PPIO姚欣:让免费成为可能,AI时代开启“提速降费”|中国AIGC产业峰会

编辑部 发自 凹非寺
量子位 | 公众号 QbitAI

2025,当AIGC技术进入全面落地阶段,Agent为核心的智能应用成为行业发展新焦点,一个关键瓶颈问题浮出水面:技术虽然可行,但成本过高限制了大规模普及。

在第三届AIGC产业峰会上,PPIO派欧云联合创始人兼CEO姚欣提出了“让免费成为可能”的产业命题,直面当下AI应用面临的最大挑战。

他以移动互联网发展历程为镜鉴,指出AI行业同样需要经历一场“提速降费”的洗礼,才能真正实现应用爆发。而要实现这一目标,需要在三年内完成“千倍降本”的行业壮举。

这不仅是一个愿景,更是PPIO正在用技术落地验证的发展路径。在全球Token消耗量呈指数级增长的背景下,如何用创新的技术架构实现成本的大幅下降,或将决定整个AI产业能否真正迎来普及之年。

为了完整体现姚欣的思考,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。

中国AIGC产业峰会是由量子位主办的AI领域前沿峰会,20余位产业代表与会讨论。线下参会观众超千人,线上直播观众320万+,累计曝光2000万+。

话题要点

  • 2025年行业焦点已从大模型本身转向应用落地,特别是以Agent为核心的应用体系发展。

  • 虽然技术上可行,但智能体任务的Token消耗比传统对话高出数百甚至上千倍,导致成本大幅增加。

  • 中国互联网用户习惯了免费模式,约95%的用户不愿意付费,这对AI应用普及提出了严峻挑战。

  • AI时代需要提速降费,类比移动互联网发展过程,行业需要实现“三年千倍降本”才能促进大规模普及。

以下为姚欣演讲全文:

Agent落地成本百倍增加,中国付费用户习惯难买单

谢谢各位,很荣幸能够来参加2025年AIGC的产业峰会。我今年的演讲主题就是“免费”,让免费成为可能。

2025年大家好像形成了一致的观点:如果去年还在讲大模型、应用能力等,可能今年整个行业的关注度都开始转向到应用落地,而这里面也在展望着下一代的应用体,特别是以Agent为核心的整个使用、发展、落地,这可能是2025年我们行业内最关注的领域。

年初一系列新的应用,从DeepSeek的出圈到Manus的落地,我们也能看到一点AI应用落地曙光,但其实成本是不可忽视的存在,也是应用落地时代我们必须得面对的一件事情,技术上能达成,但是不是能不能大规模使用,成本非常关键。

为什么会有这样的变化?同样都是基于这些模型底层能力,但今天我们要想做一个智能体,完成一次智能体的任务调用,它所需要使用Token的数量,比之前做一次文字的对话,这个数量可能提升了上百倍,甚至上千倍之多。

左边这张图也是上个月中旬的时候,英伟达GTC大会,黄仁勋演示的图像,他讲的是reasoning模型,比如像DeepSeek的R1这种模型,它去回答一个问题,它需要消耗Token的数量是传统LLM模型将近20倍之多,这仅仅只是回答一个简单的问题。我们试想智能体是要代替人去执行很多的网页的读取、任务流的拆解,还做很多逻辑的分析和判断。由此可知,整个Agent任务体的消耗也是非常夸张的数字。

右边这张图我们看到了很多reasoning模型,因为今天智能体的底座很重要是要看这些reasoning模型的使用成本。

在这之中,价格最低的DeepSeek也要达到88美金,最高的OpenAI的API要再贵几十倍以上。巨量消耗必然带来成本提升,这也很正常,因为今天要想获得更好的效果总得有所付出。这让我想到在20年前做PPTV的时候,那个时候面临最大的问题——当年的互联网还停留在文字门户时代,主要是用于大家看看网络新闻。当你要用视频的时候,你发现最大的瓶颈是基础设施,基础设施根本跟不上应用的发展。我觉得今天的应用开发者应该有类似的感受。

第二个原因,我们来看看需求侧、使用者的心理。我自己也是一名普通的用户,曾经是一名知名APP的开发者,我觉得最后必须屈服的一件事情是中国互联网用户的使用习惯已经被固化了。再准确讲,我们的胃口已经被养得非常刁钻了,“免费”基本上是过去20年从PC互联网到移动互联网,中国互联网愿意接受大规模应用的一个前提。

