Jason Wei，思维链的提出者、o1系列模型的关键人物 ，被曝也被扎克伯格请走，即将入职Meta。 消息最早由《连线》杂志Kylie曝光，得到了消息人士证实。 克雷西 时令 发自 凹非寺 量子位 | 公众号 QbitAI 这次是真真真挖到OpenAI大动脉了。 Kylie还表示，Jason Wei的Slack账号 （OpenAI的企业微信） 已经被停用，一同被停用的还有o1的另一位关键人物 Hyung Won Chung 所以o1团队，这是要在Meta聚成满天星了？ 在此之前，面对Meta的挖人攻势，OpenAI CEO还在内部PUA，说真正TOP的都还在，只不过有些"名单靠后"的人，"唯利是图"。 然而现在，如果大名鼎鼎的 Jason Wei 也转投Meta了。 这可不是TOP不TOP了，简直就是挖到了大动脉。 思维链提出者被小扎挖走 华人科学家Jason Wei，"思维链"的提出者，o1背后的一位关键人物。 。 他本科就读于美国达特茅斯学院（Dartmouth College），专业是计算机科学，其间的论文导师Lorenzo Torresani教授现在同时担任FAIR科 学家。 2020年毕业后，Ja ...

这或许是目前为止，扎克伯格挖走的最强技术人才。 就在刚刚，外媒 Wired 的一位资深 AI 领域记者爆料称，「多个消息源证实，OpenAI 知名研究员 Jason Wei 和另一位研究科学家 Hyung Won Chung 将双双离职，投 奔 Meta。」 并且，他们二人的 Slack 账号已经被停用。 机器之心也从 OpenAI 相关人士证实了该消息，「（Jason Wei）Slack 没了」，但是否是加入 Meta 还有待进一步证 实。 Jason Wei 是 OpenAI 的知名科学家，目前 AI 大模型领域里重要技术思维链（CoT）的主要作者，Hyung Won Chung 也是 o1 的核心贡献者之一。 | | 机器之心报道 | | --- | --- | | | 机器之心编辑部 | | Meta 针对 OpenAI 的挖人竟然还在继续！ | | 如果你对他们的印象还不够深，还记得去年 12 月 OpenAI 连续两周的新产品发布会吗？坐在奥特曼旁边的就是 Hyung Won Chung，最右边的是 Jason Wei。他俩都 毕业于 MIT，曾在谷歌工作，现在可能一起去了 Meta。 爆料消息出 ...

7月11日，新京报贝壳财经年会在京召开。在本届年会上，多位顶尖专家学者、富有远见卓识的企业家领袖以及深耕实践的金融业界精英，围绕"金融如何更 有效服务实体经济、科技创新如何重塑金融赋能模式、金融与科技如何双向奔赴"等核心议题，在金融大会上展开深度对话。 北京市政府党组成员、副市长孙硕出席本届年会并致辞。孙硕表示，近年来，北京市结合四个中心和国家金融管理中心的功能定位，推动金融和实体经济的 融合发展，积极培育发展新质生产力，有效促进了经济社会的高质量发展。北京市具有清晰的产业布局，也有人才优势、科技优势。北京市正着力把握资源 禀赋的特点，发挥科技产业的优势，金融和实体经济融合互促具有广阔的空间。同时，北京市也在加快形成金融和实体经济融合互促的新增长点。 "聚焦'金融与实体经济融合'和'金融与科技创新的双向奔赴'是时代之需、路径之探，也是媒体之责。"新京报社党委书记、社长汤一原在致辞中指出，今 年，在北京市委、市政府的大力支持下，贝壳财经正式成为中宣部全国6家主流财经媒体之一，成为北京唯一入选的财经媒体品牌。这既是认可又是鞭策， 激励贝壳财经把握经济脉搏，与时代同行，做好中国经济韧性发展的记录者、推动者。 在此背 ...

机器之心报道 编辑：杜伟、泽南 大语言模型（LLM）以生成能力强而著称，但如何能让它「听话」，是一门很深的学问。 基于人类反馈的强化学习（RLHF）就是用来解决这个问题的，其中的奖励模型 （Reward Model, RM）扮演着重要的裁判作用，它专门负责给 LLM 生成 的内容打分，告诉模型什么是好，什么是不好，可以保证大模型的「三观」正确。 因此，奖励模型对大模型能力来说举足轻重：它既需要能够准确进行评判，又需要足够通用化，覆盖多个知识领域，还需要具备灵活的判断能力，可以处理 多种输入，并具备足够的可扩展性。 7 月 4 日，国内 AI 科技公司昆仑万维发布了新一代奖励模型 Skywork-Reward-V2 系列，把这项技术的上限再次提升了一截。 Skywork-Reward-V2 系列共包含 8 个基于不同基座模型和不同大小的奖励模型，参数规模从 6 亿到 80 亿不等，它在七大主流奖励模型评测榜单上全部 获得了第一。 Skywork-Reward-V2 系列模型在主流基准上的成绩。 与此同时，该系列模型展现出了广泛的适用性，它在多个能力维度上表现出色，包括对人类偏好的通用对齐、客观正确性、安全性、风 ...

