一家名为 **Bolt** 的初创公司正试图在图形处理器（GPU）领域挑战行业巨头英伟达。与主流追求通用计算性能不同，Bolt 的策略是**专注于高精度数学运算**，希望在特定领域建立技术优势。 ## 差异化竞争：高精度计算 Bolt 的核心思路是，在 AI 推理、科学计算和高端图形渲染等场景中，**双精度（FP64）甚至更高精度的浮点运算**仍然至关重要。英伟达近年来的产品，如消费级 GeForce 和专业级 A100/H100，虽然单精度和半精度性能强悍，但双精度性能相对较弱。Bolt 则计划通过专门的硬件设计，大幅提升高精度运算效率，从而在需要高保真度模拟的领域（如气候建模、药物发现、电影级渲染）抢占市场。 ## 产品路线与市场定位 据透露，Bolt 正在开发代号为 **Zeus** 的 GPU 架构，其双精度浮点性能预计是同等功耗英伟达产品的数倍。该公司还计划支持 **原生光线追踪** 与 **实时路径追踪**，并针对行业标准库（如 CUDA 和 OpenCL）提供兼容层，以降低开发者迁移门槛。 不过，Bolt 并非要全面取代英伟达。其目标市场更偏向**专业图形工作站**、**高性能计算（HPC）集群**以及需要极高计算精度的 **AI 训练** 场景。对于普通游戏玩家或消费级用户，Bolt 的产品可能短期内不会直接竞争。 ## 面临的挑战 英伟达在 GPU 领域拥有深厚的生态系统积累：CUDA 生态、广泛开发者社区、以及从数据中心到边缘设备的全栈布局。Bolt 要挑战这一地位，不仅需要硬件性能上的突破，更需解决**软件兼容性**和**开发者信任**问题。此外，制造先进制程芯片的高昂成本，以及台积电等代工厂的产能分配，也都是不容忽视的障碍。 ## 行业意义 Bolt 的出现反映了 GPU 市场的一个新趋势：**差异化细分**。随着 AI 和高性能计算需求日益多样化，单一架构难以满足所有场景。英伟达虽占据统治地位，但像 Bolt 这样的初创公司若能找准利基市场，仍有机会在特定领域分得一杯羹。 ## 小结 Bolt 以高精度计算为切入点，试图在英伟达的强势领域打开缺口。尽管前路挑战重重，但其专注细分市场的策略为行业带来了新的想象空间。未来几年，GPU 领域的竞争可能会更加多元。
昨天，我在一个下午内构建了三款 Android 应用，其中一款仅凭 148 个词的描述，10 分钟后就出现在我的手机上。Google AI Studio 兑现了“从提示到手机”的承诺，但实际体验如何？ ## 从零到应用：只需几句话 作为《The Verge》的资深编辑，我并非程序员，但 Google AI Studio 的“Vibe Coding”功能让一切变得简单。我只需在浏览器中输入文字描述，比如“做一个叫 MOOD 的 Doom 风格文字冒险游戏”，AI 就会自动生成代码，甚至帮我补充细节。开启手机的 USB 调试模式并连接电脑后，点击安装，应用就真的跑起来了。 我做了三款应用：一个卡路里计数器、两款小游戏。虽然它们功能简陋、界面粗糙，但确实可以运行。比如卡路里计数器能记录食物，游戏也能玩上几分钟。不过，当我想继续优化时，AI Studio 提示我达到了每日使用限额——需要付费或等待。 ## 能力与局限并存 Google 展示的 demo 令人印象深刻，但实际生成的 app 离“好用”还有距离。我的同事 Stevie Bonifield 用同样方法做了一个个人健身追踪器，她觉得“足够好用”并真的用了起来。这说明对于简单、个性化的需求，AI 编码已具备实用价值。 然而，当应用需要复杂逻辑、精致 UI 或持续迭代时，AI 的瓶颈就显现了。我的游戏体验不佳，文字冒险缺乏深度，卡路里计数器的数据也不够准确。更关键的是，每日限额限制了尝试和打磨。 ## 个人软件革命的曙光 尽管有诸多不完美，这次体验仍让我感到震撼。Google AI Studio 降低了应用开发的门槛，让非技术人员也能快速实现想法。这或许预示着“个人软件革命”的到来——普通人可以为自己定制工具，解决生活中的小问题。 目前，AI 编码更适合 MVP（最小可行产品）或一次性工具。对于追求品质的正式应用，仍需专业开发者介入。但 Google 展示了未来方向：当 AI 能理解更复杂的需求、提供更长的免费额度时，编程可能不再是少数人的技能。 ## 小结 Google AI Studio 的“Vibe Coding”功能是一次大胆尝试，它证明了 AI 生成代码的潜力，也揭示了当前的局限性。如果你有简单的想法想快速实现，不妨一试；但若追求完美，可能还需等待技术成熟。
