搜索
近日，津渡生科（由4个牛津大学归国学霸创办）自主研发的生命科学垂类GeneLLM多组学大模型，接连登上国际顶级学术期刊——《Nature Communications》与《Advanced Science》。
7 月初的时候，我照着 Karpathy 那套 LLM Wiki（简单说就是让 AI 帮你把资料编译成一个能长大的百科）搭了个本地知识库。
近年来，视觉 — 语言 — 动作模型（Vision-Language-Action Model，VLA）正逐渐成为通用机器人控制的重要技术路线，但当这些模型真正进入高频闭环执行时，一个矛盾越来越突出：模型越来越大、语义能力越来越强，动作更新却未必足够快。
谷歌：在LLM圈里我唯唯诺诺，在机器人圈里我直接大打出手！
近日，米哈游创始人蔡浩宇久违地更新了自己的个人领英，新增了一条独立大模型+智能体开发者（Independent LLM+Agent Developer）的职业经历，时间从2026年7月开始，在新加坡混合办公。
随着网络系统研究复杂度的提升，研究结果复现通常需要研究人员依据论文描述重新实现完整系统。
SFT是LLM从“通才”变成“专才”的关键步骤。业界默认做法是：准备标注数据（QA对、指令-回复对等）在基座模型上跑SFT训练。看loss曲线收敛了→认为训练完成。但问题在于：loss是全局平均，掩盖了样本间的差异。loss收敛只代表“大部分样本学会了”——那些始终学不会的样本被淹没了。
BigMac 是原生多模场景下的流水并行训练新范式。它针对多模态大模型训练中计算效率与显存占用难以兼顾的问题，提出了依赖安全的嵌套流水线：以成熟的 LLM 流水线为主干，在不打乱 LLM 执行顺序的前提下，有序嵌入编码器和生成器计算，从而在不增加 LLM 流水线空泡、保持激活显存有界的同时，高效实现多模态流水训练。
就在最近，英伟达亲自下场，发布了一篇名为《AI Model Co-Design: Hardware-Friendly LLM Design》的技术博客。整篇文章洋洋洒洒，其实就想点醒行业一件事：别光顾着堆算力了，来看看你们是怎么把顶级显卡逼成“磨洋工”的吧。
作为WAIC 2026最受关注的论坛，由商汤科技承办的“基座大模型架构创新与生态合作论坛”吸引了无数AI研究者、产业专家和投资机构的目光。因它直面了当前大模型行业最核心的焦虑：当Scaling Law在逼近物理极限，多模态究竟是破局的“解药”，还是新瓶装旧酒的延伸？