即使在移动互联网时期,开始有很多的付费模式,内容付费、知识付费。如果你放到亿万的用户群体,做一个Super App的话,你会发现真正的付费用户还是少数,可能只有3%~5%,95%以上的用户使用免费的商业模式——通过看广告、或者使用上面一些增值业务,这种方式去使用,这可能是主力。即使在我们公认最强劲的内容领域、游戏领域,付费率依然如此。

只有AI基建提速降费,才能助推Agent大规模使用

今天大家都在关心AI应用能不能普及。我觉得AI应用普及的一个前提是,我们必须让95%以上的用户免费使用AI。这样用户行为才会是真正大规模使用的用户行为。

2025年中国AI应用要怎么迎来爆发?背后关键是:AI时代需要提速降费。

提速降费,在移动互联网时代,就是一个非常重要的名词。我们的互联网,包括手机的资费流量,经过了国家主导多年的提速降费。

在2014年,想要使用移动流量,在手机上看个视频、新闻,当时1个GB的流量成本达到了上百块钱。到了2021年,整个成本实现了90%+的下降,降到了以前的个位数。

这件事情极大助推了整个移动互联网的普及,移动互联网的使用流量也实现了数千倍的提升。

基础通信资费的提速降费过程中,一系列应用迎来爆发,走到了今天。这是移动互联网的经验。我觉得今天AI的应用普及也得经历一个类似的过程。

斯坦福刚刚发布的AI报告里提到,以2022年推出的ChatGPT-3.5为例,到了2024年,Llama-3.1的8B版本已经可以与之打平,整个使用成本也从当时的20美金降到了现在的7美分。

从这样的数字比例来讲,同样性能的模型在这两年多的时间里面,整体使用价格大概降到了原来的1/280。这个指标挺惊人的。

但值得关注的是,今天模型的性能还在不断提升,单位模型或者任务里面的token消耗,在成千倍、上万倍地同步增长。这样的情况下,我们意识到,成本还需要下降得更多。

PPIO认为,这个行业平均每一年同类模型的性价比,或者说使用成本,要降至上一年的1/10。从去年开始,我们看到的是未来三年千倍降本的趋势,280多倍,才只是走到了半山腰。

软硬一体化才能实现千倍降本

这里让我想到了乔布斯,乔布斯在2007年推出第一代iPhone,引用了硅谷先驱Alan Kay的一段话:那些真正热爱软件的人,总会设法打造自己的硬件。

我们想想2007年诞生的iPhone,那是第一台真正意义上的智能手机,同等性能的智能手机能大规模普及要等到几年以后,为什么2007年就能够诞生一个超出当时时代的智能手机?最重要的地方是苹果这家公司,它不仅仅做硬件很优秀,做软件也很优秀,更为难得的是能实现软硬一体化。由此,它能领先安卓阵营四五年,推出一款足够震撼的智能手机。

对应来看,今天如果要想实现AI大规模应用和大规模的降本,今天的AI Infra公司必须要成为最懂上层模型和应用的底层的硬件基础设施公司,这就是PPIO的定位,我们要成为性价比最高的Infra公司,我们要为这个行业带来极高弹性的性价比。

当然我们也把整个业务类别和技术栈不藏私地给大家做介绍和分享,介绍一下我们怎么看今天的AI降本。

当下AI降本不仅只是简单的某一个软件技术,做模型压缩、使用一整套开源推理框架,或者说具备充足算力、买到了最先进的卡。仅仅实现这些单项能力不足以让你实现千倍的降本,要实现它必须具备端到端全栈能力。

目前迭代最快的应该还是上层模型、软件,我们团队在两年多前开始追踪第一代开源大模型,持续跟进和积累。PPIO也跟一系列的主流开源推理框架,包括vLLM、SGLang等达成了战略合作。我们也在开源的肩膀上进行更多的模型的整合。最近推动包括将DeepSeek向主流开源框架进行融合,让更多开源模型跑在更多的开源框架,适配更多硬件,实现成本进一步地优化。

