获得徽章 24
#挑战每日一条沸点#
50 位来自字节、阿里、腾讯等机构的 AI 研究员，联合发布了一份 300 页的论文，里面有些关于代码模型和 Agent 的结论，挺出人意料。
- 小模型也能打败大厂的专有模型
- 模型学 Python 有点吃力
- 语言之间有差异（代码 Scaling Laws）
- MoE vs Dense（能力 vs 稳定性）
- 代码模型默认是「不安全」的
- 结构比内容更重要
文章源地址：
arxiv.org
50 位来自字节、阿里、腾讯等机构的 AI 研究员，联合发布了一份 300 页的论文，里面有些关于代码模型和 Agent 的结论，挺出人意料。
- 小模型也能打败大厂的专有模型
- 模型学 Python 有点吃力
- 语言之间有差异（代码 Scaling Laws）
- MoE vs Dense（能力 vs 稳定性）
- 代码模型默认是「不安全」的
- 结构比内容更重要
文章源地址：
arxiv.org
展开
1
1
#挑战每日一条沸点#
DeepSeek-V3.2在推理能力上追平 GPT-5-High，在部分指标上超越
DeepSeek-V3.2-Speciale（高算力版）
在 2025 年 IMO 和 IOI 拿了金牌，推理能力接近 Gemini-3.0-Pro
DeepSeek-V3.2在推理能力上追平 GPT-5-High，在部分指标上超越
DeepSeek-V3.2-Speciale（高算力版）
在 2025 年 IMO 和 IOI 拿了金牌，推理能力接近 Gemini-3.0-Pro
展开
评论
点赞
#挑战每日一条沸点#
如果说2024年是模型的“参数之战”，那么站在2025年末回望，中国AI战场已演变为一场关于资本效率、基础设施霸权与流量入口的路线之争。
11月27日，高盛发布了一份关于中国互联网与人工智能发展的重磅研报，对当前中国AI行业“大厂之战”的激烈战况进行了分析，对阿里巴巴、字节跳动、腾讯的不同战略选择进行了解读：
阿里巴巴选择了最“重”的道路，以同比暴增80%的资本开支和全栈布局，试图用重资产构筑类似谷歌的“全栈”壁垒，成为中国AI市场的“全栈霸主”；
字节跳动凭借恐怖的流量优势，以日均30万亿Token的消耗量，在应用层大杀四方；
腾讯则保持了其一贯的克制，在收缩资本开支的同时，更专注于将AI能力“无缝嵌入”其庞大的社交与支付生态。
如果说2024年是模型的“参数之战”，那么站在2025年末回望，中国AI战场已演变为一场关于资本效率、基础设施霸权与流量入口的路线之争。
11月27日，高盛发布了一份关于中国互联网与人工智能发展的重磅研报，对当前中国AI行业“大厂之战”的激烈战况进行了分析，对阿里巴巴、字节跳动、腾讯的不同战略选择进行了解读：
阿里巴巴选择了最“重”的道路，以同比暴增80%的资本开支和全栈布局，试图用重资产构筑类似谷歌的“全栈”壁垒，成为中国AI市场的“全栈霸主”；
字节跳动凭借恐怖的流量优势，以日均30万亿Token的消耗量，在应用层大杀四方；
腾讯则保持了其一贯的克制，在收缩资本开支的同时，更专注于将AI能力“无缝嵌入”其庞大的社交与支付生态。
展开
评论
2
#挑战每日一条沸点#
Multi-Agent 系统是靠单个 agent 单打独斗，而是组建一支专业 agent 构成的团队，每个 agent 都有自己的工具、上下文和任务。
通过明确分工，这些 agent 可以互相协作、辩论，不断优化彼此的输出，从而解决单个 agent 无法搞定的难题。Agent 在你的 AI 系统中扮演协调者的角色。
它们不会取代 query rewriting 或 chunking 等技术，而是智能地编排这些技术。比如：
• 初始搜索失败时，agent 可能会应用 query rewriting
• 根据内容类型，选择不同的 chunking 策略
• 决定何时压缩对话历史，为新信息腾出空间
Multi-Agent 系统是靠单个 agent 单打独斗，而是组建一支专业 agent 构成的团队，每个 agent 都有自己的工具、上下文和任务。
通过明确分工，这些 agent 可以互相协作、辩论，不断优化彼此的输出，从而解决单个 agent 无法搞定的难题。Agent 在你的 AI 系统中扮演协调者的角色。
它们不会取代 query rewriting 或 chunking 等技术，而是智能地编排这些技术。比如：
• 初始搜索失败时，agent 可能会应用 query rewriting
• 根据内容类型，选择不同的 chunking 策略
• 决定何时压缩对话历史，为新信息腾出空间
展开
评论
点赞
![[思考]](http://lf-web-assets.juejin.cn/obj/juejin-web/xitu_juejin_web/img/jj_emoji_15.f58c082.png)
#挑战每日一条沸点# Base 成都，组内释放后端HC，AI Agent 应用开发方向，月薪15-35k （年终奖另算），有没有看机会的，快速入职，最好是5年以上练习生。求推荐![[勾引]](//lf-web-assets.juejin.cn/obj/juejin-web/xitu_juejin_web/img/jj_emoji_121.570cd4d.png)
