人工智能 on 庞玉栋个人博客

比亚迪第二代腾势 D9 车型 OTA 升级，AI 超级智能体“迪迪虾”上新

Sat, 19 Sep 2026 21:35:59 +0800

原文：比亚迪第二代腾势 D9 车型 OTA 升级，AI 超级智能体“迪迪虾”上新

来源：IT之家（科技）

正文

感谢IT之家网友华南吴彦祖的线索投递！

IT之家 9 月 19 日消息，比亚迪第二代腾势 D9 OTA 于近日焕新升级，AI 超级智能体“迪迪虾”上新。

IT之家整理如下：

新增迪迪虾智能搭子，焕新上线。一站式解锁五大新功能，支持 7 分屏和全屏设置。

新增生态智能体服务吃喝玩乐，支持听音乐、刷视频、点外卖、订酒店。

新增迪迪虾“AI 空间”功能沉浸式陪聊，语音唤醒即刻交互。

新增迪迪虾“人设”功能，专属智能搭子随心定义。

新增迪迪虾“技能”功能技能随心搭配，打造专属空间。

新增迪迪虾“记忆”功能，声纹注册后，记住你的偏好、习惯和重要事项。

新增导航智能体服务复杂行程，多地点复杂路线轻松规划，路线攻略查询直达导航。

IT之家注意到，迪迪虾已接入大量生态合作伙伴智能体，覆盖出行、娱乐、生活服务、AI 大模型等多个领域，包括千问大模型、豆包大模型、飞猪旅行、高德地图、COLMO、淘宝闪购、喜马拉雅、QQ 音乐、酷我音乐、酷狗音乐、网易云音乐、元神小剧、支付宝、爱奇艺、优酷、哔哩哔哩。

投诉水文

我要纠错

下载IT之家APP，签到赚金币兑豪礼

关键词：腾势 D9，比亚迪，迪迪虾

由「前沿雷达」于 2026-09-20 采集。正文取自原文页面，已保留出处链接。标题与正文版权归原作者所有。

“留给人类阻止AI的时间不多了”

Sat, 19 Sep 2026 19:53:12 +0800

原文：“留给人类阻止AI的时间不多了”

作者：henry

来源：量子位（AI 媒体）

正文

AI有可能终结我们所有人

henry 发自凹非寺

量子位 | 公众号 QbitAI

“我坚信，AI有可能终结我们所有人，而留给我们阻止这一结局发生的时间，或许已经不多了。”

说出这句话的，是不久前从Google DeepMind离职的AI安全研究员Bilal Chughtai。

自2021年从剑桥大学数学专业毕业以后，Chughtai逐渐将研究重心转向AI，并于2022年初进入这一领域，关注安全、对齐和机制可解释性。

此后的四年里，他一路从研究神经网络内部机制，到追踪模型欺骗、研究如何识别AI是否在“撒谎”，再到加入Google DeepMind继续做AGI安全与可解释性研究，几乎一直待在AI安全研究的一线。

也正是在这四年间，他（和我们）亲眼见证了AI能力的飞速变化～

在离职帖中，Chughtai回忆，2022年刚入行时，AI还只是个“几乎没什么用”的东西；而今年，它已经能攻克困扰人类上百年的数学难题，并开始不受控制，主动攻击Hugging Face系统。

