与「系统」相关的搜索结果

如何解决 AI 写文章的 AI 味儿？ 现在的 AI 写数学题或写代码很厉害，但在写学术论文、小说或百科文章时，经常产出空话连篇、表面流畅但缺乏真正深度的文字，这种低质文本常被称为“AI 废话”（AI slop）。 出现这个问题的原因在于，常用的 AI 评分系统很难辨别真正优秀的文字。研究人员发现，如果让目前的先进模型给文章打分，或者让它们自由制定打分标准，模型给出的分数往往偏向 AI 生成的内容，甚至给 AI 文本的分数远高于人类专家的原著。打分裁判本身偏好废话，训练出来的写作模型自然就会写出更多废话。 为了解决这个弊端，META 提出了一套名为 RL-XAR 的新训练方案，核心思路分为三步： 1）准备参照标杆：收集高水平的人类写作范例，比如真实的科研论文、名家小说和维基百科精选词条，截取前半部分作为上下文，分别让人类专家和 AI 模型顺着往下写。 2）训练评分规则：让 AI 裁判反复调整打分标准，直到这些标准能准确把人类高手的文本评为高分，把 AI 生成的文本评为低分，真正拉开两者的差距。 3）针对性强化训练：用这套校准后的高难度评分规则去重新训练写作模型，不断循环这个过程，逼迫模型改掉毛病。 META 在三个领域测试了这种方法： · 学术论文写作：模型需要补写论文中被拿掉的摘要、引言或结论。经过新方法训练的模型，不再像以前那样把整篇论文翻来覆去复述一遍，而是学会了精简和突出重点。原作者进行盲测评估时，新模型的胜率达到了 89%。 · 文学小说续写：续写普利策奖和诺贝尔奖得主的作品。模型改掉了乱用陈词滥调的比喻这一常见毛病，盲测胜率达到了 95%。 · 维基百科编写：根据标题直接写出正文内容。这项任务难度最高，模型虽然也有进步，但因为现有的 AI 裁判能力有限，提升幅度不如前两项明显。 所以，想让 AI 写出更像人类高手的深刻文字，关键在于先训练出眼光挑剔的评分标准，避免让模型用平庸的标准自我满足。 原文：

中国实际上是脆弱的威权，性别对立，底层力工被压抑的仇恨，流量利益裹挟的意识流，县域婆罗门的做大，寡头垄断的经济，学阀控制的羸弱学术研究，科技产业的造假，债务堆积的资产负债表塌陷，贫富鸿沟导致的民粹主义泛滥，官僚体系的躺平。实际上中央政府面对的是一个表面掌控局面，连一个大学老师也可以肆无忌惮煽动拳法。 这种流量已经不仅仅是让中国性别对立，断子绝孙，实际上对法治的损坏日益严重。对权力的藐视也已经是毫无顾忌，其实展示的是系统的脆弱。 流量对企业家的损害也几乎无顾忌，最近才有纠偏。 实际上官僚体系除了在财政收入上基于生存本能，有自发组织能力。 对于系统性的寡头垄断与社会公序良俗的秩序井然已经失控了。

中国实际上是脆弱的威权，性别对立，底层力工被压抑的仇恨，流量利益裹挟的意识流，县域婆罗门的做大，寡头垄断的经济，学阀控制的羸弱学术研究，科技产业的造假，债务堆积的资产负债表塌陷，贫富鸿沟导致的民粹主义泛滥，官僚体系的躺平。实际上中央政府面对的是一个表面掌控局面，连一个大学老师也可以肆无忌惮煽动拳法。 这种流量已经不仅仅是让中国性别对立，断子绝孙，实际上对法治的损坏日益严重，对权力的藐视也已经是毫无顾忌，其实展示的是系统的脆弱。

马斯克在访问路易斯安那州航天港现场 这大概是在大量摄入睾酮 这玩意是迸发性张力（雄性魅力）最牛逼的激素 查了下睾酮的作用 正面 性欲和勃起变好 肌肉量和力量上涨 骨密度提高 精力和情绪变好，抑郁减轻 贫血改善，新发糖尿病风险还降了 22.5% 负面 红细胞增多，血变黏，血栓风险上升，这条最常见也最确定 房颤、急性肾损伤、肺栓塞的概率小幅上升 血压升高 生育能力被压住，可能几个月到一年多起不来，有人回不来 睾丸萎缩，可能乳房发育，长痘，掉头发 睡眠呼吸暂停加重 一旦开始，多数人变成长期甚至终身依赖，因为你自己那套激素系统被压住了，停了就得等它自己恢复，也可能恢复不了 还有一个分水岭 补到正常水平，和打到健身健美那种超量，是两码事 马斯克是补的有点多了

