全部动态

谷歌用AI从太空发现甲烷排放，比传统方法更精准，对环保监测很有价值。

Anthropic用Claude模型启动社会影响研究，看看它如何改变人们的生活，很有意思！

谷歌说AI答错有时是“丢钥匙”而不是“空货架”，这比喻太好懂了。想明白为什么模型会一本正经胡说八道，可以看看这篇。

Anthropic红队把多智能体系统的常见坑都整理出来了，搞Agent开发和安全的人能少踩雷。

Anthropic未发布Claude把黎曼猜想下界从41.6%推到67.2%，数学能力又进一步。

Google搞的Science One框架，用链式证据让机器自己搞研究还能验证过程，挺新鲜的。

Anthropic的红队用Claude找出了密码学实现里的漏洞，比传统静态分析工具更聪明，值得看他们的方法。

谷歌发了篇论文，专门分析扩散模型为啥能搞创意生成，有实验有指标，不做玄学解释。

Anthropic研究了一个很实际的问题：怎么让AI知道太多危险东西时能随时关掉。不是只喊口号，有具体方法。

Anthropic自己测了AI能不能写漏洞利用代码，结果有些还真能搞出来，建议安全从业者看看。

隐私合规团队和 AI 安全研究者终于有了可操作的遗忘验证工具——Google 的审计框架让“数据被遗忘权”不再是空话，做模型治理和合规的团队建议点开看看具体方法。

做 AI 安全和对齐的研究者值得关注——Anthropic 用“教为什么”的思路解决了智能体误解指令的痛点，直接关系到未来自主系统的可靠性。

这项研究让 AI 的“黑箱”思考变得可读，对关注 AI 安全与可解释性的研究者和开发者来说，是理解模型行为的关键一步，值得深入阅读。

Anthropic 把评估意识这个容易被忽视的陷阱说透了——做 AI 评估或关注模型真实能力的团队，看完会重新审视自己的测试方法。

做 AI 编程评测的团队终于有了量化噪声的方法论——基础设施差异能让结果偏差 30%，建议所有做 agentic coding 评估的开发者点开，避免被虚假分数误导。

MoBA 解决了长文本大模型计算效率低下的痛点，做 NLP 或大模型应用的开发者可以直接参考其设计思路，提升模型处理超长文本的能力。

Muon 优化器有望替代 AdamW 成为大模型训练的新标配，做预训练或微调的团队值得关注其收敛速度和资源节省效果。

Anthropic 把模型内部机制当生物系统来研究，做 AI 可解释性的人会看到新方法论，关心模型安全性的团队值得关注。

做 AI 可解释性研究的团队终于有了一个能看清模型内部推理步骤的方法——Circuit Tracing 把黑箱计算拆成了可追踪的图结构，建议关注模型安全的研究者点开看看。

对理解大模型内部机制的研究者来说，这篇论文揭示了计数任务背后的几何结构，值得深入阅读。