-
github · 2026-07-30 · GitHub / LLM workflow stars:>300 / Python
语言:Python；stars:2728；更新:2026-07-30T01:08:42Z
-
github · 2026-07-30 · GitHub / LLM workflow stars:>300 / Python
语言:Python；stars:589；更新:2026-07-30T01:28:47Z
-
github · 2026-07-30 · GitHub / AI agent language:Python stars:>500 / Python
语言:Python；stars:5464；更新:2026-07-30T01:28:00Z
-
github · 2026-07-30 · GitHub / MCP server stars:>100 / Python
语言:Python；stars:102；更新:2026-07-30T01:26:31Z
-
github · 2026-07-29 · GitHub / LLM workflow stars:>300 / TypeScript
语言:TypeScript；stars:765；更新:2026-07-29T23:54:42Z
-
techcrunch-ai · 2026-07-29 · AI行业 / rss
On the company’s second-quarter earnings call Wednesday, CEO Mark Zuckerberg said Meta sees a “large enterprise opportunity” spanning AI agents, APIs, compute, and internal software.
-
techcrunch-ai · 2026-07-29 · AI行业 / rss
At TechCrunch Disrupt 2026, the AI Stage is back to dig into the single hottest topic in the community for the past few years, presented by Google for Startups.
-
techcrunch-ai · 2026-07-29 · AI行业 / rss
The startup analyzes calls, messages, and CRM data to identify effective sales techniques and turn them into playbooks for AI agents.
-
hf-papers · 2026-07-27 · AI论文 / hf-daily-papers / [object Object]
Coding agents repeatedly search, navigate, and retain context from evolving repositories, but disconnected indexes, language servers, and task-local histories force repeated discovery and obscure lifecycle costs. CodeNib builds reusable lexical, dense, and structural views per repository commit, maps outputs to repository-relative source ranges, maintains selected views across edits, and serves ranked search, symbol navigation, and bounded context through one runtime. Across 100 snapshots, we map quality-cost frontiers across the repository-context lifecycle. When outputs match an independent rebuild, graph and vector updates are 8.7times and 25.4times faster at the median. On the static-navigation subset matching normalized live-server locations (63% of 1,000 requests), the median per-request live/static latency ratio is 4.7times. Across five models, selected context policies preserve localization with 50--87% fewer trajectory tokens than paired grep/read. Together, these results support multi-view repository-context serving with explicit, operation-specific validity boundaries.
-
techcrunch-ai · 2026-07-29 · AI行业 / rss
The deal is Cyera's third acquisition this year.
-
techcrunch-ai · 2026-07-30 · AI行业 / rss
Microsoft pitched its own homegrown AI models, harnesses, and even a Mythos competitor on Wednesday, telling Wall Street it plans for continued growth.
-
hf-papers · 2026-07-26 · AI论文 / hf-daily-papers
Modern coding agents are usually evaluated by whether they eventually produce a correct patch, but patch generation depends on an earlier context-acquisition stage: finding the repository files needed for the task. We introduce Agent Retrieval Bench, a file-level benchmark for this upstream retrieval problem. Samples are built from real coding-workflow signals and evaluated against frozen base-commit repositories, with relevance defined by what an agent needs next rather than direct query-file semantic similarity. The benchmark covers four positive-retrieval tasks: code2test, comment2context, trace2code, and edit2ripple; a fifth subset evaluates selective retrieval using natural evidence-backed no-gold cases and counterfactual wrong-repository controls. Agent Retrieval Bench contains 427 samples across 25 repositories: 345 positive examples, 50 natural no-gold examples, and 32 counterfactual controls. The corpus includes 308 base-commit snapshots, 392,000 files, and 7.9 million chunks. We evaluate lexical retrieval, RepoMap, open-source embeddings, selective abstention, and logged agent context selection. No single retrieval family dominates: Qwen3-Embedding-4B has the best sample-weighted MRR on positive samples, Qwen3-Embedding-8B the best Recall@20, and RepoMap the best budgeted context yield at 8K tokens, with task-level winners differing substantially. Selective thresholds calibrated with counterfactual controls do not improve selective success on natural no-gold cases, revealing a calibration gap. Logged trajectories also miss every gold file on 27-35 percent of samples. A controlled seed-intervention pilot finds that retrieval-derived initial context yields higher file F1 with less post-seed exploration than random non-gold context, while oracle gold context shows substantial remaining headroom.
