🔥51CTO热榜:2026-10-12

一颗足够可靠的大脑,一套能组织它持续工作的执行系统,以及一个能连接物理设备的身体。模型能力不断进步,Agent执行框架持续完善,但现实世界中形态各异的设备仍然给智能体的理解与调用带来挑战。
最近Claude疯狂大面积封号,AI圈的开发者们直接集体破防,直呼「天塌了」。
10:28  51CTO  Claude突然白送500刀!
Claude订阅套餐与开发者API正式打通,按月免费发放API额度。
来自NUS、NTU等高校以及GaugeForge的联合研究团队提出了一个关键的核心概念:Verified Autonomy(验证自治)。
数学之所以能成为 AI 攻城略地最快的科学领域,很大程度上是因为它自带裁判,即一份 Lean 证明对不对,编译器说了算。
随着大语言模型在部分评测基准上接近饱和,前沿科研人员面临一个越来越难以回避的问题:榜单上的进步,能在多大程度上转化为真实研究中的进展?
从 OpenAI 到 Anthropic,RSI 正从遥远的技术设想,进入全球顶尖实验室的核心研发议程。 AI 不再只是解决外部问题的工具,也开始参与推动自身能力的发展。
数学界对这批成果的质量和披露方式仍有不少争议,但有一点已经很难否认:AI 产出研究成果的速度,开始以「百篇」为单位计算了。
《The Verge》采访了 30 多位数学家。面对这场成果洪流,他们用「令人震惊、压得人喘不过气、前所未有、恍如梦境、简直疯狂」等来形容 OpenAI 带来的这场冲击。
让一个 Agent 规划,一个 Agent 搜索,再让另一个 Agent 汇报,任务就一定更可靠吗?
dot 是 ChatGPT 里常驻干活的智能体,自带云电脑,能跨对话继续推进——9 月底刚发版。这篇只讲这次新增的能力。
AI正在让数学证明变得泛滥,建立在证明稀缺之上的数学1.0时代即将落幕。
本文梳理了从Prompt Engineering到Context Engineering、Harness Engineering再到Loop Engineering的四次跃迁,拆解每一步的核心逻辑、真实案例和工程细节,并给出一份7天行动清单。读完你会明白:未来的竞争力不在于"跟AI说话",而在于"给AI造一套能自己跑的系统"。
三句话总结一下:仿真数据只能验证代码跑不跑得通,替代不了真实规律的挖掘,哪怕加了阈值效应和交互项也一样。样本量不够的时候,简单模型往往比复杂模型更靠得住。目标没想清楚之前,别急着建模,先想清楚这套东西要解决什么具体问题。
C++ 的表达能力确实越来越丰富。但更有意思的是,程序员明确写下的信息,编译器能够利用得更多,不必继续把大量细节留给注释、约定和人的记忆。从这个角度看,编译器正在进入一片过去更多由人类或 AI 编程助手处理的领域。
防止敏感信息外泄。Agent 在回复中可能无意透露了其他用户的信息、内部 API 详情、模型本身的 system prompt。防止有害内容。LLM 的输出可能包含偏见、歧视、不当建议。
未来 AI 智能体的竞争,早已不是单次任务效果的比拼,而是可持续自我进化能力的比拼。
AI现在真是开启数学证明扫荡模式了。刚刚,又有数学爱好者用GPT-6 Astra把一个57年数学难题推进了一大步。