弗拉格职业射手

机器学习圈的朋友们都知道，ICML（国际机器学习大会）是领域内最具分量的学术会议之一。今年2026届，ICML共收到23918篇投稿，最终接收6352篇，接收率约26 6%，竞争相当激烈。美团技术团队这次有13篇论文入选，覆盖了智能体推理、强化学习训练、复杂任务生成、智能体基准测试、监督微调等方向。

最近，Anthropic 发布了一个很值得关注的新产品：Claude Tag。 乍一看，它像是 Claude 进入 Slack 的一次升级：在团队频道里 @Claude，它就能读懂上下文、拆解任务、调用工具，然后把结果发回讨论串。 但如果只把它理解成“Slack 里的 Claude”，可能就低估了这

最近，AI领域围绕“Harness”这一概念的讨论热度持续攀升。业内普遍认为，当前正是借助Harness推动大模型创新应用的黄金时期——不过，这一思路与传统应用开发范式存在显著差异，需要转换方法才能真正打造出优质产品。如果沿用旧有思维模式，很可能会事倍功半。本文源自网易有道CEO周枫，他基于行业分享

一位经常加班的职场白领，一位带着孩子外出游玩的父亲，你的AI助手能够准确区分他们各自需要的服务吗？ 现实情况是，它往往做不到。 AI可以执行你给出的明确指令，却很难记住那些隐藏在场景和身份背后的潜在需求。它们是真的缺乏理解能力，还是“情商”有待提升呢？ 自去年10月发布VitaBench 1 0并首

AI视频制作工具的快速发展，着实令人既兴奋又感到困惑。 过去一年多，Runway 推出了 Gen-4，OpenAI 发布了 Sora，Pika 从 1 0 迭代到 2 0，Kling 和 MiniMax 也各自站稳了脚跟。这些AI视频生成工具的画面质量确实在肉眼可见地提升。但每次使用后，总有一种相似