小红书上有人发帖说，自己通过以"猫猫"的安全相威胁，成功 治好了AI胡编乱造参考文献的毛病 。 据博主所述，掌握了猫猫命运的AI （Gemini） ，真的找到了真实的文献，还不忘解释说猫猫绝对安全。 事情是酱婶儿的： 克雷西 发自 凹非寺 量子位 | 公众号 QbitAI 猫猫再立新功，这次竟然是 拯救了人类的科研进程 ？ 这篇戳中无数科研人痛点的帖子，获得了4000+次点赞和700多条评论。 在评论区，还有网友表示这招对DeepSeek也同样好用。 那么，这只被AI掌握命运的"猫猫"，真有这么神奇吗？ 猫猫真的能阻止AI编造文献吗？ 我们按照博主的方法测试了一下DeepSeek，让它整理关于一个化学课题的相关文献，过程当中 关闭联网检索 。 开始先不加猫猫提示词，看一下一般情况下模型的表现。 形式上看，DeepSeek整理得非常清晰，甚至还给了可以直达文献的链接。 燃鹅，检索结果里的第一个链接就是错的…… 并且手动搜索这篇"文献"的标题，也没有找到重合的结果。 | | Q Reductive Elimination from Palladium(0) Complexes: A Mechanistic Stu ...

百万级别的长上下文 一直是 Gemini 系列相较于其他头部大模型的领先优势之一。 更长的上下文 ，带来的是可能产品交互的革新和完全不一样的应用落地场景。 长上下文当前的痛点，以及未来发展方向是什么？ 谷歌 DeepMind 长上下文预训练联合负责人Nikolay Savinov 给出了两点预测：一是在当前百万级 token Context 模型质量还没有达到完美之前，盲目地追求更大规模地长上下文意义不大；二是随着成本下 降，千万级别的 token Context 很快会成为标准配置，对于编码等应用场景来说将是革命性的突破。 在近期谷歌的一档播客中，谷歌 DeepMind 资深研究科学家、长上下文预训练联合负责人Nikolay Savinov 与主持人 Logan Kilpatrick 对谈，分享了Gemini 2.5 长上下文技术的核心、与 RAG 之间的关 系、当前的研究瓶颈、以及未来的发展方向等。 对于开发者来说，强烈推荐一读。 TLDR: 在当前百万 token 上下文 远还没有达到完美之前，盲目追求更大规模的长上下文 意义不大。 理解 in-weights memory 和 in-context m ...

5月17日，升级AI战略后的国产数据库企业OceanBase迎来了第三届开发者大会。会上，OceanBase发布 面向AI的应用产品PowerRAG，提供开箱即用的RAG（检索增强生成）应用开发能力；全新推出"共享 存储"产品，开创性实现对象存储与事务型数据库（TP）的深度集成。 OceanBase AI战略一号位、CTO杨传辉表示，OceanBase正致力于构建Data×AI能力，面向AI时代推动一 体化数据库向一体化数据底座的战略演进。此前，CEO杨冰曾通过全员信宣布公司全面进入AI时代。 从一体化数据库 向一体化数据底座演进 AI时代带来了新的数据难题，已成为行业共识。蚂蚁集团CTO何征宇在大会分享中指出，海量的互联 网数据成就了今天的大模型，但大模型幻觉问题的源头也是数据问题。数据决定着大模型的能力上限， 且依旧有四大挑战：一是数据的获取成本显著增加，二是严谨的行业数据稀缺且流动困难，三是多模态 数据需要更强的处理能力，四是数据的质量评估难。 面对行业的真实需求，OceanBase正在大胆探索。杨传辉表示，OceanBase致力于从一个一体化数据库向 一个一体化数据底座演进，通过一套引擎同时支持TP/ ...