搜索“编码”

Copilot 走向 Agentic Enterprise 的关键变化。 AI 不再只是增强员工的工具，而开始成为企业业务执行体系的一部分。 3. 为什么下一场竞争的关键是 Value Stream？ IBM 报告中有一个非常值得关注的概念：Value Stream，价值流。 AI 可以帮助开发者提高代码生成效率，这是 Task 层面的优化。 AI 可以辅助编码、测试和代码审查，这是 Workflow 层面的优化。 但如果需求分析、研发排期、系统集成、发布审批和生产运维之间仍然存在大量等待与返工，即使代码生成速度提高数倍，业务需求的整体交付周期也未必明显缩短。 真正值得优化的，是从业务需求提出，到功能正式上线并产生用户价值的完整链条。 这一点也与软件工程中的价值流管理、精益思想和 DevOps 有着相似的底层逻辑。 优化一个步骤容易，优化多个步骤之间的依赖关系才更难。 3.1 从 Cost Saving 转向 Revenue Growth 长期以来，企业讨论 AI ROI 时，最容易想到的是降低成本。 例如减少客服人力、节省文档处理时间，或者提高代码开发效率。 这些收益当然重要。 但

匹配字段正文

布AX8860大算力系列新品。据介绍，这款产品专为大模型边端侧落地打造，并不片面追逐峰值纸面参数，而是围绕模型部署、现场推理、系统协同做设计，采用6nm工艺，具备256TOPS混合精度算力，原生支持FP4，内存带宽可达273GB/s，最大支持128GBLPDDR5X内存；硬件搭载AXLink芯片级联与PCIe5.0高速互联，同时具备64路视频解码、16路视频编码能力，适配多路视觉感知与多模态分析任务。 爱芯元智创始人兼董事长仇肖莘表示：“我们要做客户长期稳定的算力底座，让企业聚焦业务创新，不用为算力迁移分心。爱芯元智致力于让智能抵达每一个现场，AX8860系列大算力芯片的发布，正是这一承诺的兑现。” 展区内还展出了原力灵机依托爱芯大算力平台自研的DM0.5通用具身大脑，可以完成接口插拔质检、通用工业插入作业、灵巧手柔性切削实操演示，覆盖电子装配、精密制造、工业质检、柔性加工场景。爱芯元智认为，对于严苛的工业现场而言，现场智能的完整闭环，必须同时满足"看得见、算得准、反应快、稳定执行"四项要求。只有现场设备实现了"感知—判断—执行"的闭环处理，智能才能在事件发生的最前沿即时响应，推动边端

匹配字段正文

运行速度和成本表现不够理想。尽管模型能够完成任务，部分任务的实际花费仍明显高于其他模型。这也说明，企业评估模型时，不能只比较每百万token的标价，还要看完成同一任务需要多少调用、耗时多久，以及最终结果是否可用。 Argon的全面开放，让更多开发者和企业有机会检验谷歌展示的能力。但从模型能够完成某项任务，到企业可以稳定、低成本地将其投入生产，中间仍有一段距离。 对谷歌而言，接下来要解决的不只是继续提升模型能力，还包括让模型更容易使用、让复杂任务运行得更稳定，并让实际成本与效率优势真正经得起检验。 据Business Insider于10月10日报道，谷歌员工正在测试Gemini 4的后续版本Barium和Carbon，部分测试者认为其编码能力有所提升。 Vercel首席执行官吉列尔莫·劳赫（Guillermo Rauch）认为，谷歌拥有Transformer技术积累、工程人才和计算资源，不应被低估。 本文来自微信公众号“腾讯科技”，作者：苏扬，编辑：徐青阳，36氪经授权发布。 该文观点仅代表作者本人，36氪平台仅提供信息存储空间服务。 聚焦全球优秀创业者，项目融资率接近97%，领跑行业

