反思技术因其简单性和有效性受到了广泛的研究和应用，具体表现为在大语言模型遇到障碍或困难时，提示其“再想一下”，可以显著提升性能 [1]。然而，2024 年谷歌 DeepMind 的研究人员在一项研究中指出，大模型其实分不清对与错，如果不是仅仅提示模型反思那些它回答错误的问题，这样的提示策略反而可能让模型更倾向于把回答正确的答案改错 [2]。
Vevo Therapeutics（现为Tahoe）与Arc研究所，两家分别在生物技术商业转化和非营利性基础研究领域领先的机构，于2025年2月联合发布了一项里程碑式的成果：全球最大的单细胞药物扰动数据集Tahoe-100M。
您是否也曾经想过这样的场景：产品经理把idea直接扔给AI编程，然后就能得到完美能用的代码？来自德国弗劳恩霍夫研究所和杜伊斯堡-埃森大学的研究者们刚刚给我们泼了一盆冷水。
在硅谷，顶尖AI人才的身价突破天际！最近，Meta豪掷数亿美元签下最顶尖的AI研究者。硅谷这场人才战争也越演越烈。这是否值得投资？这场人才争夺背后，又隐藏着怎样的深层次问题？
近年来，视觉 - 语言 - 动作（Vision-Language-Action, VLA）模型因其出色的多模态理解与泛化能力，已成为机器人领域的重要研究方向。尽管相关技术取得了显著进展，但在实际部署中，尤其是在高频率和精细操作等任务中，VLA 模型仍受到推理速度瓶颈的严重制约。
当整个 AI 视觉生成领域都在 Transformer 架构上「卷生卷死」时，一项来自北大、北邮和华为的最新研究却反其道而行之，重新审视了深度学习中最基础、最经典的模块——3x3 卷积。
在这篇文章中，它详细展示了如何构建一个有效的多智能体研究系统，这是一个架构，其中主代理（The Lead Agent）会生成和协调子代理（Subagents)，以并行方式探索复杂查询，内容涵盖系统架构、提示工程以及评估方法等。
最近，Mamba 作者之一 Albert Gu 又发新研究，他参与的一篇论文《 Dynamic Chunking for End-to-End Hierarchical Sequence Modeling 》提出了一个分层网络 H-Net，其用模型内部的动态分块过程取代 tokenization，从而自动发现和操作有意义的数据单元。
「停止研究 RL 吧，研究者更应该将精力投入到产品开发中，真正推动人工智能大规模发展的关键技术是互联网，而不是像 Transformer 这样的模型架构。」
GPT-4o引爆全球「吉卜力风格」风潮后，其核心成员——华南理工学霸Lu Liu与伯克利博士Allan Jabri——双双跳槽Meta，两人曾在OpenAI主导多模态AI研究，与奥特曼同台展示关键功能。此次挖角再次凸显OpenAI内部动荡后的人才流失危机。
