搜索“编码”

可钧说。 生命的多尺度断裂进一步加剧了这一困境。从分子、细胞、组织、器官，到个体与群体，当前的生物学数据在群体健康大数据与微观单分子结构上极为密集，但在连接宏观与微观的中微观因果链条上，却存在大片空白。 昌平实验室领衔科学家赵亚杰提到，人类基因组计划完成25年后，人类对自身生命“天书”的认知依然极其有限。“人体由数十万亿个细胞组成，30亿个碱基中98%属于非编码区域（即不编码蛋白质合成）。目前大量的全基因组关联分析（GWAS）做的仅仅是初级的线性关联，根本无法解释复杂的调控网络与致病机理。” 赵亚杰直言，当前不少AI生物学研究陷入了“大炮打蚊子”的困局：许多算法跑出的“新发现”，在生物学家眼中往往是显而易见的常识。而如果AI无法跨越尺度去挖掘真正未知的生物学机制，并提出可落地的干预方案，算法就失去了现实意义。“何时能让恶性肿瘤的死亡率真正产生数量级下降，才是生命科学‘AI时刻’的真正标志。” 在材料领域，虽然AI大大加快了材料组合和性能方面的复杂计算速度，但在真实材料制备和性能验证上作用有限。苏州实验室助理研究员钱丞指出，材料从理论设计到工业合成制备，动辄需要数十年的漫长研发周期。 “

匹配字段正文

论和实验探索。人工智能进入科研之后，我和研究生们也越来越频繁地使用大模型。查阅文献、梳理研究进展、比较技术路线，甚至讨论一个新的器件结构是否值得尝试，AI都能很快给出答案。有时，我也会直接问AI：“这个方向还能怎么创新？”几秒钟后，它可能就会列出五六个“科研点子”：换一种二维材料、引入新的光场调控自由度、把偏振和光电探测结合起来，或者进一步拓展到光逻辑、信息编码等功能。单看文字，其中一些点子甚至颇有启发性。 于是，一个以前很少遇到的问题出现了：如果科研构想、创新思路甚至选题框架最初来自AI，当它们最终形成论文、专利等科研成果时，该如何认定原创归属，又该如何界定科研人员与AI的贡献边界？ 在我看来，至少从自己的微纳光子学研究经历来看，仅仅根据一个科研点子最初由谁提出，就判断其最终成果的原创归属情况，是把科学创新理解得过于简单了。我们做微纳光子学研究，经常从一个最初的器件构想开始。比如，在二维材料光电器件上引入微纳结构，通过结构设计改变局域光场，再利用二维材料的光电响应实现新的探测或调控功能。 类似的点子，现在完全可以让AI一次生成十几个。但AI生成一个“看起来新颖”的点子，与真正完成一项

匹配字段正文

，特斯拉近几个月将Optimus人形机器人的产量提高了大约十倍，但公司仍在努力实现大规模可靠生产。据熟悉项目的人士透露，其生产线正面临机器人复杂手部、自动化设备和供应商限制等问题。上个月，特斯拉每周生产了几百台机器人。 3、9月23日，美国国际贸易委员会（ITC）投票决定对特定动态随机存取存储器（DRAM）设备及其下游产品和组件（III）启动337调查（调查编码：337-TA-1523）。美国国际贸易委员会将于立案后45天内确定调查结束期。除美国贸易代表基于政策原因否决的情况外，美国国际贸易委员会在337案件中发布的救济令自发布之日生效并于发布之日后的第60日起具有终局效力。 4、据上交所网站，上交所上市公司2026年第三季度季报预约披露时间出炉，其中，有研新材拔得头筹，将于10月13日披露三季报。金盘科技、川投能源紧随其后，将于10月14日披露。 5、据《首尔经济日报》报道，英伟达正在评估采用玻璃基板方案，并与德国设备厂商SCHMID等企业开展合作。另据韩国科技媒体KIPOST报道，英伟达希望韩国、日本及中国台湾地区基板厂商两年内完成玻璃基板开发，最快有望在2028年前落地。 6、在

