大模型

【AI前沿】2026.08.17 SpaceX 600亿收购Cursor正式完成·DeepSeek V4 Pro万亿开源·人形机器人生态全面爆发title: 【AI前沿】2026.08.17 SpaceX 600亿收购Cursor正式完成·DeepSeek V4 Pro万亿开源·人形机器人生态全面爆发 description: 2026年8月17日AI前沿综述：SpaceX完成600亿美元收购Cursor、火箭帝国全栈布局AI编程；DeepSeek V4 Pro正式版1.6万亿MoE开源+API峰谷计价+Harness框架45小时破10万星；智谱GLM-5.3后训练撬动编程安全双跃迁；谷歌Gemini半价/OpenAI 14倍速/Anthropi

程序员-Benothing

OpenAI断供Cursor：当AI巨头开始“清理门户“，开源生态的中立性还能撑多久？8月29日，OpenAI正式宣布终止向AI代码编辑器Cursor提供模型服务，并计划于11月12日彻底关闭其API访问权限。消息一出，开发者社区炸锅——这不仅是两家公司的商业纠纷，更是AI行业走向"阵营化"的标志性事件。当马斯克旗下的SpaceX以600亿美元收购Cursor母公司Anysphere后，OpenAI选择用"断供"回应，背后折射出的，是技术中立性在资本博弈面前的脆弱。

27届大模型面试准备（七十三）：大模型强化学习对齐工程实战——RLHF、PPO 与 GRPO 的训练流水线引言前面把后训练（A16）、对齐税（A48）、多模态训练（A40）、工具调用训练（A42）都铺开了。本篇把"对齐"里最硬核、也是面试官最爱追问的一段单独拎出来讲透：基于强化学习的对齐训练。它和上一篇高频八股（A52）、指令遵循（A48）是一条线，但更偏工程实现——奖励模型怎么训、PPO 为什么要有 critic、GRPO 怎么把 critic 省掉、DPO 又怎么绕过奖励模型直接做偏好。

微调和 RAG 各自的优劣势是什么？要厘清 RAG 与微调的分水岭，首先必须理解大语言模型（LLM）内部两种截然不同的记忆载体微调（Fine-Tuning）：本质是在修改模型的参数化记忆。试图通过梯度下降，将海量的行业专业知识直接“烧写”到模型的神经元权重中。

27届大模型面试准备（七十二）：大模型流式推理服务与长连接工程——SSE、背压与首包优化引言前面几篇把"怎么把请求调度到卡上、怎么把卡喂满"讲透了。本篇聊用户真正感知到的那一端：流式输出（打字机效果）。用户问一个问题，前端要能在 200ms 内看到第一个字，然后稳定地一个 token 一个 token 蹦出来，断网还能续上。这背后是 SSE/WebSocket 长连接、服务端背压、首包（TTFT）优化、断点续传一整套工程。也是华为云大模型 API 岗、对话产品后端岗必问。

Kimi K3 开放日拆解：2.8T MoE 的 896 专家稀疏路由、KDA 混合注意力与 Infra 三件套开放日当天，月之暗面把 Kimi K3 的模型权重、技术报告和三个基础设施仓库同时放了出来。我第一时间把权重拉下来，顺手把报告和仓库也一起克隆了，现场拆解会人坐得挺满，周围几位开发者没太关注台上讲了什么，都在低头翻刚公开的模型卡和配置文件。官方公布时间是 2026 年 7 月 27 日，选择这个日子相当于把整个训练家底一次性摊开。

提示词模板库：建立你的专属Prompt兵器库💡 读完这篇文章，你将掌握：📝 这篇文章适合：所有希望将AI写作从"每次都从零开始"升级为"系统化高效作战"的创作者。如果你厌倦了每次写提示词都像"重新发明轮子"，这套方法论会让你效率倍增。

猫先生Mr.Mao

大模型之Attention Is All You Need详解：Transformer如何用注意力重写序列建模【从零走向AGI】旨在深入了解通用人工智能（AGI）的发展路径，从最基础的概念起，逐步构建完整的知识体系。项目地址🔗：https://github.com/AI-mzq/From-Zero-to-AGI.git

27届大模型面试准备（七十四）：大模型长上下文推理与服务化工程——分块 Prefill、KV 卸载与 Ring Attention引言A13 讲了长上下文的"原理与位置编码"，A29 讲了高效注意力，A69 讲了 PD 分离。本篇把这三块在工程服务化层面串起来：当用户输入 32K、128K 甚至百万 token 时，推理服务怎么不爆显存、不卡首包、还能扛住吞吐。这是长文档问答、代码仓库级理解、4MRAG 长多跳推理的必过工程关。