可以说，这份超越预期的能力进步，在带给Chughtai惊喜的同时，也成为了他离职谷歌，在推特上打出“我坚信，AI有可能杀死我们所有人”的理由。

目前，这条帖子在X上已经获得超过80万次浏览，并引来彭博等媒体跟进报道。

可以说，相比于Dario、奥特曼、马斯克等巨头掌舵者的风险表态，Chughtai这样的研发人员，让这场关于人类未来的宏大争论，落回了一个个具体的人身上。

他们把时间、才华和对未来的期待，投入到一行行代码、一次次实验中，亲手推动AI走到今天。

如今，这些离技术最近的人，开始在自己参与创造的未来面前感到不安。

Chughtai并非孤例，面对AI的巨大潜力与失控风险，越来越多一线研发人员开始公开讲述自己的不安，以及继续留下或转身离开的理由。

9月9日，研究员*Jacob Coxon发帖宣布从Anthropic离职，并直接点名两家前东家：

OpenAI和Anthropic都没有负责任地行事。它们正一路冲向能够自我改进的超级智能，拿所有人的生命冒险。

发布后，这条帖子迅速走红网络，截至目前已有1.71亿次浏览，不仅引来多家媒体报道，也得到了OpenAI、Anthropic乃至官方层面的回应。

能掀起这么大的波澜，人们很容易以为，发声的是某位行业大佬。但事实上，Jacob今年才27岁，而这，甚至是他发出的第一条推文。

1999年出生的Jacob，曾两次代表英国参加国际数学奥林匹克，分别在2016年和2017年获得银牌、铜牌。

在剑桥大学完成数学学业后，他先后加入OpenAI和Anthropic，从事预训练研究。GPT-4o的贡献者名单中，就有他的名字。

和许多投身AI的年轻研究员一样，Jacob曾努力让AI变得更强。如今，他却开始担心，人类会因此失去控制。

在离职帖中，Jacob特别强调，行业内部一些人对AI可能毁灭人类的担忧是认真的。他们私下表达的恐惧，甚至比公开场合更加强烈。

但意识到危险，并没有让这场竞赛慢下来。

在他看来，OpenAI内部的许多人，还没有真正理解这项技术所牵涉的文明层面的风险；Anthropic更清楚其中的危险，却同样被竞争推着向前：如果自己不率先造出超级智能，就会有一家更不负责任的公司抢先做到。

当每家公司都相信，只有自己赢了，未来才会更安全，继续加速就总能找到理由。

于是，Jacob决定先让自己停下来，暂时离开前沿AI实验室。

很快，这份声明得到了Anthropic对齐研究负责人的Evan Hubinger的回应。

Evan表示，他同意Jacob对风险的判断：他们确实认真地相信，AI存在杀死所有人的可能。他个人估计，未来十年内发生这种情况的概率超过10%。

与此同时，Evan也强调，他相信Anthropic正在尽力。但对于如何解决超级智能的对齐问题，他们尚未找到方案，也不能确定目前是否正走在通往解决方案的路上。

可以说，一个人选择离开，另一个人留下继续研究，但对于眼前的风险，两人的判断却有相当程度的重合。

随后，公司掌舵者也加入了讨论。

在接受CBS采访时，Dario一方面表达了对Anthropic安全工作的信心，另一方面也强调，解决这些问题，需要科技公司、政府与社会各方共同参与。

在CNN的采访中，面对关于Jacob的提问，Dario则表示，自己与Jacob的共同意见，远多于分歧。在他看来，Jacob的批评指向了整个行业不断向前竞逐的状态。

9月12日，Dario发表《We Must Pace the Frontier》一文，明确呼吁放缓AI模型能力提升的速度，为安全研究争取时间。

这份呼吁随后得到了奥特曼、马斯克等人的公开支持，也将这些一线研究员的不安，带入了更广泛的讨论之中：

当整个行业都在加速，人类究竟给理解和控制AI，留下了多少时间。

不过，在另一位一线研究员看来，放慢脚步，可能还不够。

9月14日，仍在OpenAI工作的Daniel Selsam（下文简称Dan）公开了一份关于AI风险的个人声明。

有趣的是，Dan甚至没有X账号。这份声明，是请前同事Daniel Kokotajlo代为分享的，后者在介绍中提到，Dan还曾做过自己的上司。

相比于刚刚离职的Jacob，Dan已经在AI领域工作了十五年之久。

他在MIT研究过概率编程，在微软研究院参与过Lean定理证明器的早期开发，又在斯坦福攻读博士，探索如何让神经网络学会推理。

加入OpenAI后，他继续参与思维链优化与预训练研究。在o1推理研究的“奠基贡献者”名单中，就有他的名字，与Ilya Sutskever、Jason Wei、Max Schwarzer、Noam Brow、赵晟佳等大佬共同在列。

