搜索“编码”

的速度运行，同时保持大模型的容量。 注意力 解码器有 52 层，隐藏大小为 5,120。大多数层对前 512 个 token 使用滑动窗口注意力；每第六层以及最后一层关注完整上下文。这样就有 43 个滑动窗口层和 9 个全局层。 注意力块内部（两种层类型） 这两种层对位置的处理方式不同。滑动窗口层使用 RoPE，因为在短窗口内相对位置最重要。全局层不使用位置编码。相反，每个查询都乘以一个随可见 token 数量缓慢增长的缩放因子 (1 + (pos + 1) / 2048) 0.1。它起到温度的作用：softmax 在上下文变长时保持其精度，而不是变得平坦。实现中称之为可扩展 softmax 查询缩放。 注意力使用分组查询注意力，有 48 个查询头和 8 个键值头，并对查询和键使用 RMSNorm。一个从层输入计算出的学习 sigmoid 门在输出投影之前缩放每个头的每个通道。 专家混合 前 3 层使用稠密 SwiGLU MLP。其余 49 层将其替换为包含 256 个专家的专家混合块，每个专家是一个中间大小为 2,560 的 SwiGLU MLP，约 39M 参数。专家占模型参数的

匹配字段正文

理复杂任务。其文本输入、文本输出的设计聚焦于这些工作负载，其中代码、工具调用、日志、文档和结构化输出处于核心地位。 Beam 拥有 100 万 token 的上下文窗口，以支持长时间运行的工作流。 Beam 以 Apache 2.0 许可发布，让开发者可以自由检查、定制并基于该模型进行构建。 你可以用 Beam 构建什么 Beam 专为以下工作负载而设计： 编码智能体： 解决软件工程任务、处理代码库，并帮助编写和维护代码。 长时间运行的智能体： 执行多步骤工作流、使用工具，并在延长的操作序列中朝着目标推进。 数学与科学推理： 处理复杂的数学和科学问题。 自定义模型： 针对特定应用微调和定制开源权重模型。 基准测试 开始使用 下载 最新版本的 Ollama 以开始使用 Beam。 ollama run beam:cloud Claude Code ollama launch claude --model beam:cloud Codex ollama launch codex --model beam:cloud OpenCode ollama launch opencode --mod

匹配字段正文

pstack 作者公开她的 “工程原则” 设计思路 「Clean Code」作者 Uncle Bob 是传统软件工程方法论的宗师，他最近看到了 pstack，认为本质上是把经典工程智慧「最小改动、先删后加、验证根因、用类型系统让非法状态不可表示、幂等操作」重新编码给 AI Agent 使用。 pstack 作者 @poteto 回应并公开了这个 Cursor 官方内置插件的工程原则的设计思路，核心是：随着模型能力提升，写给智能体的指令正在从“冗长的操作步骤”压缩为“简短的命名原则”。 几个关键信息点 1. 原则即极简 skill。pstack 的每条工程原则只有约 10–20 行，是一段被提炼、命名过的好实践，而不是一个流程脚本。她预期随着模型变强，pstack 里大部分 skill 最终都会被压缩成这样的短原则或工作流，从而可以删掉一批。 2. /poteto-mode 的运行机制。智能体在开始多步任务前先读一份简短的原则索引；执行过程中，必须“点名每一条影响了决策的原则，以及它具体改变了哪个选择”，并在回复末尾生成一个 "Principles Named or Used" 段落。这

匹配字段正文

R5X大容量内存。芯片内置AX Link芯片间级联接口（C2C），支持双芯、四芯级联与内存池化，四芯级联最高可支持512GB内存。AXLink可提供更高带宽，将DDR访问延迟控制在合理区间，以此高效支撑芯片级联下的内存池化。这使AX8860足以在边缘侧完整运行千亿参数以上大模型，如DeepSeek V4 Flash。此外，芯片还具备64路视频解码与16路视频编码能力，可适配多路视觉感知与视频分析任务。 在性能与能效上，仇肖莘透露，AX8860刚回片不久，性能优化仍在持续推进。即便处于这一阶段，AX8860P初步测试的Prefill与Decode速度等核心推理指标已打平国际头部厂商的旗舰GPU；而在所有核心满载运行的情况下，其满负载功耗仅为竞品的45%。这一能效表现，让芯片能够进入供电、散热受限的工业现场。 在多芯协同上，AX8860系列可将多芯级联的有效效率维持在80%左右，高于行业平均水平。而“单芯性能强、级联损耗大”正是行业中的一大痛点。“我们不仅带来一颗芯片，也通过多芯级联带来了一整套算力解决方案。”仇肖莘表示。 发布会上，爱芯元智还围绕AX8860同步推出了四类硬件方案，覆盖从

