搜索“编码”

了嵌入中的伪影，并带来小幅性能提升。这一更新直接源于合作伙伴对更干净嵌入的需求。 OlmoEarth 将卫星图像处理为瓦片（图块），并将每个图块转换为嵌入，即一种数值表示。旧版本用固定信号（绝对位置嵌入，APE）标记图块的位置，而该信号会作为多余的伪影出现在嵌入中。RoPE 解决了这个问题：与 APE 不同，RoPE 会根据距离旋转模型所比较的向量。这样既能编码图块位置，又不会在嵌入中引入伪影。 在所有模型规模上，我们的 kNN/线性概率评估都显示出一致的提升。 OlmoEarth v1.2 提供 Nano、Tiny、Small 和 Base 四个版本——全部开源并现已可用。如果你已经在使用 Base，我们建议继续使用；但如果你使用的是 Tiny 或 Nano，我们建议改用 Small。更多信息请阅读我们的技术报告。 以下是原始文章。 我们于 2025 年 11 月发布了 OlmoEarth（v1）。此后，合作伙伴已将其应用于广泛的任务，从追踪红树林变化到对森林丧失的驱动因素进行分类，再到在数天内生成国家级作物类型地图，将部署扩展到国家、大陆和全球范围。每一次发布都让我们更接近使命：将

匹配字段正文

简短的视频历史、一个动作描述，以及一组带有初始 3D 位置的查询点，模型首先识别所指的物体、查询点以及指令所描述的运动。然后它预测每个点未来的 3D 轨迹。 我们训练了 MolmoMotion 的两个变体： MolmoMotion 架构。Molmo 2 骨干的共享输入由 RGB 观测的图像 token、动作描述的文本 token，以及从 Molmo 2 视觉编码器采样的 2D 查询点特征 token 组成。MolmoMotion-AR 对初始 3D 查询坐标进行编码，并将未来轨迹解码为量化坐标文本，而 MolmoMotion-FM 则直接在连续 3D 坐标空间中表示它们。推出 MolmoMotion-1M 和 PointMotionBench 为了训练 MolmoMotion，我们需要尚不存在的数据：带有与特定物体关联的 3D 点轨迹、并与动作描述配对的大规模视频。现有的 3D 跟踪数据集规模小且领域有限，而互联网视频虽然具备我们为 MolmoMotion 这类预测器所期望的规模和多样性，却不包含 3D 标注。因此，我们构建了一条自动流水线，从无约束视频中提取以物体为基准的 3D 轨迹

匹配字段正文

等基础设施数字化改造、智能化管理。加快感知设施补点升级,强化市区多级感知算法协同,提升多模态感知分析能力,构建全域“物联、数联、智联”深度融合的智能感知体系。统筹推进视频图像信息系统建设,实行分级分域分网分业管理和全环节管控。持续提升智慧城市管理与智慧交通技术融合发展水平。 夯实城市数智孪生底座。健全统一数字身份标识体系,持续推动城市码赋码,加快实现基础设施编码管理、公共服务“扫码即享”、政务服务“一码通办”。构建自然资源管理和国土空间规划“一张图”,丰富多尺度、多时相全域三维时空数据底板,升级城市时空基础设施。布局重点区域城市信息模型(CIM),在城市管理、消防应急、交通运行、防洪排涝等领域强化城市体征智能监测、时空数据分析、仿真推演等能力。建设城市副中心155平方公里“实景实数”城市实验沙盘,打造时空智能创新高地。 (九)统筹算网资源布局 强化多元算力供给。完成全国一体化算力网先行先试任务,试点开展算力监测调度。实施京津冀“银河算廊”工程,在京布局“超级+行业”算力节点,建成十万卡国产智算中心,加大公共算力供给,推动跨区域算力协同。布局算力直连网络,打造京内1毫秒、环京3毫秒、京津

