机器学习与技术 今日: 0|主题: 81|排名: 27 

Anthropic 上线新站点 claude.dev http://t.cn/AXWKWswc ，面向用 Claude 做开发的人。站点会发布工程深度文章、Claude Code 和 API 使用指南、Claude 团队成员的经验分享，另外还藏了一些彩蛋。 原来的文档网站仍在 code.claude.com/docs，首页导航里的 DOCS 链接会直接跳转过去。Claude.dev 更接近 Anthropic 工程团队 ...

语音模型这两天扎堆儿出，蚂蚁刚刚开源了一套声纹验证模型：AntSpeaker/MECT，超小、能实时跑 可低延时声纹流式推理，在100ms的低延迟下能保持高精度声纹特征提取 有几个典型使用场景 银行、客服热线电话核身，比如“请说一句话验证身份” App登录、设备唤醒只认主人声音 金融核身、端侧解锁，这是最直接的落点 跟上午 ...

针对编程智能体（Coding Agents）的“控制框架”设计实证研究 来自马萨诸塞大学阿默斯特分校（UMass Amherst）、Zoom、埃默里大学（Emory University）和北卡罗来纳大学夏洛特分校（UNC Charlotte）的研究人员在保持 AI 模型不变的前提下，仅调整了模型周边的软件架构，并对 AI 编程智能体进行了 176 组测试。 他们使用了 ...

大模型回答之前，每段提示词都得先切成 token，上下文越长这一步越耗时，Agent 这类长对话尤其明显。 Hugging Face 团队开源的分词库 tokenizers 已经有 11000+ Star，最近还发了 1.0 的候选版，底层大改了一轮。 官方测下来，单线程比旧版 0.23 快 3 到 30 倍，一份 512 字节的英文文档，延迟从 110 微秒降到 7 微秒，内 ...

如果你用 Claude Code 还是停留在“输入一句、改一次”，这份指南可以收藏。 claude-code-best-practice 已经收获 6.4 万+ Stars，主要整理 Claude Code 的实战用法： ① Skills、Agent、MCP 怎么配合 ② 常见工作流和使用技巧 ③ 上下文混乱、反复返工等问题怎么处理 不想自己一点点踩坑的话，直接从这份指南开始看，会 ...

《深入理解 AI Agent》的 Web 阅读版更新成了 Astro 样式，比之前漂亮多了，对移动端也更友好了！感谢社区 whanyu1212 的贡献。 https://bojieli.github.io/ai-agent-book/astro/

对于性能工程来说，这简直是一座宝库。 我一直在学习 Algorithmica 的 HPC 系列教程，其中 CPU 缓存部分尤其精彩。 它深入剖析了缓存延迟、内存访问模式、指针追踪、预取以及底层运行机制等概念。 如果你关心如何编写更快的软件，请务必收藏这篇文章。 https://en.algorithmica.org/hpc/cpu-cache/latency/ ...

Anthropic 刚刚发布了一份详尽的报告，阐述了其最大的 AI 终端如何让智能体自我改进。 如果你错过了之前的消息，Warp 是一个围绕智能体重建的终端。它每月服务 80 万名开发者，其中包括 56% 的财富 500 强企业，并已筹集了 7300 万美元。Warp 平台已运行了 1000 万次 Claude Code 会话，平均每周超过 40 万次。 他们自己 ...

我一直没搞懂一件事——为啥不是每个人都在用这个东西。 一年前，就有人靠它把月收入干到了17000美元。 OpenAI联合创始人Andrej Karpathy发过一个想法，1600万次浏览，原话大意是：别用AI写代码了，用它建第二个大脑。 操作简单到离谱。你把Claude Code指向一个文件夹，丢进去文章、转录文件、PDF，它会读、会连、会存成 ...

