与「SOTA」相关的搜索结果

有没有人做过和计算空间（workspace）不绑定的 agent？理论上存在这种可能吗？nkmc 曾经尝试过映射基本 op 到网络资源，但是在这三个月里我们发现最大的变化是 SOTA 模型的第一层 harness 进步神速，所以我目前的产品很多是和计算空间（虚拟化）绑定的 agent 也就是 sandbank 中的 agent，但我刚才突然想到，如果所有东西都在数据库中映射，有没有一种 agent 可以运行在数据库里，比如跑在 db9 里？

本期节目音视频已经全部上线! 🎙️ EP5 AI是人类的"奴隶"吗？对谈郭宇 @turingou：AI时代的超级个体 ▶️中美AI差距的本质，是训练卡的差距，而且会随SOTA模型靠用户数据指数级迭代而拉大。 ▶️美国人做疯狂创新，中国人做科技平权——把成本压到极致，是另一种护城河。 ▶️Crypto是AI agent原生的结算层。Agent之间，会自发涌现闲置算力换算力的交易媒介。 ▶️X402还没普及，不是技术问题，而是云端自主agent还不够多。 ▶️超级人工智能，为什么一定诞生在数据中心？答案在节目里👀 🎯YouTube: 📺Bilibili: 🎧小宇宙: 🍎Apple: #AI# #郭宇# #OFRHouse老友记# #IOSG#

So, today is my last day at Meta... After I finished my PHD, I moved from Oxford to New York to join FAIR and work on generative models for video. At the time, the SOTA could do little more than generate blurry GIFs. In the subsequent three years, our team went to complete my proudest research achievements so far, pushing the state of the art a few times with Emu Video and Movie Gen. For anyone interested, I summarized the amazing progression in the field and our work in a lecture at Stanford last year I worked with an amazing close team throughout in @imisra_, @_rohitgirdhar_, @mannat_singh, @quduval, Xi Yin, @smnh_azadi , @rssaketh , @arunmallya , @deviparikh , Ce Liu, all of whom are close friends now. I’m gonna be cheering the team on from outside. After pushing the frontier of video generation for a few years, its time for a change. I’m excited to announce that I will be joining the super talented team at @amilabs as a member of the technical staff with @sainingxie I’m so excited to join this talented team, to push the frontier of world models, and to do exciting new research. This is gonna be a fun ride.

我看了很多人描述他们如何使用AI编程，看到里面很多有类似“让AI干了一晚上”这样的表述，所以这是现在使用AI编程的常规操作？按照这样干很长时间产生很多代码的做法，碳基人想review都难。 我大致说一下我怎么AI编程的。最开始我先了解需求，划分阶段，生成一个类似 phase.md 的文件，里面详细按照顺序划分了每一步要实现什么。然后我再开始让AI按照步骤来工作，每一步都有对应的用例，我来review之后再提交，这样每次提交的代码量不会特别多，到我没有办法review的程度。 在我这套使用AI编程的方法论下，即使使用的不是sota级别的国产模型kimi、glm，我也感觉工作良好。因为产出 = 我的基础能力 X 模型能力，我的基础能力给工作的质量打了底。 我看到很多人一次性让AI干这么长时间的活，终于有点明白为啥同样都是用kimi，产出质量上大家感觉差异这么大了。

OpenAI 的估值也许被极大低估了，它是世界上唯一一家拥有顶级 SOTA 模型，最多用户数据后训练，最好的产品化跨平台 harness product（codex）和最充裕算力的 AI 公司。

围绕前沿 SOTA 模型的第一层 harness 产品已经做的非常好了，以至于我现在做新产品的时候已经很少使用 plan 模式，换句话说，现在 codex/cc 可以自动的理解意图来执行目标。现在刚到 2026 年 5 月，短短四个月过去，harness 的进展惊人，但在云端 harness 仍有关键的多处问题未得到解决。

对于很多大陆华人朋友来说，最核心的个人能力“分水岭”就是两件事情： 1. 有足够强的英文能力和阅读英文一手信息源的习惯，而非只能在信息茧房里阅读全球信息的二手/三手过滤版。 2. 会不会用AI，尤其是正确使用全球SOTA模型，会用Prompt，可以部署和调用Agent，多模型和人机协作，而非只是问豆包问题。

Codex grew programmatic policies with no neural nets: max score on Breakout, and SOTA-level scores on MuJoCo. Maybe heuristics were not too weak. Maybe they were just too expensive to maintain. Maybe it's the next paradigm.

Meet Vision Banana 🍌 from @GoogleDeepMind! We provide strong evidence that image generators are generalist vision learners. Traditional computer vision tasks (segmentation, depth estimation, normal prediction) can now be performed at/near SOTA with a single generalist model derived from an image generation model. 🖼️ Explore the results: 📄 See details at:

Introducing our biggest upgrades to the Deep Research API yet... including Deep Research Max (our SOTA system), MCP support, Native charts & infographics, planning mode, full tool support (including Google tools), full multi-modal input support, & real-time progress streaming!