-
ithome · 2026-07-30 · 科技产品 / rss
IT之家 7 月 30 日消息，研扬科技（AAEON）昨日（7 月 29 日）宣布推出 MIX-Q870A1，定位高端 Mini-ITX 主板， 最高支持 65W 的英特尔酷睿 Ultra 200S 系列 LGA 1851 插槽处理器。 兼容性方面，MIX-Q870A1 主板兼容第二代英特尔酷睿 Ultra 处理器系列多种 SKU 规格，支持调用 NPU 和 Xe LPG 核显加速 AI 任务， 最高提供 36 TOPS 算力。 插槽方面，主板提供 1 个 M.2-1 A 2280 M-Key 插槽，支持 4 通道 PCIe 信号，可连接 NVMe 存储设备；另有 1 个 M.2 2242 M-Key 插槽，专用于 SATA 存储设备。 MIX-Q870A1 配备 2 个 SATA 6 Gb/s 接口，支持 RAID 0 与 RAID 1。主板还提供 1 个 M.2 2230 E-Key 插槽，可用于安装 Wi-Fi 模块或额外的 NVMe 存储设备。 后置 I/O 提供 2 个 HDMI 2.0 接口和 2 个 DisplayPort 接口，均支持 4K 分辨率与 60 Hz 刷新率。HDMI 接口同时支持数字音频输出。 网络部分包括 1 个 1GbE 网口和 1 个 2.5GbE 网口，分别采用 Intel Ethernet Connection I219-LM 与 Intel Ethernet Controller I226-V；后置 I/O 还配备 8 个 USB 3.2 Gen 2 接口。IT之家附上相关截图如下： 内部接口包括 8 位可编程数字 I/O、可扩展出 2 个 USB 3.2 Gen 1 接口的 USB 针座，以及 1 个 40 针 LVDS / eDP 接口。USB 针座与 LVDS / eDP 接口均支持 1920×1080 分辨率和 60 Hz 刷新率。 系统方面，MIX-Q870A1 支持 64 位 Windows 10、Windows 11 与 Linux Ubuntu 24.04。
-
ithome · 2026-07-29 · 科技产品 / rss
IT之家 7 月 30 日消息，据 CNBC 今日报道，OpenAI 首席财务官萨拉 · 弗里亚尔（Sarah Friar）在当地时间 7 月 29 日举行的一场内部员工会议上透露，公司 7 月份的年化经常性收入（ARR）已超过整个第二季度的总和。 此举旨在向员工传递公司业务仍保持增长态势的信息，也需要向外部投资者证明其高达 8520 亿美元（现汇率约合 5.78 万亿元人民币）的估值具备支撑，因为 OpenAI 正在为可能进行的大规模首次公开募股（IPO）做准备。 据 CNBC 获取的会议内容显示，弗里尔与 OpenAI 董事会主席布雷特 · 泰勒（Bret Taylor）在会议中介绍了公司的收入增长情况，并讨论了与竞争对手 Anthropic 的市场竞争。 弗里亚尔表示，OpenAI 第二季度表现并不弱，而 7 月收入增长势头进一步增强。她称：“第二季度并不是一个糟糕的季度。” OpenAI 方面认为，增长动能主要来自 GPT-5.6 系列模型的发布、新款企业级智能体 ChatGPT Work，以及 AI 编程工具 Codex 的采用率持续上升。 目前，OpenAI 正面临着来自 Anthropic 和谷歌的激烈竞争，同时也需应对来自中国低成本开源模型的冲击。 OpenAI 正致力于吸引更多企业用户和开发者，以支撑其庞大的基础设施建设计划。今年 2 月，OpenAI 告知投资者，计划到 2030 年累计投入约 6000 亿美元（IT之家注：现汇率约合 4.07 万亿元人民币）用于算力建设。公司目前正在与英伟达就一笔高达 2500 亿美元（现汇率约合 1.69 万亿元人民币）的资金支持进行谈判，以资助其在俄亥俄州租赁一座大型 AI 数据中心的计划。 与此同时，竞争对手 Anthropic 的增长势头强劲。今年 5 月，Anthropic 的年化收入运行率已突破 470 亿美元（现汇率约合 3185.88 亿元人民币）。 OpenAI 和 Anthropic 均已于 6 月向美国证券交易委员会（SEC）秘密提交 IPO 文件，但两家公司都尚未公布具体上市时间。