仅仅只是实现模型的推理加速还远远不够,今天你要实现大规模的用户调用,用户的需求是从全球各地、全国各地,海量弹性产生的,根本无法预知哪里流量多,哪里流量少。

这意味着必须有一整套全局分布式的算力调度系统,而且这种算力调度系统应对的可能是海量用户请求,千万级、甚至上亿次用户请求在快速产生。

今年年初当大家在过春节的时候,我们这一系列云公司过了很多个不眠夜,DeepSeek-R1选择春节期间发布,把我们所有工程师难倒了。而且春节期间内,DeepSeek自己的官方应用,七天时间实现了1亿次用户下载。但是我们也看到它的官方应用遇到了巨大挑战。基本上每天到了下午和晚上的时候,这个服务是不可用的。后来从DeepSeek官方公布的流量图可以看到,几乎全天流量都是100%占满。100%的使用率意味着什么?意味着可能大量用户请求已经被丢弃掉了。

我们团队脱胎于4.5亿用户的APP,有10多年的云和大规模应用的服务经验。所以PPIO利用大型弹性能力、公有云能力和分布式算力调度网络,在春节期间,在平台上实现了商业托管DeepSeek服务99.9%的可用性。这在行业里面来看是保持绝对领先的。

这一系列能力的实现,也离不开底层的资源和积累。跟大多数的云计算公司都是自建的数据中心不一样,PPIO派欧云的定位是去跟大量的数据中心闲置资源进行对接。

我国是一个基建大国,数据中心的数量可能是全球之最,大量的城市,甚至包括很多企业都建设了大量的数据中心、智算中心。这些智算中心的平均利用率只有50%左右,甚至更低。

所以PPIO不生产或者不用制造更多的算力,我们会去跟今天已有的算力提供方对接,把他们的闲置算力和未充分使用的算力融合进来。现在我们已经对接了4000+算力节点,覆盖1200+城市,可以给全国用户提供10毫秒的算力响应。

我们也在上层实现了优化和降本的策略,包括刚才提到的算力的分时调度、分区域调度,将更多东部的请求调度到能源价格更加低廉的中西部地区,包括在一个省内进行调度、一个市内进行调度,将更多的需求调给这些闲置的资源。

其次我们也会利用好今天大量的硬件。做推理跟做训练,对算力的要求截然不同。我们希望最快速完成训练,一定用最先进的卡、最好的服务,千卡万卡并联。但是做推理,很多时候是单机就可以实现的。即使是DeepSeek(671B)这样的模型,两台服务器、16张卡也可以实现最基础的推理。

因此大量老旧的训练卡,比如像A100等,其实可以用来做很好的推理。如何去挖掘这些今天还在发光发热的老旧硬件,把它的性能用于更优化的推理,也是我们重点攻关的方向。

基于这样的特性,我们能看到在过去两年时间,PPIO派欧云提供的整个AI推理服务,每一年都能实现9-10倍的成本的下降。

最后讲一个案例,也算是我们整个成本下降的曲线,比如以去年6月份发布的Llama-8B模型为例,刚上线的时候我们定价是0.1美金,到去年年底,价格已经降到了4分钱,差不多在未来两三个月内会降到1分钱,一年时间里面将它的使用成本打到1/10。

在这样的能力下,我们也支持非常多的Super APP,为海内外很多优秀的应用和AIGC开发者提供服务。包括我们跟著名的招聘网站、做小说推文的APP进行合作,也大幅降低了他们的使用成本。同时也支撑住了百万、甚至千万用户级的涌入和增长,实现了成本和增长的平衡。

到今天我们平台每天Token消耗量已经突破了千亿次,而且每个月还在保持超过50%的增长。

我相信这张图也会像移动互联网早期一样,在未来3年画出非常陡峭的曲线。PPIO也希望凭借努力能让免费的行业模式走到更多AI应用企业里去,通过三年千倍的降本开启AI时代的提速降费。

谢谢大家!

相关推荐

DeepSeek V4芯模协同背后,国产算力生态开始飞轮加速

更关键的是,CANN开始逐步兼容主流AI生态。开发者每一次正向反馈、每一个优化结果、每一个创新应用,都能通过昇腾和华为的生态快速走向产业界,形成技术、商业、生态的完整闭环。之前,昇腾与不少模型进行过协同探索,但V4是第一次在大规模、高强度、工程化的尺度上,验证了这种“芯模协同”的可行性与效率。开源以后,我们能更充分地学习业界的优秀实践,在此基础上进行适配和优化,也能将一些好的经验应用到自己的项目中。可以说,从“能跑”到“有人长期建设”,从“厂商推动”到“生态自增长”,华为算力生态,正在进入新的阶段——

