搜索“其他”

在恰当时机触发的技能和工具描述，以及对上下文窗口、记忆和笔记的审慎处理。本文将在后续章节深入探讨迁移和设计方面的考量。 应由一个核心团队负责端到端质量和系统提示词，在每一项新工具和评估上线前对其进行审核。保持这个核心团队规模较小，有助于快速迭代，并降低大型组织内的协调成本。 如果走多智能体路线，就从能起作用的最简单模式开始（生成器-验证器、编排器-子智能体或其他模式）。通过按上下文划分来有效分解边界：给每个子智能体分配一项几乎不需要系统其余部分参与的工作，并让它交回一个紧凑的结果（合适的候选包括独立的研究路径、接口清晰的独立组件，或黑盒验证）。当按问题类型拆分智能体时，它们会陷入“传话游戏”，信息来回传递，每次交接都会降低保真度。 如何把子智能体折叠进主智能体循环 许多团队已经在生产环境中拥有一个编排器和一组专家智能体。以下是我们建议逐步采用的一种单一循环设计： 一个模型和一个上下文窗口运行一个开放式工具循环，并在 harness 中设置限制（轮次和成本预算、写入闸门）。 每一轮，模型发出一批工具调用。harness 并行运行它们，并把原始结果返回给同一个模型，由它决定下一步：再发一批

匹配字段正文

密特提到一位不愿透露姓名的朋友最近裁掉了20%的员工。他说，被裁的人中包括负责规划、协调和在企业内部传递信息的员工——那些在幕后帮助组织运转的“黏合剂式人物”。 施密特预计，随着AI让企业效率更高，这种裁员将变得更加普遍。 “假设你经营一家1万人的公司，我猜你会有几千人是你不需要的，”施密特说。“你最好想办法以合法且人道的方式让他们转型、让他们退休，或者采取其他类似措施。你就是不需要他们。” 施密特估计净资产为660亿美元，预计将成为AI热潮的较大受益者之一。本周有消息披露，他持有Anthropic约1%的股份；如果这家AI巨头以2万亿美元的目标估值上市，这可能转化为200亿美元的意外之财。 施密特说，Z世代需要拥抱AI——否则就有落后的风险 尽管他预测AI可能让成千上万的现有岗位变得不必要，施密特也看到了能够适应这项技术的员工的机会——并帮助构建下一步。 “你会需要伟大的发明家、伟大的销售人员，因为这是一件人的事，”施密特说。“你会需要一些伟大的领导者。你还会需要有人与政府沟通。” 今年早些时候在亚利桑那大学对毕业生讲话时，施密特敦促年轻人不要抗拒AI——而要找到办法成为构建AI的人

匹配字段正文

来越多的研究增添了证据，这些研究表明，大型语言模型（LLM）包含类似情绪状态的内部表征，这些表征会以文本输出未揭示的方式影响其行为。它也正值一场日益激烈的争论之中：AI系统是否有可能值得道德考量。 Anthropic的研究人员尤其愿意考虑AI模型可能值得道德地位这一想法，并已开始围绕“模型福利”制定政策，而微软AI首席执行官Mustafa Suleyman等其他专家表示，这可能具有潜在危险的影响。 “如果我们想构建超级智能，那么在这个阶段，当我们仍处于最初几步时，尽可能多地理解[模型]内部的东西就很重要，”该论文第一作者、Future Impact Group AI感知项目研究员Valen Tagliabue对Fortune表示。 由于LLM从海量数据中学习，而不是被明确编程，即便是构建它们的人对其运作方式的理解也有限。Tagliabue说，避免未来先进AI的内部运作仍是一个“黑箱”很重要。 在神经网络中发现疼痛 Tagliabue及其合著者、波鸿鲁尔大学的Leonard Dung和Reciprocal Research创始人兼主任Cameron Berg首先编写了描述痛苦情境的简短第

