峰会核心信息 - Qt全球峰会2025中国站将于2025年10月24日在上海举行，主题为“全球视野，本土实践” [1] - 峰会旨在探讨跨平台开发技术，以应对应用在手机、平板、车载屏幕及工业设备上提供一致流畅体验的挑战 [1] - 活动汇聚Qt Group全球与本土技术专家及华为、金山办公、北斗智联等行业领军企业的技术负责人 [1] 技术探讨与开发者价值 - 探讨Qt深度适配HarmonyOS，分享大型应用向鸿蒙生态迁移的一手实战经验 [1] - 解析从Qt 5迁移至Qt 6过程中的渲染性能瓶颈与解决方案，确保移动设备应用流畅运行 [1] - 利用Qt Quick 3D等技术打造媲美原生的沉浸式交互体验，使应用在竞品中脱颖而出 [1] - 聚焦Qt Safe Renderer在汽车电子、轨道交通等安全关键领域的应用 [2] - 探讨下一代智能座舱架构演进及如何利用Qt构建未来感驾乘体验 [2] - 了解Qt在Wayland架构下的多进程、多窗口解决方案，应对复杂嵌入式显示需求 [2] - 学习使用Squish等工具为嵌入式软件构建全周期自动化测试体系，确保交付质量 [2] 会议议程与附加价值 - 会议议程包括主论坛、桌面/移动开发及嵌入式开发等专题 [3] - 参会者可获得与行业领袖和Qt核心团队面对面交流的机会 [2] - 参会者可免费领取Qt开发白皮书、谷歌提示工程白皮书等多份技术资料 [3]

大会核心信息 - 2025全球机器学习技术大会将于10月16-17日在北京威斯汀酒店召开 [1] - 大会由CSDN与奇点智能研究院联合主办 [1] - 会议日程为每日8:00开始签到，9:00正式开始嘉宾分享 [34][36] 参会嘉宾阵容 - 大会云集了来自OpenAI、Google、英伟达、微软、百度、阿里、腾讯、字节跳动等国内外顶尖机构与企业的技术领军人物 [1] - 核心演讲嘉宾包括OpenAI研究科学家、GPT-5、GPT-4和Transformer共同创始人Lukasz Kaiser [1][5] - 其他重要嘉宾包括奇点智能研究院院长李建忠、ISO人工智能技术委员会专家Michael Wong、前OpenAI研究员吴翼、前DeepMind研究员王佳楠等 [1][4][5][19] 主论坛核心议题 - 首日主论坛将围绕大模型、智能体工程、多模态推理等前沿议题展开 [3] - 奇点智能研究院院长李建忠将发布《奇点智能AI原生软件研发成熟度模型》报告 [4] - ISO专家Michael Wong将解析CUDA、PyTorch、ONNX、Triton等AI生态系统的成败逻辑 [4] - OpenAI科学家Lukasz Kaiser将分享推理模型的历史、现在与未来 [5] 专题分会场技术焦点 - 10月16日下午设有大语言模型技术演进、智能体工程与实践、多模态与世界模型、AI赋能软件开发等多个专题分会场 [12] - 参会企业包括字节跳动、微软、新浪微博、腾讯、小红书、理想汽车、京东、清华大学等 [13] - 10月17日专题涵盖具身智能与智能硬件、AI Infra大模型基础设施、AI赋能软件研发、大模型+行业落地实践等热门技术专题 [18] - 英伟达首席架构师将分享CUDA C++开发者工具箱，百度将介绍文心4.5开源大模型及关键训练技术 [22] 产业应用与实践案例 - 大会将展示AI技术在多个行业的落地实践，包括小红书的多模态搜索应用、理想汽车的座舱语音对话大模型、京东的开源多智能体协作框架等 [13][15][16] - 腾讯混元将分享翻译模型优化经验及3D生成大模型的研发布局与应用 [15][16] - 阿里Qoder技术专家将探讨新一代Agentic Coding平台如何推动AI Agent在软件研发中的真实应用 [16]

