与「ARX」相关的搜索结果

考虑到Misa这里很多OKX的新用户，所以介绍活动还是会帮大家写详细一点～ 😘 xStocks 可以理解为搬到链上的股票/ETF 价格敞口资产 它会跟踪对应标的的价格，但不等于直接持有股票，也没有投票权等股东权益 这次活动要做的，就是把指定的 xStocks 和稳定币放进 Uniswap V3 流动性池，供其他用户交易。 你作为 LP，相当于给市场提供流动性，再从中赚取手续费和活动奖励。 而且这波不是简单加 LP，同一个合格仓位可以叠三层权益： ① Uniswap V3 交易手续费 ② X Layer 首轮 $220K 流动性激励 ③ xStocks xPoints 最高 45% 加成 但是！顺序！一定不能反！ 先进入 xPoints 页面完成钱包报名 ，再从 OKX 活动页选择合格池 ，点击申购并建立 LP 仓位 为了确保仓位被活动正确识别，不要直接从 Uniswap 前端加池哦 第二点想说的，45% 不是 APY！ 它指的是 xPoints 积分加成： 25% X Layer 限时加成 20% 邀请加成 无论做单边还是双边 LP，只有仓位中的 xStocks 资产计入 xPoints USDC USDG 不计积分，别按整笔 LP 的总价值估算。 OKX 激励也不是简单按本金分配，而是按仓位实际产生的手续费占比瓜分。 也就是说，仓位是否保持活跃，价格区间是否有效，都会影响手续费和活动奖励。 活动时间：8 月 24 日 15:00—9 月 7 日 15:00（UTC+8） 查看奖励及退出：Wallet DeFi 我的投资 对应仓位 最后的小提醒：LP 不是定存，仍需留意价格区间，无常损失，协议及资产波动风险。 活动入口在这里～

《 AI 时代的数学》 一个数学难题，如果 AI 生成了一份很长的证明，经机器验证是正确的，可是没有任何人看得懂，甚至连提交它的人自己也看不懂，这算数学的进步吗？ 陶哲轩在Arxiv发表了一篇论文，阐述了他对AI时代的数学的看法。 刚刚提到的问题已经在实际发生。专门收集数学问题的网站上已经出现了数十份AI生成的证明提交。其中许多很可能是正确的，但在相当多的案例中，尚无人类专家自愿去验证和担保这些证明；在若干案例中，提交者本人也声明自己没有资格对证明做出判断。 我们正在从一个证明稀缺的时代过渡到一个证明过剩的时代。 我们很快就会面临：一个重大数学结果拥有经过机器验证的证明，但没有任何人类能够充分理解它并加以解释。 陶哲轩的观点是： “如果作者无法令人信服地证明自己能够就其成果做一场正确且归属恰当的专家级报告，那么这个成果就不应该发表。一个没有人类能够正确解释的证明，即使经过形式化验证，也应当被视为不完整的。” 一个证明要真正对其所在领域有所贡献，仅仅正确是不够的，仅仅可读也是不够的。它还需要被学术共同体接受和重视：其他数学家需要消化这一结果，并将其融入自己的工作之中。 但现有的大多数制度安排，期刊、优先权惯例、聘用与晋升标准、奖项，乃至“研究纲领”这个概念本身，都是在稀缺假设下设计的。现在还没有好的解决办法，陶哲轩只提出了一些学术上的倡议。 在 AI 时代，数学界最需要的人才，可能不是最能证明定理的人，而是最能解释定理的人。 论文：

