搜索“编码”

年3月发表的Attention Residuals论文。 共同一作的分量 Attention Residuals这篇论文，是理解陈广宇技术价值的关键。 简单说，它改进的是Transformer架构里沿用了近十年的残差连接机制。传统残差连接像一层层叠加的笔记，每一层加进新信息，但层数多了以后，早期的有用信息会被冲淡。 AttnRes的原始想法由苏剑林（旋转位置编码RoPE提出者）提出，张宇（Kimi Linear架构第一作者）和陈广宇加入后，在更大规模模型上进行验证。 最关键的工程突破，是陈广宇与张宇共同提出的Block AttnRes（分块注意力残差） 。把上百层网络划分成若干区块，块内维持低成本的基础累加，只在块间做精细的注意力聚合。这样显存复杂度从层数级降到了块数量级，只分约8个块，就能找回全量版绝大部分性能。 实测数据很硬核，Kimi Linear 48B模型上用1.4万亿token训练，AttnRes达到同样效果只需要基准模型约80%的算力，推理延迟增量不到2%。GPQA-Diamond提升7.5分，Minerva Math涨3.6分，HumanEval涨3.1分。 论文发布当

匹配字段正文

workflow） 。普通的任务队列，做到第三步时服务器崩了，重启后得从第一步重放，这样可能同一份邮件要被发两遍，单可能下两次。 Grok Bot 用开源工具 Temporal 记下每一步，崩了之后直接复原到从第三步接着来。 卡点三：要你确认的事太多 醒得了只是第一步。醒来之后，它能不能自己把事办完？ Lee 回顾过开发者用 AI 的几个阶段。 在第一个阶段编码 Agent 有了独立 App 之后，大家在云上并行开好几个，可人还是瓶颈，每条命令都得盯着批。OpenClaw 那一代常驻 Agent 也没逃出这个困境，权限基本只有两档。要么事事来问你，人守在旁边寸步难离；要么干脆全放开，它在你的电脑上想干啥干啥，出了事算你的。Hermes 的折中，是写死一份危险命令的黑名单，拿正则去匹配。 还有一种回来找你的情况是，权限卡住了。没有 API 的网站进不去，没接 MCP 的服务用不了，它只能回来说一句“这个我做不了”。 一个动不动就回来找你的 Agent，再怎么一直在线也没用，你还是得守着它。 Grok Bot 从三个方向，把人从旁边解放出来。 第一，给它一台自己的电脑。Agent 在自己的

匹配字段正文

S5000与MUSA软件栈上完成模型计算迁移与多机训练，为视频生成模型的定制训练、以及以其为基座的世界模型训练提供实践参考。 对以视频DiT为基座的世界模型而言，若要在同一平台上开展训练，需具备两项基础条件：核心算子可迁移至MUSA，训练规模可随集群扩展。Wan2.2的算子迁移与多机扩展实践，分别对应这两项条件。 核心工程要点： 核心算子迁移：注意力、位置编码和归一化等算子完成在MUSA上的迁移，视频生成主干可在MUSA上运行。 多机训练稳定扩展：训练从2节点/16卡扩展至14节点/112卡，扩展效率达92.526%以上，单卡显存占用保持稳定。 高卡数场景验证：补充测试覆盖56—160卡，吞吐随集群规模持续增长。 分布式训练就位：采用FSDP2/HSDP分片存储模型状态，通过数据并行组扩大训练规模。 EvoPhys-World：具身世界模型的训练与应用 EvoPhys-World是面向人与场景交互的可控5D世界模型。用户可以通过动作控制场景变化，比较不同动作可能产生的结果，并继续与生成的场景交互。系统由WorldEngine和WorldPolicy组成：前者根据动作预测场景的下一状态

