搜索
当 OpenAI 前 CTO Mira Murati 创立的 Thinking Machines Lab (TML) 用 Tinker 创新性的将大模型训练抽象成 forward backward，optimizer step 等⼀系列基本原语，分离了算法设计等部分与分布式训练基础设施关联，
一个百元级的「红灯」，如何成了信息焦虑时代的解药？
2024年7月14日，2024年欧洲杯锦标赛冠军赛如期举行，比赛将决出欧洲最佳国家足球队。在比赛只剩下不到五分钟时，西班牙队和英格兰队比分为1比1平，此时西班牙球员Mikel Oyarzabal在禁区顶端扑球，踢进了看似制胜的一球[1]。然而，在这次进攻中，Oyarzabal的位置接近越位，或者说离球门太远。
想象一下，你正在训练一个未来的家庭机器人。你希望它能像人一样，轻松地叠好一件衬衫，整理杂乱的桌面，甚至系好一双鞋的鞋带。但最大的瓶颈是什么？不是算法，不是硬件，而是数据 —— 海量的、来自真实世界的、双手协同的、长程的、多模态的高质量数据。
对于电子产品，我们已然习惯了「出厂即巅峰」的设定：开箱的那一刻往往就是性能的顶点，随后的每一天都在折旧。
这两年一直在关注 AI，Claude Code 给我带来的震撼，和当初 Nano Banana 在画图领域的革命，几乎是一个级别。
flomo 是我今年用过的应用里，少数真正把 AI 从「好玩」做到「好用」的产品。
现实世界不是 demo，人形机器人该如何进入真实世界？
2025 年，随着李飞飞等学者将 “空间智能”（Spatial Intelligence）推向聚光灯下，这一领域迅速成为了大模型竞逐的新高地。通用大模型和各类专家模型纷纷在诸多室内空间推理基准上刷新 SOTA，似乎 AI 在训练中已经更好地读懂了三维空间。
有没有一款工具，既有 Claude Code 那么强大的能力，又是完全开源免费的，还能让我自由选择用哪家的AI模型？答案是：有的！就是在GitHub上狂揽50.2K Star的新晋开源编程神器：OpenCode。