GitHub Copilot 为什么说聊天框是错误 UI:用 canvas 替代 chat
GitHub Copilot 提出 canvas 概念,即在 GitHub Copilot 应用内运行的小型全栈应用,无浏览器外壳,可与 agent 双向通信,也能调用第三方 API 并在本地执行代码。
GitHub Copilot 提出 canvas 概念,即在 GitHub Copilot 应用内运行的小型全栈应用,无浏览器外壳,可与 agent 双向通信,也能调用第三方 API 并在本地执行代码。
GitHub Podcast 最新一期拆解了五个 AI 热门观点:AI 生成的代码仍需阅读和负责,只是审查力度应按风险分级;Skills 与 MCP 解决不同问题,前者是打包的团队经验,后者是智能体连接工具与数据的标准,可组合使用;RAG 并未消亡,它让模型基于训练数据外的文档、内部知识和代码库上下文作答,避免浪费 token 并减少不完整回答。
Hugging Face 发布 2026 年 1 月至 8 月的开源模型生态观察报告,覆盖六大发现。公开模型仓库从 2.43 增至 2.96 百万,但 85.6% 模型下载不足 200 次,1.5% 仓库占 99.2% 下载量;中国实验室月度最大开源模型参数在 754B 至 2.78T 之间,多款超 100B 美国模型基于中国模型构建。
推荐理由:报告用下载、衍生模型、许可证等多组数据拆解了开源生态的注意力与实际采用差异,可迁移的判断框架清晰。
Hugging Face 与 alphaXiv 于 7 月 15 日至 8 月 2 日举办 ICML 2026 Open Reproductions 挑战,1,221 名社区成员自带编码智能体,在 19 天内发布 6,816 个 Trackio logbook,尝试复现 2,226 篇论文(占会议 34%),共判定 35,908 条 claim。
推荐理由:原文用 2,226 篇论文的复现数据给出可复现性分布,并归纳出人类在智能体科研中的新角色定位。
Hugging Face 指出,AI 行业的下一个真实瓶颈正从模型智能转向 GPU 利用率,闲置 GPU 就像停在地面的飞机,成本按小时累积而产出只在计算时产生。
伯克利 EPIC Data Lab 提出近零推理成本时代数据系统面临三大挑战:为智能体设计的数据系统、运行智能体集群的数据系统、由智能体合成数据系统。GPT-4 级能力从 2023 年初约 $30/百万 token 降至如今不到 $1,部分厂商已低于 $0.10,推理价格年降幅在 9x 到 900x 之间,中位数约 50x。
加州大学伯克利分校 BAIR 实验室展示 2026 届博士毕业生,其研究覆盖机器人、具身智能、大语言模型与推理、计算机视觉、生成建模、AI 安全、人机交互及 AI for Science 等方向。
Dharma AI 解读 Goldfeder、Wyder、LeCun 与 Shwartz-Ziv 2026 年论文《AI Must Embrace Specialization via Superhuman Adaptable Intelligence》,论证专业化是 AI 系统的必然趋势。
Google Research 发布 I/O 2026 综述,介绍其在科学发现、健康、边缘计算、天气预测、Gemini 核心能力、开发者生产力、隐私保护和量子计算等方向的研究与产品进展。
推荐理由:官方长文系统梳理了研究到产品的转化路径,读者可据此理解其各条线的布局重点。
Google DeepMind 复盘其 AI 气象模型 WeatherNext 如何帮助美国国家飓风中心(NHC)提前五天以 80% 置信度预测飓风 Melissa 将以 Category 5 强度登陆牙买加,三天前该置信度升至接近 100%,这是首次从 Category 1 风速起报成功预测风暴达到 Category 5 强度。
推荐理由:原文回顾了 WeatherNext 在一次真实飓风中的预测表现与协作过程,读者可据此理解 AI 气象模型如何进入官方预报流程。
伯克利 AI 研究团队梳理了并行推理领域进展,指出当前方法多由外部预设并行结构,模型无法自行决定何时分解任务、开启多少线程。文章重点讨论自适应并行推理,并提及 ThreadWeaver、ParaThinker、GroupThink、Hogwild! Inference 等方法。
Google DeepMind 发布 AlphaEvolve 一周年影响综述,这一 Gemini 驱动的编码智能体已在多领域落地:基因组学中使 DeepConsensus 变异检测错误降低 30%,电网 AC Optimal Power Flow 可行解求解率从 14% 提升至 88% 以上,自然灾害风险预测准确率提升 5%。
推荐理由:原文按领域梳理了 AlphaEvolve 一年来的落地成果与量化数据,便于读者判断这类算法发现型智能体的实际影响范围。
Google Research 介绍了科学家使用 Empirical Research Assistance (ERA) 的四个真实场景:在公共卫生领域,ERA 生成的美国流感。
推荐理由:四个真实场景展示了ERA从预测到机制发现的可迁移用法,便于评估AI辅助科研的实际边界。