研究背景与作者 - 研究由知名开源项目OpenEvolve的作者Asankhaya Sharma及其团队进行，该作者在AI/ML领域有显著成就，包括率先关注大语言模型的“推理时计算”并发表论文，以及开源了OptiLLM、OpenEvolve、Adaptive Classifier等知名项目 [7][8] 核心发现：模型“形状”比架构更重要 - 对于约70M参数的小模型，架构的重要性远低于普遍想象，相比之下，模型的“形状”（即深度与宽度的比例）更为关键 [1] - 在70M参数模型范围内，测试了包括LLaMA3、Qwen3、Gemma3在内的12种不同现代架构，发现它们的平均性能差异不到2%，表现惊人地相似 [26] - 现代架构的改进（如RMSNorm、RoPE、GQA）是为70亿以上参数的模型设计的，在70M参数规模下无法带来可衡量的优势 [27] - 这意味着对于小模型，精心调整的“深度-宽度配比”比选择具体的架构变体更重要 [27] 层数“玄学”与隐藏维度的关键作用 - 研究发现模型层数存在“玄学”：12层、32层、64层效果良好，而16层、24层、48层效果糟糕，其中最佳层数为32层 [2][15] - 效果“好”的层级（12L、32L、64L）平均得分约38%，效果“糟”的层级（16L、24L、48L）平均得分约32%，两个层级阵营之间的平均差距超过6个百分点 [15][16] - 这一现象背后的关键因素是“隐藏维度”，模型的隐藏维度必须大于或等于512，这是一个基础门槛 [3][18] - 当隐藏维度小于512时，模型性能会显著下降，除非其深度处于特定的“补偿”位置 [20] - 32层是“黄金补偿点”，在隐藏维度为384的情况下，32层配置取得了所有测试配置中的最高平均得分38.50%，甚至略胜于标准的12层设计（隐藏维度512，得分38.15%） [16][20][23] - 64层则属于“暴力补偿”，通过极深的层数来弥补宽度（隐藏维度256）的不足，从而也取得了约38.21%的高分 [20][16] 扩散模型的竞争优势 - 在测试的架构中，扩散模型（如dLLM, Dhara）的平均准确率（约31%-32%）略低于自回归模型（约32%-33%） [28][29] - 但扩散模型在推理速度和事实准确性（幻觉率低）方面具有显著优势 [30] - 扩散模型的推理速度比传统自回归模型快3.8倍，非常适合批量任务处理 [31] - 在所有测试架构中，扩散模型在衡量真实性的TruthfulQA基准上得分最高，dLLM-Canon模型达到了49.27% [33][34] - 通过一种称为“Canon层”（一种精心设计的卷积层）的特殊结构，可以进一步提升模型的事实准确性，为普通模型提升约1%，为扩散模型提升超过2%，而参数开销仅增加0.13% [35][36] 高效模型转换方法与新模型发布 - 利用LLaDA 2.0论文中的Warmup-Stable-Decay方法，可以将现有的自回归模型高效转换为扩散模型，所需数据量、成本和训练时间仅为从头训练的十分之一 [38][39] - 这种转换方法不仅结果与从头训练相当，而且在多项基准测试上超越了后者 [39] - 基于所有研究发现，团队推出了集大成的Dhara-70M模型，该模型参数为71.34M，采用32层（黄金深度）和384隐藏维度的最佳形状配置 [41][44] - Dhara-70M的构建方法是：首先采用最佳的自回归架构，然后使用WSD方法将其转换为扩散模型，从而兼具自回归模型的知识储备和扩散模型的吞吐量与事实性优势 [42][43] 对小模型构建者的实践启示 - 对于资源有限的小语言模型构建者，不应盲目追求最新的架构改进，而应首先关注基础的“深度-宽度配比”，确保模型不落入性能低下的“死亡区域” [45] - 如果应用场景需要高速处理且对事实准确性要求高，那么扩散模型是一个极具竞争力的选择 [45]

