BriefGPT - AI 论文速递 ·

在线 3D 装箱的可调鲁棒强化学习

💡 原文中文，约200字，阅读约需1分钟。

📝

内容提要

本文提出了AR2L框架，用于解决3D装箱问题，通过调整鲁棒性权重实现策略平衡，提升鲁棒性和性能水平。

🏷️

一台 3D 打印机，为什么藏着 GPT-6 最大的野心？｜硬哲学
GPT-6 Astra宣传片展示了从画黄色圆圈到生成3D模型，最终通过拓竹P1S打印机变成实物的过程，体现AI从屏幕内容生成进入现实操作。文章认为GUI是...
Kimi K3 模型结构（6）：输入端与零件，MoonViT-V2、MTP、Per-Head Muon
Kimi K3模型采用从零训练的MoonViT-V2视觉编码器，27层、patch14结构，支持高分辨率图像token化；MTP层预训练后微调为EAGLE...
EP224：MCP与RAG及AI代理的对比
An AI agent is kind of an AI system where the agent performs the task autonom...
Kimi K3 模型结构（5）：宽度维度，Stable LatentMoE
Kimi K3模型采用Stable LatentMoE作为FFN，基于NVIDIA LatentMoE改进，将输入压缩至半宽latent空间，增加RMSN...
Claude Fable 5.1 对比 Fable 5：在实际工作中，我无法区分它们。
Anthropic launched Claude Fable 5.1 this week, calling it “our most advanced ...
在代理式RAG中建立信任始于证据
Basic retrieval-augmented generation (RAG) follows a straightforward pattern....