引言近日，一個(gè)名為PolarisAlpha的神秘AI模型上線，引發(fā)了社區(qū)關(guān)于其是否為OpenAI尚未發(fā)布的GPT5.1的廣泛猜測。無論傳聞?wù)鎮(zhèn)危渌宫F(xiàn)的技術(shù)特征，已清晰地勾勒出下一代大模型競爭的三大核心戰(zhàn)場：超長上下文的工程化、模型即服務(wù)（MaaS）的平臺(tái)化以及極致的成本效率。本文旨在深入剖析這三大戰(zhàn)場，為開發(fā)者與企業(yè)提供可落地的技術(shù)洞察。戰(zhàn)場一：超長上下文的工程化挑戰(zhàn)據(jù)稱，PolarisAlpha具備高達(dá)256K的上下文窗口，這意味著...

編輯云昭出品51CTO技術(shù)棧（微信號(hào)：blog51cto）幾個(gè)小時(shí)前，“AI教母”李飛飛發(fā)表了一篇信息量非常高密的長文，名為“FromWordstoWorlds：SpatialIntelligenceisAI’sNextFrontier”。圖片如果你對(duì)空間智能感興趣，卻搞不懂這個(gè)充滿想象空間的技術(shù)名詞，又或者你深處視頻生成、多模態(tài)理解，又或者是具身智能領(lǐng)域中，這篇文章都是必看的干貨。李飛飛在這篇文章中，以她獨(dú)有的筆觸為清晰勾勒了下一個(gè)前沿領(lǐng)域：空間智能。同一天的...

編輯｜聽雨出品51CTO技術(shù)棧（微信號(hào)：blog51cto）最近，李飛飛、謝賽寧、YannLeCun等大佬頻頻提到一個(gè)詞——空間智能（SpatialIntelligence）。它不是單純“看懂圖像或視頻”，而是理解空間結(jié)構(gòu)、記住發(fā)生的事情，并能預(yù)測未來。換句話說，真正的AI不只是“看見”，還要感知、理解，并主動(dòng)組織經(jīng)驗(yàn)，這是未來多模態(tài)智能的核心能力。就在近期，這三位大佬首次聯(lián)手，發(fā)布了論文《CambrianS：邁向視頻中的空間超感知》。圖片論文提...

英偉達(dá)的技術(shù)報(bào)告一般細(xì)節(jié)都比較多，本次開源的12B的參數(shù)模型NemotronNanoV2VL專為文檔理解、長視頻理解及推理任務(wù)而設(shè)計(jì)。下面來快速過一下。模型架構(gòu)遵循“視覺編碼器+MLP投射器+語言模型”架構(gòu)。視覺編碼器：基于RADIOv2.5的cRADIOv2VLMH版本初始化，負(fù)責(zé)提取圖像視頻的視覺特征。MLP投射器：作為跨模態(tài)橋梁，實(shí)現(xiàn)視覺特征與文本特征的對(duì)齊。語言模型：基于NemotronNano12BV2（混合MambaTransformer架構(gòu)），提供強(qiáng)文本推理能...

譯者李睿審校重樓想象一下，不必再依賴網(wǎng)絡(luò)上的通用素材，就能發(fā)送完全由自己定制的表情包與卡通貼紙——那會(huì)是怎樣的體驗(yàn)？使用OpenAI公司最新推出的GPTImage1模型，用戶可以將自己的自拍照或日常照片轉(zhuǎn)化為妙趣橫生或風(fēng)格獨(dú)特的個(gè)性化貼紙。本文將介紹如何使用Python在Colab中構(gòu)建WhatsApp貼紙生成器，它支持多種藝術(shù)風(fēng)格處理，包括漫畫風(fēng)格與皮克斯風(fēng)格濾鏡等。具體包括如何設(shè)置OpenAI圖像編輯API，在Colab中捕獲或上傳圖像...

