## ARC-AGI-3：一项衡量真正人工智能的基准 ARC-AGI-3 是一项具有挑战性的基准，旨在衡量通往通用人工智能（AGI）的进展。它不同于专注于静态问题解决的传统人工智能测试，而是评估人工智能体在**动态、新颖环境中学习和适应**的能力——就像人类一样。 该基准要求人工智能体探索、设定自身目标、构建对世界的理解，并通过经验不断改进，*无需*依赖明确的指令。成功定义为在可解决的环境套件中匹配人类效率。 ARC-AGI-3 独特地衡量随*时间*推移的智能，评估诸如长期规划、记忆和信念更新等因素——这些是人工智能目前落后于人类的领域。其设计优先考虑人类的简单性，避免依赖预先存在的知识，并防止基于记忆的解决方案，从而提供对真正学习和适应能力的可靠衡量。最终，ARC-AGI-3 旨在量化人工智能与人类智能之间的差距。
GitHub 将于 4 月 24 日更新 Copilot 的数据使用政策，以改进其 AI 模型。来自 **Copilot 免费版、专业版和专业版+ 用户** 的交互数据——包括代码片段、输入和上下文——将被用于训练，除非用户在设置中主动选择退出。**Copilot 企业版和商业版用户不受影响。** 此举旨在通过学习实际开发流程来增强代码建议、错误检测和整体模型准确性，这借鉴了微软员工数据带来的成功内部改进。 GitHub 强调用户隐私：来自私有仓库的*静态*数据和用户讨论将不会被使用，并且选择退出的用户将继续被排除。数据仅与 GitHub 关联方（包括微软）共享，不会与第三方共享。用户可以选择参与并为改进 AI 工具做出贡献，或选择退出而不会失去 Copilot 的功能。
启用 JavaScript 和 Cookie 以继续。
请启用 JavaScript 并禁用任何广告拦截器。
在他二月份首次在陪审团面前出庭时，Meta公司董事长兼首席执行官马克·扎克伯格依赖于该公司长期以来禁止13岁以下用户在其任何平台上的政策。当被出示内部研究和文件，显示Meta知道年幼的孩子实际上正在使用其平台时，扎克伯格表示他“一直希望”能够更快地识别13岁以下的用户。他坚持认为该公司最终达到了“正确的位置”。虽然谷歌作为YouTube的所有者，也是此案的被告之一，但大部分庭审程序集中在Instagram和Meta上。Snap和TikTok最初也是被告，但在庭审前，两家公司都与Kaley达成了保密和解协议。
请启用 JavaScript 并禁用任何广告拦截器。
在荷兰马斯特里赫特发现的骨骼，*可能*是亚历山大·杜马斯笔下人物达达尼昂的历史原型。这些遗骸在一个被认为靠近17世纪法国军队营地的地点被发现，达达尼昂据信在马斯特里赫特围攻期间在此被火枪击中身亡。 虽然考古学家威姆·迪克曼称之为他28年研究生涯中的一个潜在亮点，但科学家们仍在谨慎推进。DNA分析正在德国进行，以确认骨骼的身份，进一步的检查将在代文特尔确定年龄、性别和来源。 重要的是要注意，虽然达达尼昂是以真实人物为基础，但“三个火枪手”本身很大程度上是虚构的，灵感来自一支精英皇家卫队成员。
新墨西哥州陪审团裁定Meta（Facebook、Instagram和WhatsApp的所有者）明知故犯地损害儿童心理健康，并在其平台上隐瞒儿童性剥削信息。这项具有里程碑意义的判决源于一项州诉讼，认为Meta将利润置于用户安全之上，并采取“令人发指”的做法来利用儿童的脆弱性。 虽然检方寻求更高的赔偿金额，但陪审团判决的罚款为3.75亿美元——每项违规行为5000美元，估计受影响的青少年人数达数千人。尽管有罚款，Meta的股价在判决后实际上*上涨*了。 案件尚未结束。法官将决定Meta的平台是否构成了公共滋扰，以及需要采取哪些补救措施，例如资助公共项目。Meta计划上诉，重申其对安全的承诺，并指出内容审核的挑战。 这项判决是针对社交媒体公司诉讼浪潮的一部分，超过40位州司法部长提起了类似的诉讼，指控平台成瘾性设计助长了青少年心理健康危机。它预示着一种潜在的转变，即追究科技公司对其平台对年轻用户的影响承担责任。
神经元网络
## 量化：缩小LLM以供本地使用 大型语言模型 (LLM)，如 Qwen-3-Coder-Next，拥有 800 亿参数（需要 159.4GB 内存），资源密集型。虽然前沿模型拥有超过一万亿参数，但**量化**提供了一种解决方案：在最小化精度损失的同时，减小模型尺寸并提高速度。 量化通过压缩模型参数的精度来工作——这些核心数字驱动着其计算。LLM 将这些参数存储为 32 位浮点数，但可以使用较低的精度（如 16 位、8 位甚至 4 位）运行。这减少了内存占用并加快了处理速度。 该过程涉及将值从较大范围映射到较小范围，通常通过四舍五入。**对称量化**以零为中心，而**非对称量化**则适应数据分布以提高效率。诸如分块量化之类的先进技术可以减轻由异常参数值引起的问题。 在 Qwen3.5 9B 模型上的测试表明，从 16 位到 8 位量化几乎不会造成质量损失。4 位量化会导致准确性略有下降（约 10%），而 2 位量化会严重降低性能。基准测试和直接交互证实了这些发现。 最终，量化允许在消费级硬件上运行强大的 LLM，为本地、离线 AI 应用程序打开了可能性。虽然存在诸如量化感知训练和参数修剪之类的其他方法，但量化提供了一种强大且易于访问的方式来 democratize 对强大语言模型的访问。