匹配字段正文

在 Slack 里看到它。 Ari Weinstein [00:17:38]：是啊。 Vibhu [00:17:38]：你看到人们用语音并构建。Roman 展示的那个例子，改这个应用并沿途给我发截图等等。 Ari Weinstein [00:17:46]：是啊。 Vibhu [00:17:46]：你在采用情况里看到关于人们如何用 Computer Use 做编码工作流的什么吗？人们应该从中得到什么建议吗？ Ari Weinstein [00:17:55]：其实我最喜欢的 Computer Use 用例之一，也是我们在实际中经常看到的，就是 Computer Use 让代理——真正测试代理构建的软件，这比听起来重要得多。因为传统上，你知道，你在 Codex 里构建东西，然后——然后 Codex 帮你构建好，然后你得测试它，而你现在就像是代理的 QA，对吧？所以有了 Computer Use，你可以完成开发——软件开发生命周期，其中，代理可以构建软件，也可以测试它。所以我玩得很开心，你知道，构建东西，让代理测试它。等它到我手上时，它已经能用了。我还有额外的乐趣，因为有时我在，比如，开发 C

匹配字段正文

织方式，都参考了开源的OpenClaw。 资深Agent从业者赵江杰把Muse的架构拆成六层：模型、带终端和浏览器的云端Linux执行环境、连接器与Skills、记忆与主动循环。前四层是Manus、Claude Code等产品的通行做法，Meta真正下功夫的是后两层。 底层模型也不算最强。不止一位从业者提到，Muse背后的Muse Spark大模型，在部分纯编码测试上落后于Claude Opus 4.8和GPT-5.5。赵江杰打了个比方：做个人Agent，模型占3分，工程占7分，做编程Agent则相反。模型够用之后，体验好坏就看接入、授权、记忆和成本这些工程活。 第一，怎么替你把事办完。就好比你关掉手机，任务还在跑。 AI连续创业者祁瑞峰表示，Muse借鉴了Manus的设计理念，即使退出程序，任务依然执行，其做法是给每位用户分配一套独立、可持续运行的云端环境，把Manus偏向工程化的内部逻辑做了封装收敛，普通用户看到的只是一个好用的AI，复杂能力全部藏在系统底层。 这个“云端”还有一把锁。赵江杰解释，Meta对架构的定位，是一台机器上的两个隔离安全域，AI住在处理数据的区域，凭证和放行

匹配字段正文

能力，分层协同贯通智能体与外部系统语义互通、长任务过程控制、自主循环迭代、安全审计、效能优化与评估迭代的技术全链路。在此基础上构建L1-L5能力成熟度模型，沿工具接入、运行底座、治理闭环、协同自治到规模生产逐级演进，为企业提供可评可验的建设路径。 4. 价值赋能：研发全流程可信可控，支撑多行业落地 驾驭工程将安全合规、架构标准、质量指标等要求原子化嵌入需求、编码、测试、运维等研发全流程契约，成为各阶段智能体不可逾越的执行边界，越界即阻断，契约与日志全程可追溯。同时以“通用能力底座+行业刚性校验”适配金融、政务、制造、医疗等不同场景差异化要求，如易鑫智能体持续执行16小时、自主交付率65%，蚂蚁阿福与医生一致率超90%，多行业规模化落地成效初显。 5. 趋势演进：AI治理由外及内，成为产业竞争焦点 展望未来，驾驭工程将历经标准形成、平台化、基础设施化三阶段，迈向智能软件底层基础设施。随着其规模化推进，单点技术创新红利消退，产业竞争转而聚焦AI治理。组织上，团队的作业方式与角色分工被重构，AI承接代码生成、测试编写、基础运维等标准化工作，工程师转向需求设计、风险研判与场景创新。流程上，安全

匹配字段正文

aS 变成无头模式，让智能体使用它，按交互收费，尤其是对企业） 下午10:39 · 2026年8月18日 · 55.9万次查看 333条回复 · 229次转发 · 6570次点赞 云端大脑，本地之手 并且试试 Claude Projects： Boris Cherny @bcherny Projects 不仅改变了我与 Claude 交互的方式，也改变了我的编码方式。 我不再管理会话。我只是随时发送想法，Claude 将它们拆分成线程，项目会记住我的工作方式。现在我的大量编码工作都在这里进行。 [截图：我的实际 ClaudeDevs @ClaudeDevs 今天我们在桌面端和网页端的 Claude Code 中推出 Projects。 一个项目就是与 Claude 的一次对话。它会自行将工作拆分成线程，作为并行云会话运行，在它们之间传递上下文，并在你离开后继续运行。 面向部分用户的内测。 下午7:33 · 2026年9月17日 · 57.4万次查看 332条回复 · 126次转发 · 3.11万次点赞 “hands”（手）这一术语不仅是对 Cognition 等前沿编码智能体公司正在构