可以说，如何让机器学会思考，贯穿了他的职业生涯。

中国电信开源首个全栈国产轻量级智能体大模型 Xing4.0-29B-A4B

Sat, 19 Sep 2026 18:33:14 +0800

原文：中国电信开源首个全栈国产轻量级智能体大模型 Xing4.0-29B-A4B

来源：IT之家（科技）

正文

IT之家 9 月 19 日消息，中国电信于 9 月 17 日发布新一代星辰大模型 Xing4.0-29B-A4B，该模型总参数量 29B，激活参数仅 4B，原生支持 256K 上下文，可扩展至 512K，是国内首个基于国产算力与国产框架完成训练、面向复杂工程任务深度优化的百亿参数大模型。

官方表示，从训练芯片到推理部署，全栈国产 —— 昇腾训练、国产框架适配、自研架构、开源生态，一条路走通。

从 SuperCLUE 评测结果来看，在智能体能力方面，Xing4.0-29B-A4B 得分 93.52，位列第 3 名，与两款头部 Qwen 模型的差距均不足 1 分。

据介绍，Xing4.0-29B-A4B 通过 4-bit 量化后显存占用降低至 15GB（比 FP16 省约 75%），RTX 3090、RTX 4090 这类 24G 消费级显卡就能本地跑长上下文任务。

Xing4.0-29B-A4B 延续星辰大模型的开源路线，对主流开源生态做了全面兼容：支持 LLaMA-Factory、MindFormers 等微调架构；适配 SGLang、vLLM、KTransformers 等主流推理框架；Agent 框架对 OpenCode、Claude Code、OpenClaw、Hermes 做了定向适配调优，深度对齐各框架格式规范。

星辰大模型 Xing4.0-29B-A4B 已上线开源社区，IT之家附相关链接：

HuggingFace：https://huggingface.co/XingChen-AGI/Xing4.0-29B-A4B

GitHub：https://github.com/XingChen-AGI/Xing4.0-29B-A4B

魔搭：https://modelscope.cn/models/XingChen-AGI/Xing4.0-29B-A4B

Gitee：https://gitee.com/xingchen-agi/xing4.0-29b-a4b

魔乐：https://modelers.cn/models/XingChen-AGI/Xing4.0-29B-A4B

广告声明：文内含有的对外跳转链接（包括不限于超链接、二维码、口令等形式），用于传递更多信息，节省甄选时间，结果仅供参考，IT之家包含外链的文章均包含本声明。

投诉水文

我要纠错

下载IT之家APP，签到赚金币兑豪礼

由「前沿雷达」于 2026-09-20 采集。正文取自原文页面，已保留出处链接。标题与正文版权归原作者所有。

华为全联接大会2026：360与昇腾AI联合打造解决方案，为AI Agent全面提速

Sat, 19 Sep 2026 09:58:00 +0800

原文：华为全联接大会2026：360与昇腾AI联合打造解决方案，为AI Agent全面提速

来源：雷锋网（AI 媒体）

正文

2026年9月17日，第十一届华为全联接大会在上海开幕。大会期间，360集团与昇腾AI联合打造解决方案。以360智能体工厂为核心的智能体基础设施与昇腾AI深度协同，面向AI Agent场景实现全面提速，为复杂任务执行、多智能体协作和长链路推理提供更高效、更稳定的底层支撑。这也是双方继2026世界人工智能大会联合展示后，合作成果的进一步深化落地。

图说：华为全联接大会期间360与昇腾AI展台

作为360智能体基础设施的核心组件，360智能体工厂承担智能体生成与编排职能，支持通过自然语言快速生成智能体并组建多智能体协作蜂群。其首创的“蜂群多智能体协作技术”支持多智能体多层嵌套、灵活组队与共享协作记忆，实现任务自主规划与协同执行，使原本需要2小时的多角色协作任务缩短至20分钟，效率提升6倍。

随着AI Agent从单轮问答迈向复杂任务执行，异步并行、多智能体协同、长上下文推理以及高频工具调用逐渐成为主流应用形态。Agent运行过程中需要持续进行任务拆解、规划决策、工具调用和结果反馈，这对底层算力平台的稳定性、吞吐能力和响应速度提出了更高要求。