每天刷两小时推特，看到的还是二手转述。这 12 个源直接看一手，建议收藏： 1、AI News — 每日自动汇总各大社区和论文动态的日报，一篇顶你刷半天 2、The Batch — 吴恩达团队的每周简报，观点比资讯多，适合建立判断 3、Hugging Face Papers — 每天社区投票选出的热门论文，带简介 4、alphaXiv — 论文讨论区，能看到同行对一篇论文的质疑和补充 5、arXiv — 最原始的论文源，追某个方向就订阅对应分类 6、LMArena — 大模型盲测竞技场排行榜，看真实对战胜率而不是厂商自测分 7、Artificial Analysis — 各家模型的速度、价格、质量横向对比，选型时直接看这里 8、OpenRouter Rankings — 按实际调用量排的模型使用榜，能看出开发者到底在用什么 9、Simon Willison's Blog — 每个新模型发布他都会实测并写清楚能干什么，几乎不吹 10、Latent Space — 深度访谈和技术拆解，适合了解工程侧的真实做法 11、Interconnects — 训练和后训练方向的深度分析，偏研究 12、SemiAnalysis — 算力、芯片和数据中心的产业分析，看清楚上游发生了什么 如果只留两个：日常追进展看 AI News，选模型看 Artificial Analysis。

网页爬虫迎来重大升级。 PixelRAG 不读 HTML，它像你一样读网页。 100% 开源。 与其将网站解析为纯文本，不如直接截图，让视觉模型从像素中检索答案。 为什么这很重要： • HTML 解析器会无声地丢失信息 • 表格、图表、公式和布局经常消失 • 仅更改解析器就能让 RAG 准确度波动约 10% PixelRAG 绕过整个瓶颈。 它索引的是用户真正看到的内容。 团队构建了 3000 万+ 维基百科截图的视觉索引，在纯文本问答上的表现比最强的基于文本的 RAG 基准高 18.1%。 更酷的是： 它包含 Claude 代码插件，赋予 Claude 视觉浏览能力。 Claude 可以截图任何网页、PDF、arXiv 论文或本地应用，并基于渲染页面回答问题。 流程出人意料地简洁： → 将页面渲染为图像块 → 用 Qwen3-VL-Embedding 嵌入（在截图上微调 LoRA） → 存储在 FAISS 索引中 → 视觉搜索 最棒的是？ 升级到更好的视觉模型后，无需重建索引。 因为索引存储的是像素，不是解析文本。 GitHub:

Claude Science开源平替爆火！一行命令，DeepSeek/GLM随便切，科研人狂喜！ OpenScience是YC孵化团队推出的开源AI科研工作台，直接平替Claude Science，却彻底无任何限制。 给它一个研究目标，它自动跑通全流程闭环：文献检索、假设生成、写代码、跑实验、数据分析、论文撰写。全程在浏览器工作空间完成，带文件树、编辑器、终端和实时可视化，一站式搞定。 杀手级优势： - 模型随便切：支持Claude、GPT、DeepSeek、GLM、本地Ollama等，随意切换，Key本地直连，数据零泄露，完全免费。 - 技能狠：290+科研技能包，30+顶级科学数据库（UniProt、PDB、arXiv等）直接调用，覆盖机器学习、计算生物、化学信息学等。 - 极简安装：终端一行 npx synsci 即开即用，Apache 2.0完全开源。 再也不用受Claude平台、付费、模型绑定的折磨！OpenScience才是科学AI该有的开放模样。

Beautiful paper from Google DeepMind. Explains the pathways from AGI to ASI, and why that jump could happen through several routes. The authors frame the AGI-to-ASI transition around 4 technical pathways: - continued scaling of compute, model size, data, and test-time inference; - algorithmic paradigm shifts beyond today’s transformer-based foundation-model stack; - recursive self-improvement, where AI accelerates AI R&D and improves future systems; and - multi-agent collective intelligence, where large populations of specialized agents coordinate into a superhuman group agent. Scaling may work for a while, but it could hit limits in data, compute, energy, or weaker returns from making systems larger. Recursive improvement is the most uncertain path, because AI could speed up AI research, but that loop may also slow if hard research problems need real-world testing, scarce hardware, or new ideas. Multi-agent collectives may be the most underappreciated path, because a society of competent digital workers could outperform a brilliant individual model through specialization, speed, and coordination. The big point is that ASI may not arrive as 1 sudden event, but as a chain of faster changes as AI helps create better AI and stronger scientific tools. ---- – arxiv. org/abs/2606.12683 Title: "From AGI to ASI"

