金磊 发自 凹非寺 量子位 | 公众号 QbitAI 不鸣则已，一鸣惊人。 没想到一个低调霸榜了 全球最权威SQL榜单 超过两个月的 国产AI ，这一次选择了高调 开源 。 开源旗下数据智能体关键技术—— Agentar-SQL系列 。 此次开源不仅包含实时文本转SQL（Text-to-SQL）框架的全套论文、代码、模型和使用指南，后期还将陆续开源数据库理解与挖掘、行业 知识挖掘、实时多轮交互技术框架，覆盖意图理解、业务理解到数据理解的全链路数据能力。 如果你关注AI数据分析领域，大概率听说过 BIRD-Bench 。这是目前全球公认最具权威性的NL2SQL评测基准。 就在今年9月，蚂蚁数科的Agentar-Scale-SQL在BIRD榜单上以 执行准确率（81.67%）和执行效率（77%） ，双料第一的成绩登顶一举 超越了谷歌、亚马逊等国际科技巨头。 | | Model | Code | Size | Oracle | Dev | Test | | --- | --- | --- | --- | --- | --- | --- | | | | | | Knowledge | (%) | (%) | | | ...

以下是岗位详情： 所有岗位不同能力层级职位均在开放，欢迎结合个人履历和经验申请。 AI产业方向 编辑部 发自 凹非寺 量子位 | 公众号 QbitAI AI热潮还在汹涌，但如果你还不知道如何参与……那为什么不来 量子位 呢？ 我们是一家以 追踪AI新进展 为核心的内容平台，经过8年积累，目前拥有顶流影响力，广泛且备受认可的产业资源，以及时代风口的最佳观 测和学习生态位。 目前，我们有 三大方向 岗位招聘，希望你是 （或者能成为） 这三个方向的内容专家： 岗位均为全职，工作地点：北京中关村。 岗位面向： 加入我们，你可以获得： 岗位职责： AI产业方向 ：关注基建层创新，包含芯片、AI Infra、云计算； AI财经方向 ：关注AI领域创投和财报，跟踪产业链资本动向； AI产品方向 ：关注AI在应用和硬件终端方向的进展。 社招：覆盖编辑、主笔、主编各个层级，按能力匹配岗位； 校招：应届毕业生，接受实习且可转正。 站在AI浪潮之巅 ：第一时间接触和了解AI领域最新技术和产品，构建完整的AI认知体系。 玩转AI新工具 ：将各种AI新技术、新工具应用于工作，提升工作效率和创造力。 打造个人影响力 ：通过撰写独家原创内 ...

它通过统一训练多种视觉模态 （如深度图、光流、骨骼、分割掩码等） ，让模型更懂物理世界规律，生成的视频更真实、更可控。 不仅模型生成质量更高，它还实现了 零样本泛化 ，对于从未见过的物体或场景，也能生成合理结果。 下面是更多详细内容。 允中 整理自 凹非寺 量子位 | 公众号 QbitAI 不仅能"听懂"物体的颜色纹理，还能"理解"深度图、人体姿态、运动轨迹…… 统一多模态多任务的视频生成模型来了。 来自港科大、港中文、清华大学和快手可灵的研究团队，最近提出了一个全新视觉框架—— UnityVideo 。 从文本大模型到视觉大模型 当回顾大语言模型 (LLMs) 的发展历程时，会发现一个有趣的现象： GPT、Claude等模型之所以拥有强大的泛化和推理能力，很大程度上得益于它们统一训练了多种文本子模态——自然语言、代码、数学表达 式等。 这种多模态统一训练使模型能够在不同领域之间进行知识迁移，从而涌现出惊人的推理能力。 那么，视觉领域是否也存在同样的机会？ 现有的视频生成模型虽然在合成质量上取得了令人瞩目的进步，但大多数模型仍然局限于单一的RGB视频学习——就像只用纯文本训练语言 模型一样，这限制了模型对物理 ...