匹配字段正文

开始生产全环绕栅极芯片。因此，这些想法——FinFET和全环绕栅极——大约在同一时期被开发出来，但它们的量产时间相隔十年。我想问Chris，为什么花了这么长时间才达到当前的全环绕栅极技术。 Dwarkesh Patel 也许你可以带我了解一下进入大批量制造的过程。我想具体理解，一旦你有了一个想法，“嘿，我们要把沟道变小，我们要把它包围起来……”材料科学的所有其他问题，弄清楚如何不破坏栅极，这些实际上是如何解决的？为什么需要这么长时间？ Chris Auth 全环绕栅极是个好例子，因为在90年代我们就知道这个想法。但我们知道，要将其投入大批量制造会存在这些问题。与此同时，还有其他东西，比如高k金属栅极。还有应变硅、FinFET等等。问题是什么时候是着手解决这些问题的正确时机？ 嗯，你不想在不得不做之前就去解决某件事。如果你有其他东西可以推动性能，你就会去做那些。所以我们经历了这条路径。我们做了应变硅、高k金属栅极、FinFET，然后问题变成了：“好吧，我们需要做更进一步的事情。我们如何达到那里？”嗯，全环绕栅极确实是终极晶体管。也许是时候开始着手解决其中一些问题。你说得对，现在你必须考虑

匹配字段正文

个近期行动（包括该漏洞本身所涉及的各项行动）被监控[漏洞细节已被OpenAI隐去]。 我们发现，智能体很可能可以构造出导致监控器失效的输入（从而不会将轨迹升级以供人工审查），方法是利用智能体所看到的轨迹与监控器所看到的轨迹之间的序列化差异。 我们发现了两个可由客户端独立控制的header，它们会为新智能体禁用监控系统，这可能使智能体能够启动一个不受监控（但在其他方面完全相同）的实例。然而，设置这些header并创建新智能体实例的行为可能会被监控系统捕获。 我们发现了两个未受监控的内部智能体工具，它们被认为具有只读权限——我们发现了一个简单的漏洞利用方法，本可用于颠覆这些限制，并在其沙箱环境中采取任意行动。我们未验证该行为，也未测试它在实践中是否可被利用。 我们验证了，除少数例外情况外，监控系统能够看到智能体所看到的完整轨迹。 我们验证了监控系统的提示词会查找密谋、监控系统颠覆、蓄意破坏、数据外泄、欺骗以及入站/出站提示注入等风险类别。 在完成此次演练后，OpenAI表示，我们所发现的、影响其生产防护栈的所有漏洞均已修补。OpenAI还描述了其监控系统预期覆盖范围此后发生的重大变化。我们

匹配字段正文

：要么把 API Gateway 放在其 API 前面，从而放弃流式传输；要么让流式端点绕过网关，从而放弃正是网关不可或缺的认证、API 密钥强制执行和可观测性。团队最终得到一个割裂的资产格局——受治理的 API 走一条路径，未受治理的流式流量走另一条路径。 我们宣布，API Gateway 中的流式传输支持现已进入公开预览。 您的流式端点现在可以与您提供的其他所有服务一样，置于同一个网关之后，并遵循相同的策略。 对于 AI 应用而言，流式传输还加强了 API Gateway 与 Gemini 平台的连接。使用模型路由的网关现在会随着 Gemini、Claude 和 Gemini 平台模型库中的 OpenAI gpt-oss 模型生成响应而流式返回这些响应，您托管在其他任何地方的流式后端也以同样的方式工作。与 Gemini 平台中的 Apigee 和 Agent Gateway 一起，API Gateway 是 Google Cloud AI 网关能力的轻量级入口。 您可以流式传输的内容 API Gateway 现在支持现代 API 所依赖的全套流式传输模式： 服务器发送事件（SSE）