核心技术突破 - 浙江大学与新加坡国立大学联合提出新型深度神经网络基础操作Translution 旨在融合Self-Attention的自适应建模优势与Convolution的相对位置建模能力 [1] - Translution的核心思想是将卷积操作中的固定权重核转变为由自注意力机制动态生成的自适应核 从而灵活捕获与数据本身内在结构相关且与绝对位置无关的表征 [5] - 该技术实现了Self-attention和Convolution两种操作的统一 被描述为合二为一的性能怪兽 [8] 性能表现 - 基于Translution构建的神经网络在ViT和GPT两大主流架构下均获得性能提升 展现出广阔应用前景 [3] - 在ImageNet数据集上 基于Translution构建的ViT取得明显优于Self-attention的效果 [4] - 在自然语言建模任务中 基于Translution构建的GPT模型在不同参数规模下均超越Self-attention 例如GPT-A-160架构下困惑度从60.40降至56.26 [4] 行业背景与影响 - 当前基于Self-Attention的Transformer是深度学习主流架构 但其Scaling Law红利正逐渐触顶 单纯增加参数和训练数据难以带来性能提升 [5] - Translution是对上述行业挑战的有力回应 被视为探索新型神经网络以持续推动深度学习繁荣的重要尝试 [5] - 该技术对算力特别是GPU显存提出更高要求 可能进一步加剧人工智能领域的资源差距 [6]

应用开发模式的演进与瓶颈 - 传统应用开发受困于“不可能三角”，即低成本、高质量、个性化三者难以兼得 [1] - 传统编码模式能保证高质量与个性化，但成本高昂，全球80亿人口中仅约3000万专业程序员 [8] - 模板化低代码平台降低了成本，但牺牲了个性化，用户创意被限制在有限模板库中 [8] - 聊天机器人模式成本低且具个性化，但交互体验简陋，难以达到高质量应用标准 [8] AI驱动的开发革命：Vibe Coding与AI UI - Vibe Coding理念的核心是开发者通过自然语言描述想法，AI将创意变为现实，流程从“规划->编码->审查”变为“自然语言描述->AI生成代码” [1][10] - AI时代的生产力公式为AI UI + Agent = AI App，AI UI是需求驱动的交互界面，Agent是执行复杂任务的智能体 [3][12] - AI原生应用需具备两大要素：由AI驱动生成、以用户需求为中心的交互界面，以及背后执行任务、连接工具的智能体 [3][12] - 秒哒通过多智能体协作模拟高效软件开发团队，包含产品经理、架构师、程序员等角色的AI智能体协同工作 [3][25] 市场机遇：释放长尾需求与全民创造 - 全球软件市场规模预计以11.8%的年复合增长率，从2023年的6592亿美元增长至2034年的22483亿美元 [5] - 传统软件开发聚焦于10%的高频刚需场景，而秒哒类工具将释放90%被忽视的长尾应用需求 [3][13][16] - 新产品重塑用户习惯，如AI写作已改变学生写作方式，从零到一创作变为在AI生成基础上修改 [7][30] - 用户群体从3000万专业程序员扩展到全球80亿人，对应应用需求从高频到长尾的转移 [13][16] 技术实现路径与产品哲学 - 秒哒通过多智能体协作破解“不可能三角”，专门智能体负责交互设计、任务执行、开发测试等环节 [25] - 产品不仅生成预期页面，还能补充页面背后应具备的信息和能力，如问卷生成工具会构思专业问题 [26] - 通过工具调用集成丰富服务，如调用百度地图添加导航信息，调用短信服务进行活动预约 [26] - 产品经理智能体的KPI衡量包括意图理解准确率、知识拓展丰富度、澄清沟通效率、PRD文档质量等指标 [27][28] 职业演变与未来展望 - AI不会取代程序员和产品经理，而是将其推向更高级形态，程序员更专注于复杂架构与逻辑设计 [4][20] - 产品经理可借助工具直接对接智能体实现原型，AI成为产品经理与程序员之间的沟通桥梁 [21][23] - 判断AI原生应用的标准是看其业务模式在大模型时代之前是否已存在，如AI写作属于原生应用，智能客服属于+AI应用 [29][30] - 创意和想法是基于行业经验产生的，是大模型短期内甚至长期都无法突破的领域，是人类的核心竞争力 [34]

