自从 Claude code 上线 sub-agents 后，我一直对其抱很大的期待，每次做 case 都会搭建一支“AI coding 梦之队”。想象中，它们会在主 agent的协调下火力全开， 完成我超级复杂的需求。
过去几年，大语言模型（LLM）的训练大多依赖于基于人类或数据偏好的强化学习（Preference-based Reinforcement Fine-tuning, PBRFT）：输入提示、输出文本、获得一个偏好分数。这一范式催生了 GPT-4、Llama-3 等成功的早期大模型，但局限也日益明显：缺乏长期规划、环境交互与持续学习能力。
今天吃到一个科技圈的瓜，主角是 77 岁的 AI 教父 Geoffrey Hinton，诺贝尔奖图灵奖得主。
你有没有想过，网站的时代真的结束了？我们正在目睹一场静悄悄的革命：AI agent 正在重新定义内容发现的游戏规则，而大多数企业甚至还没意识到自己的网站内容已经对AI"隐形"了。这不是什么遥远的未来预测，而是正在发生的现实。
Computer use是真正Agents的关键驱动力。它们的有效性取决于两个因素：能够接入多少工具，以及能否在这些工具之间进行推理。Computer use显著拓展了这两方面的能力——既赋予Agents使用任意软件的广度，也提升了它们将一系列动作串联成完整工作流的智能。
在多模态大模型的基座上，视觉 - 语言 - 动作（Visual-Language-Action, VLA）模型使用大量机器人操作数据进行预训练，有望实现通用的具身操作能力。
用模型学习模型，为企业主生产更容易被AI推荐的营销内容。
3999元，不够买一台苹果手机，但能DIY个机器人（doge）。
一年前的今天，特工宇宙团队在外滩大会上首次接触到蚂蚁百宝箱团队。
苹果研究人员发现，在大模型中，极少量的参数，即便只有0.01%，仍可能包含数十万权重，他们将这一发现称为「超级权重」。超级权重点透了大模型「命门」，使大模型走出「炼丹玄学」。