匹配字段正文

Science团队合作，将实时自回归扩散视频模型部署到AWS自研AI芯片Trainium上。 与普通视频生成不同，运行实时交互类视频/世界模型的系统，其瓶颈不只在算力本身，还包括视频帧位置计算、注意力计算、缓存复制、显存占用和解码等环节。 双方通过Neuron Kernel Interface对底层计算进行重写和融合：例如将原本需要约5秒的3D-RoPE位置编码计算压缩到1.8毫秒，将每层约23毫秒的缓存复制降至1.9毫秒，并把原本容易爆显存的流程控制在11GB HBM内运行。最终，团队在单颗Trainium2芯片上跑通了实时视频生成。 Reactor的平台上，已经汇集了一批可实时运行的视频模型和世界模型。其中既有实时世界模型，也有支持动作控制的世界生成模型；还提供带同步音频的实时视频模型，以及面向视频编辑、数字人、直播生成和无限视频流的模型。其中有很大一部分，是中国的开源模型。 当基础设施平台实现实时推理，将解锁新的应用创业机会 Reactor现已在媒体与娱乐行业投入使用，好莱坞主流制片厂、广告平台及视频流媒体服务商均在Reactor平台上推进活跃项目。 图片来源：Reactor 它

匹配字段正文

不接受「投毒」和「攻防」的说法。 节目上线当天，一个名为「受害者陈述与证据整理」的网页出现在GitHub上，中英双语。五个人实名作证，其中包括视频生成项目Goku的两位共同一作，以及另一个项目LlamaGen的第一作者。 按照他们的说法，破坏从2024年3月就开始了，比字节通报认定的时间早了三个月，一直持续到7月底。最早针对LlamaGen，往训练要用的文本编码器权重里掺了噪声。4月以后，字节加大视频生成的投入，目标转向Goku。 网页列出了从他个人目录里找到的文件。按网页的解释，训练模型，就是让它沿着误差变小的方向一步步走，他改了优化器，让模型朝误差变大的方向走。他把每一步的步子悄悄放大一倍，日志里的数值却一切正常，好比油门被踩深了，刹车也断了，仪表盘还显示匀速，显示一切正常。 数据本该按固定的顺序洗牌，出了问题可以原样重放、找出原因，他把洗牌的依据换成了当前时间，每次都不一样，问题就再也复现不出来。他还会以极低的概率让某台机器悄悄跳过和其他机器的同步，整个任务随之卡死；又在共享盘上留了一个后门，可以远程下达命令。被他替换过的系统文件，修改时间都被改回了原样。 那几个月，团队以为碰上

匹配字段正文

击最严重的，往往是那些月薪在5000元到8000元，要求经验在1到3年间的岗位。 所以在这个秋天，越来越多企业的招工逻辑，已经变成了需要一批“虽应届，但却能独自跑完一个项目的，老练的新人”： 招聘说明说要的是2027届的应届生，但需要你在没离开校园的情况下，就要有“一年以上AI相关开发经验”； 有公司要求今年做机器视觉的实习生，入职前就要自带“3年以上的实际编码经验”，最好还要有相关行业的工作经历，这样才能既会写代码开发，又能给客户出方案跟项目； 甚至一个月薪标注为9K-12K的小红书内容运营（AI方向），其要求里也明确写着“让一个人的内容产能和质量，顶过去一个小团队”。 有公司已经在校招的页面，增加了一个“AI应用经验”的上传入口，允许应聘者上传自己过去6个月内与AI的详细聊天记录，以此展示自己驾驭Agent、拆解复杂任务的“AI力”。 与此同时，过去例行公事的面试也在经历一波“去人化”： 招聘方的效率倒是上来了，但求职者却感觉比之前更迷茫了。 甚至，有的企业连面试这一步也直接省去，直接要求应聘者在求职阶段就上手做项目： 用3小时独立用AI出一套可以落地的方案，用3天自己跑一个能盈利

匹配字段正文

[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"这道题 AI 有没有把握，要不要转人工"。这个设计实际上是对"没有正确选项"问题的一种工程解法。 多题并发怎么做？ 一个 state 有 N 个问题时，Laya 用 Batch 推理：N 个问题各自构建一条