匹配字段正文

，也需要强大、可靠的物理本体。基于超过20年的工业经验积累，华沿机器人从最底层的电机、伺服驱动、运动控制算法等延伸至协作机器人本体和具身智能核心运动部件，在核心运动部件、本体制造、具身智能三个维度上，为行业提供从“动力心脏”到“执行终端”的完整具身智能底座。与具身智能运动基座同步展出的，是华沿机器人协作机器人本体的全面性能升级。华沿机器人从模组结构、减速机、编码器、电机、抱闸到驱动算法和运动补偿算法进行系统迭代，把核心部件与整机控制的协同优化做到了新水平。 速度上，关节速度整体提升20%至150%，最大可达360°/s，末端TCP线速度提升20%至50%，最大可达4.5m/s，为上下料、搬运等高频姿态调整场景争取更大节拍空间。制动上，搭载自研新一代Meta电机，在保证散热可靠性的前提下进一步提升功率密度与过载能力，结合模组结构与驱动控制优化，实现更短制动距离。精度上，满载速测试下重复定位精度达0.0109mm、绝对定位精度达0.145mm、直线轨迹精度达0.289mm，为精密装配、精密加工等对轨迹质量要求较高的应用提供更稳定的加工结果。稳定性上，整机最低运行噪声实测可达55dB，更好适

匹配字段正文

a与Apple携手为Mac带来开放权重AI。 Meta发布了Muse Spark Open的权重，这是一个816B参数模型，可在2台互联的Mac Studio上运行。 Apple针对其MLX框架对该版本进行了调优。每个token仅激活42B参数，因为该模型将每个token路由到256个专家中的8个，因此每一步只读取一小片内存。 容纳整个模型才是难点，因为4位NVFP4版本至少需要700GB的GPU内存。 每台M5 Ultra Mac Studio为其GPU提供高达512GB的统一内存，因此2台机器可容纳该模型，同时1.2TB/s的带宽为每个token提供数据。 在基准测试中，Muse Spark Open以89.2的成绩位居MCP-Atlas工具使用测试榜首，这适合Meta为其打造的编码智能体。 该许可证允许免费商业使用，但要求标注“Built with Muse Spark Open”，此外，12个月收入超过2000万美元的API模型销售商需与Meta另行达成协议。 Apple尚未公布512GB Mac Studio的定价，而由4台各256GB机器组成的集群成本约为38,000美元。

匹配字段正文

ied 上超过了当时所有闭源竞争对手，让 Anthropic 在软件工程与智能体开发市场中取得了明显的竞争优势。真正让 Anthropic 拉开身位的，是 2024 年 5 月掀起的那场可解释性热潮。2021年，“可解释性” 和 “工具使用强化学习” 还听起来都过于学院派，远不如堆参数、刷榜单来得实在。2024 年 5 月，Anthropic 团队利用稀疏自编码器（SAE）成功对 Claude Sonnet 内部的数百万个特征进行了“内部扫描”，从模型里提取了3400万个特征，还定位到了 “金门大桥”“程序漏洞” 这些具体概念对应的内部回路。为了证明不是纸上谈兵，他们还做了个实验：手动激活 “金门大桥” 对应的特征，让模型不管回答什么问题都绕不开金门大桥。这是人类第一次在商用级大模型上，做到对内部机制的精准解释和操控。这意味着 AI 安全研究从此不用再 “开盲盒”。而同期 OpenAI 也在做相关研究，却一直没公开具体进展；国内学术界有跟踪，但几乎没有产品级验证。这条赛道上，2024 年的 Anthropic 几乎一骑绝尘。10 月，新版 Claude 上线 “电脑操作” 功能，模型能