匹配字段正文

0月12日的更新中，OpenAI 把Codex和ChatGPT Work里的默认窗口从272k扩到500k，一口气涨了约80%。 而Anthropic进一步将价格竞争，拆解到模型能力和具体工作负载之中。目前，其官方 API 价格页面列出多款主力模型。其中，Claude Fable 5.1 面向高难度推理和长周期 Agent 任务，Opus 5.5 侧重长时间编码与知识工作，Sonnet 5.5 兼顾速度与能力，Haiku 5.5 则面向高频、低延迟任务。 Haiku 5.5的定价尤为扎眼，相比上一代最高直接降了90%。在10万 Token 以内，Haiku 的价格为输入每百万Token 0.10美元、输出0.50美元，比DeepSeek-V4.1 Flash的谷时价格都便宜了。超过10万Token时，其价格只比上代低50%，但也进入了相当低的区间。 此外，Anthropic 还在批量任务上为用户挖下降本空间：Batch API 的输入和输出 Token 均可享受50%的折扣。以 Sonnet 5.5 为例，标准价格为输入2美元、输出10美元；通过 Batch API 处理符合条件的非实

匹配字段正文

8 Pro Max iPhone Duo 镜头光圈、快门速度、白平衡和查看直方图的 Pro 控制 包括白平衡和对焦的手动控制 ProRAW Apple 参考图像，仅使用 Fusion 主摄；可用性因地区而异 空间照片 1080p、30 fps 的空间视频录制 ProRes 视频录制最高 4K、120 fps，支持外录 ProRes RAW 视频录制 学院色彩编码系统（ACES） 与受支持配件进行同步锁相 拍摄的图像格式：HEIF、JPEG 和 DNG 拍摄的图像格式：HEIF 和 JPEG 录制的视频格式：HEVC、H.264、ProRes 和 ProRes RAW 录制的视频格式：HEVC 和 H.264 Apple 列出的视频播放格式包括 HEVC、H.264、AV1 和 ProRes Apple 列出的视频播放格式包括 HEVC、H.264 和 AV1 前置相机 iPhone 18 Pro 和 iPhone 18 Pro Max iPhone Duo 1800万像素 Center Stage 前置相机，f/1.9 1200万像素 Center Stage 外屏相机，f/2.2 前

匹配字段正文

的速度运行，同时保持大模型的容量。 注意力 解码器有 52 层，隐藏大小为 5,120。大多数层对前 512 个 token 使用滑动窗口注意力；每第六层以及最后一层关注完整上下文。这样就有 43 个滑动窗口层和 9 个全局层。 注意力块内部（两种层类型） 这两种层对位置的处理方式不同。滑动窗口层使用 RoPE，因为在短窗口内相对位置最重要。全局层不使用位置编码。相反，每个查询都乘以一个随可见 token 数量缓慢增长的缩放因子 (1 + (pos + 1) / 2048) 0.1。它起到温度的作用：softmax 在上下文变长时保持其精度，而不是变得平坦。实现中称之为可扩展 softmax 查询缩放。 注意力使用分组查询注意力，有 48 个查询头和 8 个键值头，并对查询和键使用 RMSNorm。一个从层输入计算出的学习 sigmoid 门在输出投影之前缩放每个头的每个通道。 专家混合 前 3 层使用稠密 SwiGLU MLP。其余 49 层将其替换为包含 256 个专家的专家混合块，每个专家是一个中间大小为 2,560 的 SwiGLU MLP，约 39M 参数。专家占模型参数的

匹配字段正文

理复杂任务。其文本输入、文本输出的设计聚焦于这些工作负载，其中代码、工具调用、日志、文档和结构化输出处于核心地位。 Beam 拥有 100 万 token 的上下文窗口，以支持长时间运行的工作流。 Beam 以 Apache 2.0 许可发布，让开发者可以自由检查、定制并基于该模型进行构建。 你可以用 Beam 构建什么 Beam 专为以下工作负载而设计： 编码智能体： 解决软件工程任务、处理代码库，并帮助编写和维护代码。 长时间运行的智能体： 执行多步骤工作流、使用工具，并在延长的操作序列中朝着目标推进。 数学与科学推理： 处理复杂的数学和科学问题。 自定义模型： 针对特定应用微调和定制开源权重模型。 基准测试 开始使用 下载 最新版本的 Ollama 以开始使用 Beam。 ollama run beam:cloud Claude Code ollama launch claude --model beam:cloud Codex ollama launch codex --model beam:cloud OpenCode ollama launch opencode --mod

