扫描下载APP
其它方式登录
文章聚焦中国新一代AI数据服务创业公司崛起现象，以UniPat、智能知识、Copula Lab为代表，分析其创始人多来自阿里、字节、MiniMax等大厂模型团队，专注于AI模型后训练数据合成、强化学习环境构建与专业化评测，满足模型厂商从‘采购数据’转向‘购买能力提升’的新需求，推动AI产业链向专业化分工演进。
Mind Lab 推出企业级后训练平台 Mint Recursive，支持 GLM、Qwen、DeepSeek、Kimi、MiniMax 等开源模型，提供低门槛、高性价比、可持续迭代和高自由度的后训练服务，助力企业基于自身业务数据和评测标准持续优化模型，实现模型全生命周期管理。
Mind Lab发布模型后训练与推理平台Mint Recursive及迭代模型Macaron-V1.1，支持基于LoRA的轻量化、持续学习式后训练，实现测评-数据-训练-部署-反馈闭环，助力企业利用真实业务数据定制并迭代自有模型，降低AI应用落地门槛。
vivo AI Lab提出CAPO-SLT方法，通过置信度感知的策略优化改进强化学习阶段的手语翻译生成稳定性，解决因语言先验导致的语义偏移问题；该模型仅使用姿态输入，在中文手语翻译CSL-Daily测试集上三项指标均达最高，显著优于现有Pose-only方法，推动自动手语翻译向高可靠性、日常化数字包容应用发展。
英伟达以近30亿美元领投穆拉蒂创办的Thinking Machines Lab，推动其估值飙升至400亿美元；该公司专注AI微调平台Tinker和自研开源模型Inkling，与英伟达深度绑定1GW级Vera Rubin算力合作，并协同刚收购的Hugging Face构建开放AI基建生态，实现投资、芯片销售与算力消费闭环。
Barret Zoph被称为AI行业“回旋镖式跳槽”第一人，虽无博士学位，却在谷歌大脑、OpenAI、Thinking Machines Lab间多次往返任职，主导神经架构搜索、Switch Transformer、强化学习后训练等关键技术，其频繁跳槽折射出当前AI顶尖人才在巨头间激烈争夺的生态，背后涉及技术路线分歧、商业化压力与组织信任危机。
强化学习之父Rich Sutton指出当前大模型陷入‘局部最优’，过度依赖预训练和冻结权重，缺乏持续学习能力；他创办Oak Lab探索能从经验中实时更新、避免灾难性遗忘、自主构建世界模型的新型AI范式，挑战现有‘训练—冻结—上线’基础模型架构。
Barret Zoph在一年半内辗转OpenAI、Thinking Machines Lab（TML）和谷歌DeepMind，最新动向是重返谷歌DeepMind担任研究副总裁，聚焦强化学习与后训练方向；其离开TML缘由存在多种矛盾说法，包括不当行为、泄密指控及离职前置等；此次回归正值DeepMind高层重组与Gemini 4研发关键期。
上海AI Lab、浙江大学与新加坡国立大学团队提出以Agent为中心的世界代理（World Proxy）新范式，强调世界建模应从预测物理状态转向服务智能体，通过在Agent与真实环境间提供低成本、可控、可操作的反馈，支持其规划、学习与持续自我改进，并定义了推理引导、训练优化和共同演化三层介入机制。
上海AI Lab团队提出MemHarness框架，通过在LLM Agent中引入显式的记忆重构环节，使Agent能像人类一样结合当前上下文动态评估、改写或舍弃历史经验，从而提升决策鲁棒性与泛化能力，尤其在分布外场景中显著优于静态记忆增强和纯强化学习方法。
贾扬清离开英伟达后创立Intent Lab，推出自主AI工程团队Fleet，实现从用户意图直接生成生产级软件系统。Fleet已完成三项突破：将GLM-5.2推理速度提升534%，全自动构建通过600万项测试的SQLite兼容数据库，以及开发性能达EFS 626倍的分布式文件系统AgentFS。
贾扬清离职英伟达后联合创立Intent Lab，推出自主智能体系统Fleet，旨在让AI端到端完成生产级系统软件的设计、实现与验证。首批成果包括性能提升6.3倍的GLM-5.2推理引擎、通过600万条SQLite测试的数据库引擎，以及具备形式化验证的分布式文件系统AgentFS，标志AI Infra正从管理算力转向由AI自主构建基础设施。
北大校友、AI安全领域资深专家翁荔宣布辞去Thinking Machines Lab联合创始人职务，主因长期高压导致健康严重受损；她在离职信中强调健康优先，反思AI创业节奏过快对人的消耗，呼吁在技术狂奔时代回归对个体身心的尊重与照护。
强化学习奠基人Richard Sutton在WAIC 2026分享其新创公司Oak Lab与非营利机构Openmind Research Institute的协同模式，强调以20瓦能耗为目标构建可实时学习的‘完整心智’，批判当前AI过度依赖人类数据、忽视经验学习，并质疑AI‘对齐人类价值观’的可行性与正当性。
Thinking Machines Lab发布开源大模型Inkling，参数量9750亿，主打原生多模态、高Token经济性与企业级可微调性，以1/3 Token成本追平英伟达Nemotron 3 Ultra，在美国开源模型中综合性能登顶，强调能力广度、部署成本控制与工程落地适配，而非单一SOTA指标。
