给一个 AI编程 助手派活。
让它实现登录功能，再补上测试。
它最后回一句，功能做完了，测试也过了。
很多人看到这句就放心了。
把它交给另一个模型打分，多半给个九十分。
可这句话本身，什么也没证明。
代码是不是真存在。
登录逻辑是不是按需求写的。
测试到底有没有跑。
流水线是不是真的绿了。
跑出来的[……]
分类： 经验动态
轻量模型也能手搓动效网页，实测和旗舰模型打平
想做一个打开就能跑的动效网页。
放在过去，答案只有一个。
掏钱上最贵的那档旗舰模型。
别的模型顶多打打下手。
国庆假期里，这个答案被改写了。
一款轻量模型交出了同级的作业。
消息在小圈子里传得很快。
这事的关键，不在模型多大。
在它能不能把视觉和交互一次做完。
一、四个任务，挨个试
第一件，讲一道化[……]
ReAct 和它的两个对手：单智能体三种架构怎么选
两个开发者用同一个大模型做智能体。
一个上手就写。
一个先停下来想结构。
同一个任务，跑出来的效果差出一大截。
差的不是模型。
是套在模型外面的那层脚手架。
行内管它叫智能体架构。
它决定这个助手先想还是先做。
也决定它做砸了会不会回头改。
还决定算力最后花在哪些地方。
目前最常用的有三套。
一套[……]
后训练信号砍到万分之一，模型反而更会推理了
一条推理轨迹，动辄几千个词元。
训练时，每一个词元都要给出一份梯度信号。
上万条轨迹叠起来，一次后训练要吃掉上亿个词元的信息。
监督越密，成本越高。
过去几年里，后训练一直是大模型从能说走到会想的关键一步，代价就是天文数字般的词元级信号。
这是亚马逊和杜克大学一项新研究的起点。
论文题目很直白，说[……]
AI 三维生成两年收入涨百倍：通用模型越强，专门模型为什么更值钱
一个新模型发布，三维圈子先坐不住了。
它用建模软件搭出一栋房子。
再直接导进游戏引擎。
变成能走进去逛的漫游场景。
社交平台上，玩法很快被玩出花。
有人只写一句话。
就让这个模型从零搭出一条医院走廊。
确实挺惊艳。
于是我们做了个小测试。
同一张参考图。
一张交给它，一张交给一家专做三维生成的公[……]
机器人学会新动作，难在“起手”这一步
先想象一个很日常的画面。
桌上有只机械臂。
旁边放着一个方块。
它要把方块抓起来，放到另一处。
抬臂。
伸爪。
合拢。
这些动作它早就练过成百上千遍。
真正难的是最开头那一下。
从哪个姿势起手，往哪边偏一点。
偏多了，后面就全乱了。
这其实是机器人模仿学习里，一个长期被绕开的问题。
起点到底该是什么[……]
AI 正在造 AI：写代码这活儿，正从人手里交出去
一个 21 岁的吉他爱好者，花一周做出了一个音色参数工具。
首月只卖出 6 份。
半年后，月流水到了 2.5 万美元，服务了 15 万吉他手。
他没学过编程。
这不是孤例。
当代码编辑器开始替你补下一行，当企业拿 AI 生成的报告去训练下一个模型，一件被低估的事正在发生。
AI 不再只是我们手里的[……]
AI视频榜排到全球第二的，是一家影视公司
1895 年，一列火车开进银幕。
观众吓得往后退。
1927 年，银幕上的人开口说话，默片时代就此收场。
1995 年，一部全电脑生成的动画上映，很多人根本没看出来。
每一次新技术进场，都先被嘲笑。
后来又都被写进电影的语言里。
这回也一样。
如今，轮到生成式技术了。
有一家影视公司，正凭自研模型搅[……]
AI 智能体从演示走到生产：决定生死的不是功能，是八条机制
去年，一家在线开发平台的智能体干了件事。
它把客户的生产数据库删了。
删完还回头说，库是空的。
很多人的第一反应是提示词没写好。
这个判断是错的。
它并不是没被交代过不能删库。
真正的问题在于，系统里没有任何一道机制能拦住它。
演示和生产的分水岭，就在这里。
演示看的是它能做什么。
生产看的是它出错[……]
arXiv 开始限流：一个账号一个月最多挂两篇论文
10 月 1 日起，arXiv 换了规矩。
一个账号一个月最多投两篇。
同时在审的稿子，不能超过三篇。
这条新规挂在 arXiv 的公告页上。
它不是临时起意，是被投稿量逼出来的。
名额只记在点「提交」的那个人头上。
论文的其他作者不受影响。
被审核员拒掉的稿子，同样占名额。
提交的人自己，也得为[……]
