AI 晚报｜10月21日
今天的快讯有个挺明显的倾向：一边是 AI 生成内容开始“反噬”平台——Spotify 清歌、Meta 关分享；另一边是 AI 继续往车里、往芯片里、往代码里钻。对从业者来说，真正值得琢磨的不是又出了什么新功能，而是“AI 产出的东西该怎么管、怎么验”。 大事件
阅读全文 →最新文章
全部专栏
教程用编码智能体移植 TS 到 Rust：对拍测试与增量提交
这类移植在公开项目里有一套被反复验证的做法：把 TypeScript 实现按模块切开，让编码智能体一块一块翻译，每翻完一块就用「同一批输入分别喂给两套实现、比对输出」的方式卡住语义偏差，最后在 CI 里跑这个比对，通过了
教程上手 Voxtral 3：本地转写与可打断语音对话
这篇教程带你从零把一套开源语音大模型跑在自己的机器上，最后会得到两个能直接用的东西： 1. 一个批量转写服务：丢进一段会议录音（mp3/m4a/wav 都行），输出带时间段落的文字稿，可以并发处理多段音频。 2. 一个可
教程上手 DeepSeek 开源推理引擎：编译、权重加载与吞吐压测
这篇能做出什么 按下面的流程走完，你会得到三样东西： 1. 一个在自有机器上编译通过、能加载 DeepSeek 系列模型权重并跑出通顺输出的推理进程； 2. 一套固定的压测脚本，给定并发数、输入长度、输出长度，能稳定复现
教程用 VAST 开源链路，把一句话变成可玩 3D 世界
一句话描述想要的场景，一路跑完“文本扩写 → 单个 3D 资产生成 → 场景拼装 → 可交互运行时 → 导出资产”这条链，最后在浏览器里用 WASD 走进去逛一圈，并把成果导出成 GLB/USDZ 交给引擎或建模同事继续
教程上手 Exa 3.0：给智能体接一层语义搜索
智能体在回答「有没有人踩过把搜索结果整段塞进上下文、结果模型跑偏的坑」这类问题时，靠关键词搜索很难命中，因为用户的说法和文章里的说法往往差着好几个词。语义搜索解决的正是这件事：把一句话的意思拿去匹配网页，而不是拿字面去匹
AI 词典AI 客服的转人工率：比解决率更诚实的指标
一句话定义 转人工率（Human Handoff Rate，也常叫升级率 Escalation Rate）指在一段时间内进入 AI 客服的会话中，最终被交给真人坐席处理的比例。它回答的是一个很朴素的问题：到底有多少人最后
AI 词典重拓扑：AI 生成的 3D 模型，为什么好看却不能用
一句话定义：重拓扑（Retopology）是在一个已有 3D 模型表面重新“铺”一层干净、规整、便于后续加工的新网格，原有外形基本不动，内部结构推倒重来。 问题出在哪 生成式工具现在几秒钟就能产出一个看起来相当像样的模型
AI 词典平均分陷阱：好看的分数，崩盘的能力
一句话定义：模型评测的平均分陷阱（average score trap），指用单一平均分概括模型能力时，高分掩盖了它在某类子任务上系统性失败的现象。 一个班平均 80 分的三种可能 假设一个班平均分 80。第一种可能：全
AI 词典提示词的过度约束
一句话定义：提示词的过度约束（overconstraining），是指在一个提示词（prompt）里堆进太多、太细、彼此牵扯的规则，结果模型顾此失彼，输出反而更僵硬、更模板化，离你想要的效果更远。 打个比方。你让一位新同
AI 词典分片权重文件：大模型的权重为什么是一堆文件
一句话定义：分片权重文件（sharded weight files）是把一个模型的全部参数拆成多个文件分别存储，再用一个索引文件（index）把它们对应起来的一套权重保存方式。你下载到的往往是一堆 xxx00001of0
AI 词典数据采样与打乱：喂数据的顺序，比你想的更重要
一句话定义：数据采样与打乱（Sampler / Shuffle）是训练时决定“下一批拿哪些样本、按什么顺序拿”的机制。Sampler 负责从数据集中挑样本，Shuffle 是它最常用的一种挑法：每个轮次把数据重新洗一遍再
AI 词典训练健康的体温计
一句话定义：梯度范数监控（gradient norm monitoring）是在模型训练过程中持续记录梯度的范数（norm，即把所有参数的梯度拼成一个大向量后，这个向量的“长度”），把它当作常规检查指标，用来判断训练是否
AI 词典指令遵循率：模型听懂了却没照做的那部分
一句话定义：指令遵循率（Instruction Following Rate）是指在一批带有明确约束的请求中，模型输出完整满足全部约束的比例。它衡量的是模型有没有按要求做，不衡量答案本身对不对。 它到底在量什么 一条指令
AI 词典解耦权重衰减：AdamW 里最容易被忽略的差别
一句话定义 解耦权重衰减（Decoupled Weight Decay）就是把“让参数往 0 缩一缩”这件事，从梯度更新里拆出来单独做一步；AdamW 优化器采用的就是这种做法。它和传统写法里的 L2 正则（L2 reg
AI 词典多任务损失加权：权重没调好，任务就学废
一句话：多任务损失加权（multitask loss weighting）是把多个任务的损失（loss）按不同权重加起来，凑成一个总损失，再一起反向传播的做法。 打个比方。一个学生同时学数学、英语、体育，期末总评 = 0