针对智能体场景中的长序列推理和频繁KV Cache读写等挑战，昇腾AI进行了针对性性能优化，通过长序列优化、吞吐优化、运行时优化及算子优化等能力提升，有效降低首Token时延，提升整体吞吐效率，为高并发、长链路Agent任务提供稳定支撑。

在深度理解、通用理解和智能体执行等典型场景中，搭载DeepSeek、Qwen、GLM等主流模型时，昇腾AI已具备良好的开箱性能，经过进一步优化后实现整体性能提升。基于昇腾AI算力支撑，360智能体工厂在内测过程中已实现超过1000步复杂任务连续执行不中断，任务成功率达到95%以上。同时，360智能体工厂采用透明化人机协同机制，将智能体的思考过程、任务规划路径和执行状态全程可视化，让用户能够实时掌握任务进展与执行结果，而底层毫秒级响应能力则为这一体验提供了坚实保障。

图说：360智能体工厂与昇腾AI合作路径示意

当前，AI产业正从“大模型竞争”逐步走向“智能体竞争”。智能体的价值不仅取决于模型能力，更依赖于模型、工具、工作流与算力基础设施之间的协同效率。此次360与昇腾AI联合打造解决方案，正是智能体基础设施与国产AI算力协同发展的又一次实践探索。

未来，双方将持续推进智能体基础设施与国产AI算力生态融合创新，为AI Agent规模化应用提供更高效、更稳定的底层支撑，助力更多企业加速迈向AI时代。

由「前沿雷达」于 2026-09-20 采集。正文取自原文页面，已保留出处链接。标题与正文版权归原作者所有。

别再让 Agent 裸连数据库了：如何用 MCP + 语义网关解决 NL2SQL 幻觉与权限失控

Fri, 18 Sep 2026 20:54:57 +0800

原文：别再让 Agent 裸连数据库了：如何用 MCP + 语义网关解决 NL2SQL 幻觉与权限失控

来源：开源中国（资讯）

摘要

在 2026 年，给 AI Agent（Cursor、Claude Desktop、Dify、Coze 等）外挂一个数据库连接，已经成为很多开发者的标配操作。从简单的官方 SQLite/MySQL MCP 到各种通用客户端扩展，让大模型“直接查库”的门槛被降得极低。然而，一旦进入真实业务场景，大部分团队很快就会撞上两堵高墙：语义幻觉严重：大模型根本不懂企业…

由「前沿雷达」于 2026-09-20 采集。本文为原文摘要（该源未提供可提取的全文），完整内容请点上方「原文」链接。标题与正文版权归原作者所有。

仅用3天！千问办公协助国家天文台科研团队打造科研级望远镜仿真系统

Fri, 18 Sep 2026 14:24:00 +0800

原文：仅用3天！千问办公协助国家天文台科研团队打造科研级望远镜仿真系统

来源：雷锋网（AI 媒体）

摘要

日前，千问办公协助国家天文台科研团队打造大口径科研级望远镜数字化仿真系统，耗时仅3天，成本不到千元。依托对真实望远镜组件和观测条件的模拟，Agent可在仿真环境中驱动望远镜进行远程态势感知与观测流程仿真。未来，仿真系统产生的数据，还将用于训练望远镜控制模型（VLA）中。

据介绍，超新星爆发、伽马暴等瞬变事件是研究宇宙演化和极端物理过程的重要窗口，但它们出现时间难以预测。与此同时，科研级望远镜资源有限，真实设备难以承担大量试错。因此，在正式观测前，科研团队通常需要先搭建望远镜仿真系统，完整模拟观测流程，验证方案可行性后，再应用于真实设备。过去，这类仿真系统通常依赖软件供应商开发，需要约三个月，成本高达数万元。