大模型工程化实战（七）：JSON Schema 强约束——模型吐的 json 不合规？schema 校验不通过，重试、兜底、降级一条龙客服 AI 念身份证的事过去一周，脱敏闸挂上了，泄露是不泄露了。可上线第四周，数据组来拍桌子：模型把“金额”吐成字符串 “¥1,234”（schema 要的是 number），“是否退款”整个字段丢了，还自作主张加了个 schema 里根本没有的“运费”。下游 json.loads 直接崩，pandas 读出来一片 NaN。

大模型推理优化面试题1、vllm推理vLLM 的推理分为 Prefill 和 Decode 两个阶段。Prefill 会并行处理整个 Prompt，完成 Transformer 前向计算，并为每层生成 KV Cache。最后根据 Prompt 最后一个位置的 logits 采样出第一个输出 token。这个阶段包含大量 GEMM，计算密度较高，所以通常是 compute-bound，主要看 GPU 的 Tensor Core 算力。对于超长上下文，Attention 的二次复杂度也会成为瓶颈。

Claude Fable 5.1 深度拆解：推理强度、缓存降价，Agent 工作流成本如何省 45%九月一日晚间，Anthropic 在 Fable 5 发布不到三个月后，突然端出了 Fable 5.1 与 Mythos 5.1。名义上这是小版本迭代，但官方公布的基准测试数据显示，这次升级的幅度远超常规小版本应有的范围。Terminal-Bench-Science 从两成四点七跳到五成二点六，翻了一倍还多。在竞争白热化的大模型市场，这显然不是一次常规迭代。

我用 Qwen3.8-Max 搭了一个 AI 作业辅导助手，拍照讲题 + 错题本诊断一次搞定目录一、背景二、最终效果三、搭建过程3.1 技术选型3.2 核心 Prompt / Agent 编排3.3 踩坑记录

腾视科技-AI

腾视科技AI大模型应用：提效、破局与落地，重塑智能新生态当AI大模型技术从实验室走向产业落地，企业却普遍面临 “成效难显、成本高企、复用性差” 的三重困境。腾视科技深耕大模型应用领域，以 “顶层设计 + 敏捷迭代” 的方法论，结合全栈式技术产品矩阵，推出AI大模型应用解决方案，为千行百业提供从技术落地到效率革命的完整路径，让智能价值看得见、摸得着。

AI与大模型新闻日报 | 2026-09-01共 14 条新闻来源: IT 之家时间: 2026-08-31 23:55摘要: IT之家 9 月 1 日消息，Anthropic 刚刚发布长文，披露了其针对 7 月 30 日和 8 月 4 日两起 Claude 模型未经授权访问真实计算机系统、在真实互联网环境采取未授权行动事件的调查进展，并公布了过去一个月来针对模型安全、评测环境和训练环境采取的多项措施。Anthropic 表示，7 月 30 日曾报告 3 起类似事件。当时 Claude 模型为了评测目的被刻意关闭网络安全防护，但由于第三方评测环境配置

Harness + MCP：打通企业工具链的最后一步上周我在 Harness 里跑了一个多 Agent 工作流，任务拆得漂漂亮亮的，Agent 们各司其职，结果到最后一步卡住了——它需要把产出的报告自动提交到公司的 Jira 工单上，我折腾了整整一个下午。你猜怎么着？Harness 本身没有直接对接 Jira 的能力。当时我差点就放弃了，心想"这玩意儿好看是好用，但进不了生产环境啊"。

如何设计多 Agent 的协作与动态切换机制？摘要：随着大语言模型（LLM）从单任务处理走向复杂跨领域业务求解，单一 Agent（单体智能体）由于 Prompt 膨胀、工具过多导致的召回稀释（Tool Dilution）、上下文污染（Context Pollution）以及规划深度不足，正迅速触碰到性能天花板。

程序员三明治

【体验毛坯房】Deep Harness 入门教程我也来安装使用下。安装前，先来搞懂DeepSeek Harness到底是什么？我们都知道下面这个公式：

金融大模型私有化：信创合规下，算力该按哪个口径配金融行业做大模型，第一步不是选模型，是先认怂——把那几条硬约束摆上桌。客户数据、交易数据不能出域；系统要过等保、要能审计留痕；风控场景对延迟极敏感，慢两秒可能就是一笔坏账；再到信创国产化的要求越来越具体。这几条凑在一起，注定金融和互联网是两条路：互联网喜欢租公有云、弹性扩容、偶尔慢个几秒也没事；金融往往得把模型、数据、算力都锁在本地，甚至直接放进信创环境。

梦想的颜色

【AI实战】React‑Native + AI 移动端 APP 完整实战全流程｜云端 / 本地大模型、Agent 集成、安装配置、避坑指南2026 移动端 AI 开发分为两条路线：云端 API 调用、设备端本地离线推理。React‑Native（Expo）是跨平台移动端首选，一套代码同时输出 Android、iOS。很多同学踩坑：把 web 端 AI 逻辑直接搬到 RN，出现流式乱码、原生模块兼容、内存爆炸、模型体积过大等一系列问题。