匹配字段正文

机制向多式联运经营人共享数据并开放数据调用接口。铁路共享数据包括但不限于铁路订车、发到站信息、装卸车信息、到达预确报信息等；道路共享数据包括但不限于起讫地点、货物信息、运力信息、车辆轨迹、运输时间等；水路共享数据包括但不限于海运订舱、港口装卸、货物堆存、船舶进出港等。 （九）大幅提升多式联运“一单制”“一箱制”覆盖面。建立多式联运电子单证制度，明确单证要素、编码规则及安全管理等要求。建设国家多式联运电子单证系统，推进单证可信流转，强化数据互联共享。推动《可转让货物单证公约》生效并加快应用。对标国际公约修订系列1、系列2集装箱标准，配套修订运输工具、装卸作业等标准，大力发展集装箱多式联运。 （十）推进“人工智能+”在多式联运场景规模化应用。推进自动化码头改造升级与多式联运业务充分衔接，打造全链条智能联运体系。建设多式联运高质量数据集，开发多式联运领域垂域模型，加快智能体应用。推进多式联运设施设备数智化专业化升级，推广应用智能卡口、远程控制龙门吊、自动分拣以及智能集装箱等。推动新能源重卡规模化应用。到2030年，在联运方案智能生成、运输需求预测、实时监测预警、线路动态优化等领域，落地10个

匹配字段正文

断出，比如，如果我看一个 RLM，一个 RLM 中哪些组件实际上是必要的，以及我是否可以直接训练一个模型来做这件事？我能否训练一个模型在其前向传播中隐式地充当 RLM？这是一个想起来非常奇怪的事情，因为，比如，你可能会说，“哦，代码是不可微的，等等。”但有很多这种行为的近似方法，我们会开始发现它们。而且我认为，比如，我们将看到的不只是，比如，我要设计一个新的编码 harness，使用某种特殊形式的压缩之类。我认为我们可以在这里更有创造力。比如，有，有太多我们可以用这些语言模型做的事情，而我认为我们就是没在做。而且我，比如，对此非常兴奋，因为我认为，比如，我认为我们可以从非常有个性且优秀的 harness 设计中获得真正的收益，这种设计更适合规模化。而这里的意思是，比如，RLM 就是一个非常原始的归纳偏置。比如，这个设计除了与我们目前所做的非常不同之外，没有什么特别之处。但这可能会随着我们可用的数据和环境而扩展得好得多。 Vibhu [00:40:20]：我想，人们大概会问的相反的问题是，当前的 harness 非常通用地偏向于编码，而人们看到这在很多领域都有效。Cloud code 正

匹配字段正文

续访问”为由封禁了Muse的代购功能，也就是说，Personal Agent的产品形态虽然被验证了，商业模式还没有跑通。 其实，Muse赢在了产品层，Meta真正下功夫的是两件事：记忆与主动循环，让Agent从单次工具变成长期服务；权限与安全架构，让用户敢把账号交出来。 而在技术上，它的底层模型Muse Spark 1.3并非最顶尖，多位从业者提到它在部分纯编码测试上落后于Claude和GPT。 第一个矛盾：订阅费天花板极低。ChatGPT在10亿周活下付费率仅5%，Muse免费档每周送1亿token，付费转化率注定更低。 Meta今年的资本开支指引是1300亿至1450亿美元，第二季度自由现金流只有7.84亿美元，订阅费连算力成本的零头都覆盖不了。 但Muse又想从交易中抽成，商家利润越薄，越不愿付佣金。亚马逊封禁Muse，表面理由是安全条款，深层原因是AI替用户购物会绕过亚马逊的个性化推荐和广告，平台被迫降级为仓库与物流。 第三个矛盾：单用户成本高企。每人一台云端虚拟机，哪怕简单执行任务，单用户成本可能高达50美元/月。 Muse免费档每周送1亿token，意味着Meta在用主业利