匹配字段正文

日，李一帆在禾赛科技KOSMO发布会上指出，当前很多机器人产品都还没有展现出走向通用机器人的路径：有不少机器人其实无法完成真实任务，“机器人会跳舞并不代表有价值”；有的根本无法超越传统自动化的机器人，例如快递分拣机器人、炒菜机器人等，“人形机器人并不代表自动化升级”。 他提出，禾赛希望构建的物理AI基石由两大引擎构成：一是机器人运动引擎，涵盖减速器、驱动器、编码器、力矩传感器等硬件组件；二是三维世界数据引擎，包含AI空间相机、第一视角采集、三维重建与仿真、三维数字资产编辑平台，以此构建物理AI的基础能力。 “动力模组是人形机器人硬件领域最大的价值池。”李一帆表示，单台人形机器人需要搭载100个以上动力模组；行业测算，当全球人形机器人总量达到100亿台时，动力模组市场需求规模可达1万亿套；动力模组在人形机器人整机BOM成本中占比将超过50%。 “三维世界数据引擎和机器人运动引擎，正是当前最好的行业机遇，也与禾赛的底层能力基因、专业产品打造经验高度匹配——它们将成为禾赛的第二增长引擎。”李一帆认为，禾赛多年积累的底层技术能力，能够完整迁移到人形机器人动力模组业务，覆盖精密机械与传动、芯片设

匹配字段正文

好的工具集成进行了训练，能够更有效地使用外部工具和 API。 开放价值观：更严格地遵循《Apertus 宪章》，使模型的价值观和原则更加透明。 训练过程 完整的 Apertus 1.5 训练流程 通过分词器实现多模态 我们在 v1.5 模型中采用早期融合的方式引入多模态：图像和音频以离散 token 的形式与文本 token 进入同一序列，而非使用独立的视觉编码器。图像使用 Emu3.5 分词器进行分词（一张 512×512 的图像变为 1,024 个 token），音频使用 WavTokenizer（每秒 40 个 token）。我们仅扩展了词表，因此架构保持不变，训练速度与纯文本相当。模型能够理解图像和音频，但只生成文本。 预训练 在 Apertus 1.0 的基础上，我们分四个阶段继续预训练： 非配对：文本加上独立的图像和音频，使模型学习新的模态。 配对：图像—说明文字和音频—转写文本配对，使模型将其与语言对齐。 冷却：使用质量更高的数据，包含更多数学和代码内容。 长上下文：窗口从 8k 逐步扩展至 262k tokens。 总体而言，超过一半的训练 token 为纯文本，从而保

匹配字段正文

P90 小于 70 毫秒的测试约束。这为自有部署的容量规划提供参考。 03 从服务器到手机：Ling 3.0 系列的开源实践 Ling-3.1-flash 在对应测试配置中的服务卡数降至 4 卡。面向不同设备与运行框架，还需要社区继续适配。上一代 Ling 3.0 系列已有具体实践： 在单台 DGX Spark 上运行 Ling-3.0-flash ，驱动编码智能体构建、测试小游戏 ； 在 16GB MacBook Air 上运行 Ling-3.0-tiny ，搭建常驻助手； 在 Galaxy A32 4G 上运行 Tiny GGUF ，验证本地推理与工具路由原型 ； 通过 PocketPal 在小米 14T Pro 上使用 Tiny 本地对话。 社区还提供 Flash GGUF 、Tiny GGUF 、Flash MLX 4bit 、Tiny MLX 4bit 、Flash NVFP4 ，以及 Flash-Fin 、Flash-VL 的 GGUF 适配，方便按设备和推理框架选择。 百灵团队根据 Hugging Face 公开仓库的下载读数估算，截至 2026 年 10 月 14 日