2025年中国AI产品市场发展态势 - 2025年国内AI产品领域涌现多个关键趋势，包括深度思考、Agentic AI、多智能体协作、多模态生成和端侧AI [4] - 多个颠覆性产品引领各技术方向：DeepSeek凭借强推理和透明化思考引领智能助手迭代；Manus实现从“思考→规划→执行→交付”的全链路自主任务处理，成为“真正意义上的通用AI Agent”；Lovart等产品通过多智能体协作实现高效任务处理；即梦AI等在多模态生成上取得进步；豆包AI手机实现了系统级AI智能体与操作系统的深度集成，重构人机交互范式 [4] 量子位智库「AI 100」榜单概览 - 榜单旨在对过去一年中国AI产品发展进行全景式检阅，并深度洞察未来AI产业格局，目标是找到代表中国AI实力的巅峰力量 [4] - 榜单共分为三大板块：代表最强综合实力的「旗舰AI 100」、最具未来潜力的「创新AI 100」和十大热门赛道的代表产品 [6] - 「旗舰AI 100」聚焦2025全年表现，评选综合能力最强的100款AI产品，这些产品需在技术上实现突破并在实际应用场景中展现巨大价值 [7] - 「创新AI 100」旨在挖掘在2025年崭露头角、具备2026年爆发潜力的创新产品，这些产品代表了AI技术的前沿方向 [8] - 十大细分赛道TOP3评选将聚焦行业核心赛道，包括：AI浏览器、AI Agent、AI智能助手、AI工作台、AI创作、AI教育、AI医疗、AI娱乐、Vibe Coding和AI消费级硬件 [9] 「AI 100」榜单评估体系与内容 - 榜单采用定量与定性相结合的双重评估体系以确保客观性和准确性 [13] - 定量评估以真实用户数据为基础，涵盖用户规模、用户增长、用户活跃、用户粘性四大核心维度，包含下载总量、新增下载、活跃用户数、留存率等超过20个具体指标；硬件产品则考察出货量 [13] - 定性评估聚焦长期发展潜力，通过专家评估和用户调研，综合考量产品的底层技术、市场空间、功能设计、变现潜力、团队背景、增长速度等多重因素；硬件产品考察具体功能设计和实际使用体验 [13] - 除榜单外，周边内容还包括数据解读文章、分赛道产品解析、1v1 AI产品深度访谈等 [14] - 量子位智库已对外公开自研梳理的国内AI产品知识库，提供对国内AI应用生态全景式、结构化、实时更新的梳理 [15]

文章核心观点 - 文章核心观点认为，许多改变世界的知名产品最初都起源于不被重视的“支线项目”，这些项目因非KPI驱动、非战略立项而拥有更大的创新自由度和试错空间，最终成功逆袭成为公司核心产品或行业标杆 [1][2][3] - 在AI时代，由于技术降低了试错成本，个人或小团队通过支线项目进行探索和验证的效率大幅提升，这使得关乎未来方向的早期信号可能越来越多地出现在这类项目中 [37][42][53] 支线项目的定义与特征 - 支线项目被定义为非主线、非KPI驱动、最初非战略立项的项目，其成立之初对公司战略并不重要 [2] - 这类项目因不受项目经理、销售、合规、股东等约束，被认为是“魔法生效的地方”，拥有更大的自由度和创新潜力 [3] 国内支线项目案例：DeepSeek与Qwen - **DeepSeek**：是量化投资公司幻方量化内部的支线项目，最初作为服务于量化交易的技术研究自然延伸而出，并非战略立项 [11][12] - 公司因量化交易背景，拥有丰富的GPU算力资源和金融场景数据优势，为AI研发提供了坚实基础 [14][15][16] - 项目绕开了创业项目常见的节奏、融资等约束，允许技术跑在需求前面 [13] - **Qwen**：是阿里巴巴的支线项目，在公司早期战略更侧重于ToB大模型商业化交付的背景下，坚定走上了开源道路 [20][21] - 项目负责人指出，支线项目通过减少过度决策和微观管理，将自主权交还给研发人员，从而提高了成功几率和迭代速度 [22][23][24] - 公司采取“放养”策略，在项目证明价值后再逐步融入主线资源 [25][26] 硅谷支线项目案例：Claude Code与ChatGPT等 - **Claude Code**：最初是Anthropic工程师Boris Cherny基于Claude大模型的一个实验性支线项目，旨在与系统文件交互 [27][28][30] - 项目面市后产生暴风式传播，成为公司当家产品之一 [32] - 工程师记录显示，该项目已深刻改变其工作流程：在过去30天里，其使用Claude Code提交了259个PR、497次提交，添加了40000行代码，删除了38000行代码，Claude能持续运行数分钟至数天 [34] - **其他案例**：文章列举了多个源自支线项目的全球知名产品，包括OpenAI的ChatGPT、Meta的PyTorch、Google的Gmail、Odeo的Twitter（现X）以及Tiny Speck的Slack [4] AI时代支线项目的趋势与价值 - **试错成本降低**：AI加速进入软件工程流程，显著拉低了试错成本，使个人能更轻松、迅速地完成初步验证，缩短了从想法到验证的距离 [37][38][42] - **探索模式改变**：探索不再必须作为正式立项行为，许多支线项目始于解决具体问题，通过真实使用不断修正方向而最终成长为重要产品 [39][41][43] - **个人价值放大**：当试错足够便宜，能否被迅速使用和反馈变得更重要，这直接放大了个人探索的价值 [44][45] - **与主线项目的关系**：支线项目探索成本低、反馈快，能为主线项目在方向被验证后承接规模化任务打下基础，但AI并未同步提升战略判断的准确性，主线项目在技术环境变化时仍可能受原有判断束缚 [47][48][51]

清华大学AGI-Next前沿峰会核心观点 - 峰会由清华大学基础模型北京市重点实验室发起，汇聚了智谱、Kimi、阿里等中国AI领域核心公司的领军人物，信息密度极高[1][4][5] - 核心讨论围绕大模型技术发展轨迹、当前范式转变（从Chat到做事）、未来AGI发展方向以及中美竞争格局展开[7][54] 大模型技术发展轨迹与范式转变 - 大模型智能水平发展轨迹类似人类成长：2020年前后解决简单问题，2021-2022年进入数学计算和基础推理，2023-2024年走向复杂推理并处理真实世界任务（如SWE-bench）[18][19] - 2025年模型整体能力仍在快速提升，但核心问题是从规模扩展（Scaling）走向真正的泛化能力[21][22][25] - DeepSeek的出现标志着“Chat”范式基本结束，行业共识是下一步从“对话”走向“做事”，让AI完成具体任务[7][32][33][34] - 智谱AI在2025年7月28日发布的4.5版本中，整合了Coding、Agentic和Reasoning能力，在12个Benchmark评测中取得领先，但面对真实复杂任务（如一句话生成植物大战僵尸游戏）仍频繁出Bug[37][38][39] - 通过引入可验证强化学习（RLVR）在真实编程和Web环境中获取反馈，智谱AI的模型在SWE-bench等评测中成绩提升，并于2025年底在ArtificialAnalysis榜单取得不错综合成绩[39][40][41][43] 智能体（Agent）与编程（Coding）能力发展 - 智能体的基础能力是编程，但复杂任务（如数十步、上百步的异步长链路任务）需要全新的能力形态[44][45] - 面对冷启动问题（缺乏现成数据），行业采用混合方案：对AI友好场景优先调用API，对人友好场景让AI模拟GUI操作，通过采集交互数据进行全异步强化学习[46][47] - 智谱AI在2025年12月开源了9B规模的AutoGLM模型，该模型在Agent任务上能力显著增强，但部分通用语言能力下降，显示出强化特定能力与保持通用性之间的权衡[51] - 代码能力发生质变：2021年模型写十个程序才能跑通一个，如今在复杂任务中往往可以一次性跑通，实质性辅助高级工程师工作[30][31] - 阿里通义千问在2025年专注于打造通用智能体（Generalist Agent），其Coding模型在SWE-bench评测中达到70分，并关注贴近实际生产任务[123][141][142][144] 模型架构与训练技术的创新 - Transformer成为主流架构的核心原因是在Scaling Law上表现优于LSTM，尤其是在长上下文（Long Context）场景下[94][95][97] - 模型架构迭代的目标是追求更高的Token效率（用更少的Token达到相同效果）和更强的长上下文能力，这两者是实现优秀Agent智能的关键[96][98][99][100] - Kimi团队在2025年采用MUON二阶优化器，相比传统的Adam优化器，实现了2倍的Token效率提升，相当于用50%的数据达到相同的Test Loss[100][102] - Kimi团队研发了kimi Linear架构（一种线性注意力机制）和kimi Delta Attention，旨在实现线性复杂度的同时，在长短程任务上的效果超越原始Transformer全注意力机制，并带来6到10倍的端到端速度优势[101][110][112][115] - 