“在百川智能的那段时间，我和同事们始终处在一种很亢奋的状态。尽管我们常常工作到深夜，甚至一两点钟才下班，但内心非常地充实和开心。”如今回忆起那段经历时，前百川工具链负责人徐文健的眼中依然有光。
这篇文章，我会从几个真实的案例出发，深度拆解一下星流这款产品，以及聊聊：为什么我认为「可控」才是真正的生产力？星流到底如何做到「可控」？以及，「可控性」为什么会是下一阶段 AIGC 的竞争关键?
近年来，基于智能体的强化学习（Agent + RL）与智能体优化（Agent Optimization）在学术界引发了广泛关注。然而，实现具备工具调用能力的端到端智能体训练，首要瓶颈在于高质量任务数据的极度稀缺。
7月3日消息，在近期AMD Advancing AI 2025 大会上，吴恩达与苏姿丰就 AI 的普及、开放生态和硬件基础设施展开交流。两人强调，多层技术栈、快速原型和AI助编工具能大幅提升开发效率。
随着 AI Agent 技术的快速发展，业界许多企业开始在 Agent 方向进行深层次探索，而不仅仅是停留在“大模型 + 工具调用”的简单应用上。
虽然旋转位置编码（RoPE）及其变体因其长上下文处理能力而被广泛采用，但将一维 RoPE 扩展到具有复杂时空结构的视频领域仍然是一个悬而未决的挑战。
最近网上出现了一些很有趣的声音——"提示词已死"、"写提示词把自己写死了"，这些文章认为随着模型变得越来越智能，精心设计提示词的时代已经过去了。但芝加哥大学的最新研究却给出了完全相反的结论：prompt不仅没有死，反而是理解大模型最重要的科学工具。
在 AI 工具风靡开发圈之前，一批经验丰富的资深程序员，对它们始终保持警惕。这些人，包括 Flask 作者 Armin Ronacher（17 年开发经验）、PSPDFKit 创始人 Peter Steinberger（17 年 iOS 和 macOS 开发经验），以及 Django 联合作者 Simon Willison（25 年编程经验）。然而，就在今年，他们的看法都发生了根本转变。
刚刚，网页设计工具开发商 Figma 向美国证券交易委员会（SEC）提交文件，申请首次公开募股（IPO）。该公司在招股书提及 “人工智能（AI）” 超 150 次，既将其描述为“创意加速器”，也视其为 “潜在威胁”。
设定角色，让AI照“本”生成主角不变的不同图像，对于各路AIGC工具来说一直是不小的挑战。
