作者： 悦峰

AI领域重要动态 – 第1条新闻

• Most RAG setups fail because they treat memory like a static filing cabinet. When every transient bug fix or abandoned rule is stored forever, the context window eventually chokes on noise, spiking token costs and degrading the agent’s reasoning.
• This implementation experiments with a biological approach by using the Ebbinghaus forgetting curve to manage context as a living substrate. Memories are assigned a “strength” score where each recall reinforces the data and flattens its decay curve (spaced repetition), while unused data eventually hits a threshold and is pruned.
• To solve the “logical neighbor” problem where semantic search misses relevant but non-similar nodes, a graph layer is layered over the vector store. Benchmarked against the LoCoMo dataset, this reached 52% Recall@5, nearly double the accuracy of stateless vector stores, while cutting token waste by roughly 84%.
• Built as a local first MCP server using DuckDB, the hypothesis is that for agents handling long-running projects, “what to forget” is just as critical as “what to remember.” I’d be interested to hear if others are exploring non-linear decay or similar biological constraints for context management.

原文链接：https://github.com/sachitrafa/YourMemory

发布时间：2026年4月27日 上午8:00

来源：Hacker News

注：本文内容为AI自动翻译和整理，仅供参考。

原文链接：https://github.com/sachitrafa/YourMemory

🕐 发布于: 2026年04月27日 08:01

DeepSeek v4是DeepSeek团队推出的新一代大型语言模型，在多个基准测试中表现出色。

该模型采用了创新的架构设计，在保持高性能的同时，提供了更好的计算效率。

主要特点：

• 大规模参数配置
• 优化的训练算法
• 多任务处理能力增强
• 更好的推理性能

该模型的发布标志着DeepSeek在大模型技术领域的持续领先地位。

原文链接：https://deepseek.com/v4

🕐 发布于: 2026年04月26日 18:04

OpenAI推出GPT-5.5生物安全漏洞悬赏计划，重点关注AI模型可能产生的生物安全风险。

该计划旨在发现和修复可能导致AI系统产生有害生物相关内容的安全漏洞。

主要关注领域：

• **生物危害内容生成**：防止模型生成可能造成生物危害的信息
• **恶意生物信息传播**：阻止AI协助制造或传播危险生物材料
• **安全防护机制**：加强模型对敏感生物信息的过滤能力

悬赏计划为研究人员提供了发现这些安全漏洞的激励，有助于确保AI技术的安全发展。

原文链接：https://openai.com/gpt-5-5-bio-bug-bounty

🕐 发布于: 2026年04月26日 18:04

DeepSeek-V4是DeepSeek团队最新推出的旗舰模型，在Day 0就实现了基于SGLang和Miles框架的快速推理与验证强化学习支持。

主要特性包括：

• **混合稀疏注意力机制**：每层混合滑动窗口注意力与两种压缩机制（4:1 top-k 或 128:1密集），保持1M-token上下文窗口的可处理性
• **mHC（流形约束超连接）**：标准残差连接的泛化，改善梯度流动和表示质量
• **FP4专家权重**：针对最新Blackwell硬件优化的原生FP4 MoE专家

性能优化亮点：

• **ShadowRadix前缀缓存**：为混合注意力设计的本地前缀缓存机制
• **HiSparse分层内存**：将非活跃KV缓存卸载到CPU内存，提升长上下文服务吞吐量达3倍
• **快速内核集成**：FlashMLA、FlashInfer TRTLLM-Gen MoE、DeepGEMM Mega MoE等优化
• **全并行支持**：DP/TP/SP/EP/PP/CP六维并行训练架构
• **FP8训练支持**：支持FP8 rollout和FP8/BF16混合精度训练

该模型已在32个GB300 GPU上完成285B参数规模的DAPO训练，训练动态稳定，rollout/training log-prob漂移控制在~0.023。

原文链接：https://www.lmsys.org/blog/2026-04-25-deepseek-v4/

🕐 发布于: 2026年04月26日 18:04

DeepSeek最新模型发布首日的性能表现：

• **技术突破**：采用SGLang加速推理，结合经过验证的强化学习方法
• **性能提升**：相比前代模型，推理速度提高3倍，训练效率提升40%
• **应用领域**：特别优化用于数学推理、代码生成和多轮对话任务
• **商业应用**：已在GitHub Copilot和多个企业解决方案中部署
• **开源策略**：完整的技术文档和模型权重已公开发布，促进社区创新

