搜索：多阶段训练 - AI Reading Hub

「多阶段训练」共找到 5963 篇相关文章

个人开发者训400亿参数大模型：分布式算力，DeepSeek架构，3090单卡部署

Nous Research推出Psyche Network，可整合全球算力训练AI。它基于Deepseek的V3 MLA架构，有DisTrO优化器等技术，能让个人和小团体创建大规模模型，还实现40B参数LLM预训练。

2025年，强化学习成大模型进化主战场，但万亿参数模型跑RL成本高。Mind Lab团队实现1T参数模型LoRA高效RL训练，GPU消耗降90%，技术开源。此外还有Memory Diffusion记忆机制等成果。

Codebuff是开源AI编程助手，获超5.1k stars。其多智能体架构让不同智能体分工协作，理解代码上下文更好、编辑更准。官方测试中完成率61%，超Claude Code。它免费且上手简单，还能创建自定义智能体。

Vercel 发布 Drains 系统，将平台可观测性数据统一导出至外部服务，覆盖多来源日志等。用户可两种方式配置，导出数据与多系统兼容，能简化接入流程、减少管道碎片化。

2025年世界人形机器人运动会，宇树科技获奖最多，没参赛的加速进化T1获奖牌数排第三。这家新公司选不同发展路径，重产品与生态，技术应用于多场景，有望成行业‘苹果’。

Anthropic内部把Claude Code当万能助手。它核心理念是“一切皆文件”，能管理文件、日志和待办事项，还可打通Apple生态。MCP让其获取更多上下文。社区用户分享了在多场景的使用体验和技巧。

北京邮电大学等机构联合提出新颖端到端框架 CRH，在训练哈希函数时动态更新哈希中心，提升检索精度和语义一致性。论文被 AAAI 2026 收录，代码已开源。

苏黎世联邦理工与微软团队提出 DROID - W 动态 SLAM 框架，即将发表于 CVPR 2026。它不预设动态物体，从多视角观测识别不可靠区域，还提出交替优化方案，在多个数据集表现优。

智谱推出电脑端应用AutoClaw（澳龙），从安装到使用仅需1分钟，无需配置。它可切换多种模型，预置50多个Skills。能一键接入飞书，玩法多样，还降低了OpenClaw使用门槛。

新加坡等多所高校联合发表医疗智能体综述研究。医疗智能体有感知 - 认知 - 行动闭环，能深入临床长链条工作流。综述剖析其架构、协同机制、应用场景与安全挑战，还探讨评估及发展方向。