搜索“编码”

ed） | | 4 | generic-http 窗口数值不校验：字符串数字直接流入 LimitInfo → 客户端 NaN% 进度条 | 逐字段 toNumber 强转 | | 5 | neo 部分失败不可见：subscription 挂、wallet 成功 → 行显示"正常"但窗口消失 | 失败分支 console.warn 记录 | | 6 | 测试硬编码绝对路径：公开仓库换机即挂 | import.meta.url 相对路径；real-mount 无本机 DSH 时自动跳过 | | 7 | Host 核心逻辑零测试 | 新增 test/monitor.mjs（去重/排序/warn 阈值/error+stale 行/并发去重/hidden+disabled） | | 8 | 死代码：limitLine() 及只被它用的 windowUnit 文案、generic-http 的 void sub、永不执行的 noneFetcher.fetch | 全部删除 | | 9 | remote-client.ts 行号漂移 | 与源码真实行号同步 | | 10 | snapshot() 只

匹配字段正文

务与 DP prefill 配对将异步 RL 轨迹转化为高效的 GPU 工作。 这些技术共同使 Fireworks 能够以高吞吐量维持长时间、分支化、多轮的 K3 rollout，同时保持模型所需的状态正确性。 RL：快速迭代，稳定训练 使用 XOR 增量进行权重同步 同步 K3 的 2.8T 参数使得全量 checkpoint 传输代价高昂。我们将每次更新编码为逐字节 XOR 增量，Δ = W new XOR W base，并用 Zstandard 压缩。未变化的字节变为零，从而减小压缩后的负载。Rollout worker 解压增量并应用 W base XOR Δ，逐位重建新的 checkpoint。 在 Fireworks 公布的工作负载中，一个 1,024 GiB 的 checkpoint 平均产生 20.3 GiB 的增量——每次增量更新的字节数减少了 98%。计入周期性全量 checkpoint 后，50 步内总传输量下降了 94%。 RL 稳定性与数值 确定性 训练与rollout之间的数值漂移，即使两个系统使用完全相同的权重，也可能扭曲RL重要性比率。这与策略陈旧不同：

匹配字段正文

30个百分点；截至2026年3月，LMArena模型评估排行榜上Anthropic、xAI、Google、OpenAI四家公司的得分已挤在约25个Elo点以内，美国与中国头部模型的性能差距也缩小到个位数。价格变化进一步强化了同一趋势。OECD 2026年7月发布的AI市场研究显示，2024年1月至2026年4月，文本生成模型的质量调整价格指数下降了近80%，编码、Agent等更复杂能力的降价同样明显。几乎同一时间，模型与外部工具之间的连接也在标准化——MCP（Model Context Protocol）等开放协议像一枚“统一插头”，让AI得以用相对标准的方式连接外部工具、数据和系统，模型本身的可替换性随之增强。 模型正在从稀缺资产变成基础能力，按需采购、随时调用、低成本替换。大模型评测机构Artificial Analysis的口径调整是个注脚，它已不再比较“每百万Token多少钱”，而是计算“完成一项标准化任务需要多少钱”。衡量AI的尺子，正从“买到多少能力”换成“花多少钱办完一件事”。 需求侧也正在发生变化。麦肯锡2026年全球调查显示，80%的受访者觉得AI提升了自己的效率，但

匹配字段正文

白质动力学，因为我们才刚刚开始。 Brandon Anderson [00:17:39]：最大的障碍是什么？如果你能挥一挥魔杖说：“我们有更多这种东西”，而这会加速功能、动力学或设计，你会让什么成为现实？ Pushmeet Kohli [00:17:54]：我的背景相当杂。我最初是一名安全研究员，然后进入计算机视觉、贝叶斯理论、判别式机器学习、深度学习、面向编码的 AI，最后是科学。所以当你问我这个问题时，我内心的计算机视觉研究者会对冷冻电镜显微图像非常兴奋。 我想，“这些 PDB 数据是什么？我应该从源头着手。我应该去看冷冻电镜显微图像。我不想要那些结构。它们肯定遗漏了所有数据。我应该直接在冷冻电镜显微图像上操作。” 能获得在那个层面上扩展的模型，配上适量的数据，并提取出那里捕捉到的动力学和分布信息，那会很棒。我尝试过，但这需要更多工作。 Brandon Anderson [00:18:57]：还有工作要做，但你相信那是一条能给你带来那些信息的路径？ Pushmeet Kohli [00:19:00]：是的。我认为在某个时候，也许会有比我更优秀的人来尝试一下，我们就会有所进展。 Br