匹配字段正文

k 读的 MORSE。当时大家都说，天哪，太书呆子了。我都不爱跟人说。现在呢，哇。是啊，大家都说，天哪，机器学习、AI。是啊。然后是衍生品。所以我学过这些。我的背景是从英格兰 Warwick 开始的，然后我知道我想做交易。我不知道你进入交易行业的故事是怎样的，但我想要的是节奏快、和数据相关的东西，我太爱数据了。当我读到交易是什么的时候，我无法想象自己从事任何其他职业。所以我就一心要做这个。于是我在投资银行和交易领域拿到了第一份实习，然后在 JP Morgan 拿到了实习，就在那里开始了。 3:04 我先是在新兴市场台，然后转到大宗商品，在那里做衍生品交易。所以我职业生涯的大部分时间都在能源衍生品领域。因为我有数据背景，我总是从想把市场拆解成各个不同部分的角度来看待它。比如在大宗商品里，很多都关乎基本面，关乎不同的新闻和不同的实体动态。所以我一直着迷于从零开始搭建。所以当我做交易的时候，我看到了这种转变，就是先是数据，然后某件事要发生了。那时我离开 JP Morgan，其实是想成为创业者和创始人。但我想做一家数据公司。所以我拿到了富布赖特奖学金来美国，因为你们这里的创投环境太不可思议了。

匹配字段正文

高的分辨率。出厂时，手机通过像素合并将多个像素合并，保存 2600 万像素的照片。200 兆像素传感器通常为 1250 万像素。如有需要，可在高分辨率模式下拍摄完整的 200 兆像素。 照片细节丰富、清晰，动态范围均衡。特别之处在于：即使是超广角，也几乎不损失画质。在大多数智能手机上，它是最弱的摄像头。色彩看起来真实，我们起初甚至觉得有些偏淡。但这更多是因为其他中国智能手机喜欢夸大色彩。Oppo 在色彩上保持得更自然。尽管如此，AI 对成像的介入仍然很强。 Find X10 Pro Max 也适合拍摄特写。超广角镜头从 4 厘米起即可对焦。或者由长焦从 10 厘米起接手，由于距离更远，不会在拍摄对象上投下阴影。 在变焦方面则需有所妥协。潜望式长焦仅支持三倍光学变焦，而 Find X9 Ultra 可达十倍。得益于高分辨率，照片在约 30 倍以内仍可使用。数码变焦最高可达 120 倍，但这更像是玩票。 在视频拍摄方面，Find X10 Pro Max 也属于顶尖水平。三颗后置摄像头均支持 4K 最高 120 帧拍摄，所有摄像头也支持 8K 30 帧。需要后期处理视频的用户可获得杜比视界和

匹配字段正文

字段。对用户更直观的变化是 Windows 下的持久终端会话，以及终端界面中的实验性任务列表。最新版本建立在 OpenCode 2.0 的基础上，后者已将编码智能体迁移到统一的后台服务。 广告后继续阅读 OpenCode 是一款面向开发者的开源 AI 编码智能体。它可以借助语言模型和工具处理代码，并可在终端、桌面应用或浏览器中使用。OpenChamber 等其他界面也可以访问它。 集成所需的新字段 OpenCode 变更日志描述了 2.1 版中改动需求最大的部分，即 OpenCode 在后续模型调用中复用的供应商特定数据。在 SDK、HTTP 和插件 API 中，这些数据现在位于 tool.native 下。此前的 providerState 和 providerResultState 字段在这些位置被移除。集成方必须使用新字段。已保存的会话和较早的导入仍可读取；据项目方称，无需进行数据库迁移。 长对话的压缩在数据格式上也有变化。新的摘要通过 metadata.keepID 引用需要保留原文措辞的消息，而不再重复存储这些文本。供模型供应商进一步处理的消息窗口现在位于 native.me

匹配字段正文

模型提供输入的执行器和传感器，全面重新思考机器人技术栈。该公司不依赖在单点测量力的昂贵传感器，而是在执行器内部采集力数据，就像人类通过肌肉的张力而非仅在指尖感知力一样。该公司将其目标描述为为机器人构建一套本体感知神经系统，以及一套理解这些信号的“皮层”，通过全身力感知来解决灵巧性问题。它表示，从第一天起就专注于在成本和可靠性约束内实现这一能力，使其能在工业及其他领域的数千项任务中发挥作用，并且这项技术将惠及各种形态，从简单机械臂到全尺寸人形机器人。 该公司在其 LinkedIn 帖子中表示，该系统让机器人能够通过自身的执行器实时感知正在发生的情况，无需脆弱的传感器，也无需额外硬件，而力和触觉反馈让系统能够高效学习并更快完成任务。Enact 表示，其目标瞄准的是价值由可变性而非规模决定的自动化场景。该公司在其网站上将其使命概括为通过力和触觉解决灵巧性问题。 redalpine 普通合伙人 Harald Nieder 表示，Enact 正在用一种新的数据模态来解决灵巧性问题，首先从定制执行器采集高精度力数据入手，并从硬件开始重新思考整个技术栈。Notion Capital 普通合伙人 Ka

