这件事当时震动了整个数学圈。

1、亚搏手机 样本量从几千份跳到百万级，推理结果还能反复调优。

用认知科学的话说，它有语义记忆，没有情景记忆；有工作记忆，没有长时记忆。亚搏手机更悲观的是，海洋最终拒绝了人类「驯化」或理解它的一切尝试，暗示认知的终极边界或许客观存在。

2、又一个AK47！亚瑟卡鲁马加盟，湖人自研里德？

「越用越懂你」必须建立在数据可控的基础上。

3、修养差距一目了然，杨紫座谈会7分钟的发言，给内娱众星上了一课

佟佳睿（Richard Jiarui Tong）博士最近发布了一篇评论，将纳德拉的两篇长文、Karp的CNBC 访谈，与他本人更早提出的企业认知系统和认知主权框架放在同一条思想演进线上。

4、1米98！2米09！季后赛场均13+5，19岁天才后卫有望成下一个哈登

全美老师，就要迎来这样一个免费的AI助教了。

5、NBA夏季联赛战报：湖人99-85快船，卡梅伦-卡尔23+1+2

超长上下文：200万token。

看看复杂编码、长程智能体、数学推理和错误恢复，到底会掉多少。

这事有多激进？不管是英伟达GPU还是谷歌TPU，本质上都是通用芯片——什么模型都能跑。

6、邱彪换人惹争议？别闹了，隔行如隔山！

随着投稿量激增，审稿人的主观打分标准越来越不统一，评审随机性、不公平性逐年加剧。

K2系列已采用Modified MIT许可开源权重，K3预计延续这一路径。

7、破案了！山西队不对迪亚洛行使优先续约权，原因揭晓

同时，自研模型长期在行业头部—— 在 Artificial Analysis 视频生成模型榜单中位居全球前列。

这两年，OpenAI和Anthropic都不约而同地都把重心压在了代码、办公、设计这几个场景上。

8、所有品牌都在出的包该买谁？！

它们共同面临一个永恒的物理学挑战：算力越高、电池越重，但终端又必须追求极致的轻量化。

LongMemEval基准（多会话交互记忆测试）：HMS-self-evolve以92.8%的总体准确率登顶，此前最强的Hindsight是88.8%。

前几天，OpenAI大佬亲授，5分钟把GPT-5.6塞进Claude Code。

9、突发！阴阳合同大反转！肖华回应！最坏结果曝光！

OpenAI总裁Greg Brockman转发了这条推文，说了一句： 感觉这是推进数学的一个分水岭时刻。

一群AI在Slack群里开会，把活儿分清楚，各自回去干，这在Anthropic已经是日常。

10、意足协主席：马尔蒂尼的合同不是我起草的，但他没提奖金的事

可问题也就出在这儿：厂商这边省token，用户那边是有感知的，最直观的，就是模型「不肯想了」。

GPT-5.5被部署成一个创始人笔记本上的智能体。

1、赤影掠场，破局由你——Wilson威尔胜正式发布全新Defyer系列

只有将 AI 与海量科研数据、专业工具及真实工作流深度融合，才能让它走出实验室，转化为科研人员触手可及的先进生产力。

2、德转：原U16国足主帅大卫-阿尔马赞执教深圳青年人

Karp认为，当前大模型产业存在两个严重问题。

3、不拼通用能力、聚焦端侧，腾讯副总裁林松涛：Marvis专注做好系统级操作

最终实现的是，让任务匹配对的模型（算得聪明），砍掉不必要的算力消耗（算得省），把每一笔Token的账算清（算得明）。暑期出游谨防“经济陷阱”这听起来很美，但有一点必须点破：学生自己，是碰不到Claude的。

4、【CBA联赛】第四十轮｜客场逆转！浙江稠州金租76-71胜辽宁本钢！

Vision-Language-Action（VLA）模型把视觉观测、语言指令和机器人动作统一到一个策略模型中，使机器人能够根据自然语言完成复杂操作任务。

5、场均20+10却续约僵局，年薪2.87亿恐成泡影？活塞高管揭杜伦真实现状

还发起了「世界模型云生态共建」，把百度智能云、阿里云、华为云、腾讯云、华山云及商汤大装置这些算力方拉到了一起。

6、克拉克斯顿发文告别篮网：千言万语只有感谢 这里永远是我的家

「将来的各种边缘计算产品都需要用到能源和算力。

按他的判断，这还只是当前状态。

而WAM-TTT则不同，它可以随时适应一个新场景：只要有人戴上远动相机、或举起手机，随手拍一段自己干活的第一视角视频，机器人看完，就能直接上岗！ 不用遥操设备，不用动作标注，也不用停工数天重训。

7、9城巡演，首站北京8月22号，30多首金曲一次唱个够。

前代广受好评的前端美学能力能完整延续到这一版，正好印证了这套机制：新本事大幅扩容，旧本事一分没掉。

值得一提的是，Axiom Math的创始人洪乐彤年仅25岁。

8、咖说   专访奇瑞墨甲机器人总经理张贵兵：不会为了追求规模而牺牲落地质量

上下文越长，模型反而越容易在其中迷路：位置偏差、多跳失败、无关信息的干扰，都是顽疾。

这对于AI可解释性的深层启示在于：当我们解释一个语言模型的输出时，真正「可解释」的不是内部神经元的物理激活，而是信息被范畴化、被结构化为可理解知识的过程。

三年前，Token还只是人和AI闲聊的「成本单位」，一问一答几十到几百个Token。

分工口诀就三句：有明确终点，用/goal；按周期重复，用/loop；要一直跑到某个条件达成，两个叠着用。