筛选结果
27 篇排序
2:00:51EN → 简体中文在每个 Token 处重新采样,就能看见模型怎样做决定主持 Nathan LabenzGoodfire 的 Eric Bigelow 谈分叉路径、上下文学习,以及为什么越来越难信任思维链(chain-of-thought)监控。
2:06:11EN → 简体中文Lindy 跑在 DeepSeek 上,CEO 却主张禁用中国模型主持 Nathan LabenzFlo Crivello 向 Nathan Labenz 讲述 Lindy Teammate 如何住在 Slack 里、如何用两次模型调用就调出 20 亿个 token 的记忆,以及他为什么仍想禁止那些目前支撑着这款产品的廉价中国模型。
2:16:29EN → 简体中文从每月两篇到每月六十篇:两周中国行看到的 AI 安全主持 Nathan LabenzNathan Labenz 认为,那句耳熟能详的“中国绝不会慢下来”,一接触到中国真实的 AI 安全生态就站不住了。
1:47:38EN → 简体中文19 个神经元就能开车,Liquid AI 想把基础模型装进每一块芯片主持 Nathan LabenzRamin Hasani 从线虫只有 300 个细胞的大脑讲起,一直讲到将在梅赛德斯-奔驰汽车里开口说话的 600 兆字节模型,并解释为什么如今的架构搜索,已经胜过那些凭经验拍板的“架构复仇者”。
54:26EN → 简体中文100 亿活跃参数,以及让模型适配智能体的枯燥工作主持 Nathan LabenzMiniMax 研究员 Olive Song 讲解了 M2 的训练方法:她把专家开发者当作奖励模型(reward model),采用交错思考(interleaved thinking),并搭建了扰动流水线,把每一次脚手架变动都当作真正的泛化考验。
1:54:30EN → 简体中文癌细胞比例从 1/10 降到百万分之一主持 Nathan LabenzNathan Labenz 独自主持的 AMA(有问必答),更新了儿子淋巴瘤的治疗情况,称 Claude Opus 4.5 为软件层面的通用人工智能(AGI),并盘点了 2026 年初仍具竞争力的玩家。
1:18:40EN → 简体中文当 AI 成了油井:Luke Drago 谈“智能诅咒”(intelligence curse)主持 Nathan LabenzWorkshop Labs 联合创始人在未来生命研究所(FLI)的播客中讲述,非人类生产主导的世界为何可能重演资源诅咒(resource curse),以及私人数据、开放权重(open weights)和登月式的职业选择,或许仍能打破这一局面。
1:32:38EN → 简体中文波兰语只占前沿训练数据的 1%,所以波兰自己做了一个模型主持 Nathan Labenz波兰国家信息处理研究所的 Marek Kozlowski 讲解 PLLuM 如何借助语言适配、有机指令和本地部署的小模型,让一个中等规模的国家掌握自己的 AI。
1:25:54EN → 简体中文训练结束数小时后,Z.ai 就把权重放上了互联网主持 Nathan LabenzZ.ai 的 Zixuan Li 向 ChinaTalk 讲述中国实验室如何发布 GLM,如何把开放权重当作进入西方生态的门票,以及他们仍然如何看待自己:一家后起之秀。
2:14:55EN → 简体中文从 Character AI 到 1% 的预警事件:Gabriel Weil 主张用法律责任治理 AI主持 Nathan LabenzTouro University 法学教授在与 Nathan Labenz 的对谈中说明:过失责任、严格责任和惩罚性赔偿,可以如何让前沿实验室把公众风险当作落在自家资产负债表上的损失。
1:30:57EN → 简体中文蚂蚁集团 3200 亿美元 IPO 在最后一刻被叫停:Angela Zhang 谈中国科技的走钢丝主持 Nathan Labenz一位南加州大学法学教授梳理了支配中国科技的那套动态金字塔,从滴滴上市讲到 DeepSeek 的价格战,并解释了她为什么认为美国正开始越来越像中国。
1:08:51EN → 简体中文芯片管制是为了争取十年,而非赢下 AI 竞赛主持 Nathan Labenz经济学家 Noah Smith 对 Nathan Labenz 说,美国的出口管制是针对中国的一种常规威慑手段,并非打残 DeepSeek 的计划。
2:33:39EN → 简体中文攻击者后出手:Nicholas Carlini 为什么总能攻破 AI 防御主持 Nathan Labenz谷歌 DeepMind 安全研究员谈简单的损失函数、70% 的稳健准确率,以及为什么修复必须落在系统层面,单靠模型本身不够。
1:48:20EN → 简体中文从 15% 到 70%:DeepSeek-R1 把强化学习的底牌摊了出来主持 Nathan Labenz2025 年美国总统就职日当天,DeepSeek 和月之暗面放出了推理模型的成果。在 Nathan Labenz 看来,这证明强化学习的配方简单、公开,而且仍在持续攀升。
3:53:49EN → 简体中文数据只有十二分之一,一个开源视觉模型击败了 GPT-4o主持 Nathan LabenzVeratai 的 Will Hardman 带 Nathan Labenz 梳理了两年来的视觉语言模型(VLM),从 ViT 和 CLIP 讲到 InternVL、BLINK 和 Transfusion。
1:57:00EN → 简体中文毁灭概率低于 1%:OpenAI 的 roon 为何相信好人会先拿到 AGI主持 Nathan Labenz《Doom Debates》主持人 Liron Shapira 追问 OpenAI 技术人员 roon 关于灭绝概率、默认对齐,以及连他自己也承认如同在剃刀铁丝上保持平衡的计划。
1:49:41EN → 简体中文一支十来人的团队,在 Meta 的底座上追平了 Meta 的后训练主持 Nathan LabenzNathan Lambert 讲解 Tulu 3:三阶段配方、1% 与 14% 的教训,以及开放的后训练(post-training)如今为何取决于数据与评测。
2:24:18EN → 简体中文MMLU 在训练后期才脱离随机水平,loss 只是一个警报主持 Nathan LabenzZyphra 的训练负责人讲解了 Zamba 2 的混合架构、真正重要的评测,以及小型实验室仍需重新摸索的那些技术诀窍。
1:54:01EN → 简体中文一个小网络长出了盐晶体,而训练数据里从来没有它主持 Nathan LabenzTim Duignan 用盐水训练了数万个参数。模型“发明”了一种晶体,还推出了一套连续介质溶剂理论(continuum solvent theory);而他读博期间花了整整一个博士阶段,也没能手工把这套理论写出来。
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。
2:16:27EN → 简体中文超人级围棋 AI 也有盲点,Balaji 押注的是诸神之战主持 Nathan LabenzBalaji Srinivasan 向 Nathan Labenz 解释:对抗性输入、缺失的执行器和密码学,让一个失控的单一 AI 神明变得不那么可能,反而更可能出现众多神明之间的角逐,而每一位神都仍需要祭司。
1:14:36EN → 简体中文祖鲁语绕过了 GPT-4,一百个样本就能拆掉护栏主持 Nathan LabenzNathan Labenz 读了七篇论文(四篇令人乐观,三篇并非如此),探讨究竟有没有人能真正把语言模型管住。
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。
59:28EN → 简体中文从 50 万美元到 5 万美元:MosaicML 让训练自有模型成了明码标价的产品主持 Nathan LabenzJonathan Frankle 和 Abhi Venigalla 解释:谁在训练定制的大语言模型(LLM),为什么抽取比聊天更有价值,以及 ALiBi 如何把 65k 上下文窗口(context window)拉得更长。
加载更多已显示 24 篇,共 27 篇