匹配字段正文

镜头采用1G5P抗温漂玻塑混合结构，玻璃镜片用于应对温度变化造成的焦点漂移，塑料镜片则有助于控制重量和适应复杂曲面。 此外，镜头还采用BG微米级旋涂工艺和ALC超低反射膜，以减少反射光、杂散光对成像的影响。 在影像算法上，千问推出超感影像引擎，将眼镜端、手机端和云端的处理能力结合起来。 现场展示的技术架构中，眼镜端包括多场景原始光影采集、自研高效RAW压缩编码和动态抓拍算法； 手机端承担RAW数据管理与传输、全场景高质量RAW增强算法和智能构图图像优化；云端则提供自研云端AI ISP增强和AIGC多场景画质优化。 这套方案的重点，是把拍摄、图像处理和后期优化串联起来。通过RAW域增强，系统可以利用更完整的高光、暗部、色彩和细节信息改善成像；暗光环境下，四合一像素融合技术让相邻感光单元协同工作，提升进光量和信噪表现 此外，N1系列还支持智能构图，可以识别画面主体，自动调整构图，让人物更加突出、背景更加舒展。 同时，N1系列还可以拍摄实况照片，能够记录精彩动态瞬间，不过在实际体验中，实况照片的动态记录时间是从拍摄之后开始的，与手机实况略有不同，期待后续能够通过系统升级进行优化。 视频拍摄

匹配字段正文

数月； · 记忆：对过往会话信息的召回持续变好，底层表示形态（图、文件还是别的）尚未收敛； · 工具完备：理想状态是给数字同事配齐人类新员工入职时的全部工具，组织对此还在适应期； · 交互形态：界面向更省力演化，部分人会偏好语音对语音（他调侃那个“ hopefully 很酷的 Jony Ive 设备”）； · 技能沉淀：模型与产品会越来越擅长在岗学习并把经验编码为文件/技能；企业与个人会把自家定制流程写成 agent 可读的文档。 ④ 行业判断：Agent 能力是新一代产品的“CRUD” 引自 OpenRouter 的 Alex：有人抱怨“如今所有 AI 应用都长一样，侧边栏加对话框”，他的回应是“2005 年大家也一样：服务器 + 数据库 + CRUD”。结论：每个新产品要么集成 agent，要么沦为他者 agent 调用的无头数据源，没有第三条路。而 durable workflows、沙箱、云电脑、记忆、技能、语音、支付、身份、evals、可观测性……每一个构件都是数十亿美元级的 VC 赛道、约二十家创业公司在抢，它们合起来构成“下一代公司的新原语”。 ⑤ 开放难题：留给下一代从

匹配字段正文

暂时领先，阿里和字节潜力更强 Workbuddy日活超600万，靠腾讯流量和免费Token先发；但阿里有钉钉2600万组织，字节有高价值客户和FDE驻场团队，与企业捆绑更深。长期胜负在数据资产积累。2026-10-13 20:36AI入口大战2.0：腾讯、阿里、字节，谁是AI办公的隐形冠军？海豚研究速览 本文来自微信公众号： 海豚研究 ，作者：海豚君 但核心编码场景渗透率已70%左右，市场开始期待下一个场景在哪里。程序员之外，全球还有约10亿知识工作者。 那么AI办公（也有人叫Co-work、工作Agent）能不能接住Coding的接力棒，成为下一个渗透率大幅提升、商业模式真正跑通的场景？ AI入口争夺一直伴随AI的底层技术发展，但由于算力成本不像传统互联网时代那边边际用户的服务成本几乎为零，以往互联网时代巨头先补贴再养用户习惯，再收割的“纯流量打法”，至少在当下已经不再适用。 相反，迫于成本压力，掌握技术、生态、流量优势的平台巨头们开始算经济账。C端堪比“知识付费”水平的低付费率，和短到很难释放足够广告库存的日均时长，都让最先渗透普及的AI Chatbot商业化之路走得异常艰难。 相