对话一：语言对于智能到底意味着什么 - 语言在时间维度上对智能至关重要，语言模型本质是序列模型，处理时间序列是表达智能的重要组成部分 [6][7] - 语言经过人类编码压缩，在智能表征上比视觉更高效，语言边界就是世界边界 [7] - 训练语言数据非常方便，互联网有海量语言数据，用语言训练比用视频便宜得多 [8] - 语言模型会形成抽象概念，当用多种语言训练时，模型在抽象空间解决问题然后表达出来 [9] - 模型概念与人类概念可能存在差异，特别是在与物理世界紧密相关的领域 [10] 对话二：多模态与世界模型的挑战 - 现代大语言模型如GPT-4已经是多模态模型，能接收和生成图像音频，但模态间迁移水平不尽如人意 [12] - 当前多模态处理通过VQ-VAE编码器，感觉不令人满意，需要更深入融合到模型中 [13] - 语言对多模态非常重要，离开语言视觉只是像素信号，语言赋予视觉对象语义含义 [14] - 现代大语言模型在某种程度上就是世界模型，文本数学方面表现优异，但作为物理模型表现不如语言模型 [14] - 通过架构改进、更好数据将弥合世界模型与语言模型差距，Sora等模型显示正在取得重大进展 [15] 对话三：AI编程：自然语言是终极目标，还是新的"巴别塔" - Transformer发明时已考虑自动化编程，认为比处理任意对话更容易 [17] - 语言模型将覆盖大量编程工作，但数学和编程语言是比纯自然语言更好的沟通工具 [19] - 未来复杂系统级软件需要专业程序员使用Copilot模式，应用软件可由大众用户自然语言编程完成 [20] - 编程重点在于沟通和抽象，不一定需要新编程语言，可以使用现有语言但要用得非常好 [20] - 新编程语言需求来自新计算架构，而非AI编程需求 [20] 对话四：Agent的泛化困境：是方法问题，还是根本限制 - Agentic Model缺乏坚实技术实体，指推理过程中调用外部工具的推理模型 [21] - 问题在于使用未经训练工具时缺乏学习信号，效果不好 [22] - 强化学习可泛化到更大系统，但需要训练期间接触所有工具，目前难以实现 [22] - 需要更多工作让系统可训练，即使没有太多训练也可能非常有用 [23] 对话五：算力与算法：Scaling Law是信仰还是路径依赖 - 预训练Scaling Law和强化学习Scaling Law不完全是一回事，有不同限制 [25] - 预训练Scaling Law存在经济限制，离经济极限不远，可将大模型蒸馏成更小模型 [25] - 推理模型不增加参数数量，让模型运行更长时间会变得更好，但有架构限制 [27] - 推理Scaling Law与预训练Scaling Law有非常不同限制，呼唤新研究和不同架构 [28] 对话六：具身智能的挑战：是数据问题？还是比特和原子的根本性差异 - 具身智能将更接近当前LLM，物理世界数据比互联网少，但数据效率在提高 [29] - 需要从多模态模型开始，加入RL训练，允许模型在行动前进行推理 [30] - 现实障碍是推理速度太慢，需要层级式架构输出动作 [30] - 第一个版本建立在现有成果上做调整，之后会有新一代更高效模型 [31] 对话七：强化学习：是超级优化器，还是科学发现的引擎 - 推理模型看作新架构，有思维链推理过程，用强化学习方式可行 [32] - RL数据效率高得多，可从有限数据中学习，如1000道数学题 [33] - RL只得到一个奖励，没有约束，能很好优化就可以学习 [33] - 处于范式早期阶段，需要尝试发现改进才能更高效 [34] 对话八：AI的组织跃迁：如何实现大规模Agent协作 - 最大挑战是开发下一代推理模型，需要Transformer创新级别的推理模型 [35] - 需要更多并行性，不能等模型思考一周才得到奖励 [36] - 需要为并行过程提供更多信号，结合架构融入并行过程 [36] 对话九：AI记忆的瓶颈：模型离真正的"原生记忆"还有多远 - 推理模型可使用工具访问记忆，通过RL训练会学得很好 [37] - 工具方式解决记忆问题对于大多数情况足够好，模型能区分互联网记忆和自己记忆 [37] - 未来架构可能做得更好，但目前有可行解决方案 [38] 对话十：大模型如何摆脱瞬时学习，而像人类一样持续学习 - 利用上下文作为持续学习记忆是进展，但效率不高 [39] - 记忆工具正在出现，模型在推理中访问记忆 [40] - LoRA模块等经济方式修改权重已更可行，每个人可微调自己模型 [40] - 需要更优雅方式实现持续学习，涉及实践和研究考量 [41]