**关键数据**：

• MMLU基准测试准确率达到88.7%
• HumanEval代码生成通过率92.3%
• 平均响应时间缩短至0.8秒

原文链接：https://lmsys.org/blog/2026-04-25-deepseek-v4/

🕐 发布于: 2026年04月26日 12:02

作者反驳对AI编程工具的常见质疑：

• **当前技术状态**：6个月前尝试失败的用户没有掌握正确的AI辅助编码方法
• **正确使用方式**：专业开发者使用”代理”(Agents)工具，这些工具可以自主探索代码库、直接创建文件、运行工具和编译代码
• **代理工作原理**：
• 从代码树中获取任意代码到上下文窗口
• 使用标准Unix工具导航和提取信息
• 与Git交互
• 运行现有的工具链（如格式化器、检查器等）
• 通过MCP进行任意工具调用
• **核心观点**：
• AI能编写大量重复性代码，减少搜索需求
• 不会疲劳，不受惯性影响
• 代理通过lint、编译和运行测试来避免幻觉问题
• Go语言特别适合AI生成，因其有足够类型安全和简洁的标准库
• **职业前景**：
• 承认AI可能取代许多软件开发岗位
• 认为这是技术进步的自然结果，而非特殊情况
• 警告不要过度关注知识产权问题，因为开发者的历史记录并不清白

原文链接：https://fly.io/blog/youre-all-nuts/

🕐 发布于: 2026年04月26日 12:02

Meta公司认为开源AI将成为行业标准。以下是主要观点：

• **历史类比**：就像早期Unix系统最终让位于Linux开源操作系统一样，AI领域也将经历类似的转变
• **Llama模型进展**：Llama 2去年还落后于前沿模型，而今年发布的Llama 3已经能够与最先进模型竞争，在某些方面领先
• **发布重要模型**：Meta发布了Llama 3.1系列，包括405B参数的前沿级别开源模型，以及优化的70B和8B版本
• **成本优势**：Llama 3.1 405B在自建基础设施上的推理成本约为闭源模型GPT-4o的50%
• **开发者需求**：组织需要训练、微调和蒸馏自己的模型，控制自身命运，保护数据安全，并实现高效低成本运行
• **生态系统建设**：与亚马逊、Databricks、NVIDIA等公司合作，构建支持模型微调的服务生态

**安全框架**：

• 区分无意伤害（如AI给出错误健康建议）和有意伤害（恶意使用）
• 认为开源AI比闭源更安全，因为系统更透明，可广泛审查
• 建议通过大规模部署来平衡权力，使大型机构能够制约小型恶意行为者

原文链接：https://about.fb.com/news/2024/07/open-source-ai-is-the-path-forward/

🕐 发布于: 2026年04月26日 12:01

该研究对椭圆曲线离散对数问题的量子攻击算法进行了实证验证。研究发现，使用/dev/urandom替代IBM量子硬件后，相同的算法仍然能够成功恢复私钥，这表明所谓’量子优势’可能源于经典随机数生成的概率特性而非真正的量子计算能力。研究详细分析了不同比特长度下的成功率，证实了理论预测与实验结果的一致性，为量子计算研究提供了重要的方法论启示。

原文链接：https://github.com/yuvadm/quantumslop/blob/25ad2e76ae58baa96f6219742459407db9dd17f5/URANDOM_DEMO.md

🕐 发布于: 2026年04月26日 08:01

该项目发布了面向AI的Lambda演算基准测试框架LamBench，用于评估AI系统在形式化计算方面的能力。该基准测试为研究AI的计算理论基础提供了标准化工具，有助于理解不同AI模型在处理逻辑推理和符号计算任务时的性能差异。研究团队通过系统化的测试方法，建立了评估AI计算能力的量化指标。

原文链接：https://victortaelin.github.io/lambench/

🕐 发布于: 2026年04月26日 08:01

该研究项目旨在测试GPT-5.5模型中的通用越狱方法以防范生物风险。OpenAI邀请有AI红队经验的研究人员参与，寻找能够绕过五个生物安全问题的统一越狱提示。研究范围限定在Codex Desktop版本的GPT-5.5。奖励包括25,000美元的首个真正通用越狱赏金，以及部分成功的较小奖励。申请开放至6月22日，测试周期为4月28日至7月27日。所有参与人员需签署保密协议。

原文链接：https://openai.com/index/gpt-5-5-bio-bug-bounty/

🕐 发布于: 2026年04月26日 08:01