InfiniAI Lab 由陈贝迪教授创立，致力于模型、系统与硬件协同设计，研究高效且可扩展的 AI 算法与系统，重点方向包括长上下文多模态建模、突破传统 scaling laws 的新一代模型架构，以及基础模型的理解与推理能力增强，同时推动算法与系统层面的效率优化，以促进 AI 技术的普及化。由于每个token在每一层访问的 embedding 都是恒定确定的，它完美避开了MoE训练中令人头疼的

对比来看，DeepSeek-V4-Pro 更偏向能力上限的探索，而 DeepSeek-V4-Flash 则在保留较强模型能力的同时，通过更轻量的结构设计与推理优化，在延迟、吞吐以及资源消耗方面都有明显改善。DeepSeek-V4-Pro的参数规模达到 1.6T，在 Agentic Coding 评测中已达到当前开源模型最佳水平，并在数学、STEM、竞赛型代码的测评中，DeepSeek-V4-Pro

1968年，埃尔德什和合作者Sárközy、Szemerédi提出了一个猜想：关于原始集的一个特定求和式，存在渐近意义上的明确上界。更关键的不是速度差距，是路线差距。而LLM则走了一条完全不同的路线，它使用了一个在相关数学分支中众所周知、却从未有人想过要应用到这类问题上的公式。在#1196之前，Price和Barreto已经用类似方法在几个较小的问题上取得了进展，陆续引起了一些关注。比如{2, 3

与传统AI助手（ChatGPT、DeepSeek等"百科全书式"工具）不同，OpenClaw是"执行式AI"，能清理邮箱、管理日历、编写代码、填写表单、爬取数据、发送消息等。在全民"养虾"热潮中，比"要不要养"更重要的是"我适合养吗"——认清自身技术能力、安全意识和真实需求，才能让这只"小龙虾"真正成为提升效率的利器，而非安全隐患的温床。“养龙虾”的好处这么多，难怪引发了轰轰烈烈的“养龙虾”热潮，

全局记忆（global memory）有利于共享上下文（shared context）和状态对齐（state alignment），局部记忆（local memory）更贴近真实分布式环境（distributed environment），但也更容易带来分歧。基于这些观察，作者认为未来研究需要更关注几个方向：更明确的一致性模型（consistency model）、更强的共享状态控制（state

现在，你可以试着从你手头最繁琐、最重复的工作入手，把解决它的流程、工具、坑点，整理成一个Skill。如果日志显示有浪费的工作（不必要的验证、不需要的中间输出），移除那些指令。比如，把你团队的事故复盘报告、API设计规范、代码审查意见喂给AI，让它帮你提炼出“代码审查”Skill，这样的Skill会包含你们项目特有的错误模式，远比通用版本强。对于那些可以用代码检查的断言（有效的JSON、正确的行数、

研究表明，此类反馈回路可能会意外地诱发优化行为，即使在没有明确训练信号的情况下，也会驱动有害的副作用，我们将这一现象称为“上下文内奖励破解”（In-context Reward Hacking）。通过训练解码器来回答关于模型激活值的开放式问题，我们实现了对模型倾向性的灵活监控以及对模型行为的针对性控制，其效果优于现有的探测（Probing）与干预（Steering）技术。虽然先前的基准测试侧重于孤

这不仅是为了人类可读性，更重要的是创建了一个可预测的模式，便于下游流程（如稍后的信号提取器）可靠解析。激进型分析师推动更激进的行动（“100% 全仓”），保守型分析师推动更严格的控制（“更紧的止损”），而中性型分析师则验证了交易员的计划是一个平衡良好的折中方案。交易员的输出非常出色，表明它已成功将研究主管的策略指导转化为具体的、可执行的计划，并附带了具体参数（50% 仓位、入场/出场点）。有了这些

还有误差累积，Databricks 2026 年 4 月的研究发现，Agent 会引用之前运行里错误的输出，再以更高的信心复用，没有策展的记忆会把一次性错误固化成永久谎言。三种遗忘机制必须同时工作：基于时间的衰减用指数函数压低更老、更少访问的记忆的检索分数，典型半衰期约 70 天，不删除，只是降低浮现概率；人类记忆不是单一的类型，Agent 记忆也不该是。Zep 的 Graphiti 开创了双时态

来源：机器之心本文约4000字，建议阅读8分钟本文为你介绍一种叫做分层 JEPA（联合嵌入预测架构）的架构。LeCun 认为，构造自主 AI 需要预测世界模型，而世界模型必须能够执行多模态预测，对应的解决方案是一种叫做分层 JEPA（联合嵌入预测架构）的架构。该架构可以通过堆叠的方式进行更抽象、更长期的预测。LeCun 和 Meta AI 希望分层 JEPA 可以通过...