搜索
在过去二三十年的互联网发展中，个性化推荐几乎一直是平台的核心能力之一。打开视频 app，平台决定你接下来会刷到什么视频；打开购物软件，平台预测你可能会购买什么商品；打开短视频 app，平台根据你的浏览、点赞、停留和互动，不断优化信息流。某种意义上，现代互联网的用户体验本身就是由推荐系统塑造的。
人类可以在一生中持续学习新知识，而不会轻易遗忘已有技能。然而对 AI 模型而言，这恰恰是一道极具挑战性的难题：每当模型学习新任务时，参数更新往往会覆盖历史知识，产生经典的 “灾难性遗忘” 难题。持续学习（Continual Learning）正是为突破这一瓶颈而生的研究方向。
Databricks的联合创始人兼CEO Ali Ghodsi最近整了一个大活。公司有1.1万名员工，AI相关的开销越来越高，到底该用哪个模型搭配哪种执行框架，才能在省钱的同时保住效果？自己动手做了一次大规模测试。这次测试基于Databricks真实的业务代码，覆盖3家主流云厂商，由3000多名工程师的实际工作产出支撑，涉及多种编程语言和任务类型。
大家好，我是 Paper2GalGame 的开发者塔米基。 半年前，我做了一个”把论文变成 Galgame”的软件。 当时很多人觉得这是一个玩笑。 但今天，它已经有了十万用户，并准备登陆 Steam。
本篇对谈来自知名播客《A Bit Personal》，由主持人Jodi Shelton于2026年6月5日深度专访美光Micron现任CEO Sanjay Mehrotra。在AI基础设施大爆发的时代背景下，这位在存储领域深耕超过45年的科技老兵，系统拆解了存储技术如何跨越传统组件标签，成为驱动AI进化的核心底座。
微软Copilot & Agents Core总裁Nitin Agrawal说，「迫不及待想让客户看到GPT-5.6能做什么」——不管是起草文档、分析数据、做演示，还是跨团队协作，产出都会更精致。除了原生接入模型，微软还会直接通过OpenAI API调用GPT-5.6，服务Microsoft 365客户。双通道，齐上阵。
来自清华大学与腾讯的研究者提出了 Generalizable Predictive Prompt Selection（GPS）。GPS 的做法很直接：先训练一个小型、可泛化的 Prompt Predictive Model（PPM），让它预测不同 prompt 在当前模型下的难度；再根据难度和 batch 多样性选择训练样本，从而减少无效 rollout。
研究团队提出了 XG-Guard (eXplainable and fine-Grained safeGuarding framework), 一个基于 GAD 且兼具可解释性和细粒度检测能力的无监督安全防护框架。目前工作已被 ACL 2026 Main Conference 接收。
近日，可信物理智能企业 Xspark AI（无界智航）完成首轮近亿元天使轮融资。本轮融资由鼎晖VGC、初心资本、SEE Fund 无限基金联合领投，深圳天使母基金、水木校友种子基金等多家财务投资机构，以及北洋海棠基金、特步家办等产业方跟投，多维资本担任融资财务顾问。资金将主要用于核心技术研发、产品迭代以及 Physical AI 的规模化落地。
今天分享一家很新的公司，Mecka AI，Mecka AI 是一家给机器人公司提供训练数据的公司。更具体一点，Mecka AI 做的是“人类动作数据”。也就是说，Mecka 做的事情很像“机器人时代的 Scale AI”。