AI.x社区

传说中“让手机自己动”的终极形态，来了！智谱今天发布了个为手机而生的Agent——AutoGLM2.0，只需要发出一句指令，它就能自动执行，直至完成任务。  最厉害的是，它所有操作都在云端完成——等于给你的手机配了一台云端备用机。你这边正常刷抖音回微信，它那边在云上默默干活，完全不抢本地算力、不占屏幕、不卡手机。其实早在去年，智谱就发布了AutoGLM1.0，但初级版本仍然需要完全占据手机，还算不上真正的自动化...

在AI应用极速发展的当下，LLM与RAG系统已成为构建智能问答、知识管理等高阶应用的核心引擎。然而，许多团队在项目落地时遭遇了现实的挑战：模型的实际表现往往难以达到预期。究其根源，是一个常被低估的关键环节：文档解析的质量。现实中的知识载体——PDF报告、扫描文件、图文结合的技术文档——本质上是高度非结构化的。传统OCR工具就像个“近视的搬运工”，只能机械地把图像上的文字“抠”下来，当缺乏结构、语义断裂的“原...

如果你是一位AI应用开发者，一定能感受到Agent的浪潮正席卷而来。但一个只会处理文本的Agent，在真实业务场景中往往能力受限。一个更强大的Agent需要具备多模态能力：能看懂用户上传的截图、听懂用户的语音留言，并能用自然的声音进行回复。传统的实现路径通常很复杂：开发者需要自行集成对象存储、OCR、ASR、大模型和TTS等多家供应商的API。这不仅开发流程繁琐，不同服务间的网络延迟和数据传输也会成为性能瓶颈。本文将提供一...

文章链接：https:arxiv.orgpdf2508.09987项目链接：https:yejy53.github.ioEcho4oGit链接：https:github.comyejy53Echo4o数据集：https:huggingface.codatasetsYejy53Echo4oImage亮点直击分析并总结了合成数据相对于真实世界图像的优势，强调其能够生成罕见场景，并为指令跟随任务提供纯净、长尾分布的监督信号。Echo4oImage，一个包含18万样本的合成数据集，使用GPT4o生成，涵盖超现实场景、多参考生成和指令跟随任务。数据集...

ApacheTVM是一个深度的深度学习编译框架，适用于CPU、GPU和各种机器学习加速芯片。更多TVM中文文档可访问→随着深度学习工作负载所针对的硬件设备数量不断增加，用户在各种设备上实现高性能所需的知识也在不断增加。为了让数据科学家在开发新模型时不必担心性能问题，硬件厂商或是基于一些常见的深度学习算子，提供MKLDNN或cuDNN等库，或是提供TensorRT等框架，让用户按照某种方式描述模型，从而提高模型性能。然而，用户在尝试...

在数字化浪潮席卷的今天，企业每天都在重复性任务中消耗大量时间和资源。这些繁琐的工作不仅拖慢了效率，还阻碍了创新的脚步。传统的自动化工具虽然能处理简单的流程，但面对复杂多变的任务时，往往显得力不从心。而AIAgents（人工智能代理）的出现，正以其强大的适应性和决策能力，彻底改变这一局面。那么，2025年有哪些AIAgents工具和平台值得关注？如何选择适合自己的解决方案？本文将为你详细盘点，从开发框架到企业级平台...

编辑伊风出品51CTO技术栈（微信号：blog51cto）ClaudeCode为什么能在市场上战胜Cursor？对于创业者来说，如何在API之上构建自己的产品，又不担心被大模型干掉？在最新一期播客里，Anthropic联合创始人TomBrown分享了ClaudeCode的成长故事。这款最初只是工程师BorisCherny为了方便自己和团队写的内部工具，如今却成长为一款年化营收约4亿美元的AI编程明星。“我们的转折点在于：把Claude本身当作用户来设计工具。就像我早期做社...

本文旨在探讨如何在无服务器环境中部署实时机器学习模型，并应对其间涉及的延迟、成本与性能平衡挑战。机器学习（ML）在诸如欺诈检测和个性化推荐等实时应用中变得越来越重要。由于其可扩展性以及消除了基础设施管理的工作量，这些应用对于在无服务器计算中部署极具吸引力。然而，将机器学习模型部署到无服务器环境中面临着延迟、成本和性能方面的独特挑战。在本文中，我们将详细阐述这些问题，并提供相应的解决方案，以实现实...

论文链接：https:arxiv.orgpdf2508.10881项目链接：https:lgli.github.ioprojecttooncomposer亮点直击后关键帧阶段（postkeyframingstage），一种新的卡通制作范式，将中间帧补全与上色整合为一个由AI驱动的流程，显著减少了人工工作量。ToonComposer，首个基于DiT的卡通生成模型，专为后关键帧阶段设计，结合稀疏草图注入与区域控制功能，能够从稀疏输入生成高质量的卡通视频。设计了一种基于SLRA的卡通适配机制，一种新颖的低...

在开始前我们先来分析一下当下的AI技术发展路线：1.目前来看LLMMLLM等类似GPT的decoder架构仍是主流，各家更新一代比一代快；2.由sora带火的diffusionmodel类生成式模型还处于是否是“worldsimulator”的争议中悄悄发育；3.Deepmind、Meta、Nvidia等几家在“孤独地”推进世界模型，还没有真正进入大众视野应用。上述的路线中哪一条可能是真正可以在未来通往AGI的路呢？目前业内主要的观点还是第三种。Meta首席AI科学家YannLeCun...

