搜索
5 月 19 日，Andrej Karpathy 在 X 上宣布加入 Anthropic。个人近况：我已加入 Anthropic。我认为未来几年在 LLMs 前沿的工作将具有特别重要的塑造性。我非常激动能加入这里的团队并重回研发。我仍然对教育充满热情，并计划适时恢复我在这方面的工作
过去一段时间，很多人对大模型都有一个明显感受：token 总是不够用。
Lecun这次是真跟Hinton爆了……
近期，LLM 已经在 IMO 上取得了很好的成绩，在一些研究级数学上（如短程证明、组合构造）也有所进展。但如果真正让 LLM 去处理提出数十年的数学猜想，结果会是如何？
虾在前，马当道，居然还有新物种能在Agent赛道突出重围。OpenHuman连续霸榜GitHub Trending第一，狂揽9k+ Star，一天就涨千星。和虾马不一样，Human不用你花心思养，还能反过来主动了解你。
为了解决这一问题，来自中山大学和美团的研究团队提出了 X2SAM，一个统一的图像与视频分割多模态大模型框架。它希望让模型不仅能「看懂」图像和视频，还能进一步「指出」目标在每个像素上的准确位置。
当训练数据枯竭、训练成本飙升，大语言模型（LLM）训练之路该何去何从？
在多模态大模型（MLLM）快速发展的浪潮中，融合多模型 “集体智慧” 已成为提升模型性能的关键路径，并催生了多教师知识蒸馏这一主流范式。然而，不同来源的教师模型在架构与优化上的差异，其在相似推理过程中呈现出不稳定甚至偏移的认知轨迹，即 “概念漂移”（Concept Drift）。
随着大模型参数规模持续扩大，推理成本已经成为生产级 LLM 服务的核心瓶颈。投机解码（Speculative Decoding, SD）通过「小模型 draft + 大模型 verify」的方式，将多个候选 token 放到一次目标模型前向中并行验证，从而缓解自回归解码的串行瓶颈。
“LLM 就是一条死路。”