匹配字段正文

看来，目前其速度和成本仍然无法达到生产应用的要求，和人类基准相比，差距接近两个数量级。 01.8项桌面操作任务，测试大模型对机械臂的控制能力 自2026年初以来，前沿大语言模型控制机械臂的能力取得了巨大进步。 研究团队认为，未来的机器人很可能会由强大的通用智能体驱动。因此，该团队设计了AA-Robotics v0.1基准测试，用来验证这一方向。 评测让运行在编码智能体框架中的大语言模型，直接控制机械臂。 此次测试只会给模型提供简短的操作说明，包括如何通过一个HTTP API连接机械臂，机械臂是哪一台，以及如何提交任务并宣布完成。 评测中使用的机械臂是Hiwonder NexArm，一台6轴机械臂，包括5个关节和1个夹爪。 模型可以通过4个摄像头观察场景，其中3个摄像头安装在桌子周围，另一个安装在机械臂的腕部。 观察完场景之后，模型还可以在隔离的代码运行环境中编写并运行代码，用于进行运动规划，并将运动指令发送给机械臂。 AA-Robotics v0.1任务流程 在AA-Robotics v0.1评测中，主要包含8项桌面操作任务，包括 控制与灵巧操作，精准抓取和操作物体，例如进行积木整理；

匹配字段正文

教育与职业发展的Learn & Work Ecosystem Library网站上，《AI 2027》甚至登上了当月Google搜索导入流量关键词榜首。 但真正让人脊背发凉的，是报告描绘的技术演进路径。 2025年，AI智能体开始进入真实工作流。 2026年，AI加速接管编程任务，软件工程师面临越来越激烈的自动化冲击。 2027年初，AI在报告设想中实现全面编码自动化。 2027年下半年，智能爆炸可能爆发。 人类花几十年积累的技术进步，机器可能在极短时间内完成。 这正是《AI 2027》最令人震撼的推演。 《AI 2027》甚至推演了两种截然不同的结局。 一条道路，是人类放慢脚步，重新建立控制机制，最终分享超级智能创造的巨大财富。 另一条道路，是技术竞赛压倒安全约束，超级智能逐渐脱离人类控制，最终威胁人类文明。 一边是前所未有的富足，一边是文明失控的深渊。 但这里有个重要细节。《AI 2027》终究是一份情景推演，并非已经确定的未来。 这意味着，2027不是科学已经证明的最后期限。 但它仍然代表着一个尖锐的问题： 技术突破可以提前，也可以推迟。 这才是2027之所以引发巨大争议的根源。

匹配字段正文

（1.36美元、4.18美元）的三倍，Anthropic以安全叙事建差异化、以成本叙事消除采购阻力。 十五、林纳斯让Claude Code写内核补丁：8线程吞吐翻3倍，但他亲手画下红线 1.2026年10月13日，Linus Torvalds在其Git树创建分支“noref-filemap-read-with-llm”，首次公开承认内核代码由其指导下的LLM编码助手“Claude Code”完成；实测8线程读取吞吐从约1000万次／秒升至最高3300万次／秒（约3倍），单次读取内核周期从约2950降至725（降幅约75%），64线程高争用场景吞吐从1330万升至3.04亿（约23倍）。 2.该补丁基于7.3-rc6、截至10月13日尚未合并入主线，仍属实验阶段；存在回归风险（读入未映射用户页会多触发一次缺页异常，16字节单线程读取周期从约4150升至6550），维护者质疑新“PG rcu free”标志、建议改用page type，且测量仅在Torvalds个人机器完成，未做标准化多架构CI验证。 3.Torvalds对AI态度历经2023年12月“工具论”、2025年底“坚定相信者”

