AI.x社區
- 登錄/注冊
外賣巨頭變身AI黑馬！美團開源視頻大模型，性能比肩谷歌Veo3
原創
社區頭條美團開源首個視頻大模型，一出手就是SOTA級別。 今天，“送外賣”的美團正式發布了名為LongCatVideo的開源視頻生成模型。  作為美團首個開源視頻大模型，LongCatVideo擁有136億參數，在文生視頻、圖生視頻兩大核心任務中綜合性能達到了當前開源領域的SOTA級別。其部分核心維度表現甚至可與谷歌最新、最強的閉源模型Veo3相媲美。 技術突破：從短視頻到5分鐘長視頻的跨越 LongCatVideo的突出能力在于其...美團LongCat-Video算家計算算家云租算力，到算家云一行“隱形”的代碼，就能讓 Comet 泄露你的全部郵件！AI產品公司創始大佬：AI看不懂的網站早晚會消失！
原創編輯聽雨出品51CTO技術棧（微信號：blog51cto）上周，OpenAI發布了ChatGPTAtlas瀏覽器——一個由AI驅動、能主動理解意圖并代你完成任務的新型瀏覽器。它不僅能“看懂”網頁，還能“替你上網”：搜索、總結、訂票、發送郵件。這標志著互聯網的一次結構性轉折：從以人為中心的“點擊互聯網”，邁向以機器意圖為驅動的互聯網。但問題是——今天的網頁，真的準備好讓AI來瀏覽了嗎？小編最近讀到一篇文章，作者是AmitVerma，是一家位...CometAI語義接口全面剖析AI生成代碼中的邏輯幻覺：基本原理、檢測及防御方法
社區頭條譯者涂承燁審校重樓像GitHubCopilot、ChatGPT、Cursor和其他AI編碼助手這樣的工具可以在幾秒鐘內生成樣板代碼、建議算法，甚至創建完整的測試套件。這加快了開發周期，減少了重復性的編碼工作。然而，幻覺是AI生成代碼的一個常見問題。幻覺有多種類型，在本文中，我將重點介紹一些基本的邏輯幻覺。AI并不能保證理解問題領域、業務需求或架構約束。它生成的輸出在語法上看起來正確且邏輯上合理，但可能隱藏著矛盾或遺漏。這些問...AIAIGC代碼幻覺LLM近一半回答在扭曲真相！ChatGPT、Gemini，全部頂流模型統統中招！BBC研究：AI系統性錯誤把媒體拖下水
原創 社區頭條
熱門內容榜 ? 最近上榜編輯云昭出品51CTO技術棧（微信號：blog51cto）相信大家都碰到過類似這種情況，當你問ChatGPT或Copilot：“最近XXX大火的新聞，后來進展怎么樣了？”你得到的，可能是一篇語氣權威、邏輯完整的摘要。但如果你追問一句：“這些信息來自哪？”——答案卻要么含糊其辭，要么干脆編造出處。這并非個例。10月22日，BBC與歐洲廣播聯盟（EBU）聯合發布了《NewsIntegrityinAIAssistants》報告，對全球四大AI助手——ChatGPT、Copilot、G...AIChatGPTLLMOpen-Sora-Plan團隊最新力作UniWorld-V2：圖像編輯漲點神器，舊模型也能秒變SoTA！
社區頭條 熱門內容榜 ? 最近上榜論文鏈接：https:arxiv.orgpdf2510.16888Git鏈接：https:github.comPKUYuanGroupEditR1亮點直擊EditR1框架：結合DiffusionNFT技術與預訓練多模態大模型（MLLM）構建免訓練獎勵機制，實現對擴散模型的指令驅動圖像編輯微調。驗證獎勵信號優越性：證明該框架提供的獎勵信號具備更高的人類偏好對齊度，可生成穩定、低成本、低幻覺的反饋信號，有效提升訓練穩定性。實證性能突破：實驗表明，該方法顯著提升UniWorldV2、QwenImageEdi...AI圖像生成模型多模態大模型Detect Anything量化坐標設計思路
本文僅看RexOmni中關于坐標量化的思路。DetectAnythingviaNextPointPrediction,https:arxiv.orgabs2510.12798檢測器在定位方面表現優異，但缺乏語言理解能力。多模態大模型（MLLMs）語言理解能力較強，但在定位方面存在困難。2）檢測器與多模態大模型（MLLMs）在最優化難度上的差異RexOmni的核心思路是：將“連續坐標回歸”轉化為MLLM擅長的“離散token預測任務”。因此，任務目標就是讓MLLM“能懂坐標”。直接坐標預測策略使用...多模態大模型技術還是場景？為大模型能力畫一張“地圖”：詳解RAG、AIGC、Agent如何驅動千行百業
