搜索
If I Had One Bet on Robot Learning, I’d Bet on Cross-Entropy. 大语言模型的成功揭示了一个适用于一维序列数据的清晰 Scaling Law：通过自回归训练，并采用交叉熵（cross-entropy）目标函数预测下一个 token 的概率分布，模型能够建模非常复杂的语义概率分布，并随着数据规模和模型规模的增长持续提升性能。
四年前，法国举办的一场 CNCF 大会上，主持人向台下的大模型创业者抛出一个常规问题：“Kubernetes 能为 AI 带来什么？”
AIGC相关创作中，多个LoRA合并到一起，画风串味、角色崩坏几乎是必然。
给一个需要长期维护的知识库做数据库选型，通常会碰到两类问题：内容持续更新以后，框架能不能方便修改和回退；数据量和负载上来以后，底层向量数据库能不能根据需求切换。
太震撼了！ 就在刚刚，谷歌DeepMind正式发布「阿尔法」重磅成果——AlphaGenome Atlas。这是一个有前沿AI加持、覆盖全基因组的可搜索预测数据库。
多模态模型的空间推理，有一种很反直觉的现象：它能看懂图里有什么，也能回答简单的左右上下，却会在换视角、判断方位、推理前后关系时突然失灵。
刚刚，OpenAI 发文投下一颗重磅新闻，称他们使用一种比 GPT-6 Astra 更强大的、未公开的下一代前沿大模型，联合约 10000 个并发协作的 AI Agent，仅耗时 88 个小时，便攻克了克雷数学研究所设立的七大千禧年难题之一 —— 纳维 - 斯托克斯方程（Navier-Stokes Equation）的存在性与光滑性问题。
Agent 完成任务后，学到的经验去了哪里？
模型正在接手更多复杂工具。
当多个大语言模型（LLM）组成「招聘委员会」，共同筛选简历、讨论候选人、打分并投票时，我们通常会用最终录用率来判断系统是否公平。