搜索
今天，飞象老师正式发布3.0版本。这次升级最值得关注的变化，是新增了“教育应用生成”能力。用户只需要在对话框里说清楚自己的需求和想法，几分钟后，就可以得到一个能够直接访问、调用AI、保存数据，并持续修改迭代的教育应用。整个过程中，不需要写代码，也不需要理解数据库、服务器和部署。
Agent-Reach，一句指令就能搞定全平台适配，15个主流平台最新一手资料随便读、随便搜，关键是还免费！该项目在GitHub上狂揽66k Star，热度还在一路暴涨！
本周五，AI 社区热烈讨论的是一个端侧大模型部署技术，它能让笔记本 RTX 4060 跑 Qwen 3.6-35B，桌面 RTX 5090 跑得起 DeepSeek-V4-Flash 284B。而且都是单卡，模型都是满血的。Codex 生产 trace 的中位 decode 速度是 33 token/s
视觉 - 语言 - 动作（VLA）模型已成为端到端自动驾驶的主流技术路线，但基于自回归（AR）解码的现有架构面临双重结构性瓶颈：其一，逐 Token 串行生成导致推理延迟随序列长度线性增长，严重制约实时部署；其二，训练阶段依赖真实前缀的 teacher forcing 机制，使模型在推理时暴露于自身生成的误差之上，引发长时序累积的曝光偏差（exposure bias）。
今日，蚂蚁百灵大模型开源了一款轻量级混合推理MoE模型——Ling-3.0-tiny。该模型总参数量为7.9B，推理时激活参数量为1.3B，主要面向高效本地部署而设计。其同步提供BF16、FP8和INT4三个版本，已在DGX Spark、MacBook、Mac mini等设备上完成验证，兼顾性能、效率与可部署性。
当下计算机视觉长期陷入“一任务一专用模型”内卷： 做深度估计要用DepthAnything，分割依赖SAM，人体姿态单独训练Sapiens，几何重建还得搭VGGT，各类网络骨干、解码器、损失函数完全割裂，研发与部署成本居高不下。
AI替代人的同时，也在创造新工作。FDE（前沿部署工程师），成为今年最火的AI新岗位。这个职位的任务是驻场在客户现场，解决AI落地的问题。那些靠帮企业落地大模型赚钱的公司，已经把它做成了业务标配。
一块 8.24GB 内存的 CPU，一个 2.78 万亿参数的大模型，甚至不需要显卡，Kimi K3 就这么水灵灵地跑起来了。
Glow 是一家由前Meta和Snowflake高管创立的网络安全初创公司，它在结束隐身状态时便已跻身独角兽行列，押注于人工智能正在重塑企业保护员工设备的方式。随着越来越多企业部署AI工具，攻击者也越来越多地利用生成式AI自动化钓鱼攻击、开发恶意软件、发起更复杂的网络攻击，各公司正在重新思考如何保护端点安全，从员工笔记本电脑到服务器及其他联网设备。
她是xAI前推理团队负责人。她研究并发起的开源推理引擎SGLang，已经成为众多大模型部署和推理的重要底层工具，也是目前AI infra领域最具影响力的开源推理框架之一。如今，她从SGLang开源生态中孵化出创业公司RadixArk，希望把只有少数科技巨头才能拥有的前沿AI基础设施，变成整个行业都可以使用的开放技术底座。