🚀 科技动态
最新的科技进展和市场动态，包括新闻、行业动态、趋势分析
Grok 3 是否意味着大力出奇迹的大模型法则仍然成立？
摘要
- 预训练阶段 Scaling Law 依然有效但性价比低：数据不足时只能通过增大模型规模提升效果，但成本过高；
- 技术路线选择依赖性价比排序：Test Time 扩展（如思维链推理）> RL 扩展（如强化学习）> 预训练扩展；
- Grok 3 的策略逻辑：通过推大基座模型规模，可能为后续 RL 阶段效果提升奠定基础；
- 模型能力的循环进化：当 Test Time 和 RL 扩展遇瓶颈时，可回归预训练扩展提升天花板，形成持续迭代。
核心观点
- 🔄 Scaling Law 的阶段性特征：
- 预训练阶段扩展（数据/模型规模）仍是最后手段，但成本效益最低；
- RL 和 Test Time 扩展是目前性价比更高的技术路线。
- 💡 Grok 3 的潜在逻辑：
- 基座模型规模增大可能提升后续 RL 阶段效果的天花板；
- 模型能力进化存在「预训练 →RL→Test Time→ 预训练」的循环依赖。
- ⚖️ 实践权衡：
- 卡多加速实验迭代，但预训练阶段过度堆算力可能得不偿失；
- 开源大模型部署困难（如 Deepseek R1）反映基座规模与应用成本的矛盾。
- 🌐 行业趋势：
- 蒸馏深度思考数据（如 Deepseek V3 的「左脚踩右脚」模式）成为提升基座能力的低成本方案；
- 多模态数据对模型智商提升作用有限，文本数据规模或已接近上限。
微软的量子处理器有多厉害？
微软最新发布的 Majorana 量子处理器基于拓扑量子比特技术，利用 Majorana 粒子"自身即反粒子"的独特量子特性，通过半导体与超导体复合新材料实现了量子态的拓扑保护，将量子比特稳定性提升至传统方案的百万倍级别。该处理器当前搭载 8 个量子比特，其模块化架构设计支持向百万级规模扩展，在药物研发、材料科学和密码学领域具备颠覆性应用潜力，已获得 DARPA 权威认证。尽管面临从实验室到量产的技术跨越、产业生态构建及多技术路线竞争等挑战，这项突破标志着量子计算从理论探索迈入工程化新阶段，或将成为继人工智能之后的下一个科技革命引擎，其最终产业化进程预计需要更长时间验证。
模型分类器
简而言之，先进行意图识别，然后进行任务派解，决定任务是由哪款模型起作用。
Berkeley 研发出一款 7B 的模型，该模型虽不具备直接解答问题的能力，但通过 150 万组对话质量评估数据训练，能够精准识别问题类型并调度最优解决方案。其创新之处在于整合了包括 GPT、Gemini、DeepSeek 等主流模型，让它知道什么问题应该找哪个模型回答，在 ELO 智能评估体系中取得 1400 分的优异表现。
Grok-3 模型宣称通过 20 万张计算卡也是 1400，而伯克利方案仅借助轻量级分类器与现有 API 接口便达成相同效果。这种技术路径可类比混合专家系统（MOE），其创新点在于延续了传统业务场景中基于任务类型的路由机制，而非当前主流大语言模型采用的 token 级分配策略。
值得关注的是，即将发布的 GPT-4.5/5 和 Claude 4 可能采用的系统融合方案，本质上遵循相似的技术逻辑。这种通过智能调度整合异构系统的架构模式，或将成为下一代人工智能系统的重要演进方向。
延伸：General Reasoning 用于构建大型推理模型的新开源资源库。目前有 150 万个问题，27 万个思维链追踪（也就是各家的推理类大模型是如何回答这些问题的）。同时，还可以查到大模型回答这些问题准确性的排名，以及每个大模型擅长回答哪一类的问题和不擅长回答哪一类的问题。可以用这个数据来做一个「模型分类器」。
💻 技术文章
各种技术的应用和实践方法，包括各种技术文章、教程、实践案例等内容
时间码的身份验证
https://www.schneier.com/blog/archives/2025/02/pairwise-authentication-of-humans.html
很多应用采用一次性时间码（TOTP），按照当前时间和用户生成一串数字，来验证用户身份。
一个程序员想到，完全可以用这种方法，验证是否见到了本人。
