乐鑫龙虾 ESP-Claw 来了！聊天就能开发智能设备
乐鑫龙虾 ESP-Claw 来了！聊天就能开发智能设备乐鑫信息科技 (688018.SH) 正式推出 ESP-Claw —— 以 Chat Coding（聊天造物）为核心的 AI 智能体框架。它突破了编程边界，让人人都能通过对话定义智能设备。
来自主题: AI技术研报
9856 点击 2026-04-22 10:43
# 热门搜索 #
大模型
人工智能
openai
融资
chatGPT
乐鑫信息科技 (688018.SH) 正式推出 ESP-Claw —— 以 Chat Coding（聊天造物）为核心的 AI 智能体框架。它突破了编程边界，让人人都能通过对话定义智能设备。
神秘模型Elephant的面纱，终于被揭开了。
browser-use 团队最近开源了一个叫 video-use 的 Claude Code 技能。
这个生物医学视觉推理框架，被CVPR 2026接收了！
真的没人管管GitHub刷星吗……
SLAM教父罕见公开点赞！中国队开源的LingBot-Map，仅靠普通摄像头实现万帧流式3D重建，在全网引爆120万人围观。
在 AI 工程界，长文本推理一直是个“富贵病”。
2026年初，当大多数企业还在用数据分析师手动写SQL查表时，OpenAI内部曝光的能自主思考、推理甚至自我进化的数据分析智能体，将数据查询从「天数级」缩短至「分钟级」。
今年4月，具身智能领域发生了一件看起来不大、但意味深长的事。
当前大模型的发展呈现出类似于“军备竞赛”的趋势——模型规模持续攀升，对计算硬件的需求也随之快速增长。
如果把今天最热门的几个方向摆在一起看，你会发现它们其实在卡同一道坎。
近年来，视频多模态大模型（VideoLLM）发展迅猛，在视频描述、视频问答、时序定位等任务上不断刷新性能上限。随着模型能力持续增强，业界也开始思考一个更重要的问题：视频大模型能不能不再只是 “看完一段视频再回答”，而是真正进入实时世界，持续观察、实时理解，并在关键时刻主动给出反馈？
继skill同事之后，有聪明人迁移泛化了一下： 既然可以蒸馏任何人，那为什么不让乔布斯马斯克给我打工呢？
具身机器人在60分钟内，不间断抓取100多个没见过的物体（透明的、金属的、软质的），目前能达到什么水平？
阿里版「电商龙虾」正式打通国际站！Accio Work深度进化，选品、发品、广告、客服等7个岗位的活，现在一个工作台、一句话就能全包。28岁金融男零代码部署8个Agent，竟跑出100%好评。
AI工程范式的迭代速度，正让行业陷入一种“定义赶不上进化”的焦虑。
最近很多朋友都在问我，能不能出一期Claude Code的小白教程。
中国人民大学团队打造的AiScientist，旨在解决长程机器学习研究工程的持续性难题。该系统从论文理解开始，跨越环境配置、代码实现与实验迭代，保持状态连续与决策连贯，显著提升科研效率。其核心在于通过File-as-Bus机制，稳定保存项目状态，使AI能真正接手科研流程，而非仅辅助单个环节。
ATM-Bench 将「个人 AI 助手是否真的记得你」这件事，变成了一个研究的测试基准。结果并不乐观：专用记忆智能体系统普遍低于 20%，而 OpenClaw、Codex、Claude Code 等通用智能体普遍表现不佳，最高准确率不到 40%。
本文主要介绍来自该团队的最新论文：Scalable Object Relation Encoding for Better 3D Spatial Reasoning in Large Language Models。
如今的大多数智能体，仍然活在一种「失忆式工作」模式中：每一次检索都是从零开始，每一条推理路径都无法沉淀，每一次失败也不会转化为经验。它们虽能多轮交互，但很难在深度研究中持续变强。
最近几个月，Vibe Coding（氛围编程）是一大刷屏热词。以 Cursor 和 Claude Code 为代表的一批工具，正在将软件开发效率推向新的高度。
Anthropic 没有公开 Claude Mythos 的架构。但研究社区没有等。
把长上下文做到极致的Kimi又发新成果！
Anthropic 4 月 10 日发布 Claude for Word 公测版，第一批只开给 Team 和 Enterprise 用户
研究者们花了十年去扩展层内的计算能力，却忘了扩展层间的通信能力。
一年前，DeepSeek R1 横空出世，人们才意识到，真正让模型产生推理能力质变的，不必是更大的预训练规模 —— 后训练，用强化学习、过程奖励、闭环反馈，以极低的代价解锁了原本需要数倍算力才能触达的能力边界。
一张图在X上炸了：全球84%的人从未真正用过AI，16%偶尔玩玩免费聊天机器人，0.3%愿意每月付20美元，0.04%用AI写代码，0.01%是凌晨跑模型、买硬件的重度玩家。这不是鸡汤，微软官方数据托底。你天天刷AI资讯，以为全世界都在卷——其实你身处的那个圈子，是全球最顶端的0.01%。
伯克利团队归纳出7种反复出现的模式：智能体和评测程序共享运行环境、标准答案暴露给被测系统、对不可信输入调用eval()、LLM裁判缺乏输入过滤、字符串匹配过于宽松、评分逻辑本身有bug、以及评测程序信任被测系统产生的输出。
对 AI 敌意最重的群体，是那些刚刚踏入社会、或正在寻找起点的职场新人。盖洛普数据显示，在已就业的 Z 世代中，高达 48% 的人认为 AI 在工作场所的风险远大于收益，这一比例在一年内激增了 11 个百分点。认为收益大于风险的仅占 15%。