#AI 模型
AI 基础知识
本指南系统介绍了 AI 基础概念，帮助初学者建立清晰的认知框架。 AI 是一个包含多种技术的广泛领域，其中大语言模型专注于语言处理，其本质是基于上下文预测下一个语言单位。模型训练分为预训练和后训练两个阶段，前者赋予广泛技能，后者负责植入安全准则和交互风格。模型可分为快速响应的非推理模型和深度思考的推理模型，适用于不同场景。理解“AI—模型—大语言模型—产品”四个层级的包含关系，是有效使用 AI 工具的关键。
Anthropic 发布 Claude Opus 4.7 模型，覆盖网页、应用和 API
Anthropic 发布 Claude Opus 4.7 ，在代码生成、工作流管理、高分辨率图像理解及指令跟随等方面实现显著突破，新增自主执行与验证复杂项目能力。该模型定价维持不变，同时引入网络安全专项防滥用保障机制，标志着 AI 厂商从“被动合规”向“主动设计安全边界”的转变，为企业用户提供无需额外成本的确定性能力升级。
Meta 开始向 Meta AI 智能体推出“沉思模式”
Meta 向所有用户免费开放 Muse Spark 的 Contemplating 模式，采用 16 个智能体并行推理架构，在基准测试中性能对标 Google 和 OpenAI 顶尖模型。 Muse Spark 已位列全球 AI 助手第一梯队，发布后 24 小时内 App Store 排名跃升至第 5 位，全球安装量达 6050 万次。此举旨在以免费策略撬动付费竞品市场，将 AI 助手竞争从“能力对比”转向“生态争夺”。
如何构建 AI 扩展定律以实现高效 LLM 训练和预算最大化
MIT-IBM 团队发布大规模语言模型扩展定律系统性指南，通过分析 485 个模型和 190 万条性能指标，拟合超 1000 条扩展定律。研究发现预测相对误差最佳可控制在 4%，并证实小模型与大模型存在可迁移规律。建议优先训练多个小模型而非追求大模型，中期检查点数据最具预测价值。这项研究为资源受限的研究者提供了更公平参与大模型研究的可能，揭示了扩展定律在跨模型家族间的通用性。
从 LLMs 到“幻觉”，一文搞懂常见 AI 术语
本文系统梳理了人工智能领域的核心术语框架，涵盖 AGI 定义、智能体、神经网络、深度学习、大语言模型、扩散模型等关键技术概念，并解读了蒸馏、微调、幻觉、算力等产业实践要素。文章揭示 AI 产业飞速发展与概念定义尚未收敛的矛盾，指出记忆危机与算力瓶颈正从基础设施层面重塑竞争格局，理解概念本质比背诵定义更为重要。
智谱 AI 发布开源 GLM-5.1 编程模型
智谱 AI 发布 GLM-5.1 编程模型，专为编程和智能体工程设计，可持续运行 8 小时完成规划、执行、测试、修复等全流程任务。基准测试表现亮眼， SWE-Bench Pro 获 58.4 分，超越 GPT-5.4 等竞品。具备 20 万 token 上下文窗口等技术优势，现已面向开发者开放。此举标志着智谱 AI 在编程和智能体基础设施领域迈出关键一步。
Meta 推出 Muse Spark 智能体和 Contemplating 模式
Meta 推出 Muse Spark 智能体模型，实现训练效率突破：性能比肩 Llama 4 Maverick ，计算资源消耗却降低超过十倍。发布后在 Artificial Analysis Arena 榜单从末尾跃升至第四位。该模型已作为 Meta AI 核心驱动引擎投入使用，并同步更新品牌视觉标识。业内人士指出， Meta 以预训练流程而非模型规模为突破口，预示着大模型竞争正从“暴力堆算力”向“精细化工程”转型。
【AI工具】Blink Claw，更简单、实用的专项多智能体助理
Blink Claw 是面向普通用户的专项多智能体AI工具，支持180+模型并行处理不同任务，一键接入Gmail、Slack、GitHub等100+应用，无需配置API密钥；设计上无暴露端口、无第三方恶意脚本，比OpenClaw更简单、安全、易上手。
Transformer 作者提醒：当 AI 太成功，创新反而变难了
Transformer作者Llion Jones指出，AI过度成功导致研究趋同，资源集中于安全的增量优化，反而抑制根本性突破。他呼吁重拾自由探索精神，在“利用”与“探索”间寻求平衡，支持高风险、非主流但可能带来跃迁的研究。