李飞飞出书《我看见的世界》是最近李飞飞开公司拉投资了，需要宣传吧，去B站搜署名李飞飞的AI课程，基本都是李飞飞的学生主讲，李飞飞本人唯一露脸的只有一节课，仍旧是只谈人工智能的历史，学术问题不涉及，也就是说，她那个团队干活的是学生，但名头都是打她的名字，这是很不正常的，业界应该都知道是怎么回事，她是学术界，有斯坦福给她背书，但如果是工业界，她之前短暂被谷歌聘用过，后面就没有续了。至于物理学出身的李飞

QClaw 的出现，标志着 AI Agent 正在从极客玩具变成大众工具。当 AI 不再需要你打开一个独立 App，而是直接住在你最常用的微信聊天框里，人机协作的方式正在被重新定义。开源世界里，没有一家通吃的赢家，只有不断分化、不断进化的生态。下一个问题是：当 14 亿人的微信聊天框里都住着一只能干活的 AI，我们的工作方式、生活方式，会发生什么样的变化？这个答案，可能比我们想象的来得更快。有算力

思维链最初是大模型预训练中的 “意外发现”：当要求模型解数学题时 “step by step” 思考，其正确率会显著提升。这一现象与 “上下文学习”（In-context learning，模型无需训练就能通过任务指示和示例掌握新任务）共同成为大模型智能涌现的标志性特征，最初让学界和业界颇为震撼。大模型的数学与逻辑能力薄弱，是用户普遍反馈的问题。这一短板严重制约了大模型的商业化落地 —— 人们难以

算力计算的核心是“拆解硬件运算单元数量×单位时间运算次数”，CPU与GPU的差异本质是架构设计的差异（通用vs并行），导致算力差距悬殊。实践中需注意：先明确场景：科学计算看FP32算力，AI训练看FP16/TF32算力，AI推理看INT8算力；获取官方参数：核心数、频率、运算单元数量等必须来自厂商官方文档；结合实际场景修正：通过工具实测（如Linpack、TensorRT）获取实际可用算力，避免仅

" 智能体->>+DeepSeek: 意图分析 DeepSeek-->>-智能体: {"intent":"故障诊断","confidence":0.95} 智能体->>+知识库: 相似度检索 知识库-->>-智能体: 排水泵堵塞解决方案 智能体->>用户: 分步骤指导+图示。ps：如果真的想比其他人快一步的话，大家更要学会在业余时间深度学习， 电脑跑不动需要云租服务器的话，这个月易嘉云平台yiji

通过系统优化，LongCat-Flash 在 H800 上达成了 100 tokens/s 的生成速度，在保持极致生成速度的同时，输出成本低至 5元/百万 token。据说，美团在训练龙猫大模型的时候，并不是在英伟达 GPU 上完成的，美团使用了“数万个加速卡”的模糊表述。也就是说，在运行过程中，大模型会根据上下文需求动态激活参数数量，这样可以对算力进行动态分配。如果用的是国产 GPU，那在大模型

以往的模型不知道自己生成的排版长什么样。更重要的是，所有生成内容均为 .pptx 可编辑格式，支持自由修改与二次创作，彻底摆脱类似 nanobanana 那样 “生成后无法编辑” 的困扰，让 PPT 创作真正可控、高效、灵活。更值得关注的是，在成本 — 性能曲线中，DeepPresenter-9B 位于前沿的 “突变点” 位置，意味着在性能与价格之间达到了极具竞争力的平衡。，实现了同等级别的智能表

解决的是如何把任务说明白，解决的是如何把关键信息摆到模型眼前，解决的是如何让模型在真实环境里稳定做事。三者并不是谁取代谁，而是抽象层次一层层向外扩展。任务越接近真实生产，后两者的重要性就越高。模型能力越来越强，它所需要更多可能是“给他一个自由发挥的舞台”，人类需要来协助它搭建舞台。而不是反过来，人类强烈的干预它的行为，却不给予它帮助。如果你用了顶级模型，但 vibe coding 效果不好，大概率

对于开发者而言，小米开源的技术栈（如 MiMo、Vela 框架）提供了从模型训练到端侧部署的全链路解决方案，尤其在智能家居、车载交互等垂直领域具有极高的落地价值。为核心，聚焦复杂任务处理；通过动态稀疏化和结构化剪枝，小米将 60 亿参数模型压缩至 4B 规模，在手机端实现文本生成速度 25 tokens/s，而同等性能的闭源模型需依赖云端算力。：在小米 SU7 上，MiLM-6B 模型实现 “一句

你可以让它随意学会一项技能，比如写稿，整理文件，检查代码，而这些技能，表现在电脑里，就是一个个模块化的压缩包，每个包里都包含指令、元数据，还有一些资源，比如你的稿子，你的代码，Claude 会在需要时才自动读取这些资源。你只需要调用 AI 本身的“Skill Creator”技能，用你的语言描述自己的需求，让AI自动帮你生成一门技能，使用起来非常友好，AI会一步步引导你说出你的需求，你只需要回答问