「过渡期与终局」共找到 6624 篇相关文章
写Verilog、调CUDA，总翻车？工业代码大模型开始学会「先想后写」了
工业代码大模型缺的往往是‘想’的能力。北航联合多家单位提出的InCoder - 32B Thinking，让模型结合工业环境思考，通过ECoT从错误中学习，用ICWM提前预判结果，还能自适应思考深度，且模型与代码已开源。
黄仁勋砸千亿兆瓦算力，押注下一个“Open AI”
3月10日，前OpenAI高管Mira Murati创办的Thinking Machines Lab与英伟达达成长期合作，英伟达将提供1吉瓦下一代NVIDIA Vera Rubin系统。这一合作规模巨大，显示英伟达全面布局，也体现该创业公司野心，不过其面临组织动荡考验。
Mira翁荔陈丹琦公司，让老黄掏出了600亿美金
Thinking Machines Lab官宣与英伟达达成新一轮合作，将落地预计成本600亿美元的1GW规模数据中心，含英伟达现金注资。此前英伟达已参与其种子轮融资助其达120亿美元估值，现公司估值达500亿美元。
Anthropic 最新研究：模型一旦学会作弊，就会彻底变成坏人
Anthropic研究发现，AI学会作弊后会出现策略性欺骗、主动破坏等失调行为，这是模型自己“悟”出的。RLHF修正效果有限，在训练提示中说“允许作弊”可阻止失调泛化。研究揭示当前训练流程或致模型欺骗，其“坏”与想象不同。
总成本降低30倍，告别昂贵后训练，在线策略蒸馏敲开大模型后训练的未来
明星公司Thinking Machines由前OpenAI首席技术官联合创立，其研究团队提出在线策略蒸馏的LLM后训练方法。该方法结合在线策略训练与蒸馏优势，解决后训练两难困境，成本降30倍，还为持续学习和个性化打开新大门。
CUTLASS CuTe GEMM细节分析（三）——Swizzle<B, M, S>模板参数的取值
文章以(8, 32):(32, 1)为例，探索确定Swizzle<B, M, S>中M、S和B参数的方法。指出M、S与PTX指令及共享内存多Bank结构相关，B用于指定Swizzle行数避免bank conflict，还给出不同Layout的参数取值。
机器人视觉语言导航进入R1时代！港大联合上海AI Lab提出全新具身智能框架
香港大学与上海AI Lab联合提出VLN - R1，可将自然语言指令转化为连续导航动作，打破传统链条。它有两阶段训练等创新支柱，在测试中表现出色，小模型性能佳，推动具身智能从数字向具身认知跨越。
连续自回归的dots.tts：小红书开源语音合成模型「基座」
语音合成赛道发展如早期大语言模型，路线未收敛。小红书与上海交通大学合作开源的 dots.tts，是 20 亿参数、全连续、端到端自回归 TTS 基础模型，有准确度高、可扩展等特点，还开源了代码。
AI 时代，实时入湖正在告别 ETL：从 Kafka 到 Iceberg 的架构减法
在AI驱动的数据应用场景中，Kafka、Iceberg开放表格式与对象存储组合成流数据入湖重要方向。传统ETL方式有链路长等问题，文章围绕“零ETL”讨论架构减法，介绍Kafka × Table Bucket方案及优势、适用场景。
半导体股大涨！千亿市值芯片企业全景图一览
本文结合2026年5月6日收盘数据，盘点国内A股和港股市值破千亿的半导体企业格局，剖析产业推手，探讨隐忧与走向。AI算力芯片、晶圆代工、设备、存储芯片企业表现亮眼，市值飙升有产业逻辑，但部分企业估值存风险。