AI 正在学会模拟真实世界，而 The Well 提供了一套“物理教材”。 The Well 是一个面向机器学习的超大规模物理仿真数据集，包含 16 类模拟数据，总规模达到 15TB。 里面覆盖了流体、声学、生物系统、磁流体、超新星爆炸等多种复杂物理场景，为训练 AI 预测物理过程提供了大量高质量数据。 过去这类数据往往依赖昂贵的 HP ...

第一印象决定了人工智能聊天机器人的体验。 “价值感知”仍然至关重要。

推理工程正逐渐成为人工智能领域最重要的技能之一，我认为很多工程师仍然低估了它的重要性。 训练过程往往备受关注，因为模型正是在这里创建的。但一旦模型需要处理实际流量，就会出现完全不同的问题。你突然需要处理排队、批处理、键值缓存压力、GPU内存、调度、路由、内核效率、尾延迟，以及一个令人不安的事实：两个请 ...

MIT数学泰斗Gilbert Strang封神新作！数学与AI的终极桥梁！ MIT终身教授、美国国家科学院院士Gilbert Strang继全球畅销教材《线性代数导论》后，推出硬核新作《线性代数与数据学习》！ 豆瓣评分9.3，清华/MIT等顶尖学府指定教材 线性代数英文原版+中文版 https://pan.quark.cn/s/468643e7707f ...

苏黎世联邦理工学院（ETH Zurich）在一个受控的、商业级的氛围编码环境中测试了100名开发者，以了解谁才是真正的成功者。 研究结果令人震惊。 研究人员追踪了计算机科学成绩、书面沟通能力和一般认知推理能力。 他们想了解，在从未接触过任何源代码的情况下，究竟是什么因素能够预测氛围编码的熟练程度。 研究发现了两 ...

学机器学习，最怕的不是公式难，而是“看懂了代码，却没真正看懂算法”。 最近发现一个很适合补基础的开源项目 Machine Learning Visualized，把经典算法直接做成可视化训练过程。 🧠 梯度下降、逻辑回归、感知器 📊 PCA、K-Means、神经网络 📐 从第一性原理推导，不只调用现成库 🎞️ 权重变化、损失下降、训练收敛过程 ...

[AI]《Prime Agent: A Self-Improving RLM Harness》S Karten, A L. Zhang, K Thomas, S Müller… [Princeton University & Prime Intellect] (2026) 在AI智能体领域，模型执行长时程任务是一个悬而未决的难题。过去的方法受困于无状态的交互接口，本质原因是将模型视作一次性指令处理器，而非持久的计算核心。 本文的 ...

通过提取概念、实体和关系，将文本语料库转换为知识图谱，并可视化它们之间的联系。 https://github.com/rahulnyk/knowledge_graph

具身智能的Demo越看越热闹，但我心里总有个问题：这些能力到了真实世界，还剩多少？所以我们决定自己造一把尺子。 近期，智源研究院正式发布FlagEval-Robo具身智能评测体系，用"仿真+真机"双轨评测，为具身智能建立真实能力标尺。仿真评测聚焦效率与可复现，真机评测聚焦真实与可拆解，让模型从仿真能力到真实任务表现，有 ...

大多数人还在问： Opus 还是 Sonnet？ 这或许已经是个错误的问题了。 Claude 越来越不像一个 AI 模型，而更像是一个 AI 操作系统层。 模型只是其中的一部分。 围绕着这些模型，Anthropic 正在构建将 AI 从聊天窗口转化为真正软件所需的组件： → 推理模型 → MCP 和工具连接 → 代理框架和 SDK → API 和托管代理 ...

还在苦恼只会训练模型，却对背后整套系统的构建和部署一窍不通？Harvard Edge 开源的这本 Machine Learning Systems 教材（cs249r），恰好补上了这块拼图，是目前MLSys领域比较全面的学习资料之一。 内容覆盖很扎实： 1️⃣ 两卷教材，从Build、Optimize、Deploy一路延伸到Scale、Distribute、Govern 2️⃣ TinyTorch实践 ...