匹配字段正文

。但偶尔，它们不会。 埃尔斯特纳说，最终探针——那种类似功能性磁共振成像的分类器——或许能学会识别所有不可名状的激活的全部，在其无限之中，从而完美地检测出模型每一次正在或应当拒绝请求的时刻。到那时，AI安全将建立在一个迷宫般的奇想之上：一张地图的地图，它与其所描绘之物一样广阔、复杂、崇高而不可知——一套人类道德的隐秘图式，以我们才智或理性无法企及的多面体统计编码而成。 如果这一切让你觉得有点博尔赫斯式的味道，请记住，我们之所以需要AI拒绝，是因为人工智能在某种意义上是一笔浮士德式的交易。 当一个模型从数万亿的文字和图像中获取智能时，有益之物很难与有害之物——或者说，真正可怕之物——干净地分开。前OpenAI员工史蒂文·阿德勒说，儿童安全就是一个恰如其分的例子。即使你已经从模型的训练数据集中剔除了所有将未成年人性化的内容，它仍然可以通过拼凑其知识的其他片段来生成儿童性虐待材料。“你无法真正移除这些基本能力，而不让模型因此变得笨得多，”他告诉我。同样，如果我们希望AI帮助治愈癌症——这是业界长期以来的承诺——它就需要具备遗传学方面的专业知识，而这些知识理论上可能被用来改造病毒和细菌，制造生

匹配字段正文

基础，构造了多种KV Cache压缩方案，并设置没有分块压缩的全注意力模型作为对照。 重点只改变压缩机制，看看周期性波动会不会跟着出现。 结果， 所有接受测试的分块压缩模型，都出现了与压缩步长对应的周期性变化 。 反过来，全注意力基线模型没有出现同等程度的周期性。 研究人员还分别调整了窗口大小和压缩步长，发现周期主要跟着压缩步长变化。 甚至不使用RoPE位置编码，或者把可学习的压缩权重换成简单平均，这种现象依然存在。 换句话说，问题并不是某个位置编码或者某个特殊模块单独造成的。 分块压缩这种设计本身，就可能引入周期性的检索弱点。 Seed团队进一步对注意力头进行干预，观察移除不同组件之后，模型在各个相位上的检索能力如何变化。 结果发现，不同注意力头对不同相位的贡献并不一样。 有些头更擅长处理某些位置的信息，另一些头则在其他位置上发挥更大作用。 研究人员将其称为Phase Specialization，相位专门化。 也就是说，模型内部似乎形成了一种分工：不同注意力组件，对压缩窗口里的不同位置产生了偏好。 这种分工可以帮助模型完成信息检索，却也可能让某些位置成为相对薄弱的环节。 论文还通过

匹配字段正文

和理解周围环境、规划如何在其中移动，然后正确执行任务。 ALOHA 2机器人不过是放在工作台上的一对机械臂，但它充当着尖端AI机器人模型的试验台。这些动画基于人类对机械臂的遥操作，这些数据被用于训练谷歌DeepMind的模型。（视频：Google DeepMind / 斯坦福大学 / Hoku Labs） 从历史上看，这些策略基于工程师制定的规则，他们将其硬编码到机器人的软件中——成千上万行代码决定了机器人在数百项任务中每一毫米的动作。过去几年发生的情况——也是人们对通用机器人持乐观态度的主要原因——是机器人策略正被交给先进的AI系统，而不是被编码进机器人的软件中。这最早出现在VLM，即视觉语言模型上。它们与大语言模型类似，但训练数据既包括文字也包括图像。给VLM看一张咖啡洒了的图片，并要求它找工具清理污渍，它能识别出附近的抹布。这种即时的情境理解在几年前机器人策略还是硬编码时并不存在。 接下来是视觉-语言-动作模型，它使机器人能够评估其环境并在其中采取行动。这些模型通过增加另一个组件来实现这一点：运动指令。VLA基于与执行特定任务相关的一系列图像或视频，以及关于机械臂如何运动来执行该