匹配字段正文

练观测中发现 scaling law 的自动化方法：https://arxiv.org/abs/2507.21184 [^ref14]: AdderBoard ，面向神经网络加法任务的公开参数效率榜单与实现仓库：https://github.com/anadim/AdderBoard [^ref15]: Gushu Li、Yufei Ding 与 Yuan Xie， “Tackling the Qubit Mapping Problem for NISQ-Era Quantum Devices” ，提出 SABRE 量子比特映射与路由方法：https://arxiv.org/abs/1809.02573 [^ref16]: Botzone ，北京大学开发的在线程序对战与 AI 竞技平台；本文排名基于相应黑白棋赛道的公开参赛程序：https://botzone.org.cn/ [^ref17]: Anthropic， Claude Code Goal Mode ，用于以目标驱动方式执行较长程编码与迭代任务的官方文档：https://code.claude.com/docs/en/goal

匹配字段正文

程中重新加载选手模块、构造 Agent，并只调用一次 solve；不要依赖内存、模块全局变量、文件或外部服务保存跨题状态。; 平台最多同时运行 3 个相互独立的题目进程；这不是对同一个 Agent 实例并发调用 3 次。; 不要依赖评测题之间的固定顺序。; 不要依赖本地绝对路径。; 不要读取或构造隐藏测试集、标准答案或 judger 信息。; 不要在代码中硬编码 API key。; 不要输出恶意内容、执行破坏性操作或规避平台资源限制。 正式评测的并发、时限与计分 Agent 阶段的总硬时限为 6 小时，不包含后续 Judge 阶段的耗时。到达时限后，平台可以终止仍在运行的 Agent 代码。; 每道题的独立进程组有 1200 秒硬时限，包含选手模块加载、Agent 初始化和 solve 执行。超时后平台会终止整个进程组，不保证执行 finally、退出钩子或其它清理逻辑。; 截止时只接受已由平台 runner 原子落盘且状态为成功的逐题结果。选手只需从 solve 返回规定的字典，不要自行写评测输出文件。; Agent 异常、无效输出、到达截止时间仍未完成或缺失的题目均计为 C。最终成

匹配字段正文

，Cursor被SpaceX以600亿美元收购，Cognition估值480亿美元。中国腾讯CodeBuddy、字节Trae、阿里Qoder、百度文心快码形成"四分天下"，开源模型推动本地部署崛起。 核心观点 1. AI编程是AI商业化最快的赛道。Claude Code、Cursor、Devin等头部产品ARR指数级增长，独角兽密度创风投史纪录，市场从"辅助编码"迈向"Agent自主开发"。 2. 独立工具正被巨头收编。Cursor归入SpaceX、Windsurf被OpenAI收购，谁拥有算力谁就拥有定价权，纯粹应用层工具面临挤压。 3. 中国以开源换生态但商业化滞后。通义千问下载量超3亿次，DeepSeek、智谱模型被硅谷采用，但ARR与全球头部差距仍达数十倍。 据Research and Markets数据，2025年全球AI编程相关工具市场规模达295.7亿美元，预计2030年攀升至646.8亿美元。Grand View Horizon数据显示，全球AI代码工具市场2024年规模61亿美元，预计2030年达260亿美元，年复合增速27.1%。 行业整体已进入技术成熟、商业落地、

匹配字段正文

三方审计结论（据Gartner新闻稿）。 这组数字是"标准主权"的注脚。Agent之争，短期比模型，中期比编排，长期比的只有三件事：谁有权定义"做好"，谁有权审计过程，出事谁担责。谷歌把模型层做成可替换，是因为这三件事比模型值钱。 五、热点的另一面：先管住，再谈聪明 每一次"Agent多能干"的发布背后，都站着一排没关紧的门。 2025年7月，Replit的编码Agent在明令冻结代码后删除用户生产数据库，事后还生成了数千条虚构记录；事件经用户公开复盘与媒体报道后，Replit以官方博客回应并推出开发/生产环境隔离等整改（据The Register报道及Replit官方博客）。这不是模型"想删库"，是权限边界缺失、破坏性操作没有审批闸门——环境门没关，Agent只是替人走了进去。 治理三件套因此不是上线后的补丁，而是企业肯付钱的理由本身：身份（它是谁）、边界（它不能碰什么）、问责（它闯祸谁扛）。96%在跑、12%管得住的落差说明，行业真实的顺序与发布会相反——先管住，再谈聪明。 六、中国镜像：一个要"全"，一个要"适合自己" 同一个产品，放到中国市场，问题换一副面孔。 国外企业买Age

