百度搜索要“大变天”？大模型悍将轮岗 MEG，搜推一体化提速

百度移动生态正在经历一场深度的“模型化”重塑。据最新消息，百度内部完成了一项关键的人事任命：原大模型算法部 何径舟 正式从基础模型研发部（BMU）轮岗至移动生态事业群组（MEG），出任百度 APP 研发中心负责人。这一调动释放出一个明确信号——大模型与搜索、推荐业务的底层融合已进入快车道。

这次组织调整的核心逻辑在于“技术穿透”：

算法架构融合： 何径舟的入驻，旨在强化大模型等前沿技术在百度搜索、推荐等核心场景的深度应用。

业务协同升级： 此前百度 MEG已完成组织架构优化，将 PC 与移动端的所有搜索业务合并。此次研发龙头的更迭，将进一步加速搜推一体化的进程。

除了核心业务的融合，百度的 AI 触角正在向垂直领域延伸。据悉，百度健康将于近期发布专为医疗场景打造的智能体 DoctorClaw，该业务由杨明璐坐镇把关。

当搜索不再只是关键词的匹配，而是基于大模型的意图理解与任务执行，百度的移动生态正在试图构建一个新的技术护城河。随着大模型技术从实验室走向千万级日活的百度 APP，搜索引擎的形态或许即将迎来彻底的重定义。

via AI新闻资讯 (author: AI Base)

Unsloth Studio 发布：首个本地可视化大模型微调平台，显存占用降低 70%

知名高性能微调库 Unsloth AI 正式推出了 Unsloth Studio。这是一款开源、无代码的本地可视化界面，旨在大幅降低软件工程师微调大语言模型（LLM）的门槛，让开发者彻底告别复杂的 CUDA 环境配置与高昂的硬件成本。

Unsloth Studio 的底层采用了由 Triton 语言编写的定制化反向传播内核，相比标准微调框架实现了质的飞跃:

● 训练速度翻倍:训练效率提升了2倍。
● 显存节省70%:在不损失模型精度的前提下，大幅减少了对 GPU 显存的依赖。
● 消费级显卡友好:开发者现在可以在 RTX4090或5090等单块消费级显卡上，微调原本需要多卡集群才能运行的8B 或70B 参数模型（如 Llama3.3、DeepSeek-R1）。

该平台将数据准备、训练到部署的完整生命周期整合进了一个直观的 Web UI 中:

● 可视化数据配方:引入节点式工作流，支持 PDF、JSONL 等多种格式的自动摄取，并能利用 NVIDIA DataDesigner 将杂乱文档转化为结构化的指令数据集。
● 强化学习支持:内置对 GRPO（群组相对策略优化）的支持。这种技术源自 DeepSeek-R1，能够在无需额外“批判模型”的情况下，让本地硬件也能训练具备多步逻辑推理能力的 AI。
● 一键导出部署:支持一键导出为 GGUF、vLLM 或 Ollama 格式，打通了从训练检查点到生产环境推理的“最后一公里”。

随着 Unsloth Studio 的发布，大模型微调正从依赖昂贵的云端 SaaS 转向更加私密、低成本的本地开发模式。它不仅为 Llama4和 Qwen 系列提供了即时兼容，更为企业所有权的定制化模型开发提供了强大工具。

技术详情:https://unsloth.ai/docs/new/studio

via AI新闻资讯 (author: AI Base)

微信里也能“养龙虾”了！腾讯 QClaw 接入小程序：文件互传、多模态交互全开启

智能体（Agent）的竞争已经从“比参数”进化到了“比入口”。3月18日，腾讯云宣布其 AI 智能体产品 QClaw（腾讯龙虾） 迎来重磅更新。此次升级最大的亮点在于，QClaw正式打通微信生态，入口从原有的微信客服号全面升级为 微信小程序。

这一改变意味着用户与 AI 智能体的交互变得更加“丝滑”:

文件互传: 用户现在可以直接在小程序内接收QClaw从电脑端发送的文件。

多模态潜力: 未来还将支持语音、图片等微信原生交互，让 AI 真正像一个微信好友一样帮你干活。

为了让新手也能快速上手，QClaw v0.1.9同步上线了 “灵感广场”。这里预置了大量针对办公提效、深度研究、娱乐游戏等场景的常用任务。用户不再需要绞尽脑汁编写提示词，点击对应技能（Skills）即可运行。

自2026年初 OpenClaw 掀起全球“养龙虾”热潮以来，国内巨头纷纷入局。腾讯凭借微信与QQ的生态护城河，在智能体落地上占据了独特优势。与此同时，百度、阿里巴巴、字节跳动等大厂也在各自的生态位上密集排兵布阵，国内“龙虾”产品已超过13款。

但在热潮之下，安全风险同样不容忽视。国家互联网应急中心 近期发布风险提示，指出由于智能体需要较高的系统权限，若安全配置脆弱，极易导致隐私泄露或系统被控。专家建议，用户在部署此类应用时应进行严格的环境隔离，并确保插件来源可靠。

随着内测范围的扩大，QClaw还将陆续支持定时任务、远程切换模型等进阶功能。当 AI 智能体真正住进微信，那个“全能数字助理”的时代或许已经近在咫尺。

via AI新闻资讯 (author: AI Base)

大模型 Scaling 怎么玩？杨植麟 GTC 首秀：押注 Token 效率与 Agent 集群

大模型下半场的入场券，不再仅仅是算力的堆砌，而是对底层逻辑的重构。

在3月18日举办的英伟达 GTC2026大会上，月之暗面 （Moonshot AI） 创始人 杨植麟 发表了备受瞩目的公开演讲。这是他首次系统性地披露Kimi K2.5模型背后的核心技术路线图，为“后 Scaling 时代”的大模型进化提供了新思路。

杨植麟 在演讲中指出，要突破智能上限，必须对优化器、注意力机制及残差连接等核心技术进行“推倒重来”式的重构。他将 Kimi 的进化路径归纳为三个关键维度的协同:

Token 效率: 拒绝资源空转，追求更极致的计算能效比。

长上下文: 持续深化 Kimi 的长程记忆优势，处理超大规模信息。

智能体（Agent）集群: 智能形态正从单兵作战向动态生成的“数字集群”进化。

在 杨植麟 看来，当前的 Scaling 已经演变为在效率、记忆和自动化协作上寻找规模效应。如果能将这三个维度的技术增益相乘，模型将迸发出远超现状的智能水平。

参考此前的发布信息，今年1月底推出的 Kimi K2.5 已经展现了这种“全能”特质。作为月之暗面迄今最强大的开源模型，它采用了原生的多模态架构，不仅在代码、视觉理解上取得了 state-of-the-art（SOTA）的表现，还支持在“思考”与“非思考”模式间灵活切换，精准适配 Agent 任务场景。

随着 月之暗面 技术底牌的亮出，大模型赛道的竞争焦点正从“参数量”转向“智能密度”。当 Agent 集群成为未来智能的终极形态，Kimi能否在杨植麟构想的“三维相乘”逻辑下实现跨越式进化，正成为行业关注的焦点。

via AI新闻资讯 (author: AI Base)