Guideline
投稿要求
AGIDaily 的投稿不是泛泛投新闻线索。我们更看重能被核验、能被解释、能帮助读者判断 AI 进展真实方向的稿件。你不需要写成长 proposal，但需要把对象、变化、证据和判断讲清楚。
编辑标准
对象清楚
稿件先回答“写的到底是什么”：一篇论文、一次模型更新、一座数据中心、一套数据集、一个团队变化，而不是一个松散趋势。
最近发生
AGIDaily 更关心时间窗内出现的新事实。历史背景可以写，但必须服务于理解这次变化，而不是把旧知识重新包装。
证据可追溯
关键事实、数字、排名、金额、人物履历和技术结论都应能追溯到来源。没有证据时，可以写成待观察，不要写成确定判断。
判断有增量
好的稿件不只是“发生了什么”，还要解释它改变了什么：能力边界、成本结构、产品入口、研究路线或行业节奏。
投稿材料
你可以只发一个简短 pitch。信息越具体，越容易判断是否适合 AGIDaily，也越容易进入后续写作。
- 建议标题或一句话选题：让编辑能立刻知道核心对象和变化。
- 目标栏目：算力、算法、数据、人物四选一；拿不准时说明你为什么犹豫。
- 三句话摘要：发生了什么、为什么现在重要、读者读完会多知道什么。
- 来源链接：至少提供一手来源；如果只有单一来源，请说明哪些点还需要补查。
- 可选配图：优先官方图、论文图、产品截图、数据图表或可授权使用的清晰图片。
compute
算力
追踪芯片、GPU、云服务、数据中心、电力和 AI 基础设施供给。
偏好能解释供给约束和产业节奏的稿件：不只写谁买了多少 GPU，而是讲清楚算力、能源、网络、交付周期和成本结构如何影响 AI 进展。
适合的选题角度
- 新芯片、集群、云实例、互联方案或能源项目带来的供给变化。
- 基础设施瓶颈如何改变模型训练、推理部署、产品定价或创业公司节奏。
- 供应链、封装、内存、电力、冷却、土地、并网等看似幕后但真正决定产能的环节。
- 主要玩家的资本开支、采购策略、交付周期和区域布局变化。
来源要求
- 优先使用公司公告、财报、技术文档、数据中心许可/招标文件、监管披露和可信访谈。
- 二手报道可以作为线索，但关键数字必须尽量回到一手来源或多方交叉验证。
- 涉及功耗、集群规模、芯片数量、价格和交付时间时，要写清口径、时间点和不确定性。
不适合
- 只有“某公司将加大 AI 投入”的泛新闻。
- 没有供给、成本、部署或产业节奏分析的硬件参数罗列。
- 把未经核实的采购传闻写成确定事实。
提交前检查
- 必须有明确对象：芯片、集群、云服务、数据中心、电力项目、网络互联或供应链节点。
- 优先提供可核验的一手来源、财报、公告、技术文档、招标文件或监管文件。
- 涉及数字时说明口径和时间：规模、功耗、资本开支、交付周期、价格或利用率不能只引用二手转述。
- 避免泛泛讨论“算力很重要”；稿件应回答它改变了谁的能力、成本或部署边界。
algorithm
算法
追踪训练方法、推理系统、多模态方法、评测框架与关键算法进展。
偏好把技术进展翻译成可判断的能力变化：方法为什么有效、边界在哪里、和已有路线相比真正的新意是什么。
适合的选题角度
- 论文、技术报告或系统文章中提出了可解释的新方法、新训练 recipe 或新推理范式。
- 模型能力变化背后的机制：数据、架构、训练、推理、工具调用、评测协议各自起了什么作用。
- 多模态、长上下文、代码、Agent、推理模型等方向里可以被读者复述的关键进展。
- 看似小的工程改进如何显著改变成本、延迟、稳定性或可部署性。
来源要求
- 优先使用论文、arXiv、官方技术报告、模型卡、评测仓库、开源代码和复现实验。
- 写基准分数时必须说明任务、数据集、比较对象、评测设置，以及是否来自官方自测。
- 如果引用社交媒体讨论，需要回到论文、代码、issue、实验日志或官方说明作为事实依据。
不适合