训练体系面临挑战，智谱AI开发了全异步强化学习训练框架来解决不同RL任务调度难题，并于2025年开源[41] 未来AGI发展方向与挑战 - 人类领先于当前模型的几类能力可能是突破方向：1) 原生多模态感统机制；2) 记忆与持续学习（从个体记忆扩展到文明级记忆）；3) 反思与自我认知能力[57][59][61][63][64] - 参考人类双系统认知（系统一处理95%任务，系统二处理5%复杂任务），AI系统可规划为系统一（大规模模型）、系统二（推理机制）和自学习模块[65][66][67][68] - 未来的Scaling包含三个维度：1) 扩展数据与模型规模；2) 扩展推理（延长思考时间）；3) 扩展自学习环境（增加与外界交互反馈）[74][75][76][77] - Transformer的O(N²)计算复杂度是瓶颈，需要寻找像人脑一样用更小“容量”承载更大知识量的新压缩方法和模型架构[78][79][80] - 行业思考的五层能力演进：从函数映射，到学会推理，再到具备自反思与自学习能力，最终可能发展出自我认知甚至意识[83][84][85][86][87] - 2026年及以后的重点方向包括：区分已知路径与未知路径的Scaling、推进全新模型架构解决超长上下文和知识压缩、重点发展多模态感统能力，并判断2025年可能成为AI for Science的重要突破年份[89] 中美竞争格局与行业分化 - 在Artificial Analysis榜单前五名中，蓝色模型几乎全部来自中国，说明中国在开源大模型领域已形成显著影响力[53] - 阿里通义林俊旸认为，中国想在AI赛道反超美国很难，20%这个数字已经很乐观[7] - 行业出现明显分化：1) to C 和 to B 市场分化。to C用户大部分时候不需要那么强的智能，而to B市场智能直接等同于生产力，用户愿意为最强模型支付高溢价（例如200美元/月 vs 50美元/月）[170][173][175][176] - 2) 垂直整合与模型应用分层出现分化。to C应用（如ChatGPT、豆包）模型与产品强耦合，垂直整合成立；但to B场景趋势相反，强大的模型层与专注应用层的公司可能各司其职[170][176] - 学术界与工业界需要协同：工业界领头疯跑后，学术界应跟进解决基础科学问题，如智能上界、资源分配平衡、持续学习中的噪音清理（类似人类睡眠机制）、以及“无免费午餐定理”等[182][183][184][185] - 腾讯姚顺雨指出，做Coding Agent消耗量在中国没有美国那么大，市场认知存在差异[181] 开源生态与公司实践 - 智谱AI自2019年成立以来持续推动开源，涵盖模型、工具和开发者API体系，2025年成为GLM的“开源年”，陆续开源了包括GLM-4.6、4.6V、4.5V等多条模型线[9][10][52] - 阿里通义自2023年8月3日开始做开源，开源了从1.8B到大规模模型等多种型号，初衷包括帮助资源有限的硕士生、博士生完成实验毕业，并响应手机厂商等客户需求[125][126][127][128] - 阿里通义在2025年支持119种语言及方言，并致力于服务全球用户，包括收集难度较大的非洲语言数据[136][137] - 阿里通义在2025年推出Qwen3系列模型，重点提升推理（reasoning）能力，并致力于打造全模态模型，集成文本、视觉、语音的理解与生成能力[134][135][158][159] - 阿里通义的视觉模型（VL）在2025年达到与235B语言模型持平的智力水平，解决了多模态模型常伴有的“变笨”问题，并增强了GUI操作、视觉推理等能力[145][147][148] - 阿里通义的图像生成模型Qwen-Image在2025年12月的版本相比8月版本有显著提升，生成图像更接近真人，并重点优化了图像编辑功能（如精确对象移除、光线调整）[152][153][154]

