#LLM
•

速度快200倍、成本暴降400倍！前OpenAI核心研究員閉關兩年“炸場”LLM牌桌

發明ChatGPT的核心科學家，閉關兩年後，反手給整個大模型行業敲了一錘喪鐘。 今天，前OpenAI核心研究員，ChatGPT、GPT-4論文重要貢獻者，現TypeSafe創始人Diogo Almeida公佈了一種全新模型：Jev，在開發者圈迅速走紅。 Jev這個名字取自傑文斯悖論（Jevons paradox），同時也寓意它在「每美元所能換取的智能」指標上表現爆表。 與現有的LLM模型相比，Jev在系統任務上達到了類似的智能水平，但速度和效率提高了兩個數量級，雖然Jev不具備字串生成功能，但它針對結構化輸出進行了最佳化，並且不會產生幻覺。
速度快200倍、成本暴降400倍！前OpenAI核心研究員閉關兩年“炸場”LLM牌桌
科技#Diogo Almeida#TypeSafe AI#LLM
•

中國AI突破「造芯方法論」！Agent軍團接管晶片設計全流程

RSI（Recursive Self-Improvement，遞迴自我改進）正在成為人工智慧領域最受矚目的前沿方向。 當模型可以自主生成任務、自動驗證結果、並把每一次試錯沉澱為能力，智能的增長第一次擺脫了對人類資料的依賴，進入自我複利的軌道。 AI進入自進化時代，整個行業都在等一個答案——RSI的方法論會在那些場景率先落地。 而晶片設計，一直被認為是現代工業體系中最複雜的工程任務之一。
中國AI突破「造芯方法論」！Agent軍團接管晶片設計全流程
科技#AI造芯#LLM#Agent
•

史丹佛最新課程發佈：教 AI Agent 自我進化！

AI Agent 的下一步是什麼？ 史丹佛的答案是：讓 AI 學會自己改進自己。 這門課是 CS329A《Self-Improving AI Agents（自改進 AI 智能體）》，於 2025 年秋季學期開設。課程不再只討論如何把 Agent 做出來，而是追問一個更難的問題：模型訓完以後，能不能通過搜尋、驗證和環境反饋，繼續變強？ 現在，課程首頁、論文閱讀清單和官方錄影都已經線上公開！
史丹佛最新課程發佈：教 AI Agent 自我進化！
科技#AI Agent#自我進化#機器學習
•

AI Agent 運行全流程深度剖析！

從感知到執行，從單體到協同——企業級 AI Agent 的技術架構與運行機制全景解析 一、引言：從 LLM 到 Agent 的範式躍遷 大語言模型（LLM）的突破性進展使人工智慧從"感知智能"邁向"認知智能"。然而，單純的 LLM 本質上是一個無狀態的機率文字生成器——它接收輸入、輸出文字，卻無法主動感知環境、規劃行動、呼叫工具，更無法在多步任務中保持連貫的執行邏輯。 AI Agent 的出現，正是為了彌補這一關鍵缺口。Agent 並非 LLM 的簡單包裝，而是在 LLM 認知核心之上建構的自主行動系統。它將大模型的推理能力與規劃、記憶、工具呼叫等機制深度融合，使 AI 從"回答問題"進化為"完成任務"。
AI Agent 運行全流程深度剖析！
科技#AI Agent#技術架構#LLM
•

AI 的平行宇宙-Opus 5 降價屠榜 · Celeris 快 15 倍 · 8 塊錢晶片跑 LLM

7 月最後一周，AI 世界同時發生了三件事。它們單獨看都很炸，但放在一起，講的是同一個故事：AI 正在同時向兩個極端加速——天花板越來越高，地板越來越低。 1 Opus 5：不漲價，但更強 7月 24 日，Anthropic 發佈了 Claude Opus 5。比起參數和跑分，最有衝擊力的不是它有多強，而是它的定價和 Opus 4.8 完全一樣——輸入 5 美元/百萬 token，輸出 25 美元/百萬 token。用去年買 iPhone 15 的錢，買到了 iPhone 17 Pro。
科技#AI#平行宇宙#Opus 5
•

Nature子刊！｜ 為什麼越強的LLM越“像大腦”？答案可能是：上下文

創新點 •首次系統揭示LLM性能與大腦層級對齊的雙重收斂關係，發現不僅LLM性能越高越能預測神經響應（r=0.92），而且好模型在更淺的層級就達到最大腦相似度（r=-0.81） •提出"大腦層級對齊分數"並證明好模型的特徵提取路徑更線性地對應人腦層級，借鑑視覺領域的方法，用電極距pmHG的距離作為大腦層級代理指標，計算LLM各層最佳預測層與大腦層級的線性相關，發現該對齊分數與LLM性能強相關（r=0.79），並用電極延遲作為替代指標重複驗證（r=0.89），證明高性能模型的層級化特徵提取更接近人腦從初級聽覺皮層到高級語言區的遞進式處理 方法
Nature子刊！｜ 為什麼越強的LLM越“像大腦”？答案可能是：上下文
科技#Nature子刊#LLM#像大腦
•

HBM 不是全部：GDDR + HBM 異構分解，讓 LLM 推理降本不降速

一、一張帳單裡的浪費：HBM 在 prefill 裡幹了什麼 一台 NVIDIA A100 伺服器，光是 HBM 的成本就佔到整塊卡製造費用的18%；到了 B200 上，這個數字攀升到45%。你花了近一半的錢買了高頻寬記憶體——然後在 prefill 階段，讓它空轉。 HMA-Serve 論文（arXiv:2606.29986）裡有一組測量資料：在 4K token 長度的 prefill 任務上，A100 的 HBM 頻寬利用率不足3%。16K token 時，這個數字跌到1% 以下。換句話說，你有一條八車道高速，但卡車只開了半條。 下圖展示了不同晶片在 prefill（高算術強度）和 decode（低算術強度）下的天花板差異：
HBM 不是全部：GDDR + HBM 異構分解，讓 LLM 推理降本不降速
科技#HBM#GDDR#LLM
•

LLM 推理機制被發現了？研究發現：所有大模型都會“坍縮”到低維空間

創新點 •基於內部動力學提出統一的標籤無關診斷指標，完全不依賴外部標註即可量化推理質量，為基準測試中心主義提供了互補框架。 •論證LLM推理從根本上受幾何結構和資訊約束支配，而非僅由任務性能驅動，為理解和診斷推理失敗提供了新的理論透鏡。 方法
LLM 推理機制被發現了？研究發現：所有大模型都會“坍縮”到低維空間
科技#LLM推理#大模型#Qwen