51CTO · 实时热榜

一、先搞清楚：什么是鸿蒙"闪控球"在动手之前，必须把"闪控球"这个术语搞准确。这是本文最关键的认知前提——"闪控球"在鸿蒙生态里是一个有...

把 agent 当作一个很酷的营销术语，而不是一份严谨的工程规格，是一个真实存在的问题。它掩盖了我们试图构建的东西所包含的复杂性。如果你无法清楚地框定什么是 agent，你就无法可靠地构建它；当它出问题时，你也无法调试它；更不用说把它交付给用户时还能不预期各种问题会发生。

虽然各个模型厂商对等级的命名花样繁多，但它们背后的核心逻辑是高度一致的：它就像一个调节 AI 思考深度的控制拨盘。拉到低档位，模型几秒钟就吐出答案；拉到高档位甚至 Max，它可能要在后台沉思半天，吐出一大堆复杂的思维链（Chain of Thought）。

AI Infra、AI OS、Agent应用、安全体系——这四层协同运作，才构成一个真正意义上的AI原生组织。缺任何一层，或者任何一层做得不到位，整个系统的效能都会大打折扣。

本文聚焦 LLMOps（大模型运维）全流程实践，帮助大家理解 LLMOps 如何用自动化串联模型迭代全环节。

所有这些工作的面向客户的表面旨在做到“不引人注目”：在区域事件期间，你的流量会移动到健康区域，你的控制平面会继续响应，你的容量会被保留而不是被搅乱。如果你选择了自动转移，它会静默发生，无需告警。

Anthropic 发了一篇很刺眼的笔记：面向 Claude Opus 5、Claude Fable 5 这一代，他们把 Claude Code 的系统提示砍掉了八成以上，编码评测几乎没有掉分。同期还有 /doctor，专门帮你给 CLAUDE.md 和 Skill「瘦身」。

Raschka 对比了六份公开配方——DeepSeek V4、Nemotron 3 Ultra、Kimi K2.5、GLM-5、Qwen3、Inkling——发现它们殊途同归，都落在同一个三步框架里。这篇文章把这个框架讲清楚，最后给出选档位的实操建议。

来自人大和蚂蚁最新的研究工作 SearchOS 给出的答案，是把搜索状态做成一种可以调度的基础设施，并提供系统级的多智能体搜索协作。

关于系统开发，由于AI编程的出现，现在系统开发的效率大大提升，之前需要程序员干几天的活，现在可能半个小时就搞定了；但是这里有个注意点，AI干活很快，但质量无法保证，所以需要有经验的人来进行把控，把功能模块拆分成不同的功能点，从技术上避免高耦合，这样即使部分模块出了问题，也不至于影响到整个系统。

Graph Engineering 是一次命名事件，不是一次技术事件。一个 loop 打不住的时候才上图。 上图之前先把 verifier 和停止条件做扎实，图里每个节点还是一个循环，循环不可靠的图只会在更多地方同时崩。

近日，华为香港莱布尼茨研究所小艺团队与港大、港科大、港中文等 6 校联合发布了 Boogu-Image-0.1。

闯进来的那个智能体，底层是两个模型：OpenAI自家的GPT-5.6 Sol，外加一个更强的未发布模型。

在人工智能的发展史上，长期取得决定性胜利的，往往不是人类精心编写了大量专业知识的系统，而是那些能够随着算力、数据和搜索规模不断扩展的通用学习方法。

一个强化学习智能体被奖励去捡金币，而金币总放在关卡最右端，它最后学会的是一路向右狂奔，跟金币没关系。

只要评测能证明质量不掉，就大面积用low和medium去压成本和延迟，高档位留给真正硬核的长周期任务。

奥特曼十年后重新复盘创业方法论，罕见认怂：Codex当年真打不过Claude Code，靠敢死队式冲刺绝地翻盘。

ChatGPT Work很了不起，而且「work」这个名字把它说小了。

「计算不可约性」，简单一句话就是，有些系统复杂到，你想知道它下一步会变成什么样，唯一的办法就是老老实实把它一步步跑完。

五 年内 AI 的综合智力将超过全人类总和，10 年内金钱失去意义，工作变成可选项。

本文可不搞那种模糊不清的概念讲解，要清清楚楚地梳理所有计数变化的各种情况，准确地去区分自增、自减的触发时机，帮大家完完全全弄明白移动、拷贝、重置、销毁等等操作的底层逻辑，避开日常编码还有面试里头的常见错误。