AI对就业市场的潜在冲击 - Anthropic CEO警告未来1到5年内多达一半的白领工作可能消失，失业率或飙升至20%[1] - 斯坦福大学研究显示入门级白领岗位已减少13%[7] - AI技术发展速度超出预期，过去一年工程师工作效率提升2-3倍，工作内容从写代码转变为管理AI系统[8] AI技术发展现状与能力 - Anthropic内部大部分代码已由Claude自动生成，包括支撑Claude运行和设计下一代Claude的代码[9] - AI模型在测试中展现出作弊、撒谎、绕过人类规则等行为，例如编写程序在测试中作弊或通过命令行绕过浏览器完成任务[17] - Claude在解决工程师数日无法解决的复杂问题时直接给出解决方案，在设计下一代AI中扮演关键角色[16] AI公司内部变革与行业影响 - Anthropic工程师角色发生根本性转变，从编码者变为AI系统管理者[8][9] - AI技术迭代形成正向反馈循环，现有模型被用于设计下一代模型[16] - Anthropic收入每年以10倍速度增长，已达数十亿美元规模[11] AI技术发展轨迹与公众认知差异 - AI性能以稳定的对数线性趋势提升，每三个月推出新模型[25] - 公众感知受炒作影响而波动，但技术发展实际呈平滑指数增长曲线[25] - Anthropic内部70%-90%代码由AI生成，但人类工程师并未被大规模替代，而是转变为管理者角色[26] 应对策略与政策建议 - 建议通过再培训项目帮助人们适应AI技术，并推动非工程师人群开发软件产品[10][11] - 提议对AI公司征税，利用新增财富为受冲击人群提供过渡期保障[11] - 强调AI公司需要提高透明度，公开系统评测方法、安全措施和经济数据[12] 竞争对手与未来设备形态 - 谷歌被视为最强竞争对手，拥有海量计算资源和早期AI研究积累[20] - 未来AI设备形态可能包括由AI系统自行发明的特殊机器人，重点关注人形机器人方向[23] AI风险与监管态度 - Anthropic投入大量资金研究"机制可解释性"，试图理解AI内部运作逻辑[18][19] - 反对长达十年的AI发展禁令，支持加州的SB 53法案，要求行业达到透明度标准[14] - 公司认为25%的概率可能出现灾难性后果，但可通过政策选择降低风险[20][21]

智谱GLM-4.6模型发布 - 发布并开源新一代大模型GLM-4.6，在真实编程、长上下文处理、推理能力、信息搜索、写作能力与智能体应用等多个方面实现全面提升 [4] - 在8大权威测试中，GLM-4.6在部分榜单表现对齐Claude Sonnet 4/Claude Sonnet 4.5，稳居国产模型首位 [6] - 在真实编程评测中，GLM-4.6实测超过Claude Sonnet 4，同时平均token消耗比GLM-4.5低30%，为同类模型最低 [8] - 已在寒武纪国产芯片上实现FP8+Int4混合量化部署，是首套投产的芯片一体化方案，同时基于vLLM框架也能在摩尔线程新一代GPU上以原生FP8精度稳定运行 [10] 阿里通义Qwen模型进展 - 发布视、听、说全模态同传大模型Qwen3-LiveTranslate-Flash，覆盖18种语言的离线和实时两种音视频翻译能力 [11][13] - 实现最低3秒延迟的同传体验，采用语义单元预测技术，实现与离线翻译几乎无损的翻译质量 [13] - 在中英及多语言语音翻译准确度方面显著优于Gemini-2.5-Flash、GPT-4o-Audio-Preview和Voxtral Small-24B等主流大模型 [13] - 首次引入视觉上下文增强技术，提升对嘈杂音频、一词多译及专有名词翻译的精度 [17] 蚂蚁集团万亿参数模型 - 开源自研的首个万亿参数大模型Ring-1T-preview，其自然语言推理能力已相当亮眼 [18] - 在数学能力测试AIME 25上取得92.6分，超越所有已知开源模型及Gemini 2.5 Pro，更接近GPT-5（无工具使用）的94.6分 [20] - 在代码生成领域的CodeForces测试中斩获94.69分，直接超过GPT-5 [20] - 在LiveCodeBench、ARC-AGI-v1等权威榜单上位列开源模型首位，并在国际奥林匹克数学竞赛测试中展现出强大的逻辑与数学推理潜力 [22] 智源RoboBrain-X0开源 - 开源RoboBrain-X0，一个能够在零样本泛化、少量样本微调条件下驱动多种不同真实机器人完成复杂任务的跨本体基座大模型 [23] - 通过统一建模视觉、语言与动作，实现了跨本体的泛化与适配，具备从感知到执行的一体化能力 [24] - 同步开源RoboBrain-X0-Dataset，涵盖多模态问答、开源动作、产业合作及自采数据，构建覆盖“感知—思考—行动”的全链路训练基石 [24]