量子位 523

世界模型接棒语言模型,这家公司全球首创物理AGI“双金字塔”体系,通用机器人进入“家庭时代”

毕竟在现阶段,家庭场景对机器人的真实刚需,是稳当地端水、收拾餐具、抱起脏衣篮、把零食递到孩子手上,而不是在客厅里完成酷炫的跑酷动作。可以说,这支团队完整经历了CV、自动驾驶、具身基模、世界模型等物理AI过去十年的发展历程,并在每个阶段都做出了行业领先的世界级成果。该模型实现了从感知、理解到行动的完整闭环,能够自主识别物体与场景、规划路径,并执行包含抓取、对齐、折叠、归类等多步骤的。他主导了业内首个智能驾驶数据闭环系统的落地,有效提升了数据的处理效率,为智能驾驶技术的发展提供了重要的基础设施支持。

量子位 248

LeCun新证明:世界是高斯的

论文借用这个框架证明,要让转移算子的第一个特征函数恰好是仿射函数(即线性函数加常数),潜变量的分布必须满足一个非常严格的条件——它的对数密度的导数必须是线性的,而满足这个条件的分布恰好只有高斯分布。从理论角度看,对于高斯分布,描述变量如何在时间上演化的转移算子有一组特殊的特征函数,叫做Hermite多项式,它们是高斯分布下函数空间的自然正交基,类似于周期函数里的傅里叶级数。真正有用的表示,应该对应世界的真实自由度,比如物体的位置、速度、颜色这些独立的内在变量,而不是它们被观测过程扭曲之后的混合产物。

量子位 194

玻璃里跑AI!华中科大&上交大科研成果登Nature子刊

更进一步的,光本位科技还将独有的相变材料存算一体光计算方案引入玻璃光计算芯片中,利用相变材料的非易失性,能够避免在玻璃中引入额外的相移器,从而实现计算过程几乎不耗能的三维光子神经网络系统。它既解决了三五族平台器件密度不足的问题,又突破了固定场景的应用限制,相变材料的引入,使得芯片在推理过程中保持极高能效比的同时芯片参数仍然可根据不同模型实时调整,适配性更强。尽管与论文中直接在玻璃中实现三维结构有所差异,但是同样在玻璃平台上提供了三维集成的完整方案,通过单层玻璃芯片堆叠的方式最终实现相同的三维输入效果。

量子位 176

5篇AI生成的数学论文被接收!00后创始人洪乐潼融资14个亿

如果一个 AI 系统能把数学证明交给机器逐步检查,那么同样的“生成、形式化、验证”闭环,也可能被拿去处理其他学科,以及高风险决策场景。她的创业合作伙伴Shubho Sengupta也从Meta辞职,两人从AI与数学推理的交叉可能性出发,决心解决AI的幻觉问题。创始人洪乐潼,2001年出生于广州,本科MIT三年拿下数学与物理双学位,还拿过北美数学本科生的最高荣誉罗德奖学金和摩根奖。2019年,17岁的洪乐潼考入MIT,仅用三年时间便完成了数学与物理双学位的学业,本科期间就发表了9篇学术论文。

量子位 224

AI正在重写软件行业?8岁孩子做操作系统,一人公司拿下千万订单丨百度秒哒朱广翔 @AIGC2026

这些都完成之后,我们再选择分发给谁,比如百度搜索、小红书投流,或者去微信发送到私域社群里,或者说去App store上架,分发流量之后有了用户数据再去回流、去分析、去运营,指导下次迭代,形成下个循环,每个色块就是一个真人。在很多企业里,原来提需求的是业务人员,他们自身没有开发能力,将需求提到研发部门,研发部门又不懂业务人员的痛点,需要反复沟通、调整,但现在业务人员自己就可以开发软件了。我非常荣幸能从事这个赛道,因为在这个过程中、在这一年半的时间里,我不仅看到了产品的变化,还更多地看到了整个时代的变化。

量子位 435

清华有了新老师:黄仁勋

既包括科技圈顶流如马斯克、微软CEO纳德拉、Meta扎克伯格等,也不乏金融圈大拿,如摩根大通的杰米·戴蒙、贝莱德的拉里·芬克、花旗的简·弗雷泽。,使命是加强学院与外部各界的联系,提升学院在科研和教学方面的整体水平,帮助学院建设成为世界一流的经济管理学院。后来黄仁勋转学,并且一直学业成绩优异,在高中时连跳两级,16岁毕业,进入。,除了讨论学院的国际化战略和长期发展方向,也会给经管学院的学生做讲座。不过,比起这些头衔,老黄最近最出圈的,可能还是他在夜市的花式插队——可口可乐、西门子、通用汽车、BP、塔塔。

