与「ARX」相关的搜索结果

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

如果你做内容，大概率会遇到一个很烦的问题：信息太多，但真正值得做成内容的选题太少 OpenAI 发了新功能，Anthropic 发了新模型，Google DeepMind 更新了视频生成，arXiv 又冒出几十篇论文，GitHub Trending 上突然出现一个爆火项目。每条看起来都重要，但问题是：哪一条值得今天做？哪一条只是新闻搬运？哪一条能变成有观点、有传播力、有价值的内容？ 这就是我做 AI Topic Scout 这个 Codex skill 的原因。 GitHub 地址：
 AI Topic Scout 不是一个普通的新闻摘要工具。它的目标不是告诉你“今天 AI 圈发生了什么”，而是帮 AI 博主、创作者、newsletter 作者判断： 今天最值得做的选题是什么？ 它默认扫描 10 个核心信息源： 1OpenAI News 2Anthropic News 3Google DeepMind Blog 4Meta AI Blog 5Microsoft Research Blog 6arXiv AI / ML / NLP 7Hugging Face Papers 8GitHub Trending 9LM Arena Leaderboard 10The Batch by 这些源覆盖了 AI 内容创作最重要的几层：大厂一手发布、论文、开源项目、模型榜单、行业趋势和研究动态。 但更重要的是，它不会只把信息堆给你。它会把这些信号加工成适合创作者使用的选题格式： •选题：一句能直接用的标题方向 •为什么现在：这个选题为什么今天值得做 •内容角度：你应该讲观点、教程、实测、对比还是科普 •适合形式：短视频、长视频、图文、newsletter、demo •素材来源：对应的信息源链接 •优先级：High / Medium / Low 适合谁用？ •每天要做 AI 短视频的人 •写 AI newsletter 的人 •做 AI 工具测评的人 •想追踪模型和 agent 趋势的人 •不想每天被信息流淹没的创作者 •想从“搬运新闻”升级到“判断趋势”的人 使用方式也很简单： 用 $ai-topic-scout 给我出今天的 AI选题 或者： 用 $ai-topic-scout 扫一遍本周 AI 信息源，挑 5 个适合短视频的选题 我做这个 skill 的初衷很简单：AI 内容创作不应该每天从刷信息流开始。真正值钱的是判断力。哪些变化只是噪音，哪些变化代表趋势，哪些变化值得被讲给更多人听。 AI Topic Scout 就是把这套判断流程固化下来。 如果你也是 创作者，可以试试这个 skill，能帮你每天更快找到值得表达的东西。

#Alpha# 6月最后一天，希望来个空投，给6月画上一个圆满的句号。 从数据来看，昨天活跃人数:114545，比前天增加了2633人，呈现上升趋势！ 从币种来看，依旧推荐 $ARX 和 $KGEN