Upstart 的语音 AI 怎样接受审核：从混乱的表格到 92% 的人机判断一致率
受监管业务怎样知道语音 Agent 做得对，也知道给它评分的模型值得信任？
模拟环境
14 篇文章
全部文章
ARIA 在生产里漏掉一次 weave.log，团队怎样把这条失败变成回归测试？
Agent 的一次线上错误修好后，换模型或提示词仍可能让同类问题回来。
村民记得“芒果打折”，却忘了是谁说的：长期 Agent 为什么不能只靠 RAG 记忆
长期 Agent 即使能检索到记忆，也可能忘记消息来源、把传言说成事实，或没有用新信息调整计划。
一张照片能生成漂亮房间，为什么机器人还是打不开桌上的茶盒
一张照片可以生成漂亮的三维房间，机器人却未必知道桌上茶盒能否打开。
AI 安全怎样从争论回到工程：证明代码、追着失败跑，再把事故讲清楚
面对 AI 安全风险，团队能做哪些可以核查的工程工作？
AI 在湿实验里学会化学了吗？Leash Bio 把 5,000 次筛选做成推理沙盒
药物发现模型可能靠记住实验者和数据中的线索得高分，却没有学会分子与蛋白怎样相互作用。
AlphaZero 之后，David Silver 想让 AI 从零发现语言、科学和技术
AI 能否不依赖海量人类文本，靠与环境互动发现新的知识？
训练 Agent 做真实工作，难点不是多造数据：Mercor 为什么把 verifier 当成核心
怎样训练 Agent 完成跨文件、跨应用的专业工作？
Runway 不只想生成视频：一次 Sora 危机、一个神经界面和机器人仿真
视频模型能生成逼真画面，怎样进一步响应操作并帮助机器人试验动作？
让 Agent 在沙箱里跑 1,000 个任务：AWS 团队发现了哪些故障？
Agent 在本地跑通的任务，搬到远程沙箱后仍可能被目录权限、依赖路径或资源限制卡住。
一次推理输出约 22 TB：所谓“5 万亿上下文”的物理模型到底在计算什么
物理模型为什么会需要万亿级上下文？
从 30 秒标签到可运行的世界：模型越强，数据为什么越难做？
模型越来越擅长复杂任务，训练数据为什么反而更难准备？