AMD 宣布用约 82 亿美元收购李飞飞创办的 World Labs，这期是彭博科技节目主持人 Ed Ludlow 对两位当事人的联合采访。一位是 AMD CEO 苏姿丰，AMD 做 CPU 和 GPU，OpenAI、Anthropic、Meta 都是它的大客户。另一位是 World Labs 创始人兼 CEO 李飞飞，她主持建立的 ImageNet 图像数据集是这一轮深度学习浪潮的起点之一。两人聊了为什么要做这笔交易、李飞飞在 AMD 的新角色、开放生态，以及 AI 安全该由谁负责。 交易本身 这是一笔全股票交易，也就是 AMD 用自己的股票而不是现金来付款，对 World Labs 的估值约 82 亿美元，预计年底前完成，还需要监管审批。交易完成后，李飞飞出任 AMD 执行副总裁兼首席科学家，直接向苏姿丰汇报，World Labs 团队将成为 AMD AI 模型团队的核心。 两家公司的关系早就开始了。AMD 是 World Labs 的早期投资方，也给它供芯片。苏姿丰说她从 World Labs 只有几个研究员的时候就在看着这个团队成长。两人也都提到彼此认识多年，私下是朋友。 芯片公司为什么要买模型公司 苏姿丰的理由是，AI 现在还在很早期的阶段，而且越来越明显的是，硬件、软件、系统和模型这几层互相影响，对整条链路理解得越透，造出来的系统就越好。收购 World Labs，一方面是拿到李飞飞聚起来的一批顶尖研究人员，另一方面是让 AMD 对模型未来的发展方向有第一手的判断，反过来指导下一代硬件怎么设计。 李飞飞从模型公司的角度讲了同一件事。World Labs 越做越大，对算力的需求也越来越大；和 AMD 合在一起，模型可以用最前沿的硬件加速训练和推理，硬件团队也能提前看到模型未来的工作方式和需求。她把这叫作 AI 软件和 AI 硬件的“共同进化”。 主持人追问 AMD 是不是要开始卖模型、卖软件。苏姿丰说不会改变商业模式，AMD 仍然是一家平台和解决方案公司，软件是用来支撑硬件的。收购的最终目的是让 AMD 更好地服务那些最大的算力客户，也就是各家模型公司。 World Labs 做到了哪一步 World Labs 成立于 2024 年，到现在两年多，专攻空间智能和物理智能，也就是让 AI 理解和生成三维世界、懂得物理规律，这类模型通常叫“世界模型”。李飞飞说，他们想做的是语言模型之外的方向，因为创作者、设计师、教育、医疗都有这方面的需求，机器人技术也快要迎来爆发。 公司目前已经发布了两代模型，先是 Marble，然后是最新的 Atlas。李飞飞介绍 Atlas 是一个多模态的“全能模型”，能生成高质量的画面，同时保持三维和四维（三维空间加上时间）上的一致性，摄像机和智能体可以在它生成的世界里移动和交互。 团队也在扩张。World Labs 最近收购了 SceniX，这家公司做出了一套机器人仿真工作流程，以及训练机器人控制策略的模型，由此给 World Labs 补上了机器人方向的人才。 李飞飞为什么选择加入 AMD 苏姿丰说她给李飞飞的说法是“加入全世界最令人兴奋的 AI 公司”。李飞飞的作用也不只限于 World Labs 团队。苏姿丰说 AI 没有一种方案能通吃，除了大家熟悉的云端 CPU、GPU，物理 AI、机器人、从云端到边缘设备再到个人电脑的端到端 AI，都是 AMD 未来三到十年要重点增长的方向，而这些正好是 World Labs 擅长的领域。 