基准日期 2026-11-03
上次运行 2026-11-03 22:30:03
S&P 500
7,569
NDX 100
28,180
VIX
20.83
US 10Y
4.95%
DXY
101.87
WTI
$96.76
Gold
$3,940
USD/KRW
1,344
SOX
10,600
Trump Approve
35.4%
S&P 500
7,569
NDX 100
28,180
VIX
20.83
US 10Y
4.95%
DXY
101.87
WTI
$96.76
Gold
$3,940
USD/KRW
1,344
SOX
10,600
Trump Approve
35.4%
AI LEADERS · MOVES & PAPERS

AI 领袖:人事变动与论文 — 最新任职变化与研究

LAST UPDATE 2026-11-04 07:41 KST PEOPLE 77 · PAPERS 76 · MOVES 0
AI 实验室、大型科技公司和学术界关键人物的去向与论文,是技术方向和企业竞争力的先行信号。人事变动与论文每天自动收集,经编辑审核后以通俗摘要和原文链接呈现。

近期要闻

人事变动 · 新兴实验室 · 推理效率与轻量化

暂无符合条件的人事变动。

论文 · 新兴实验室 · 推理效率与轻量化

论文2026-10-28

开发能够执行复杂任务的高效AI模型

Nemotron 3.5 Super and Lightning: Open, Efficient Mixture-of-Experts Hybrid Mamba-Transformer Models for Agentic AI
做了什么
研究人员开发了 Nemotron 3.5 Super 和 Lightning,这是两款适合推理、长文本理解和自主任务执行的开源AI模型。
核心结果
Super 模型在使用的激活参数较少的情况下,在软件工程评估中取得了 51.78% 的成绩,超越了以往的模型,并通过各种优化展现了高吞吐性能。
意义
本研究展示了同时提升大规模模型效率与性能、从而在各种环境中进行实用性应用的可能性。AI 摘要
论文2026-10-11 · arXiv (Cornell University)

应用物理定律减少AI世界模型的预测误差

LeHami: Symplectic Latent Dynamics for World Models
扬·勒丘恩 等 2 人
做了什么
研究团队开发了一种名为LeHami的新型世界模型训练方法,该方法将物理系统的几何性质与人工智能相结合。
核心结果
与传统方法不同,该方法防止了长期预测过程中信息被压缩而丢失的现象,并显著提升了速度预测性能。
意义
这项研究有助于人工智能更准确地理解和模拟物理空间。AI 摘要
论文2026-10-06

OTel发布了专用于电信领域的AI数据和模型

OTel: Open Telco AI Datasets, Benchmarks, and Models
做了什么
研究人员公开了“Open Telco (OTel)”资源,集成了电信领域AI训练所需的数据集、评估标准以及利用这些资源训练的模型。
核心结果
基于OTel公开的模型在电信数据检索、文档重排序以及语言模型准确度评估中分别取得了93.1%、0.947和87.8%的性能表现。
意义
此次发布为电信领域的AI研究与应用促进提供了可重复实现的起点。AI 摘要
论文2026-09-29 · arXiv (Cornell University)

T2Mem:一种使机器人通过记忆过去场景来学习执行任务的技术

T$^2$Mem: Learning Test-Time Memory for Robotics
李飞飞 等 6 人
做了什么
针对需要记忆过去观察信息的机器人操作任务,提出了一个框架(T2Mem),通过测试时学习为原本没有记忆功能的预训练机器人策略增加记忆能力。
核心结果
在16项 RoboMME 任务中,平均成功率从没有记忆功能的基准策略的 17.93% 提升至 56.83%,高于基准测试中报告的循环记忆方法。
意义
其意义在于展示了无需外部存储设备、仅通过演示数据即可培养机器人利用当前画面中不存在的过去信息的能力;但由于摘要仅涉及研究阶段的成果,因此无法确认商业化或市场效果。AI 摘要
论文2026-09-28 · arXiv (Cornell University)