匹配字段正文

行官阿莫代伊呼吁放慢研发速度以来，该公司推出的第二个人工智能模型。 Anthropic表示，Sonnet 5.5的运行速度显著快于Sonnet 5，并且是Opus 5.5的低成本替代互补方案。Sonnet 5.5定价为每百万输入token 2美元，每百万输出token 10美元，每百万缓存读取0.2美元。 该公司还表示，与前代产品相比，Sonnet 5.5在编码、完成特定任务以及创建精美文档、幻灯片和电子表格方面表现更佳。而Sonnet 5.5的发布距离Anthropic推出价格更高的Opus 5.5不到一周。 该公司周一还宣布，该系列中最便宜的Haiku 5.5也即将上市，该模型专为快速、高吞吐量任务打造。 “Sonnet真正面向的是注重成本的客户，他们可能不需要那么高的智能水平，”Anthropic的研究产品经理Theo Chu在接受采访时表示：“它可能用于执行一些常规任务，但不需要Opus所能提供的判断力。” Anthropic强调，Sonnet 5.5的网络安全功能比其前代产品有了“很大的改进”，因此它是第一款推出时就具备与Anthropic为其最强大的型号开发的类似备用方案和

匹配字段正文

多来自于它带来的现实影响。 这种影响，首先表现在就业上。过去，讨论人工智能会不会“抢走工作”，多少还是一个关于未来的推演。人们可以争论二十年以后AI究竟会创造更多岗位，还是消灭更多岗位。但对刚刚进入劳动力市场的年轻人来说，他们面对的却是一个更具体的问题：今年还有没有第一份工作？ 很多年轻人的第一份工作通常是相对繁琐、复杂度并不高的智力劳动。年轻程序员要从基础编码、程序调试做起；刚进入律师事务所的年轻律师，需要检索案例、阅读合同、整理文件。这些“初级工作”并不只是单纯的岗位，在很大程度上还承担着职业训练的功能。很多真正重要的职业能力，恰恰是在这些看起来并不高级的工作中形成的。从这个意义上看，它们是年轻人通向更高职业位置的阶梯。 然而，随着AI技术出现，这些岗位受到了前所未有的冲击。它们中的相当一部分，目前已经被大模型和AI智能体接手。更重要的是，在面对AI给劳动力市场带来的冲击时，企业会更偏向于减少招聘，而非辞退有经验的老员工。斯坦福数字经济实验室的一项新近研究显示，在AI暴露程度较高的职业中，22至25岁年轻人的就业表现明显弱于同龄但AI暴露程度较低的职业；在高AI暴露岗位上，资深员工

匹配字段正文

个 SageMaker AI 端点。部署脚本更改 SM VLLM MODEL，以在一个端点上加载 FLUX.2-klein，在另一个端点上加载 Wan VACE。保持通用容器镜像可减少服务栈差异，而单独的端点让每个模型使用适合其工作负载的实例类型和推理选项。 图 1 展示了请求路径。应用程序将图像提示词发送到 FLUX.2-klein，并接收 base64 编码的 PNG。它将图像调整为视频尺寸，转换为紧凑的 JPEG 数据 URL，并将该引用插入 Wan VACE 请求。SageMaker 异步推理从 Amazon S3 读取 multipart 请求，并将 MP4 写入返回的输出位置。 图 1：CLI 或 Streamlit 应用程序调用 FLUX.2-klein 实时端点，通过 Amazon S3 将生成的 PNG 传递给 Wan VACE 异步端点，并从 Amazon S3 检索生成的 MP4 图 2 以编号的请求-响应序列展示了相同流程。图像调用直接返回给应用程序。视频调用返回异步输出位置，应用程序在生成完成后从 Amazon S3 检索 MP4。 图 2：六步序列展示了应用