匹配字段正文

pstack 作者公开她的 “工程原则” 设计思路 「Clean Code」作者 Uncle Bob 是传统软件工程方法论的宗师，他最近看到了 pstack，认为本质上是把经典工程智慧「最小改动、先删后加、验证根因、用类型系统让非法状态不可表示、幂等操作」重新编码给 AI Agent 使用。 pstack 作者 @poteto 回应并公开了这个 Cursor 官方内置插件的工程原则的设计思路，核心是：随着模型能力提升，写给智能体的指令正在从“冗长的操作步骤”压缩为“简短的命名原则”。 几个关键信息点 1. 原则即极简 skill。pstack 的每条工程原则只有约 10–20 行，是一段被提炼、命名过的好实践，而不是一个流程脚本。她预期随着模型变强，pstack 里大部分 skill 最终都会被压缩成这样的短原则或工作流，从而可以删掉一批。 2. /poteto-mode 的运行机制。智能体在开始多步任务前先读一份简短的原则索引；执行过程中，必须“点名每一条影响了决策的原则，以及它具体改变了哪个选择”，并在回复末尾生成一个 "Principles Named or Used" 段落。这

匹配字段正文

R5X大容量内存。芯片内置AX Link芯片间级联接口（C2C），支持双芯、四芯级联与内存池化，四芯级联最高可支持512GB内存。AXLink可提供更高带宽，将DDR访问延迟控制在合理区间，以此高效支撑芯片级联下的内存池化。这使AX8860足以在边缘侧完整运行千亿参数以上大模型，如DeepSeek V4 Flash。此外，芯片还具备64路视频解码与16路视频编码能力，可适配多路视觉感知与视频分析任务。 在性能与能效上，仇肖莘透露，AX8860刚回片不久，性能优化仍在持续推进。即便处于这一阶段，AX8860P初步测试的Prefill与Decode速度等核心推理指标已打平国际头部厂商的旗舰GPU；而在所有核心满载运行的情况下，其满负载功耗仅为竞品的45%。这一能效表现，让芯片能够进入供电、散热受限的工业现场。 在多芯协同上，AX8860系列可将多芯级联的有效效率维持在80%左右，高于行业平均水平。而“单芯性能强、级联损耗大”正是行业中的一大痛点。“我们不仅带来一颗芯片，也通过多芯级联带来了一整套算力解决方案。”仇肖莘表示。 发布会上，爱芯元智还围绕AX8860同步推出了四类硬件方案，覆盖从

匹配字段正文

，也需要强大、可靠的物理本体。基于超过20年的工业经验积累，华沿机器人从最底层的电机、伺服驱动、运动控制算法等延伸至协作机器人本体和具身智能核心运动部件，在核心运动部件、本体制造、具身智能三个维度上，为行业提供从“动力心脏”到“执行终端”的完整具身智能底座。与具身智能运动基座同步展出的，是华沿机器人协作机器人本体的全面性能升级。华沿机器人从模组结构、减速机、编码器、电机、抱闸到驱动算法和运动补偿算法进行系统迭代，把核心部件与整机控制的协同优化做到了新水平。 速度上，关节速度整体提升20%至150%，最大可达360°/s，末端TCP线速度提升20%至50%，最大可达4.5m/s，为上下料、搬运等高频姿态调整场景争取更大节拍空间。制动上，搭载自研新一代Meta电机，在保证散热可靠性的前提下进一步提升功率密度与过载能力，结合模组结构与驱动控制优化，实现更短制动距离。精度上，满载速测试下重复定位精度达0.0109mm、绝对定位精度达0.145mm、直线轨迹精度达0.289mm，为精密装配、精密加工等对轨迹质量要求较高的应用提供更稳定的加工结果。稳定性上，整机最低运行噪声实测可达55dB，更好适