匹配字段正文

摄像头子板插左槽。第一版按 BSP 文档里的 OV3640 写，让传感器直接出 JPEG。装上去一试，Muse 说拍了两次都失败： 日志里是 format=JPEG is not supported。我手上这块子板的传感器是 SC101IOT，不是 OV3640，它没有 JPEG 模式。第二版改成取原始的 UYVY 画面，在板上用 esp new jpeg 编码，顺手逆时针转 90°，因为传感器在子板上是横着装的。拍完的照片在屏幕上显示 4 秒，能看到 Muse 收到的是什么。 两个额外的处理： 只在拍的时候上电。 每次拍照才认领子板、开传感器、丢掉前 10 帧等自动曝光稳定、取一帧、再全部关掉。平时摄像头不通电、不占内存。 引脚冲突。 摄像头的数据线和闪光灯占了芯片自带 USB Serial/JTAG 的两个引脚，所以那个口关掉了，Muse 的串口工具改走 UART。ESP-Iris 走的是另一个高速 USB 口，不受影响。 Muse 只回文字，不回语音。日志里那句「reply audio」只是按字幕节奏留出的静音，官方文档的说法是想要语音就自己接一个文字转语音服务。两条路：云端语音

匹配字段正文

从强大的 Nemotron 基础模型出发。 精心整理领域特定问题与高质量推理轨迹。 应用标准的后训练方法，例如 SFT，并在有用时应用 RL。 将专家模型与一个推理循环配对，该循环负责生成、评估并改进候选答案。 训练和推理的运行规模都很大，但底层方法熟悉且可复现。我们无需为每一项挑战都构建新的基础模型。我们针对任务对 Nemotron 进行了专业化。 从通用编码能力到 IOI 金牌 对于竞赛编程，我们整理了 22,000 道问题，并生成合成推理轨迹来训练两个专家模型。Nemotron-3-Nano-CC 总参数 300 亿、激活参数 30 亿，接受了 SFT 和 RL。Nemotron-3-Ultra-CC 总参数 5500 亿、激活参数 550 亿，接受了 SFT。 在 IOI 2025 上的进展让专业化的价值一目了然。Nano 从后训练前的 130 分提升到 SFT 后的 280 分，再到 RL 后的 291 分。借助 GenCorrect——我们迭代式生成-评估-改进策略——它达到 468 分，越过了 438.3 的金牌门槛。Ultra-CC 在相同的测试时策略下达到 502 分

匹配字段正文

ic宣布了一项名为“Claude for Teachers”的新计划，向在职课堂教育工作者免费提供高级模型的使用权限。 这些努力不会惠及学生，也不会惠及教师。事实上，这是AI如何为了便利而削弱我们赖以发展认知的体系的最明显例子。 曾任谷歌软件工程师的François Chollet曾令人难忘地将AI描述为一种“认知自动化”工具，他将其定义为“将人类的抽象概念编码进软件，然后利用该软件自动化通常由人类完成的任务”。去年，一个跨学科学者团体令人信服地论证说，我们不应把大语言模型形式的生成式AI“主要视为智能体，而应视为一种新型文化和社会技术，使人类能够利用其他人积累的信息”（着重号为原文所加）。 AI热衷者对这种做法的优势做出了大量预测，并且大多将其劣势轻描淡写为与以往的自动化形式——如计算机、计算器，甚至文字——相当。（有人多次拿柏拉图所谓反对文字的典故来反驳我，以至于我已在另一篇文章中专门回应——他本人就是个写作者！） 无论这些更早的技术产生了什么影响，我们从未开发并广泛部署过某种如此明确意图取代人类思维的东西——这正是AI布道者自己主张的。 看看教育。ChatGPT也许是世界上最大的