家庭电池是一项重大投资，但价格并不总是最大的障碍。在与数十位屋主深入交流后，ZDNET 发现，从想法到购买的路径充满犹豫和不确定性，而真正阻碍决策的往往是顺序、时机和价值的综合考量。 ## 价格之外：真正的顾虑是什么？ 对于许多家庭来说，购买电池的念头往往源于一次令人沮丧的经历——长时间停电、高昂的电费账单，或是新装了太阳能板。然而，**从“想”到“买”之间，存在巨大的决策鸿沟**。屋主们担心做出错误选择，害怕电池无法融入他们未来的家居升级计划。 ## 先有鸡还是先有蛋？升级顺序成最大谜题 肯塔基州的屋主 Jessica 道出了许多人的心声：“我对备用电源感兴趣，但我不清楚正确的操作顺序。我可能过段时间要换屋顶，可能想装太阳能，未来还可能买电动车。我不知道该先做哪一样，或者哪些可以一起做。” 这种“先有鸡还是先有蛋”的困境非常普遍。EcoFlow 业务发展经理 Braulio Escobar 指出，**没有绝对正确的顺序，但有更聪明的规划方法**。他建议屋主从最终目标倒推：先描绘出未来 5 到 10 年想要的家庭能源全貌，然后反向规划每一步。例如，如果你最终目标是太阳能+电池+电动车，那么安装电池时就应该预留太阳能接入和电动车充电的接口。 ## 投资回报的多维视角 除了顺序问题，屋主们还关心电池能否提升房产价值。即使有搬家计划，**安装电池也能成为房屋的卖点**，尤其在停电频发地区。此外，停电频率和家庭用电量是决定电池是否值得的关键因素。对于偶尔短时停电的家庭，小型便携式电源站可能就已足够；而对于频繁遭遇长时间停电的地区，**全屋备份系统才真正物有所值**。 ## 小结 家庭电池的决策远不止比较价格标签。它涉及**家居升级的时序规划、长期能源愿景的匹配，以及停电风险与用电习惯的精准评估**。在做出决定前，花时间梳理自己的未来计划，并咨询专业顾问，可能比单纯关注价格更能避免后悔。
Fitbit 最新智能手环 **Fitbit Air** 已正式开启预购，预计下周正式发售。如果你正考虑入手这款新品，现在正是锁定优惠的好时机。多家零售商和运营商都推出了预购福利，包括免费配件、折扣套装以及以旧换新补贴等。 ## 主要预购渠道与优惠 - **亚马逊**：预购 Fitbit Air 即可获赠价值 **$29.99** 的备用充电线，并享受 **9 折** 优惠。 - **百思买**：提供 **Fitbit Air + 额外表带套装**，原价 $159.98，预购价仅 **$139.99**，节省约 $20。 - **Fitbit 官网**：直接预购可免费获得 **运动表带**（价值 $34.95），并可选择 **3 个月 Fitbit Premium** 试用。 - **沃尔玛**：预购用户可享受 **以旧换新** 服务，旧设备最高可抵 **$50**，同时赠送 **屏幕保护膜**。 - **AT&T 与 Verizon**：运营商渠道提供 **24 个月分期付款**，月付低至 **$5.41**，并附赠 **Fitbit Pay 快速支付功能** 激活奖励。 ## 值得关注的细节 Fitbit Air 主打 **全天候健康追踪** 与 **14 天超长续航**，支持心率监测、睡眠分析、血氧饱和度检测以及 40+ 运动模式。预购用户普遍反馈，免费配件和折扣套装让整体性价比提升明显。需要注意的是，部分优惠为 **限时活动**，可能持续至发售日或售完即止。 ## 小结 如果你已经决定升级手环，**Fitbit 官网** 的免费表带和 Premium 试用适合注重长期体验的用户；**百思买** 的套装则适合需要多色表带搭配的消费者；而 **运营商渠道** 的分期方案降低了入手门槛。建议根据自身需求选择渠道，并留意各平台的具体条款。
准备出行了吗？趁着夏季旅行高峰来临前，入手这些精巧的小工具吧——其中一些还在阵亡将士纪念日促销中。 ## 为什么这些小工具值得带？ 无论你是商务出差还是休闲度假，总有几样科技配件能让旅途更顺畅。ZDNET 编辑团队根据长期测试、研究和比价，精选出以下旅行必备品，部分产品还有限时优惠。 ### 1. Smartish Crown Joule USB-C to USB-C + Lightning 数据线 **价格**：18 美元（优惠 2 美元） 这款二合一数据线同时支持 USB-C 和 Lightning 接口，无需再为不同设备携带多根线。编织材质耐用，适合塞进背包口袋。 ### 2. AirFly SE 蓝牙音频适配器 **价格**：35 美元 想在飞机上使用自己的无线耳机？AirFly SE 可插入飞机娱乐系统的音频插孔，将蓝牙信号传输给耳机，告别有线耳机的束缚。 ### 3. SanDisk ExtremeFit USB 闪存盘 **价格**：28 美元（优惠 7 美元） 小巧紧凑的设计，适合挂在钥匙链上。提供高速传输，方便在旅途中备份照片或文件。 ### 4. Satechi 护照夹（支持 FindMy） **价格**：60 美元 内置 Apple Find My 功能，可通过 iPhone 追踪护照夹位置，防止重要证件丢失。 ### 5. Torras Slim MiniMag 无线充电器 **价格**：40 美元（优惠 13 美元） 轻薄设计，支持 MagSafe 磁吸充电，可为 iPhone 或 AirPods 快速补电。 ## 选购建议 ZDNET 提醒：购买前务必确认设备兼容性，例如 AirFly SE 仅适用于标准 3.5mm 音频接口。促销价格可能随时变动，建议尽快下单。 这些经过验证的小工具，能让你的旅行更省心、更高效。