量子位 196

「斯隆奖」得主戴亮全职加盟复旦

曾担任波士顿咨询合伙人,副总裁,中国区首席数据科学家,百度研究院大数据实验室和商业智能实验室的主任,和美国俄勒冈大学计算机和信息科学系正教授(终身教职)。,覆盖面相当宽:从宇宙大尺度结构与演化,到暗物质及其通过引力透镜留下的观测信号,再到天体物理引力波。2024年起到复旦大学物理系工作,现任复旦大学特聘教授、复旦大学天文与天体物理中心主任。获奖者覆盖数学、物理、天文、计算机、经济、生物等领域,成长路线相当恐怖,很多后来成了。继袁峰、季索清之后,复旦的天文版图,再迎一位顶尖天体物理学者。

量子位 170

高分辨率视频生成不再慢半拍:让大模型保留“原味”的同时提速十余倍

为此,SURF训练了一个轻量级Refiner,它从线性上采样后的预览latent出发,学习低分辨率latent到高分辨率latent 的flow mapping,只需少量去噪步骤,就能补足高清纹理。因为这些步骤决定了视频最终“会长成什么样”,等到整体结构、主体关系和运动方向基本稳定后,SURF再将latent 下采样到低分辨率,在保留全局结构的前提下,快速完成预览。原因在于,每个预训练模型都有自己的“舒适区”,通常接近它的训练分辨率,一旦分辨率不匹配,模型原本学到的布局、语义和运动先验,就可能被破坏。

量子位 149

大模型也需要睡觉!让AI打个盹,醒来更聪明

Transformer的核心是注意力机制,但注意力有一个天生的短板就是,上下文越长,算力平方级往上蹿,KV缓存也线性往上涨。,让大模型上下文窗口快满的时候别硬撑了,打个盹把最近的上下文反复咀嚼几遍,压缩进长期权重,清空缓存,醒了再接着干。依靠可学习的局部规则,反复对信息进行提炼整合,逐步更新SSM模块内的快速权重,完成信息的深度压缩与消化。这里的“睡眠时长”,本质上就是信息迭代处理的轮次,轮次越多,代表模型对上下文内容的梳理、打磨次数越充分。

量子位 164

1400亿Agent入场,“流量”这条护城河要塌了

因为人要睡觉,但Agent不会睡觉,所以Agent时代的交易呈现7×24小时不间断、极小额、高频次、多形态的特征,此外,支付金额的最小单位可能低于1分钱,成本大幅下降。如果说担保交易解决了电商早期敢不敢买、敢不敢卖的信任问题,移动支付解决了移动互联网时代能不能随时随地交易的效率问题,那么AI支付面对的,就是Agent时代的新问题。早在今年年初,支付宝联合千问App、淘宝闪购、Rokid、大麦、阿里云百炼等伙伴,正式发布中国首个ACT协议,提供一套智能体跨终端、跨系统的“通用语言”。

量子位 165

7B打败o3、GPT-5!医学AI智能体让模型学会“看哪里、怎么看”

是上海创智学院面向下一代医学AI Agent、视觉推理与多模态大模型的青年交叉研究团队,聚焦Visual Reasoning、Agentic RL、Clinical Tools,推动模型从“生成答案”走向基于证据的观察、验证与行动。Ophiuchus的价值不只是让医学大模型多了几个视觉工具,而是让模型学会在诊断过程中主动“看哪里、怎么看、看完如何修正”。当模型能够在思考中主动回看影像、放大病灶、截取视频、验证证据,医学AI才真正从“会回答问题”走向“会进行临床视觉推理”。

量子位 167

AI越用越聪明,自主+自进化是关键拼图丨盛大邓亚峰EverMind@AIGC2026

另一方面,我们认为,未来的AI Memory的Layer(记忆层),服务的可能不仅是资深的开发者,将来很多人都会构建AI应用。我们在token节省和模型成本方面也取得了显著的效果,原因是利用强化学习的方法训练了很小的模型——我们的4B模型在记忆提取和检索使用上的效果可媲美几百B的模型,并且已有不少学术成果发表。当前,大家看到模型进展非常快,但在记忆方面的工作,今年才逐渐多起来,去年这个时候我们和行业里一些团队开始交流AI Memory,这方面的关注还非常少。的爆火,我简单谈谈我的理解。

