01、概述在快速發(fā)展的人工智能領(lǐng)域中，生成式AI（GenerativeAI）與智能代理AI（AgenticAI）是兩種備受矚目的技術(shù)。它們不僅在功能上各自獨(dú)立，還在應(yīng)用場景和行業(yè)需求上展現(xiàn)出不同的優(yōu)勢。隨著2025年的到來，企業(yè)和開發(fā)者對AI的需求逐漸從“創(chuàng)造”轉(zhuǎn)向“決策”和“執(zhí)行”，這就讓我們不得不思考：在面對生成內(nèi)容與自動(dòng)決策時(shí)，我們應(yīng)如何選擇適合的AI框架？02、什么是生成式AI與智能代理AI？在深入探討之前，我們需要明確這兩種...

01、概述隨著OpenAI的GPT和Meta的LLaMA等大規(guī)模語言模型（LLMs）不斷突破技術(shù)瓶頸，我們已經(jīng)見證了自然語言處理領(lǐng)域的巨大進(jìn)步。然而，伴隨著這些技術(shù)進(jìn)步的，是對計(jì)算資源和存儲(chǔ)空間的巨大需求。這使得許多資源有限的組織在部署和優(yōu)化這些龐大模型時(shí)面臨不小的挑戰(zhàn)——如何在內(nèi)存效率、推理速度和可訪問性之間找到平衡，成了擺在研究人員和開發(fā)者面前的一道難題。在這種背景下，GoodFireAI提供了一種切實(shí)可行的解決方案——開...

編輯伊風(fēng)出品51CTO技術(shù)棧（微信號：blog51cto）中國大廠開始發(fā)力AGI了！據(jù)媒體報(bào)道，字節(jié)跳動(dòng)AGI研究團(tuán)隊(duì)浮出水面，揭開了字節(jié)AGI的秘密布局！報(bào)道稱：1月下旬，字節(jié)正式設(shè)立代號為“SeedEdge”的研究項(xiàng)目，核心目標(biāo)是做比預(yù)訓(xùn)練和大模型迭代更長期、更基礎(chǔ)的AGI前沿研究。好家伙，感覺中國的幾家大廠，字節(jié)是最先明牌要搞AGI的，有錢有資源的“宇宙廠”這下又走在最前列了。接近字節(jié)的知情人士透露，SeedEdge的目標(biāo)是探索AGI的...

Hi，這里是Aitrainee，歡迎閱讀本期新文章。DeepseekR1正式發(fā)布。不是之前的Light版本，而是完整的R1。性能與o1相當(dāng)，還采用MIT開源協(xié)議，可以商用。現(xiàn)在能在Deepseekchat平臺(tái)用，也提供API。模型分兩個(gè)版本：主力R1，和面向研究的R1Zero。R1Zero沒有監(jiān)督微調(diào)，直接RL，是一個(gè)未經(jīng)過對話偏好對齊監(jiān)督微調(diào)的版本，專門為研究人員或希望自行微調(diào)模型的人提供。正式發(fā)布的R1還是用了SFT階段。R1是671B參數(shù)的大模型，激活參數(shù)只有37...

文章鏈接：https:arxiv.orgpdf2501.08994項(xiàng)目鏈接：https:vchitect.github.ioRepVidWebpage亮點(diǎn)直擊研究了視頻擴(kuò)散模型中的transformer表示，揭示了各層注意力圖的顯著變化導(dǎo)致了空間語義的碎片化和時(shí)間一致性的降低，這對視頻質(zhì)量產(chǎn)生了負(fù)面影響。提出了RepVideo，一個(gè)利用特征緩存模塊和門控機(jī)制來聚合和穩(wěn)定中間表示的框架，增強(qiáng)了空間細(xì)節(jié)和時(shí)間一致性。大量實(shí)驗(yàn)表明,RepVideo在時(shí)間一致性和空間質(zhì)量方面都取得了競爭力的表...

