正好上周（10月27日），MiniMax 公司发布了[2] M2 模型，代表了国产大模型的最新水平。我就想，可以测测它的实战效果，跟智谱公司的 GLM 4.6 和 Anthropic 公司的 Claude Sonnet 4.5 对比一下。毕竟它们都属于目前最先进的编程大模型，跟我们开发者切身相关。
著名数学家陶哲轩发论文了，除了陶大神，论文作者还包括 Google DeepMind 高级研究工程师 BOGDAN GEORGIEV 等人。论文展示了 AlphaEvolve 如何作为一种工具，自主发现新的数学构造，并推动人们对长期未解数学难题的理解。AlphaEvolve 是谷歌在今年 5 月发布的一项研究，一个由 LLMs 驱动的革命性进化编码智能体。
两人小团队，仅用两周就复刻了之前被硅谷夸疯的DeepSeek-OCR？？ 复刻版名叫DeepOCR，还原了原版低token高压缩的核心优势，还在关键任务上追上了原版的表现。完全开源，而且无需依赖大规模的算力集群，在两张H200上就能完成训练。
Kuyda 和她的团队开始痴迷于一个比喻：当前的聊天机器人相当于 AI 界面的 MS-DOS 时代，而将会出现某种类似 Windows 或 MacOS 的时刻。Wabi不是另一个代码生成工具，也不是开发者的辅助工具，而是一个真正面向大众市场的消费产品，专为非技术人员设计。
杨红霞，是中国大模型领域一个无法绕开的名字。人们从 M6 模型（阿里达摩院发布的万亿参数 AI 大模型）开始熟知她，而她又在最近走出创业隐匿模式，正式向世界宣告自己已经是一名创业者，并希望能够做出下一
过去两年，AI靠模仿人类席卷世界。但强化学习之父Richard Sutton却说：「GenAI的时代正在结束。」他带着图灵奖的荣光，加入一家几乎没人听过的公司——ExperienceFlow.AI，他要让AI不靠人类数据喂养，而靠「经验」觉醒。
近日，专注于研发物质世界基座模型的公司超越对称（上海）技术有限公司（超对称）发布了新版基座模型 BigBang-Proton，成功实现多个真实世界的专业学科问题与 LLM 的统一预训练和推理，挑战了 Sam Altman 和主流的 AGI 技术路线。
伊利诺伊大学厄巴纳 - 香槟分校（UIUC）等团队近日发布论文，系统性剖析了 LLM 智能体失败的机制，并提出了可自我修复的创新框架 ——AgentDebug。该研究认为，AI 智能体应成为自身的观察者和调试者，不仅仅是被动的任务执行者，为未来大规模智能体的可靠运行和自动进化提供了理论与实践工具。
我其实有一个一直非常感兴趣的话题。 就是，黑产是怎么借助AI，来武装自己的。 在我们这个时代，我们几乎都能清楚的看到，AI技术对于社会的利，对于所有人的进步，也几乎不会再有人怀疑，AI到底是不是未来了
目前，最先进的对齐方法是使用知识蒸馏（Knowledge Distillation, KD）在所有 token 上最小化 KL 散度。然而，最小化全局 KL 散度并不意味着 token 的接受率最大化。由于小模型容量受限，草稿模型往往难以完整吸收目标模型的知识，导致直接使用蒸馏方法的性能提升受限。在极限场景下，草稿模型和目标模型的巨大尺寸差异甚至可能导致训练不收敛。