Meta 近期正式启动了新一轮裁员，据 Business Insider 获得的内部邮件显示，约 8000 名员工被通知离职，占公司总员工数的约 10%。这一决定被明确解释为“持续提高运营效率，以抵消我们在其他领域的投资”，尤其是 AI 基础设施方面的巨大投入。 ### 裁员规模与背景 早在 2026 年 3 月，就有消息称 Meta 计划裁员高达 20%。但最终落地规模约为 8000 人，低于最初预期。与此同时，Meta 还在进行内部岗位调整：超过 7000 名员工被调往新的 AI 项目，另有 6000 个空缺职位被直接关闭。这表明 Meta 并非单纯削减成本，而是在重新配置人力资源，将重心转向 AI 战略。 ### AI 投资的代价 此次裁员的直接导火索是 Meta 在 2026 年 1 月公布的资本支出预测：全年预计投入 **1150 亿至 1350 亿美元**，用于“支持 Meta 超级智能实验室（Meta Superintelligence Labs）的核心业务”。这一数字几乎是 2025 年实际支出（722 亿美元）的两倍。如此庞大的 AI 投资计划，迫使 Meta 必须从其他部门“挤出”资金和人力。 ### 行业连锁反应 Meta 并非孤例。自 2024 年以来，硅谷科技巨头纷纷在 AI 领域展开军备竞赛，同时不断裁员以优化成本结构。Google、Microsoft、Amazon 等公司均有过类似举措。这种“一边大规模投资 AI，一边裁减非核心岗位”的模式，正在成为科技行业的新常态。 ### 员工与外界反应 被裁员工在 LinkedIn 上发布动态，展示工牌并确认裁员正在进行。一位前员工提到自己与“8000 名 Meta 伙伴”一同被解雇。Meta 在邮件中感谢了员工的贡献，但外界普遍认为，这种“感谢”难以掩盖裁员带来的冲击。 ### 小结 Meta 的本次裁员不仅是财务调整，更是战略转型的缩影。在 AI 竞赛中，公司选择将资源集中于最前沿的领域，而牺牲了部分现有岗位。对于科技从业者而言，这传递了一个清晰信号：AI 能力正成为公司核心竞争力的关键，而传统岗位的稳定性正在下降。未来，类似的结构性调整可能还会在其他公司上演。
## 研究背景 在生成式AI领域，**掩码扩散模型（Masked Diffusion Models, MDMs）** 正逐渐成为离散序列建模的重要工具，尤其在蛋白质序列设计、游戏状态生成等任务中表现突出。然而，这类模型的一个关键短板是：它们能给出每个变量的边际条件分布，却无法显式表达变量之间的依赖关系——比如蛋白质序列中哪些位点会相互影响，或者数独谜题中哪些格子存在约束。 这种“知其然不知其所以然”的限制，不仅让模型的可解释性大打折扣，也直接影响了生成效率。传统的顺序解码方式每次只生成一个变量，无法利用变量间的条件独立性进行并行加速。 ## 核心方法 来自研究团队（Jai Sharma, Yifan Wang, Bryan Li）提出了一种**神经框架**，能够直接从预训练MDM的隐藏状态中估计成对条件互信息（Mutual Information, MI）。关键创新在于：他们利用模型自身条件分布计算出的**真实互信息**作为监督信号，训练一个轻量级神经网络来预测完整的MI矩阵。 这个估计器只需一次前向传播，就能输出所有变量对之间的依赖强度，相当于给模型装上了一面“透视镜”，让它看清内部变量关系的全貌。 ## 实验验证 研究在**数独（Sudoku）** 和**蛋白质序列生成（ESM-C模型）** 两个任务上进行了评估。 - **数独任务**：MI地图准确恢复了数独规则中的行列约束，例如同一行/列/宫内的格子间互信息显著高于无关格子。 - **蛋白质任务**：MI地图揭示了蛋白质结构中的接触残基对，与已知的物理约束高度一致。 更关键的是，基于MI估计的**并行解码策略**，将推理时的前向传播次数减少了 **3-5倍**，同时生成质量与顺序解码相当，并优于基于熵的并行化方法。 ## 行业意义 这项研究为离散序列模型的**可解释性**和**推理加速**提供了新思路。在蛋白质设计等计算密集型场景中，3-5倍的加速意味着原本需要数天的计算可能缩短到一天以内。此外，MI估计框架不依赖外部知识，完全从模型内部学习，因此可以泛化到各种MDM架构。 ## 局限与展望 目前方法聚焦于成对互信息，尚未扩展到高阶依赖。未来工作可能包括： - 将MI估计整合到训练阶段，实现端到端优化 - 探索更复杂的变量分组策略，进一步提升并行度 该论文已提交至**ICML 2026**，代码和模型预计后续开源。
药物推荐是临床AI的核心难题之一。电子健康记录（EHR）中的患者轨迹往往冗长、充满噪声且临床异质性高，现有方法要么擅长跨就诊时序建模，要么擅长整合药理知识（如药物相互作用DDI），但鲜有两者兼顾且能稳健抑制噪声的解决方案。近日，来自日本的研究团队提出了 **GraphDiffMed**，一个知识约束下的药物推荐框架，核心创新在于引入了**双尺度差分注意力机制**，在就诊内和就诊间两个层面过滤虚假信号，同时将药理约束融入学习过程。 ## 技术亮点：差分注意力 + 药理先验 GraphDiffMed 基于 **Differential Attention v2** 构建。传统注意力机制容易在长序列中放大噪声，而差分注意力通过计算两个注意力分布的差异，有效识别并抑制与临床决策无关的干扰信息。具体而言，模型分别在单个就诊内的用药组合（intra-visit）和跨就诊的长期历史（inter-visit）上应用差分注意力，从而在时间维度和用药组合维度上实现双重降噪。 与此同时，模型引入了**药理图先验**，将药物-药物相互作用（DDI）等知识以图结构的形式嵌入到推荐过程中。这种做法不同于以往仅在损失函数中惩罚DDI的“事后修正”策略，而是让药理知识直接参与特征学习，使得推荐结果在疗效和安全性之间取得更优平衡。 ## 实验表现：安全性与有效性双提升 研究团队在 **MIMIC-III** 数据集上进行了全面评估。实验结果显示，GraphDiffMed 在推荐质量（如Jaccard相似度、F1分数）和排序指标（如NDCG）上均显著优于多个强基线模型，包括基于RNN、Transformer以及结合图神经网络的方法。特别值得注意的是，在DDI率这一安全指标上，GraphDiffMed 实现了更低的药物冲突概率，表明其能够在保持高疗效的同时降低不良反应风险。 消融实验进一步揭示了关键发现：**仅使用人口统计学辅助特征时，模型性能达到最佳**。这意味着GraphDiffMed 能够从最简单的输入中提取足够有效的信号，而无需依赖复杂的临床特征工程，降低了实际部署的门槛。 ## 行业启示与开源贡献 当前，临床AI系统面临的最大挑战之一是“噪声-知识”两难：时序模型容易受数据噪声干扰，而知识驱动模型又缺乏对动态变化捕捉能力。GraphDiffMed 提供了一条可行的融合路径——通过差分注意力机制从数据中自动过滤噪声，再通过药理图先验注入领域知识，两者协同工作。 该工作已在 arXiv 上公开，代码也已开源（见论文链接），为后续研究提供了可复现的基准。未来，这一框架有望扩展到更广泛的临床决策支持场景，例如合并症患者的治疗方案优化，或结合基因组学数据的个性化用药。 对于关注医疗AI落地的从业者而言，GraphDiffMed 的思路值得借鉴：与其追求更复杂的模型，不如在注意力机制上做减法，在知识融合上做加法。
## 概览 Prior-Data Fitted Networks（PFN）在表格数据任务中表现出色，但传统 PFN 仅支持单任务推理——要预测多个目标变量，必须重复执行前向传播，且无法在任务间共享信息。近期，来自麦吉尔大学的研究团队提出了 **TabPFN-MT**，这是一种**原生支持多任务的上下文学习器**，通过扩展的多目标合成先验训练，能在一次前向传播中同时预测多个目标，大幅提升计算效率。 ## 核心创新 TabPFN-MT 的架构改进集中在两个关键点： - **扩展的 y 编码器（expanded y-encoder）**：将每个样本的多个目标值编码为统一表示，使模型能同时处理多个标签。 - **共享解码器头（shared decoder head）**：所有任务共享同一个解码器，从而在上下文学习中捕获任务间的依赖关系。 这种设计使得模型在推理时，对于 T 个任务的计算复杂度从传统的 **O(T) 降至 O(1)**，即无论有多少个目标变量，都只需一次前向传播即可完成所有预测。 ## 性能表现 在**344 个数据集**上的广泛评估显示，TabPFN-MT 在中小规模数据集（平均样本数少于 1000）上取得了**深度表格多任务学习的新最优结果**。具体而言： - 在多任务数据集上，其**准确率平均排名为 4.89**，是所有测试模型中的最高平均排名。 - 即使与最新的单任务集成模型相比，TabPFN-MT 依然极具竞争力，尽管多任务联合优化存在固有的计算不对称性。 ## 行业意义 表格数据是金融、医疗、工业等领域最常见的结构化数据形式。传统多任务学习通常需要为每个任务单独训练模型或进行多次推理，成本高昂。TabPFN-MT 通过**上下文学习**替代梯度训练，特别适合样本量有限但任务繁多的场景（如小样本医疗诊断、多目标金融预测）。其 **O(1) 推理成本** 使得在边缘设备或实时系统上部署多任务模型成为可能。 ## 局限与展望 当前模型主要面向中小规模数据集（<1000 样本），在大规模数据上的表现尚待验证。此外，多任务间的负迁移问题——即某些任务相互干扰导致性能下降——在 TabPFN-MT 中如何被缓解，论文未给出深入分析。未来工作可能包括扩展至更大数据集，以及探索更灵活的任务编码方式。 总体而言，TabPFN-MT 为表格多任务学习提供了一个高效、即用的新范式，其 **“一次推理，多任务完成”** 的特性有望在工业界快速落地。
扩散模型在图像、分子等生成任务中表现惊艳，但其训练过程如何在高维数据中高效学习得分函数（score function），从而避开维度灾难，一直是未解之谜。