公司及产品定位 - 公司矩阵超智于去年正式走到台前，其团队背景横跨特斯拉、英伟达、OpenAI等顶级技术体系，目标是AGI路线上的通用人形机器人 [3][4] - 公司最新产品MATRIX-3是一款主打安全、自主、可泛化的物理智能机器人，标志着人形机器人从“执行预设指令”迈入“理解并适应物理世界”的新阶段 [3][7] - 该产品的目标不止于专业场景，而是开始向日常生活领域迈进，旨在以最自然、最安全的方式融入人类的物理空间 [3][30] 产品核心能力与技术创新 - **仿生设计与感知新生**：MATRIX-3机身覆盖首创的三维编织柔性织物仿生肤质，内嵌分布式传感网络，能缓冲接触并感知位置与力度 [11][12] - **仿生设计与感知新生**：指尖集成高灵敏度触觉传感器阵列，可感知0.1N的压力变化，结合视觉系统形成视触觉感知系统，实现对易碎品、柔性物体的精细化操作 [15] - **灵巧操控与拟人步态**：搭载全新设计的27维自由度灵巧手“灵犀之手”，结合键绳驱动技术，实现轻量化与精准控制，可完成使用工具、操作精密仪器等复杂任务 [17][18] - **灵巧操控与拟人步态**：基于大规模人类运动数据开发的通用运动控制模型，使其行走、转身等姿态流畅自然，动力核心为一体化直线关节 [20][21] - **认知内核与零样本泛化**：搭载自主研发的全新神经网络架构，具备强大的零样本任务泛化能力，无需针对每个任务进行海量训练即可快速适应新环境与新技能 [23][24] - **认知内核与零样本泛化**：在数据驱动下，机器人能够自主规划抓取策略、避障路径并实时调整，完成需要手眼协调的复合任务 [25][26] 产品意义与商业进展 - MATRIX-3为人形机器人的规模化、实用化铺平道路，并为商业服务、制造业、物流、医疗辅助及未来家庭服务奠定了新的软硬件平台标准 [10] - 该产品是公司人形机器人走向成熟应用的关键里程碑，融合了仿生设计、灵巧物理执行与泛化AI，构建了为理解并作用于物理世界而生的智能体 [28][29] - 公司已针对特定行业合作伙伴开放早期体验计划，并预计于2026年启动首批试点部署 [31]

公司概况与市场地位 - 公司是一家以追踪AI新进展为核心的内容平台，拥有8年行业积累[1] - 公司在微信公众号拥有超240万订阅用户，全网用户超700万，日均阅读量200万以上[12] - 公司在第三方数据平台（如新榜、清博）是AI及前沿科技行业TOP1新媒体[12] 招聘岗位与方向 - 公司开放三大方向的岗位招聘：AI产业方向、AI财经商业方向、AI产品方向[2][6] - 岗位面向社招和校招，社招覆盖编辑、主笔、主编各个层级，校招面向应届毕业生并可实习转正[4][6] - 工作地点位于北京中关村[2] AI产业方向岗位详情 - 岗位职责包括跟进AI基建层新进展（芯片、AI Infra、云计算）及核心玩家动态[6] - 职责还包括对前沿论文、开源社区、技术大会报告进行大众化解读[6] - 需参与核心采访，对话产业专家、技术大牛，并撰写AI云落地案例[7] - 任职要求对芯片、GPU、NPU、服务器、模型训练架构、云计算有基本理解[11] - 要求熟悉AI行业供应链与生态，并能将复杂技术内容结构化表达，有技术背景者优先[11] AI财经商业方向岗位详情 - 岗位职责聚焦创投、AI创业公司、上市公司、商业模式及产业链资本动向[11] - 需产出创投融资、招股书财报解析、公司战略分析等稿件[11] - 需访谈对话投资人、创业者、产业分析人士[11] - 任职要求对数据敏感，对财报、股权结构、战略规划感兴趣[11] - 要求逻辑结构强，对商业叙事敏感，并热爱对话采访[11] AI产品方向岗位详情 - 岗位职责关注AI在终端的落地，包括软件应用产品和硬件方向[11] - 需撰写AI应用产品深度评测，并跟踪多终端新品发布（手机、PC、XR、车机等）[11] - 需对话访谈AI应用创业者、产品专家、终端技术专家[11] - 任职要求对智能硬件、AI终端趋势敏锐，是重度AI产品体验人士[11] - 要求熟悉各大终端厂商业态和体验方法论，并有强逻辑、体验表达和结构化能力[11] 加入公司的价值主张 - 员工可站在AI浪潮之巅，第一时间接触和了解AI领域最新技术和产品，构建完整认知体系[6] - 可将各种AI新技术、新工具应用于工作，提升效率和创造力[6] - 可通过撰写独家原创内容建立个人知名度，成为AI领域意见领袖[6] - 可与AI领域大咖零距离接触，参与重要科技活动，拓展行业人脉和视野[6] - 应届新人可获得主编级编辑的一对一指导[6] - 可加入扁平、简单、开放、多劳多得能者上位的活力团队[6] - 可获得行业TOP薪资待遇及五险一金、餐补、项目绩效、商务绩效、加班补助等福利[6]

