01 2023年，大模型元年，这一次真正撼动了人类中国大模型的发展呈现出蓬勃生机，形成了多元共进、创新竞发的活跃态势AI大模型发展关键节点LLM开启的生成式人工智能到底可以解决什么问题，与之前相比，进化在哪儿？企业由数字化阶段迈入智能化阶段，AI能力成为企业核心能力核心观点：智能化是互联网化、数字化的延伸而不是颠覆，演进过程中，技术的价值从过程逐步向结果转移；未来企业，组织形态将会被重构，组织边界

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。由于新岗位的生产效率，要优于被取代岗

论文提出了EmbSpatial-Bench和EmbSpatial-SFT，用于评估和改进LVLMs在具身任务中的空间理解能力。实验结果表明，当前典型的LVLMs在具身场景中的空间理解能力较弱，但通过指令微调可以显著提高其性能。该研究为LVLMs在具身AI系统中的应用提供了重要的基准和数据支持。

VLA（Vision-Language-Action）模型是一类。

机器人操作已成为现代科技进步的基石，但在处理复杂、长程、开放词汇的任务时，传统的机器人系统仍面临巨大挑战。特别是，大多数现有方法仅使用**并联夹爪（parallel grippers）**，这简化了抓取问题，但牺牲了对**灵巧手（dexterous hands）**这种具备高自由度、能模仿人类操作的先进执行器的探索。灵巧手在处理易变形物体或复杂手内操作时具有不可替代的优势。

本文综述了基于多模态大模型的具身智能体研究进展与展望。具身智能体作为能与物理环境交互的智能实体，在服务机器人、智能教育等领域有巨大应用潜力。多模态大模型为其提供了更强的语言理解、推理判断和环境感知能力。文章从具身大模型、高级任务规划和低级动作控制三个关键方向展开，分析了相关数据集、物理载体及最新研究成果，同时探讨了该领域面临的评价体系、数据集质

你去面蚂蚁的 Agent 开发岗，简历上写着一个客服 Agent 项目，手上有一整套资料：产品文档、各类目的退款政策，还有一份客服处理退款的操作流程。面试官问你，这些资料哪些该放进 RAG 检索，哪些该整理成 Skill。

Sanjay Kumar 整理的这套 2026 企业级 AI Agent 面试题库有 30 道题、6 个类别。我挑出最能区分候选人的 6 道，讲清「普通答案」和「好答案」差在哪，并补了两个能直接跑的护栏脚本。给准备 Agent 岗位、以及要出题面人的同学。

Attention 负责让 Token 交换信息，FFN 负责对每个 Token 做非线性加工。但如果想继续增加 FFN 的容量，又不想让每个 Token 都多算一遍，怎么办？

其实，这道题在 Agent 面试里面出现的频率很高，也是真实项目里最容易踩到的一个坑。核心的观点是这么一句话：第 20 步只是个症状，它不是原因。