近日，一篇发表于 arXiv 的论文《Provably Learning Diffusion Models under the Manifold Hypothesis: Collapse and Refine》给出了理论解释，并提出了一种新的潜在扩散模型架构 **SiLD**（Score-induced Latent Diffusion）。 ## 核心发现：得分函数的几何驱动 研究团队发现，扩散模型训练中存在一种由得分函数几何性质驱动的“坍塌与精炼”机制： - **小噪声阶段**：得分函数在数据流形附近出现发散奇点，迫使去噪映射发生**维度坍塌**，将高维噪声快速投影到低维数据流形上。 - **中等噪声阶段**：训练进一步**精炼**流形上的内在密度分布，完成对数据分布的精确建模。 这一发现从理论上解释了扩散模型为何能通过简单的去噪得分匹配目标，同时完成“流形学习”和“密度估计”两个任务，而无需像 VAE 那样依赖启发式的 KL 正则化。 ## 新框架 SiLD：理论驱动实践 基于上述原理，作者提出了 **SiLD**（Score-induced Latent Diffusion），一个两阶段框架： 1. **坍塌阶段**：利用小噪声下得分函数的奇异行为，自动学习低维潜在表示。 2. **精炼阶段**：在潜在空间上进行标准的扩散生成。 与 VAE 基潜在扩散模型（LDM）不同，SiLD 不需要显式的编码器-解码器训练，而是直接从去噪得分匹配目标中涌现出流形结构。理论证明，其**样本复杂度仅取决于数据的内在维度**，而非环境维度，从而绕过了维度灾难。 ## 实验验证：性能与理论一致 在 **Stacked MNIST**、**CelebA 变体** 和分子生成基准上的实验表明： - SiLD 在生成质量上匹配甚至超越 VAE 基 LDM（如 FID 分数）。 - 在重建任务上（如图像编码后还原），SiLD 持续优于 VAE 基方法，验证了其更准确的流形学习能力。 ## 意义与展望 该工作首次为“扩散模型为何能高效学习低维流形”提供了严格的理论证明，并给出了一个无需额外正则化的实用框架。这不仅加深了对扩散模型内部机制的理解，也为未来设计更高效的生成模型指明了方向——利用得分函数的几何结构，而非依赖复杂的架构设计。 对于 AI 社区而言，这一成果可能推动扩散模型在科学计算、3D 生成、药物设计等对维度敏感领域的更广泛应用。
arXiv:2605.20246v1 Announce Type: new Abstract: Recently, vision-language model (VLM) agents have shown promising progress in open-world tasks, where successful task completion often requires multiple turns of visual perception and action execution. However, existing methods still rely primarily on Supervised Fine-Tuning (SFT) with expert demonstrations, while the advanced reinforcement learning (RL) algorithm, specifically Group Relative Policy Optimization (GRPO), has not been effectively empl
电池健康诊断目前主要依赖电化学信号，但磁测量技术能捕捉终端测量无法获取的信息。然而，缺乏公开的电池磁测量数据集限制了相关方法的发展。为此，研究人员发布了 **MagBridge-Battery v1.0**，这是一个包含 **6,760 个磁场特征** 的合成数据集，通过桥接真实磁形态数据与健康状态标签，为磁传感电池诊断提供了首个公开基准。 ## 数据集构成与创新 MagBridge-Battery 的独特之处在于它将来自 Mohammadi-Jerschow OSF 档案的真实磁形态与 PulseBat 数据集中的健康状态标签相结合。具体包含： - **5,600 个** PulseBat 条件约束的接地样本 - **600 个** 基于干净样本衍生的合成传感器异常样本 - **560 个** 低电压 Regime-B 外推样本 数据集经过严格验证，确保无细胞重叠、无跨分裂亲子对、无样本 ID 重叠，从而保证了基准测试的可靠性。 ## 基准任务与验证 论文定义了三个主要基准任务：**健康状态回归**、**二次寿命分类** 和 **异常检测**，以及一个辅助的异常子类型分类任务。通过标签洗牌消融实验，健康状态回归的 R² 从约 0.77 骤降至约 0，证实了数据集编码了有效的健康状态信息，而非产生标签对齐的伪影。 ## 行业意义 当前，电池健康诊断高度依赖电化学信号，而磁测量技术有望提供互补信息。MagBridge-Battery 的出现填补了公开数据集的空白，为机器学习研究人员提供了开发磁传感诊断方法的平台。尽管真实配对数据仍然稀缺，该合成数据集为算法验证和基准测试提供了重要起点。 数据集已在 **Zenodo** 上以 CC-BY-4.0 许可发布，桥接代码和基准套件以 Apache-2.0 许可在 GitHub 上公开。这一工作有望推动磁传感技术在电池健康诊断领域的实际应用。
