Kiinan NeoLab-hetki: EverMind vastaa täyspinon itsekehittyvän tekoälyn kysymykseen kolmella tutkimuspaperilla
Kun ulkomaiset NeoLabit keräävät mittavia rahoituksia tarinoidensa pohjalta, kiinalainen tiimi EverMind, jonka Shanda Group on hautonut, on julkaissut kolme peräkkäistä tutkimuspaperia, joissa esitellään kattava tekninen pino itsekehittyvälle tekoälylle. Paperit kattavat ohjauskerroksen, taidot ja mallipainot, ja niissä kuvataan viitekehykset HarnessBank, SkillCorpus ja DASH. EverMindin lähestymistapa eroaa ulkomaisten tiimien yksittäisistä läpimurroista, mikä voi asemoida sen alan johtajaksi.
Kesällä 2026, kun ulkomaiset NeoLabs-yritykset kuten Recursive Superintelligence (RSI), Engram, Adaption Labs ja Core Automation keräsivät miljardeja rahoitusta, kiinalainen tiimi EverMind, jota Shanda Group on hautonut, julkaisi kolme peräkkäistä tutkimuspaperia tarjoten kokonaisvaltaisen ratkaisun itseään kehittävälle tekoälylle. EverMind, jonka juuret ovat Shanda Innovation Instituten tutkimuskulttuurissa, keskittyy pitkäkestoiseen muistiin ja itsensä kehittämiseen. Paperit käsittelevät kolmea haastetta: itsensä kehittämisen valjastaminen (HarnessBank), taitojen hallinta (SkillCorpus) ja mallipainojen kouluttaminen (DASH). HarnessBank esittelee geenipankin ja portitetun varmennuksen ylisovittumisen välttämiseksi, saavuttaen 5,1–15,4 prosentin suorituskyvyn parannuksia seitsemässä vertailuarvossa. SkillCorpus kerää ja kuratoi yli 82,1 tuhatta raakataitoa 96 401 korkealaatuiseksi taidoksi, parantaen agenttien suorituskykyä jopa 7,5 pisteellä. DASH käyttää divergenssiadaptiivisia ohjaushorisontteja parantaakseen on-policy-itsetislautumista, parantaen matematiikan päättelypisteitä AIME- ja HMMT-vertailuarvoissa. EverMindillä on avoimen lähdekoodin ekosysteemi, jolla on yli 12 tuhatta GitHub-tähteä, ja sen viitekehykset on kartoitettu neljälle tasolle: tehtävä, valjastus, malli ja meta-parannus. Tiimi odottaa, että seuraavan sukupolven tekoäly kehittyy jatkuvasti, ja he kutsuvat kumppaneita mukaan rakentamaan tekoälyn pitkäkestoista muisti-infrastruktuuria.
Lähde: QbitAI 量子位 —
Alkuperäinen