闻乐 发自 凹非寺 量子位 | 公众号 QbitAI 破解AI胡说八道的关键，居然是给大模型砍断99.9%的连接线？ 也就是 Circuit Sparsity 技术的开源实现。 这是一种通过人为约束模型内部连接的稀疏性，让模型计算过程可拆解、可理解的大语言模型变体，本质上是为了解决传统稠密Transformer 的黑箱问题，让内部的计算电路能被人类清晰解读，知道AI是如何做决策的，避免轻易相信AI的胡话（doge）。 OpenAI悄悄开源新模型，仅有0.4B参数，且99.9%的权重为零。 更有人直言这种「极致稀疏+功能解耦」的思路可能会让当下热门的MoE（混合专家模型）走上末路。 那么，当Transformer的权重被训练到近乎全0，会发生什么呢？ 放弃粗糙近似，追求原生稀疏 先说说为啥这个模型的思考过程能像电路图一样好懂。 咱们平时用的传统大模型，内部神经元连接得密密麻麻，权重矩阵几乎全为非零值，信息传递呈现出高度叠加状态，就像一团扯不开的乱线， 没人能说清它是怎么得出某个结论的。 这些留存的非零权重连接就像电路图里的导线，信息只能沿着固定路径传递；同时，模型还会通过 均值屏蔽 剪枝方法，为每个任务拆出专属 ...

Core Insights - The next stage of artificial intelligence (AI) development requires overcoming two major challenges: the Transformer architecture and the backpropagation algorithm [1][7][54] - The focus should shift from larger models to creating "living" models that possess native memory, autonomous learning, and continuous evolution capabilities [2][4][48] - This transition signifies a move from centralized cloud computing to decentralized learning, where each device can contribute to knowledge generation [3][5][70] Group 1: Hardware Awakening - The concept of "hardware awakening" suggests that devices can learn and adapt in real-time, transforming them from mere tools into active intelligent agents [4][64] - A multitude of such intelligent agents collaborating in the real world can lead to the emergence of collective intelligence [5][71] - The current reliance on the Transformer model limits the potential for true intelligence, as it does not facilitate autonomous learning or native memory [21][30][76] Group 2: Redefining Value - The future of AI will redefine the value of hardware, moving beyond traditional metrics like memory and processing power to focus on the co-creation of value between users and devices [64][66] - Users should pay for intelligence rather than token consumption, as the latter is seen as an inefficient model [15][19][21] - The emergence of devices with autonomous learning capabilities will enhance user experience and privacy, as data remains localized [68][69] Group 3: Collective Intelligence - Collective intelligence arises when each device possesses its own intelligence and can learn from the physical world, similar to human collaboration [71][76] - True intelligence is characterized by the ability to generate knowledge rather than merely disseminating it, which is a limitation of current large models [75][77] - The path to general artificial intelligence is through collective intelligence rather than the centralized model exemplified by companies like OpenAI [77]

随着AI技术不断发展落地，行业应用对于算力的需求与日俱增，这已经成为广泛共识。 编辑部 整理自 MEET2026 量子位 | 公众号 QbitAI 与此同时，算法本身的规模和复杂度也在成倍增长，让整个行业正式迈入一个更高强度的算力周期，对此 太初元碁联合创始人兼首席运营官 乔梁 表示： 当下行业应用对于算力的需求与日俱增，AI需要算法实现毫秒级精确度，而这恰好带动算力需求呈指数级增长。 这意味着，在未来的技术演进中，高性能计算将贯穿生产制造、科学研究到AI落地的全链路，成为各类计算场景的底层支撑力量。 在本次 量子位MEET2026智能未来大会 上，乔梁围绕超智融合、异构融合等关键词分享了自己对国产算力生态建设的看法： 目前，各类AI大模型、不同领域的AI Agent落地都需要大量算力来支撑，在这一背景下，"超智融合发展"已成为行业共识。 无论是AI算法的迭代，还是传统科学计算的发展，未来的趋势都会指向同一件事：在通用计算的场景下，通过硬件架构的设计来实现异构融 合。 为了完整体现乔梁的思考，在不改变原意的基础上，量子位对演讲内容进行了编辑整理，希望能给你带来更多启发。 MEET2026智能未来大会是由量子位 ...

编辑部 发自 凹非寺 量子位 | 公众号 QbitAI AI热潮还在汹涌，但如果你还不知道如何参与……那为什么不来 量子位 呢？ 我们是一家以 追踪AI新进展 为核心的内容平台，经过8年积累，目前拥有顶流影响力，广泛且备受认可的产业资源，以及时代风口的最佳观 测和学习生态位。 目前，我们有 三大方向 岗位招聘，希望你是 （或者能成为） 这三个方向的内容专家： 岗位均为全职，工作地点：北京中关村。 岗位面向： 加入我们，你可以获得： 以下是岗位详情： 所有岗位不同能力层级职位均在开放，欢迎结合个人履历和经验申请。 AI产业方向 岗位职责： AI产业方向 ：关注基建层创新，包含芯片、AI Infra、云计算； AI财经方向 ：关注AI领域创投和财报，跟踪产业链资本动向； AI产品方向 ：关注AI在应用和硬件终端方向的进展。 社招：覆盖编辑、主笔、主编各个层级，按能力匹配岗位； 校招：应届毕业生，接受实习且可转正。 跟进AI基建层新进展，包括但不限于芯片、AI Infra、云计算领域新进展，核心玩家动态； 做前沿论文、开源社区、技术大会 （Hot Chips、NeurIPS、MLSys） 技术报告大众化解读； 参与 ...