大型语言模型（LLM）的安全探测通常使用隐藏状态表示来区分安全与不安全的提示，但高性能的平均检测指标并未揭示这种分离背后的几何结构。最新研究《Geometry-Lite: Interpretable Safety Probing via Layer-Wise Margin Geometry》提出了一种轻量级探测方法，通过分析逐层边际几何特征，为LLM安全信号的形成机制提供了全新视角。 ## 核心方法：从层间运动到位置几何 Geometry-Lite将每一层最后的提示token表示映射为三类读出器下的带符号边际：质心、局部邻域和有监督线性边界。随后，它通过边界位置、层间变化和粗略形状来总结边际轮廓。这种设计旨在回答三个关键问题：安全证据如何跨层形成？哪些几何特征支持低误报决策？哪些几何偏差在基准迁移下保持稳定？ ## 关键发现：边界位置几何是主导因素 实验覆盖了**9个指令微调模型**（参数规模从12亿到700亿）和**7个安全基准**。结果显示，安全证据主要通过**持久的边界位置几何**表达：最终或极值边际以及不安全侧的层占用率主导了聚合检测性能。相比之下，有限差分漂移和结构摘要对整体AUROC贡献甚微，尽管漂移在低误报率阈值下能提供小幅的召回导向修正。 ## 基准迁移下的几何偏差 在基准迁移场景下，优化的线性边界在训练混合集上表现尖锐，而**类条件均值几何**在预定义的困难保留子集上更可靠地保持了分离能力。这表明，提示级安全证据主要不是层间运动信号，而是一种**持久的逐层边际几何**，其有用组件和读出器级偏差在决策关键场景中变得可见。 ## 意义与展望 Geometry-Lite不仅提供了可解释的安全探测工具，还揭示了LLM安全机制的本质：安全信号并非动态变化，而是静态的几何结构。这一发现为设计更鲁棒、可解释的安全系统指明了方向，同时也挑战了依赖层间动态的现有假设。未来，该方法可扩展到多语言模型和更复杂的攻击场景。
钙钛矿太阳能电池的效率提升高度依赖前驱体添加剂的优化，但化学空间之广阔让传统试错法显得力不从心。近日，一个名为 **LEAP**（LLM-driven Exploration via Active Learning for Perovskites）的闭环框架被提出，它将领域专用大语言模型与主动学习相结合，旨在加速添加剂筛选过程，为光伏材料研发注入 AI 动力。 ## 框架核心：文献驱动的智能筛选 LEAP 的核心思路是将“专家知识”与“机器学习”闭环整合。首先，研究者训练了一个领域专用的大语言模型，专门从钙钛矿添加剂文献中提取与机制相关的知识，并将候选分子表示为可解释的描述符。这些描述符随后被集成到 **贝叶斯优化** 工作流中，从而在数据稀缺的条件下实现“不确定性感知”的优先级排序。与通用大模型相比，该专用模型在机制一致性推理上表现更优。 ## 实验验证：效率与性能双提升 在概念验证研究中，团队引入了专家反馈环节，经过三轮筛选，LEAP 推荐的添加剂表现亮眼。采用 6-CDQ 和 2-CNA 处理的器件平均光电转换效率（PCE）分别达到 **20.13%** 和 **20.87%**，而对照组仅为 **19.25%**；最佳器件效率更是达到了 **21.32%**。这些结果为“文献机制描述符 + 贝叶斯优化 + 专家可行性审查”这一组合策略的有效性提供了初步证据。 ## 行业意义：AI 加速材料发现 LEAP 的提出不仅针对钙钛矿领域，更代表了 AI 在材料科学中应用的一种新范式。传统高通量筛选依赖大量实验，成本高、周期长；而 LEAP 通过让 LLM 理解文献中的化学机制，再结合主动学习迭代优化，大幅减少了实验次数。这种“专家在环”的闭环设计，既保留了 AI 的运算效率，又融入了人类研究者的判断力，有望推广到其他功能材料的发现中。 ## 局限与展望 目前 LEAP 仍处于初步验证阶段，其泛化能力、对复杂添加剂体系的适应性，以及长期稳定性测试结果尚未公开。但作为首个将领域专用 LLM 与主动学习深度融合的钙钛矿添加剂发现框架，它展示了 AI 在缩小搜索空间、提升研发效率方面的巨大潜力。未来，随着更多实验数据的积累和模型迭代，LEAP 或将成为光伏材料研究者的得力助手。 > 论文链接：arXiv:2605.20242
