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(yíng)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(guó)企業(yè)效率調(diào)研報(bào)告顯示：中國(guó)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(guó)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...

谷歌的新研究，讓AI也能像人類一樣持續(xù)學(xué)習(xí)而不遺忘了。 一般情況下，當(dāng)我們學(xué)會(huì)一項(xiàng)新技能后，并不會(huì)忘記如何走路、說話這些基本能力。然而，這正是人工智能長(zhǎng)期面臨的困境。當(dāng)AI學(xué)習(xí)新知識(shí)時(shí)，往往會(huì)像覆蓋舊磁帶一樣，損害甚至完全抹去已經(jīng)掌握的舊技能，這種現(xiàn)象被稱為“災(zāi)難性遺忘”。 現(xiàn)在，谷歌研究院帶來了一項(xiàng)突破性解決方案。11月7日，谷歌正式發(fā)布了全新的機(jī)器學(xué)習(xí)范式——嵌套學(xué)習(xí)（NestedLearning），直...

編輯云昭出品51CTO技術(shù)棧（微信號(hào)：blog51cto）2025世界互聯(lián)網(wǎng)大會(huì)烏鎮(zhèn)峰會(huì)展開，“六小龍烏鎮(zhèn)對(duì)話”成為外界最關(guān)注的環(huán)節(jié)之一。烏鎮(zhèn)峰會(huì)上，杭州六小龍之一的群核科技創(chuàng)始人黃曉煌拋出了一個(gè)引起業(yè)界關(guān)注的觀點(diǎn)。“未來機(jī)器的數(shù)量可能達(dá)到人類的10倍，屆時(shí)能否從向每個(gè)人收費(fèi)，轉(zhuǎn)變?yōu)橄蛎恳慌_(tái)機(jī)器收費(fèi)，是我們2023年啟動(dòng)戰(zhàn)略轉(zhuǎn)型的核心方向。”黃認(rèn)為，未來空間智能時(shí)代，市場(chǎng)變化將會(huì)非常明顯：人類客戶的需求數(shù)量會(huì)逐步減少...

編輯｜聽雨出品51CTO技術(shù)棧（微信號(hào)：blog51cto）最近圈內(nèi)有關(guān)人類多久能實(shí)現(xiàn)AGI的問題可謂眾說紛紜。前段時(shí)間，OpenAI宣布2028年將打造出AI研究院；而前兩天，在伊麗莎白女王工程獎(jiǎng)的獲獎(jiǎng)現(xiàn)場(chǎng)，辛頓預(yù)測(cè)20年內(nèi)AI將在辯論中永久性勝過人類，本吉奧則認(rèn)為若延續(xù)當(dāng)前趨勢(shì)，5年內(nèi)AI或達(dá)員工工作水平。在最新一期《a16z》播客中，主持人ErikTorenberg邀請(qǐng)了AI編程工具Replit的創(chuàng)始人AmjadMasad和問答網(wǎng)站Quora及聊天機(jī)器人Poe的創(chuàng)始...

譯者核子可樂審校重樓三十年來，互聯(lián)網(wǎng)的設(shè)計(jì)始終圍繞著人展開。頁面優(yōu)化是為了滿足人眼、點(diǎn)擊和操作直覺的需求。但隨著AI驅(qū)動(dòng)智能體開始代替我們?yōu)g覽頁面，這種以人為本的假設(shè)正逐漸變得過時(shí)。從Comet到Claude瀏覽器插件，AI工具已經(jīng)根據(jù)用戶意圖自主執(zhí)行。但目前的Web尚未做好準(zhǔn)備，對(duì)人類良好的架構(gòu)設(shè)計(jì)并不適合機(jī)器。除非情況徹底改變，否則智能體瀏覽永遠(yuǎn)無法成為主流。用隱藏指令控制智能體在簡(jiǎn)單測(cè)試中，我在某個(gè)頁面上...