-
ithome · 2026-07-30 · 科技产品 / rss
IT之家 7 月 30 日消息，喜欢满世界寻找廉价机票的旅客可能要失望了：在热门航班上意外捡到便宜票的机会，或许很快就会越来越少。 过去，航空公司主要依靠分析师制定固定的调价规则，例如航班 售出四分之一座位后，票价统一上涨 20% 。AI 投入使用后，航空公司可以 实时分析数十项因素 ，更迅速地调整每个座位的售价。航空公司因此能够获得更多营收，过去让旅客有机会买到低价票的价格落差也会逐渐缩小。 据彭博社今天（30 日）报道，面对持续上涨的经营成本，达美航空、维珍航空等航空公司正 加快引入 AI 定价技术 ，设法提高每趟航班的收入。繁忙航线上的低价座位可能进一步减少，因为航空公司会尽量 避免以低于乘客支付意愿的价格售票 ，同时让更多航班接近满座。 航空票价由固定规则和电子表格决定的时代正在结束。预测模型将 持续判断市场需求，并随时调整价格 。 奥尔顿航空咨询公司分析师布赖恩 · 特里认为，消费者需要做好准备，因为航空公司的定价会变得更加精明。航空公司会在 条件允许时涨价 ，也会在 需要刺激需求时降价 。AI 可以帮助航空公司更早、更清晰、更准确地判断市场，从而更加灵活地上下调整票价。 不过，AI 并非只会推高票价。特里表示，在客流较少的航班和需求偏弱的航线上，航空公司 也可能借助 AI 主动降价 ，以吸引更多乘客并减少空座，因此淡季或非高峰时段的票价可能更便宜。然而他也认为，对航空公司来说，AI 定价就是“终极秘方”。在当前经营环境中， 提高收入比削减成本容易得多 。为了找到更多收入来源，航空公司还会继续突破现有定价方式的边界。 航空分析师盖伊 · 利奇表示，航空公司早已采用动态定价，根据需求变化调整票价。而在 AI 时代，AI 让整套系统运行得更快，判断也更加精细。机器学习模型可以结合 历史订票规律、座位余量和季节变化 预测需求，同时持续监测竞争对手的票价与运力，几乎实时完成调价。 AI 定价究竟会让乘客受益还是承担更高成本，目前没有定论。利奇表示：“市场运行效率提高，对乘客也有好处。只要 合理选择订票时机或尽早购买 ，乘客仍有机会拿到低于平均水平的票价。” 批评人士则认为，航空业利润空间有限，航空公司必然会利用更强大的定价工具，提高平均票价、客座率和整体收益。 AI 甚至可以在机票售出后继续挖掘座位价值。例如，一名乘客提前数月以低价买下热门航班的机票，临近出发时市场需求却突然上升。运营智能公司 Volantio 的 AI 平台能够读取航空公司的订票数据，筛选出可能愿意领取代金券并改乘较空航班的乘客。 原先的座位腾出后，航空公司便可以把座位以 1000 美元（IT之家注：现汇率约合 6774 元人民币） 转售给临时出行的商务旅客 ，从同一个座位上获得更高收入。 Volantio 联合创始人兼 CEO 阿齐姆 · 巴罗达瓦拉表示，此举使航空公司获得更多收入，且愿意灵活调整行程的乘客也会得到补偿。 AI 在航空定价领域的应用不断扩大，也让“监控式定价”成为新的争议焦点。消费者权益倡导人士和美国议员去年警告，航空公司未来可能 利用生成式 AI 分析浏览记录、收入等个人信息 ，并对购买同一座位的不同乘客 开出不同价格 。
-
ai-news · 2026-06-06 · finance_news / AI 基础设施 / 能源
特锐德推出了专供智算中心的模块化供电站“算电岛”，不仅能直供 800V 直流机房，官方号称配合 AI 优化调度，能让 Token 的综合用电成本直接砍掉约 30%。 启发:算力的尽头是电力。国内这种卷底层基建的降本思路非常实在，毕竟现在大模型拼到最后，拼的就是显卡折旧和电费谁能省下来。