嘿，大家好！这里是一个专注于前沿AI和智能体的频道字节又偷摸开源了，一个带记忆的Agent。看起来不稀奇，但是这可能全球首个带终身记忆更新的全多模态智能体。这玩意儿的核心，是给Agent装上了一个真正意义上的“长期记忆”大脑，能边看边听边记，还能像人一样推理总结。背后也不是靠堆参数，而是一套全新的关于记忆智能体的架构思想。所以，今天，给家人们分享一下这个工作。论文：https:arxiv.orgpdf2508.09736github:https:...

过去几年，AI模型变得越来越“臃肿”，从云端到本地的落地，几乎都被算力、延迟、能耗卡住了脖子。要想在手机、手表、甚至嵌入式设备上跑一个多模态大模型？在很多人看来，这几乎是天方夜谭。但LiquidAI却不这么认为。这家由MITCSAIL前研究员创立的公司，刚刚发布了LFM2VL——一代全新的视觉语言基础模型，号称能在从智能手机、笔记本电脑到可穿戴设备的广泛硬件环境中高效运行，且延迟低、精度高、够灵活。他们的目标很明确：...

文章链接：https:arxiv.orgpdf2508.10711项目链接：https:stepfun.airesearchennextstep1Git链接:https:github.comstepfunaiNextStep1亮点直击首创连续图像流匹配自回归架构：用轻量级流匹配头(157M)实现patchbypatch生成；摆脱传统扩散模型依赖，保持SOTA生成质量突破性高维隐空间稳定技术：创新通道归一化+随机扰动tokenizer设计；支持16通道高维空间稳定训练，无伪影生成统一的多模态生成编辑框架：单序列处理离散文本和连续...

《自然》科学期刊一直站在人工智能与神经科学交汇的前沿，一项来自《NatureMachineIntelligence》的研究正悄然重塑我们对人类视觉系统的理解。8月7日，这篇题为《Highlevelvisualrepresentationsinthehumanbrainarealignedwithlargelanguagemodels》的论文，提出了一个令人振奋的命题：人类大脑在处理自然视觉场景时，其高级视觉表征竟然与大型语言模型（LLM）对场景字幕的嵌入向量高度一致。这不仅是一次跨模态的对齐尝试，更...

快速看一下GLM4.1V多模态方面架构和数据方面的特点。模型架构核心特点1、视觉编码器特点初始化模型：AIMv2Huge作为视觉编码器的基础。3D卷积适配：为提升视频处理效率，参考Qwen2VL的设计，将原始2D卷积替换为3D卷积。这一改动使视频输入的时间维度下采样2倍，减少计算量；对于单张图像，通过复制图像帧保持处理一致性。动态分辨率支持：a.引入2DRoPE到ViT的自注意力层，使模型能够处理极端宽高比（超过200:1）或高分辨率（4K以...

从《黄帝内经》中「视见青盲，如无所见」的记载，到现代医学对视网膜致盲风险的认知，人类对「眼睛与健康」的探索从未停歇。其中，视网膜病变是导致失明的主要原因之一，尤其是糖尿病性视网膜病变和视网膜色素变性。柳叶刀发表的全球疾病负担研究（GBDStudy2021）显示：2021年全球有5.29亿糖尿病患者，年龄标化患病率为6.1%。而其中，糖尿病视网膜病变的全球患病率约为40%。因此，数百万人受到中度或重度糖尿病视网膜病变的困扰...

在大模型的演进赛道上，MixtureofExperts（MoE）架构正逐渐成为提升性能与降低推理成本的重要手段。2025年，阿里巴巴与OpenAI分别推出了代表性产品——Qwen330BA3B（2025年4月）与GPTOSS20B（2025年8月）。一个追求深度与专家多样性，一个强调宽度与推理效率——它们不仅在数字上差异明显，更在架构理念与应用场景上形成了鲜明对比。1.模型概览：参数规模与基础配置特性Qwen330BA3BGPTOSS20B总参数30.5B21B激活参数3.3B3.6B层数...

GPT5发布在即，根据奥特曼在内部演示中首次披露的GPT5实测数据，这一代模型不仅具备高达256K的上下文窗口，还展现出惊人的数学与编程能力。更令人瞩目的是其“智能模式切换”能力——在深度推理与快速响应之间自由切换，仿佛具备了某种“元认知”能力。这种表现并非偶然，而是源于其底层架构中引入了新的验证机制，被称为“UniversalVerifier”，其灵感正是来自一项前沿研究：ProverVerifierGame（PVG）。ProverVerifierGame让...

本文是关于AI智能体的工作原理，我用了一个很形象的比喻——把AI智能体比作一个五层蛋糕，每一层都有特定的功能，信息在这些层之间流动，就像一个组织良好的协作团队一样。下文我们详细剖析之。一、AI智能体的5层技术架构剖析想象一下，AI智能体就像一个五层蛋糕，每一层都有特定的工作。信息在这几层之间上下流动，就像在繁忙的办公楼里传递消息一样。1、第一层：用户界面你的前门这是你和AI智能体相遇的地方，就像酒店的前台...

文章链接：https:arxiv.orgpdf2508.06033Git链接：https:github.comSupercomputingSystemAILabInstantEdit亮点直击少步高效编辑：首次在RectifiedFlow框架下实现8步高质量图像编辑，速度接近实时交互需求。创新反转与生成技术：提出PerRFI和ILI，解决少步扩散模型的反转不准确和生成不一致问题。解耦与结构控制：通过DPG和ControlNet的联合应用，实现编辑区域的精准定位与全局结构保持，显著提升可控性。总结速览解决的问题计算...