或許你已是一名AI應用提示工程高手，但隨著對話的推進，你的聊天機器人常常會忘記你最初且最重要的指令內容，你的代碼助手會丟失項目架構的線索，而你的檢索增強生成（RAG）工具無法在復雜文檔與不同領域間建立信息關聯(lián)。隨著AI應用場景日益復雜，編寫精妙的提示詞只是更大挑戰(zhàn)中的一小部分——這個挑戰(zhàn)就是上下文工程。在本指南中，我將闡釋什么是上下文工程、它如何運作、何時應替代常規(guī)提示工程使用它，以及能讓AI系統(tǒng)更智能...

當你看到機器人能精準識別物體并完成復雜操作，AI能根據(jù)文字描述生成幾乎以假亂真的圖像時，是否好奇背后的技術如何實現(xiàn)？其實，這背后離不開強化學習與視覺智能的深度融合。但視覺信息的復雜性、“獎勵”設計的難題、長時程任務的穩(wěn)定性挑戰(zhàn)，一直讓研究者頭疼。而新加坡國立大學、浙江大學、香港中文大學的聯(lián)合團隊最新發(fā)布的《ReinforcementLearninginVision:ASurvey》，不僅梳理了200+研究成果，還拆解了四大核心領域的關鍵...

當你看到一張立方體展開圖時，只需幾秒的心理模擬（mentalsimulation）就能判斷它能否折疊成完整立方體；面對三個點電荷的受力分析，隨手畫個受力圖就能理清力的方向與大小關系——這些人類與生俱來的視覺推理能力，卻曾是多模態(tài)大模型的“致命短板”。GPT4o曾在立方體折疊推理中混淆相鄰面與對面的關系，在點電荷受力計算中錯判力的方向，核心問題在于：如何讓智能體像人類一樣，將“看見”與“思考”真正結合？我們解讀最新技...

你有沒有過這樣的經歷？讓手機助手幫你在購物APP里搜個耳機，它卻反復點錯廣告彈窗；想讓智能音箱聯(lián)動燈光，它要么沒反應，要么把空調也打開了。明明這些AI能看懂圖片、聽懂文字，怎么一到“動手做事”就掉鏈子？我們解讀最新技術，文末有相關信息。最近在研究視覺語言模型（VLM）做智能體（Agent）的論文時，發(fā)現(xiàn)了一個讓我眼前一亮的解法——來自南洋理工和阿里巴巴團隊發(fā)表在ICML2025的新方法CoSo。它就像給AI裝了個“智能導...

當你結束一天的工作，期待AI能自主整理雜亂的桌面、按照需求烹飪簡單的餐食，甚至協(xié)助完成家電維修時，是否曾疑惑：為何現(xiàn)有AI多局限于屏幕交互，難以真正“走進”物理世界？這一問題的核心，指向了AI領域的關鍵方向——具身智能體（EmbodiedAIAgent）。Meta超級智能實驗室的JianweiYang團隊CVPR2025發(fā)布的教程系統(tǒng)梳理了多模態(tài)具身智能體從“感知環(huán)境”到“邏輯思考”再到“自主行動”的技術路徑，為我們揭示了多模態(tài)具身智能...

隨著人工智能尤其是大模型技術的快速發(fā)展，基于大型語言模型（LLM）的智能體（Agent）正成為研究和應用的新焦點。NeurIPS2025會議收錄了大量圍繞智能體架構設計、多智能體協(xié)作、具身推理、安全對齊等方向的前沿工作。這些研究不僅在理論上推動了對智能體行為與認知的建模，也在實際應用中展現(xiàn)出廣泛潛力。本文將系統(tǒng)梳理會議中具有代表性的智能體相關論文，分類綜述其核心貢獻，并總結關鍵技術趨勢。一、基礎架構與優(yōu)化方法該類...

你是否曾想象過，某天你的私人AI助理不僅能幫你規(guī)劃一整天的行程，還能替你處理那些繁瑣的郵件往來，甚至幫你砍價購物，而你只需要說一句“搞定它”？等等，這聽起來是不是有點像科幻電影？別急，我最近在研讀一份來自紅杉資本的內部資料時發(fā)現(xiàn)，這樣的未來可能比我們想象的要近得多，而且，它所蘊含的經濟潛力，甚至可能比蒸汽機和流水線帶來的工業(yè)革命還要宏大！這份資料揭示了人工智能正在開啟一場“認知革命”，它不僅僅是...