2025年中国AI产品市场概览 - 2025年国内AI产品领域涌现多个关键趋势，包括深度思考、Agentic AI、多智能体协作、多模态生成和端侧AI [4] - 多个颠覆性产品代表了这些趋势：DeepSeek凭借强推理和透明化思考引领智能助手迭代；Manus实现了从“思考→规划→执行→交付”的全链路自主任务处理，成为“真正意义上的通用AI Agent”；Lovart等产品通过多智能体协作实现高效任务处理；即梦AI等在多模态生成上取得进步；豆包AI手机则将系统级AI智能体深度集成于手机操作系统，重构人机交互范式 [4] 量子位智库「AI 100」榜单介绍 - 榜单旨在对过去一年中国AI产品发展进行全景式检阅，并深度洞察未来AI产业格局，目标是找到代表中国AI实力的巅峰力量 [4] - 榜单共分为三大板块：代表最强综合实力的「旗舰AI 100」、最具未来潜力的「创新AI 100」和十大热门赛道的代表产品 [6] - 「旗舰AI 100」聚焦2025全年表现，评选综合能力最强的100款AI产品，这些产品在技术上实现突破，并在实际应用场景中展现巨大价值 [7] - 「创新AI 100」旨在挖掘在2025年崭露头角、具备2026年爆发潜力的创新产品，这些产品代表了AI技术的前沿方向 [8] - 榜单对10个热度最高的细分赛道进行专项提名，每个赛道评选出TOP3产品，赛道包括：AI浏览器、AI Agent、AI智能助手、AI工作台、AI创作、AI教育、AI医疗、AI娱乐、Vibe Coding和AI消费级硬件 [9] 榜单评估体系与内容 - 「AI 100」是量子位智库推出的AI产品风向标系列内容，旨在全维度提供AI技术驱动下产品长期创新和变革的第三方参考，主要由「旗舰 AI 100」和「创新AI 100」构成，按季度发布 [12] - 榜单采用定量与定性相结合的双重评估体系以确保客观性和准确性 [13] - 定量评估以真实用户数据为基础，涵盖用户规模、用户增长、用户活跃、用户粘性四大核心维度，包含下载总量、新增下载、活跃用户数、留存率等超过20个具体指标；对于硬件产品则考察产品出货量 [13] - 定性评估聚焦长期发展潜力，通过专家评估和用户调研，综合考量产品的底层技术、市场空间、功能设计、变现潜力、团队背景、增长速度等多重因素；对于硬件产品则考察具体功能设计和实际使用体验 [13] - 除榜单外，周边内容还包括数据解读文章、分赛道产品解析、1v1 AI产品深度访谈等 [14] 相关资源与参与方式 - 量子位智库已对外公开自研梳理的国内AI产品知识库，提供了对国内AI应用生态全景式、结构化、实时更新的梳理 [15] - 榜单申报时间为即日起至2026年1月15日，榜单计划于2026年1月中下旬发布 [10]

吴恩达提出“图灵-AGI测试”的背景与动机 - 2025年被行业视为人工智能工业时代的开端，其标志是模型性能创新、AI应用变得不可或缺、顶尖企业人才争夺激烈以及基础设施建设推动经济增长 [4][5] - 学术界与工业界频繁提及AGI概念，硅谷公司甚至为其设定季度目标，但AGI的定义缺乏统一标准，现有基准测试常误导大众高估当前AI水平 [6][7] - 为弥补AGI衡量标准的空白并校准社会期望，吴恩达计划在2026年推出新的“图灵-AGI测试” [1][8][29] “图灵-AGI测试”的核心设计与理念 - 测试旨在衡量AI的工作能力，其核心是让AI像人类一样智能，并完成大部分知识型工作 [13][14] - 测试对象（AI系统或专业人士）将在一台可访问互联网并配备浏览器、Zoom等软件的计算机上，完成裁判设计的“多日体验任务”，例如作为客服经过培训后执行接听电话工作并提供持续反馈 [15][17] - 只要AI能像人类一样熟练完成工作任务，即被视为通过测试，该测试聚焦于AGI的经济性和实际产出，更接近可用于工作和生产场景的普世定义 [18][19] 新测试相较于现有基准测试的优势 - 现有基准测试（如GPQA、AIME、SWE-bench）使用预先确定的固定测试集，导致AI团队针对测试集优化模型，造成榜单排名靠前但实际能力不足的现象，例如去年的Llama 4刷榜丑闻 [20][21][22] - 固定测试集只能衡量AI在狭窄领域的能力，而图灵-AGI测试允许裁判自由设计任意体验任务，不事先限定范围，更能判断系统在通用任务上的表现 [28] - 新测试比基准测试更能考验AI的通用能力，并为AI团队设定“完成人类工作”的具体目标，而非模糊的“实现人类级智能” [20][31] 