量子位 762

让大模型“边看边改”,视觉分割准确率直接上涨9% | ICML 2026

给模型一张图、一句话,让它把目标区域的像素圈出来——听起来直接,但一旦目标含糊、被遮挡,或者需要推理才能定位,一次性猜出正确的掩码就变得相当困难。模型不再一次性输出mask,而是先观察图像、进行推理、调用视觉工具、读取反馈,再根据历史结果迭代修正,最终生成更可靠的准确掩码。而RSAgent总体框架如下,包括多轮交互、工具调用、观察反馈、cold-start SFT与agentic RL。痛点不是单纯追求更复杂的分割头,而是让模型在开放语义任务中具备“先判断、再行动、看反馈、再修正”的能力。

量子位 186

OpenAI挖来了个F1级别车手搞公关

在我职业生涯早期,我曾效力于红牛车队,参加过F1级别的职业比赛。后来无论是Salesforce、ServiceNow,还是现在的OpenAI,他几乎每一次跳槽,踩中的都是技术范式切换最剧烈的时候。毕竟现在的OpenAI,既是全球最炙手可热的AI公司,也是最复杂、最难做品牌管理的公司之一。当年从赛道退下来后,他没有选择一条更稳妥的路,而是直接跨进了一个与赛车几乎毫无关系的行业,从零开始做市场与品牌。Salesforce后来之所以能从一家卖CRM的软件公司,变成云计算时代的行业代表,这是很重要的一步。

量子位 150

5秒完成3D场景编辑,北大&港中文&上海AI Lab搞出VGGT-Edit,120倍加速太炸了

尤其是在添加家具、调整位置、修改材质这些复杂任务中,很多传统方法仍然会出现明显的“贴图感”和几何漂移,但VGGT-Edit生成的结果,会明显更像一个真实稳定的3D空间。而这件事,可能比“会生成3D”本身更重要。对于机器人、AR/VR、空间智能这些方向来说,这几乎是致命问题——这些场景真正需要的,不是“某一个角度看起来对”,而是整个3D世界始终稳定一致。对于原生3D编辑来说,这一步非常关键——模型真正需要学习的,不只是“图像变化”,而是同一个编辑,在不同视角下如何始终保持空间一致。但问题也恰恰出在这里。

量子位 154

触觉具身来了个梦之队:天使轮近亿

背靠产学研与地方政策双重加持,作为复旦大学与静安区战略合作的重要落地成果,公司在初创期便获得静安区科经委与市北高新集团的大力培育,先后获得静安区战略性资金及上海市经信委促进产业高质量发展专项资金的支持,上海市科委也针对其核心视触觉传感器的研发给予了专项经费支持,全面加速公司的技术攻关进程。能够夹起衣物,却无法实时感知布料的滑移状态与张力分布,难以完成精准的褶皱整理。对于后发企业而言,沿着先行者的轨迹亦步亦趋难以实现突破,唯有找到行业尚未解决的核心难题,从新的技术变量切入,才能构建起不可替代的竞争壁垒。

量子位 167

DeepSeek陈德里开发自动研究Skill,写一篇论文人类只动脑2小时

论文共迭代6次(V1:4 次,V2:1 次,V3:1 次),总耗时6天,进行了约108轮Agent调用,消耗64.8万token,写了2234行LaTeX代码。,智能体可自主选题、分配资源、长期积累知识、跨领域持续研究,是当前未实现的理想状态,核心瓶颈为持续知识积累、可靠自我评估、架构规模化。早期智能体框架CAMEL、AutoGen、MetaGPT等为代表,特点是分工协作、多视角纠错,成本较高,沟通易混乱。,人类仅提供研究目标、评估最终成果,智能体可完成多步实验、代码、论文撰写,但无法自主选择研究问题。

