两人小团队，仅用两周就复刻了之前被硅谷夸疯的DeepSeek-OCR？？ 复刻版名叫DeepOCR，还原了原版低token高压缩的核心优势，还在关键任务上追上了原版的表现。完全开源，而且无需依赖大规模的算力集群，在两张H200上就能完成训练。
AEPO 系统性揭示了「高熵 Rollout 采样坍缩」和「高熵梯度裁剪」问题，并设计了「动态熵平衡 Rollout 采样」与「熵平衡策略优化」两项核心机制。前者通过熵预监控与连续分支惩罚实现全局与局部探索预算的自适应分配，后者在策略更新阶段引入梯度停止与熵感知优势估计以保留高熵 token 的探索梯度。
在训练多轮 LLM Agent 时（如需要 30 + 步交互才能完成单个任务的场景），研究者遇到了一个严重的训练不稳定问题：标准的强化学习方法（PPO/GRPO）在稀疏奖励环境下表现出剧烈的熵值震荡，导致训练曲线几乎不收敛。
来扒一扒OpenAI算力支出的天价账单——据Epoch AI统计的数据显示，去年OpenAI在计算资源上支出了70亿美元。由于公司当时还没有大量的算力，所以这笔天价账单基本都是以向微软租用云算力的形式支付出去的，并不包括对数据中心的前期投入。
昨天，State of AI Report 2025 正式发布了。背后主笔是硅谷投资人 Nathan Benaich 和他创办的 Air Street Capital，从 2018 年开始，这份报告就被称为“AI 行业的年度百科”。
2030年的人工智能将会是什么样子？受谷歌DeepMind委托，Epoch发布新报告，从算力、数据、收入等方面进行了详细剖析。
AGI时代或将带来前所未有的繁荣：算力推动经济狂飙，但人类工资却被钉死在「算力成本」上，与增长彻底脱钩。耶鲁学者Restrepo的研究指出，劳动份额将归零，财富全面流向算力资本。人类或许仍被需要，却只停留在护理、陪伴等附属岗位。在这样的未来，工作还有意义吗？
Epoch AI 最近受 Google DeepMind 委托编写了一份分析报告，探讨这种规模扩张（Scaling）在计算、投资、数据、硬件和能源方面将带来哪些影响。在报告中，进一步探讨了这种规模扩张将赋予的未来 AI 能力，尤其是在科研领域，而这正是领先 AI 开发者关注的重点。
AI是否会在5年内破解黎曼猜想？是否会保持每年5x的算力扩张节奏？十年后，AI将把我们带向一个什么样的世界？近日，Epoch AI负责人Jaime Sevilla，与数据与分析负责人Yafah Edelman在对话中，为我们揭示了未来十年AI发展的路线图。
工具越多，效率越低？在信息洪流里，我们被无尽的切换与复制粘贴拖住了脚。Fellou让每个人都重获跨领域创造力，做自己的数字达芬奇：交互、任务、记忆三大连续体无缝衔接，Deep Search与Visual Report免费开放，跨应用自动执行、多模态创作与动态工作流一站打通。
