搜索“其他”

在用我的编码工具 Pi 给我各建一个网站。我之前也说过，Dense 模型，也就是 27B，更聪明。这从结果里也能看出来。这里，这个任务很简单：给我建一个看起来精致的 Jan-Keno Janssen 网站，从网上搜集关于他的所有信息。然后这边是更快、更笨的模型。 对，那个更笨的模型不仅看起来无聊，而且里面写的也是胡扯。比如我从来没在 PC-WELT 工作过，其他内容也很，怎么说呢，反正没法用。对，而 Qwen 3-27B 这边就完全不同。首先看起来挺不错的，我觉得。我尤其觉得有意思的是，它不知从哪儿找来了这张俏皮的照片。 再确认一下，让大家真正理解：我没有给模型任何上下文，它事先也没有关于我的任何上下文，而是一个全新部署的模型。我说：找些关于 Jan-Keno Janssen 的信息，建一个网站。我得说，这已经相当合理了。包括权重方面，哪些是相关的、哪些不相关，我觉得做得挺不错。 对，你们看这里：这是 Artificial Analysis 的行业标准智能评估。里面包括 Anthropic、OpenAI 等目前最大的云端模型，而且是很新的，也包括这周才发布的模型，就是那种跑在价值数百万

匹配字段正文

ash需要1910个Token——差别真大！因此，这里可以节省大量Token，并使用更短的上下文。此外，处理速度也可以因此加快，因为许多词不再需要由其组成部分拼合而成。这同时提高了预测的精确度。 借助这个分词器，Aleph Alpha用20万亿Token对模型进行了预训练，并使用截至2026年6月18日的内容。这非常新，因为基础训练通常需要数周或数月。与许多其他提供商一样，Aleph Alpha也使用Common Crawl数据，但为此非常详细地描述了一个去重流程；除了静态测试外，开发者还使用了Gemma-4-26B-A4B等其他LLM。不过，仅靠其中包含的数据还不足以达到技术报告中提到的21.3%占比。为此，开发者还使用了另一个模型（Mistral-NeMo-12B），让英语内容用德语重新表述。此外还使用了翻译数据，其中部分经过人工整理，以避免翻译过于逐字直译。 Aleph Alpha在质量保障上投入了大量精力，其中使用其他模型作为“评判者”。借此以及由此计算出的相关性，可以识别出特别“好”的文档，随后将其纳入“数据混合”。不同来源会获得不同的权重，这与其文档质量相关。 这条自有的数

匹配字段正文

well GPU技术和庞大的软件生态整合进新一代Windows笔记本电脑。微软的Surface Laptop Ultra是首批展示这一合作成果的机型之一，它采用NVIDIA的技术，直接与英特尔、AMD、高通乃至苹果在高性能本地AI和创作优化笔记本领域展开竞争。 对微软而言，这一合作大幅扩展了Windows on Arm的能力，尤其是在本地AI开发、内容创作和其他高要求的专业工作负载方面。Surface Laptop Ultra起售价为2,599.99美元，显然是一款高端产品，但其处理性能、大容量统一内存与高端工业设计的组合，使其在市场上占据了有趣的位置。 我的个人测试表明，NVIDIA和微软打造出了一个颇具吸引力的平台，具备强劲的AI吞吐能力、图形性能和具有竞争力的CPU算力。同样重要的是，Surface Laptop Ultra让人得以一窥AI开发和本地AI智能体工作流如何在便携式Windows PC上变得更加实用。 Surface Laptop Ultra的核心是NVIDIA的RTX Spark N1X SoC，它将最多20个Grace Arm CPU核心与最多配备6,144个CU

匹配字段正文

采取第一次行动。 在摆放一个鳄鱼玩具的任务中，这种差距更加明显。 摆放鳄鱼玩具任务 GPT-6.1 Sol在任务开始5分钟后就宣布完成，但Claude Opus 5.5则花了45分钟。两者完成时间相差9倍。 在所有任务中，Gemini 4 Argon是任务完成最慢的模型。它平均需要花费21分钟观察场景并进行推理，之后才会开始采取第一次行动，这一完成时间几乎是其他模型的两倍。 同时，测试中研究团队还发现，模型在已经达到任务通过状态后，往往仍会继续优化操作，甚至持续很长时间。例如，GPT-6.1 Sol在约17分钟时已经搭建出一座符合要求的塔。但随后它继续操作，最终反而导致任务失败。 这个例子也暴露出，让机器人完成任务，需要解决的不只是“怎么做”的问题，还有“做到什么程度才算结束”的问题。 模型未来能否进一步提升对物理空间中任务完成状态的判断能力，还有待观察。 03.GPT-6 Astra拿下第一，但成本最高 抓取和精细操作是AA-Robotics v0.1重点测试的能力。在抓取和精细操作测试中，GPT-6 Astra和Claude Fable 5.1的表现最好，两者成功完成任务的比例最高