试了一下 Claude Science，感觉很适合做科研早期调研。它会把一个研究问题拆成多个检索面，连接 OpenAlex、arXiv 这样的文献库，抓取真实文献数据，然后自动去重、过滤、聚类、画图，最后生成一份带主题地图、增长趋势和代表性论文的研究报告。 我让它分析 human-AI collaboration，它先抓了 2301 篇文献，清洗后留下 1711 篇，再自动分成 10 个主题社区，并生成了完整的研究地图。 对于刚进入一个领域、想快速知道“这个领域有哪些方向、谁在做、哪些论文重要、趋势在哪里”的人来说，非常有帮助。 当然它不能替代严格的系统综述，但作为科研初步调研和选题探索工具，效率非常高。

以下是 2024–2026 年类似 AI-Town 的、来自论文且有开源实现的有趣 AI 概念原型，按方向分类： 🌆 虚拟社会 / 涌现行为 1. Project Sid（Altera AI，2024） "AI 文明实验" — 在 Minecraft 里放入 1000+ 个 AI Agent，观察文明级行为涌现 📄 论文：arXiv:2411.00114 💻 GitHub：altera-al/project-sid 🔑 亮点：Agent 自发产生职业分工（农民/商人/建筑师）、货币经济、民主规则甚至宗教传播 🏗 架构：PIANO（Parallel Information Aggregation via Neural Orchestration）—— 并行多认知模块协作 2. AgentSociety（清华大学 FIB Lab，ACL 2025 Industry Track） "大规模城市社会仿真" — 3万+ Agent 在城市环境中运行，研究社会政策影响 📄 论文：arXiv:2502.08691 💻 GitHub：tsinghua-fib-lab/AgentSociety 🔑 亮点：研究UBI 政策、社会极化、城市韧性；Agent 有情绪/动机/认知层 ⚡ 技术：Ray 分布式执行，GPU 并行，支持 ReAct/Plan-Execute 等多种推理模式 3. OASIS（CAMEL-AI + 上海 AI Lab，2024） "百万级社交媒体仿真" — 模拟 Twitter/Reddit，最高支持 100 万 Agent 📄 论文：arXiv:2411.11581 💻 GitHub：camel-ai/oasis 🌐 项目页： 🔑 亮点：研究信息扩散、群体极化、羊群效应；关键发现是涌现行为在 1万 Agent 以下几乎不出现 🧪 专域仿真（科研 / 医疗 / 组织） 4. VirSci / Virtual Scientists（ACL 2025 Main） "AI 科研生态" — 多 Agent 协作进行文献调研、假设生成、idea 评审 💻 GitHub：open-sciencelab/Virtual-Scientists 🔑 亮点：Agent 团队的协作拓扑影响创新性，验证了科学社会学中的 "新鲜团队产出更具突破性" 规律 🧰 通用仿真框架 5. Concordia v2（Google DeepMind，2025） "TTRPG 式多 Agent 仿真框架" — Game Master 扮演环境，Agent 扮演角色，自然语言驱动 📄 论文：arXiv:2507.08892（v2 技术报告） 💻 GitHub：google-deepmind/concordia 🔑 亮点：Entity-Component 架构，AI Safety 研究利器，2025年8月发布 v2.0（更轻量模块化） 6. AgentTorch（MIT，AAMAS 2025 Oral） "亿级人口 ABM 仿真" — 模拟 840 万纽约市民的 COVID 传播行为 💻 GitHub：AgentTorch/AgentTorch 🔑 亮点：可微分仿真（类似 PyTorch 但针对 Agent），LLM Archetypes 方法在大规模下平衡表达力与算力 💡 核心创新："不是每个 Agent 都调 LLM"，而是从人口中提炼少量典型 archetype 再映射