AlphaFold获诺奖后DeepMind下一步
去年十月Demis Hassabis和John Jumper因为AlphaFold 2拿到了诺贝尔化学奖。一个AI系统，把困扰结构生物学 五十年 的蛋白质折叠问题给解了——预测精度达到原子级别，几个小时出结果，传统方法要几个月。 影响有多大
第 103 页
查看归档 →Kimi K2 开源万亿参数 MoE 模型
去年7月，月之暗面直接开源了Kimi K2——一个 万亿参数 的MoE大模型，每个token只激活32B参数。 架构亮点 总参数： 1万亿 每token激活： 32B 训练数据：约 15.5万亿token 上下文：128K（后续升级到256
Kimi K2.5 用 100 个 Agent 拆解复杂任务
今年1月27号，月之暗面发布了Kimi K2.5——在K2的基础上加了原生多模态和 Agent Swarm 功能。 Agent Swarm是什么 核心概念：把一个复杂任务 拆解成多个子任务，每个子任务分配给一个独立的agent并行执行 。
GitHub Copilot 升级为自主编程 Agent
去年Build大会上GitHub宣布了一个大更新： Copilot现在可以作为一个独立agent来干活了。 怎么用？ 操作很简单——在GitHub上把一个issue指派给Copilot，或者在VS Code里给它下指令。它会自动启动一个安全
GPT-5.4 把 Codex 推理和 Computer Use 合并为一
3月5号OpenAI发了GPT 5.4，最大的变化是： 不再搞专门的编程模型了 。 之前GPT 5.3 Codex是独立的编程专用模型，和主线GPT 5.x分开发布。现在GPT 5.4直接把前沿编程能力、推理能力和Computer Use统
Kimi K1.5 验证强化学习驱动推理
月之暗面在K2之前发布的K1.5，核心看点是 用纯强化学习来提升推理能力 。 技术路线 K1.5的推理增强不是靠SFT（监督微调）或RLHF的常规路线，而是更加依赖 纯RL（强化学习）训练 。 这和DeepSeek R1的思路类似——让模型
GPT-5.2 冲击 ARC-AGI 通用推理测试
ARC AGI这个测试一直被看作是衡量AI"通用推理能力"的硬指标——不靠死记硬背，不靠pattern matching，纯粹考察模型能不能在没见过的抽象任务上灵活应变。 GPT 5.2在ARC AGI 1上拿到了 72% ，ARC AGI
DeepSeek低成本训练大模型解析
DeepSeek在成本控制上的水平已经成了行业传说级别的存在： V3 训练成本：约$550万 R1 GPU使用费：约$29.4万 同期美国公司训类似规模模型的预算是 $1亿到$10亿 。差了至少一个数量级。 省钱秘诀 1. FP8混合精度训
DeepSeek V3.1融合通用与推理模型
去年8月DeepSeek放出了V3.1，这是他们 第一个混合模型 ——把V3（通用）和R1（推理）的能力合进了同一个模型里。 架构设计 总参数： 671B ，每token激活 37B 每层256个专家，激活8个 两种模式一键切换： Thin
DeepSeek开源推理模型R1
今年1月，DeepSeek把R1推理模型直接开源了，社区的反应很直接： 没想到开源这边已经卷到这个程度了。 先看硬指标： AIME数学竞赛 ：77.5分 MATH 500 ：96.2分 Codeforces编程 ：94百分位 MMLU ：0