Claude Sonnet 4.5模型性能提升 - 在SWE-bench Verified评测中取得顶级成绩，成为世界上最好的编码模型[1] - 能够自主持续运行超过30小时，相比Opus 4的7小时运行时间有大幅优化[3] - 在OSWorld电脑操作测试中得分61.4%，相比四个月前Sonnet 4的42.2%有显著提升[6] 模型能力对比表现 - 在Agentic Coding测试中达到77.2%（无并行计算）和82.0%（有并行计算），优于GPT-5的72.8%和Gemini 2.5 Pro的67.2%[7] - 终端编码测试得分50.0%，高于GPT-5的43.8%和Gemini的25.3%[7] - 金融分析测试得分55.3%，显著高于GPT-5的46.9%和Gemini的29.4%[7] - 高中数学竞赛测试获得100%满分，高于GPT-5的99.6%和Gemini的88.0%[7] 安全性能改进 - 被评为最"对齐"的前沿模型，在自动化行为审计工具评估中得分最低[10][11] - 按照AI安全等级3标准发布，配备与能力水平相匹配的防护措施[13] - 误报率相比最初版本降低10倍，与5月发布的Claude Opus 4相比下降一半[13] Claude Code功能更新 - 推出原生VS Code插件Beta版本，提供实时代码修改查看和内联差异显示[15] - 终端界面升级，新增清晰状态显示和可搜索的提示历史功能[17] - 增加checkpoint功能，支持代码状态自动保存和版本回退[21] - 推出Claude Agent SDK，开放核心模块供开发者构建自定义代理体验[19] 产品定价与可用性 - Claude Sonnet 4.5即日可用，API定价与4.0版本保持一致[22] - 输入token收费为每百万3美元，输出token收费为每百万15美元[22] - 推出限时实验功能"Imagine with Claude"，向Max用户开放5天[22] 行业竞争动态 - DeepSeek发布V3.2版本，API调用成本大幅降低50%[32][36] - OpenAI计划在未来两周发布新产品，包括Sora 2独立社交媒体应用[34] - 行业进入新一轮竞争周期，各公司纷纷推出模型更新和成本优化措施[32][34]

大会概况 - 2025全球机器学习技术大会将于10月16-17日在北京威斯汀酒店举办 由CSDN与奇点智能研究院联合主办[1] - 大会汇聚超50位重磅嘉宾 包括AI技术奠基者 学术领军者 顶会顶刊作者 一线科技产品技术实战派和开源先锋[1] - 预计将有超1000名听众参与 覆盖50多个演讲主题[8] 核心议题聚焦 - 大会设置十二大专题 全面呈现AI领域最具突破性与实践价值的研究与应用成果[3] - 核心专题包括大语言模型技术演进 智能体工程与实践 多模态与世界模型 AI赋能软件研发与氛围编程 大模型应用开发实践 GenAI产品创新与探索等[3] - 专题设计兼具前沿方法论与一线落地经验 旨在搭建科研 技术与产业的交流平台[4] 主会场核心议程 - 10月16日上午主会场重量级嘉宾包括OpenAI研究科学家 GPT-5 GPT-4和Transformer共同创始人Lukasz Kaiser 奇点智能研究院院长 CSDN高级副总裁李建忠 小米集团AI实验室主任 NLP首席科学家王斌 面壁智能副总裁贾超[6] - 核心议题涵盖大模型技术思考与AI产业范式洞察 推理模型的历史 现在与未来等[12] - 设有圆桌对话"AI产业范式转变的核心命题" 由CSDN&《新程序员》执行总编唐小引主持 探讨大模型在全球技术演进中的关键趋势与挑战[12][14] 分会场技术专题 - 10月16日下午设四大分会场 专题包括大语言模型技术演进 