搜索
WorkBuddy最近很火，实测下来的体感是，harness层似乎搭建得还不错，而且对国内模型的兼容度都做得很好，少有的国内应用厂商做出来的、基于国产模型的可用Agent产品。 这篇文章来自 Work
Databricks的联合创始人兼CEO Ali Ghodsi最近整了一个大活。公司有1.1万名员工，AI相关的开销越来越高，到底该用哪个模型搭配哪种执行框架，才能在省钱的同时保住效果？自己动手做了一次大规模测试。这次测试基于Databricks真实的业务代码，覆盖3家主流云厂商，由3000多名工程师的实际工作产出支撑，涉及多种编程语言和任务类型。
就在这届Bilibili World上，英伟达首次面向大众玩家展示了搭载RTX Spark超级芯片的笔记本电脑。这款芯片专为个人智能体打造，不仅搭载了Blackwell RTX GPU，连CPU也是出自英伟达的Grace CPU。
大模型竞技场的 AI 能力负责人 Peter Gostev，在前几天公开了 63 条几乎是故意为难模型的 3D 提示词；从大型 3D 世界，到各种可游玩的 3D 场景、名画世界，以及极端视角、自然奇观，和元素与宇宙终局场面等。
近日，Anthropic官方发了一篇长文专门来讲这件事。 起因是太多人把Claude Code里的两个选项搞混了：一个是模型选择（Model），一个是努力度（Effort）。过去，大家对这两个选项的理解都很简单：换更大的模型，AI就更聪明；把Effort调高，无非是让AI多想一会儿。
测试方法很简单。 找一个创意性极强的项目，让 4 个模型从零搭建，然后逐个跑一遍，看看谁做得最好看、谁最完整、谁翻车最惨。项目选的是一个 3D 浮岛创意作品集，对标 jordan-breton.com 那种风格，一座漂浮在空中的岛屿，上面有自然元素，随着页面滚动镜头会环绕岛屿移动，分成远景、中景、近景、拉远四个章节。
为了打破多镜头长视频面临的高延迟、零交互困境，香港中文大学与快手可灵团队联合提出了首个实时流式多镜头长视频生成框架 ——ShotStream。该研究打破了传统双向架构的限制，将多镜头合成定义为基于历史上下文的下一镜头生成任务，用户可以通过动态流式提示词在运行时动态指导叙事走向！更令人振奋的是
量子位不完全统计了97家国内具身数据玩家的情况，其中70家做数据采集，27家做数据infra。过去一年（2025年7月1日至2026年7月1日），15家「不做本体、不做模型、只做数据的独立具身数据服务商」，共融资约44.7亿元。
GraphPlanner通过引入图记忆网络，将多智能体LLM的路由过程升级为动态工作流生成。不仅选择调用哪个模型，还决定每个模型应承担的角色，实现任务分解与协作规划。
来自北航、北大、美团的研究团队提出了Policy Improvement Reinforcement Learning, PIRL，以及对应的落地算法 PIPO。这项工作关注的是大模型 RL 后训练中一个非常基础、但长期被默认跳过的问题：一次更新在当前数据上看起来优化了学习信号，是否就真的说明模型策略变强了？