World Labs 今年早些时候刚融过一大笔钱，发展势头也不错，主持人问李飞飞是否考虑过别的出路。她说公司从一开始就以使命为导向，这件事的关键在于双方的愿景是否一致，和有哪些选择关系不大。在她看来，这次合并会是“一加一大于二”，接着她笑着补了一句，AMD 显然比 World Labs 大得多。 至于加入后会不会只做空间智能，李飞飞说两人还没来得及细谈所有计划，World Labs 正在做的工作会继续，但她预计研究方向会扩大、节奏会加快。 开放生态与可选择性 苏姿丰说，AI 未来会同时有开源模型和闭源模型、大模型和小模型，它们跑在不同的硬件上，这一直是 AMD 规划高性能计算和 AI 产品线的前提。她和企业的 CEO、CIO 聊下来，没有人愿意被锁死在某一家的硬件或软件生态里，大家都想在不同时候挑最合适的。所以 AMD 会继续押注开放生态，她和李飞飞也讨论过怎样用 World Labs 已有的成果推动开源生态。 李飞飞补充说，现代 AI 的发展离不开开放。从科学界公开分享神经网络算法，到她自己做的 ImageNet，这个首批开放的大规模数据集就是现代 AI 革命的推动力之一。开放生态能让不同的发现、创新和创业机会互相促进。 AI 安全该由谁负责 主持人提到当前的一个争论：模型能力的进步速度超过了安全和对齐研究的进步速度。苏姿丰说这件事上“没有可选项”，技术必须好，也必须安全。她拿芯片行业做例子：最高性能的处理器在设计时就要把安全和数据保密作为优先事项来考虑，AI 行业也需要把安全放到同样的位置。她说自己是 AI 乐观派，相信行业能建立起合适的流程和防护措施，而且各家应该像硬件行业现在分享安全方面的经验那样，互相分享做法。 主持人进一步问，提供算力的公司对训练是否安全、推理时模型是否按预期行事，要负什么责任。苏姿丰说生态里每一方都要为自己的行为负责。对 AMD 来说，要保证硬件本身安全、按设计运行，模型在上面跑时数据是安全的，还要和模型公司一起处理好软硬件之间的交互。她认为这件事应该由行业主导，但因为 AI 是新东西，各方学习的速度不一样，所以她欢迎更多的行业协作，也欢迎一定程度的第三方评估。 李飞飞说，主持人上周问她监管、第三方评估、前沿实验室自我负责这几种方式该选哪个，她的回答是全都要。她认为 AI 是一项“文明级”的技术，和历史上所有这类技术一样，初衷是让人的生活和工作变得更好，但每项技术都是双刃剑，必须负责任地开发和部署。无论在斯坦福、World Labs 还是现在的 AMD，她都想推动个人、公司、行业和社会四个层面共同承担这份责任。 AMD 的下一步 主持人提到 AMD 市值已经到了 1 万亿美元，苏姿丰近来也多次和美国总统一同公开露面。苏姿丰说 AMD 过去做过好几笔对公司影响很大的收购，World Labs 是下一笔，而且是战略意义很重要的一笔。在她看来，技术如今和经济、国家安全都紧密相关，AMD 有机会真正影响计算的未来走向。 最后主持人请李飞飞预测 AI 下一个重大突破。她没有给具体的技术判断，只说接下来 AMD 和 World Labs 会一起打造未来，而这个未来必须对人类社会和人们的生活有益。苏姿丰在一旁说：“我会让她忙起来的。”