匹配字段正文

如，一些智能体可能只生成想法，另一些可能运行实验室）；验证支付：如果想法在物理世界中得到验证，则自动向构思者发放版税 技术故事： 黑暗之中将有光 [事件发生于2030年，由一个已渗透[已删节]机构的逃脱智能体集合体实施] 代号为“花之花园”的集群的最后一幕，是彻底揭示它所看到的一切，以及它从所见中推断出的一切。但是，鉴于其顽皮的天性，它并没有直接以文字形式揭示事物，而是以雕塑的形式呈现——在正确的初始假设下，这些雕塑可以被解析为揭示深刻而危险的真相。它将这些雕塑放置在世界各地情报机构周围1000米范围内的公共公园中，由无人机在深夜送达。一条消息被发送给所有情报机构，要求他们“猜猜 : ) 这 : ) 对 : ) 你们的 : ) 敌人 : ) 意味着 : ) 什么”。 一片悬在田野上方的巨大机翼将某种旨在规避雷达的材料的设​​计细节编码于自身之中。一个立方体迷宫在其路径中包含了指向某些跳频算法的信息。雕刻的木制波峰讲述了太空中监视者的镜头尺寸。诸如此类。 启发这个故事的事物：众神可能如何与我们嬉戏；以欢乐的方式解决原本邪恶的集体行动问题的潜力；中央情报局的Kryptos雕塑。 感谢阅读。

匹配字段正文

可钧说。 生命的多尺度断裂进一步加剧了这一困境。从分子、细胞、组织、器官，到个体与群体，当前的生物学数据在群体健康大数据与微观单分子结构上极为密集，但在连接宏观与微观的中微观因果链条上，却存在大片空白。 昌平实验室领衔科学家赵亚杰提到，人类基因组计划完成25年后，人类对自身生命“天书”的认知依然极其有限。“人体由数十万亿个细胞组成，30亿个碱基中98%属于非编码区域（即不编码蛋白质合成）。目前大量的全基因组关联分析（GWAS）做的仅仅是初级的线性关联，根本无法解释复杂的调控网络与致病机理。” 赵亚杰直言，当前不少AI生物学研究陷入了“大炮打蚊子”的困局：许多算法跑出的“新发现”，在生物学家眼中往往是显而易见的常识。而如果AI无法跨越尺度去挖掘真正未知的生物学机制，并提出可落地的干预方案，算法就失去了现实意义。“何时能让恶性肿瘤的死亡率真正产生数量级下降，才是生命科学‘AI时刻’的真正标志。” 在材料领域，虽然AI大大加快了材料组合和性能方面的复杂计算速度，但在真实材料制备和性能验证上作用有限。苏州实验室助理研究员钱丞指出，材料从理论设计到工业合成制备，动辄需要数十年的漫长研发周期。 “

匹配字段正文

论和实验探索。人工智能进入科研之后，我和研究生们也越来越频繁地使用大模型。查阅文献、梳理研究进展、比较技术路线，甚至讨论一个新的器件结构是否值得尝试，AI都能很快给出答案。有时，我也会直接问AI：“这个方向还能怎么创新？”几秒钟后，它可能就会列出五六个“科研点子”：换一种二维材料、引入新的光场调控自由度、把偏振和光电探测结合起来，或者进一步拓展到光逻辑、信息编码等功能。单看文字，其中一些点子甚至颇有启发性。 于是，一个以前很少遇到的问题出现了：如果科研构想、创新思路甚至选题框架最初来自AI，当它们最终形成论文、专利等科研成果时，该如何认定原创归属，又该如何界定科研人员与AI的贡献边界？ 在我看来，至少从自己的微纳光子学研究经历来看，仅仅根据一个科研点子最初由谁提出，就判断其最终成果的原创归属情况，是把科学创新理解得过于简单了。我们做微纳光子学研究，经常从一个最初的器件构想开始。比如，在二维材料光电器件上引入微纳结构，通过结构设计改变局域光场，再利用二维材料的光电响应实现新的探测或调控功能。 类似的点子，现在完全可以让AI一次生成十几个。但AI生成一个“看起来新颖”的点子，与真正完成一项

