• 第一阶段的目标: 接入api模型，完成每日的工作相关基础的信息收集和整理归档。
• 第二阶段的目标: 无监管处理较简单事项；
• 第三阶段的目标: 参与构建复杂系统，和辅助重要决策。

Agent 概念与 OpenClaw 的爆火，本质上反映了人们对个人数字员工（Digital Worker）能力的期待：它不只是一个对话式 AI，而是一个可以在真实工作流中长期运行、承担任务、放大个人生产力的“虚拟员工”。

我真正关心的问题是：如何为自己的具体工作场景配置合适的数字员工，使其在时间与认知两个维度上对个人效率形成倍增效应。

DanceGRPO是25年5月发表的论文，把GRPO的方法引入到了生成领域。（类似的有flowGRPO）。字节客户基于此魔改，故学习。

DiffusionNFT 直接在前向加噪过程（forward process）上进行优化，在彻底摆脱似然估计与特定采样器依赖的同时，显著提升了训练效率与生成质量。在GenEval任务上，DiffusionNFT仅用约1.7k步就达到0.94分，而对比方法FlowGRPO需要超过5k步且依赖CFG才达到0.95分。这表明DiffusionNFT的训练效率比FlowGRPO快约25倍。

Step-3-VL 10B

如果想要写AI论文，就需要总结论文核心观点的来源。

最近发现贡献分配是团队合作的一大难点， 产出的商业价值， 在不同场景下如何分配：

1. 年终打绩效时，手底下不同员工负责不同项目，做的事情都不一样，怎么比较来分配。
2. 一个组内的领导或者组织者，和实际手底下干脏活的人谁贡献大；
3. 在一线调试的员工，和在家里负责版本的研发谁贡献大；
4. 负责预埋技术的研究人员，和负责当季度软件版本交付的人谁贡献大。

但是注意：贡献分配不是为了“分高下”，而是为了“定义导向”。如果你希望团队更有创新性，就重赏 SE；如果你希望项目交付更稳健，就必须重赏那些默默把“脏活”干得极其漂亮的人。

SE 的主要工作拆解：

1. 领域内最懂技术的专家，对技术趋势有判断，有未来技术能力有预埋；
2. 引导客户技术方向，达成合作；
3. 技术团队建设，

2025年被说成是Agent元年，