-
ithome · 2026-07-30 · 科技产品 / rss
简直太抓马了！两天前，因病裸辞 Thinking Machines 的联创，转头竟光速加入了 OpenAI。Information 爆出，北大校友翁荔将重返老东家，带队开发「递归自我改进」（RSI）新模型。 这波极限操作，也难怪网友感慨，「真是编都编不出来......」 裸辞仅 48 小时，光速加入 OpenAI 这一切，还要从两天前说起。28 日那天，翁荔发布了一份极其直白的离职声明 —— 在过去 7 个月里，自己经受了人生中最严重的一段病痛折磨。 「在全公司为 Inkling 发布冲刺的时候，我试着好好休病假，可一边休养一边跟内疚感搏斗，这滋味真的不好受」。 翁荔当时表示，下一站将找一个「职责明确」的岗位，不再做联创。出人意料的是，短短两天后，这个「新东家」就正式揭晓了。 翁荔亲自挂帅，押注「递归自我改进」 不过，真正引发业界瞩目的，是翁荔此次重返 OpenAI 所肩负的重任。 OpenAI 发言人已向 BI 证实，翁荔将亲自挂帅，领导一个聚焦「递归自我改进」（RSI）的团队。 通俗讲，用 AI 研发 AI，即让 AI 加速 OpenAI 设计、训练、评估下一代模型的整套流程。 从 OpenAI 的战略来看，这盘大棋早已开始布局。 3 月，OpenAI 首席科学家 Jakub Pachocki 曾明确界定，打造一个全自动的「AI 研究员」，是 OpenAI 未来几年的「北极星」。 无论是推理模型、Agent，还是可解释性，所有的研究主线，都在向同一个靶心全面收束。 配合这一终极战略，内部时间表也早就公开了，分两级： 第一阶段（2026 年 9 月） ：一个「自主 AI 研究实习生」，能独立接下少量具体的研究问题； 第二阶段（2028 年 3 月） ：全自动多 Agent 研究系统，能自己提假设、设计实验、得出结论。 在技术路径上，OpenAI 的核心押注集中在两端：一是底层算法的持续迭代；二是暴力拉升「测试时计算」。 这么一看，翁荔的位置就清楚了。 她要做的不是下一个 GPT，是要亲手打造出那条能够「自动进化、量产 GPT」的超级流水线。 一篇博客，主题正是 RSI OpenAI 凭什么把帅印交给翁荔？答案，其实在三周前就已埋下伏笔。 月初，翁荔在个人博客发布了一篇长文 Harness Engineering for Self-Improvement。 它浓缩了几十篇论文精华，主题正是 RSI。 传送门： https://lilianweng.github.io/ posts/2026-07-04-harness/ 文章中，翁荔把这个概念的来路说得很清楚： 1965 年 I. J. Good 提出「超智能机器」，指一台能在所有智力活动上超过人、并且能设计出更好的机器来改进自己的系统； 2008 年 Yudkowsky 给这个反馈回路起了名字，AI 用当下的智能，去改进产生自身智能的那套机制。 但她的判断不在概念上，而在工程上 —— 现在的 AI 自我改进，不一定要从模型改写自己的权重开始。 更现实的入口是 Harness，模型外面那层脚手架，规划、工作流、上下文管理、持久化存储。 她拿操作系统作比，「今天的 Agent 应用之所以可靠，靠的是被精心工程化过的 Harness，而不只是模型本身有多强」。 三周之后，这个方向变成了她的岗位。 北大毕业，从「玩魔方」到 OpenAI 副总 翁荔的起点，并非大模型。 2004 年，她拿下了全国高中数学联赛陕西省一等奖，次年考入北大信管专业。 毕业后，又远赴印第安纳大学布卢明顿分校攻读博士，主攻复杂网络、社交网络与信息传播。 这些方向，与如今「一统天下」的 Transformer 架构几乎毫不搭界。 她曾在 Facebook 实习，在 Dropbox 做数据科学家，又去金融科技公司 Affirm 做机器学习工程师。 