搜索
IEEE最新刊发了一条挺反常识的新思路：大模型的内存焦虑，可能要靠U盘里的同款技术来缓解了。没错，就是NAND Flash。但现在，SanDisk和SK海力士正在推动一种新东西：High Bandwidth Flash（高带宽闪存），简称HBF。
AI体育赛道今年迎来了一波明星资本的押注。
人工智能（AI）模型在科学发现中的角色，正经历着一场从「工程缝合者」向「智能推演者」的深刻蜕变。
过去一年，Deep Research Agent 被视为大模型落地的下一个突破口，它们会检索、能用工具、可多步推理，在一个个榜单上高歌猛进。但把它们放到真实世界的专业场景里，表现是否也同样亮眼？
市面上已有几十种Agent记忆方案，有的基于向量检索，有的基于知识图谱，有的靠定期总结“压缩”对话，有的则完全依赖模型自身的上下文窗口。它们各有各的说法，但在系统层面，到底哪种方案靠得住？哪种方案在你的工作负载下既不贵又准？
算力承压，Kimi 暂停 C 端新用户订阅、OpenAI 战略未来负责人：Kimi K3 性能接近 2026 年第一季度最佳公开模型、Claude Fable 5 官宣永久可用、IDC 预计 2030 年全球活跃智能体将超过 22 亿个
为一个纯外行，如果你想从0开始，用国产模型，徒手搓出一个完全属于自己的产品，应该需要哪些步骤和流程，还有一些乱七八糟的坑。先叠甲一下，下面这套流程，是我自己作为非专业者，目前跑得比较舒服的一条路径，主要面向完全不懂代码、想先把第一个产品做出来的人。不同类型的产品，可以选择不同的托管平台，工程团队也会有不同的开发规范。
WAIC 2026，上海 AI 实验室发布了「书生·端砚」科学发现平台，有望为长期存在的科研结构性矛盾提供一种新的思路与解决方案。区别于行业内多数产品依托大模型适配科研场景、实现浅层提效的优化模式，「书生·端砚」以干湿实验闭环迭代、科研资产沉淀为核心能力，补齐 AI 科研缺失的真实场景反馈链路，推动 AI 科研应用从单点效率优化，迈向科研范式升级的全新阶段。
发布之前，我在 X 上看到有人说，测 K3 的感觉就像在测 Fable 5。虽然离 Fable 5 还差一点点 🤏，但超过 Opus 4.8 和 GPT 5.5 基本没有问题。在前端能力，K3 的提升非常明显，我已经用它复刻了前段时间爆火的独立工作室 Abeto 推出的一款 3D 网页游戏 《 Messenger》（ps. 音乐手动配的，主角模型是 K3 自己判断、自主去游戏官网找的）
此芯科技，一家成立于2021年、专注自研高性能智能体CPU的公司，在上海举办了一场以「芯聚无限 智启新元」为主题的发布会。此次，他们正式发布了AGX Agentic Compute 智能体计算战略——一把打通芯片、整机和操作系统，构建覆盖端、边、云的全域算力底座。