這次看到這個(gè)開源的一個(gè)demo，想起若干年前做過的項(xiàng)目和參加的一些類似比賽經(jīng)歷，先來看看llm出來之前是怎么干的，兩種：ocr（pdfparser等）解析簡歷的文字內(nèi)容+bertcrf（更早的比賽經(jīng)歷就不追溯了，那會(huì)bert都沒出來，可以看看下圖）等進(jìn)行實(shí)體識(shí)別結(jié)合cv的方式，版式分析+ocr+bertcrf等進(jìn)行實(shí)體識(shí)別pdfparser解析pdf(可編輯pdf情況，圖片pdf使用ocr)簡歷信息實(shí)體識(shí)別，很早之前的ner模型，后面演變成bert類實(shí)體識(shí)別干了什么呢...

假設(shè)文檔的存在方向旋轉(zhuǎn)，那么會(huì)進(jìn)一步的干擾VLM進(jìn)行OCR的性能，下面看一個(gè)預(yù)處理方案，解決文檔旋轉(zhuǎn)干擾OCR問題，并進(jìn)行一些評(píng)估，方法較為簡單，快速看一下。OCR工作流對(duì)比在樣本英文和印度文字文檔上進(jìn)行旋轉(zhuǎn)校正前后的情況。由于對(duì)齊錯(cuò)誤導(dǎo)致的重復(fù)和幻覺（紅色標(biāo)注）等問題通過模塊得到緩解，從而獲得準(zhǔn)確的結(jié)果旋轉(zhuǎn)分類任務(wù)定義：將文檔旋轉(zhuǎn)校正轉(zhuǎn)化為四分類任務(wù)，覆蓋最常見的四種旋轉(zhuǎn)狀態(tài)：類別0：90°（逆時(shí)針旋轉(zhuǎn)90°...

“大模型應(yīng)用開發(fā)流程正確，但結(jié)果不一定正確。”由于大模型技術(shù)的復(fù)雜性，再加上不同業(yè)務(wù)場景的特殊需求，導(dǎo)致大模型應(yīng)用的開發(fā)難度很大；但大模型應(yīng)用開發(fā)最難的不是做出來而是要做好。這次還以作者手里的智能問答項(xiàng)目來說，記錄一下智能問答系統(tǒng)的踩坑記錄，從怎么都達(dá)不到想要的效果，到能夠很好的滿足業(yè)務(wù)場景。從作者這些年的開發(fā)經(jīng)驗(yàn)來看，很多時(shí)候開發(fā)技術(shù)棧是有限的，遇到問題更多的是思路問題而不是純粹的技術(shù)問題。...

隨著“主權(quán)AI”浪潮的興起，開源大語言模型為全球開發(fā)者提供了實(shí)現(xiàn)“算法自主”的捷徑。然而，開源模型的“免費(fèi)午餐”背后，是高昂的部署、微調(diào)和推理“運(yùn)營賬單”。本文旨在為開發(fā)者提供一套系統(tǒng)性的成本控制方法論，從宏觀的基礎(chǔ)設(shè)施構(gòu)建，到微觀的“省token”技巧，探尋一條通往“AI成本自由”的可行路徑。宏觀挑戰(zhàn)：構(gòu)建自主可控的AI基礎(chǔ)設(shè)施擁抱開源模型，意味著開發(fā)者需自行承擔(dān)起基礎(chǔ)設(shè)施的構(gòu)建與運(yùn)維責(zé)任。●數(shù)據(jù)主權(quán)與...

論文鏈接：https:arxiv.orgpdf2510.00438項(xiàng)目鏈接：https:lzydot.github.ioBindWeave亮點(diǎn)直擊BindWeave：針對(duì)現(xiàn)有視頻生成技術(shù)在主題一致性方面的瓶頸，提出了一個(gè)專為主題一致性視頻生成設(shè)計(jì)的新型框架。引入多模態(tài)大語言模型作為深度指令解析器。使用MLLM替代傳統(tǒng)的淺層融合機(jī)制，實(shí)現(xiàn)了深度跨模態(tài)語義關(guān)聯(lián)。構(gòu)建統(tǒng)一交織序列與隱狀態(tài)生成機(jī)制。將參考圖像與文本提示整合成統(tǒng)一序列，有效銜接高層語義解析與擴(kuò)散生成過程。多...

