2025年12月24日，OpenAI联合创始人安德烈·卡帕西在社交平台X上回顾了自己年初创造的术语“氛围编程”（vibe coding）。这一概念搅动了软件工程行业，使编程不再局限于专业技术人员。卡帕西认为，普通民众从大型语言模型中获益更多，而企业也通过工具如Cursor、Claude Code等提升了效率。他指出，“氛围编程”催生了免费、临时、灵活且可弃置的代码形式，可能重塑软件行业和岗位职责。不过，METR研究显示，人工智能编程助手或令资深开发者的生产力下降19%。与此同时，非技术从业者已能快速开发应用，推特创始人杰克·多尔西便借此开发了一款即时通讯应用。卡帕西还称赞了谷歌Gemini和Claude Code的表现，并称2025年是大型语言模型“激动人心且略带惊喜的一年”。

超越ZIP的无损压缩来了！华盛顿大学让大模型成为无损文本压缩器 当大语言模型生成海量数据时，存储问题愈发突出。为此，华盛顿大学SyFI实验室提出了一种创新方案：LLMc，利用大型语言模型（LLM）实现无损文本压缩。基准测试显示，LLMc在维基百科、小说、科学摘要等数据集上的压缩率优于传统工具（如ZI...

2025年9月，苹果与牛津大学和香港城市大学联合发布了一项名为BED-LLM的研究成果。该方法无需微调或重训模型，通过引入贝叶斯实验设计框架，显著提升了大型语言模型（LLM）的提问效率。其核心是让AI学会动态调整问题，以最大化信息增益，并解决多轮对话中的“遗忘症”问题。实验表明，BED-LLM在猜谜游戏和电影推荐任务中将成功率从14%提升至91%，并在跨模型对话中表现出色。这一突破展示了AI从被动问答向主动信息收集的转变，为未来智慧对话提供了新方向。

8月7日，科罗拉多大学博尔德分校研究人员发布论文指出，大型语言模型（LLM）在解决6×6数独时表现不佳，尤其在解释决策过程时存在明显不足。研究发现，LLM因依赖训练数据模式逐个填充空缺，难以应对数独的复杂逻辑，甚至出现答非所问的情况，例如谈论无关话题。计算机科学教授阿舒托什・特里维迪强调，AI工具若无法透明解释其决策原因，将带来潜在风险。此外，LLM在国际象棋、汉诺塔等逻辑游戏中也暴露出类似问题，如违反规则或缺乏前瞻性规划。随着AI在驾驶、税务处理等领域的应用增加，其解释能力的重要性愈发凸显，研究人员警告应警惕AI解释可能带来的操纵风险。

7月7日，一项研究显示，ChatGPT在航天器自主控制模拟竞赛中表现优异，获得第二名。该竞赛基于游戏《坎巴拉太空计划》，测试大型语言模型（LLM）在航天任务中的应用潜力。研究人员通过将航天器状态和目标转化为文本描述，使ChatGPT生成操控建议，并通过转换层实现功能代码输出。此方法展现了LLM在减少训练优化需求上的优势，尽管仍面临“幻觉”问题的挑战。研究结果表明，现成的LLM也能为航天领域提供创新解决方案，未来或助力解决手动控制卫星和深空探测延迟等问题。相关论文即将发表于《空间研究进展》杂志。

5月13日，英伟达联合宾夕法尼亚州立大学和华盛顿大学发布Nemotron-Research-Tool-N1系列模型，该系列基于DeepSeek-R1启发，提出一种新型强化学习（RL）范式，旨在提升AI模型的外部工具使用能力。当前大型语言模型(LLMs)通过外部工具如搜索引擎、计算器等增强性能，但现有...

4月11日，英伟达发布大型语言模型Llama-3.1-Nemotron-Ultra-253B-v1（简称Nemotron Ultra），该模型拥有2530亿参数，在推理能力、架构效率及生产准备度方面取得重大进展。作为Meta Llama-3.1-405B-Instruct架构的升级版，Nemotron Ultra专为企业和开发者设计，支持复杂指令执行及多轮对话。该模型采用创新的跳跃注意力机制，部分层省略或替换注意力模块，并通过前馈网络融合技术提升效率，上下文窗口可达128K token，适合长文本处理。在部署方面，Nemotron Ultra可在单个8xH100节点上高效运行，大幅降低数据中心成本。此外，英伟达通过多阶段后训练优化，包括监督微调和强化学习（RL），使其在多项基准测试中表现优异。

标题：大模型“对齐”脆弱得像饺子皮 在大模型迈向通用人工智能（AGI）的过程中，“AI对齐”被认为是守护人类的最后一道防线。图灵奖得主约书亚·本吉奥指出，AI对齐不仅是技术问题，更是伦理和社会问题。AI对齐的核心目标是通过微调、强化学习等手段，确保大模型始终忠于人类价值并拒绝有害行为。 大模型公...

OpenAI近期发布了代号为O3的新型人工智能系统，被认为是“通用人工智能（AGI）前奏”。O3在技术路线上更接近人类认知方式，展示了突破性进展。AGI若实现，将带来巨大突破，但也可能引发不确定性。尽管LLM如O1在多项测试中表现出色，但仍存在局限性。专家们对AGI的实现时间持不同观点，从几年到十年以上不等。实现AGI面临数据需求、自主性等挑战，但理论障碍不大。

IT之家报道，EXO Labs展示了一台26年前的奔腾II电脑（128MB内存，Windows 98系统）成功运行大型语言模型（LLM）。这台350MHz的Elonex电脑通过FTP传输文件后，运行了基于Andrej Karpathy的Llama2.c开发的纯C推理引擎，生成了关于'Sleepy Joe'的故事。EXO Labs由牛津大学研究人员组成，旨在普及AI。尽管26万参数的LLM规模较小，但在Windows 98上的生成速度达每秒35.9个token。EXO Labs还提出BitNet架构，目标是实现AI的普及。