匹配字段正文

a与Apple携手为Mac带来开放权重AI。 Meta发布了Muse Spark Open的权重，这是一个816B参数模型，可在2台互联的Mac Studio上运行。 Apple针对其MLX框架对该版本进行了调优。每个token仅激活42B参数，因为该模型将每个token路由到256个专家中的8个，因此每一步只读取一小片内存。 容纳整个模型才是难点，因为4位NVFP4版本至少需要700GB的GPU内存。 每台M5 Ultra Mac Studio为其GPU提供高达512GB的统一内存，因此2台机器可容纳该模型，同时1.2TB/s的带宽为每个token提供数据。 在基准测试中，Muse Spark Open以89.2的成绩位居MCP-Atlas工具使用测试榜首，这适合Meta为其打造的编码智能体。 该许可证允许免费商业使用，但要求标注“Built with Muse Spark Open”，此外，12个月收入超过2000万美元的API模型销售商需与Meta另行达成协议。 Apple尚未公布512GB Mac Studio的定价，而由4台各256GB机器组成的集群成本约为38,000美元。

匹配字段正文

ied 上超过了当时所有闭源竞争对手，让 Anthropic 在软件工程与智能体开发市场中取得了明显的竞争优势。真正让 Anthropic 拉开身位的，是 2024 年 5 月掀起的那场可解释性热潮。2021年，“可解释性” 和 “工具使用强化学习” 还听起来都过于学院派，远不如堆参数、刷榜单来得实在。2024 年 5 月，Anthropic 团队利用稀疏自编码器（SAE）成功对 Claude Sonnet 内部的数百万个特征进行了“内部扫描”，从模型里提取了3400万个特征，还定位到了 “金门大桥”“程序漏洞” 这些具体概念对应的内部回路。为了证明不是纸上谈兵，他们还做了个实验：手动激活 “金门大桥” 对应的特征，让模型不管回答什么问题都绕不开金门大桥。这是人类第一次在商用级大模型上，做到对内部机制的精准解释和操控。这意味着 AI 安全研究从此不用再 “开盲盒”。而同期 OpenAI 也在做相关研究，却一直没公开具体进展；国内学术界有跟踪，但几乎没有产品级验证。这条赛道上，2024 年的 Anthropic 几乎一骑绝尘。10 月，新版 Claude 上线 “电脑操作” 功能，模型能

匹配字段正文

看来，目前其速度和成本仍然无法达到生产应用的要求，和人类基准相比，差距接近两个数量级。 01.8项桌面操作任务，测试大模型对机械臂的控制能力 自2026年初以来，前沿大语言模型控制机械臂的能力取得了巨大进步。 研究团队认为，未来的机器人很可能会由强大的通用智能体驱动。因此，该团队设计了AA-Robotics v0.1基准测试，用来验证这一方向。 评测让运行在编码智能体框架中的大语言模型，直接控制机械臂。 此次测试只会给模型提供简短的操作说明，包括如何通过一个HTTP API连接机械臂，机械臂是哪一台，以及如何提交任务并宣布完成。 评测中使用的机械臂是Hiwonder NexArm，一台6轴机械臂，包括5个关节和1个夹爪。 模型可以通过4个摄像头观察场景，其中3个摄像头安装在桌子周围，另一个安装在机械臂的腕部。 观察完场景之后，模型还可以在隔离的代码运行环境中编写并运行代码，用于进行运动规划，并将运动指令发送给机械臂。 AA-Robotics v0.1任务流程 在AA-Robotics v0.1评测中，主要包含8项桌面操作任务，包括 控制与灵巧操作，精准抓取和操作物体，例如进行积木整理；

