今天上午，上海创智学院 OpenMOSS 团队联合初创公司模思智能（MOSI），正式发布了端到端音视频生成模型 —— MOVA（MOSS-Video-and-Audio）。
我有个观察：善用 Coding Agent 的人有个共同点——他们擅长定义问题、拆解问题、验收结果。这类人通常有技术管理经验。
为什么让多模态大模型“一步一步思考”（”Let’s think step by step”）来回答视频问题，效果有时甚至还不如让它“直接回答”？
哈喽，大家好，我是刘小排。 最近我见到人就推荐Clawdbot。
五个真实物理任务实测，PhysMaster 可推导、写码、数值验证。
最近Clawdbot（现：Moltbot）全网爆火。它能接管你的社交媒体，能发帖、能监听、能回复、能长期驻场。不是一次性回答，而是持续存在。
扩散语言模型（Diffusion LLMs, dLLMs）因支持「任意顺序生成」和并行解码而备受瞩目。直觉上，打破传统自回归（AR）「从左到右」的束缚，理应赋予模型更广阔的解空间，从而在数学、代码等复杂任务上解锁更强的推理潜力。
美国机器人界掌管demo的神，Figure，冷不丁又出一拳！
一个开源AI，能记住你几个月前的决定、在本地替你跑活、还不受大厂控制：Clawdbot到底是个人助理，还是下一代「赛博打工人」？
为什么在LLM推理能力大幅跃升的2026，我们依然只有AI Copilot而没有AI Teammate？尽管AI编程工具遍地开花，但不管是Claude Code还是Codex，本质上仍是“单Agent开发”或“主从控制”架构。而“AI结对编程”迟迟无法落地？
最近，在GitHub上发现一个宝藏项目Project_Golem 。
如果你关注前端或 AI 圈，这几天一定被 Vercel 最新开源的 json-render 刷屏了。
AI 智能体是人工智能领域的重要研究方向之一。近期，字节跳动的李航博士在我国计算机科学领域顶级期刊 Journal of Computer Science and Technology（JCST）上发表了一篇题为《General Framework of AI Agents》的观点论文（将收录于 JCST 创刊 40 周年专辑），提出了一个涵盖软件智能体和硬件智能体的通用框架。
这几天，相信大家肯定都被一个产品名给刷屏了。
单目 3D 语义场景补全 (Semantic Scene Completion, SSC) 是具身智能与自动驾驶领域的一项核心技术，其目标是仅通过单幅图像预测出场景的密集几何结构与语义标签。
在技术如火如荼发展的当下，业界常常在思考一个问题：如何利用 AI 发现科学问题的新最优解？
在 AI 浪潮席卷全球的今天，大模型在写诗、作画、敲代码上已经展现出惊人的天赋。然而，在面对严谨、硬核的物质科学（物理、化学、材料）时，却常常表现得像个“偏科生”：它们能侃侃而谈化学理论，却在最基础的分子式、晶体结构书写和反应推理上频繁出现不稳定输出：说的像那么回事，写出来却漏洞百出。
从3000小时到整整20000小时。
哈喽，大家好，我是刘小排。 昨天和几位创业的朋友吃饭，席间讨论了一个问题：“在Claude Code中，最好的浏览器自动化方案是什么？”
什么样的思维链，能「教会」学生更好地推理？
我们都在System Prompt里写过无数次 You are a helpful assistant，但你是否想过：这行文字在模型的残差流（Residual Stream）中究竟对应着怎样的几何结构？
过去几年，机制可解释性（Mechanistic Interpretability）让研究者得以在 Transformer 这一 “黑盒” 里追踪信息如何流动、表征如何形成：从单个神经元到注意力头，再到跨层电路。但在很多场景里，研究者真正关心的不只是 “模型为什么这么答”，还包括 “能不能更稳、更准、更省，更安全”。
过去一年，几乎所有 AI 产品都在谈一个词：记忆。
DeepSeek开源DeepSeek-OCR2，引入了全新的DeepEncoder V2视觉编码器。该架构打破了传统模型按固定顺序（从左上到右下）扫描图像的限制，转而模仿人类视觉的「因果流（Causal Flow）」逻辑。
天下苦机器人看不清透明和反光物体久矣。
随着大模型能力的跃迁，业界关注点正在从 “模型能不能做” 快速转向 “智能体能不能落地”。过去一年可以看到大量工作在提升智能体的有效性（effectiveness）：如何让它更聪明、更稳、更会用工具、更能完成复杂任务。
Attention真的可靠吗？
在 LLM 时代，思维链（ CoT）已成为解锁模型复杂推理能力的关键钥匙。然而，CoT 的冗长问题一直困扰着研究者——中间推理步骤和解码操作带来了巨大的计算开销和显存占用，严重制约了模型的推理效率。
大模型持续学习，又有新进展！
这一框架可用于集成额外文本、语音和视觉等多种模态。
