筛选结果
50 篇排序
1:29:02EN → 简体中文她从不读取你的一行数据,答案准确率仍能过 95%主持 Nathan LabenzIllumex 首席执行官 Inna Tokarev Sela 向 Nathan Labenz 讲述:一个只用元数据训练的柏拉图式行业本体(ontology),如何把企业软件坍缩成一场对话。
1:24:48EN → 简体中文Canva 的 AI 功能被使用了 100 亿次:打法不是一个聊天框主持 Nathan LabenzCanva 生成式 AI 产品负责人 John Milinovich 向 Nathan Labenz 讲解自动化与增强的区别、概念层面的界面、缺少“设计竞技场”时怎么做评测,以及应用层公司为什么仍有十年的发展空间。
2:29:04EN → 简体中文让程序员留在驾驶座上:Cursor 创始人谈 Tab、智能体(Agent)与零熵编辑嘉宾 Cursor Team · 主持 Lex FridmanMichael Truell、Aman Sanger、Sualeh Asif 和 Arvid Lunnemark 向 Lex Fridman 讲述了他们为什么要分叉 VS Code、Tab 和 Apply 究竟如何运作,以及为什么大多数编程仍然需要人类实时迭代。
1:09:09EN → 简体中文SWE-bench 拿下 30%:Cosine 如何教 Genie 像工程师那样思考主持 Nathan LabenzAlistair Pullen 向《Latent Space》讲述:Cosine 如何还原人类解决问题的过程,用数十亿 token 做微调(fine-tuning),并在软件工程领域最难的公开测试之一上拿下了最高分。
37:47EN → 简体中文从通用人工智能(AGI)倒推:Magic 的 500 万 token 赌注主持 Sarah Guo, Elad GilEric Steinberger 想要的是一位你能像信任队友一样信任的编程同事,以及 AGI 之后三十年仍然美好的世界。
46:09EN → 简体中文Oriol Vinyals:把九成算力烧在预训练上的日子屈指可数了主持 Sarah Guo, Elad GilGoogle DeepMind 研究副总裁 Oriol Vinyals 谈 Gemini、长上下文、从预训练转向强化学习(RL)的即将到来,以及通用人工智能(AGI)为什么可能永远没有终点线。
1:21:53EN → 简体中文HippoRAG 以十分之一的在线成本,追平迭代检索主持 Nathan Labenz受海马体启发的知识图谱,让多跳(multi-hop)问题可以跳过蛮力式的文档爬梳。
36:20EN → 简体中文1 亿个 Token 塞进上下文要花 1000 万美元,Tengyu Ma 算了检索增强生成(RAG)的账主持 Sarah Guo, Elad Gil这位斯坦福教授、Voyage AI 创始人(founder)认为,企业管理私有知识应当靠检索,不必靠超大的上下文窗口(context window)。
1:27:01EN → 简体中文三百万封邮件、十次大语言模型(LLM)调用、六个模型:Shortwave 的检索增强生成(RAG)实战手册主持 Nathan LabenzFirebase 创始人 Andrew Lee 向 Nathan Labenz 拆解检索技术栈,这套技术让一个 Gmail 收件箱变成了能干活的 AI 助手。
30:39EN → 简体中文NVIDIA GEAR 研究、Gemini 1.5 与高速 AI 推理Matthew Berman · Forward FutureMatthew Berman 回顾具身智能体研究,以及 2024 年 2 月的一系列 AI 发布和演示。
31:28EN → 简体中文给 GPT-4 外接一个记忆,幻觉最多可减少 50%主持 Sarah Guo, Elad GilPinecone 首席执行官 Edo Liberty 向 Sarah Guo 和 Elad Gil 讲述,检索增强生成(RAG)、无服务器(serverless)向量数据库(vector database),以及把知识放在模型之外,如何让大语言模型(LLM)更可靠。
42:07EN → 简体中文Notion 的 Ivan Zhao:RAG 会让整理信息变得可有可无主持 Sarah Guo, Elad GilNotion 首席执行官在 No Priors 节目中讲述了他为什么把公司押在 GPT-4 上,为什么嵌入(embedding)和智能体(Agent)同样重要,以及软件为什么正在进入捆绑周期。
1:43:07EN → 简体中文一个智能体(Agent)发了五条推文,5000 人没有一个察觉主持 Nathan LabenzMultiOn 创始人 Div Garg 在 Cognitive Revolution 节目中讲解了 2024 年初网页智能体(web agent)的实际能力与成本,以及为什么护栏必须放在模型之外。
