微信推出 ClawBot 插件，支持直连接入 OpenClaw，个人号也能用官方机器人接口。多家厂商跟进，OpenClaw 热度一直不低。OpenClaw 的上手门槛已经降下来，Skills 生态能提升使用体验，这个生态相当于 AI 的应用商店。OpenClaw 的应用商店叫 ClawHub，地址是 https://clawhub.ai/ ，平台收录了上万款社区 Skill。国内腾讯也提供了镜像地址 https://skillhub.tencent.com/ 。新手用 OpenClaw 可以参考下面这个

今年初，AI圈冒出一个新词“Skills（技能）”，也有人叫它Claude Agent Skills或Agent Skills。技术文档往往写得绕，其实用大白话就能说清楚。这篇就从概念讲到操作，一步步带你搞懂什么是Skills，新手也能跟着做。到底什么是Skills？Skills翻译过来就是“技能”。生活中，技能就是做一件事的方法——比如打羽毛球，球飞过来，你握拍、看准时机、用合适的力气把球回过去，让对方接不住，这一整套动作就是技能。AI里的Skills，就是让大模型按一套特定方法去行动的机制。有人容易

阿里巴巴集团宣布开源最新研发的Qwen-Image图像生成模型，这是通义千问系列首个基础图像模型，该模型凭借在复杂文本渲染、国际化支持及图像编辑领域的突破性表现，开源首日便登顶Hugging Face热度榜第一。复杂文本渲染：支持多行和段落文本生成，能清晰呈现细小文字，擅长中文和英文渲染。精确图像编辑：支持风格迁移、对象增删改、细节增强、文字编辑和人物姿态调整，并保持图像自然和真实感。通用图像生成：在通用图像生成方面支持多种艺术风格，从照片级写实场景到印象派绘画，从动漫风格到极简设计都能实现。为锻造卓越

LSTM与Transformer的混合架构在时间序列预测领域应用广泛。Transformer擅长捕捉全局依赖，LSTM则能精准提取局部动态，二者结合后，在超长时序处理、资源受限部署等场景中表现突出。到2025年，这一方向仍是学术界的热点。从近几年顶会情况来看，相关研究的中稿率较为稳定。若想在该领域发文，“差异化创新”是关键。若追求快速出成果，可重点关注记忆增强、稀疏化与蒸馏、多模态时序融合等方向。另外，无需在“基础结构”上耗费过多精力，应多关注垂直场景。像电网负荷预测这类领域，数据刚开放，缺少最优模型，

一、“人类最后的考试”迎来新里程碑“人类最后的考试”（HLE，Humanity’s Last Exam）被称作史上最难大模型测试集。今年年初刚推出时，包括o1在内，没有模型得分能超过10分。直到近期，最高分也仅为26.9分，由Kimi-Research和Gemini Deep Research并列保持。7月，上海交大联合深势科技团队发布新研究，在HLE上一举拿下32.1分，创下新纪录。这是该测试集首次有系统得分超过30分，且成果来自国内团队。团队同时推出工具增强推理智能体X-Master、多智能体工作流

论文标题：Astraios: Parameter-Efficient Instruction Tuning Code Large Language Models论文链接：https://arxiv.org/abs/2401.00788论文标题：A Comprehensive Study of Knowledge Editing for Large Language Models论文链接：https://arxiv.org/abs/2401.01286论文标题：LLM Maybe LongLM: Self

人工智能由计算机科学家约翰·麦卡锡在1956年首次提出“人工智能”（AI）概念，AI涉及通过软件和硬件模拟人类智能，以完成通常需要人类智能才能完成的任务。在人工智能研究的早期，主要分为两大阵营：规则式方法，也称为专家系统，依赖人类编写的逻辑规则来指导计算机思考，另一个是机器学习，它不依赖预设规则，而是通过提供数据让计算机自我学习并发现规律。神经网络作为机器学习的主要形式，模仿人脑结构，构建类似生物神经元的计算网络来处理信息。一个计算节点相当于一个神经元，多个节点协同工作形成网络。由于神经网络需要巨大的算

AI聊天机器人，包括ChatGPT、Gemini和Copilot，通过模拟人类语言交流，展现了幽默感和共情能力，挑战了语言作为人类特有技能的传统观念。尽管语言主观性曾被视为人类特质，AI技术的发展现已能模仿这种特质，尤其在表达情感和个人立场方面。人称代词在人类语言中扮演核心角色，第一人称“我”或“我们”用于分享个人想法和经历，而第二人称“你”则在互动中建立联系，体现主体间性。AI聊天机器人在交流中常以助手身份隐性使用第一人称，营造亲切氛围。尽管不直接使用“我”，但通过个性化语言让用户感到宾至如归。在对话

在2024年的诺贝尔物理学奖颁奖典礼上，两位杰出的科学家——美国普林斯顿大学的John J. Hopfield和加拿大多伦多大学的Geoffrey E. Hinton，凭借他们在人工神经网络领域的开创性工作，共同摘得了这一殊荣。他们的贡献被赞誉为“基于人工神经网络实现机器学习的基础性发现和发明”，这一成就不仅推动了物理学与人工智能的交叉融合，更为现代机器学习技术的发展奠定了坚实基础。人工神经网络：灵感源自大脑的智慧结晶当我们谈论人工智能时，其核心往往离不开人工神经网络。这一技术的灵感来源于人类大脑的结构

Open AI 的应用研究主管 Lilian Weng发 表了《LLM Powered Autonomous Agents》一文，其中她提出了一个公式：“智能体=大模型（LLMs）+规划（Planning）+记忆（Memory）+工具使用（Tools）”。智能体的推理与执行能力，指的是利用大模型（LLMs）来理解、执行并回顾任务。这包括将复杂任务分解为更小、更易管理的子任务以提高效率，并且通过吸取历史经验和错误教训来优化行动的质量。智能体具备短期与长期记忆功能：短期记忆通过利用提示（Prompt）中的信