「缩放定律」共找到 91 篇相关文章
“AI不是工具，是工人！” 英伟达GTC 2025，黄仁勋如是说
英伟达GTC 2025大会上，黄仁勋提出“AI不是工具，是会用工具的工人”，重新定义人类与技术关系。阐述AI产业本质、三大扩展定律，公布GPU路线图及新硬件，还将AI部署到多行业，构建全栈生态。
o1 核心作者 Jason Wei：理解 2025 年 AI 进展的三种关键思路
前OpenAI核心研究员Jason Wei跳槽Meta后，在斯坦福大学AI Club演讲，提出理解2025年AI发展的三个核心思想：验证者定律、智能的锯齿状边缘和智能商品化。他认为AI将解决可验证任务，智能成本会趋近零，且各任务发展不均衡。
GPT-5点赞！八大顶尖机构发布「自进化智能体」全面综述
在2025年，大语言模型已演变为智能体，但现有智能体部署后难以适应变化。格拉斯哥大学等机构学者发布综述，系统梳理自进化AI智能体核心框架与挑战，提出三定律，还介绍了优化技术、应用案例等，并指出未来方向。
独家对话极映科技高鑫：我们为什么要做一个比Sora难10倍的物理世界模型？｜甲子光年
本文是对极映科技创始人高鑫的独家专访。极映源于高鑫早年体验，团队具深厚经验。其模型回归底层定律，响应快。投资人看好，专家认为能解决痛点。高鑫谈技术、前景、商业化等，称有望引领物理仿真变革。
Qwen3-Next全新架构，32K场景MTP吞吐提升10倍
随着模型大小和上下文长度增加，为应对成本和部署挑战，Qwen3 - Next有突破性架构创新，解决上下文长度和总参数缩放问题。它采用混合注意力、超稀疏MoE等，MTP机制让其长上下文推理吞吐量比前身高10倍以上。
DRAM技术发展综述：历史、技术路线图与未来展望
本文深入分析DRAM技术，追溯其历史，探讨当前格局与未来前景，比较其与SRAM优劣，考察中国主要DRAM企业发展历程并与国际同行对比，旨在提供对DRAM和SRAM生态系统的全面理解。
Jina Embeddings v4 的量化感知训练
文章聚焦Jina Embeddings v4的量化感知训练。介绍量化技术可压缩向量体积、提升检索效率，对比四种主流量化方法，重点实验PTQ和Output QAT，还测试非对称量化，给出实验结果与结论。
EmbodiChain开源，用100%生成式数据自动训练具身智能模型
跨维智能开源EmbodiChain，它是通往GS - World的基石，重构具身智能学习范式。其以100%生成式仿真数据训练机器人，突破数据瓶颈，还对比了不同路线，测试显示其模型效果佳。
Meta新研究：字节模型蒸馏后，天花板破了
本文介绍Meta FAIR与华盛顿大学合作的最新研究，针对传统大模型蒸馏Token候选空间大、存储成本高的痛点，提出字节级蒸馏方案，验证其可突破Token天花板提升模型能力上限。
三万字长文：大语言模型从零入门
本文是面向零基础的大语言模型入门长文，无需机器学习背景，只用简单例子讲清大语言模型的核心逻辑，覆盖从原理到产品化的全流程，适合新人系统学习。