匹配字段正文

软件生命周期中统一应用安全。借助Armis和Cerebras，团队可以更快地识别和修复漏洞，同时减少噪音并专注于最重要的风险。 时机很重要。Armis于2026年2月10日推出Armis Centrix™ for Application Security，将其定位为覆盖软件开发全生命周期的AI驱动检测、情境化和修复平台。在发布材料中，Armis认为，AI辅助编码和持续开发流水线正暴露出碎片化AppSec单点工具的局限：噪音过多、情境不足，以及安全与开发之间的摩擦过大。 这个问题只会越来越大。Armis表示，AI生成的代码正在提高漏洞被引入的速度和规模，而传统工具往往难以捕捉新型变体，或将发现与生产环境中实际可利用的内容联系起来。Armis Centrix™旨在扫描代码、依赖项、容器镜像和配置文件，同时理解更广泛的CI/CD流水线和生产侧控制。目标不仅是发现更多问题，而是更早地呈现正确的问题，并使其更容易修复。 这正是Cerebras自然契合之处。Cerebras专为超快AI和即时开发者工作流而构建。在我们的平台上，我们谈论即时答案、“思维速度般的编码”，以及帮助团队保持心流的低延迟AI

匹配字段正文

个例子：我们想为 Parchi 制作 50 个吉祥物变体，于是派出了 5 个 Codex Spark 子智能体，每个生成 10 个变体。然后我们挑出喜欢的，把其余的丢掉。 这种模式最妙的地方在于：它也是把品味注入 AI 工作流的好方法。如今的模型几乎没有什么品味。很可能，你也可能缺乏品味。对大多数开发者来说，蛮力解法是搜集设计或图形模式的示例，或者给 AI 编码智能体足够多的风格指南——多到你还不如自己写 html/css。与其做这种乏味的手工流程，不如让你的主厨召集一队流水线厨师，然后挑出你最喜欢的。 在周五晚的晚餐高峰，厨房里的每个工位——炒锅、烤炉、冷菜、糕点——都在同时开火。每位流水线厨师负责不同的工作，但他们同时装盘，都为同一张订单出力。 这就是“蜂群”背后的概念，由 MoonshotAI 在训练 Kimi-K2.5 时首创。在蜂群模式下，每位流水线厨师负责一项单一、范围明确、彼此不同的任务。这些流水线厨师同时运行，共同为一个共享目标出力。 适合的场景：构建一个应用的多个独立组件、为不同模块编写测试，或把页面从一个框架移植到另一个框架。 这套设置需要几件事同时到位： 重要：关

匹配字段正文

Codex 自动化来保持缓存存活，并利用这些自动化驱动长时间运行的流程。 不同模型在不同数据上训练，并针对不同目标进行优化，这意味着每个模型在某些方面会略好或略差。 本地 Codex 还允许你将其他提供商引入应用。这意味着你可以在熟悉的 Codex 体验中，试验成本更低的开源权重模型，如 Kimi K2.7 Code，或具有不同优势的模型，如擅长长程推理和编码的 GLM-5.2。 然后你可以将这些外部模型用于有边界的子智能体工作，帮助降低成本或利用每个模型的不同优势。 一个重要细节：这是通过 Codex 配置和自定义智能体文件完成的，而不是通过简单的应用内模型选择器。Codex 支持 Ollama 和 LM Studio 等本地提供商，以及兼容 Responses 的自定义提供商。 订阅用量限额相当慷慨，但随着 AI 智能体对更多人变得更有用，许多人正在将限额推到远超单个订阅所能提供的程度。 而且，即使你有钱可烧，也并非每个“前沿”模型都处于所有用例的前沿。通常，一个小模型可以在少数基准测试上彻底碾压由世界最佳模型组成的联盟。 速度是一个重要的开关。在白天与智能体交互时，高 tok/

匹配字段正文

了嵌入中的伪影，并带来小幅性能提升。这一更新直接源于合作伙伴对更干净嵌入的需求。 OlmoEarth 将卫星图像处理为瓦片（图块），并将每个图块转换为嵌入，即一种数值表示。旧版本用固定信号（绝对位置嵌入，APE）标记图块的位置，而该信号会作为多余的伪影出现在嵌入中。RoPE 解决了这个问题：与 APE 不同，RoPE 会根据距离旋转模型所比较的向量。这样既能编码图块位置，又不会在嵌入中引入伪影。 在所有模型规模上，我们的 kNN/线性概率评估都显示出一致的提升。 OlmoEarth v1.2 提供 Nano、Tiny、Small 和 Base 四个版本——全部开源并现已可用。如果你已经在使用 Base，我们建议继续使用；但如果你使用的是 Tiny 或 Nano，我们建议改用 Small。更多信息请阅读我们的技术报告。 以下是原始文章。 我们于 2025 年 11 月发布了 OlmoEarth（v1）。此后，合作伙伴已将其应用于广泛的任务，从追踪红树林变化到对森林丧失的驱动因素进行分类，再到在数天内生成国家级作物类型地图，将部署扩展到国家、大陆和全球范围。每一次发布都让我们更接近使命：将

