说回开头的问题。AI的供给侧为什么看起来成熟、实际上很脆弱。因为大部分AI产品的思路还停留在C端，做一个好玩的东西，让用户觉得好酷。但是企业端要的是：稳定、可控、合规、有售后。当 AI 不再是一个不可解释的黑盒，而是能够被拆解、被微调、被控制的工业单元时，它才算真正拿到了生产力的入场券。从 2024 年首发端到端模型，到 MusiCoT 框架，再到现在的 V9，Mureka 这一路其实只在做一件事

在预训练的层面，QwenMath和QwenCoder的训练思路很像，两个模型都采用了混合数据策略，将代码、数学和一般文本数据结合起来，以平衡模型在特定领域（如数学或编程）和通用语言理解方面的能力。此外，要知道，代码场景对context的长度要求是很高的，动辄丢个代码库进去，因此Qwen2.5-Coder 则通过 YARN 机制和 repo-level 预训练来增强了长文本处理能力。在通义APP的背

例如，如果你想写一篇关于养宠物的文章，你可以这么设置prompt：“写一篇关于新手如何养狗的文章”。最近，我身边的朋友都在说ChatGPT，说它是写作的神器，能够帮助他们创作出优质的文章？不仅提供详细的操作步骤，还会分享具体的实例和些许提示，帮助你更好地理解和使用这个神奇的工具。越具体的提示会得到越具体的回复，例如，“写一个关于寿司制作步骤的段落”，而不是只是说，“写一篇关于日本食品的文章”。这里

阿里发布千问 APP，正式开启公测。这个消息我上周已经刷到了——“阿里秘密启动千问项目，全面对标 ChatGPT ”，甚至还带动了阿里港股小涨一波。周末我发现 APP Store 里已经开放下载，于是花了两天时间密集测了一圈。有个有趣的发现：当所有人都在 AI 应用里堆功能的时候，阿里反而做起了减法。

在当今的数字化时代，人工智能(AI)正在颠覆我们的生活方式。OpenAI的GPT系列模型——尤其是最新一代的GPT-4和它的聊天机器人版本ChatGPT——是最近AI进步的显著代表。通过深度学习和海量数据训练，这些模型已经可以生成出色的人类般的文本。它们可以被用作工具来改变我们读论文的方式，使学术研究更高效。

文库解决的是知识和模板从哪来，网盘解决的是文件和上下文在哪，GenFlow 解决的是任务怎么被理解、拆解和执行，OpenClaw 则让这套能力有继续接入更多 Agent 和工具链的空间。不需要下载、不在电脑和 AI 之间当文件搬运工，给 Agent 授权好文件范围，AI 进入了一个有授权、有边界、能跨端调用的工作区，就开始干活儿，用户自然不需要背着电脑到处跑了。百度团队认为，真正的工作就发生在网盘

文库解决的是知识和模板从哪来，网盘解决的是文件和上下文在哪，GenFlow 解决的是任务怎么被理解、拆解和执行，OpenClaw 则让这套能力有继续接入更多 Agent 和工具链的空间。不需要下载、不在电脑和 AI 之间当文件搬运工，给 Agent 授权好文件范围，AI 进入了一个有授权、有边界、能跨端调用的工作区，就开始干活儿，用户自然不需要背着电脑到处跑了。百度团队认为，真正的工作就发生在网盘

如何在仿真环境中无限逼近真实物理世界，是降低评测成本、实现规模化泛化的关键。此次入局的多家企业，将在仿真 Benchmark 领域投下“重磅炸弹”。作为全球首个具身数据独角兽，

MindDR为深度研究领域提供了一套「小模型、低成本、高性能」的训推范式，通过多智能体协作推理框架以及多阶段训练管线在小尺寸模型上取得业界领先性能，为深度研究智能体以及通用智能体发展探索了新的技术路径。

昨天凌晨，知名人工智能专家、OpenAI的联合创始人Andrej Karpathy提出了一个革命性的未来计算机的构想：完全由神经网络驱动的计算机，不再依赖传统的软件代码。嗯，这是什么意思？全部原生LLM+硬件设备的意思吗？这一概念的提出，引发了网友广泛的讨论和巨大关注，奶茶觉得这个设想看上去会不会太宏观而且不切实际，于是查看了Karpathy 在帖子下的回复，试图找到支撑性的证据：▲图源@小互。