量子位 191

双榜SOTA!微软ACL2026新作重新定义AI长记忆

结果它找到了Boston和San Francisco,却完全遗漏了Detroit——因为“attended a conference in Detroit”被埋藏在一条长消息中,与“去过哪些城市”的语义相似度不够高。最终,System-1确保语义直接匹配的记忆不遗漏,System-2确保结构相关但语义距离较远的记忆被覆盖,两者。团队认为,真正的AI记忆应当是有组织的、可推理的、双模式的、并能持续进化的。记忆系统的质量,很大程度上取决于“存储时做了什么”,而不仅仅是“检索时怎么找”。

量子位 182

将DSA注意力引入多模态,快手Keye2.0开启强化推理新范式

情感与主题的深度升华:模型并没有停留在“建雪雕”的表层,它提取了画面中巨大的“振兴东北”刻字,关联了片中“老程盼女儿、小李回流家乡”的人物背景,在总结中直指故事内核:“极寒的温度冻不住东北人的热血,冰雪项目不仅是奇观,更是承载着东北人振兴家乡、呼唤游子归乡的炽热情感与现实路径。当接收到“请找出视频中的高光时刻,并给出你的依据,时间戳用[mm:ss]的形式来表示”的指令时,Keye-VL-2.0- 30B-A3B没有陷入传统AI“哪里有击杀提示就截取哪里”或“只看画面元素剧烈变化”的机械逻辑。

量子位 189

专治世界模型幻觉!ECCV 2026 Workshop征稿,Sergey出席,帝国理工等联合发起

ergey Levine(UC Berkeley)、Jiajun Wu(Stanford)等国际顶级学者做特邀报告,同步举办具身动作世界模型挑战赛,以及主题为From Synthesis to Deployment:Bridging Academic and Industry Focuses on World Models的圆桌讨论,旨在弥合学术界在世界模型合成方面的进展与工业界对部署需求之间的差距。世界模型作为智能体的内部模拟器,在执行前预判风险、规避危险,实现风险感知决策。

量子位 196

卡帕西Anthropic最新头衔:技术员工(MTS)

但尴尬的是,这些案例的争议其实很大,都被吐槽过说没有宣传的那么美好,所谓扁平会变成隐性权力,表面没老板,实际有老员工、核心圈层……头衔都一样,竞争对手就没法通过头衔判断谁是L7谁是L5,推断一个员工具体做什么方向,定向挖人的难度直接上升。一个很直观的事实是,整个商业史上,能在没有层级制度的情况下完成规模化的组织,一只手数得过来。后来离开Ins,自己做了个新闻聚合App,叫Artifact,同样是联创+CTO的标签。这些说不在意职称的,一旦离职,就开始在领英自称上「副总裁」了(hehe)。

量子位 80

把VLM塞进隐式世界模型,港大&小鹏机器人新框架让机器人长出物理直觉

通过将人类的姿态对齐到机器人的动作空间,双系统能够共同从多样的人类动作数据(如EgoDex)中汲取养分:System-2负责从人类视频中提取通用的任务逻辑,而System-1则从人类动作标签中蒸馏通用的运动先验。借鉴认知科学中的双系统理论,不仅让强大的VLM直接在其原生的ViT特征空间中进行轻量化的隐式世界建模(Latent World Modeling),更关键的是,它将这种隐式视觉预见构建为一个可微的结构化瓶颈。System-1则在真实未来特征的指导下,专心学习从感知到精准动作的映射。

量子位 101

留给人类数学家的悬赏不多了!谷歌DeepMind一口气解决9道埃尔德什问题

同时,AlphaProof Nexus还在OEIS整数序列百科里证明了44个开放猜想,在代数几何那边解决了一道希尔伯特函数对数凹性的15年悬案,凸优化那边改进了一个锚定梯度下降法的理论边界。这个结果或许也在预示着,未来随着大模型能力持续升级,复杂的多工具组合系统,可能不再是刚需,只用大模型+专业校验工具这套简单循环,就能搞定大多数数学难题。简单理解就是,这群数字之间,既不能一个数整除另一个数,也不能一个数整除另外两个数的和,同时数字还要分布得相对密集,不能只挑寥寥几个数投机取巧。

量子位 131

龙虾之父教你省钱:开源Skill给你的Skill减肥

严格遵循Codex计费规则(UTF8字节数/4向上取整),以模型上下文2%为默认技能预算基数,结合技能优先级排序规则(系统技能>内置技能>插件技能>仓库自定义技能),核算全量技能原始占用令牌、最小渲染令牌、预算内可用令牌。同时可模拟真实运行场景,计算预算不足时的技能描述截断字符数、被省略技能数量,精准输出预算使用率、剩余预算、上下文占用比例等核心指标,直观展示技能体系的资源负载情况。跨Codex内置库、插件缓存、代码库、个人技能根目录,扫描同名技能、描述/内容高度相似的重复技能,标记冗余项。

量子位 86

刚刚,国产AI自己造了AI,全球首例!