原創 社區頭條“別再混淆了！RAG、Agent是“發動機”，智能問答、生成工具才是“車”——一文講透大模型的技術與應用場景”做了這么長時間的人工智能應用，慢慢發現很多人到現在還分不清哪些是技術，哪些是應用場景，甚至很多時候會把這兩個不同的東西混為一談。首先我們要明確一件事，人工智能是一項技術，然后利用這些技術去解決實際問題，而解決的這些問題是應用場景；技術本身是沒有價值的，技術價值的體現就是在其應用場景。技術與應用...大模型RAGAIGCAgent記一次智能問答系統的review過程——細節決定成敗
原創“一個好的智能問答系統是由細節決定的，而不是由流程決定的。”今天在公司項目組review了一下作者最近一直在做的一個基于RAG技術的智能問答系統；在review的過程中也發現了一些問題，就是雖然召回質量還過得去，但還是存在一些小問題。比如說，偶爾會出現記憶不存在的問題，表面上來看就是連續兩個有關聯的問題，但回答的時候卻沒有任何關聯性；簡單來說就是，記憶功能沒用好。還有就是所有的技術手段都用上了，包括召回，去重...智能問答系統RAGAgentTripoSG：一鍵使用AI在數秒內生成3D設計，支持文本/圖像/涂鴉等多種方式，引領3D生成潮流！
社區頭條 熱門內容榜 ? 最近上榜TripoAI發布了最新3D生成模型TripoSG，能夠生成與輸入圖像精確對應的高保真3D形狀樣本。涵蓋各種復雜結構、多樣風格、富有想象力的設計、多對象組合以及細節豐富的輸出，展現了其強大的生成能力。主要特點總結如下：高保真生成：生成具有清晰幾何特征、精細表面細節和復雜結構的網格語義一致性：生成的形狀準確反映輸入圖像的語義和外觀強大的泛化能力：處理多種輸入風格，包括逼真的圖像、卡通和素描穩健的性能：即使對于具有...TripoSGAI3D設計超越SOTA！浙大&斯坦福提出 DiffLocks，單圖頭發 3D 重建精度提升30%，首次支持非洲式卷發生成！
由浙江大學、斯坦福大學等聯合提出的DiffLocks，給定一張RGB圖像，DiffLocks使用擴散模型生成精確的3D發束。該模型基于一個包含RGB圖像和相應3D發束的新型合成頭發數據集進行訓練。相關鏈接論文：https:arxiv.orgpdf2505.06166主頁：https:radualexandru.github.iodifflocks代碼：https:github.comMeshcapadedifflocks數據集：https:difflocks.is.tue.mpg.deindex.html論文介紹我們致力于從單張圖像重建頭發的三維幾何結構，由...SOTADiffLocks3D字節開源 DreamOmni2：多模態賦能突破傳統局限，開啟圖像編輯與生成新高度
在圖像編輯與生成領域，基于指令的編輯和主題驅動的生成雖有進展，但存在局限。前者依賴語言指令難捕捉細節，后者局限于具體物體組合。由香港中文大學、香港科技大學、香港大學及字節跳動提出的基于多模態指令的編輯和生成任務DreamOmni2，支持文本與圖像指令，拓展至抽象概念。通過三步數據合成流程解決數據創建難題，采用索引編碼等方案優化模型框架，還提出全面基準測試。實驗顯示DreamOmni2成果斐然，模型和代碼即將發布，...DreamOmni2多模態圖像編輯神經網絡模型各個網絡層的參數設計原則
在搭建神經網絡時，各個網絡層的維度信息是網絡設計和優化的關鍵，它們共同決定了模型的表達能力、計算效率以及訓練效果。以下從輸入層、隱藏層、輸出層三個維度展開分析，并給出維度設計的通用原則：圖片一、輸入層維度輸入層是神經網絡的起點，負責接收外界的輸入信息，并將其轉化為神經網絡可處理的格式。其維度通常由輸入數據的特征數量決定。圖像處理：若輸入為圖像，輸入層維度通常為圖像的像素值展開后的向量長度。例如...神經網絡模型網絡層為什么神經網絡網絡算法比機器學習模型算法更加強大？
神經網絡（尤其是深度神經網絡）相比傳統機器學習模型（如線性回歸、決策樹、支持向量機等）的“強大”主要體現在其更強的表達能力、自適應特征學習能力以及對復雜模式的建模能力。但這種“強大”并非絕對，而是有特定條件和適用場景的。以下是具體分析：1.表達能力：從線性到非線性的飛躍傳統機器學習模型：多數傳統模型（如線性回歸、邏輯回歸）本質上是線性模型，或通過簡單非線性變換（如核方法）擴展能力。它們的假設空間...神經網絡機器學習模型算法只有0.9B的PaddleOCR-VL，卻是現在最強的OCR模型。
