eigenvalue

UwU

[eigenvalue @val_eigen]

#books
1.Chemical Dynamics in Condensed Phases: Relaxation, Transfer and Reactions in Condensed Molecular Systems
2.Theory of simple liquids

[paperpaper @paperpaper886]

感觉蛮励志的, 一作通讯都是广东工业大学的本科生, 实验甚至是用古早的Titan来跑的。最终不仅中了CVPR还拿了Best Student Paper & Honorable Mention。

https://t.co/bExCrhbK6P

[思维怪怪 @0xLogicrw]

Anthropic 宣布拓展科研 AI 计划，并评估了 Claude 预测核磁共振波谱 (NMR) 及解析分子结构的能力。结果显示，未经化学领域微调的通用模型 Opus 4.7 在预测氢谱与碳谱的平均准确度上，已达到或超越 ChemDraw 和 MestReNova 等行业专用软件。

测试使用模型训练截止日期后发表的 20 个新化合物，涵盖四种结构大类。在预测氢谱时，Opus 4.7 的平均误差仅为正负 0.079 ppm，预测碳谱时，Opus 4.7 与 MestReNova 接近平手，平均误差分别为正负 1.37 ppm 和正负 1.48 ppm。在预测氢原子的峰形分裂模式与子峰间距上，三款 Claude 模型在正负 0.5 Hz 误差内的预测准确度均在 80% 左右，大幅领先专用软件的 26% 至 35% 之间。

在逆向结构解析测试中，Opus 4.7 仅凭分子式与一维核磁共振谱图，即完全预测正确 8 个简单分子结构。面对 7 个含稠环、螺环的复杂结构分子，在给定原料结构提示下，Opus 4.7 在 4 个分子上实现三次测试全部预测正确，另外的分子也有成功案例。

目前测试局限在于样本较小，且溶剂仅限于 CDCl3 和 DMSO-d6 以及 D2O。Anthropic 计划后续攻克化学图表识别、合成路径规划以及反应机制解释等瓶颈。

[eigenvalue @val_eigen]

@DtDt666 数据掺水了

[eigenvalue @val_eigen]

@zzz1043903 做精二不太可能死刑

[桃子🍑🍋🍥 @PpppeachW]

没绷住…何尝不是一种报复

[eigenvalue @val_eigen]

@ZX65535plus1 长得太丑了怎么办

[AYi @AYi_AInotes]

Damn，英伟达和老黄真的是憋了个大的啊，真特么牛逼🤯

今天全网都在转黄仁勋这台拔了电源还能满帧跑 3A 的笔记本，但大多数人看错了重点，游戏其实只是这台机器的糖衣。

真正的核弹是那 128GB 统一内存，它意味着你桌上一台轻薄本，能在本地直接跑起 200B 参数的大模型，这在过去是只有数据中心机柜才干得动的事。

所以 NVIDIA 这次干的根本已经不是又一个游戏本那么简了，它把数据中心那套 Grace CPU 加 Blackwell GPU 整个下放，

1 PetaFLOP 的 FP4 算力、RTX 5070 级的显卡、CPU 和 GPU 共享的统一内存，一起塞进一个能背着走的壳子里。

拔电不掉帧、续航炸裂，这些是讲给所有人听的甜头，这回真正瞄准的，是要在本地跑 AI 的那波人。

如果把游戏本三个字去掉，你会看见一件更大的事。

这就像一个一直只卖发动机的厂商，突然开始造整车，顺手还把高速公路也给铺了，CUDA 是发动机，Grace 是底盘，Windows on Arm 是路，

从今往后你想跑得快，就只能在它修的这条路上跑。

当然，舞台上拔电不掉帧是十分钟的高光，长时间满载会不会降频、ARM 版 Windows 靠兼容层跑老软件会掉多少性能、这套东西最后卖一个什么价，发布会一个都没回答。

但方向已经很清楚了，Intel 和 AMD 还能追性能追制程，但CUDA 攒了十几年的那群开发者肯定是追不上了，

老黄卖的从来不是一台更强的电脑，是一条你用顺手了，就再也下不来的路！

[eigenvalue @val_eigen]

@Ayn_kitkia 好可爱

[ProgressivePiggy🌹🏳️‍🌈🏳️‍⚧️🇳🇫🇵🇸🇺🇦🇸🇩 @ILoveLittlePigs]

@whyyoutouzhele 笑死，24年CDC数据全年外国居民在美生育新生儿不过9576人，你跟我说中共不顾自己的人口危机每年给美国送10万人？你知道不知道这种种族主义阴谋论会给在美的华裔移民带来多恶劣的影响？还是你觉得ta们活该做你反共的工具人？

https://t.co/QiswROZspV

[eigenvalue @val_eigen]

@baoweiwen @zmt021 我觉得化学要自己搞高通量筛选作为数据，或者高引用文章

[eigenvalue @val_eigen]

@chem_okayama

[Xiuyu Li @sheriyuo]

Normal Ending: You are just a CS doro.