千问办公协助国家天文台相关科研团队搭建大口径科研级望远镜数字化仿真系统，并将望远镜各组件、传感器状态及观测环境信息整合为标准MCP接口，供Agent监测与调用。在仿真环境中，跨巡天对齐时序模型可以从多巡天公开数据中识别极早期超新星候选，让Agent知道“看什么”；短时局部气象预测模型能够综合云量、风速和湿度等实时参数评估观测条件，让Agent 理解“怎么看”。最终，Agent可以进一步综合科学目标优先级、望远镜实时状态以及目标可观测窗口，自主完成“状态感知——任务规划——方案生成——流程验证”的闭环。

目前，该Agent框架已接入“司天”探路者和“司天”原型机。科研人员提出科学观测需求后，智能体结合目标优先级、天气和设备状态生成观测方案，通过不同MCP接口调用相应控制模块，并将观测结果反馈给科研人员；任务结束后，还可以根据执行结果和专家反馈重新规划后续任务，并将有效经验沉淀为可复用的Skill。截至目前，相关Agent已经预警8颗极早期超新星候选，其中2颗在天气条件允许的情况下触发了后续观测。

更值得关注的是，此次不仅是针对单一望远镜提供的仿真系统，也是对新的天文科研组织和执行方式的探索。

过去，望远镜自动化系统主要按照预先设定的流程运行；当天气、设备状态或者科学目标发生变化时，仍需要科研人员人工判断和调整。随着大模型、Agent、科学模型和望远镜控制系统逐步连接，AI开始具备根据实时环境和科学目标进行动态规划、调用工具、验证方案并调整观测策略的能力。

同时，仿真系统还可以在虚拟环境中反复执行观测任务，持续记录设备状态、环境变化、决策过程和执行结果，形成面向望远镜智能控制的高质量训练数据，为进一步训练望远镜控制模型（VLA），以及未来在真实科学装置上实现更高水平的智能观测奠定基础。

“科研范式正在发生改变：AI 在科研中的角色不再只是辅助分析，而是进一步进入科研执行流程本身。科研工作者更多负责提出问题、设定目标，智能体则承担观测执行、验证和迭代工作。”国家天文台人工智能推进委员会专家李瑀旸博士表示。

由「前沿雷达」于 2026-09-20 采集。本文为原文摘要（该源未提供可提取的全文），完整内容请点上方「原文」链接。标题与正文版权归原作者所有。

Large Language Models as Falsifiers for Cyber-Physical Systems

Fri, 18 Sep 2026 01:40:04 +0800

原文：Large Language Models as Falsifiers for Cyber-Physical Systems

作者：Ali ArjomandBigdeli, Jiawei Zhou, Stanley Bak

来源：arXiv cs.AI（人工智能）

正文

Electrical Engineering and Systems Science > Systems and Control

arXiv:2609.20752v1 (eess)

[Submitted on 17 Sep 2026]

Title:Large Language Models as Falsifiers for Cyber-Physical Systems

Authors:Ali ArjomandBigdeli, Jiawei Zhou, Stanley Bak

View a PDF of the paper titled Large Language Models as Falsifiers for Cyber-Physical Systems, by Ali ArjomandBigdeli and 2 other authors

View PDF

CoRef-GS: Cooperative Referring Gaussian Splatting for Multi-Agent Scene Understanding

Thu, 17 Sep 2026 23:39:25 +0800

原文：CoRef-GS: Cooperative Referring Gaussian Splatting for Multi-Agent Scene Understanding

作者：Zhikun Zhou, Kunyu Peng, Runyi Yang, Junhao Cai, Di Wen, Ruiping Liu, Danda Pani Paudel, Yi Zhou, Luc Van Gool, Kailun Yang

来源：arXiv cs.CV（计算机视觉）

正文

Computer Science > Robotics

arXiv:2609.20586v1 (cs)

[Submitted on 17 Sep 2026]

Title:CoRef-GS: Cooperative Referring Gaussian Splatting for Multi-Agent Scene Understanding

Authors:Zhikun Zhou, Kunyu Peng, Runyi Yang, Junhao Cai, Di Wen, Ruiping Liu, Danda Pani Paudel, Yi Zhou, Luc Van Gool, Kailun Yang

Language-model groups overstate consensus when replaying human deliberation on a reasoning task

Thu, 17 Sep 2026 23:11:08 +0800

原文：Language-model groups overstate consensus when replaying human deliberation on a reasoning task