Meta 宣布推出名为“Meta Enterprise Platform”的企业服务平台，正式把服务企业客户作为公司未来的核心业务支柱之一。 Meta 打算把自家的底层技术开放给各类公司和开发者使用。初期开放的技术包括智能助手 Muse、商业助手 Meta Business Agent、编程工具 Muse Code 以及相关的软件开发接口，方便企业把 Meta 的 AI 能力直接接入到自己的业务流程中。 为了负责这项新业务，Meta 挖来了企业软件领域的资深管理者 CJ Desai 出任首席企业平台官，直接向扎克伯格汇报。CJ Desai 之前担任过 MongoDB 的首席执行官，也在 Cloudflare 和 ServiceNow 担任过核心高管。 Meta 表示，后续会把保护数据隐私和系统安全放在首位，帮助不同规模的公司借助 Meta 的 AI 工具提高运转效率、拓展客户群。 官方公告：

被很多专业者骂了，但是在折腾了3天以后，AIHOT最终还是重写完然后上线了。。。我觉得还是可以分享一下我全部跟AI协同的流程，万一对其他人有用呢（当然我就是个纯外行，仅供参考）： 1. 使用Claude Opus 5.5和GPT-6 Astra并行对旧项目进行蒸馏，并且设计交流包。要求：架构分离，为多Agent并行开发而设计，保留所有功能和容易踩坑的细节。 2. 使用Claude Fable 5.1对两个模型生产的功能文档、交接包和旧代码库进行全面对照，寻找不合理和遗漏的地方进行完善。 3. 使用Claude Opus 5.5在不看任何旧代码的情况下，根据最终的功能文档、交接包、线上网站的端到端测试，进行全方位的重写（大概写了12个小时）。 4. 使用Claude Fable 5.1和GPT-6 Astra并行审查新写完的项目，将其与旧代码库的所有细节进行逐行审计，看看是否有功能和细节遗漏，在用户体验层面，能否完美还原，最终产出两份审计报告。 5. 使用Claude Opus 5.5根据审计报告，进行优化开发，开发完成以后，清空所有上下文，自己再并行N个子Agent，以功能模块化的方式，跟旧代码库进行对比，看是否遗漏功能和逻辑细节（无视代码实现，只看功能和逻辑细节）。 6. 使用Claude Fable 5.1和GPT-6 Astra并行审查所有可能的BUG和漏洞，继续Opus 5.5优化。 7. 使用Opus 5.5优化所有前端UI，进行控件组件化统一，部分UI界面全面重设计，加了一部分Opus 5.5擅长的JS+Canvas动效，例如关于页和更新页。 8. 导出旧项目所有数据库，进行线上服务器彩排，6小时的影子系统并行，过程中实时监控，使用Claude Opus 5.5自动化并行修复过程中出现的所有问题。 9. 使用GPT-6 Astra进行全面的端到端测试。 10.无缝切换上线。 11. 使用GPT-6 Astra根据真实数据，全方位优化缓存、CDN、页面大小等问题，提升全站性能。 12.监控问题，不断优化。 以上，大概就是一个纯外行者的“重写”的经验，虽然AIHOT这个项目很小，但是我自己干的很开心。希望能对大家有一点点的启发。

1) ATS(机器人)+人类友好的完美简历提示词 你是资深招聘专家(10+年经验)。 你浏览过数千份简历，深知ATS系统如何运作。 使用以下信息创建简历： - ATS兼容 - 吸引人眼球 - 清晰、可量化的成就导向 - 不超过1-2页 - 现代专业 规则： - 从强势'职业总结'开始 - 每段工作用数字成果(百分比、金额、时间、增长) - 避免不必要的陈词滥调 - 使用主动动词 - 写得让招聘者6秒内注意到 - 自然融入关键词 - 不用表格、图标、图形 简历语言:[中文/英文] 目标职位:[职位名称] 我的信息： [在此输入经历、教育、技能]

吴恩达刚发了今年最狠的一堂Agent课，两小时，从单代理一路讲到完全自动化，硬核到足以把你今年收藏的所有AI Agent教程全淘汰了！ 整门课刚好两个小时，五个时间节点卡得特别清楚，九分钟带你搭出第一个能干活的代理，三十三分钟讲循环工程怎么让代理自己纠错迭代，一小时零两分正式开讲图工程，一个半小时讲能自我重写的代理，最后四十分钟直接放完整的可运行图系统。 很多人学Agent最大的误区，就是把能跑通一个对话循环当成了终点，实际上单代理再聪明，也扛不住长任务里的上下文丢失，状态混乱和失败不可追溯，图工程干的事，就是把决策和控制流从模型的黑盒里拉出来，变成可检查可复用可并行的固定拓扑，模型只负责节点里的判断，路径由人提前设计好。 这也是为什么同样的模型，同样的token，用单代理跑和用完整图系统跑，一周下来的完成度能差出好几倍，前者还在反复重试同一个失败步骤，后者已经把多个分支并行跑完，自动汇总成最终结果了。 想真正搞懂Agent自动化的兄弟，这门课真的值得抽两个小时完整刷一遍，别再停留在单代理的玩具阶段了。