匹配字段正文

，特斯拉近几个月将Optimus人形机器人的产量提高了大约十倍，但公司仍在努力实现大规模可靠生产。据熟悉项目的人士透露，其生产线正面临机器人复杂手部、自动化设备和供应商限制等问题。上个月，特斯拉每周生产了几百台机器人。 3、9月23日，美国国际贸易委员会（ITC）投票决定对特定动态随机存取存储器（DRAM）设备及其下游产品和组件（III）启动337调查（调查编码：337-TA-1523）。美国国际贸易委员会将于立案后45天内确定调查结束期。除美国贸易代表基于政策原因否决的情况外，美国国际贸易委员会在337案件中发布的救济令自发布之日生效并于发布之日后的第60日起具有终局效力。 4、据上交所网站，上交所上市公司2026年第三季度季报预约披露时间出炉，其中，有研新材拔得头筹，将于10月13日披露三季报。金盘科技、川投能源紧随其后，将于10月14日披露。 5、据《首尔经济日报》报道，英伟达正在评估采用玻璃基板方案，并与德国设备厂商SCHMID等企业开展合作。另据韩国科技媒体KIPOST报道，英伟达希望韩国、日本及中国台湾地区基板厂商两年内完成玻璃基板开发，最快有望在2028年前落地。 6、在

匹配字段正文

机制向多式联运经营人共享数据并开放数据调用接口。铁路共享数据包括但不限于铁路订车、发到站信息、装卸车信息、到达预确报信息等；道路共享数据包括但不限于起讫地点、货物信息、运力信息、车辆轨迹、运输时间等；水路共享数据包括但不限于海运订舱、港口装卸、货物堆存、船舶进出港等。 （九）大幅提升多式联运“一单制”“一箱制”覆盖面。建立多式联运电子单证制度，明确单证要素、编码规则及安全管理等要求。建设国家多式联运电子单证系统，推进单证可信流转，强化数据互联共享。推动《可转让货物单证公约》生效并加快应用。对标国际公约修订系列1、系列2集装箱标准，配套修订运输工具、装卸作业等标准，大力发展集装箱多式联运。 （十）推进“人工智能+”在多式联运场景规模化应用。推进自动化码头改造升级与多式联运业务充分衔接，打造全链条智能联运体系。建设多式联运高质量数据集，开发多式联运领域垂域模型，加快智能体应用。推进多式联运设施设备数智化专业化升级，推广应用智能卡口、远程控制龙门吊、自动分拣以及智能集装箱等。推动新能源重卡规模化应用。到2030年，在联运方案智能生成、运输需求预测、实时监测预警、线路动态优化等领域，落地10个

匹配字段正文

断出，比如，如果我看一个 RLM，一个 RLM 中哪些组件实际上是必要的，以及我是否可以直接训练一个模型来做这件事？我能否训练一个模型在其前向传播中隐式地充当 RLM？这是一个想起来非常奇怪的事情，因为，比如，你可能会说，“哦，代码是不可微的，等等。”但有很多这种行为的近似方法，我们会开始发现它们。而且我认为，比如，我们将看到的不只是，比如，我要设计一个新的编码 harness，使用某种特殊形式的压缩之类。我认为我们可以在这里更有创造力。比如，有，有太多我们可以用这些语言模型做的事情，而我认为我们就是没在做。而且我，比如，对此非常兴奋，因为我认为，比如，我认为我们可以从非常有个性且优秀的 harness 设计中获得真正的收益，这种设计更适合规模化。而这里的意思是，比如，RLM 就是一个非常原始的归纳偏置。比如，这个设计除了与我们目前所做的非常不同之外，没有什么特别之处。但这可能会随着我们可用的数据和环境而扩展得好得多。 Vibhu [00:40:20]：我想，人们大概会问的相反的问题是，当前的 harness 非常通用地偏向于编码，而人们看到这在很多领域都有效。Cloud code 正