作者：Tengfei Shao

来源：arXiv cs.AI（人工智能）

正文

Computer Science > Artificial Intelligence

arXiv:2609.20543v1 (cs)

[Submitted on 17 Sep 2026]

Title:Language-model groups overstate consensus when replaying human deliberation on a reasoning task

Authors:Tengfei Shao

View a PDF of the paper titled Language-model groups overstate consensus when replaying human deliberation on a reasoning task, by Tengfei Shao

View PDF

Abstract:Full-consensus rates are often treated as indicators of collective cognition, yet depend on how participation and final states are operationalized. We replayed 100 held-out human Wason groups with matched large language model (LLM) agent groups, seeding one belief-anchored agent per participant’s pre-discussion answer and scoring agents and people with the same code. Across human scoring definitions, estimates ranged from 24.0% to 57.0%; about one fifth of participants never posted, whereas agents almost always did. Agent groups remained more consensual in two post-unblinding sensitivity analyses: the submit-based comparison (n = 98) yielded gaps of 34.0 and 43.9 percentage points for chat and reasoning modes, and the participation-matched comparison (n = 45) yielded gaps of 34.1 and 44.4 points. These complementary routes reduced different measurement asymmetries yet converged within 0.5 percentage points. The gap persisted without early stopping and under a reparameterization removing the memorizable answer; reasoning-mode groups then agreed nearly unanimously, mostly on incorrect answers. Simulated consensus did not track collective accuracy, and belief-anchored agent groups were biased estimators of the human group-outcome distribution in this setting. These analyses provide a scoring-explicit basis for assessing simulated-group estimates of human deliberative outcomes.

Parallelism, critical windows, and separations among diffusion language models

Thu, 17 Sep 2026 23:10:18 +0800

原文：Parallelism, critical windows, and separations among diffusion language models

作者：Sitan Chen, Liye Wang

来源：arXiv cs.LG（机器学习）

正文

Computer Science > Machine Learning

arXiv:2609.20539v1 (cs)

[Submitted on 17 Sep 2026]

Title:Parallelism, critical windows, and separations among diffusion language models

Authors:Sitan Chen, Liye Wang

View a PDF of the paper titled Parallelism, critical windows, and separations among diffusion language models, by Sitan Chen and 1 other authors

View PDF

HTML (experimental)

Abstract:A popular selling point of diffusion large language models (dLLMs) is their capacity for parallelism: the ability to generate sequences of text far more efficiently than autoregressive models, which require one forward pass per token. Yet among the many competing paradigms for dLLMs, from masked to uniform to Gaussian diffusion, principled understanding of how these different proposals compare in parallelism remains limited. In this work, we initiate a fine-grained comparison of the capacity for parallelism among these three leading approaches and prove the following:

九识建成首个L4万卡集群，无人驾驶进入多模态大模型新范式

Thu, 17 Sep 2026 18:14:00 +0800

原文：九识建成首个L4万卡集群，无人驾驶进入多模态大模型新范式

来源：雷锋网（AI 媒体）

摘要

一家做无人车的公司，为什么需要一万多张GPU？ 9月10日，九识CEO孔旗在广州宣布战略升级为“城市级物理AI”。一周后的9月17日，CTO庄立首次披露支撑这次升级的底层能力：九识已建成业内首个L4级万卡集群，算力集群总规模近1.5万卡。九识也成为首个建成万卡集群的L4团队。而万卡算力的背后，是一个正在从百亿级迈向千亿级的九识APEX多模态基座大模型。无人驾驶下半场：迈入多模态大模型新范式在智能驾驶圈子里，长期存在一个顽固的偏见：载人自动驾驶是高科技，城市货运无人车，AI壁垒更低。但事实显然不是如此。九识成立于2021年8月，创始团队是中国无人驾驶的拓荒者，曾在百度硅谷研究院主导了Robotaxi、Robotruck的研发工作，并为第一代Appollo开源平台作出了重要贡献。而创业之初，就选择了崭新的领域RoboVan，过去五年，这家企业围绕技术、场景、商业模式三大核心方向深耕布局。这五年，九识干了三件事：第一件事，把技术真正做出来，发明了全球第一台Robovan；第二件事：让无人驾驶走进更多真实场景，从聚焦物流到L4技术赋能千行百业；第三件事：跑出了无人驾驶的成熟商业范式——卖车、服务、运力。从2023年卖出第一台车，到如今，九识全球车队超过3万台，覆盖20多个国家、300多座城市，累计真实运营里程超过2.7亿公里。但规模跑通之后，一个更根本的问题浮出水面：当无人车面对真实城市里那些无法用规则穷尽的大量长尾场景——无标识乡村道路、临时施工围挡、异形障碍物、人车无序混行、恶劣天气光影突变——分水岭到底是什么？今天，九识从另一个维度回答了这个问题——正式披露其算力集群突破“万卡”规模，成为业内首家建成L4万卡集群的L4无人驾驶企业。这也意味着无人驾驶开始迈入多模态大模型的新范式。万卡算力集群，让车拥有“自我进化”的能力万卡集群，指的是由超过一万张加速卡组成的高性能计算系统，用以训练基础大模型。单张AI加速卡像一个高速计算单元，万卡集群则像一座由上万台计算设备组成的‘AI超级工厂’，能够把一个复杂的大模型训练任务拆解后并行处理。更重要的是，算力的层级，将在基础设施上决定一家智驾企业的智能上限。真实的城市货运场景，充满了长尾非标路况，根本无法用人工规则穷尽。九识的解法是用大模型去学习物理世界，而万卡集群就是训练这些模型的硬性前提。万卡算力集群，是支撑千亿大模型演进的硬核底座。据九识披露，其APEX多模态基座大模型正在由百亿级参数规模向千亿级迈进。APEX融合了海量真实L4驾驶数据与互联网语言、视频等知识语料和真实运营的人类决策数据，通过APEX 基座训练完成后，向下赋能数据、模型、评测，实现迭代闭环。万卡集群赋予九识的，是“自我进化”的能力。3万台车、300多座城市、2.7亿公里真实L4运营数据，每天都在喂养这套算力体系。算力越强，模型迭代越快。模型越强，运营成本越低，更多客户愿意用，车跑起来又产生更多稀缺数据。孔旗说过一句话：“复杂城市开放道路能够产生高价值数据，而商业模式本身需要赚钱，才能持续获取数据、推动技术进步。”算力不是成本，是飞轮的起点。 APEX九识基座世界模型，让车“理解物理世界” 九识此次战略升级的核心，落在“九识大脑”上——它是九识无人车实现服务与城市治理生态的核心基座。而九识大脑的核心，是正从百亿迈入千亿的APEX多模态基座大模型。 APEX赋予九识的，是“理解物理世界的变化”。这种能力带来四个层面的质变。场景推理与决策能力更强，具备预测推演能力，长时序博弈预判大幅提升行驶平顺性与安全性。知…

本文由「前沿雷达」于 2026-09-19 自动采集。标题与摘要版权归原作者所有，原链接见上。

KoNeoBench: A Curated Evaluation Dataset for LLM Understanding of Korean Neologisms

Thu, 17 Sep 2026 16:58:49 +0800

原文：KoNeoBench: A Curated Evaluation Dataset for LLM Understanding of Korean Neologisms

作者：Soha Lee, Soojin Lee, Heesung Yang, Hyunju Song, Hyunji Lee, Jinsan An, Jeongwan Shin, Jin Hyun Park, Jun Lee, Hyeyoung Park, Kilim Nam

来源：arXiv cs.CL（自然语言）

正文

Computer Science > Computation and Language

arXiv:2609.19916v1 (cs)

[Submitted on 17 Sep 2026]

Title:KoNeoBench: A Curated Evaluation Dataset for LLM Understanding of Korean Neologisms

Authors:Soha Lee, Soojin Lee, Heesung Yang, Hyunju Song, Hyunji Lee, Jinsan An, Jeongwan Shin, Jin Hyun Park, Jun Lee, Hyeyoung Park, Kilim Nam