這幾天，OCR這個詞，絕對是整個AI圈最火的詞。因為DeepSeekOCR，甚至讓OCR這個賽道文藝復興，又給直接帶火了。整個HuggingFace的趨勢版里，前4有3個OCR，甚至Qwen3VL8B也能干OCR的活，說一句全員OCR真的不過分。然后在我上一篇講DeepSeekOCR文章的評論區里，有很多朋友都在把DeepSeekOCR跟PaddleOCRVL做對比，也有很多人都在問，能不能再解讀一下百度那個OCR模型（也就是PaddleOCRVL）。所以我也覺得，不如就來寫一篇關于Paddle...OCR模型Qwen3-VL-8BGraphiti：為智能體構建實時知識圖譜，引領更聰明的 AI 時代
我一直覺得很神奇：大多數AI系統只要你一停止和它們對話，就會把一切都忘光。你喂給它們facts、context、chatlogs——會話一結束，噗的一下，全沒了。這一直是“intelligent”agents的最大瓶頸。后來我發現了Graphiti，感覺終于有人把knowledgegraphs和AImemory連接到了一起。如果這聽起來有點高深，別擔心，我們一步步來。Graphiti是什么把Graphiti想象成一個創建并維護動態知識網絡的工具。每一條小事實——比如“Kendra喜歡A...智能體GraphitiAI為什么你的 RAG 系統在復雜問題上失靈？本文通過 Retrieval and Structuring (RAS) 范式理解精準推理與領域
本文通過RetrievalandStructuring(RAS)范式理解精準推理與領域專長，并附實現示例LargeLanguageModels（LLM，大型語言模型）在文本生成和復雜推理方面展現了卓越能力。但它們并不完美。當LLM用于真實世界場景時，會面臨多種挑戰：有時會出現“幻覺”，有時會給出過時的答案。為了解決這些問題，引入了RetrievalAugmentedGeneration（RAG）。RAG先從外部文檔檢索相關信息，以此為LLM的回答“接地氣”，顯著減少幻覺。看起來是個...RAG系統LLMAI Agent 與 Agentic AI 系統：真正的區別是什么？
先來澄清當下AI討論中最常見的一處混淆。你可能經?？吹酱蠹野?ldquo;AIagent”和“agenticAIsystem”當成同一件事。但事實是：它們有關聯，但并不相同就像把微波爐稱作“廚師”。它確實能加熱食物，但它不會幫你策劃一場晚宴。FriendLink同理，AIAgents與AgenticAISystems在“做什么”、“如何思考”以及“自主性的范圍”上都不一樣。所以，端杯咖啡?，我們來看看這兩者究竟有何區別——以及為什么理解這點對構建或使用現代AI系統...AI AgentAgentic AI系統Transformer 之父“叛逃”：我已經受夠了 Transformer！警告：AI研究變得越來越窄，我們需要找到新的架構
原創 社區頭條編輯聽雨出品51CTO技術棧（微信號：blog51cto）“我真的已經受夠了Transformer。”——這句話來自Transformer的共同作者、SakanaAI聯合創始人LlionJones。在舊金山TEDAI大會上，這位被譽為“生成式AI時代奠基人”的研究者，突然“開炮”——不僅公開批評了整個AI行業的研究方向，還宣布自己已經“離開Transformer”，開始尋找下一次重大突破。要知道，Transformer正是ChatGPT、Claude、Gemini、Llama等幾乎所有主流大模型的核心...TransformerAI語言模型云計算大佬揭秘AI如何改變程序員未來，這些技能將成關鍵
原創 社區頭條AI時代，程序員的角色正在經歷怎樣的轉變？云計算領域大佬JeffBarr近日在上海分享了他的觀點。 近日，亞馬遜云科技副總裁兼首席布道師JeffBarr受邀來到上海，與當地開發者社區進行了深入交流。在這場以“AI驅動的開發新模式”為主題的分享中，他基于多年來對開發者生態的觀察和實踐，詳細闡述了生成式AI正在如何重塑軟件開發的各個環節。 JeffBarr在云計算和開發者工具領域擁有豐富經驗，他的見解往往能夠準確反映技...1024程序員節云計算人工智能算家計算算家云如何把ChatGPT嵌入到自己的應用中？
原創 社區頭條 熱門內容榜 ? 最近上榜編輯云昭出品51CTO技術棧（微信號：blog51cto）10月初，OpenAI的AgentKit來得猝不及防！作為一款面向開發者的全能工具包，能讓ChatGPT驅動的智能體被嵌入到任何網站或應用中。它首次亮相于OpenAI2025年DevDay，目標是讓AI不止會“聊天”，還能執行動作——比如瀏覽網頁、調用API、完成多步任務。換句話說，AgentKit提供了完整的架構和組件，讓開發者能直接在自家產品中嵌入ChatGPT式助手。本文將拆解其底層架構與核心模塊，并解...ChatGPTOpenAIAgentKit