引言：CIO的預(yù)算困境2026年的預(yù)算季，CIO（首席信息官）面臨的核心挑戰(zhàn)，已從“要不要投AI”轉(zhuǎn)變?yōu)?ldquo;如何證明AI投入的價(jià)值”。當(dāng)一個(gè)AI項(xiàng)目的年投入足以招聘一個(gè)小型技術(shù)團(tuán)隊(duì)時(shí)，一份無法清晰量化ROI（投資回報(bào)）的預(yù)算報(bào)告，幾乎注定會(huì)被挑戰(zhàn)。本文旨在為CIO及其團(tuán)隊(duì)提供一套務(wù)實(shí)的AI預(yù)算制定框架與可執(zhí)行的落地路徑，幫助您將技術(shù)語言“翻譯”為董事會(huì)聽得懂的商業(yè)價(jià)值。第一部分：三大預(yù)算框架，告別“拍腦袋”一份經(jīng)得起推...

“決定智能體質(zhì)量的核心是工具，模型只是決定使用哪個(gè)工具。”這幾天有個(gè)需求是把傳統(tǒng)RAG(naiverag)改成主動(dòng)式RAG(AgenticRAG)，原因是因?yàn)閭鹘y(tǒng)RAG只能進(jìn)行簡(jiǎn)單的語義檢索，無法進(jìn)行條件式的數(shù)據(jù)篩選。在前面的文章也簡(jiǎn)單介紹過傳統(tǒng)RAG和主動(dòng)RAG的區(qū)別，前者基于語義相似性，后者基于數(shù)據(jù)處理；前者是靜態(tài)的，后者是動(dòng)態(tài)的。舉例來說就是，我問社保和社保數(shù)據(jù)是不一樣的；前者是問與社保相關(guān)的政策和基本常識(shí)，后者是問我交了多...

“小塊召回，大塊生成的策略的作用是提升文檔的召回率，并保證文檔上下文的連貫性。”在RAG技術(shù)的真實(shí)實(shí)踐過程中，我們經(jīng)常會(huì)遇到的一個(gè)問題就是——模型回答的質(zhì)量不好；當(dāng)然導(dǎo)致回答質(zhì)量不好的原因有很多，而我們今天就來討論一種RAG問答的優(yōu)化策略——小塊召回，大塊生成。從本質(zhì)上來說其實(shí)就是解決了兩個(gè)問題，小塊解決召回問題，大塊解決生成問題。小塊召回，大塊生成可能很多人都不明白什么叫做小塊召回，大塊生成？小塊...

大家好，我是玄姐。?AI智能體正加速重構(gòu)企業(yè)工作模式，卻也引發(fā)了"技術(shù)替代人力"的廣泛討論。事實(shí)上，理解其技術(shù)架構(gòu)、發(fā)展階段與核心能力，才能真正發(fā)揮其價(jià)值。本文將從技術(shù)底層出發(fā)，拆解AI智能體的核心架構(gòu)、進(jìn)化路徑與落地關(guān)鍵，助力企業(yè)實(shí)現(xiàn)智能化轉(zhuǎn)型。一、AI智能體的5級(jí)進(jìn)化階梯：從執(zhí)行器到數(shù)字分身AIAgent的能力迭代遵循明確的進(jìn)化路徑，每一級(jí)都對(duì)應(yīng)著技術(shù)突破與應(yīng)用場(chǎng)景的拓展：L1（簡(jiǎn)單步驟跟隨）：基于預(yù)設(shè)指令...

大家好，我是玄姐。在傳統(tǒng)軟件工程中，測(cè)試是保障系統(tǒng)質(zhì)量的“護(hù)城河”，基于明確規(guī)則驗(yàn)證輸入輸出，用覆蓋率和準(zhǔn)確率衡量穩(wěn)定性。但當(dāng)AI系統(tǒng)成為技術(shù)主流，一切都變了。AI智能體的核心是基于概率模型的推理與生成，結(jié)果的不確定性、語義的多義性、上下文的敏感性，讓傳統(tǒng)測(cè)試方法徹底失效。這也意味著，誰能搞定“評(píng)估”，誰就能掌握下一輪AI智能體演進(jìn)的主動(dòng)權(quán)。評(píng)估工程，正是為解決AI系統(tǒng)不確定性而生的關(guān)鍵技術(shù)。它貫穿AI...