匹配字段正文

简短的视频历史、一个动作描述，以及一组带有初始 3D 位置的查询点，模型首先识别所指的物体、查询点以及指令所描述的运动。然后它预测每个点未来的 3D 轨迹。 我们训练了 MolmoMotion 的两个变体： MolmoMotion 架构。Molmo 2 骨干的共享输入由 RGB 观测的图像 token、动作描述的文本 token，以及从 Molmo 2 视觉编码器采样的 2D 查询点特征 token 组成。MolmoMotion-AR 对初始 3D 查询坐标进行编码，并将未来轨迹解码为量化坐标文本，而 MolmoMotion-FM 则直接在连续 3D 坐标空间中表示它们。推出 MolmoMotion-1M 和 PointMotionBench 为了训练 MolmoMotion，我们需要尚不存在的数据：带有与特定物体关联的 3D 点轨迹、并与动作描述配对的大规模视频。现有的 3D 跟踪数据集规模小且领域有限，而互联网视频虽然具备我们为 MolmoMotion 这类预测器所期望的规模和多样性，却不包含 3D 标注。因此，我们构建了一条自动流水线，从无约束视频中提取以物体为基准的 3D 轨迹

匹配字段正文

等基础设施数字化改造、智能化管理。加快感知设施补点升级,强化市区多级感知算法协同,提升多模态感知分析能力,构建全域“物联、数联、智联”深度融合的智能感知体系。统筹推进视频图像信息系统建设,实行分级分域分网分业管理和全环节管控。持续提升智慧城市管理与智慧交通技术融合发展水平。 夯实城市数智孪生底座。健全统一数字身份标识体系,持续推动城市码赋码,加快实现基础设施编码管理、公共服务“扫码即享”、政务服务“一码通办”。构建自然资源管理和国土空间规划“一张图”,丰富多尺度、多时相全域三维时空数据底板,升级城市时空基础设施。布局重点区域城市信息模型(CIM),在城市管理、消防应急、交通运行、防洪排涝等领域强化城市体征智能监测、时空数据分析、仿真推演等能力。建设城市副中心155平方公里“实景实数”城市实验沙盘,打造时空智能创新高地。 (九)统筹算网资源布局 强化多元算力供给。完成全国一体化算力网先行先试任务,试点开展算力监测调度。实施京津冀“银河算廊”工程,在京布局“超级+行业”算力节点,建成十万卡国产智算中心,加大公共算力供给,推动跨区域算力协同。布局算力直连网络,打造京内1毫秒、环京3毫秒、京津

匹配字段正文

在 Slack 里看到它。 Ari Weinstein [00:17:38]：是啊。 Vibhu [00:17:38]：你看到人们用语音并构建。Roman 展示的那个例子，改这个应用并沿途给我发截图等等。 Ari Weinstein [00:17:46]：是啊。 Vibhu [00:17:46]：你在采用情况里看到关于人们如何用 Computer Use 做编码工作流的什么吗？人们应该从中得到什么建议吗？ Ari Weinstein [00:17:55]：其实我最喜欢的 Computer Use 用例之一，也是我们在实际中经常看到的，就是 Computer Use 让代理——真正测试代理构建的软件，这比听起来重要得多。因为传统上，你知道，你在 Codex 里构建东西，然后——然后 Codex 帮你构建好，然后你得测试它，而你现在就像是代理的 QA，对吧？所以有了 Computer Use，你可以完成开发——软件开发生命周期，其中，代理可以构建软件，也可以测试它。所以我玩得很开心，你知道，构建东西，让代理测试它。等它到我手上时，它已经能用了。我还有额外的乐趣，因为有时我在，比如，开发 C