在MMLU-Pro、MMLU-Redux、AIME-2025、AIME-2026、BFCL-v4、AA榜单等项目上,也给出了对应成绩。我们完全可以给不同的模型、不同的硬件、不同的任务,分别写专用的代码。如果人不够,那就用AI来凑!更直白一点说,就是当AI写代码的成本越来越低,未来软件不一定非要做成一套通用大框架,也可以针对不同模型、不同硬件、不同任务,现场锻造一套专用代码。这也让MiniCPM5-1B的价值更明确了,它不只是一个小尺寸模型,而是一个在参数规模、部署成本和实际能力之间重新找平衡点的端侧模型。

量子位 638

画数独、烧蜡烛都不翻车了?浙大&阿里让AI先三思再下笔|ACL 2026

让模型画 “数独解完后的样子”、“蜡烛燃烧6小时后的状态”,开源模型要么出现逻辑幻觉,要么无法把文字指令转化为精准视觉操作,形成难以跨越的执行鸿沟。研究者设计了一个独立的Thinker模块,它不直接生成像素,而是充当大脑,负责将模糊的用户意图分解为分层、结构化、且对下游生成器友好的中间表示。阶段,Thinker产生的多条推理路径直接由生成图像的视觉质量打分反馈,这迫使模型放弃空洞的辞藻,转而学习生成“视觉可执行”的指令。这种双向反馈机制,真正实现了脑与手的深度协同。

量子位 62

0.9B跑出90%真机成功率!上海交大为VLA补上空间感

从多视角RGB提取紧凑的隐式深度表征,再以轻量方式融入视觉-语言通路,最后通过flow-matching动作专家输出连续动作。参数,不额外增加硬件负担,用紧凑的隐式深度编码把空间感写进VLA策略里,仿真与真机同时兼顾性能与部署效率。论文中,IDEM骨干约0.13B参数,并结合多视角深度预训练初始化,在轻量条件下引入与深度相关的归纳偏置。值得注意的是,相比只关注benchmark分数,论文也给出了部署侧开销与实时性指标。从RGB学几何,省了硬件,但不少方案依赖较重的基础模型,训练和推理成本偏高。

量子位 82

Grok最新模型吃上Cursor「加餐」,马斯克:Coding实现巨大改进

Cursor数据其实更可能告诉模型,开发者在真实项目里,是怎么描述需求、定位问题、让AI读上下文、修改文件、修复报错、再继续追问的。更大的模型容量,往往能让它更好地理解复杂上下文、进行更长的链式思考,以及处理更具挑战性的真实开发任务~要知道,毕目前承载Grok所有生产流量都由0.5T的v8-small模型,也只有0.5T的大小。用户输入需求后,Grok Build不会直接动手,而是先制定详细执行计划,让用户确认后再执行。这边,也被马斯克亲口点名,补充训练里加入了大量Cursor数据,后续还会继续添加。

量子位 113

刚刚,国产Agent模型闯入全球第一梯队!限时免费

从训练的第一天起,它的目标就不是聊天,而是干活。就像我在实测中感受到的那样,做完桌宠它问你要不要存成Skill,做完周报它提醒你设成定时任务,昆仑万维瞄准的显然不只是一个模型,而是一整套Agent工作生态。发现没,自从模型进入Agent时代后,大部分玩家在推主力模型时都会附带一个轻量版,这也很好理解,就像前段时间Snapchat前机器学习工程师说的那样:。一只小猫,能在屏幕上随机溜达,点击会说打工人语录,右键能切工作模式和摸鱼模式,工作模式带番茄钟倒计时,还要有喝水提醒、远眺提醒、拉伸提醒这些健康功能。

量子位 537
上一篇: 全球首个无限时长视频生成!新扩散模型引爆万亿市场,电影级理解,全面开源
下一篇: 直观即时绘制3D模型,可添加文本提示,VAST又开源了
QbitAl
QbitAl 企业官方账号 企业官方账号
博客等级 码龄7年 2万+粉丝 2173原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值