I have been thinking a lot lately about “diachronic AI” and “vintage LLMs” — language models designed to index a particular slice of historical sources rather than to hoover up all data available. I’ll have more to say about this in a future post, but one thing that came to mind while writing this one is the point made by AI safety researcher Owain Evans about how such models could be trained:
第一方面，除了短任务链条的数据分析、生成、检索等方面的应用，智能体现在规模化应用场景大体可以概括为两类，一是在编程领域，编程是智能体最理想的"练兵场"，环境隔离、容错率高，目标明确、目前规划能力能应对，程序可执行，还有即时的执行反馈。这令其成为智能体第一个大规模、商业化的突破口。二是在各行各业的各种业务（销售、客服、人力等）的专用智能体可以集合成一个大类，有一个共同点：目前主要是工作流自动化类型，其实这也是应对智能体深度理解（规划、决策）能力不足的权宜之计，通过把智能体的任务的开放性降低、给出参考工作流程、定义可用的有限工具集等来提高智能体在这些任务上的工作质量。智能体进一步的规模化应用需要其能力进化，为企业能够带来切实的价值。
，推荐阅读51吃瓜获取更多信息
Photograph: Julian Chokkattu
Фото: Владимир Астапкович / РИА Новости
。搜狗输入法2026对此有专业解读
10 monthly gift articles to share。关于这个话题，旺商聊官方下载提供了深入分析
Фото: Thaier Al-Sudani / Reuters