匹配字段正文

练最后说。 Laya：BERT 复古，但复古得很精妙 一句话概述：Bert基座，每个选项前插一个[MASK]，最后去这些 [MASK]的隐藏向量上logit打分 输入是怎么拼的？ 每个选项前面各顶着一个 [MASK]。这个设计的巧妙之处在于：MASK 的位置在 Encoder 里能双向 attend 所有 token——它同时"看"到了问题、自己选项的描述、其他选项的描述，以及完整的 state。所以 MASK 位置的 hidden state，天然就是"在当前语境下，这个选项的综合表示"。 Forward 之后，怎么读出概率？ 四步走： Encoder 编码 注入题型信息 决策头：再过一个2层的transformer,从 Encoder 的通用表示里蒸馏出决策信号 只读取MASK位置，按不同问题类型进行归一化计算 注意那个 tscale——按题型 × 选项数分桶的温度系数，这是 Laya 概率校准的关键手段，后面训练章节会详细展开。 额外输出：置信度 Laya 还会从 [CLS] 的 hidden state + 4 个概率统计指标（熵、最大概率等）预测一个置信度分数，用于判断"这道

匹配字段正文

千问办公、WorkBuddy的桌面图标分别截图发给上述AI应用，并输入提示词“设计一个漫画，三个顶着上述图标的小人在互相打架”。 从左至右分别为豆包工作、千问办公、WorkBuddy生成的调研报告截图。 结果显示，豆包工作生成了“顶着”图标的漫画图，千问工作和WorkBuddy对记者的意图理解更透彻，图标直接化身人物，漫画更为形象。不过，WorkBuddy在其他两家图标生成无误的情况下，“认错”了自己的标志。记者复盘其思考过程发现，WorkBuddy形容自己的图标是“青绿底白色小猪脸标”，可能因此造成了后续生图的错误。 WorkBuddy生成漫画的思考过程。截图 根据有线耳机照片生成的广告海报，从左至右分别为WorkBuddy、豆包工作、千问办公生成。 结果显示，无论是海报还是视频，依托Seedance系列模型的豆包工作交付结果更有质感。此次测试中，三家AI应用生成的视频效果存在明显差异。WorkBuddy的真人模特动作自然，也有分镜，整个视频没有声音；千问办公的视频深谙“产品”是第一要务，镜头逐渐推向耳机，但缺少分镜的变化感；豆包工作则既有光影变化，还有模特手持耳机、插耳机、戴耳机享

匹配字段正文

如果你不盯着，它就会浪费一整晚的 GPU 时间。 Karpathy 上周发布了 autoresearch，一个让 AI 智能体自主运行实验的框架。给它一个目标、一些要跟踪的指标，以及一个代码库。 设置极简，只有 3 个文件： 每次迭代，智能体读取程序和结果日志，提出对 train.py 的修改，提交，训练，并评估。只有当修改达到更好或相等的指标时才会被接受。其他一切都会通过 git reset 回滚。 我们想知道：这在演示之外还站得住脚吗？我们运行了两个实验，把 autoresearch 推向不同的领域，一个关于训练，一个关于推理，来找出答案 :) 实验 1：训练优化 我们将 Codex 包装在一个 bash 循环中（codex-autoresearch-harness），并在 Karpathy 的 nanochat 模型上，对两个不同的 LLM 作为“研究员”进行了 A/B 测试：GPT-5.4 和 Codex-Spark。Codex 原生不支持循环，所以我们构建了一个 harness 来强制它循环。我们的问题是：autoresearch 真的能做自主研究吗，不同的模型会如何表现/影

匹配字段正文

缩功能也已足够出色，你可以运行单个会话处理数亿个 token，甚至不会遇到任何问题。 如果你让会话保持活跃，提示处理成本会低得多。你可以设置每 20 分钟运行一次的 Codex 自动化来保持缓存存活，并利用这些自动化驱动长时间运行的流程。 不同模型在不同数据上训练，并针对不同目标进行优化，这意味着每个模型在某些方面会略好或略差。 本地 Codex 还允许你将其他提供商引入应用。这意味着你可以在熟悉的 Codex 体验中，试验成本更低的开源权重模型，如 Kimi K2.7 Code，或具有不同优势的模型，如擅长长程推理和编码的 GLM-5.2。 然后你可以将这些外部模型用于有边界的子智能体工作，帮助降低成本或利用每个模型的不同优势。 一个重要细节：这是通过 Codex 配置和自定义智能体文件完成的，而不是通过简单的应用内模型选择器。Codex 支持 Ollama 和 LM Studio 等本地提供商，以及兼容 Responses 的自定义提供商。 订阅用量限额相当慷慨，但随着 AI 智能体对更多人变得更有用，许多人正在将限额推到远超单个订阅所能提供的程度。 而且，即使你有钱可烧，也并非每

