近年来，大型语言模型的参数规模屡创新高，随之而来的推理开销也呈指数级增长。如何降低超大模型的推理成本，成为业界关注的焦点之一。Mixture-of-Experts (MoE，混合专家) 架构通过引入大量 “专家” 子模型，让每个输入仅激活少数专家，从而在参数规模激增的同时避免推理计算量同比增长。
David Fajgenbaum，这位多次被命运击倒却又以勇气与智慧改写人生的医生，用科学、信念与不屈，将自己的奇迹求生化为拯救他人的毕生使命。他创立的Every Cure，借助AI在7500万种药物与疾病的可能组合中挖掘生命曙光，让无数罕见病与绝症患者重燃希望。
国际奥赛又一块金牌，被AI夺下了！在国际天文与天体物理奥赛（IOAA）中，GPT-5和Gemini 2.5 Pro完胜人类选手，在理论和数据分析测试中，拿下了最高分。在理论考试上，Gemini 2.5 Pro总体得分85.6%，GPT-5总体得分84.2%；
传统DFT计算太慢？SurFF来了！这个基础模型通过晶面生成、快速弛豫和Wulff构型，精准评估晶面可合成性与暴露度。SurFF相较于DFT实现了10⁵倍的加速，多源实验与文献验证一致率达73.1%。
来扒一扒OpenAI算力支出的天价账单——据Epoch AI统计的数据显示，去年OpenAI在计算资源上支出了70亿美元。由于公司当时还没有大量的算力，所以这笔天价账单基本都是以向微软租用云算力的形式支付出去的，并不包括对数据中心的前期投入。
开源编程模型王座，再度易主！来自快手的KAT-Dev-72B-Exp，在SWE-Bench认证榜单以74.6%的成绩夺得开源模型第一。KAT-Dev-72B-Exp是KAT-Coder模型的实验性强化学习版本。
「AI教父」Hinton毕生致力于让机器像大脑般学习，如今却恐惧其后果：AI不朽的身体、超凡的说服力，可能让它假装愚笨以求生存。人类对「心智」的自大误解，预示着即将到来的智能革命。
为了争夺有限的GPU，OpenAI内部一度打得不可开交。2024年总算力投入70亿美元，但算力需求依旧是无底洞。恰恰，微软发布了全球首台GB300超算，专供OpenAI让万亿LLM数天训完。
1.3千万亿，一个令人咂舌的数字。这就是谷歌每月处理的Tokens用量。据谷歌“宣传委员”Logan Kilpatrick透露，这一数据来自谷歌对旗下各平台的内部统计。那么在中文世界里，1.3千万亿Tokens约2.17千万亿汉字。换算成对话量，一本《红楼梦》的字数在70-80万左右，相当于一个月内所有人和谷歌AI聊了近30亿本《红楼梦》的内容。
来自加拿大蒙特利尔三星先进技术研究所（SAIT）的高级 AI 研究员 Alexia Jolicoeur-Martineau 介绍了微型递归模型（TRM）。这个 TRM 有多离谱呢？一个仅包含 700 万个参数（比 HRM 还要小 4 倍）的网络，在某些最困难的推理基准测试中，