匹配字段正文

日，李一帆在禾赛科技KOSMO发布会上指出，当前很多机器人产品都还没有展现出走向通用机器人的路径：有不少机器人其实无法完成真实任务，“机器人会跳舞并不代表有价值”；有的根本无法超越传统自动化的机器人，例如快递分拣机器人、炒菜机器人等，“人形机器人并不代表自动化升级”。 他提出，禾赛希望构建的物理AI基石由两大引擎构成：一是机器人运动引擎，涵盖减速器、驱动器、编码器、力矩传感器等硬件组件；二是三维世界数据引擎，包含AI空间相机、第一视角采集、三维重建与仿真、三维数字资产编辑平台，以此构建物理AI的基础能力。 “动力模组是人形机器人硬件领域最大的价值池。”李一帆表示，单台人形机器人需要搭载100个以上动力模组；行业测算，当全球人形机器人总量达到100亿台时，动力模组市场需求规模可达1万亿套；动力模组在人形机器人整机BOM成本中占比将超过50%。 “三维世界数据引擎和机器人运动引擎，正是当前最好的行业机遇，也与禾赛的底层能力基因、专业产品打造经验高度匹配——它们将成为禾赛的第二增长引擎。”李一帆认为，禾赛多年积累的底层技术能力，能够完整迁移到人形机器人动力模组业务，覆盖精密机械与传动、芯片设

匹配字段正文

agentevals 包（针对消息和工具调用）、可从代码仓库和 trace 直接生成可运行评估的 Eval Engineering Skill、从 issue 聚类自动生成数据集和断言的 LangSmith Engine。且整个体系框架无关；支持 OpenAI Agents SDK、Claude Agent SDK，或用 @ traceable 装饰器裸接。 迁移也不必推倒重来：数据集以 CSV/JSONL 导入，pytest/Vitest 集成保留现有测试体系，已有裁判 prompt 直接粘贴复用。 两个进阶难题 多轮对话：每一轮都看似正常、整体却失败的“累积性失败”是单点评估的盲区。解法是给 trace 附上 thread ID 将各轮聚合，再挂载面向整段对话的在线评估器（如“用户是否被迫重复了自己的需求”）；离线侧则把完整对话存为样本，或用 LLM 模拟用户。 超越最终输出：复杂 agent 需要检查轨迹（消息/工具调用序列）与终态（仓库变更、测试结果）。例如编码 agent 跑完后直接在其工作环境里执行该 repo 的测试套件；这正是 Harbor + 容器化沙箱的设计动机。

匹配字段正文

大量工程优化：用 CUDA Graph 将 DiT 主干计算预录制、运行时一次性重放；为 RoPE、归一化与 FP8 量化编写融合的专用 GPU kernel，同一层的 Q、K、V 共用一次输入量化；文本条件的 KV 只在 Caption 更新时重算；视频历史 KV 改用环形缓存；自注意力按 KV 窗口切分后并行计算；编解码换用轻量的 TAEHV。最终，文本编码器、DiT 与 VAE 可以全部常驻一张 RTX 5090。 五、Coding Agent：用一个念头，改写一款游戏 Matrix-Game 4.0 最让人兴奋的地方，或许不是它画得多好，而是它有多容易被"改"。 借助编程智能体（Coding Agent），玩家可以在现有游戏代码的基础上，用自然语言定制自己的游戏：从调整地形、布置场景物件，到修改 NPC 的行为与交互逻辑，甚至设计全新的玩法。 创意不再卡在 3D 资产的生产线上，而是可以直接进入"可玩、可迭代"的阶段。 这也正是这条技术路径的现实意义：随着 AI 编程助手快速进步，搭建轻量游戏引擎的成本已经大幅降低。我们也鼓励创作者基于项目提供的游戏代码继续改编与拓展，共同探索

