La startup de voz con IA Vapi completa la $50M serie B liderada por Peak XV Partners

Yuntianliyifei presenta una arquitectura de memoria apilada en 3D en el desarrollo de chips de inferencia

De acuerdo con las divulgaciones de relaciones con inversores del 12 de mayo, el chip de inferencia en desarrollo de Yuntianliyifei adopta una arquitectura GPNPU como hoja de ruta tecnológica principal. Los puntos técnicos clave incluyen una capacidad de programación universal a nivel GPGPU compatible con los ecosistemas CUDA más habituales, núcleos NPU optimizados para la eficiencia en inferencia y una arquitectura de memoria apilada en 3D diseñada para aumentar el ancho de banda y reducir la l

La plataforma B.AI agrega 8.756 usuarios el 11 de mayo, DeepSeek-V4 impulsa el 60% del consumo de tokens

Según B.AI, la plataforma añadió 8.756 nuevos usuarios el 11 de mayo, mientras que la adopción de pagos de Stripe entre los usuarios pagadores principales alcanzó el 69,0%, lo que refleja una mejor retención de los desarrolladores tradicionales y de los usuarios de nivel producción. Los modelos de la serie DeepSeek-V4 representaron casi el 60% del consumo de tokens, aprovechando la latencia ultrabaja, la alta concurrencia y las capacidades de rendimiento para servir como un motor central de ejec

Esta semana se intensifican los catalizadores macro: una visión general desde la publicación del IPC hasta la revisión del proyecto de ley CLARITY

2026 年 5 月中旬，加密货币市场正经历一个极为罕见的宏观敏感窗口。美国 4 月 CPI 数据于 5 月 12 日公布，川习北京峰会定于 5 月 13 日至 15 日举行，参议院银行委员会则将在 5 月 14 日审议 CLARITY 法案（数字资产市场清晰法案）。三个独立但高度关联的事件在短短四天内集中落地，形成对加密资产定价机制的阶段性压力测试。 5 月 12–15 日的事件日历与信息密度分布？ 从信息释放节奏来看，本周的关键节点呈“三峰”排列：周二的 CPI 数据率先打开第一个信息窗口，周四的 CLARITY 法案审议与周四至周五的川习峰会几乎同步推进。CPI 数据的市场消化窗口约为数小时，主要影响利率预期定价；CLARITY 法案审议的决定性在于它可能推动立法进入参议院全体表决阶段，进而影响数字资产的长期监管预期；川习峰会的博弈结果则会在更大范围内冲击全球风险资产的估值中枢。三个事件共同营造出高度压缩的时间窗口，市场面临同时消化多个方向信息的压力，这本身就是波动率提升的典型前提条件。 今晚的 CPI 数据为何成为加密市场的“第一道关口”？ 摩根士丹利全球宏观策略主管 Matt

La precisión de GPT-5.4 cae de 100% a 54% en ARC-AGI tras la resumir repetidamente la memoria

De acuerdo con Beating, un reciente estudio sobre la memoria de agentes de Dylan Zhang, estudiante de doctorado en la Universidad de Illinois, encontró que resumir repetidamente las experiencias del modelo puede degradar el rendimiento en lugar de mejorarlo. En tareas ARC-AGI, GPT-5.4 logró 100% de precisión en 19 problemas sin memoria, pero después de múltiples rondas de compresión de memoria basadas en trayectorias de solución correctas, la precisión cayó a 54%. De manera similar, en tareas de