举例来说，A 和 B 从未见过，如何在见面时，确认来的是本人？
他们可以访问这个网址，输入双方的名称，系统分别为他们生成一个二维码。
他们将自己的二维码，保存到手机的验证器，以便生成时间码。见面时，如果双方的时间码一致，就表明来的是本人。
从第一性原理出发来介绍 AI Agent
https://goyalpramod.github.io/blogs/AI_agents_from_first_principles/
文章详细介绍了 AI 代理的核心组件，包括提示（Prompts）、模型（Models）、工具（Tools）、记忆（Memory）以及检索增强生成（Retrieval Augmented Generation, RAG）等技术，并提供了具体的实现方法和代码示例。文章强调了在构建 AI 代理时应遵循的最佳实践，如最小化 LLM 调用、逐步迭代和优化系统性能。通过阅读本文，读者可以深入了解 AI 代理的构建过程，掌握如何使用 Python 和核心库实现复杂的 AI 代理系统，同时避免常见的开发陷阱。
低代码平台的末路-AI 编程王者归来
作者认为，随着 AI 编程能力的飞速发展，低代码平台将逐渐被取代。尽管低代码平台通过集成 AI 功能实现了“一句话生成应用”的便捷性，但其本质仍受限于模板化和规则约束，而 AI 编程凭借灵活性、通用性及智能化优势，将成为未来开发的主流方式。
低代码平台如同"手机加速器"，在早期提升效率，但随着底层技术（AI）的成熟，其附加价值消失，甚至成为负担（如性能损耗、维护成本）。
核心逻辑对比
低代码平台
- 实现方式
通过可视化界面、预设模板和脚本语言，自动化完成对象建模、数据库设计、流程配置等。 - 优势
- 降低开发门槛，非专业开发者可快速搭建简单应用
- 局限性
- 依赖模板，定制化能力不足，复杂需求下效率骤降
- 生成代码非通用，存在平台绑定风险，可维护性差
- 脚本语言解析消耗性能，扩展性受限
AI 编程
- 实现方式
基于自然语言处理（NLP）和机器学习（ML），解析用户需求并直接生成优化代码（如 GitHub Copilot）。 - 优势
- 需求驱动，无需模板，适应复杂、多样化场景
- 生成通用代码，避免平台绑定，支持全栈开发
- 提供代码补全、错误修复、安全检测等智能化功能
关键维度对比
| 维度 | 低代码平台 | AI 编程 |
|---|---|---|
| 效率 | 简单应用开发快，复杂需求效率低 | 自动生成代码，智能补全，整体效率更高 |
| 扩展性 | 受限于模板，难以应对复杂需求 | 灵活生成代码，适应多样化业务场景 |
| 技能要求 | 非专业开发者易上手 | 需一定编程基础以优化 AI 输出 |
| 成本 | 初期成本低，但长期维护成本可能增加 | 需硬件/软件投入，长期效率提升降低总成本 |
| 大型项目 | 难以满足复杂需求 | 生成高质量代码，支持大型项目协作 |
| 可维护性 | 平台绑定，代码维护困难 | 代码通用、可读性强，便于修改扩展 |
| 安全性 | 依赖平台设计，存在潜在风险 | 通过安全检测生成更安全的代码 |
核心替代原因
- 灵活性：直接生成代码，无模板限制
- 性能优势：避免脚本解析开销，代码更高效
- 开放性：生成通用代码，避免平台锁定
未来展望
- 低代码剩余价值：仅适用于零代码场景（非技术用户快速搭建简单应用）
- AI 主导地位：在复杂项目、专业开发中成为主流，推动智能化转型
结论与建议
- 建议开发团队尽早转向 AI 编程实践，尤其是大型项目
- 充分利用 AI 的灵活性、高效性和可维护性优势
- 低代码平台可能继续服务非技术用户，但在专业开发领域将逐渐被取代
如何用好推理型 AI？这份提示词设计指南请收好
结合 OpenAI 和 微软 的官方博客，整理出的提示词设计指南。
指导大家如何更好的使用推理模型。列举了适合使用 AI 推理的场景，分享设计推理友好型提示词的方法，指出新手常见误区及高手做法，并通过实战案例展示应用，最后以检查清单和总结四条 tip 强调关键要点，旨在助力更好利用 AI 进行深度思考。
如何构建靠谱的 AI agent？
https://www.anthropic.com/research/building-effective-agents
