搜索
从数学、代码、复杂推理，到多轮工具调用，大模型的很多能力的提升都离不开 RL 后训练。但当模型规模进入 MoE 万亿参数级别之后，RL 不再只是一个算法问题，同时更加是一个系统问题。
过往几个月，我们通过 MiMo Orbit、百万亿 Token 创造者激励计划等活动，让更多人有机会体验 MiMo ，并解决真实的问题——这是 MiMo 在规模化应用道路上的第一步。 而现在，随着底层
一个 8B 参数的大模型，通常需要约 16GB 显存。参数越多，越吃显存，这就是为什么，内存价格一天比一天高。
刚刚的，面壁智能联合 OpenBMB 搞了个端侧开源周。今天作为开源周的第一天，端出来的是个好东西 BitCPM-CANN，模型权重只需要约 200 MB 的内存，手表也够跑
“这是我见过最激烈的竞争之一，甚至可能是资本主义历史上最激烈的竞争。”这是谷歌 DeepMind CEO Demis Hassabis 在访谈中对这场 AI 竞赛的评论。著名科技作家 Sebastian Mallaby 甚至直接将 AI 类比为现代的曼哈顿计划。
近年来，Mixture-of-Experts（MoE）已经成为大模型扩展的重要架构之一。相比稠密 Transformer，MoE 通过稀疏激活机制，在每个 token 上只调用少量专家，从而在控制计算成本的同时扩大模型容量。然而，一个长期存在的问题是：专家越多，并不意味着专家真的学得越 “专”。
谷歌AI掌门Hassabis，竟是死敌Anthropic的最大金主？表面上打得刺刀见红，背地里沙发挤挤兄弟情深。最可怕的是，如今的硅谷，已经被他手下的DeepMind黑手党包圆了！
劈柴和Hassabis把半年大招一晚清仓了！Gemini Omni任意输入生成视频，3.5 Flash断层碾压一切，Spark 7×24h云端替你干活。这次，谷歌是要把OpenAI和Anthropic一起给埋了。
近年来，3D 高斯泼溅（3D Gaussian Splatting, 3DGS）凭借其卓越的新视角合成能力和实时的渲染效率，极大地推动了神经渲染技术的发展。然而，当研究者试图直接从 3DGS 中提取精确的 3D 几何表面（Mesh 等）时，往往会面临严重的几何失真问题。
xbench，就是红杉自己弄的那个中立评测lab，刚刚又整了个新活：让 AI 做药企的数据分析，跟人类实习生比个高低，然后遥遥领先的赢了