GeminiAI，谷歌最新推出的多模態(tài)AI模型，憑借其強(qiáng)大的語言理解能力和多模態(tài)處理能力，正在徹底改變我們與音頻和視頻內(nèi)容的互動(dòng)方式。它不僅能識(shí)別和理解音頻和視頻中的信息，還能進(jìn)行更深層的解析，提取關(guān)鍵信息，生成摘要，甚至進(jìn)行內(nèi)容創(chuàng)作。本文將深入探討GeminiAI在音頻和視頻解析方面的強(qiáng)大功能，并展示其在不同場景下的應(yīng)用案例。超越文字識(shí)別：理解音頻和視頻內(nèi)容傳統(tǒng)語音識(shí)別技術(shù)只能將語音轉(zhuǎn)化為文字，而GeminiAI則更...

??摘要檢索增強(qiáng)生成（RAG）在開放域問答任務(wù)中表現(xiàn)出色。然而，傳統(tǒng)搜索引擎可能會(huì)檢索淺層內(nèi)容，限制了大型語言模型（LLM）處理復(fù)雜、多層次信息的能力。為了解決這個(gè)問題，我們引入了WebWalkerQA，一個(gè)旨在評估LLM執(zhí)行網(wǎng)頁遍歷能力的基準(zhǔn)。它評估LLM系統(tǒng)性地遍歷網(wǎng)站子頁面以獲取對應(yīng)信息的能力。同時(shí)我們提出了WebWalker，一個(gè)通過explorercritic范式模擬人類網(wǎng)頁導(dǎo)航的multiagent框架。廣泛的實(shí)驗(yàn)結(jié)果表明，WebWalkerQA具有...

在人工智能的浩瀚星空中，多模態(tài)大模型正成為最為璀璨的星座之一，引領(lǐng)著技術(shù)發(fā)展的新潮流。商湯科技于2025年1月重磅推出的“日日新”融合大模型（SenseNova），宛如一顆耀眼的超新星，以其原生融合模態(tài)的卓越特性，在多模態(tài)信息處理領(lǐng)域掀起了巨大波瀾。本文將深入剖析SenseNova的方方面面，從項(xiàng)目架構(gòu)到技術(shù)內(nèi)核，從功能應(yīng)用到實(shí)踐操作，為讀者全方位呈現(xiàn)這一前沿技術(shù)的魅力與價(jià)值，助力大家緊跟人工智能發(fā)展的時(shí)代步伐。一、...

你有沒有想過，是什么讓AI模型變得如此強(qiáng)大？為什么有些AI能夠?qū)懺娮鳟?，有些卻只能做簡單的問答？這其中，ScalingLaw（規(guī)模法則）扮演著至關(guān)重要的角色，它就像AI模型的核心，揭示了模型性能提升的奧秘。ScalingLaw是什么？簡單來說，ScalingLaw指的是當(dāng)我們增加模型的規(guī)模（例如模型包含的參數(shù)越多，模型就越大）、訓(xùn)練數(shù)據(jù)量和計(jì)算資源時(shí)，模型的性能就會(huì)隨之提升。（感覺這是符合直覺的，但ScalingLaw最核心的在于量化給出...

嘿，大家好！這里是一個(gè)專注于AI智能體的頻道今天給家人們聊一期播客總結(jié)，四十二章經(jīng)最新一期播客請到了在Meta工作了七年的應(yīng)用強(qiáng)化學(xué)習(xí)組負(fù)責(zé)人朱哲清Bill。作為斯坦福大學(xué)強(qiáng)化學(xué)習(xí)專業(yè)博士，現(xiàn)在創(chuàng)業(yè)做Agent的他，拋出了一個(gè)巨大的反共識(shí)觀點(diǎn)："LLM只是一個(gè)翻譯官，真正的Agent核心應(yīng)該是RL。"等等，這是什么意思？在2024年，我們見證了GPT4掀起的Agent熱潮。Claude、GPTs、Copilot...幾乎所有大公司都在用LLM構(gòu)建Agent。但B...

