搜索
今天，由李飞飞联合创立的空间智能公司 World Labs 在同一天发布了三篇技术论文！三篇论文分别由公司内部实习生主导完成，研究方向各异，但共享同一个核心命题：借助已在海量图片数据上训练成熟的 2D 生成模型，降低 3D 内容生成的难度门槛。
主打高端直播 / 会议高清摄像头的Opal Camera在卖了超 5 万台设备后2025 年正式更名 Opal Electronics（以下简称Opal ），转型全品类 AI 消费硬件。随后OpenAI 领投4000 万美元，投资方含三星、Peter Thiel 基金、MKBHD（知名数码博主），投后估值2.75 亿美元。
刚刚，UC伯克利放出了一场号称“智能体最后的考试”的全新基准测试。它把当今最强的AI Agent们拉到考场上，让它们干真正的活——在Siemens NX里建3D模型、在Unreal Engine里搭游戏场景、在Adobe After Effects里做特效合成。
AI 的能力边界正在不断被刷新。从数学推理到代码生成，再到数字化白领，语言模型和语言智能体在诸多基准测试中已展现出超越人类专家的表现。一个看似顺理成章的判断早已成为共识：语言模型已经具备了扎实的语言理解和语义推理能力。然而，ACL 2026 Oral 的一项研究工作从一个更基础的层面重新审视了这个问题：语言模型真的理解（短语）语义吗？
在图像到图像翻译（Image-to-Image Translation, I2I）这个任务上，扩散模型过去几年几乎形成了一套默认逻辑：先把输入图像和噪声混合，再一步步去噪，把目标图像 “还原” 出来。
具身智能现在面临的问题，和自动驾驶几年前的困境非常相似。
推荐系统的过去十年，本质是把 "用户 - 物料" 的统计共现挖到极致 —— 从协同过滤、深度模型，到生成式 OneRec 系列，每一代都在让 "记忆" 更精细、参数更大、序列更长，也让 Scaling 这件事在工业级推荐系统上跑通，持续释放算力红利。
Transformer 依托强大的建模能力和 Scaling 效率在推荐领域被广泛应用于超长序列建模和生成式推荐等方向，
HALOFLY是一款面向企业家、投资人等高价值创造人群的“AI合伙人”。产品采用“一脑多身”的本地优先（Local-First）架构，以语音作为核心交互入口，通过长期协作与偏好学习，帮助用户沉淀个人认知资产，完成跨设备、跨应用的信息处理与任务协同，逐渐形成“共思共行”的默契。
一个约 1B 参数的模型，在 MATH 上拿到 56.2，在 GSM8K 上拿到 84.5，在 ARC-Challenge 上拿到 81.9。训练成本约 1500 美元，16 块 H100 跑了不到两天。