「高质量专注」共找到 2408 篇相关文章
自回归因果注意力也能并行解码？上交联合UCSD突破LLM推理瓶颈，模型代码全开源
大语言模型推理速度是应用瓶颈，传统方法各有弊端。上交和UCSD团队提出Jacobi Forcing方案，无需重构架构，将AR模型转为并行解码器，提速显著且质量损失小，核心优势多，技术路线全链路优化，实测表现优。
陈大年复出，入局大模型
国产大模型领域黑马StartLux-V1.0-27B-Preview，参数量仅27B，在信通院MCP测试中排综合第二，仅次于1.6万亿参数量的DeepSeek-V4-Pro。其创始人陈大年押注本地模型，公司专注该领域商业化。
Copilot 创始工程师：大多数 AI 编码“就像开着法拉利去买牛奶一样
GitHub Copilot 创始工程师 Neel Sundaresan 正在构建 IBM Bob 智能编码工具，已有 8 万 IBM 开发者使用。他认为多数 AI 编码成本高，Bob 会按需调度模型。他还对智能体 AI 市场发表了看法，指出其有价值也有风险。
哈萨比斯出的难题，GPT之父接上了：用一个知识停在1930年的模型
GPT之父Alec Radford等用1931年前数据训练13B模型Talkie，切断现代知识污染。研究者测试其能力，探讨它对未来的“预感”、规避污染问题及数据多样性等，同时训练中也面临时间泄漏、数据质量等难题。
人才济济的大厂，为何频频产出垃圾代码？
科技大厂常产出垃圾代码，原因在于多数代码变更由菜鸟工程师完成，他们经验不足且常处于摸索状态。老手虽有优势，但过度依赖有问题。大厂为调度人才牺牲代码质量，这在AI时代隐患更大。
裁员现在不叫裁员，叫 AI 裁员
当下很多公司出现‘AI裁员’现象，在AI加持下，人员价值被重估。重复性高、难证边际价值的岗位易被裁，公司会加大对与AI相关岗位的投入。中美企业在裁员做法类似，但人才策略不同。
Hinton预言错了！年薪狂飙52万美元，AI没有「干掉」放射科医生
2016年Hinton预言放射科医生五年内会被AI取代，如今近九年过去，美国放射科医生未被取代，平均年薪达52万美元成全美第二高薪医疗专业，岗位数创新高。AI替代受限，因实际性能、监管、作用范围等问题。
Karpathy用「harness」彻底终结了RAG。
假期时Karpathy提出llm.wiki想法引发关注。它是元框架，定义人类与AI协作管理知识的方式。与RAG不同，它将新材料关键信息编入已有wiki并持续维护。作者用多种数据测试，发现TextIn API解析效果好，还优化处理流程提升质量。
停止迷信“超级Prompt”：要想AI不犯错，你得专门雇人“怼”它
这篇来自Isotopes AI的论文指出，在生成式AI落地中，迷信‘超级Prompt’不可取。对于高风险场景，单体LLM有局限，论文构建‘AI Office’架构，引入‘对手团队’概念，实验使准确率从60%提升到92.1%，但也有成本和局限。
桌面端已经过时了，这个 AI 直接在手机开了 Agent 商店
文章介绍 Macaron 应用，它有马卡龙形象的 AI 陪伴聊天功能，能记住用户习惯喜好。还可让 AI 生成手机 APP，有分享生态。其灵感库似应用商店，有经济系统，应用创建简单，完成度高，实现 AI 从工具到伙伴的进化。