46:36EN → 简体中文做了十年代码搜索后,Sourcegraph 的 CTO 认为代码 AI 的竞争发生在模型之外主持 Sarah Guo, Elad GilBeyang Liu 讲 Cody,讲关键词搜索为何仍然承担着检索增强生成(RAG)的大部分工作,以及随着 AI 压缩中间件,计算机基础知识为何变得更有价值。
1:53:08EN → 简体中文GPT-4 写 SQL,四张表就是崩溃点主持 Nathan LabenzJuan Sequeda 谈为什么知识图谱(knowledge graph)是基础模型(foundation model)所缺的那个准确、可解释的“大脑”。
1:18:39EN → 简体中文那位 GPT-4 红队(red-teaming)测试员,靠一份平平无奇的提纲摆脱了卡壳主持 Nathan LabenzDan Shipper 向 Nathan Labenz 演示,如何把 ChatGPT 当作思考时的副驾驶;让它替自己代写文字,则是另一回事。
1:25:11EN → 简体中文105 行代码、100 万次曝光,和一位不肯创办公司的风投主持 Nathan LabenzBabyAGI 的作者 Yohei Nakajima 向 Nathan Labenz 讲述,一个周末的原型如何掀起了智能体(Agent)浪潮,以及他为什么又回去做投资了。
1:26:30EN → 简体中文这些数据大多从未进过数据库:Chroma 战时 CTO 谈 RAG主持 Nathan LabenzAnton Troynikov 重返《认知革命》,主张检索质量主要取决于嵌入(embedding),Chroma 应当掌控检索增强生成(RAG)的整个闭环;GPT 则仍然通不过一项基础推理测试:康威的“生命游戏”(Game of Life)。
32:14EN → 简体中文MemGPT:在固定上下文窗口之外管理大语言模型记忆Matthew Berman, Charles Packer, Vivian Fang · Forward FutureMatthew Berman 解读 2023 年的研究、演示文档检索,并听取作者 Charles Packer 和 Vivian Fang 对未来计划的介绍。
1:40:44EN → 简体中文给模型时间、记忆和工具:Nathan Labenz 2023 年 GPT-4 使用指南主持 Nathan Labenz《AI Scouting Report》第二部分,从 H100 集群和 RLHF 一路讲到思维链、检索、智能体和混合专家模型。
1:47:05EN → 简体中文编辑意义,不编辑 token:Linus Lee 谈潜空间界面主持 Nathan LabenzNotion AI 的产品负责人带 Nathan Labenz 走过他研究原型背后的界面设计、模型解剖,以及关于能动性(agency)的问题。
1:36:57ENDo the Dumb Thing First: A CTO's Playbook for Building an AI Coding Assistant主持 Jacob EffronSourcegraph CTO Beyang Liu on which AI coding features actually earn daily use, how new models get shipped and evaluated, and why retrieval is still a search problem.
54:52ENCoding Agents Are Breaking Containment: The 2026 AI Stack, the Coding Wars, and the Next Frontier主持 Jacob EffronJacob Effron and Swyx map the state of AI engineering, from agent harnesses and infrastructure churn to coding-market economics, open models, dark factories, and world models.
1:03:10ENPause Tokens, Analogical Prompts and Ring Attention: A Tour of the Transformer's Next Upgrades主持 Nathan LabenzNathan Labenz and Trey Kollmer walk through five recent papers on pausing, backspacing, prompting, streaming and long-context training, and sketch how they might combine into a more capable model.









