Notion 应该是传统互联网工具产品 AI 转型最成功的一个。昨晚，他们更新了 Notion 3.0，现在的 Notion 可以看作一个你有所有上下文的通用 Agent 产品，而且你可以在这里用所有顶尖模型完成任务。
上下文学习”（In-Context Learning，ICL），是大模型不需要微调（fine-tuning），仅通过分析在提示词中给出的几个范例，就能解决当前任务的能力。您可能已经对这个场景再熟悉不过了：您在提示词里扔进去几个例子，然后，哇！大模型似乎瞬间就学会了一项新技能，表现得像个天才。
这项名为 MachineLearningLM 的新研究突破了这一瓶颈。该研究提出了一种轻量且可移植的「继续预训练」框架，无需下游微调即可直接通过上下文学习上千条示例，在金融、健康、生物信息、物理等等多个领域的二分类 / 多分类任务中的准确率显著超越基准模型（Qwen-2.5-7B-Instruct）以及最新发布的 GPT-5-mini。
EverWorker的主打产品Everflow是一款致力于优化全球用工管理的数字化平台。该平台搭载先进的上下文学习与矢量记忆系统，可吸收 PDF、截图、链接、聊天记录等内容，理解你的业务流程、语言习惯与组织文化。AI Worker能在执行任务前全面理解背景，确保每一次回应都高度贴合业务需求，就像你团队中的一员。
昨天，英伟达重磅发布了专为海量上下文AI打造的CUDA GPU——Rubin CPX，将大模型一次性推理带入「百万Token时代」。NVIDIA创始人兼CEO黄仁勋表示，Vera Rubin平台将再次推动AI计算的前沿，不仅带来下一代Rubin GPU，也将开创一个CPX的全新处理器类别。
老黄对token密集型任务下手了。
AI 编程工具的竞争已经进入深水区：不仅各家产品在补全速度、上下文感知、智能体协作上不断拉锯，在背后的模型层面，博弈同样激烈，甚至出现了全球范围的“准入门槛”和“封锁线”。这意味着工具之争早已不是单纯的产品对比，而是与模型生态、合规和市场战略深度绑定。
在大模型的竞赛中，参数规模往往被视为性能的决定性因素。但近期，Liquid AI 的研究团队提出了一个不同寻常的案例：一个仅有 3.5 亿参数的模型，经过微调后，竟能在中短上下文的实时日语英语翻译任务上，与 GPT-4o 竞争。
SpikingBrain借鉴大脑信息处理机制，具有线性/近线性复杂度，在超长序列上具有显著速度优势，在GPU上1M长度下TTFT 速度相比主流大模型提升26.5x， 4M长度下保守估计速度提升超过100x；
经历了前段时间的鸡飞狗跳，扎克伯格的投资似乎终于初见成效。