AI正在深刻改變各行業(yè)，大語言模型（LLMs）更是其中的核心驅(qū)動(dòng)力。例如，DeepSeekR1作為第一代推理模型，在數(shù)學(xué)、代碼和推理任務(wù)上表現(xiàn)優(yōu)異，與OpenAI的o1模型不相上下。將此類模型部署到本地，可為AI應(yīng)用帶來更強(qiáng)隱私保護(hù)、定制化和可控性。今天指導(dǎo)大家如何使用Ollama——一款A(yù)I模型管理和運(yùn)行工具——在本地計(jì)算機(jī)上部署并運(yùn)行DeepSeekR1。同時(shí)，推薦免費(fèi)下載Apidog（https:apidog.com），能簡化API設(shè)計(jì)與測試流程，是開發(fā)者...

1.快速總覽研究人員提出了一種新穎的位置編碼方法，稱為上下文位置編碼（下文稱之為CoPE），它有別于基于標(biāo)記的傳統(tǒng)位置編碼范式。它以上下文依賴的方式測量位置，在按位置尋址時(shí)會(huì)更加自由它在如下的任務(wù)中獲得不錯(cuò)的收益：FlipFlop,SelectiveCopy,Counting,LanguageModeling,andCodeModelingtasks它優(yōu)于現(xiàn)有方法，尤其是在域外泛化場景它有可能改善其他領(lǐng)域的編碼，例如視頻和語音。在這些領(lǐng)域，基于Token位置的編碼不太合適...

現(xiàn)有的大模型無法解決我的問題，于是我自己構(gòu)建了一個(gè)開源工具，用于高效地自動(dòng)生成提案。最近，我沒有像以前那樣頻繁地更新開源文章，倒不是由于我停止寫文章，而是由于開源商業(yè)化方面的進(jìn)展很大，沒完沒了地起草提案這項(xiàng)任務(wù)消耗了我的太多時(shí)間。作為一家本土的開源商業(yè)公司，WhaleOps雇傭的大多是工程師。要求這些開源貢獻(xiàn)者編寫提案浪費(fèi)了他們的開發(fā)時(shí)間，他們的提案并不總是符合質(zhì)量標(biāo)準(zhǔn)。與大公司的管理不同，身為初創(chuàng)公...

編輯伊風(fēng)出品51CTO技術(shù)棧（微信號：blog51cto）太炸裂了！一早上刷到OpenAI奧特曼和特朗普同框了！特朗普大手一揮，宣布了一個(gè)瘋狂燃燒經(jīng)費(fèi)的AI項(xiàng)目——星際之門計(jì)劃，將投資"至少"5000億美元?。∮蒓penAI主導(dǎo)運(yùn)營，在美國大搞AI基建。這個(gè)數(shù)字啥概念呢？粗略估計(jì)下大概是建設(shè)1.5個(gè)三峽大壩這樣恐怖的工程量。圖片而且，這還不是一個(gè)簡單的畫餅——"星際之門"立刻就要投入1000億美元。特朗普說，他計(jì)劃從德克薩斯州開始大規(guī)模建...

大家好，我是劉聰NLP。就在今晚，Kimi發(fā)布了最新模型k1.5，先來看榜單效果，簡直爆炸。在長推理上，k1.5在數(shù)學(xué)能力上，無論是純文本還是視覺多模態(tài)上，都遠(yuǎn)超openai的o1模型；在codeforces與其持平，LiveCode上略差，但相比于QVQ和QWQ有較大的優(yōu)勢。在短推理上，k1.5的數(shù)學(xué)能力真實(shí)遙遙領(lǐng)先，無論是gpt4o還是claude3.5sonnet都遠(yuǎn)不如k1.5，尤其是在AIME榜單上，k1.5有60.8，而最高的deepseekv3只有39.2，堪稱斷層式碾壓。這個(gè)應(yīng)...