Core Viewpoint - The article discusses a new research achievement by a team led by AI expert Tian Yuandong, which introduces a continuous thinking chain model that parallels quantum superposition, enhancing efficiency in complex tasks compared to traditional discrete thinking chains [2][4]. Group 1: Research Findings - Traditional large language models (LLMs) utilize discrete tokens for reasoning, which can be inefficient for complex tasks, requiring O(n^2) decoding steps and often getting stuck in local optima [4]. - Recent studies indicate that using continuous hidden vectors for reasoning can significantly improve performance, although theoretical explanations were previously lacking [5]. - The team demonstrated that a two-layer Transformer with D-step continuous chains of thought (CoTs) can solve directed graph reachability problems, outperforming discrete CoTs models that require O(n^2) decoding steps [7]. Group 2: Methodology - The continuous thinking chain allows for simultaneous encoding of multiple candidate graph paths, akin to breadth-first search (BFS), providing a significant advantage over discrete thinking chains, which resemble depth-first search (DFS) [8]. - A designed attention selector mechanism enables the model to focus on specific positions based on the current token, ensuring effective information extraction [11][12]. - The first layer of the Transformer organizes edge information, while the second layer facilitates parallel exploration of all possible paths [21][22]. Group 3: Experimental Results - The team conducted experiments using a subset of the ProsQA dataset, which required 3-4 reasoning steps to solve, with each node represented as a dedicated token [26]. - The COCONUT model, utilizing a two-layer Transformer, achieved an accuracy close to 100% in solving ProsQA problems, while a 12-layer discrete CoT model only reached 83% accuracy, and a baseline model solved approximately 75% of tasks [27][28]. - The model's behavior was further validated through analysis of attention patterns and continuous thinking representations, supporting the theoretical hypothesis of superposition search behavior [30].

2025年4月28日，昆仑万维发布2024年年报，公司实现营业总收入56.62亿元，同比增长15.20%，但归属 于母公司股东的净利润却大幅亏损15.95亿元，同比下降226.74%。尽管公司在AI领域的技术创新和海外 市场拓展方面取得了显著进展，但高额的研发投入和金融资产价格波动导致的投资损失，使得公司短期 内利润承压。 2024年，昆仑万维继续坚定践行"All in AGI与AIGC"发展战略，全年研发费用达到15.4亿元，同比增长 59.5%。公司在AI大模型、AI搜索、AI短剧、AI音乐、AI游戏和AI社交等领域取得了多项技术突破。 在AI大模型方面，公司发布了"天工2.0"、"天工3.0"和"天工4.0"系列模型，其中"天工4.0"包含实时语音 交互系统和慢思考推理能力，树立了新的技术标杆。此外，公司还开源了Skywork-MoE稀疏大模型、 Skyworko1Open模型、SkyworkR1V多模态思维链推理模型等，推动AI技术的普惠化应用。 在AI音乐领域，公司推出的MurekaO1模型及MurekaV6模型，性能全面超越Suno，登顶SOTA，成为全 球首个音乐推理大模型。AI音乐商用创作平台 ...

MCoT团队 投稿 量子位 | 公众号 QbitAI 多模态思维链 （MCoT） 系统综述来了！ 不仅阐释了与该领域相关的基本概念和定义，还包括详细的分类法、对不同应用中现有方法的分析、对当前挑战的洞察以及促进多模态推理发 展的未来研究方向。 当下，传统思维链 （CoT） 已经让AI在文字推理上变得更聪明，比如一步步推导数学题的答案。但现实世界远比单一文字复杂得多——我们 看图说话、听声辨情、摸物识形。 MCoT的出现就像给AI装上了"多感官大脑"，它 能同时处理图像、视频、音频、3D模型、表格等多种信息 。比如，输入一张CT影像和患者的 病史，AI就能输出诊断报告，还能标注出病灶位置。 这种跨越模态的推理能力，让AI更接近人类的思考方式。 然而，尽管取得了这些进展，该领域仍缺乏全面综述。为了填补这一空白，来自新加坡国立大学、香港中文大学、新加坡南洋理工大学、罗切 斯特大学的研究人员联合完成这项新工作。 以下是更多细节。 MCoT核心方法论 多模态思维链 （MCoT） 的成功依赖于其系统化的方法论体系，以下是对其六大技术支柱的重新表述与润色，旨在提升学术表达的精确性与 流畅性： 1、推理构建视角 基于提示 （ ...

梦晨 发自 凹非寺 量子位 | 公众号 QbitAI 推理token减少80%-90%，准确率变化不大，某些任务还能增加。 Zoom团队提出思维链替代品"草稿链"，显著降低延迟和算力成本。 原理很简单，要求模型为每个推理步骤生成简洁、信息密集的token。 这一思路受到人类解题过程启发，人类通常不会详细阐述每一个细节，只是简单几下关键的中间结果，作为草稿来辅助思考。 此外，草稿链方法简单且易于实现，不需要修改模型、微调或强化学习，只需更新提示词中的示例即可，相关代码和数据已在GitHub上开 源。 研究团队认为，与另一种降低延迟和计算成本的方法"在连续潜空间推理"相比，草稿链保留了可解释性，且可以应用于闭源的黑盒模型。 第三方分析测算，对于每个月处理100万个推理请求的企业， 可以将成本从思维链的3800美元降低到760美元，每月节省超过3000美元。 实验遵循原始思维链论文，评估3类任务：算术推理、常识推理和符号推理。 算数推理任务选择GSM8k数据集，从准确率看，标准提示下GPT-4o和Claude 3.5 Sonnet的准确率分别仅53.3%和64.6%，思维链使两者均 超95%，草稿链也达到91%左右 ...