匹配字段正文

织方式，都参考了开源的OpenClaw。 资深Agent从业者赵江杰把Muse的架构拆成六层：模型、带终端和浏览器的云端Linux执行环境、连接器与Skills、记忆与主动循环。前四层是Manus、Claude Code等产品的通行做法，Meta真正下功夫的是后两层。 底层模型也不算最强。不止一位从业者提到，Muse背后的Muse Spark大模型，在部分纯编码测试上落后于Claude Opus 4.8和GPT-5.5。赵江杰打了个比方：做个人Agent，模型占3分，工程占7分，做编程Agent则相反。模型够用之后，体验好坏就看接入、授权、记忆和成本这些工程活。 第一，怎么替你把事办完。就好比你关掉手机，任务还在跑。 AI连续创业者祁瑞峰表示，Muse借鉴了Manus的设计理念，即使退出程序，任务依然执行，其做法是给每位用户分配一套独立、可持续运行的云端环境，把Manus偏向工程化的内部逻辑做了封装收敛，普通用户看到的只是一个好用的AI，复杂能力全部藏在系统底层。 这个“云端”还有一把锁。赵江杰解释，Meta对架构的定位，是一台机器上的两个隔离安全域，AI住在处理数据的区域，凭证和放行

匹配字段正文

能力，分层协同贯通智能体与外部系统语义互通、长任务过程控制、自主循环迭代、安全审计、效能优化与评估迭代的技术全链路。在此基础上构建L1-L5能力成熟度模型，沿工具接入、运行底座、治理闭环、协同自治到规模生产逐级演进，为企业提供可评可验的建设路径。 4. 价值赋能：研发全流程可信可控，支撑多行业落地 驾驭工程将安全合规、架构标准、质量指标等要求原子化嵌入需求、编码、测试、运维等研发全流程契约，成为各阶段智能体不可逾越的执行边界，越界即阻断，契约与日志全程可追溯。同时以“通用能力底座+行业刚性校验”适配金融、政务、制造、医疗等不同场景差异化要求，如易鑫智能体持续执行16小时、自主交付率65%，蚂蚁阿福与医生一致率超90%，多行业规模化落地成效初显。 5. 趋势演进：AI治理由外及内，成为产业竞争焦点 展望未来，驾驭工程将历经标准形成、平台化、基础设施化三阶段，迈向智能软件底层基础设施。随着其规模化推进，单点技术创新红利消退，产业竞争转而聚焦AI治理。组织上，团队的作业方式与角色分工被重构，AI承接代码生成、测试编写、基础运维等标准化工作，工程师转向需求设计、风险研判与场景创新。流程上，安全

匹配字段正文

aS 变成无头模式，让智能体使用它，按交互收费，尤其是对企业） 下午10:39 · 2026年8月18日 · 55.9万次查看 333条回复 · 229次转发 · 6570次点赞 云端大脑，本地之手 并且试试 Claude Projects： Boris Cherny @bcherny Projects 不仅改变了我与 Claude 交互的方式，也改变了我的编码方式。 我不再管理会话。我只是随时发送想法，Claude 将它们拆分成线程，项目会记住我的工作方式。现在我的大量编码工作都在这里进行。 [截图：我的实际 ClaudeDevs @ClaudeDevs 今天我们在桌面端和网页端的 Claude Code 中推出 Projects。 一个项目就是与 Claude 的一次对话。它会自行将工作拆分成线程，作为并行云会话运行，在它们之间传递上下文，并在你离开后继续运行。 面向部分用户的内测。 下午7:33 · 2026年9月17日 · 57.4万次查看 332条回复 · 126次转发 · 3.11万次点赞 “hands”（手）这一术语不仅是对 Cognition 等前沿编码智能体公司正在构

匹配字段正文

行官阿莫代伊呼吁放慢研发速度以来，该公司推出的第二个人工智能模型。 Anthropic表示，Sonnet 5.5的运行速度显著快于Sonnet 5，并且是Opus 5.5的低成本替代互补方案。Sonnet 5.5定价为每百万输入token 2美元，每百万输出token 10美元，每百万缓存读取0.2美元。 该公司还表示，与前代产品相比，Sonnet 5.5在编码、完成特定任务以及创建精美文档、幻灯片和电子表格方面表现更佳。而Sonnet 5.5的发布距离Anthropic推出价格更高的Opus 5.5不到一周。 该公司周一还宣布，该系列中最便宜的Haiku 5.5也即将上市，该模型专为快速、高吞吐量任务打造。 “Sonnet真正面向的是注重成本的客户，他们可能不需要那么高的智能水平，”Anthropic的研究产品经理Theo Chu在接受采访时表示：“它可能用于执行一些常规任务，但不需要Opus所能提供的判断力。” Anthropic强调，Sonnet 5.5的网络安全功能比其前代产品有了“很大的改进”，因此它是第一款推出时就具备与Anthropic为其最强大的型号开发的类似备用方案和