True Ending: You were the doro agent all along.

[恒星 @vintcessun]

这篇论文终于把为什么AI学东西比人慢的原因讲透了：问题不在数据量，而在学习目标。它从样本复杂度理论出发，证明预测自身的隐表示（latent）比预测原始token在数据效率上有指数级优势——PCFG数据上，token级SSL需要Ω(exp(L))样本，latent预测仅需O(log L)。这首次从理论上解释了data2vec、JEPA等隐空间方法为何高效，也暗示了H-JEPA那种显式多尺度堆叠可能是冗余的。不过理论局限在组合结构数据，对无结构或非层次数据仍需验证。

https://t.co/RgcdRUAstg

[Phoenix Yin @Phoenixyin13]

这是我最重要的信息转发之一。

这篇论文的第一作者是我极为钦佩的人，也是我的好朋友，来自@Tsinghua_Uni 姚班顶尖选手Guowei Xu，现在他在@Harvard 进行人工智能大模型的科研工作。

Guowei这篇论文精准击中了目前LLM搜索的两个致命瓶颈：
① 只有最后一步对错的sparse verification
② 所有候选答案都靠自回归生成，永远困在模型自己概率分布的entropy shell里

由此，Guowei和他的团队提出BES这个全新的搜索框架，引入Forward Evolution，让大模型像生物演化一样思考，打破大模型原有的概率限制，逼它组合出平时根本写不出来的神仙脑洞。同时进行Backward Decomposition，把大任务拆成一堆一眼就能看出对错的子目标。这样大模型在往前走的时候，每走一步都有及时的Dense Feedback，走偏了立刻能纠正。
BES 在理论上成功证明了演化算子能帮大模型跳出思维定势，而倒推法可以指数级减少模型试错所需的样本量。

当目前主流的Post-training提升算法都失效时，BES 依然能带得动并且让模型能力持续输出稳定提升，这无疑是打破了主流算法的天花板，值得许多人关注学习。

我认为，Guowei这篇论文给Agent指明了新路。
对于现在大火的 AI Agent 任务流、多智能体协同来说，这种一边基因重组思路，一边倒推拆解目标的方式，提供了一套更高效、更不容易跑偏的底层搜索算法。

值得一提的是，@Kevin_GuoweiXu 同学不仅在清华姚班极其优秀，他曾经也是2022 年第 52 届国际物理奥林匹克竞赛（IPhO）的世界第一，金牌。他未来会在美国直博，大家可以多多关注follow！

[Luis Allfadir @allfadirluis]

lo que no te mata te baja el promedio académico

[柯基是只猫 @Keji715]

最近大家都在讨论大厂裁员的事情，作为身在这个图里面的某厂的人，来说说真实感受

1. 从年初开始，无论是前端、后端还是算法都对coding agent的能力有了特别明显的感知，一开始还是玩笑居多，后来普遍比较焦虑

2. 多数人 对于即将要到来的大裁员其实是有比较充分预期的，特别是在硅谷已经搞了几波的情况下。大家还会调侃祝福大礼包的，最近也有不少主动申请礼包的

3. 我们还是切实感受到了AI对传统程序员的能力替代的，大家各谋出路，不一而足，后面单开一个帖子讲讲

[eigenvalue @val_eigen]

@recatm 我还想出了无头自注意，也就是巴拿美自注意

[eigenvalue @val_eigen]

@bubblepipe42 这两种药不都是一样吗？

[猫黑黑 @B_cat38324]

为什么女同看学历，尤其是跨女同？因为他们的说了二十多年的可穿戴科技，人体改造，女体化改造，一个没实现，他妈的你们一个个没一个能考上医学院的，或者生物科学院的。天天就骗我。

[eigenvalue @val_eigen]

@zmt021 arxiv只要有人担保就行了