这是一篇来自于 Anthropic Claude 团队的座谈交流。他们围绕 agents 的定义、实践经验与未来展望展开了一个深入对话。
文章从理论到实践全面阐述了 AI agent 的开发要点：
- 首先明确区分了 agent 和工作流的本质区别，agent 具有自主决策能力而非简单的固定流程；
- 在代码实现层面，详细对比了工作流的线性特征和 agent 的灵活性；同时强调了开发者需要深入理解模型视角，在设计时保持同理心。
- 在工具设计方面，文章指出了开发者常见的忽视工具接口友好性的误区。 对于 agent 的应用前景，文章认为目前消费级 agent 被过度炒作，存在偏好表达复杂和风险控制等挑战，而企业级应用则更具潜力，特别适合自动化重复性任务。 最后，专家们建议开发者建立完善的度量体系，并着眼于开发能随模型进步而持续改进的产品。
我印象比较深刻的有三句话：
- Agents 不是工作流，而是管理工作流的自动化流程；
- 对 Agents 工作要有同理心，人要站在机器的视角考虑流程是否奏效；
- 最后一句，是奥特曼也说过很多次的，构建的工具要考虑模型演进，如果你的工具在模型演进之后失去意义了，那么即是坏选择，如果模型越好，你的工具越好，就是好选择。
🔧 工具资源
如何使用这些工具提高工作效率，包括各种技术工具、软件、插件等方面的内容，各种技术资源、免费课程、学习资料
aman.ai 专注于 AI 知识分享
每一篇都是维护者 Aman Chadha（AWS 的工程师）写的长文，很多图表和对比数据，尝试为你讲清楚这个概念。比如介绍 deepseek r1 的文章，直接整了 1 万多个单词，从 MoE、MLA、MTP 到强化学习，再到 deepseek 各个不同版本的对比之类都有。
DeeSearcher 开源版 Deep Research
结合了大模型和向量数据库，为个人/企业知识管理、智能问答、信息搜索等场景提供高度准确的答案和全面分析。
支持本地文件导入，以及网络数据爬取等文档加载，支持 DeepSeek、OpenAI 等大模型。
LangBot
可扩展的通信机器人平台，提供了丰富生态、支持扩展、多模态的能力，用于构建大模型的即时通信机器人，支持接入 QQ、微信、飞书等平台。
同时支持多种主流大模型，如 DeepSeek、ChatGPT、Claude、Gemini、Ollama 等。
除此之外，还支持访问控制、限速、敏感词过滤等功能，支持多种部署方式，而且配置简单。
Llama Tutor
一款开源免费的 AI 个人导师工具。
集成 Llama 3.1 和 Serper 为工具提供强大的推理以及搜索能力，以达到高质量辅助教学。
输入任何想要了解的知识，以及选择能接受的教育水平，覆盖了小学到大学，即可为你生成个性化导师，解答一切疑难杂题。
Company Researcher
快速了解任何(外国)公司的开源 AI 工具：Company Researcher。
只需输入公司的网站链接，即可帮我们从互联网上全面收集关于该公司的信息，包括组织架构、产品、融资情况以及官方媒体账号等等信息。
抓取的数据主要来自各大平台开放的 API，如 Linkedin、X（Twitter）、Yogithub.com/exa-labs/company-researcheruTube、GitHub、Reddit 等。
最终汇总罗列一个详细面板给我们快速了解该家公司，不过从数据来看，主要面向国外公司。
AudioNotes
快速将音视频转结构化笔记的开源工具：。
基于 FunASR 和 Qwen2 构建，可快速提取音视频内容，并利用大模型能力整理成一份结构化的 Markdown 笔记，方便快速阅读。
工具支持搭配 Ollama 使用本地模型，并提供了 Docker 快速部署方式。
Scira 开源 AI 搜索引擎
集成 DeepSeek、Claude、Grok 等模型以及各种 API，实现了实时天气查询、代码片段运行、地图导航、学术搜索、视频搜索、X 帖子搜索等等功能。同时，提供简洁好用的可视化界面，并能为我们清晰展示相关搜索到的内容。可以通过 Vercel 快速部署使用。