摘要機(jī)器寫作通常依賴檢索增強(qiáng)生成技術(shù)，但這些方法受限于模型預(yù)定義的范圍，難以生成信息豐富的內(nèi)容。普通檢索的信息往往缺乏深度、實(shí)用性，且冗余問題嚴(yán)重，導(dǎo)致生成的文章內(nèi)容淺顯、重復(fù)且缺乏原創(chuàng)性。為此，我們提出了OmniThink框架，它模擬了人類迭代擴(kuò)展和反思的認(rèn)知過程。OmniThink的核心在于模擬學(xué)習(xí)者逐步深化對主題理解的認(rèn)知行為。實(shí)驗(yàn)表明，OmniThink在不犧牲連貫性和深度的前提下，顯著提升了生成文章的知識(shí)密度。...

一、背景最近“TikTok難民”涌入小紅書，“小紅書霸榜蘋果AppStore”等話題受到廣泛關(guān)注，字節(jié)跳動(dòng)的Lemon8也不相上下。當(dāng)然，作為一個(gè)技術(shù)公眾號，我們這里并不是要討論這一現(xiàn)象，而是要介紹小紅書的NoteLLM，其主要用于小紅書中的筆記推薦和標(biāo)簽生成。對應(yīng)的論文為：[2403.01744]NoteLLM:ARetrievableLargeLanguageModelforNoteRecommendation[1]有關(guān)LLM在搜廣推場景的應(yīng)用落地也可以參考我們之前的文章：???字節(jié)HLLM：大...

圖片1.問題：單一模型自我提升的瓶頸近年來，大語言模型（LLMs）如GPT4取得了顯著進(jìn)展，但這些模型的性能仍然受限于已有的訓(xùn)練數(shù)據(jù)。盡管通過生成合成數(shù)據(jù)進(jìn)行自我微調(diào)成為提升模型的主流方法，但隨著微調(diào)輪次的增加，性能提升會(huì)迅速進(jìn)入“收益遞減”狀態(tài)，模型的多樣性和推理能力難以進(jìn)一步提高。這種瓶頸限制了語言模型在復(fù)雜推理任務(wù)中的表現(xiàn)。圖片2.方法：多智能體協(xié)作微調(diào)（MultiagentFinetuning）論文提出了一種全新框架...

1.引言許多大語言模型成功的核心在于編碼器解碼器架構(gòu)，這一框架在機(jī)器翻譯、文本摘要和對話式人工智能等任務(wù)中取得了突破性進(jìn)展。編碼器解碼器架構(gòu)的提出是為了解決序列到序列（Seq2Seq）問題，這在處理順序數(shù)據(jù)方面是一個(gè)重大突破。1.1數(shù)據(jù)處理的主要發(fā)展表格數(shù)據(jù)最初，人們專注于利用人工神經(jīng)網(wǎng)絡(luò)（ANNs）來處理表格數(shù)據(jù)。通過增加網(wǎng)絡(luò)層數(shù)，這種方法逐漸演變?yōu)樯疃壬窠?jīng)網(wǎng)絡(luò)（DNNs），從而增強(qiáng)了模型捕捉數(shù)據(jù)中復(fù)雜模式的能...

大家好，我是HxShine今天分享一篇來自清華的一篇利用Agent合成數(shù)據(jù)的文章，標(biāo)題為《AgentHospital:ASimulacrumofHospitalwithEvolvableMedicalAgents》。這篇文章介紹了一種名為AgentHospital的仿醫(yī)院模擬系統(tǒng)，該系統(tǒng)中患者、護(hù)士和醫(yī)生都是由LLM驅(qū)動(dòng)。文章的核心目標(biāo)是使醫(yī)生Agent能夠在模擬環(huán)境中學(xué)習(xí)如何治療疾病，從而驗(yàn)證社會(huì)模擬過程是否可以提高LLMAgent在特定任務(wù)上的性能。實(shí)驗(yàn)表明，隨著在模擬過程中積累的樣本越來...