一、發(fā)展歷程2016年，伯克利Rise實(shí)驗(yàn)室的學(xué)生和研究人員開展了一項(xiàng)課程項(xiàng)目，旨在擴(kuò)展分布式神經(jīng)網(wǎng)絡(luò)訓(xùn)練和強(qiáng)化學(xué)習(xí)的規(guī)模。該項(xiàng)目催生了論文《Ray：面向新興AI應(yīng)用的分布式框架》。如今，Ray是一款開源分布式計(jì)算框架，能輕松實(shí)現(xiàn)Python機(jī)器學(xué)習(xí)工作負(fù)載的產(chǎn)品化和規(guī)模化部署。它解決了分布式機(jī)器學(xué)習(xí)中的三大核心挑戰(zhàn)：突破計(jì)算限制：可遠(yuǎn)程訪問近乎無限的計(jì)算資源具備容錯(cuò)能力：自動(dòng)將失敗任務(wù)重新路由到集群中的其他機(jī)器狀...

NestedLearning2025年11月，GoogleResearch在NeurIPS會(huì)議上發(fā)布的NestedLearning論文提出了一個(gè)顛覆性的統(tǒng)一理論：現(xiàn)有的深度學(xué)習(xí)方法——包括各種神經(jīng)網(wǎng)絡(luò)架構(gòu)和優(yōu)化算法——本質(zhì)上都是同一種數(shù)學(xué)結(jié)構(gòu)的不同表現(xiàn)形式，這個(gè)統(tǒng)一的數(shù)學(xué)結(jié)構(gòu)就是「嵌套優(yōu)化問題」。傳統(tǒng)研究將神經(jīng)網(wǎng)絡(luò)架構(gòu)（如Transformer、CNN）和訓(xùn)練算法（如SGD、Adam）視為兩個(gè)獨(dú)立的研究領(lǐng)域，而NestedLearning揭示了它們的共同本質(zhì)：都是在定義和求解不同層...

個(gè)人認(rèn)為，在LLM的語境下，量化并非傳統(tǒng)的犧牲精度換速度，原生的低比特量化在paramscaling+testtimescaling的持續(xù)演進(jìn)下，會(huì)成為大模型訓(xùn)練的一個(gè)標(biāo)準(zhǔn)范式。量化一直是LLM領(lǐng)域一個(gè)非常火熱的研究方向，篇幅有限這一次就不嘗試對(duì)相關(guān)的基礎(chǔ)知識(shí)進(jìn)行詳細(xì)展開了。如果文章中出現(xiàn)你不太了解的概念，可以嘗試問問Kimi:)這里簡單列一下后續(xù)主要會(huì)涉及到的一些縮寫和基礎(chǔ)解釋：PTQ：訓(xùn)練后量化，將訓(xùn)練完成的模型權(quán)重通過特定的量化方...

你花數(shù)百萬訓(xùn)練一個(gè)大模型。訓(xùn)練完發(fā)現(xiàn)效果不錯(cuò)。但你不知道的是：模型可能只學(xué)到了數(shù)據(jù)里20%的知識(shí)，剩下80%都浪費(fèi)了。怎么證明？很簡單：訓(xùn)練完之后，讓模型在回答問題時(shí)去原始訓(xùn)練數(shù)據(jù)里"搜一搜"，性能立馬提升——提升幅度相當(dāng)于你多花5倍的錢重新訓(xùn)練一個(gè)更大的模型。這是蘋果和斯坦福研究團(tuán)隊(duì)最近發(fā)現(xiàn)的。他們的論文用大白話說就是：大模型訓(xùn)練時(shí)學(xué)得太淺了，數(shù)據(jù)價(jià)值浪費(fèi)嚴(yán)重。論文的實(shí)驗(yàn)設(shè)計(jì)很巧妙，分三步：第一步：正...

當(dāng)AI開始自己讀論文、想點(diǎn)子、寫代碼、跑實(shí)驗(yàn)、寫論文，學(xué)術(shù)界會(huì)發(fā)生什么？最近，東京大學(xué)的研究團(tuán)隊(duì)在arXiv上發(fā)布了一篇特別的論文——不僅展示了他們開發(fā)的Jr.AIScientist（初級(jí)AI科學(xué)家）系統(tǒng)，更難得的是，同步披露了開發(fā)過程中遇到的各種風(fēng)險(xiǎn)和失敗案例。圖片從新手研究生的工作流程說起：論文提出了一個(gè)樸實(shí)的想法：當(dāng)學(xué)生第一次加入研究實(shí)驗(yàn)室時(shí)，一個(gè)常見且有意義的過程是：導(dǎo)師分配一篇關(guān)鍵論文，學(xué)生分析其局限性，提...