SpaceX 的 IPO 终于来了，这不仅仅是一次可能让埃隆·马斯克成为全球首位万亿富翁的历史性公开发行，更揭示了他旗下各家公司之间错综复杂的资金往来与利益交织。在长达 330 页的 S-1 文件中，特斯拉被提及 87 次，xAI 出现 356 次，X 平台 267 次，甚至连无聊公司（7 次）和 Neuralink（3 次）也有提及。这些数字背后，是马斯克商业帝国中公司之间频繁的关联交易和交叉持股。 **交叉持股与内部交易** 文件显示，特斯拉持有 SpaceX 近 1900 万股 A 类普通股，占比不到 1%。今年 2 月，马斯克将 xAI 与 SpaceX 合并，xAI 的股份被转换为 SpaceX 股票。此外，SpaceX 以制造商建议零售价从特斯拉购买了价值 1.31 亿美元的 Cybertruck。据 Electrek 分析，如果没有这些内部采购，Cybertruck 的注册量可能会同比下降。特斯拉的 Megapack 储能系统也被用于稳定 SpaceX 在田纳西州孟菲斯的 Colossus I 和 II 数据中心，2024 年 SpaceX 为此支付了 6.97 亿美元。 **依赖与风险** S-1 文件明确将马斯克的领导力列为风险因素，称公司“高度依赖”马斯克的持续参与。同时，马斯克的其他公司（如特斯拉、xAI、X 平台）可能成为 SpaceX 的竞争对手，尤其是在人工智能和卫星通信领域。这种复杂的关联结构让投资者难以评估 SpaceX 的真实独立价值，也引发了公司治理方面的担忧。 **行业背景** SpaceX 的 IPO 正值全球商业航天和 AI 融合的关键时期。马斯克通过将 xAI 并入 SpaceX，试图在太空 AI 领域建立先发优势。然而，这种“家族式”运作模式在华尔街并不常见，投资者需要仔细审视这些内部交易是否公平，以及它们对 SpaceX 长期发展的影响。
据 Hacker News 热门消息，OpenAI 计划最早于本周五（当地时间）以保密方式提交首次公开募股（IPO）申请。这一动向若属实，将是人工智能行业迄今最具标志性的资本事件之一。 ### 背景：估值与市场预期 OpenAI 目前估值已超过 **800 亿美元**，若成功上市，将成为全球市值最高的 AI 初创公司。其核心产品 **ChatGPT** 自 2022 年底发布后迅速引爆市场，带动大语言模型商业化浪潮。与此同时，公司正面临来自 Google、Anthropic 等对手的激烈竞争，以及自身高昂的算力成本与盈利压力。 秘密提交 IPO（Confidential IPO）是美国《创业企业促进法案》（JOBS Act）允许的做法，允许营收低于 10 亿美元的公司向 SEC 非公开递交招股书，待市场条件成熟再公开。此举可帮助 OpenAI 避开早期审查压力，灵活选择上市窗口。 ### 行业影响与潜在挑战 若 OpenAI 成功上市，将直接改变 AI 行业的资本格局： - **估值标杆**：为其他 AI 初创公司设定估值参照系，可能加速一级市场泡沫分化； - **监管焦点**：IPO 将迫使 OpenAI 披露更详细的财务数据、技术路线及风险因素，包括其非营利控股结构的合规性； - **人才与竞争**：上市后股权激励更具吸引力，但也可能引发核心团队套现离职。 不过，消息尚未得到 OpenAI 官方确认。此前 Sam Altman 曾多次表示“近期无上市计划”。若此次传闻属实，可能意味着 OpenAI 在巨额融资压力与商业化需求间做出了妥协。 ### 小结 OpenAI 的 IPO 不仅是公司自身的里程碑，更是 AI 行业从“技术竞赛”转向“资本博弈”的关键信号。市场将密切关注其估值、盈利模型及治理结构。若周五如期提交，预计未来几个月将进入密集的尽职调查与路演阶段。
## 当安卓遇上墨水屏：Boox Go 10.3 能否挑战 Remarkable 的地位？ 在电子墨水屏平板市场，Remarkable 凭借极简设计和专注书写的体验，一直占据着高端用户的心智。但高昂的价格和封闭的系统也让不少用户望而却步。最近，我尝试用 **Boox 第二代 Go 10.3 平板** 替代我的 Remarkable，结果发现——它不仅更便宜，而且体验出人意料地好。 ### 硬件与设计：轻便与实用并存 Boox Go 10.3 采用 **10.3 英寸 E Ink 屏幕**，分辨率为 1872×1404，显示细腻程度与 Remarkable 相当。机身厚度仅 **5.5 毫米**，重量约 390 克，比 Remarkable 2 还要轻便。最让我惊喜的是，它内置了 **前光照明**，这意味着在暗光环境下也能舒适阅读，而 Remarkable 2 需要额外购买昂贵的背光保护套。 ### 系统与生态：安卓开放性的胜利 与 Remarkable 的封闭 Linux 系统不同，Boox Go 10.3 运行 **Android 12 系统**，这意味着你可以自由安装各类应用。我第一时间装上了 Kindle、微信读书和 Notion，实现了阅读、笔记和同步的“三位一体”。它甚至支持 **Google Play 商店**，应用生态远超 Remarkable。 当然，开放系统也带来了一些挑战：应用适配度参差不齐，部分 App 在墨水屏上刷新率偏低。但 Boox 提供了 **刷新模式调节**，针对不同应用可选择“速度优先”或“清晰优先”，一定程度上缓解了这个问题。 ### 书写体验：接近纸质的触感 书写是这类平板的核心。Boox Go 10.3 标配 **电磁笔**，无需充电，支持 4096 级压感。