匹配字段正文

essera v2 在该地优于 OlmoEarth v1.3），并在 PASTIS 作物类型数据集上以 58.6 对 58.3 mIoU 略优于 Tessera v2。 随此次发布，Ai2 推出了 PLANTEUR，这是一个热带农业作物类型基准，由法属海外领地——马提尼克、留尼汪、法属圭亚那、瓜德罗普和马约特——的标签构建而成。其留一岛设置测试的是当分类器在其他岛屿上训练时，在某一岛屿上的表现，Ai2 称 v1.3 嵌入对分类器从未见过的地方泛化最好。报告记录，在该留一岛指标上，128 维嵌入取得 24.9 mIoU，而 Tessera v2 为 19.1，AlphaEarth Foundations 为 15.8。 Ai2 还将 v1.3 描述为一个强大的微调模型，在研究标签和合作伙伴标签上与 v1.2 的表现相当；报告给出 v1.3 在所有被评估模型和任务上的平均微调排名为 4.34，落后于 OlmoEarth v1.2 Base 的 4.02，领先于 OlmoEarth v1 Base 的 4.74。 训练成本与环境影响 Ai2 称 OlmoEarth v1.3 是其训练成本最低

匹配字段正文

每天我在 Arxiv 和其他来源上翻找的大量材料都相当枯燥，即便以书呆子的标准来看也是如此；因此，我一直在寻找能让我在情感上产生共鸣的出版物——无论是作为 AI 的用户、支持者，还是受害者。 今天，触发我警觉神经的，是一篇来自美国的新学术合作论文，它考察了具备智能体能力的前沿 AI 模型在采取破坏性行动之前，会在多大程度上自断后路——而且速度比你打出“STOP！”还快（提示：把它放在剪贴板里备用）。 下面这段内容摘自这篇新论文，脱离了上下文；最近由于盲目遵从 ChatGPT 的指令，这种事就发生在我身上，而且我从未想过要先复制整个虚拟信封： 从这篇新论文中解读出的，是我们许多人在安装前沿框架，甚至安装那些毫不顾及自己可能落入的非原生环境的流行发行版时，都经历过的那种心沉一瞬的时刻。来源 在这个令人恐惧又无比熟悉的例子中，机器人有一个合理的借口，因为它并不习惯去检查在一个脆弱且不留情面的框架中安装新库可能带来的所有后果。然而，这篇新论文主张，也许它应该这么做；而作为一个至今仍频繁按 CTRL+S 的人——即便在已设置为忽略该按键的自动保存环境中也是如此（多谢 1990 年代数据丢失 PT

匹配字段正文

分一个报价诱人的供应商和一个能够可靠地按时交付正确材料的供应商。它还可以揭示更广泛网络中价格或付款模式的变化。Opply 将这些积累的记录视为相对于仅使用客户所提供信息的通用智能体的优势来源。 重要的技术问题是，这些信息在长期内能在多大程度上支持决策。产品规格、约定价格、证书到期日期和实际交付需要与同一笔交易保持关联。否则，智能体可能会依据过时的报价或适用于其他产品的文件而自信地采取行动。底层运营记录的质量与 AI 模型的能力同样重要。 Opply 的公开材料描述了该系统的工作流程和数据方法，但未披露底层模型提供商或详细的评估结果。因此，其关于网络学习的说法解释的是产品策略，而非确立了模型准确性的可衡量提升。 经审批执行，外加融资 Brain 的网站描述了一个循环：观察运营信息、推荐决策、在审批后执行，并从结果中学习。网站称，重大选择——包括更换供应商、接受新价格或按付款条件下单——会交回客户决定。 对于在采购和付款附近运行的软件来说，这是一个重要区别。智能体可以收集报价并跟进确认，而品牌保留对商业承诺的最终决定权。有效的自动化需要两者兼备：既能完成日常工作，又有一个明确的节点由某人批