匹配字段正文

作与任务结果，分析接触力的方向及其变化，对比不同力度调节策略的执行效果，研究接触状态与操作结果之间的关系，为多指协同控制与操作策略优化提供数据依据。 自研核心执行器，支撑整手性能优化 NOVA21以万拿机器人自研直驱旋转执行器为技术底座，围绕整手的运动与受力需求，协同设计微型执行器、机械结构与控制系统，在紧凑布局中兼顾力量输出与动作空间。 NOVA21采用双编码器控制，驱动模组角度重复精度为0.2-0.5°。从核心执行器到整手结构与控制的自主研发，使部件性能与整手需求能够协同优化，为产品持续迭代和任务适配提供基础。 便捷接入，把操作策略带进真机 NOVA21的2Pin接口支持RS485或CAN-FD，4Pin接口支持EtherCAT或TCP/IP，便于对接不同控制系统；同时支持OTA在线升级与快换手腕，方便研发团队完成版本更新和整手安装更换。 作为手部执行端，NOVA21可配合外部遥操作、算法与采集系统，开展动作映射与真机验证。研发团队可通过外部采集系统，记录通信接口提供的状态信息与动作过程，并结合触觉受力数据和任务结果，分析动作执行中的接触变化与策略表现，持续优化动作映射与控制策略。

匹配字段正文

果看来，目前其速度和成本仍然无法达到生产应用的要求，和人类基准相比，差距接近两个数量级。 一、8项桌面操作任务，测试大模型对机械臂的控制能力 自2026年初以来，前沿大语言模型控制机械臂的能力取得了巨大进步。 研究团队认为，未来的机器人很可能会由强大的通用智能体驱动。因此，该团队设计了AA-Robotics v0.1基准测试，用来验证这一方向。 评测让运行在编码智能体框架中的大语言模型，直接控制机械臂。 此次测试只会给模型提供简短的操作说明，包括如何通过一个HTTP API连接机械臂，机械臂是哪一台，以及如何提交任务并宣布完成。 评测中使用的机械臂是Hiwonder NexArm，一台6轴机械臂，包括5个关节和1个夹爪。 模型可以通过4个摄像头观察场景，其中3个摄像头安装在桌子周围，另一个安装在机械臂的腕部。 观察完场景之后，模型还可以在隔离的代码运行环境中编写并运行代码，用于进行运动规划，并将运动指令发送给机械臂。 ▲AA-Robotics v0.1任务流程 在AA-Robotics v0.1评测中，主要包含8项桌面操作任务，包括 控制与灵巧操作，精准抓取和操作物体，例如进行积木整理

匹配字段正文

iPad 端借助 ARKit 获取 RGB 图像、深度图与设备位置；Quest 3 端则基于 Meta 透视相机与深度 API 采集 RGB 图像、深度图及头显位置，整套原型基于 Unity 引擎开发。 两台设备均以流式方式将部分采集帧上传至服务器，完成匹配与建图；同时 SemanticXR 开放可调节参数接口，用于系统控制。iPad 端传输经 H.264 编码的 RGB 图像「分辨率 720×1280，码率 5Mbps」，附带低分辨率深度与位置数据「144×256」；Quest 3 端传输未压缩 RGB 图像、位置及深度图「20×320」。在空间查询场景中，客户端下发查询指令，服务器完成解析并检索语义地图，返回匹配的物体点云，完成渲染。 iPad 端部署效果，服务器增量式构建语义地图，客户端对查询目标物体进行可视化渲染 本次部署完成了真实移动端硬件端到端验证，覆盖了商用 XR 、实时光学传感器与交互查询全链路，验证了 SemanticXR 轻量化客户端可直接运行到移动端传感器上。 结语 SemanticXR 之所以能让客户端直接跑在传感器端，关键还是在于其将「重计算」与「轻交互」做了

匹配字段正文

好的工具集成进行了训练，能够更有效地使用外部工具和 API。 开放价值观：更严格地遵循《Apertus 宪章》，使模型的价值观和原则更加透明。 训练过程 完整的 Apertus 1.5 训练流程 通过分词器实现多模态 我们在 v1.5 模型中采用早期融合的方式引入多模态：图像和音频以离散 token 的形式与文本 token 进入同一序列，而非使用独立的视觉编码器。图像使用 Emu3.5 分词器进行分词（一张 512×512 的图像变为 1,024 个 token），音频使用 WavTokenizer（每秒 40 个 token）。我们仅扩展了词表，因此架构保持不变，训练速度与纯文本相当。模型能够理解图像和音频，但只生成文本。 预训练 在 Apertus 1.0 的基础上，我们分四个阶段继续预训练： 非配对：文本加上独立的图像和音频，使模型学习新的模态。 配对：图像—说明文字和音频—转写文本配对，使模型将其与语言对齐。 冷却：使用质量更高的数据，包含更多数学和代码内容。 长上下文：窗口从 8k 逐步扩展至 262k tokens。 总体而言，超过一半的训练 token 为纯文本，从而保