行业现状与主要AI模型性能对比 - 根据提供的基准测试数据，主要大模型在多项能力上存在竞争，例如在图像推理（MMMU）任务中，Llama 4 Scout得分为69.4，Gemini 2.0 Flash-Lite为68.0，Gemma 3 27B为64.9，Mistral 3.1 24B为62.8 [23] - 在编码能力（LiveCodeBench）上，Llama 4 Scout得分为32.8，Gemini 2.0 Flash-Lite为28.9，Gemma 3 27B为29.7 [23] - 在推理与知识（GPQA Diamond）任务上，Llama 4 Scout得分为57.2，Gemini 2.0 Flash-Lite为51.5，Gemma 3 27B为42.4，Mistral 3.1 24B为46.0 [23] - 更大规模的模型如Llama 4 Behemoth在GPQA Diamond任务上得分达73.7，Gemini 2.0 Pro为64.7，GPT 4.5为71.4，Claude Sonnet 3.7为68.0 [24] - 在推理成本方面，每百万tokens（3:1混合）的推理成本，Llama 4 Maverick在$0.19-$0.49之间，Gemini 2.0 Flash为$0.17，DeepSeek v3.1为$0.48，GPT-4o为$4.38 [25] 推行新测试对行业的潜在影响 - 举办图灵-AGI测试即便可能以所有AI系统均未通过告终，也有助于平息对AGI的过度炒作，为AI领域创造更稳健的环境 [30] - 行业将能重新聚焦于非AGI级别的实际进步，例如开发有实用价值的应用，而非沉迷于实现AGI的营销噱头 [30] - 该测试为真正的AGI突破提供了可信的判定依据，若有公司通过测试，其成果将具备真实价值 [32]

文章核心观点 - 提出了一种名为SmartSnap的新型强化学习训练方法，旨在解决GUI智能体任务完成度难以验证的挑战 [6] - 该方法的核心思想是将智能体从被动执行者转变为主动自证者，使其在执行任务时主动收集并提交“证据快照集”作为任务完成的证明 [7][8] - 该方法通过强化学习训练，引导智能体在保证任务成功率的同时，提升所提交证据的质量，从而简化验证流程，并显著提升智能体在复杂任务上的性能 [6][14] 现有智能体验证机制的挑战 - 当前LLM/VLM驱动的智能体在完成任务后，其完成度难以评估 [2] - 传统的被动验证方法依赖庞大的监督系统，包括手工设计的复杂校验机制和轨迹级验证方法 [4] - 这些方法效率较低，难以泛化到新任务；冗长且带噪的轨迹会干扰LLM/VLM评判的可靠性；且依赖持续可观测的环境反馈，易因环境变化导致验证失败 [5][6] SmartSnap方法的三大核心突破 - **角色升级：双重使命的“自证代理”**：智能体不仅负责执行任务，还承担了自我验证的第二使命，会主动思考并收集证明任务完成的证据 [11][12] - **“3C原则”：高效率的证据美学**：为证据收集制定了完整性、简洁性、创造性三项原则，确保证据足以证明任务闭环，且只包含关键快照，必要时会执行额外操作以获取证据 [13][15] - **强化学习驱动：GRPO+内在奖励反馈**：利用GRPO算法和精心设计的奖励机制进行训练，在保证任务成功率的同时提升证据质量，并尽可能减少奖励黑客行为 [13][14] 性能表现与数据 - **性能显著提升**：在AndroidLab等复杂任务上，经过SmartSnap RL训练的不同规模模型均实现了显著的性能提升，最高提升达**26.08%** [16][17] - **具体模型表现**： - **LLaMA3.1-8B-Instruct模型**：经过RL训练后，任务成功率从基线的**5.07%** 提升至**31.15%**，提升**26.08%** [16] - **Qwen3-8B-Instruct模型**：经过RL训练后，任务成功率从基线的**10.14%** 提升至**36.23%**，提升**26.08%** [16] - **Qwen3-32B-Instruct模型**：经过RL训练后，任务成功率从基线的**18.12%** 