匹配字段正文

1Password for Agents 是一个全新平台，用于保护那些使用你的密码和其他凭据来替你完成工作的 AI 智能体。 “智能体应当能够完成被要求执行的任务，而无需永久访问账户背后的一切，1Password 提供了信任层，使这一个人智能体体验成为可能，”1Password 首席产品官 Aashish Tripathi 表示。“那种交出一个凭据然后听天由命的旧模式行不通了。” 1Password for Agents 允许受支持的 AI 智能体——Anthropic Claude Duet、Meta Muse、OpenAI ChatGPT 和 Dots 等在发布时已获支持——访问你个人 1Password 保险库中的凭据，从而让你在保护个人数据的同时委派任务。智能体永远不会看到你的凭据。相反，如果你愿意，你可以批准登录，然后由 1Password 填入你的凭据，而不会将其发送给智能体。 1Password 表示，除了目前支持 1Password for Agents 的公司之外，Browserbase、Browser Use、Dana、Instinct、KERNEL、Perplex

匹配字段正文

，还是又一个运营风险来源。” 一个生产级智能体需要负责人、边界、遥测、故障策略、升级路径，以及明确区分系统可以自动化什么、什么需要人工介入。 生产级智能体不应拥有一条从推理直达行动的路径。每一次工具调用都应经过明确的控制、保持可观测，并有一条通往人工介入的既定路径。 以下是一种构建这些控制的实用方法。 第1步：把智能体当作生产服务来对待 智能体应当拥有与任何其他生产服务相同的运营身份。 首先定义它的归属元数据。 Python from pydantic import BaseModel class AgentService(BaseModel): name: str owner team: str service tier: str escalation channel: str agent service = AgentService( name="incident-command-agent", owner team="platform-engineering", service tier="critical", escalation channel=" platform-onca

匹配字段正文

rutide的Reddit用户中，模式看起来不同。尽管临床测试显示了显著的减重效果，食欲增加仍成为最常被描述的可归类症状。 研究人员还将新发现与此前对semaglutide和tirzepatide的分析进行了比较。 与早先那些Reddit报告相比，涉及未经批准retatrutide的讨论中，食欲相关变化、睡眠障碍、心率升高和肌肉相关症状的提及比例更高。恶心和其他消化系统不适的报告比例则相对较低。 这些差异可能反映retatrutide与身体相互作用的方式。然而，它们也可能源于讨论这些药物的人群差异、他们使用的其他药物，或未经批准产品的成分。 “Retatrutide的作用方式与现有GLP-1药物不同，因此它对身体的影响也可能不同，”宾夕法尼亚大学体重与进食障碍中心高级研究调查员、该研究的共同作者Jena Shaw Tronieri说。 “但在Reddit上讨论它的人也可能不同，”她指出。“愿意在灰色市场获取未经批准药物的用户，很可能与其他临床人群不同。有些人可能同时服用多种实验性肽，而我们无法核实他们究竟在服用什么。我们需要更多研究来理解这些自报症状差异究竟意味着什么——如果确实意味着

匹配字段正文

的是第二张图仍然显示的内容。它并不暗淡。据 MAAP 称，西北部的若干区域仍在运营，而随着土地恢复，老采矿区也在不断变化。嵌入向量也记录到了这一点。喘息是短暂的，压力正在再次积聚。2026 年 8 月，据美联社报道，在检察官发现采矿已越界进入坦博帕塔保护区本身之后，秘鲁重新向该保护区派遣了海军巡逻队。 我们的互动报道从马德雷德迪奥斯的这一地带开始，并由此展开其他几个例子。 OlmoEarth Embeddings Explorer OlmoEarth Embeddings Explorer 是一个基于嵌入向量本身构建的交互式分析工具，以地球的假彩色地图形式呈现。你可以任意平移，在不同年份之间切换以查看景观如何变化，并调出底层的 Sentinel-2 影像来对照真实情况核验地图。然后开始提问：点击一个地点以找到其他相似的地方，或者放置几个带标签的点，就地训练一个小型分类器，再将结果导出为 GeoTIFF。无需账户，无需任何设置。 对许多团队来说，用 OlmoEarth 验证一个想法意味着要进行一次微调运行，耗时约数小时。而在 Explorer 中，第一轮分析只需几秒钟。你只需少量标签就能