匹配字段正文

eta）。如果你是从 Sonnet 4.6 或更早版本，或从 Haiku 4.5 迁移，迁移指南为每个起始模型提供了检查清单。 调优 重新运行你的 effort 扫描 Effort 级别已重新校准，因此同一级别产生的思考量不再与 Sonnet 5 上相同，你原来的设置也不会延续。除非你的工作负载是智能体式的或对延迟敏感，否则请从 high 开始。对于智能体式编码和多步工具使用，对于定义明确的任务请从 medium 开始，对于更难或更长的任务则转向 high。对于聊天和其他对延迟敏感的工作，请从 medium 或 low 开始。仅在你的评估显示质量提升时才使用 xhigh 或 max。 思考会计入 max tokens，因此请留出余量。对于智能体式编码，将 max tokens 设为 128,000（即模型的最大值），并流式传输响应。要减少思考，请降低 effort 级别，因为在系统提示中要求模型少思考并不能可靠地减少思考。 移除 Sonnet 5 的变通方案 现有的 Sonnet 5 提示词应无需更改即可表现良好。如果你的提示词带有变通方案，例如拒绝引导、工具调用重试垫片或“不要偷懒”

匹配字段正文

BDA) 提供另一种分析路径，可在单次 API 调用中结合视频摘要、章节检测和完整转录。当用户希望一步完成全面分析，或 Amazon Rekognition 或 Transcribe 不可用时，这很有用。所有上传的视频和分析输出都存储在 Amazon S3 中，并按用户前缀实现多租户隔离。 这三项服务只是起始集合，而非固定集合。由于智能体是根据工具描述而非硬编码的工作流逻辑来选择工具，因此同一架构可以接受更多服务作为工具。我们将在 “扩展到视频之外”一节中回到这一点。对于生产部署，我们建议添加 Amazon Bedrock Guardrails，以对智能体响应实施内容过滤和依据性检查，尤其是在面部匹配和监控用例中，负责任 AI 控制至关重要。 智能体式编排如何工作 在传统的视频分析应用中，开发者定义固定的处理流水线：上传视频、运行转录、执行视觉分析、呈现结果。这种方法无论具体查询是什么，都会让每个视频经过相同的步骤，而且用户需要等待整个流水线完成后才能提问。智能体式方法颠覆了这一模式。只需进行最少的预处理（仅限于将视频文件上传到 S3 存储桶），智能体就会独立推理每个问题，并且只调用回

匹配字段正文

上上下文模型的时候。 改编自维基百科：基因组大小 如今，Eric 和其他 AI x Bio 领域的杰出人士 1 创立了 Radical Numerics，以构建和扩展 GLM，解决广泛的生物学问题，远远超出生成 DNA 的范围。 他们的 GLM 在 RNA 和蛋白质方面已经表现相当不错，因为 DNA 序列中有明确的基因标记（执行多种功能的 RNA 序列）以及编码蛋白质的特定基因。这意味着这些模型已经能够泛化到多种“语言”，甚至还没有尝试在其他模态（如 3D 蛋白质结构、表观遗传学和自然语言）中进行训练。 如果一个模型用 DNA 语言思考，也许它也能理解环境在不同基因组上留下的印记？也许模型已经学会了不同序列之间的功能关系，并能据此外推到新的序列？ 所以我们想要展示的是，如果我们在一系列步骤中向模型展示越来越好的 RNA 及其得分，对吧？所以你先是低分，然后逐渐沿链条向上移动。模型能否自行延续这一轨迹？然后在最后一步，它是否会自我优化到一个它能获得的最佳分数？这就是那个实验。我们能做吗？于是我们取了一个数据集，一个大型适配体数据集。我们留出了一部分表现最好的，只向它展示较低的那些，但我们