使自动驾驶世界模型提速100倍的JEPA研究

AD-E2E-JEPA: A Joint-Embedding Predictive Architecture For End-to-End Autonomous Driving
扬·勒丘恩 等 3 人
做了什么
对自动驾驶中使用的基于预测的世界模型(JEPA系列)进行了对比评估,并提出了大幅减少计算量的改进架构 AD-E2E-JEPA。
核心结果
据报告,该提议架构将规划使用的图像块数量减少到1/16,嵌入维度减少到1/4,在保持规划性能的同时,将推理速度提高了约100倍。
意义
虽然该研究展示了降低自动驾驶AI计算成本的方向,但仅凭摘要很难判断其实际车辆应用效果和商业化可能性。AI 摘要
论文2026-09-12

Cohere发布具备成本效益的大型语言模型翻译模型

North Small Translate: Advanced Cost-Effective Translation (Cohere CAT+)
做了什么
研究团队推出了基于大型语言模型的具备成本效益的机器翻译模型“North Small Translate”,该模型在50种语言中表现出色。
核心结果
该模型在参数量小于1万亿的模型组中,在50种语言上实现了顶尖的机器翻译性能。
意义
这展示了在推理过程中无需昂贵计算即可高效执行各种语言翻译和后编辑任务的可能性。AI 摘要
论文2026-08-24

机器人边等待边学习行动的技术

Learning to Act While Waiting: RL Finetuning of Generalist Robot Policies Under Inference Latency
Sergey Levine 等 19 人
做了什么
研究人员开发了 ARLI,这是一个延迟感知强化学习框架,旨在解决机器人模型思考时间(推理延迟)所引发的问题。
核心结果
这种新方法使机器人即使在存在延迟的环境中也能成功继续学习,并展现出与无延迟的理想环境相同或更出色的性能。
意义
为复杂且庞大的机器人人工智能在实际现场不间断、不卡顿地自主提升性能打开了可能性。AI 摘要

人物

为什么要关注 AI 领袖的人事与论文?

在 AI 行业,人就是技术。关键研究者加入哪家公司、创办哪家实验室,往往在几个月后演变为产品、融资和并购。本页按前沿实验室、新兴实验室、学术界、AI 芯片以及韩国、中国人物分类追踪任职变化。

论文反映一个人当下的关注点。我们把论文分为 HBM 与存储、GPU 与加速器、推理效率、智能体、机器人等 10 个与投资相关的领域,并根据摘要提供“做了什么·核心结果·意义”三行摘要及原文与 PDF 链接。本页仅为寻找投资思路的信息,不构成任何证券的买卖建议。

常见问题

问:追踪哪些人物?

包括前沿实验室(OpenAI、Google DeepMind、Anthropic、Meta 等)、新兴实验室、学术界、AI 芯片企业以及韩国和中国的关键研究者与高管。很少发表论文的高管只追踪人事变动。

问:数据来自哪里,多久更新一次?

论文来自 Semantic Scholar 与 arXiv,履历来自维基数据(CC0)及官方公告和媒体报道,每天自动收集。只有经编辑审核批准的条目才会公开。

问:论文摘要由谁撰写?

由 AI(Google Gemini)根据论文摘要撰写初稿,经编辑审核后发布。其他语言版本由 AI 翻译自审核过的韩文摘要。具体数据与背景请务必查阅原文。

本页面整理已发表的论文、官方公告和媒体报道,仅供参考。论文摘要由 AI 根据论文摘要撰写并经编辑审核,可能与原文存在差异,重要内容请查阅原文。本页面不构成任何证券的买卖建议或投资咨询。 人事变动以官方公告或主要媒体报道为来源,部分履历参考维基数据(CC0)。 本页摘要由 AI 根据编辑审核过的韩文版本翻译。

🐩 支持코봉이零食基金
코봉이
如果这个页面对你有帮助,也欢迎支持코봉이的零食基金 🦴
💬 社区评论
基于IP的匿名昵称 · 滥用可能导致限制
加载中...