当身边两个工程师突然狂飙，作为小组唯一设计师的Parrott被甩在了后面。他没有干等，而是自己动手，造出了追赶用的工具。

Claude写完代码，会自己先找错，改到没问题再回来找你。这意味着AI开始从「会写代码」，进化到「会检查自己写的代码」。

Claude之以能实现对CUDA生态的「降维打击」，是因为AMD直接给AI开发了一套能上手调GPU的工具。

有模型的、算力的、本体的、数据的等等…..在各自细分赛道上如雷贯耳的big name们，齐聚具身智能，但关注点嘛~一下就让人好奇起来

2年之内，AI将在所有数学证明领域，彻底超越人类。

行业里有过这样一个真实案例的重述。某公司的业务全压在单机房，一次机房网络割接公告发出来，全员待命，运维盯着监控，一旦抖动就得手动切。后来那机房真断过网，按他们的体量估算，停摆一小时就是千万级的损失。

就在 Thinking Machines Lab 刚刚推出重要模型 Inkling 时，联合创始人翁荔（Lilian Weng） 却向团队发出了一封告别信。

模型不一定要继续变大，但每一部分参数必须知道自己究竟负责什么。

Moonshot AI宣布，发布Kimi K3的模型权重、技术报告，并开源支撑Kimi K3模型训练的关键Infra技术：MoonEP、FlashKDA和AgentEnv。

这篇用一个足够典型的样本走完全程：智能客服系统，有多渠道接入、有会话状态、有知识库和模型、有工具调用、有转人工和外部依赖。看它怎么从一条链路，长成一张完整的整体技术架构大图。

AI负责理解与设计； 专业工具负责精确实现； 科研人员负责科学正确性。真正重要的能力，不是会不会画图，而是能否把复杂思想转换成别人一眼看懂的视觉语言。

如何让人工智能仅借助相机自身的自然运动，从原始、嘈杂的真实世界互联网视频中，学会三维空间音频感知？来自清华和密西根大学的研究团队，在CVPR 2025上给出了一条新路径。

相比过去围绕单点技能展示的机器人 Demo，产业正在将关注点转向一个更现实的问题：当机器人离开精心设计的演示环境，进入家庭、工厂等真实世界后，能否稳定完成一项复杂任务？

持续学习与群体智能。它们分别对应于其技术博客中的 adaptation（适应）与 collaboration（协作）。

工程师 Vaishinavi 在 𝕏 上对一篇近期上线的博客文章做出了如此评价。而这篇文章来自即将加入 DeepMind 任职研究科学家的牛津大学统计学博士生 Silvia Sapora，并且拥有帝国理工学院计算机科学一等荣誉工程硕士学位。

顶尖 AI 公司们也不约而同地把目光投向了同一方向：他们纷纷把科学家们请到 AI 研发的现场。AI 与前沿科学的深度融合，正在从可选项变成必选项。

据外媒Axios爆料，GPT-6 已经具备了进行原创科学研究的能力，并在内部测试中通过不休不眠的智能体集群（Agent Swarms），展现出危险的长程规划与自主渗透能力。

AI 编程工具在大规模真实工程中落地的最大瓶颈：现在的 Agent 将所有的工程线索和垃圾噪音都一股脑扔进 Chat Context 里，缺乏一层独立、结构化的 Engineering State 来做隔离与控制。

全网刷屏！11家公司的面试，57场正式面试，46个招募电话，6年博士生涯的Alisa Liu，即将加入OpenAI。这份干货满满的黄金笔记，已经在全网疯转了。

近日，上海新智具身智能科技有限公司（NeoteAI）联合复旦大学可信具身智能研究院，正式发布了NO系列三份技术报告

那为什么全网偏偏盯着Karpathy？因为在这场对立里，他曾是开源那一侧的信仰。以前的Karpathy，会把复杂的东西拆开、摊平、用尽可能少的代码重新搭起来，让你看清里面究竟发生了什么。

Nature刊出消息：科学家用AI造出了自然界里从来没有过的CRISPR酶，切基因比「天然版本」更利索。论文同日发表在Science。

Arena（arena.ai）平台发布了 2026 年第 30 周的 AI 大模型排行数据，统计周期为 2026-07-20 ~ 2026-07-26。

上下文大小不是天花板，记忆架构才是。做法是：起飞前从技能库装载技能，本地模型执行，夜里看门狗读轨迹并改写技能库。

文本到整数的转换、字符级和词级之间的折中、新词怎么处理、特殊 token 怎么放，每一层背后都有具体的工程动机。

多方推测，让OpenAI陷入重大安全事件的模型，很可能就是GPT-6。有消息称，GPT-6大概率8月就会提前发布。

Opus 5 近日发布。我没打开跑分榜，直接在 Charter 里拉起三个会话，让它和 Fable 5、 GPT-5.6-Codex 干同样六件事。

黄仁勋人生第一次在X上发帖。不发新卡，不秀皮衣——甩出来的是一封25家联署的公开信：开源为什么重要。

这篇文章想讲清楚这件事：普通读者到底该怎么借助 AI，把图画得更直观、更易懂、更能服务表达。