2018 年入职 OpenAI 时，她被分到了机器人团队。 团队花了两年，教一只机械手单手复原魔方，那是当年最出圈的 AI 演示之一，她是核心贡献者。 2021 年，OpenAI 重心转向 GPT，翁荔参与组建并带起应用 AI 研究团队。 GPT-4 发布之后，她从零搭起 Safety Systems 团队，到她离开时，这个团队已经超过 80 人。 2024 年 8 月，她升任负责安全的研究副总裁；三个月后宣布离职，理由是「在 OpenAI 待了 7 年，我准备好清空自己、去探索一些新东西」。 紧接着，她便以联创身份，创办了 Thinking Machines。 如今，从 Thinking Machines 再回到 OpenAI，中间只隔了两年的时间。 目前，Thinky 六个联创走了四个，三个都回了 OpenAI。 2026 年，AI「量产」AI？ 站在更高维度看，翁荔回归的背后，是 OpenAI 对 ASI 终极路径的又一次疯狂押注！ 当 AI 外层的 Harness 搭建完毕、AI 开始自主研发、测试下一代 AI，人类的角色将被彻底改写。 如果翁荔挂帅的 RSI 团队，真能在 2026 年交出一个「自主 AI 研究实习生」—— 那意味着，LLM 的迭代将逐渐告别人力堆叠，迈向指数级爆发的技术奇点。 参考资料： https://www.theinformation.com/briefings/thinking-machines-cofounder-return-openai
-
ithome · 2026-07-30 · 科技产品 / rss
IT之家 7 月 30 日消息，微软今日公布了最新的 2026 财年第四季度财报，并披露了公司对 Anthropic 与 OpenAI 两家主要人工智能公司的投资回报。 其中，微软对 Anthropic 的投资在该季度带来 32 亿美元（现汇率约合 216.91 亿元人民币）收益，而对 OpenAI 的投资却出现了约 6 亿美元（现汇率约合 40.67 亿元人民币）减值。微软在单个季度从 Anthropic 投资中获得的收益，已经接近 OpenAI 投资的全年收益规模。 微软于 2025 年 11 月向 Anthropic 投资 50 亿美元（现汇率约合 338.92 亿元人民币）。根据双方达成的一项合作协议，Anthropic 同时承诺购买价值 300 亿美元（现汇率约合 2033.54 亿元人民币）的 Azure 云服务。 微软并不会像披露 OpenAI 投资那样，在每个季度定期更新 Anthropic 投资价值。不过，公司此次披露相关收益，显示该投资在本季度产生了较明显的账面增长。相比之下，微软对 OpenAI 的投资在该季度表现较弱。微软表示，该项投资价值下调约 6 亿美元，使摊薄后每股收益减少约 7 美分。 目前，微软持有 OpenAI 约 27% 的股份。除投资收益外，微软还通过双方营收分成模式获得相关收入，但公司并未披露 OpenAI 根据该安排向微软支付的具体金额。 微软采用投资价值核算方式反映 OpenAI 投资变化。虽然本季度约 6 亿美元的减值规模较为明显，但对于微软整体财务表现而言影响有限。微软第四季度实现营收 900 亿美元，净利润 358 亿美元。整个 2026 财年，微软累计实现营收 3318 亿美元，净利润 1337 亿美元。 从全年表现来看，微软对 OpenAI 的投资仍然带来了较大收益。微软财报显示，2026 财年该项投资带来 50 亿美元（IT之家注：现汇率约合 338.92 亿元人民币）收益，并使全年每股收益增加 67 美分。微软 2026 财年全年摊薄后每股收益为 17.95 美元。 相关阅读： 《 微软 2026 财年年报归母净利润 1337.49 亿美元，同比增长 31.34% 》 《 微软确认 Copilot“超级应用”年内问世，整合智能体、AI 编程、聊天 》