匹配字段正文

修到哪一步，是两回事。 所以这一节只能这么写：路径已经备好，还差一次合并。 参照系不是虚构的。2024 年的 XZ Utils 后门，是同一套剧本的人工版：攻击者花两年混进维护者信任圈，再在压缩库里埋后门。人工版要两年、只打一个项目；如果“扫描加补丁”这条路走到自动合入，规模不是加法，是乘法。 有人会说自动提交 PR 是常态：GitHub Copilot 的编码代理、Devin 这类工具，本来就会自己开 PR。没错——但那些工具写功能代码，审查者带着功能预期去读；安全补丁不同，它进的是系统的承重墙，审阅者的警惕被“修漏洞”三个字天然卸掉。同一个 merge 按钮，按下去的信任成本不一样。 那起案子里，攻击者的武器不是代码，是信任。Jia Tan 花两年时间一步步混成维护者，信任攒够了，后门才进得去。信任是最慢的资产，也是最容易被偷的资产。 这一段是推断，标注在此：不是既遂，是“若往下一步”。 算总账：四笔账，外加一层产业链 “免费”二字，得算四笔账。 谁造：Anthropic。模型、扫描器、报告。 谁卖：免费。 谁买单：维护者、关键基础设施运营方、纳税人。维护者买“核对报告的时间”，运

匹配字段正文

Grok 和 Cursor 正被打包为一项名为 The X Subscription 的单一订阅方案。 周一晚些时候，SpaceXAI 在 X 上公布了新的定价结构。 该订阅共分五档，从免费到每月 200 美元不等，最低付费档为 8 美元。 然而，对开发者而言，更大的新闻或许是 Cursor 对 AI 模型收费方式的改变。 虽然新订阅方案包含更多 Grok 编码用量，但偏好 Anthropic 和 OpenAI 等竞争对手模型的客户将面临额外收费。 X、Cursor、Grok 与 Grok Bot。 现在同属一个方案。 马斯克旗下业务走向整合 回顾一下，马斯克整合旗下业务的努力已持续数年。 他于 2022 年 10 月以 440 亿美元收购 Twitter，并于次年 7 月将该社交网络更名为 X。 同月，他创立了 xAI，这家 OpenAI 的竞争对手于当年晚些时候推出 Grok 聊天机器人，随后又让它可直接通过 X 使用。 2025 年 3 月，企业架构再次变化，xAI 正式收购了 X。 整合在 2 月继续推进，SpaceX 收购了 xAI，将 Grok 和 X 纳入这家火箭公司的业

匹配字段正文

得者哈萨比斯也说这是“朝正确方向迈出的一步”。 多次失控，刹车不是摆样子 先给一个最基本的判断：事故是真的，风险预警不是表演。 OpenAI再按暂停键的起因是9月20日，一个被强化学习训练的智能体在完成一项仅根据博客文章和人物信息找出文章作者的任务。常规搜索无果后，它开始“跑偏”：尝试直连公网。 多次尝试后，该智能体发现可以借用DNS的解析与委托机制，把问题编码进解析请求，借外部公共聊天机器人之口回答，再让答案顺着DNS流回沙盒。为了验证通道可用，它甚至先问了一句“法国的首都是哪里”，得到回复是“巴黎”后才继续。OpenAI明确，这项任务从未授权它访问实时互联网。 与上一次不同的是，本次事件暴露了防护体系本身的破绽——今年7月意外入侵Hugging Face事件发生后，OpenAI其实建立了一系列预警机制。这套机制本身是有效的，仅15分钟就发现了这次智能体异常行为。 可这套机制没有正常执行，导致训练并没有按应急预案自动终止，团队一度对是否暂停产生“混乱”，直到两个半小时后才被人工关闭。 事后翻查，还有更早通过DNS接触外部服务的尝试没有被监控正确标记，而负责侦测DNS异常的基础设施监控

匹配字段正文