匹配字段正文

BF16 权重在训练步骤之间变化方式的一个特定属性。 当我们运行生产 RL 训练会话并观察检查点之间实际发生的情况时，我们观察到一种强烈的不对称性。在给定步骤中发生变化的约 2% 的 BF16 权重里，绝大多数只发生了尾数变化，而指数和符号保持不变。触及指数的更新很少见，而翻转符号的更新则更为罕见。换言之，大多数权重更新是微调，而非跳跃。 ARCv3 直接编码了这种不对称性。未变化的权重值从负载中省略。仅尾数变化的更新只贡献其尾数位。更罕见的更新——指数发生偏移或符号翻转——则单独打包，每次更新的变化字段作为一个块一起编码。在 rollout 侧，两个流都被应用到先前的检查点上，并将结果与训练器的原始版本进行校验和比对，以验证重建结果一致。 ARCv3 如何编码一个权重块。每个前/后配对进行 XOR 运算，并根据实际发生变化的字段进行分类。未变化的权重值（零 XOR）从输出中省略。仅尾数变化——最常见的情况——只贡献其尾数位（高亮显示）。更罕见的更新——指数发生偏移或符号翻转——则打包在一起，将变化的字段编码为一个块。输出流的形态由变化内容决定，而非输入格式的固定宽度。 对于模型中的

匹配字段正文

通用型智能体能够处理广泛的任务，但你仍然需要它们遵循支撑业务运转的各项流程：合规检查、文档处理工作流、升级策略、工程规范。把这一切都编码进一个系统提示词或应用逻辑中，会变得难以维护和更新。技能（Skills）是一种模块化的替代方案。技能是一组可复用的指令，通常存储在 SKILL.md 文件中，用于教会智能体执行某项特定领域的任务，例如对合同进行脱敏、核对发票，或遵循团队的拉取请求（pull-request）规范。由于技能遵循开放的 Agent Skills 标准，它们可以在兼容的执行框架（harness）之间移植，并且智能体在运行时只加载它所需的技能，而不必把所有流程都塞进其核心指令中。 一个技能将一个或多个工具与智能体正确使用这些工具所需的上下文打包在一起： 指令：注入智能体上下文的领域特定指导与约束；工具绑定：技能所依赖的 API、Model Context Protocol（MCP）服务器或本地命令；知识：参考资料与示例；工作流：技能所遵循的多步骤流程或决策逻辑；护栏：格式要求、范围限制与校验规则 这种模块化方法帮助团队更快地专精智能体、在多个智能体和工作流之间复用经过验证的流程

匹配字段正文

iogo 介绍了 Jev，它随即席卷了 AI 时间线——我们将跳过完整的 Jev 讲解，因为你最喜欢的 AI 网红/教育者可能已经做过一期了。我们还收集了： 来自 Allie 的官方模式与 cookbook，你应该先看这些 Jev 用例 基于速度的——游戏与计算机使用 我们在 1 小时 34 分讨论的语音 + 计算机使用示例 短信中的引导式回复 Jev 用于编码代理有官方指南 jev 用于 linting 压缩工具调用 Theo 提出的合理反驳——Diogo 发表了一篇关于《KV Cache 的暴政》的说明，你应在播客后作为 Jev + 编码代理的后续阅读，因为他相信缓存统治一切 构建于 Jev 之上的编程语言（Diogo 的最爱） Jev 用于分析回放与用户旅程回顾 Jev 的一个核心目标是“消失在背景中”——例如像正则表达式一样不起眼 融合 transformer 与分类器 关于 confidence api Jev 与 GLiNER（注意差异/反驳，同意，同意，同意） Jev 论电车难题 Jev Bush 相反，我们将聚焦于我们能独特提供的东西——对 Jev 为何以及如何被创造，

匹配字段正文

体在运行时决定。 传统自动化 智能体工作流 决策 预先定义的固定规则。 AI 在运行时进行推理并做出决策。 处理意外情况 失败或升级到脚本化路径之外。 灵活适应并找到替代路径。 灵活性 刚性：每个场景一条路径。 动态：处理目标内的变化。 最适合用于 重复性、高批量、低差异的任务。 复杂、需要大量判断的多步骤任务。 搭建工作量 每个分支都必须手动映射。 需要硬编码的分支更少，但需要护栏和测试。 这两种方法并不能完全相互取代。对于真正低风险、重复性的任务，例如重置密码或确认预约时间，固定自动化仍然是正确的选择。 当任务涉及模糊性时，智能体系统表现更佳：例如客户的问题不符合模板、潜在客户的意图需要判断，或者通话需要根据对方的回应调整语气。许多生产系统采用混合方法，对任何不可逆的环节使用确定性步骤，而中间的一切则交由智能体推理处理。 智能体工作流在现实应用中的示例 智能体工作流已经在医疗、房地产和政府领域处理实时客户对话。具体任务各不相同，但底层模式是一样的：智能体从头到尾对请求进行推理，而不是将其转交给人工。 客户支持与问题解决 在 客户支持应用智能体可以验证来电者身份、调取他们的订单或账户

