搜索
当大模型公司还在竞争更长的上下文窗口、更强的推理能力和更复杂的 Agent 工作流时，一家名为 Engram 的新公司选择押注另一个问题：AI 能不能像人一样，持续从每天接触到的资料、对话和经验中学习？
最近几个月，海外主流社交平台X、YouTube、Instagram、LinkedIn、Facebook等的头部内容创作者，开始高频地提及同一个名字——AhaCreator 3.0。从科技博主、消费电子达人，到跨境电商品牌主理人，再到拥有百万粉丝的内容创作者，越来越多人在自己的内容中分享使用体验。
昨天，OpenDesign团队（nexu.io）释出了号称html版剪映的‘html-video’项目，完全开源：https://github.com/nexu-io/html-video。基于 hyperframes框架（https://github.com/heygen-com/hyperframes）构建，Apache 2.0 开源，由 Open Design 团队原班人马打造；
这一瓶颈是结构性的——这意味着每次请求都必须经过业内成本最高、功耗最大的芯片。这种低效正是总部位于韩国和美国的初创公司 XCENA 试图解决的问题。 这家成立四年的初创公司设计了一款芯片，将计算能力置于更接近 DRAM 的位置
来自 ETH Zurich 的 Florian Tramèr 团队在最新论文中抛出了一个出乎意料的问题：如果 AI"看到" 的图，根本不是你肉眼看到的那张，会发生什么样的后果呢？他们把这种现象称作 AI 权威清洗（AI Authority Laundering）。
国内唯一基于 MRAM（磁性随机存储器）构建存内概率计算平台的技术团队。
Telegram 创始人 Pavel Durov 宣布：Bot 现在可以直接和其他 Bot 对话。更关键的定义是——自主 Agent 从此拥有了一个「人类可旁观」的原生通信层。Bot API 10.0 早在 5 月 8 日就已落地，Durov 用一条帖子把它重新定义为 AI 基础设施，13 万人围观，2300 人点赞。
现在，图灵奖得主 Yoshua Bengio 给出了一份全新的并行方案。他们提出了 GRAM（Generative Recursive reAsoning Models，生成式递归推理模型），把确定性的递归潜在推理变成了概率性的多轨迹计算。模型在潜在空间中进行随机递归推理，每一步都可以采样不同的方向，最终形成对解空间的多路径探索。
训练强化学习智能体时，一个常见问题是：有些 level 太简单，智能体跑几遍就会；有些 level 又太难，智能体几乎得不到有效反馈。前者只是在重复已有能力，后者则会把训练预算消耗在无效探索上。真正有价值的训练环境，往往位于二者之间。
嗨大家好！我是阿真！ 今天分享一个最近让我眼前一亮的产品，Lucius。 如果你刚好做了个产品，已经开始出海赚美刀，有了产品的 Discord、Slack、Telegram、或者官网在线客服，准备把海外用户社区运营起来的话，那么不管做的是 AI 工具、SaaS、Web3 应用、硬件出海、内容平台、还是任何 To C / To B 的出海生意，只要你的客服工具开在海外，就大概率会遇到类似的场景。