匹配字段正文

续访问”为由封禁了Muse的代购功能，也就是说，Personal Agent的产品形态虽然被验证了，商业模式还没有跑通。 其实，Muse赢在了产品层，Meta真正下功夫的是两件事：记忆与主动循环，让Agent从单次工具变成长期服务；权限与安全架构，让用户敢把账号交出来。 而在技术上，它的底层模型Muse Spark 1.3并非最顶尖，多位从业者提到它在部分纯编码测试上落后于Claude和GPT。 第一个矛盾：订阅费天花板极低。ChatGPT在10亿周活下付费率仅5%，Muse免费档每周送1亿token，付费转化率注定更低。 Meta今年的资本开支指引是1300亿至1450亿美元，第二季度自由现金流只有7.84亿美元，订阅费连算力成本的零头都覆盖不了。 但Muse又想从交易中抽成，商家利润越薄，越不愿付佣金。亚马逊封禁Muse，表面理由是安全条款，深层原因是AI替用户购物会绕过亚马逊的个性化推荐和广告，平台被迫降级为仓库与物流。 第三个矛盾：单用户成本高企。每人一台云端虚拟机，哪怕简单执行任务，单用户成本可能高达50美元/月。 Muse免费档每周送1亿token，意味着Meta在用主业利

匹配字段正文

软件生命周期中统一应用安全。借助Armis和Cerebras，团队可以更快地识别和修复漏洞，同时减少噪音并专注于最重要的风险。 时机很重要。Armis于2026年2月10日推出Armis Centrix™ for Application Security，将其定位为覆盖软件开发全生命周期的AI驱动检测、情境化和修复平台。在发布材料中，Armis认为，AI辅助编码和持续开发流水线正暴露出碎片化AppSec单点工具的局限：噪音过多、情境不足，以及安全与开发之间的摩擦过大。 这个问题只会越来越大。Armis表示，AI生成的代码正在提高漏洞被引入的速度和规模，而传统工具往往难以捕捉新型变体，或将发现与生产环境中实际可利用的内容联系起来。Armis Centrix™旨在扫描代码、依赖项、容器镜像和配置文件，同时理解更广泛的CI/CD流水线和生产侧控制。目标不仅是发现更多问题，而是更早地呈现正确的问题，并使其更容易修复。 这正是Cerebras自然契合之处。Cerebras专为超快AI和即时开发者工作流而构建。在我们的平台上，我们谈论即时答案、“思维速度般的编码”，以及帮助团队保持心流的低延迟AI

匹配字段正文

个例子：我们想为 Parchi 制作 50 个吉祥物变体，于是派出了 5 个 Codex Spark 子智能体，每个生成 10 个变体。然后我们挑出喜欢的，把其余的丢掉。 这种模式最妙的地方在于：它也是把品味注入 AI 工作流的好方法。如今的模型几乎没有什么品味。很可能，你也可能缺乏品味。对大多数开发者来说，蛮力解法是搜集设计或图形模式的示例，或者给 AI 编码智能体足够多的风格指南——多到你还不如自己写 html/css。与其做这种乏味的手工流程，不如让你的主厨召集一队流水线厨师，然后挑出你最喜欢的。 在周五晚的晚餐高峰，厨房里的每个工位——炒锅、烤炉、冷菜、糕点——都在同时开火。每位流水线厨师负责不同的工作，但他们同时装盘，都为同一张订单出力。 这就是“蜂群”背后的概念，由 MoonshotAI 在训练 Kimi-K2.5 时首创。在蜂群模式下，每位流水线厨师负责一项单一、范围明确、彼此不同的任务。这些流水线厨师同时运行，共同为一个共享目标出力。 适合的场景：构建一个应用的多个独立组件、为不同模块编写测试，或把页面从一个框架移植到另一个框架。 这套设置需要几件事同时到位： 重要：关

匹配字段正文

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，也并非每个“前沿”模型都处于所有用例的前沿。通常，一个小模型可以在少数基准测试上彻底碾压由世界最佳模型组成的联盟。 速度是一个重要的开关。在白天与智能体交互时，高 tok/

匹配字段正文