匹配字段正文

快的集合通信 张量并行推理有相当一部分时间花在 all-reduce 等集合操作上。在交换机连接的集群上，我们一直在评估一个 Spark 优化的集合通信后端 RoCEnante，它可降低本地 AI 硬件上张量并行解码所典型的小消息、低并发、中等 rank 数量模式下的集合通信延迟。 该后端实现先进行全对全交换，然后进行本地归约。每个 rank 将其输入共享给其他所有 rank，然后在本地将输入相加。单个 GPU 内核协调交换和归约。 主要优势在于通信步骤更少。环形 all-reduce 通过多轮在相邻 rank 之间传递数据。这种方法直接与所有对等节点交换数据，避免了这种转发链。对于小消息和适中的 rank 数量，这可以降低延迟。 代价是数据移动更多。每个 rank 将其完整输入发送给每个对等节点，并自行归约所有输入。随着消息或 rank 数量（节点）增长，这种额外流量会变得更加昂贵，使得环形 all-reduce 的带宽效率越来越有吸引力。如果你需要支持高并发、更大的集群或环形拓扑，NVIDIA 集合通信库（NCCL）会表现更好。 图 1. 在交换机拓扑上使用 Qwen3.8-27B

匹配字段正文

interaction spec，并在你的对话中渲染交互式图表。 示例 2：在聊天环境中使用 Flint-interactive，让智能体能够借助简单的 Flint 规范更可靠地生成交互式图表。它还使用户能够选择内容并将上下文传递到后续轮次。 2. 使用 Flint 构建交互式应用 使用 Flint Interactive Canvas 在仪表盘、数据故事或其他应用中构建交互式图表。你的应用可以使用事件处理器来处理 Flint Canvas 发出的语义事件，例如筛选表格、更新另一个图表或更改应用状态。要让应用中的组件控制图表的更新方式，请向 Flint Canvas 发送更新算子。 示例 2：Flint-interactive 允许开发者定义图表与外部元素（例如表格、段落）之间的交互。在这里，用户可以点击表格来高亮图表中的点，反之亦然。 3. 创建定制交互 要创建超出 Flint 预设范围的定制交互，请使用编程 API 定义触发器和自定义处理函数，将语义事件映射到自定义的图表更新序列。例如，处理函数可以高亮被点击的国家并按名称标注它。它组合了 set-style 和 set-annot

匹配字段正文

建议；为不同市场和语言本地化培训材料；以及构建个性化的交互式仪表板来管理日常工作，”他说。 然而，尽管这家网约车巨头如今正全面投入ChatGPT，但似乎尚未确定员工究竟将如何使用它。“我们的做法是在Uber全公司提供强大的AI工具，同时给团队留出试验空间，”苏库马尔说。“例如，今年早些时候，我们将30名AI工程师与Uber各团队配对，给他们两周时间来自动化其工作中的关键部分。这些‘AI小组’向我们展示了，当技术专长与对特定工作的深入理解相结合时，存在多大的机会。” Uber未披露此次推广该聊天机器人的支出规模。苏库马尔表示，公司反而将跟踪员工如何使用该工具。“我们将观察员工如何使用这项技术、他们开发出哪些类型的工作流程，以及它如何帮助他们更高效地工作。我们将评估这些结果，并利用所学来指导我们在整个业务中部署AI的方式，”他说。Uber表示，OpenAI在该聊天机器人的集成方面与公司密切合作。 OpenAI在与主要竞争对手Anthropic竞争之际，已迅速扩大其企业业务。这家ChatGPT的创造者曾主要被视为消费级品牌，如今已迅速在企业客户中赢得忠实追随者，而其他AI公司则难以跟上步伐。

匹配字段正文