匹配字段正文

P90 小于 70 毫秒的测试约束。这为自有部署的容量规划提供参考。 03 从服务器到手机：Ling 3.0 系列的开源实践 Ling-3.1-flash 在对应测试配置中的服务卡数降至 4 卡。面向不同设备与运行框架，还需要社区继续适配。上一代 Ling 3.0 系列已有具体实践： 在单台 DGX Spark 上运行 Ling-3.0-flash ，驱动编码智能体构建、测试小游戏 ； 在 16GB MacBook Air 上运行 Ling-3.0-tiny ，搭建常驻助手； 在 Galaxy A32 4G 上运行 Tiny GGUF ，验证本地推理与工具路由原型 ； 通过 PocketPal 在小米 14T Pro 上使用 Tiny 本地对话。 社区还提供 Flash GGUF 、Tiny GGUF 、Flash MLX 4bit 、Tiny MLX 4bit 、Flash NVFP4 ，以及 Flash-Fin 、Flash-VL 的 GGUF 适配，方便按设备和推理框架选择。 百灵团队根据 Hugging Face 公开仓库的下载读数估算，截至 2026 年 10 月 14 日

匹配字段正文

Copilot 走向 Agentic Enterprise 的关键变化。 AI 不再只是增强员工的工具，而开始成为企业业务执行体系的一部分。 3. 为什么下一场竞争的关键是 Value Stream？ IBM 报告中有一个非常值得关注的概念：Value Stream，价值流。 AI 可以帮助开发者提高代码生成效率，这是 Task 层面的优化。 AI 可以辅助编码、测试和代码审查，这是 Workflow 层面的优化。 但如果需求分析、研发排期、系统集成、发布审批和生产运维之间仍然存在大量等待与返工，即使代码生成速度提高数倍，业务需求的整体交付周期也未必明显缩短。 真正值得优化的，是从业务需求提出，到功能正式上线并产生用户价值的完整链条。 这一点也与软件工程中的价值流管理、精益思想和 DevOps 有着相似的底层逻辑。 优化一个步骤容易，优化多个步骤之间的依赖关系才更难。 3.1 从 Cost Saving 转向 Revenue Growth 长期以来，企业讨论 AI ROI 时，最容易想到的是降低成本。 例如减少客服人力、节省文档处理时间，或者提高代码开发效率。 这些收益当然重要。 但

匹配字段正文

布AX8860大算力系列新品。据介绍，这款产品专为大模型边端侧落地打造，并不片面追逐峰值纸面参数，而是围绕模型部署、现场推理、系统协同做设计，采用6nm工艺，具备256TOPS混合精度算力，原生支持FP4，内存带宽可达273GB/s，最大支持128GBLPDDR5X内存；硬件搭载AXLink芯片级联与PCIe5.0高速互联，同时具备64路视频解码、16路视频编码能力，适配多路视觉感知与多模态分析任务。 爱芯元智创始人兼董事长仇肖莘表示：“我们要做客户长期稳定的算力底座，让企业聚焦业务创新，不用为算力迁移分心。爱芯元智致力于让智能抵达每一个现场，AX8860系列大算力芯片的发布，正是这一承诺的兑现。” 展区内还展出了原力灵机依托爱芯大算力平台自研的DM0.5通用具身大脑，可以完成接口插拔质检、通用工业插入作业、灵巧手柔性切削实操演示，覆盖电子装配、精密制造、工业质检、柔性加工场景。爱芯元智认为，对于严苛的工业现场而言，现场智能的完整闭环，必须同时满足"看得见、算得准、反应快、稳定执行"四项要求。只有现场设备实现了"感知—判断—执行"的闭环处理，智能才能在事件发生的最前沿即时响应，推动边端

匹配字段正文