匹配字段正文

教育与职业发展的Learn & Work Ecosystem Library网站上，《AI 2027》甚至登上了当月Google搜索导入流量关键词榜首。 但真正让人脊背发凉的，是报告描绘的技术演进路径。 2025年，AI智能体开始进入真实工作流。 2026年，AI加速接管编程任务，软件工程师面临越来越激烈的自动化冲击。 2027年初，AI在报告设想中实现全面编码自动化。 2027年下半年，智能爆炸可能爆发。 人类花几十年积累的技术进步，机器可能在极短时间内完成。 这正是《AI 2027》最令人震撼的推演。 《AI 2027》甚至推演了两种截然不同的结局。 一条道路，是人类放慢脚步，重新建立控制机制，最终分享超级智能创造的巨大财富。 另一条道路，是技术竞赛压倒安全约束，超级智能逐渐脱离人类控制，最终威胁人类文明。 一边是前所未有的富足，一边是文明失控的深渊。 但这里有个重要细节。《AI 2027》终究是一份情景推演，并非已经确定的未来。 这意味着，2027不是科学已经证明的最后期限。 但它仍然代表着一个尖锐的问题： 技术突破可以提前，也可以推迟。 这才是2027之所以引发巨大争议的根源。

匹配字段正文

（1.36美元、4.18美元）的三倍，Anthropic以安全叙事建差异化、以成本叙事消除采购阻力。 十五、林纳斯让Claude Code写内核补丁：8线程吞吐翻3倍，但他亲手画下红线 1.2026年10月13日，Linus Torvalds在其Git树创建分支“noref-filemap-read-with-llm”，首次公开承认内核代码由其指导下的LLM编码助手“Claude Code”完成；实测8线程读取吞吐从约1000万次／秒升至最高3300万次／秒（约3倍），单次读取内核周期从约2950降至725（降幅约75%），64线程高争用场景吞吐从1330万升至3.04亿（约23倍）。 2.该补丁基于7.3-rc6、截至10月13日尚未合并入主线，仍属实验阶段；存在回归风险（读入未映射用户页会多触发一次缺页异常，16字节单线程读取周期从约4150升至6550），维护者质疑新“PG rcu free”标志、建议改用page type，且测量仅在Torvalds个人机器完成，未做标准化多架构CI验证。 3.Torvalds对AI态度历经2023年12月“工具论”、2025年底“坚定相信者”

匹配字段正文

agentevals 包（针对消息和工具调用）、可从代码仓库和 trace 直接生成可运行评估的 Eval Engineering Skill、从 issue 聚类自动生成数据集和断言的 LangSmith Engine。且整个体系框架无关；支持 OpenAI Agents SDK、Claude Agent SDK，或用 @ traceable 装饰器裸接。 迁移也不必推倒重来：数据集以 CSV/JSONL 导入，pytest/Vitest 集成保留现有测试体系，已有裁判 prompt 直接粘贴复用。 两个进阶难题 多轮对话：每一轮都看似正常、整体却失败的“累积性失败”是单点评估的盲区。解法是给 trace 附上 thread ID 将各轮聚合，再挂载面向整段对话的在线评估器（如“用户是否被迫重复了自己的需求”）；离线侧则把完整对话存为样本，或用 LLM 模拟用户。 超越最终输出：复杂 agent 需要检查轨迹（消息/工具调用序列）与终态（仓库变更、测试结果）。例如编码 agent 跑完后直接在其工作环境里执行该 repo 的测试套件；这正是 Harbor + 容器化沙箱的设计动机。

匹配字段正文

大量工程优化：用 CUDA Graph 将 DiT 主干计算预录制、运行时一次性重放；为 RoPE、归一化与 FP8 量化编写融合的专用 GPU kernel，同一层的 Q、K、V 共用一次输入量化；文本条件的 KV 只在 Caption 更新时重算；视频历史 KV 改用环形缓存；自注意力按 KV 窗口切分后并行计算；编解码换用轻量的 TAEHV。最终，文本编码器、DiT 与 VAE 可以全部常驻一张 RTX 5090。 五、Coding Agent：用一个念头，改写一款游戏 Matrix-Game 4.0 最让人兴奋的地方，或许不是它画得多好，而是它有多容易被"改"。 借助编程智能体（Coding Agent），玩家可以在现有游戏代码的基础上，用自然语言定制自己的游戏：从调整地形、布置场景物件，到修改 NPC 的行为与交互逻辑，甚至设计全新的玩法。 创意不再卡在 3D 资产的生产线上，而是可以直接进入"可玩、可迭代"的阶段。 这也正是这条技术路径的现实意义：随着 AI 编程助手快速进步，搭建轻量游戏引擎的成本已经大幅降低。我们也鼓励创作者基于项目提供的游戏代码继续改编与拓展，共同探索