文章鏈接：https:arxiv.orgpdf2507.20177代碼鏈接：https:github.comGXNUZhongLabODTrack亮點(diǎn)直擊為視覺跟蹤領(lǐng)域提供了首個(gè)通用的視頻級(jí)模態(tài)感知跟蹤模型。UMODTrack僅需訓(xùn)練一次，即可使用相同的架構(gòu)和參數(shù)實(shí)現(xiàn)多任務(wù)推理，包括RGBTDE跟蹤任務(wù)。對(duì)于視頻級(jí)關(guān)聯(lián)，引入了兩種時(shí)序令牌傳播注意力機(jī)制，將目標(biāo)的判別性特征壓縮到一個(gè)令牌序列中。該令牌序列作為提示來指導(dǎo)未來幀的推理，從而避免了復(fù)雜的在線更新策略。對(duì)于多模態(tài)...

在當(dāng)今的人工智能浪潮里，大模型似乎越來越趨向于“巨無霸”。從GPT4到Gemini，從Claude到Llama，模型規(guī)模越來越大，參數(shù)動(dòng)輒數(shù)百億甚至上千億。但在熱鬧的背后，有一個(gè)不容忽視的現(xiàn)實(shí)：這些模型大多偏向英語和少數(shù)幾種主流語言。對(duì)于拉脫維亞語、立陶宛語、冰島語、斯洛文尼亞語這樣的“小語種”而言，即便是號(hào)稱多語言的開源大模型，在實(shí)際應(yīng)用中也會(huì)表現(xiàn)不佳——語法錯(cuò)誤、表達(dá)生硬、甚至完全無法理解。而就在2025年9月，來...

在自然語言處理（NLP）領(lǐng)域，很多人會(huì)問：如何從零開始，構(gòu)建一個(gè)真正可用的NLP流水線？常見的教程往往只聚焦于某一個(gè)環(huán)節(jié)，比如“訓(xùn)練一個(gè)Word2Vec模型”或者“跑一次LDA主題建模”。但在真實(shí)項(xiàng)目中，往往需要一個(gè)系統(tǒng)性的流程：從原始文本→預(yù)處理→特征建模→相似度分析→語義搜索→可視化。今天分享的就是這樣一個(gè)完整的端到端NLP流水線，基于Gensim構(gòu)建，并且包含：文本預(yù)處理與語料構(gòu)建Word2Vec詞向量建模與相似度分析LDA...

一、為什么說“大模型之間的交流”成了性能瓶頸？當(dāng)今AI系統(tǒng)越來越復(fù)雜，一個(gè)任務(wù)往往不是單個(gè)模型完成的，而是多個(gè)模型協(xié)作完成：一個(gè)負(fù)責(zé)理解問題，另一個(gè)生成答案，還有的專門做代碼執(zhí)行或圖像解析。問題是——這些模型之間該怎么“對(duì)話”？目前主流做法是通過文字（Token）通信。比如：模型A寫出一句解釋性文字；模型B讀入這句話作為上下文，再推理生成輸出?？此坪侠?，但背后存在三個(gè)嚴(yán)重問題：語義丟失嚴(yán)重：模型內(nèi)部的高...

