最近半年，我阅读了业界关于 AI Agent 的工程实践：Anthropic 的 Context Engineering 论文、Manus 的工程分享、Cline 的 Memory Bank 设计等。同时自己也一直在做跟 AI Agent 相关的项目，如：Jta[1]（开源的翻译 Agent，基于 Agentic Workflow）。
2025年前盛行的闭源+重资本范式正被DeepSeek-R1与月之暗面Kimi K2 Thinking改写，二者以数百万美元成本、开源权重，凭MoE与MuonClip等优化，在SWE-Bench与BrowseComp等基准追平或超越GPT-5，并以更低API价格与本地部署撬动市场预期，促使行业从砸钱堆料转向以架构创新与稳定训练为核心的高效路线。
这年头，AI 创造的视觉世界真是炫酷至极。但真要跟细节较真儿，这些大模型的「眼力见儿」可就让人难绷了。
在 AI 多模态的发展历程中，OpenAI 的 CLIP 让机器第一次具备了“看懂”图像与文字的能力，为跨模态学习奠定了基础。如今，来自 360 人工智能研究院冷大炜团队的 FG-CLIP 2 正式发布并开源，在中英文双语任务上全面超越 MetaCLIP 2 与 SigLIP 2，并通过新的细粒度对齐范式，补足了第一代模型在细节理解上的不足。
统一多模态模型要求视觉表征必须兼顾语义（理解）和细节（生成 / 编辑）。早期 VAE 因语义不足而理解受限。近期基于 CLIP 的统一编码器，面临理解与重建的权衡：直接量化 CLIP 特征会损害理解性能；而为冻结的 CLIP 训练解码器，又因特征细节缺失而无法精确重建。例如，RAE 使用冻结的 DINOv2 重建，PSNR 仅 19.23。
多模态图片检索是计算机视觉和多模态机器学习领域很重要的一个任务。现在大家做多模态图片检索一般会用 CLIP/SigLIP 这种视觉语言大模型，因为他们经过了大规模的预训练，所以 zero-shot 的能力比较强。
昨天在 Copilot 秋季发布会上，微软正式推出了 Mico——一个全新的 Copilot 虚拟角色，它被视为 AI 时代的 Clippy。 这不仅是 Copilot 的一次大整容，也像是在说微软，要继续押注我们需要一个 AI 伴侣，希望 AI 成为一种社交体验。
Claude Code没法用了后，国内大厂纷纷推出国产平替。最近，阿里心流研究团队就悄咪咪地发布了一款终端AI智能体——iFlow CLI，号称是Claude Code最强平替！iFlow CLI可以使用自然语言命令行的形式直接在终端运行，最重要的一点是，专为国内开发者设计，面向个人用户永久免费，没有限流！
结合现在已经非常成熟 CLI、IDE 工具等的辅助，采用编码智能体进行开发工作已经成为了一种常态，甚至成为了一种新的生活方式。不仅仅是程序员，产品类、设计类岗位的从业人员都已广泛采用 AI 编码智能体辅助工作，AI 生成的代码比例越来越高。
基于多模态大模型语义理解能力的统一多模态嵌入模型UniME-V2。该方法首先通过全局检索构建潜在困难负例集，随后创新性地引入“MLLM-as-a-Judge”机制：利用MLLM对查询-候选对进行语义对齐评估，生成软语义匹配分数。