~~~
![[勾引]](http://lf-web-assets.juejin.cn/obj/juejin-web/xitu_juejin_web/img/jj_emoji_121.570cd4d.png)
~~~
1
1
#挑战每日一条沸点# github.com
基于大模型和RAG的一款智能text2sql系统：SQLBot，可以帮你用自然语言查询数据库
它可以把问题转换成数据库能理解的SQL语句，再去数据库里执行查询，然后生成数据图表及分析
获得基础图表结果后，支持进一步分析、解释、验证以及预测，也可以把多个问答对话构建成一个数据看板
开箱即用，配置模型和数据源即可
支持嵌入到第三方业务系统，也支持被n8n、MaxKB、Dify、Coze 等AI应用平台集成调用
github.com基于大模型和RAG的一款智能text2sql系统：SQLBot，可以帮你用自然语言查询数据库
它可以把问题转换成数据库能理解的SQL语句，再去数据库里执行查询，然后生成数据图表及分析
获得基础图表结果后，支持进一步分析、解释、验证以及预测，也可以把多个问答对话构建成一个数据看板
开箱即用，配置模型和数据源即可
支持嵌入到第三方业务系统，也支持被n8n、MaxKB、Dify、Coze 等AI应用平台集成调用
展开
评论
点赞
#挑战每日一条沸点# 2025 AI Agents 发展方向：
自主检索增强生成 (Agentic RAG)
基于推理的，用于实时数据检索和生成的AI智能体工作流。
Agentic RAG的应用不局限于单一场景，同样也被应用于医疗保健领域。
举例：Perplexity, Harvey AI 和 Glean AI
语音智能体 (Voice Agents)
能够通过自然口语与用户互动的智能代理，利用广泛的文本转语音（TTS）和语音转文本（STTS）的嵌入和检索技术。
举例：ElevenLabs, Cognigy, Vapi 和 Deepgram
AI智能体协议 (AI Agent Protocols)
简化多智能体之间的通信，支持不同框架下构建的智能体之间的交流。
举例：Accenture，A2A, ACP, SLIM等
计算机使用智能体 (CUA - Computer Using Agents)
能像人类一样与计算机交互的AI智能体，可利用浏览器、命令行界面（CLI）甚至鼠标光标等工具。
举例：OpenAI的Operator, Claude的Computer Use, H-Company的Runner H以及Manus AI
编程智能体 (Coding Agents)
借助巧妙的工具使用和基于大语言模型（LLM）的代码生成，使构建和调试应用程序的速度提高10倍的多智能体。
举例：Windsurf, Cursor 和 GitHub Copilot
（图片来自：rakeshgohel01）
自主检索增强生成 (Agentic RAG)基于推理的，用于实时数据检索和生成的AI智能体工作流。
Agentic RAG的应用不局限于单一场景，同样也被应用于医疗保健领域。
举例：Perplexity, Harvey AI 和 Glean AI
语音智能体 (Voice Agents)能够通过自然口语与用户互动的智能代理，利用广泛的文本转语音（TTS）和语音转文本（STTS）的嵌入和检索技术。
举例：ElevenLabs, Cognigy, Vapi 和 Deepgram
AI智能体协议 (AI Agent Protocols)简化多智能体之间的通信，支持不同框架下构建的智能体之间的交流。
举例：Accenture，A2A, ACP, SLIM等
计算机使用智能体 (CUA - Computer Using Agents)能像人类一样与计算机交互的AI智能体，可利用浏览器、命令行界面（CLI）甚至鼠标光标等工具。
举例：OpenAI的Operator, Claude的Computer Use, H-Company的Runner H以及Manus AI
编程智能体 (Coding Agents)借助巧妙的工具使用和基于大语言模型（LLM）的代码生成，使构建和调试应用程序的速度提高10倍的多智能体。
举例：Windsurf, Cursor 和 GitHub Copilot
（图片来自：rakeshgohel01）
展开
评论
1
赞了这篇文章
#挑战每日一条沸点#
发现了个好东西！美国东北大学的一篇论文《大语言模型基础》详细介绍了大语言模型训练中的理论基础、关键技术和应用方法，非常适合初学者
主要目录为预训练、生成模型、提示工程、对齐和推理
- 原始论文：arxiv.org
- 双语版下载：pan.quark.cn
发现了个好东西！美国东北大学的一篇论文《大语言模型基础》详细介绍了大语言模型训练中的理论基础、关键技术和应用方法，非常适合初学者
主要目录为预训练、生成模型、提示工程、对齐和推理
- 原始论文：
arxiv.org- 双语版下载：
pan.quark.cn
展开
评论
点赞
评论
5
2
3