△ 卫星星座任务规划效果展示 卫星星座是由多颗卫星组成的协同网络，具备远超单星的全球覆盖、快速响应和高频观测能力。从美国的巨型卫星通信星座到我国的"千帆"星 座， 卫星星座已从科幻概念走向产业核心，成为数字经济时代的基础设施。 这些运行在距地数百公里的卫星星座，正默默支撑着遥感、通信、导航、气象预测等关键行业。但每一个稳定运行的星座背后，都藏着一个高 维、动态、强约束的规划难题。 如何在短短几分钟的观测窗口内，调度数十颗卫星形成协同观测网络，执行上百项任务，同时响应地震救 援、海上搜救、森林火灾等突发需求？ 人工智能技术正在成为破解这一难题的关键钥匙。北航刘偲教授团队提出 首个大规模真实星座调度基 准AEOS-Bench ，更创新性地将Transformer模型的泛化能力与航天工程的专业需求深度融合，训练 内嵌时间约束的调度模型AEOS- Former 。这一组合为未来的"AI星座规划"奠定了新的技术基准。 AEOS-Bench&AEOS-Former团队 投稿 量子位 | 公众号 QbitAI 将卫星星座送入轨道我们都知道很难，但高效规划调度在轨卫星星座执行任务也不简单。 随着部署的星座规模越来越大，通过人 ...

鹭羽 发自 凹非寺 量子位 | 公众号 QbitAI 世界模型赛道，又有老面孔新鲜入局！ 就在刚刚，Runway发布旗下首个通用世界模型 GWM-1 。 不止于此，还打包发布了一系列世界模型变体： 而这些通通都是基于最新版 Gen-4.5 建立的。 是的！Runway这次还把Gen-4.5来了个大升级。 模拟真实环境的GWM Worlds； 模拟人物对话的GWM Avatars； 模拟机器人操作的GWM Robotics。 …… 看来年末大促销的不只有圣诞老人奥特曼，还有好莱坞名导Runway。 话不多说，上实机： 世界模型全家桶发布 根据官方介绍，GWM-1是基于Gen-4.5构建的，这是Runway最新的视频生成模型。 但和Gen-4.5有所不同的是，GWM-1采用的是 自回归 架构，它可以根据之前的记忆内容，进行逐帧预测生成。 另外模型支持实时交互控制，包括调整相机姿态、修改机器人操作指令或音频。 它目前包含三个变体： 1、GWM Worlds：用于实时环境的模拟与探索。 GWM Worlds能够让用户在连贯、有反应的世界中自由移动，而无需手动设计每个空间。 具体来说，用户首先需要为模型提供一个可供参考 ...

西风 鹭羽 发自 凹非寺 量子位 | 公众号 QbitAI 刚刚，陶哲轩与多名数学家通力合作，为Erdős #1026正式画上了句号 。 至此，这个尘封50年的难题终于得到完全解决。 关键是，AI又立大功了。在多种AI工具的辅助下，整个解题流程仅用 48小时 便完成。 博采众家&AI之长，正在成为解决问题的关键。 正如陶哲轩本人所说： 用传统方法，一两位数学家用简单的编程和文献检索工具，最终也能完成， 但可能需要数周或者数月才能解决 。 陶哲轩随后亲自梳理并公开了此次问题被解决的完整过程。 消息传出后，网友纷纷感叹"太酷了"： 一起来看看他们究竟是如何解决的？ 48小时解决Erdős #1026 Erdős #1026 问题最早在1975年被提出，初始问题为： 但该问题表述相当模糊，于是数学家Desmond Weisenberg提议对这个函数的最小可能值进行研究，引入一个最大常数的量c(n)，使得： $$S(x_{1},\ldots,x_{n})\geq c(n)\sum_{i=1}^{n}x_{i}$$ 其中c(n)是所有长度为n的不同实数序列。 如果用 博弈论 来解释该问题，那么就是： 假设Alice有N ...