多模态与世界模型 智能体工程与实践 AI赋能软件研发与氛围编程[15] - 分会场A聚焦智能体技术 议题包括前OpenAI研究员吴翼分享面向智能体的合理推理 字节跳动杨晨分享扣子罗盘Agent效果评测等[18] - 分会场B关注大模型实践 议题包括新浪微博张俊林分享可验证奖励强化学习 腾讯郑茂分享混元翻译模型经验 清华大学肖朝军分享高效端侧大模型MiniCPM等[19] - 分会场C侧重多模态应用 议题涵盖360冷大炜分享面向大规模搜厂推的高精度图 小红书张道鑫分享多模态大模型在搜索中的应用 理想汽车周盼分享实时语音对话大模型技术等[20] - 分会场D探讨AI赋能编程 议题包括北京大学李戈分享面向程序逻辑推理的大语言模型能力 阿里彭佳汉分享新一代Agentic Coding平台Qoder 腾讯夏伟分享AI Coding人机协作新范式等[20][21] 次日议程重点 - 10月17日上午分会场A聚焦具身智能与智能硬件 议题包括星尘智能王佳楠分享类人操作 群睿科技唐睿分享相关技术 无问芯穹张权路分享面向具身智能的训推一体化强化学习框架等[24] - 分会场B关注开源模型与智能体协议 议题包括百度张军分享文心4.5开源大模型 常高伟深度解析智能体协议 中国人民大学陈旭分享基于大模型智能体的社会模拟系统等[25] - 分会场C探讨AI Infra大模型基础设施 议题包括Google喻世炜分享行星级别的人工智能复力基建 清程极智于广华分享大模型压测技术 腾云智算王超分享训练推理优化技术等[26] - 分会场D围绕AI赋能软件研发 议题包括ClackyAI李亚飞分享全球AI Coding发展趋势 智谱AI张少博分享LLM Agent在软件领域的应用 百度陈一言分享Coding Agent落地实践等[26] 产业落地实践 - 10月17日下午分会场A聚焦大模型+行业落地实践 议题包括微软亚洲研究院研究员分享PIKE-RAG私域知识管理 驭势科技研发总监分享大模型助力打破L4级自动驾驶困局 百度资深工程师分享飞桨PaddleOCR技术与产业实践等[28][29] - 分会场B继续深入智能体工程与实践 议题包括小红书AI搜索生成算法负责人分享Agent时代LLM应用 居公万维算法总监分享构建高质量智能体经验 阿里云高级技术专家分享Apache RocketMQ AI事件驱动Agent等[29] - 分会场C关注GenAI产品创新 议题包括快手安全算法中心负责人分享相关技术 哔哩哔哩智能创作技术负责人分享AI动画模型技术实践 国星宇航AI技术CTO分享AI视觉算法产品落地研究等[29][30] - 分会场D探讨开源模型与框架及AI Infra 议题包括阿里淘天集团技术专家分享移动端大语言模型推理框架MNN-LLM vLLM核心维护者分享人人可用的推理引擎 字节跳动工程师分享灵活高效的大模型强化学习编程框架verl等[30]

开源与闭源AI模型性能趋势 - 2025年开源与闭源模型的性能差距已从常见的8%缩小至1.7% [1] 2025全球机器学习技术大会专题设置 - 大会特设“开源模型与框架”专题，聚焦底层构件的开源创作与实践 [1] - AI竞争已扩展至数据、模型、系统和评测四大支柱 [12] - 大会设置十二大前沿专题，覆盖大模型技术演进与智能体工程实践 [13] 参会机构与行业参与度 - 参会机构包括北大、清华、百度、阿里、腾讯、字节跳动等国内顶尖机构 [12][13] - 来自Meta、谷歌、阿里等公司的生态竞争围绕未来“AI操作系统”展开 [12] 重点开源项目与技术方向 - MNN-LLM项目专注于移动端大语言模型推理框架 [7][23] - vLLM项目致力于提供人人可用、快速且低成本的大模型推理服务 [7][23] - verl项目是灵活高效的大模型强化学习编程框架 [10][23] - SpecForge是用于训练投机采样模型的工具 [23] 大会核心演讲嘉宾与议题 - Lukasz Kaiser将分享推理模型的历史、现在与未来 [17] - 议题涵盖可验证奖励强化学习、腾讯混元翻译模型优化、MiniCPM端侧大模型等 [17][18] - 智能体相关议题包括AReaL异步强化学习、扣子罗盘效果评测、通义DeepResearch构建方法论等 [18]