提升至**34.78%**，提升**16.66%** [16] - **“以小博大”效应**：经过训练的中等参数模型（如Qwen3-32B），其表现可持平DeepSeek-V3、Qwen3-235B等更大规模的开源模型 [17] - **举证高效**：平均每个任务只需提交**1.5张**快照证据，极大降低了后端验证成本 [18] - **交互高效**：训练后智能体交互轮数不断减少 [18] 方法的价值与意义 - **简化RL训练准备**：在手机、OS等时效性强的操作环境中，传统外部验证器难以捕捉瞬时成功信号，SmartSnap让智能体自己边做边收集证据，无需预先撰写复杂校验脚本或全程监控轨迹，从而简化了训练准备工作 [19] - **便于拓展训练场景**：允许基于合成任务轻松拓展训练场景，并依据有限的证据链判断成功与否，使RL训练更加便捷 [20] - **推动AI发展**：标志着GUI智能体从“蛮力执行”走向“认知协同”，其主动寻找证据的能力提升了AI的可靠性，为未来大规模、低成本AI部署铺平道路 [21]

文章核心观点 - 文章通过一张1986年CMU联结主义夏令营的历史照片，串联起AI领域先驱杰弗里·辛顿及其首位博士生彼得·布朗的职业生涯与人格特质，展现了辛顿在长期科研困境中坚守理想、安贫乐道的“贵族风范”，以及其学术思想如何深远地影响了从AI到量化金融等多个领域 [1][4][71] 1986年CMU夏令营合影的历史意义 - 该合影被誉为AI界的“索尔维会议”，照片中人物在几十年后统治了硅谷和华尔街，其中包括深度学习发明人、图灵奖得主杰弗里·辛顿，以及卷积神经网络发明人、图灵奖得主扬·勒昆 [2][4] - 照片中还有当时的研究生彼得·布朗，他后来成为全球顶尖量化对冲基金文艺复兴科技公司的首席执行官 [5] 彼得·布朗的职业生涯轨迹 - 彼得·布朗是杰弗里·辛顿指导的第一位博士研究生，于1987年毕业，博士论文题为《自动语音识别中的声学建模问题》，其研究奠定了基于统计模型的现代语音识别基础 [11][12][21][23] - 博士毕业后，彼得·布朗加入IBM，从事语音识别和机器翻译研究，其团队坚持纯数据驱动的统计方法，在当时备受传统学派冷遇 [23][24][25] - 在IBM期间，彼得·布朗是“深蓝”计算机项目的关键幕后推手，他通过一次偶然的交谈说服公司副总裁投资约100万美元建造该机器，最终“深蓝”在1997年击败国际象棋世界冠军，为IBM带来了约200亿美元的市值增长 [28][29][30] - 因家庭新生儿带来的经济压力，彼得·布朗接受了詹姆斯·西蒙斯给出的双倍薪酬邀请，从IBM跳槽至当时规模尚小的文艺复兴科技公司，其转型决定完全出于财务原因 [31][32][33] 彼得·布朗在文艺复兴科技的成就 - 彼得·布朗与罗伯特·默瑟一同加入文艺复兴科技，引入现代计算机科学方法重写了公司的股票交易系统，并从2002年起逐步接管公司核心业务 [36][37] - 他于2009年成为公司联席CEO，并于2018年成为公司唯一的首席执行官 [37] - 在其领导下，文艺复兴科技的旗舰产品大奖章基金在1988年至2019年间创造了年化超过66%的净回报率，公司被誉为华尔街“最赚钱的机器” [38] - 公司的成功依赖于由数学家和物理学家驱动的系统化量化交易，彼得·布朗倾向于招聘无金融背景的科学家，并自称每周工作80小时，截至2023年已在办公室睡了近2000晚 [39][40][41][42] - 因其卓越业绩，彼得·布朗早在2012年就从公司约33%的净收益中获得约1.25亿美元收入，跻身亿万富翁行列 [43] 杰弗里·辛顿的人格与坚守 - 在AI复兴前的三十年里，辛顿面临科研经费短缺和个人经济拮据的困境，他于2013年以64岁高龄加入谷歌，主要动机是为有学习障碍的儿子的未来储备资金 [8][47][48][50] - 尽管其首位博士生彼得·布朗已成为亿万富翁和对冲基金CEO，但辛顿始终未曾动用这层关系为自己谋取经济利益，展现了其安贫乐道、遗世独立的品格 [9][10][53][71] - 辛顿出身于科学世家，家族成员包括布尔代数发明者、核物理学家寒春等，其“贵族”背景与其长期坚守理想、不随波逐流的气质相契合 [55][59][63] - 在职业生涯中，辛顿在神经网络不被看好的时代坚守数十年，又在AI资本狂欢时离开谷歌，独立发声警示AI风险，其观点和行动往往“不合时宜”却经得起时间检验 [64][65][66][67][69][72][73]