你有沒有過這樣的經歷？讓AI幫你寫一篇行業(yè)報告，它倒是很快湊出了幾千字，但里面的數(shù)據(jù)還是2022年的；讓它改，它只會在句子里加幾個“綜上所述”，不會自己去查最新資料；甚至讓它幫你訂一張周末的高鐵票，它能寫出訂票步驟，卻不會真的打開12306操作——這時候你可能會吐槽：AI啥時候能像個“真助理”，主動把事辦明白？最近，牛津大學、新加坡國立大學、帝國理工、上海AI實驗室、UCL等機構的研究員們，聯(lián)合發(fā)布了一篇名為《T...

我最近一直在思考一個問題：我們現(xiàn)在看到的那些“智能”AI，比如能寫詩、能畫畫的大語言模型，它們真的很“智能”嗎？它們能不能像我們人類一樣，真正地在未知世界中“學習”和“成長”，而不是僅僅“記住”和“模仿”？這個問題觸及到了人工智能領域的“圣杯”——實現(xiàn)真正的強人工智能。我們渴望的，不是一個知道一切的百科全書，而是一個能自主探索、自主學習、自我提升的“心智”。最近，當我深入研讀強化學習之父RichSutto...

最近我在整理大模型數(shù)學推理的實驗數(shù)據(jù)時，發(fā)現(xiàn)一個特別“離譜”的現(xiàn)象：為了讓AI解對一道AIME（美國數(shù)學邀請賽，難度接近奧數(shù)）題目，我們得讓它生成512條完整的解題思路，最后再用“少數(shù)服從多數(shù)”的方式投票選答案。這就像請512個學生做同一道題，不管有人寫得顛三倒四、有人明顯算錯，你都得把所有答卷看完——既浪費時間，又耗“筆墨”（對應AI的token生成量），最后正確率還卡在97%上不去。直到讀到MetaAI和UCSD團隊剛發(fā)...

當671B參數(shù)的DeepSeekR1仍被視為數(shù)學推理領域的“重量級選手”時，一款僅14B參數(shù)的模型卻以更短的推理路徑實現(xiàn)了性能超越——微軟研究院推出的rStar2智能體（rStar2Agent），通過智能體強化學習（AgenticReinforcementLearning）技術，讓小模型擺脫了“靠長度堆性能”的傳統(tǒng)路徑，具備了“更聰明思考”的能力。這款模型僅用64張MI300XGPU、510步強化學習訓練，便在AIME24數(shù)學競賽中取得80.6%的pass1準確率，超越OpenAIo3mini、C...

你有沒有過這種體驗？第一次學做番茄炒蛋，媽媽沒說“油熱到冒煙再下蛋”，只在你炒糊時皺眉，炒嫩時點頭；第一次學騎車，沒人給你列“平衡公式”，摔了幾次后，身體自己就記住了怎么調整車把。我最近在讀強化學習奠基人Barto和Sutton的訪談，突然意識到：原來我們每天都在經歷的“試錯學習”，正是AlphaGo能打敗世界冠軍、AI能自己摸索出最優(yōu)策略的核心密碼。這篇文章就帶你拆透這個讓機器學會“從經驗中成長”的神奇邏輯——...

當機器人能像人類一樣在復雜家居環(huán)境中自主整理雜物，當智能體可在未知場景中快速學習新技能——這些曾經的科幻場景，正因大模型與具身智能的結合逐漸逼近現(xiàn)實。然而，大模型究竟如何賦予具身智能“思考”與“學習”的能力？當前研究又面臨哪些阻礙通用智能實現(xiàn)的瓶頸？這篇綜述將為你揭開謎底。我們解讀最新技術，文末有相關信息。摘要&解讀具身智能旨在開發(fā)具有物理形態(tài)的智能系統(tǒng)，能夠在真實世界環(huán)境中進行感知、決策、行動...

