🔥注目キーワード：团队
[健康] 11-5 23:46
[时政] 11-5 23:17
大模型训练过程，开始更多地出现在公众视野中。 此前，小米MiMo负责人罗福莉公开了MiMo-V2.6强化学习阶段的训练进展，让外界看到了大模型训练中的一些具体细节。 现在，Physical AI领域也有了类似尝试。 10月21日，生数科技世界模型团队正式开启Motubrain 2.0训练全流程公开直播，计划持续半个月，向公众展示具身模型的训练过程及研究进展。 这次直播关注一个问题：Physical AI究竟如何实现？ Physical AI，即物理人工智能，希望让AI能够理解物理环境，并通过机器人完成实际任务。相比大语言模型，Physical AI 还需要解决动作决策、任务执行和跨场景泛化等问题。 Motubrain 系列是生数科技研发的具身模型，致力于为机器人构建具备通用能力的“大脑”，探索不同任务、场景和机器人本体之间的能力泛化。 Motubrain 2.0即将开源。在正式开源前，团队选择率先公开其训练全流程，向外界展示这款模型从训练、测试到能力迭代的过程。 此次公开训练涵盖四个环节： 1、预训练：观察训练规模对模型性能及零样本泛化能力的影响。 2、后训练：针对具体任务进一步训练，提升任务执行能力。 3、Agent任务执行：探索模型能否将已有经验迁移到其他任务。 4、RSI（递归自我改进）探索：研究模型能否根据执行反馈评估并改进自身行动。 此次直播的特别之处，是尝试打开具身模型训练的“黑盒”。 过去，外界了解具身智能技术进展，主要通过机器人Demo、评测结果和论文。模型经历了怎样的训练、不同阶段的能力如何变化，通常很难直接观察。 Motubrain 2.0 选择公开从训练、测试到能力迭代的全过程，希望让外界看到模型如何逐步形成能力，也能看到训练中的失败、试错和调整。 对于具身智能行业而言，这种方式让模型研发过程更加透明。研究者和开发者不仅能看到最终结果，也有机会了解训练中遇到的具体问题，以及团队如何通过实验和反馈不断改进模型。 同时，团队也希望借助此次直播，与技术同行分享研究中的经验、问题和思考，共同探讨规模化训练、跨任务泛化和自主改进等关键问题，为Physical AI实现范式的探索提供更多参考。 当然，相关研究仍处于探索阶段，具体效果还需要后续实验和评测验证。相比只展示机器人最终能做什么，公开模型如何训练、能力如何形成，同样具有研究价值。 直播入口：www.motubrain.com/motubrain2.0-live 官网链接：www.motubrain.com
清华大学团队最近的一项研究，将这一问题聚焦到“适应变化”上，系统考察其控制表现，并追踪背后的神经通路机制，揭示具身智能适应变化的类脑设计原理。
dsh 是 DeepSeek 开源的 agent 工具，全称 DeepSeek Harness，用户可以在其中配置模型、安排 AI 执行任务。
AI 时代下，你的价值，数字时代下的个人独有的价值观——去给个人打造 AI 工作台。你可以 不需要复杂的编排系统、不需要多个 AI 助手互相协作。
Proofpoint拟收购Varonis，体现了数据安全和AI治理在网络安全市场中的重要性上升。交易的公开表述聚焦整合数据安全、威胁防护、访问治理、AI治理能力，也把AI代理对数据的访问和行动风险摆到更突出位置。
小红书 AllSpark 团队提出 Navalia，以跨文档任务为切入点，自动构建文档环境，合成证据可追溯、答案可验证、具有真实多步依赖的任务，并结合轨迹采集与后训练，形成从数据到训练的完整配方。
项目地址 GitHub: https://github.com/yangyongzhen/cjh 它是什么 cjh 是一个用华为仓颉语言从零实现的交互式编码代理（coding agent harness）。在终端里用自然语言描述任务，Agent 自主规划...
GameRes游资网
在拥挤的合作游戏赛道，《胡闹厨房》团队想用故事和角色破局
采访《胡闹厨房》开发团队Ghost Town，揭秘双人合作新作《怪镇奇旅》的创作灵感、玩法设计与开发思路，谈及《胡闹厨房》系列的走红历程。
中国科学技术大学研究团队在生命科学与AI交叉领域取得突破，推出开源RNA序列基础模型structRFM，成果发表于《自然》。团队全面开源完整配对数据、模型权重及源代码，供全球科研人员免费使用，旨在推动全球科研生态共同进步，并攻克RNA研究与新药开发的底层痛点。
MasterGo莫高设计
为什么 MasterGo 是企业级团队首选的 AI 设计工具？