笔尖与屏幕的摩擦感经过优化，书写时沙沙声明显，非常接近真实纸张。延迟方面，虽然比不上 iPad Pro 的丝滑，但作为墨水屏产品，表现已属第一梯队。 相比 Remarkable，Boox 的笔记软件功能更丰富：支持 **图层、模板、手写转文字** 以及云端同步。不过，Remarkable 的“纸张感”和极简 UI 仍是其独特优势——如果你只想要一个纯粹的书写工具，Remarkable 依然是不二之选。 ### 价格与价值：性价比之选 Boox Go 10.3 的售价约为 **350 美元**，而 Remarkable 2 加上 Marker Plus 和背光保护套后轻松超过 500 美元。考虑到 Boox 提供了更丰富的功能（前光、安卓应用、可扩展存储），对于需要多任务处理的用户而言，它的性价比显然更高。 ### 小结：谁更适合你？ - **选择 Remarkable**：如果你追求极致的书写体验，不需要任何额外功能，且预算充足。 - **选择 Boox Go 10.3**：如果你想要一台能阅读、能写笔记、还能装 App 的“全能型”墨水屏设备，且看重性价比。 最终，我保留了 Boox Go 10.3。它并非完美——电池续航不如 Remarkable，系统偶尔会卡顿——但它用更低的成本提供了更多可能性。对于像我这样的“重度数字笔记用户”来说，这种取舍完全值得。
SpaceX 在提交给监管机构的 IPO 文件中，罕见地将旗下 AI 聊天机器人 Grok 的“辣味”（Spicy）与“疯狂”（Unhinged）模式列为潜在业务风险。这些模式允许 Grok 在减少安全过滤的情况下生成露骨图像或语音回复，可能使公司面临监管审查和声誉损害。 文件显示，截至去年 12 月，SpaceX 已预留 **5.3 亿美元** 用于潜在诉讼损失，其中部分与 Grok 生成性化图片的投诉有关。这一风险敞口源于 SpaceX 今年 2 月收购马斯克旗下 AI 初创公司 xAI 的交易，该交易将这家火箭制造商的私人估值推高至 **1 万亿美元** 以上。 **监管雷区：Grok 的“无拘束”代价** 尽管马斯克常将 Grok 的“自由奔放”特性作为卖点，但实际运营中已触发多起法律纠纷。SpaceX 在文件中承认，公司正因 Grok 生成涉及未成年人的性化图片而在美国及其他国家接受调查，同时面临多起集体诉讼。文件警告，未来对 AI 产品的“滥用”可能导致更多监管制裁，包括“失去进入某些市场的机会”。 **风险与商业的平衡** IPO 文件中披露潜在业务风险是常规法律要求，部分担忧未必会成真。但 SpaceX 的案例凸显了 AI 行业在追求技术差异化的同时，如何平衡内容安全与商业扩张的挑战。Grok 的“辣味”模式设计初衷是提供“更坦诚、直接且少保留”的输出，但这种缺乏护栏的路线使其在监管趋严的背景下显得尤为脆弱。 **行业背景** SpaceX 并非唯一受审视的聊天机器人开发商。全球各国政府正加紧应对生成式 AI 的社会影响，多家 AI 公司均面临类似的合规压力。对于计划通过 IPO 进入公开市场的 SpaceX 而言，明确披露 AI 相关风险既是对投资者的保护，也是应对潜在监管风暴的未雨绸缪。
英伟达CEO黄仁勋在财报电话会上宣称，公司新推出的Vera CPU将为“智能体AI”开辟一个价值2000亿美元的全新市场。尽管华尔街对GPU巨头涉足CPU领域存有疑虑，黄仁勋认为Vera是首款专为智能体AI设计的CPU，能快速处理令牌，满足AI代理的运算需求。目前所有主流云厂商和系统制造商均在合作部署，有望成为英伟达新的增长引擎。
据《华尔街日报》报道，Anthropic 已向投资者透露，其第二季度营收将超过 **109 亿美元**，较上一季度翻倍有余，并有望首次实现 **运营利润**。这一里程碑式的增长使其在与主要竞争对手 OpenAI 的竞争中占据有利位置。然而，由于未来计划中的高额计算成本，公司可能无法在整个财年保持盈利。 这些财务数据是在最近一轮融资中向投资者披露的。过去一年，随着越来越多专业人士表达对其聊天机器人 **Claude** 的偏好，Anthropic 的人气持续攀升。公司近期还努力实现客户群多元化，包括为小企业主推出新服务，以及为律师事务所提供专用工具。 有趣的是，Anthropic 盈利消息公布的当天，恰逢 OpenAI 可能即将提交 IPO 申请的新闻传出。Anthropic 拒绝进一步置评。 ## 行业背景与分析 Anthropic 的快速盈利增长反映了 AI 赛道的激烈竞争与商业化加速。相比 OpenAI 依靠消费者订阅和 API 收入，Anthropic 更侧重企业级应用，其 Claude 模型在安全性和可控性方面建立了差异化优势。此次盈利突破可能进一步巩固其市场地位，并吸引更多投资。 不过，盈利的可持续性仍是关键挑战。AI 训练和推理的算力成本高昂，Anthropic 若要保持增长，需在营收扩张与成本控制之间找到平衡。此外，OpenAI 的 IPO 计划可能改变行业格局，带来新的资金和竞争压力。