大自然的分形之美，蕴藏着宇宙的设计规则。刚刚，何恺明团队祭出「分形生成模型」，首次实现高分辨率逐像素建模，让计算效率飙升4000倍，开辟AI图像生成新范式。
何恺明再次开宗立派！开辟了生成模型的全新范式——
第一个App年入50万，第二个年入500万，第三个月入100万。
当 Scaling Law 在触顶边界徘徊之时，强化学习为构建更强大的大模型开辟出了一条新范式。
Clay 集成了75+ 数据提供商（如 LinkedIn、Clearbit、Salesforce），并内置 AI Agent 进行客户研究、销售数据充实和个性化营销。通过无代码/低代码方式，用户可以拖拽式操作进行数据整合、自动化外联和个性化营销，提高业务增长效率。
一篇题为「New Junior Developers Can’t Actually Code」的博文炸开了锅。资深码农Namanyay对AI工具在软件开发中的广泛应用表达了忧虑——AI正在让新一代开发者跳过基础知识的学习，沦为「复制粘贴（CV）工程师」。这篇文章迅速蹿红，引发了包括马斯克在内的众多业内大佬的热议。
OpenAI与微软的关系出现严重裂痕，主要原因是微软开始开发自己的大型语言模型，并聘请了Mustafa Suleyman，并且OpenAI首次使用非微软的数据中心。
谷歌团队发布LLM硬核技术教科书，从「系统视图」揭秘LLM Scaling的神秘面纱。Jeff Dean强调书中藏着谷歌最强AI模型Gemini训练的更多信息。
近年来， Scaling Up 指导下的 AI 基础模型取得了多项突破。从早期的 AlexNet、BERT 到如今的 GPT-4，模型规模从数百万参数扩展到数千亿参数，显著提升了 AI 的语言理解和生成等能力。然而，随着模型规模的不断扩大，AI 基础模型的发展也面临瓶颈：高质量数据的获取和处理成本越来越高，单纯依靠 Scaling Up 已难以持续推动 AI 基础模型的进步。
众所周知，目前 DeepSeek R1 有一个很大的痛点是不支持 Function Call 的。GitHub 上有许多开发者都表达了这一诉求。
