评一下就知道了！
在具身智能中，策略学习通常需要依赖场景表征（scene representation）。然而，大多数现有多任务操作方法中的表征提取过程都是任务无关的（task-agnostic）：
机器具备意识吗？本文对AI意识（AI consciousness）进行了考察，特别是深入探讨了大语言模型作为高级计算模型实例是否具备意识，以及AI意识的必要和充分条件。
苦等多年，Excel终于长大了！全新COPILOT函数神器，直接把AI塞进了表格，不论是整理数据、头脑风暴，还是分类反馈，通通一键搞定，打工人效率直接原地起飞。
一群机械臂手忙脚乱地自己干活，彼此配合、互不碰撞。
在现代科学中，几乎所有领域都依赖软件来进行计算实验。但开发这些专用的科学软件是一个非常缓慢、乏味且困难的过程，开发和测试一个新想法（一次“试错”）需要编写复杂的软件，这个过程可能耗费数周、数月甚至数年。