匹配字段正文

多来自于它带来的现实影响。 这种影响，首先表现在就业上。过去，讨论人工智能会不会“抢走工作”，多少还是一个关于未来的推演。人们可以争论二十年以后AI究竟会创造更多岗位，还是消灭更多岗位。但对刚刚进入劳动力市场的年轻人来说，他们面对的却是一个更具体的问题：今年还有没有第一份工作？ 很多年轻人的第一份工作通常是相对繁琐、复杂度并不高的智力劳动。年轻程序员要从基础编码、程序调试做起；刚进入律师事务所的年轻律师，需要检索案例、阅读合同、整理文件。这些“初级工作”并不只是单纯的岗位，在很大程度上还承担着职业训练的功能。很多真正重要的职业能力，恰恰是在这些看起来并不高级的工作中形成的。从这个意义上看，它们是年轻人通向更高职业位置的阶梯。 然而，随着AI技术出现，这些岗位受到了前所未有的冲击。它们中的相当一部分，目前已经被大模型和AI智能体接手。更重要的是，在面对AI给劳动力市场带来的冲击时，企业会更偏向于减少招聘，而非辞退有经验的老员工。斯坦福数字经济实验室的一项新近研究显示，在AI暴露程度较高的职业中，22至25岁年轻人的就业表现明显弱于同龄但AI暴露程度较低的职业；在高AI暴露岗位上，资深员工

匹配字段正文

个 SageMaker AI 端点。部署脚本更改 SM VLLM MODEL，以在一个端点上加载 FLUX.2-klein，在另一个端点上加载 Wan VACE。保持通用容器镜像可减少服务栈差异，而单独的端点让每个模型使用适合其工作负载的实例类型和推理选项。 图 1 展示了请求路径。应用程序将图像提示词发送到 FLUX.2-klein，并接收 base64 编码的 PNG。它将图像调整为视频尺寸，转换为紧凑的 JPEG 数据 URL，并将该引用插入 Wan VACE 请求。SageMaker 异步推理从 Amazon S3 读取 multipart 请求，并将 MP4 写入返回的输出位置。 图 1：CLI 或 Streamlit 应用程序调用 FLUX.2-klein 实时端点，通过 Amazon S3 将生成的 PNG 传递给 Wan VACE 异步端点，并从 Amazon S3 检索生成的 MP4 图 2 以编号的请求-响应序列展示了相同流程。图像调用直接返回给应用程序。视频调用返回异步输出位置，应用程序在生成完成后从 Amazon S3 检索 MP4。 图 2：六步序列展示了应用

匹配字段正文

eta）。如果你是从 Sonnet 4.6 或更早版本，或从 Haiku 4.5 迁移，迁移指南为每个起始模型提供了检查清单。 调优 重新运行你的 effort 扫描 Effort 级别已重新校准，因此同一级别产生的思考量不再与 Sonnet 5 上相同，你原来的设置也不会延续。除非你的工作负载是智能体式的或对延迟敏感，否则请从 high 开始。对于智能体式编码和多步工具使用，对于定义明确的任务请从 medium 开始，对于更难或更长的任务则转向 high。对于聊天和其他对延迟敏感的工作，请从 medium 或 low 开始。仅在你的评估显示质量提升时才使用 xhigh 或 max。 思考会计入 max tokens，因此请留出余量。对于智能体式编码，将 max tokens 设为 128,000（即模型的最大值），并流式传输响应。要减少思考，请降低 effort 级别，因为在系统提示中要求模型少思考并不能可靠地减少思考。 移除 Sonnet 5 的变通方案 现有的 Sonnet 5 提示词应无需更改即可表现良好。如果你的提示词带有变通方案，例如拒绝引导、工具调用重试垫片或“不要偷懒”

匹配字段正文