筛选结果
16 篇排序
1:26:46EN → 简体中文很可能存在一种我们不该越过的智能水平主持 Nathan LabenzNathan Labenz 带回了 The Curve 大会的见闻:一家芯片初创公司的 token 账单超过了工资支出,一些软件行业的人则因为交上来的 Claude 低质量产出而被绩效考核。
2:19:30EN → 简体中文调查人员只获准六天,protein 一词只出现过一次主持 Nathan LabenzCognitive Revolution 一周的晨间节目,内容涉及 OpenAI 的智能体群体事件、GPT-6 Astra 的循环 Transformer,以及暂停之争是否已经结束。
2:06:41EN → 简体中文把 J-space 清零,模型的隐藏目标在第一个 Token 上就亮了主持 Nathan Labenz《The Cognitive Revolution》的每周精选:Anthropic 的全局工作空间(global workspace)论文、AI 超级预测者、开放的视频世界模型,以及一款把推理当作数据搬运问题来解的芯片。
1:26:16EN → 简体中文毫秒级竞价:Criteo 如何为十亿个匿名用户画像出价主持 Nathan LabenzCriteo 的 CTO 和 AI 实验室负责人讲解了毫秒级竞价、从 DeepKNN 到基础模型的技术栈,以及为什么实时的商品目录仍然胜过冻结的 LLM。
1:57:29EN → 简体中文前沿视觉模型得分 12.5%:Joseph Nelson 谈计算机视觉的真实水位线主持 Nathan LabenzRoboflow 的首席执行官向 Nathan Labenz 解释,视觉为何仍落后于语言,如何把 SAM 3 蒸馏成温布尔登可用的边缘模型,以及美国为何几乎从未在开源视觉上领先。
1:22:07EN → 简体中文把支付看作影片中的镜头:Stripe 基础模型让卡片测试的检出率从 59% 升至 97%主持 Nathan LabenzStripe 数据与 AI 负责人 Emily Sands 解释:一个面向支付领域的模型、共享的向量表示,以及规则与模型的混合,如何把一个 1.4 万亿美元的网络变成复利式的优势。
1:32:47EN → 简体中文Transformer 论文共同作者想做一个无人持有的 1.6 亿美元模型主持 Nathan LabenzIllia Polosukhin 在节目中向 Nathan Labenz 讲述,NEAR 如何把一个支付难题,变成了一整套用于隐私推理、收益共享式训练和 AI 智能体的技术栈,而这些智能体仍然要向法院负责。
38:10EN → 简体中文格式对了加 5 分,编译通过再加 10 分主持 Nathan LabenzPredibase 首席执行官 Dev Rishi 讲述强化微调(RFT)、线上反馈和专用小模型,如何把一次性训练变成能持续学习的系统。
2:12:00EN → 简体中文测试时的梯度下降:Titans 把大语言模型(LLM)的上下文推到 1000 万个 Token主持 Nathan Labenz在 GPT-4 的成绩断崖式下跌的地方,这位康奈尔大学博士生的神经记忆模块仍能保持约 70% 的准确率。
1:42:16EN → 简体中文七个月里 267 篇后续论文:Albert Gu 讲述状态空间模型的革命主持 Nathan LabenzMamba 合著者回顾了五年来的循环模型研究,讲选择性压缩为什么比不断增长的 KV 缓存(KV cache)更有效,以及 Mamba 2 为了让训练更快放弃了什么。
1:42:17EN → 简体中文最便宜的推理服务商,才是最危险的主持 Nathan LabenzFireworks AI 的两位联合创始人 Lin Qiao 和 Dmytro Ivchenko 解释了补贴出来的 GPU 账单为什么会消失,低秩适配(LoRA)服务如何能把成本降低百倍,以及真正值得在意的对手为什么是 OpenAI。
1:22:43EN → 简体中文50 亿分钟通话:Dialpad 为什么要训练自己的商务大语言模型(LLM)主持 Nathan LabenzDan O’Connell 谈实时语音、技术栈的纵向整合,以及他与 Nathan Labenz 在 AI 员工何时出现这一问题上的分歧。
52:48EN → 简体中文OpenAI 把微调价格砍掉 90%,创业者把 Llama 2 从清单上划掉了主持 Nathan LabenzNathan Labenz 和 Erik Torenberg 梳理了 GPT-3.5 Turbo 的微调、自建模型为什么在总成本上仍然占不到便宜,以及代码、学校和医疗领域目前真正有效的做法。
1:01:26EN → 简体中文AlexNet 用两块 GPU,GPT-4 用了两万块,短缺还会再来主持 Nathan LabenzRun:ai 首席技术官 Ronen Dar 谈如何让闲置的加速卡重新用起来,为什么 H100 按每次实验计算反而更便宜,以及 Llama 2 为何削弱了算力管制(compute governance)的说服力。
1:20:49EN → 简体中文用一整片晶圆做成的芯片,让 AI 不再被阿姆达尔定律(Amdahl's law)拖慢主持 Nathan LabenzCerebras 的 CEO Andrew Feldman 向 Nathan Labenz 解释,为什么一块拥有 2.5 万亿个晶体管的裸片、稀疏线性代数,以及一台由 16 台机器组成的超级计算机,比 GPU 集群是更好的形态。
57:21ENGemini 2.0 Flash Goes to Production: Pricing, Model Lineup and What Developers Should Build Next主持 Nathan LabenzGoogle DeepMind's Logan Kilpatrick walks through launch-day Gemini 2.0 releases, rate limits, model naming, and where he sees startup opportunities.