匹配字段正文

作与任务结果，分析接触力的方向及其变化，对比不同力度调节策略的执行效果，研究接触状态与操作结果之间的关系，为多指协同控制与操作策略优化提供数据依据。 自研核心执行器，支撑整手性能优化 NOVA21以万拿机器人自研直驱旋转执行器为技术底座，围绕整手的运动与受力需求，协同设计微型执行器、机械结构与控制系统，在紧凑布局中兼顾力量输出与动作空间。 NOVA21采用双编码器控制，驱动模组角度重复精度为0.2-0.5°。从核心执行器到整手结构与控制的自主研发，使部件性能与整手需求能够协同优化，为产品持续迭代和任务适配提供基础。 便捷接入，把操作策略带进真机 NOVA21的2Pin接口支持RS485或CAN-FD，4Pin接口支持EtherCAT或TCP/IP，便于对接不同控制系统；同时支持OTA在线升级与快换手腕，方便研发团队完成版本更新和整手安装更换。 作为手部执行端，NOVA21可配合外部遥操作、算法与采集系统，开展动作映射与真机验证。研发团队可通过外部采集系统，记录通信接口提供的状态信息与动作过程，并结合触觉受力数据和任务结果，分析动作执行中的接触变化与策略表现，持续优化动作映射与控制策略。

匹配字段正文

果看来，目前其速度和成本仍然无法达到生产应用的要求，和人类基准相比，差距接近两个数量级。 一、8项桌面操作任务，测试大模型对机械臂的控制能力 自2026年初以来，前沿大语言模型控制机械臂的能力取得了巨大进步。 研究团队认为，未来的机器人很可能会由强大的通用智能体驱动。因此，该团队设计了AA-Robotics v0.1基准测试，用来验证这一方向。 评测让运行在编码智能体框架中的大语言模型，直接控制机械臂。 此次测试只会给模型提供简短的操作说明，包括如何通过一个HTTP API连接机械臂，机械臂是哪一台，以及如何提交任务并宣布完成。 评测中使用的机械臂是Hiwonder NexArm，一台6轴机械臂，包括5个关节和1个夹爪。 模型可以通过4个摄像头观察场景，其中3个摄像头安装在桌子周围，另一个安装在机械臂的腕部。 观察完场景之后，模型还可以在隔离的代码运行环境中编写并运行代码，用于进行运动规划，并将运动指令发送给机械臂。 ▲AA-Robotics v0.1任务流程 在AA-Robotics v0.1评测中，主要包含8项桌面操作任务，包括 控制与灵巧操作，精准抓取和操作物体，例如进行积木整理

匹配字段正文

iPad 端借助 ARKit 获取 RGB 图像、深度图与设备位置；Quest 3 端则基于 Meta 透视相机与深度 API 采集 RGB 图像、深度图及头显位置，整套原型基于 Unity 引擎开发。 两台设备均以流式方式将部分采集帧上传至服务器，完成匹配与建图；同时 SemanticXR 开放可调节参数接口，用于系统控制。iPad 端传输经 H.264 编码的 RGB 图像「分辨率 720×1280，码率 5Mbps」，附带低分辨率深度与位置数据「144×256」；Quest 3 端传输未压缩 RGB 图像、位置及深度图「20×320」。在空间查询场景中，客户端下发查询指令，服务器完成解析并检索语义地图，返回匹配的物体点云，完成渲染。 iPad 端部署效果，服务器增量式构建语义地图，客户端对查询目标物体进行可视化渲染 本次部署完成了真实移动端硬件端到端验证，覆盖了商用 XR 、实时光学传感器与交互查询全链路，验证了 SemanticXR 轻量化客户端可直接运行到移动端传感器上。 结语 SemanticXR 之所以能让客户端直接跑在传感器端，关键还是在于其将「重计算」与「轻交互」做了

匹配字段正文