匹配字段正文

行，执行完再把结果反馈给大模型。 比如抓取，Astra只需要在画面中点出目标物体，再指定使用左手还是右手。 接下来，抓取技能内部的感知模块会圈出物体、估计深度，结合相机标定确定目标的三维位置，并计算抓取姿态。运动规划器再规划机械臂怎么伸过去、怎样避开障碍，最后交给控制模块执行。 换句话说， GPT决定抓哪个、用哪只手，技能模块解决手怎么伸过去、怎么抓起来。 其他技能也遵循类似的分工。导航接收目标位置和朝向；放置接收物品的落点；开抽屉则把对准把手、勾住把手、后退拉开，封装成一项完整技能。 每项技能执行后，都会把结果反馈给Astra，再由它决定下一步。遇到偏差时，技能模块会先自行调整、重试，解决不了再交回大模型重新安排。 通过这样的 决策—执行—反馈循环 ，「走到抽屉前—打开抽屉—取出药」就能被串成一项任务，而不必让大模型包办每一步的运动细节。 至于走路、伸手时怎样保持平衡，则属于前面说的System 0的工作。HomeBody使用预训练的AMO控制策略，让下半身运动同时考虑上半身的动作目标，协调行走与操作。 这也解释了为什么， 不需要额外训练，不等于整套系统从未训练过。 HomeBody

匹配字段正文

包括高通核心在内的每个核心，都承受了相当于数代性能损失的影响。不过，Snapdragon X2 Elite 中的核心基线性能远高于 Neoverse N1 和 N2。Snapdragon X2 Elite 拥有一个由 6 个“性能”核心组成的集群，以及两个各由 6 个“prime”核心组成的集群。“性能”核心为 6 宽，运行频率为 3.6 GHz。由于它们在其他芯片中承担与能效核心相同的角色，为简便起见，我将称它们为 E-Core。“Prime”核心为 9 宽，运行频率为 5 GHz。它们以最大性能为目标，因此我将称它们为 P-Core。 即使承担二进制翻译惩罚，高通的 E-Core 仍能超过 Neoverse N1。P-Core 对 Neoverse N2 也是如此。面对以极高时钟速度运行的宽得多的核心，即使存在二进制翻译惩罚，也确实无可争辩。 高通核心从二进制翻译中承受的惩罚也略低。很难判断这是因为 Prism 中针对高通的特定优化，还是因为高通核心的吞吐量高得多。二进制翻译导致的指令数增加让我想起玩 Claude 的 C 编译器（CCC）的经历。CCC 的情况涉及在关键路径之外生

匹配字段正文

1M 上下文长度，且上下文缓存是自动的。请让你的长前缀（系统提示、知识库、仓库转储）在多次请求之间保持字节稳定，以便后续调用能够命中缓存。Moonshot 建议将固定的大块上下文（知识文档）放在 messages 数组的最开头、系统消息之前，然后在其后追加问题和回复。 采样参数 采样参数是固定的，你应当从请求中省略它们。该模型是使用这些参数训练的，不支持设置其他替代值： temperature = 1.0；top p = 0.95；n = 1；presence penalty = 0；frequency penalty = 0 保留式思考 K3 是在保留思考历史模式下训练的，因此轨迹就是下一轮所依赖的状态。使用以下方式保留上一轮的思考 token，并将它们转发到后续轮次。 去掉 reasoning content 这一行，同样的调用每次都会用一个新编造的数字来回答。在真实代码中，你从不手写轨迹；你重放模型产生的内容，也就是工具循环中的那一行代码： Kimi K3 定价 Kimi K3 按 token 计价，并设有缓存命中输入档位，以奖励稳定的前缀： 需要内化的两个成本方面： 缓存是你的

匹配字段正文

g Attention 调用的 cuDNN 性能问题。 在初版实现中，我们用了Ring Attention。在超长上下文训练的实践中却发现当 MLA 结合特定的算子时，Ring Attention 会暴露严重的性能问题。Ring Attention 的核心机制是将长序列切分成多个块，GPU 在计算完本地的 Q 和本地的 K、V 后（即对角线块），需要接收来自其他 GPU 的历史 KV 块进行计算。 在处理历史 KV 块时，历史 token 对当前 Q 是可见的，不需要掩码，因此需要调用 causal=False 的 fused attention 算子。在实际测试中，我们发现底层 cuDNN 实现的 MLA 算子在 causal=False 这种配置下 backward 存在性能问题，算子的性能问题导致 Ring Attention 并不是一个合适的选择。 踩坑二，Linear Attention 部分如果使用简单的实现，会遭遇严重的 kernel launch cpu overhead 问题。 我们以一段描述变长序列（varlen）情形下的伪代码来描述我们的第一版实现： 在初始版本的

匹配字段正文