設(shè)計(jì)和優(yōu)化多agent系統(tǒng)非常重要。論文分析了一種多agent系統(tǒng)，其中一個(gè)元思考agent負(fù)責(zé)規(guī)劃，另一個(gè)推理agent負(fù)責(zé)執(zhí)行，并識(shí)別出一種懶惰agent失效模式。論文發(fā)現(xiàn)一個(gè)agent完成了大部分工作，而另一個(gè)agent貢獻(xiàn)很少，本質(zhì)上退化為單agent系統(tǒng)。這種情況非常常見，可能不是你設(shè)計(jì)中想要的結(jié)果。圖片為了解決這個(gè)問題，論文提出了Dr.MAMR(多agent元推理正確做法)，該方法引入了一種Shapley風(fēng)格的因果影響度量來衡量每個(gè)agent步驟...

NVIDIA推出了NemotronNanoV2VL，這是一個(gè)高效的12B參數(shù)視覺語言模型，專為強(qiáng)大的真實(shí)世界文檔理解、長視頻理解和推理任務(wù)而設(shè)計(jì)。NemotronNanoV2VL通過模型架構(gòu)、數(shù)據(jù)集和訓(xùn)練方案的重大增強(qiáng)，在所有視覺和文本領(lǐng)域都實(shí)現(xiàn)了相比前代模型Llama3.1NemotronNanoVL8B的顯著改進(jìn)。在OCRBenchv2私有數(shù)據(jù)排行榜上取得了領(lǐng)先的準(zhǔn)確率，同時(shí)在推理、文檔理解、長視頻理解、視覺問答和STEM推理方面表現(xiàn)強(qiáng)勁。NemotronNanoV2VL由三個(gè)模塊組...

嘿，大家好！這里是一個(gè)專注于前沿AI和智能體的頻道年初KimiK1.5發(fā)布的時(shí)候，被DeepSeekR1狙擊。在閉關(guān)半年后，掏出來了驚艷全球的KimiK2。在經(jīng)過一個(gè)季度，K2推理版本發(fā)布，發(fā)布即開源。HLE和IMO都刷到了SOTA，沒有任何定語的真SOTA（值得一提的是IMO這個(gè)新bench在kimi出來之前sota居然是Deepseek而不是北美模型）這2天，看到最多的是，KimiK2Thinking能夠在沒有人為干預(yù)的情況下執(zhí)行多達(dá)200300個(gè)連續(xù)的工具調(diào)用，通過數(shù)百個(gè)步...

伴隨著Gemini3、GPT5.1的各種小道消息散播半個(gè)月。NanoBanana2，2K原生輸出，竟然要提前來了，春節(jié)前大玩具有了。今年玩模型，比較沉迷的是Gemini2.5Pro和Nanobanana，第二代Nanobanana肉眼可見的提升，可以替代很多Photoshop的功能。在生活實(shí)戰(zhàn)中，價(jià)值一點(diǎn)都不比語言模型低。圖片AGI提前到來？提前泄露，意外上線，GitHub代碼曝光，這串營銷工作流是越來越熟練了。NanoBanana2用了一套多步驟生成流程，先規(guī)劃、再生成、然后自...

被忽視的效率黑洞：會(huì)議成本遠(yuǎn)超你的想象麥肯錫2024年中國企業(yè)效率調(diào)研報(bào)告顯示：中國企業(yè)管理者平均每周參加17.3小時(shí)會(huì)議，其中67%的會(huì)議被評(píng)價(jià)為"低效或無效"。更驚人的數(shù)據(jù)是，因會(huì)議紀(jì)要缺失、信息傳遞失真、行動(dòng)項(xiàng)跟蹤不力導(dǎo)致的效率損失，每年給中國企業(yè)造成超過2000億元的隱性成本。這個(gè)數(shù)字背后是什么？是項(xiàng)目延期、決策失誤、重復(fù)勞動(dòng)、責(zé)任扯皮。而根因往往不在會(huì)議本身，而在會(huì)議后的信息管理失效。一家500人規(guī)模的...