如何讓一個(gè)大型語言模型驅(qū)動(dòng)的智能體團(tuán)隊(duì)，在面對(duì)千變?nèi)f化的復(fù)雜任務(wù)時(shí)，能像人類專家團(tuán)隊(duì)一樣，動(dòng)態(tài)地決定“誰上”、“幾個(gè)人上”、“他們之間如何溝通”，而不是死板地套用一個(gè)固定的組織架構(gòu)？近期，來自多個(gè)頂尖研究機(jī)構(gòu)的團(tuán)隊(duì)發(fā)布了ARGDesigner框架，它創(chuàng)新性地將多智能體系統(tǒng)的設(shè)計(jì)問題，從傳統(tǒng)的“修剪模板”思路，徹底轉(zhuǎn)變?yōu)橐粋€(gè)“從零生成”的自回歸圖生成任務(wù)。該框架讓模型學(xué)會(huì)了根據(jù)任務(wù)需求，從一個(gè)可擴(kuò)展的專家?guī)?..

大家好，最近KimiK2Thinking與MiniMaxM2的開源帶火了國(guó)產(chǎn)大模型。但在這背后，我們是否真正看到了LLM架構(gòu)突破性的變化，還是僅僅在打磨相同的架構(gòu)基礎(chǔ)？LLM架構(gòu)子集：Kimi2，KimiK2Thinking，MiniMaxM1、MiniMaxM2，KimiLinear，Qwen3Next前文回顧：???從DeepSeekV3到KimiK2：八種現(xiàn)代LLM架構(gòu)大比較??KimiK2與KimiK2Thinking2025年11月6日，Kimi團(tuán)隊(duì)又發(fā)布了“Thinking”版。架構(gòu)與上述K2完全一致，僅把上下文長(zhǎng)度從128k提...

今天分享MetaSuperLabs最新發(fā)表的2篇關(guān)于AgentLearning的論文：2025.11《ScalingAgentLearningviaExperienceSynthesis》2025.10《AgentLearningviaEarlyExperience》兩篇文章從“如何低成本獲得高質(zhì)量經(jīng)驗(yàn)”出發(fā)，形成一條完整技術(shù)鏈：離線專家數(shù)據(jù)→早期經(jīng)驗(yàn)增廣→合成環(huán)境狂飆→SimtoReal微調(diào)，為語言智能體進(jìn)入“規(guī)模化RL時(shí)代”提供可復(fù)現(xiàn)的路線圖。1.AgentRL的三座大山rollout太貴WebArena一次完整交互≈30s，812任務(wù)全跑一...

一、研究背景與目的以ChatGPT、文心一言為代表的知識(shí)增強(qiáng)大語言模型的出現(xiàn)，使得人工智能生成內(nèi)容（AIGC）迅速躋身于互聯(lián)網(wǎng)信息生成領(lǐng)域，彌補(bǔ)了專業(yè)生成內(nèi)容（PGC）和用戶生成內(nèi)容（UGC）的不足。當(dāng)前學(xué)界多關(guān)注AIGC情境下的用戶信息行為、信息質(zhì)量等議題，但缺乏從用戶感知信息價(jià)值角度對(duì)AIGC進(jìn)行測(cè)度與評(píng)價(jià)，也缺少與傳統(tǒng)搜索引擎的對(duì)比研究。本研究選取文心一言（知識(shí)增強(qiáng)大語言模型）與百度搜索引擎（傳統(tǒng)搜索引擎）為研究...

深度學(xué)習(xí)的崛起幾乎完全依賴于反向傳播（Backpropagation,BP）算法。BP通過鏈?zhǔn)椒▌t逐層計(jì)算梯度，使得數(shù)以百萬計(jì)的參數(shù)能夠在訓(xùn)練過程中不斷調(diào)整。然而，這一方法在實(shí)際應(yīng)用中存在顯著局限,BP需要存儲(chǔ)大量中間激活值，導(dǎo)致顯存消耗極高，BP依賴的計(jì)算模式在類腦硬件或非傳統(tǒng)計(jì)算架構(gòu)上難以實(shí)現(xiàn)，從生物學(xué)角度看，人腦的學(xué)習(xí)機(jī)制與BP存在根本差異，這使得BP在“類腦學(xué)習(xí)”的探索中顯得不夠自然。在這樣的背景下，GeoffreyHinton...