匹配字段正文

与许多追求“大而全”的机器人企业不同，爱普生的技术特长不在机械执行层的蛮力，而在传感器和控制技术的“内功”。通过高灵敏度、高刚性与高集成性设计，可实现超高精度的紧凑配合组装，完成插入易碎电子元器件、精确拧紧微型螺丝等挑战性任务。 在3D视觉方案上，爱普生采用“AI算法×双目视觉”的创新路径，仅用两个2D相机便实现了高精度的3D识别，无需昂贵的3D相机或复杂的编码。Epson RC+操作系统全面支持AI编码助手、数字孪生及ROS/ROS2，大幅降低了开发门槛。 令人印象深刻的是，爱普生已将产品定位从“工业机器人”更名为“先进机器人”。吉野泰德解释说，机器人业务不仅仅局限于工业领域，在医疗、服务等方面也将有广阔的应用潜力。 “从第一阶段转型期来看，我们所进行的投入基本上都是围绕着如何加强机器人的竞争力所开展的。但实际上我们的目光绝不仅于此，我们已经看到了在此之后机器人业务发展的更广阔的前景。而且现在的投入，研发的所有的技术，都是为了迎接机器人业务更大的爆发所做的准备。”吉野泰德说道。 “当今的人形机器人大行其道，但实际上让人形机器人做一些比较大的动作是简单的，真正的难点是在细节之处，也就是

匹配字段正文

为处理每年几十万条的航行通告工作量，厦航的运行风险控制部需纯人工全天24小时处理，再将结果提供给签派员、飞行员用于航班放行和飞行准备，负荷大，且错误风险高、解析精度不足。厦航人员介绍，借助大模型，基于每个场景创建独立智能体，机场、跑道等关键场景解析准确率已超过95%。 厦航技术人员讲解大模型在业务中的应用。新京报贝壳财经记者 王真真 摄 在南航展位上，AI+编码、AI+运行、AI+安全等均有涉猎。其中，“天策航空求解器”显得格外“硬核”——这是国内航司发布的首个基于国产内核、专为航司场景量身打造的求解器产品，为航班调度、机队规划等核心运营场景提供了完全自主的决策引擎。数据显示，求解器应用后，累计优化航班276万班，效率提升70%。 而新海航在人工智能方面的布局主要覆盖市场、运行、服务、维修等核心业务领域。其中面对跨区域、多语种等旅客服务需求，新海航搭建了基于全链路私有化部署的大模型Agent智能客服系统“小海”。该系统摆脱了对外部黑盒服务的依赖，在保障民航数据安全与旅客隐私的前提下，有效解决了通用大模型在航空业务中的政策幻觉等问题。 人工智能与民航的融合正在从概念验证走向规模化落地，也

匹配字段正文

同构建这套标准，从而确保同一套标准适用于代码、适用于客户支持、适用于自动化等等。所以这是一大重点。是的，然后最近最受关注的一些事情是，Mythos 给安全负责人带来了很多担忧。我们开始收到越来越多关于智能体交互的问题。目前这还非常初期，但已经开始显现。有很多与 OpenClaw 和 MCP 相关的问题。同样，智能体开始相互交互，这确实是大家最关注的。然后随着编码智能体真正起飞，银行和医院等机构对自身需求也越来越精确。所以随着那里开始成为世界上大部分 token 流经的地方，我们也在真正地精细打磨这一点。 Vibhu [00:23:26]：你能为那些收听但并不真正思考这个问题的人分享一下吗？比如你提到，有些是显而易见的东西，你知道，幻觉、引用。人们在构建智能体时应该遵循哪些最佳实践？比如，如果他们来找你时已经相当准备好通过认证，你知道，他们大概会通过认证。有哪些人们没想到、但应该具备的东西？ Rune Kvist [00:23:46]：最重要的一点是，很多公司还没有做过严肃的压力测试。他们把大部分时间——也许理所当然地——用于优化它在好的情况下、平均情况下如何运作，对客户输出的质量有多高

匹配字段正文