搜索
大模型的能力正在被不同的范式逐步解锁：In-Context Learning 展示了模型无需微调即可泛化到新任务；Chain-of-Thought 通过引导模型分步推理来提升复杂问题的求解能力；近期，智能体框架则赋予模型调用工具、多轮交互的能力。
AI 需要整个互联网来学习，而人类只需要一个童年。人类在成年之前，所接触的语言、文本与符号，顶多只有几十亿 token，相差几个数量级。正是从这个问题出发，一家几乎没有产品、没有盈利、也不急于商业化的 AI 创业公司，从 GV、Sequoia 和 Index 拿到了 1.8 亿美元融资，并获得了 Andrej Karpathy 的公开力挺。
最近，OpenAI 创始成员 Andrej Karpathy 在推特上分享了他使用 Claude 进行数周高强度编程后的感受。
大模型的出现，给许多行业带来了颠覆性的改变，运维这个向来被视为稳定、保守的领域也不例外。虽然“AIOps”这个概念早在 2016 年由 Gartner 提出，但早期的智能运维更多是利用大数据和机器学习对传统运维流程进行效率上的提升。
扩散语言模型（Diffusion LLMs, dLLMs）因支持「任意顺序生成」和并行解码而备受瞩目。直觉上，打破传统自回归（AR）「从左到右」的束缚，理应赋予模型更广阔的解空间，从而在数学、代码等复杂任务上解锁更强的推理潜力。
AI Coding的魔力究竟有多大？
如果你关注前端或 AI 圈，这几天一定被 Vercel 最新开源的 json-render 刷屏了。
10人团队，人均“00后”，ARR在2025年下半年已超过100万美元。
AI能帮你写法律文书，但它也可能帮你编造6个根本不存在的判例。
我们都在System Prompt里写过无数次 You are a helpful assistant，但你是否想过：这行文字在模型的残差流（Residual Stream）中究竟对应着怎样的几何结构？