當你用手機問AI"今天天氣如何"，或是讓它寫一段工作總結時，有沒有想過背后發(fā)生了什么？這些看似簡單的交互，其實是千億級參數(shù)的大模型在高速運轉——它們就像一個個"超級大腦"，但"大腦"越大，消耗的計算資源就越多。一、你手機里的AI，可能正在"負重前行"你可能遇到過這樣的情況：AI回答突然變慢，手機開始發(fā)燙，甚至有時候還會出現(xiàn)"內存不足"的提示。這不是AI"偷懶"，而是它的"思考過程"太耗費資源了。就像一輛滿載貨物的卡...

當AI被要求寫一份關于“2025年生物醫(yī)學突破”的深度報告時，它為何總是東拼西湊、漏洞百出？谷歌團隊發(fā)現(xiàn)，問題出在AI不會像人類一樣“反復打磨”——而他們新提出的TTDDR框架，竟讓AI學會了“先寫初稿、再查資料、逐句修改”的研究員式工作法，性能直接碾壓現(xiàn)有系統(tǒng)。這個框架究竟是如何運作的？摘要&解讀在大型語言模型（LLMs）的驅動下，深度研究智能體正在迅速發(fā)展；然而，當使用通用的測試時縮放算法生成復雜、長篇的研究...

你有沒有試過這樣的經歷：網購遇到問題想找客服，排隊等了半小時，好不容易接通，對方卻告訴你“這個問題需要轉接到專門的同事”；去超市買東西，貨架上常缺你想要的品牌，店員說“庫存沒及時跟上”；甚至擔心手機里的健康數(shù)據(jù)，會不會一不小心就跑到了國外的服務器上？如果我告訴你，未來兩年，這些麻煩可能都會被AI解決，你信嗎？最近，德勤發(fā)布了一份關于AI趨勢的報告，提到了三個聽起來有點“高冷”的詞：智能體AI、物理AI...

當AI不僅能幫你寫代碼、答問題，還能悄悄“升級”自己——昨天解決不了的難題，今天突然找到新方法，甚至自己發(fā)明工具來突破局限時，它是否已經悄悄踏上了超越人類智能的道路？這篇綜述撕開了“自進化智能體”的神秘面紗，從三個核心密碼揭秘AI如何自主進化，或許藏著人工超級智能的終極答案。我們常用的大語言模型（比如ChatGPT、GPT4）雖然很能干，但就像“出廠設置”固定的機器——學會的東西不會自己更新，遇到新問題也不會...

你有沒有過這種經歷？讓AI畫一只"戴紅圍巾的黑貓"，出來的卻是只"穿紅衣服的黑貓"。明明AI已經能寫論文、編代碼，怎么看個圖、畫個畫還這么不靠譜？最近突然想通了這個問題，未來23年，多模態(tài)領域會迎來兩個堪比GPT4的"大爆發(fā)"時刻——這可能意味著，過不了多久，AI不僅能看懂你的圖、聽懂你的話，甚至能像人一樣"邊想邊畫"、"自主學習"。為什么多模態(tài)理解生成難突破？先從一個奇怪的現(xiàn)象說起：現(xiàn)在的AI，語言能力和視覺能力像...

你有沒有發(fā)現(xiàn)，當你給AI輸入很長的內容時，它常常會“忘記”中間的關鍵信息？或者明明給了正確資料，它卻還是編出錯誤答案？其實，這些問題的根源，不在于模型不夠強，而在于我們給模型的“上下文”沒管好。現(xiàn)在，一門叫“上下文工程”的新學科正在崛起，它不僅能讓AI記住百萬字的內容，還能讓多個AI協(xié)作解決復雜任務。但這門技術背后，還隱藏著一個讓研究者頭疼的“能力不對稱”難題——AI能看懂復雜信息，卻寫不出同等復雜的...

昨天給孩子講數(shù)學題，發(fā)現(xiàn)一個有趣的現(xiàn)象：我自己算的時候，腦子里飛快過了好幾個思路，最后才得出答案；但給孩子講時，必須把"先算括號里的""再乘除后加減"這些步驟一個個說出來。這讓我想起最近讀到的一篇論文，突然意識到：AI的"思考"方式，居然也在經歷類似的轉變——從必須"大聲說出"每一步，到學會在心里"默默盤算"。你可能用過ChatGPT解復雜問題，它會一條條列步驟，比如"第一步算總量，第二步求比例"，這種"說出來"的思...