- 只复述 abstract、发布博客或排行榜名次。
- 只写“效果更好/速度更快”，但没有说明评测条件和代价。
- 把产品功能更新误写成算法突破。
提交前检查
- 投稿应围绕具体论文、技术报告、模型方法、训练/推理系统或评测结果展开。
- 需要说明核心机制，而不是只复述摘要；读者应能看懂“它怎么做”和“为什么重要”。
- 基准、分数、SOTA 表述必须附原始来源，并说明任务、数据集和比较对象。
- 避免只写发布新闻；如果是模型发布稿，应尽量补足技术细节、限制和可复现实验线索。
data
数据
追踪数据集、数据工程、数据供给、评测基准与数据治理的关键变化。
偏好把数据当成具体资产来写：数据从哪里来、怎样被组织、许可和质量如何，以及它会改变训练、评测或产品落地的哪一环。
适合的选题角度
- 具名数据集、语料、benchmark、数据卡或数据平台的发布、更新、下架和许可变化。
- 数据质量、覆盖范围、标注方式、合成流程或治理机制如何影响模型训练与评测。
- 版权、隐私、地区合规和数据授权变化对 AI 产品和研究路线的影响。
- 数据工程实践：采集、清洗、去重、评估、分发和追溯机制中的可复用经验。
来源要求
- 优先使用数据卡、项目主页、论文附录、Hugging Face/Kaggle 页面、GitHub README 和许可文本。
- 必须尽量提供数据规模、模态、语言、时间范围、许可、获取方式和维护主体。
- 法律或争议类稿件需要区分事实、主张和判决/监管动作，不把评论当成事实。
不适合
- 没有具名数据对象的宏观行业评论。
- 只谈数据战略、数据资产或数据要素，但无法落到可核验数据集或平台。
- 把普通数据库、RAG 产品或 BI 工具硬归入数据栏目，除非核心变化确实围绕 AI 数据供给。
提交前检查
- 优先收录具名数据集、语料、benchmark、数据平台或数据治理案例。
- 稿件需要写清数据规模、模态、语言、采集方式、许可边界和获取方式。
- 涉及争议时区分版权、隐私、安全、偏见和地域合规等不同问题。
- 不收只有宏观判断的数据行业评论；没有具体数据对象或可追溯来源的稿件不适合本栏。
people
人物
记录推动 AI 产业和研究变化的关键人物、团队与人才流动。
偏好用人物和团队变化解释行业方向：谁在做关键决定、从哪里来、要去哪里，以及这背后反映了什么组织能力和路线选择。
适合的选题角度
- 关键研究者、创业者、产品负责人、基础设施负责人或投资人的新动向。
- 团队重组、实验室成立、并购吸纳、离职创业和跨公司人才流动背后的路线变化。
- 人物的过往工作如何连接到当下的新产品、新研究或新组织能力。
- 从一个人的选择看见行业竞争格局、研究范式或商业策略的变化。
来源要求
- 优先使用官方任命公告、公司博客、论文作者页、LinkedIn/GitHub 等可核验资料和可信报道。
- 履历、任职时间、团队归属和项目贡献需要交叉核对，避免把传闻或粉丝整理当事实。
- 写争议或离职原因时尤其要区分已确认事实、当事人表述和外部推测。
不适合
- 纯简历搬运、名人语录集合或没有新近变化的人物介绍。
- 只因人有名就写，但无法说明其当前行动和 AI 进展的关系。
- 未经确认的八卦、薪酬传闻和内部政治细节。
提交前检查
- 投稿对象应是具体人物、团队、实验室、创业公司核心成员或关键组织变化。
- 优先写能影响研究路线、产品方向、资本配置或人才市场的变化。
- 人物履历、任命、离职、融资和团队重组需有可信来源，避免只凭社交媒体传闻。
- 避免流水账式简历；稿件应解释这个人或团队为什么在当下值得被读者关注。
我们通常不会采用
- 无法追溯来源的爆料、截图和二手转述。
- 只适合做广告、公关稿或招聘启事的内容；商业合作请走广告或招聘页面。
- 没有新事实、没有具体对象、只有宏观判断的行业评论。
- 标题党、立场先行、夸大确定性，或把推测包装成事实的稿件。