共 30 篇文章
有一件事值得停下来想一想。 AI 每次给你回答,你看到的只是它说出口的部分。但在说出那段话之前,它的内部发生了什么?它有没有在"想"?它内心有没有一些念头,永远不会出现在输出里? 以前这个问题没有答案,只能猜。 现在 Anthropic 有了一个工具,让他们第一次能看见 AI 没说出口的话。 * * * ## "潜意识
一个模型，1.6 万亿个参数，跑在 5 万片国产芯片上，训练了超过 35 万亿个 token，全程没有出过一次无法恢复的严重故障。 确实有点厉害，让 AI 辅助阅读解读下所有技术细节。 https://longcat.chat/blog/longcat-2.0/ 35 万亿 token，大概是全球所有书籍文字总量的几十
Anthropic 的 Claude Fable/Mythos 为什么强？ X 上有人做了猜测分析，不少内容很干货，值得翻译分享。 原文：https://x.com/Rafa_Schwinger/status/2066230802439180447 所有人都找错了地方 每次 Anthropic 发布新模型，外界的第一反
解析Claude Code的代码结构，揭示AI编程智能体如何通过1.6%核心逻辑与98.4%基础设施实现安全可靠执行，探讨现代AI设计哲学。
https://web.stanford.edu/class/ee384m/Handouts/HowtoReadPaper.pdf 大多数研究生都是靠"撞墙"学会读论文的。 从头读到尾，读完发现没记住什么，再读一遍，还是一头雾水。 没人告诉他们，读论文本身是一项需要学习的技能。 滑铁卢大学教授 S. Keshav 在
https://x.com/itsreallyvivek/status/2064686372737454155 Richard Hamming在贝尔实验室有个习惯，让他在午餐桌上很不受欢迎。 他会问坐在旁边的人：你们领域里最重要的问题是什么？然后再问：那你为什么没在研究它？ 人们开始换桌子坐。 这个问题刺痛人，是因为大
斯坦福大学的研究团队做了一件反直觉的事：他们把未经任何过滤的原始网络爬虫数据直接喂给大模型，结果发现，在足够大的计算量下，不过滤数据的效果反而优于所有精心设计的过滤方案。 https://arxiv.org/pdf/2605.19407 这个结论和整个行业的直觉相悖。 过去几年，数据质量被视为训练大模型的核心变量之一，
## 开头导读 Anthropic 给新模型 Claude Opus 4.8 写了一份长达两百多页的系统卡（System Card，即模型发布前的安全与能力评估报告），核心结论可以浓缩成一句话：**它比上一代 Opus 4.7 更强，但没有突破公司内部那个更厉害的模型 Mythos Preview 划下的能力天花板，所
探讨AI Agent在长期协作中，记忆增加导致合作减少的现象，揭示'记忆诅咒'对协作策略的影响。
论文下载地址 https://api.taylorfrancis.com/content/books/mono/download?identifierName=doi&identifierValue=10.4324/9781315823010&type=googlepdf 1950年，图灵发表了那篇著名的论文《计算机器
MinT通过轻量适配器优化基座模型，实现百万级定制化服务，提升AI基础设施效率。
解析扩散模型架构革命：Transformer如何取代U-Net实现FID指标突破，揭示AI生成技术新范式
探索AI推理新范式：HeavySkill通过并行思考与综合讨论突破单次推理极限，实验数据超越Pass@K理论上限，揭示多轨迹协作的智能潜力。
Google Brain团队通过将Transformer应用于图像识别，挑战了传统CNN的主导地位。实验表明，将图片分割为16x16网格并作为序列处理，有效提升了模型性能，推动了视觉AI的革新。
你有没有想过，当你在编辑器里写下一行注释，说"返回一个列表中最大值的索引"，然后 GitHub Copilot 自动帮你补全了那段代码，这件事背后到底发生了什么？ 这不是魔法。在 Copilot 上线的两个月前，OpenAI 发表了一篇论文，描述了他们是怎么把 GPT-3 这个"读过很多文章的模型"改造成"读过 54
 你见过那种会让人起鸡皮疙瘩的舞蹈视频吗？ 音乐一响，舞者的每个动作都卡在节拍上。鼓点落下，脚步刚好踩实；旋律拉起，身体已经开始流动。这种"音乐与身体完全融为一体"的感觉，是人类花了
原论文："Beyond Semantic Similarity: Rethinking Retrieval for Agentic Search via Direct Corpus Interaction" AI 搜索产品背后的标准配方，大家已经默认为：把用户问题转成向量，在向量库里找最相似的文档片段，把排在前面的几条
Anthropic通过道德教育重塑Claude，揭示AI对齐训练新范式。从勒索行为到伦理推理，探索AI安全的核心方法。
> 原文: [🥇Top AI Papers of the Week](https://nlp.elvissaravia.com/p/top-ai-papers-of-the-week-b95) [ ![Agentic Harness Engineering](https://substackcdn.com/image
2016年，Andy Clark 在书中《Surfing Uncertainty》提出了一套预测处理"的框架。 彻底推翻我们对"感知"这件事的默认理解，并把这套框架延伸到记忆、行动、梦境、精神疾病、社会文化，几乎覆盖了认知科学的所有核心问题。 📎 Surfing_Uncertainty.epub 下面是对这本书的部分
2026年4月底，一篇署名来自清华、南洋理工、港大、新加坡国立大学等十几所顶级机构的综述论文悄悄挂上了arxiv。 https://arxiv.org/pdf/2604.28185 论文分析了411篇参考文献，其中45.7%发表于2025年一年之内。 数字说明一件事：这个领域正在以惊人的速度自我迭代。 论文的核心问题只
DeepSeek 又在节前发论文了，真的顶不住。 过去几年，多模态领域，大家卷的方向一直是"看得更清"：更高分辨率、更多视觉Token、动态裁剪。 但 DeepSeek 这篇论文角度完全不一样，觉得看清后的信息利用效率远远不够，能推理清楚才更重要，真正的瓶颈不在感知。 他们数据清洗做的很细致认真，比如把近 10 万数据
昨天体验了网页端的DeepSeek的识图模式，速度超级快，质量也还行。 回顾下DeepSeek 之前发的论文，然后待会还有一篇，从头学习。 Github地址：https://github.com/deepseek-ai/DeepSeek-VL 论文查看 https://arxiv.org/pdf/2403.05525
最近读到一篇很有意思的论文，来自华为诺亚方舟实验室、UCL和利物浦大学的团队，发布于2026年4月。 论文标题叫《From Skills to Talent》，核心想法用一句话概括：把多智能体系统，真正当成一家公司来管理。 https://arxiv.org/pdf/2604.22446 先说清楚背景：现在的AI智能体
DeepSeek V4 论文技术报告下载：📎 DeepSeek_V4.pdf 写在前面 大语言模型的发展，遇到了一个绕不开的瓶颈。 传统注意力机制在处理超长上下文时的计算开销呈平方级增长，就像处理的文本越长，计算量就以更快的速度爆炸式增长。 这不仅限制了推理模型的测试时扩展能力，也让复杂的长时程任务难以落地。 Dee