精心设计了一个由多个AI智能体组成的强大团队，期望它们能像人类专家一样协作解决复杂问题，但却发现这个团队聊着聊着就“精神涣散”，忘记了最初的目标，甚至连彼此的角色都开始混乱。
在科研、新闻报道、数据分析等领域，图表是信息传递的核心载体。要让多模态大语言模型（MLLMs）真正服务于科学研究，必须具备以下两个能力
在AI浪潮席卷全球的2025年，大语言模型（LLM）已从单纯的聊天工具演变为能规划、决策的智能体。但问题来了：这些智能体一旦部署，就如「冻结的冰块」，难以适应瞬息万变的世界。
这真的是一种平衡艺术——要搞清楚模型应该具备哪些特性，以及我们希望它给人的“感觉”是什么。GPT-5发布时，我们觉得正好是一次重置和重新思考的机会。尤其是，现在要让一个模型变得很“有互动感”其实很容易，但有时候这种互动可能是不健康的，所以我们想让它成为一个健康、有帮助的助手。
AI 有意识吗？ 无论是古今中外的文艺作品中，还是 AI 迅猛发展的当下，好像都难以给出一个绝对的答案。
AI 下半场，模型评估比模型训练更重要。我们需要从根本上重新思考评估的方式。
推理大模型（Large Reasoning Model）极大的促进了自然语言处理领域的发展，而信息检索领域的核心问题之一是文档排序，如何利用强大的推理大模型通过主动推理来判断文档的相关性，进而再对文档进行排序是一个值得探索的方向。
在Openai 发布o3后，think with image功能得到了业界和学术界的广泛关注。
OpenAI在SWE-bench Verified编程测试中仅完成477道题却公布74.9%高分，对比之下，Anthropic的Claude完成全部500题。
AI Agent正在被要求处理越来越多复杂的任务。 但当它要不停地查资料、跳页面、筛选信息时，显存狂飙、算力吃紧的问题就来了。
