」 参考资料： https://turntrout.com/why-i-left-google-deepmind 编辑：Aeneas新智元报道 7月17日，上海，黄浦江畔，夏风滚烫。

1、江南娱乐 这就是那篇44页的《数学年刊》论文。

朱红色的丝带贯穿山谷，与山脚下极小的白衣人物形成鲜明对比，那种「寄蜉蝣于天地」的宏大尺度感扑面而来。江南娱乐那么恭喜你，你大概率已经用上了V4 GA版！ 在Fable 5与GPT-5.6 Sol持续角力的当下，全网对开源AI的大招，可以说是拉满了期待值。

2、尼克斯4-0骑士晋级总决赛！我不得不承认6个现实：哈登又要被交易

但过去的路上，每一步也需要产出能造血的东西。

3、东体：申花这两天没给阿苏埃安排技战术训练，让他安心恢复

这些东西很难写成操作手册，但能被一段录屏完整保留。

4、人类“破二”系列报道02｜人类历史上最伟大的比赛，没有之一

到这里，一切都是好事。

5、朝鲜女足出罕见球星，以一己之力助球队夺冠，包办后两场9粒入球

光知道该做什么还不够，还得做到。

针对这一问题，星源智提出DA-Nav，一套面向城市级长程场景的方向感知视觉语言导航框架。

这一次，大晓首次提出了「信息密度定律」： 数据的价值不在数量堆叠，而在信息密度。

6、三分为矛 老将为盾！

洗衣、巡检眼下并不止大晓一家在做，但它的落点不太一样： 卖的从来不是某一款洗衣机器人或巡检机器狗，而是那颗能装进不同本体的「世界模型大脑」。

底层 S0 / WBT 也有对标行业公开最强全身跟踪模型 SONIC 的量化数据：关节角误差从 3.3° 降到 1.5°，全身位置误差从 13.75 mm 降到 12.85 mm，动作平滑度同步提升。

7、1970年，郑维山支持设国家主席，毛主席：陈伯达成了你的太上皇？

Tibo在推文里说，本来想早点把额度调回来，结果被团队为保系统不崩、稳定运行而忙的「数以百万计的任务」给绊住了。

遇到传输要耗上数十秒的请求，先由极少量机器上的RelayDecode抢先向用户输出Token，用户端因此感受不到这段传输延迟；等数据传输完成，再把输出任务无缝切换给MainDecode。

8、3换3交易达成！即便上限乔丹下限科比，也要被送走

但是，Token Capital仍然只是一个资本层面的概念。

那里面可能有SSH密钥、密码管理器、浏览器数据……你数字生活的全部家当。

用喻杰的话说，学习华为的成功经验「攀登珠峰，沿途下蛋。

9、德容：右膝韧带撕裂无需手术，世界杯期间带伤出战

而DM0.5，只是这个故事的开始。

它把自然语言指令，和材料的CIF、化学的SMILES、蛋白质序列、光谱数据、科学图像等多种科学模态，组织进同一套任务表征里。

10、从1986年到现在，萨卡里母女同闯巡回赛决赛，双双遗憾止步亚军

AI提出一个引理：如果能给每一条边分配一个包含两个元素的集合 ，并且满足对于每一个顶点，任何一个元素要么出现0次，要么出现2次——那么，这个图就一定有「循环双覆盖」。

网友直接说：「荷马会对这个作品感到骄傲！」。

1、交易热门？美媒评本赛季十大失意球员，莫兰特、吹杨、追梦上榜

偏偏交付级最较真的文字和纹理，全藏在细节里。

2、一加Ace3 Pro关键信息遭曝光 最高24GB＋1TB 配置给力

而PixVerse，正在铺就这条通往未来世界的铁轨。

3、主持人逼问张晋：你老婆陪刘銮雄6年！张晋教科书回答让全场闭嘴

所以，这不是AI推翻了顶刊，而是发现了一条人类本来可以不绕的弯路。那些一年在体育上花掉六位数的家庭，在投资什么？在接到需求之后，U1 Pro会先想版式、打草图，然后还会回头审一遍对不对味，再一块块填细节，最后统一调色、精修。

4、京彩瞬间

从20到500，Anthropic盘算的是，什么时候能把agent变成和操作系统一样基础的东西。

5、省赛狂飙！深外小将出战，三人达到国家二级运动员水平

只学习正确路线，机器人可能能够走一段；只有把错误状态和恢复过程明确纳入训练，机器人才能在偏航后真正找回方向。

6、10次40+，单赛季三座MVP，全面包围东契奇！今夜比肩他的只有乔丹

这也是超维动力坚持做通用具身技术的原因—— 必须把机器人扔进真实世界的复杂场景，收集足够多样化的数据，才可能孕育出真正通用的技术。

谁擅长算就专心算，谁擅长低延迟输出就专心输出，各尽其能。

而有60秒记忆的模型，便能把它放回去。

7、1981年邱会作保外就医后生活艰难，妻子回忆：买块肉要分成11份吃

接下来这三层，是为了在同一件事上少花冤枉Token。

更让我惊喜的是改稿环节。

8、小布泽：越看越不像他爸爸

」 大反转：对不起，我们编的 就在质疑声浪达到顶峰时，Basalt Labs发了一条简短声明：「实验已结束。

这份报告没有给出答案，它只是提前摆出了问题。

真正难的是：能不能适应不同国家的工厂标准？兼容当地主流机器人品牌？跟当地集成商体系打通？提供及时的本地服务？这考验的是研发、标准化、交付和服务的综合能力。

机器人行业未来同样可能同时存在全栈公司和通用「大脑」平台。