AI.x社区

随着5G的全球部署和6G标准的制定，移动网络的演进速度日益加快。在这一过程中，机器学习（ML）技术因其卓越的数据处理能力、洞察力和决策能力而成为智能移动网络的有效解决方案。但是传统的ML算法在处理复杂的网络任务时，往往受限于其算法的局限性和训练数据的质量与规模。与此同时，LLMs和GPTs在近年来展现出了在各种认知任务中接近人类水平的性能，但它们在基础任务中常常缺乏常识，因此更多地被视为人类的辅助工具。6月7日...

埃隆·马斯克（ElonMusk）的初创公司xAI开源了其第一个大型语言模型（LLM）Grok。现在使任何其他企业家、程序员、公司或个人能够接受Grok的权重——模型的人工“神经元”或软件模块之间的连接强度，允许模型做出决策并接受输入并以文本形式提供输出——以及其他相关文档，并将模型的副本用于他们想要的任何内容，包括用于商业应用。“我们正在发布我们的大型语言模型Grok1的基本模型和网络架构，”该公司在一篇博客文章中宣布。...

在数字化时代，视觉信息在知识传递和决策支持中的重要性日益凸显。然而，传统的检索增强型生成（RAG）方法在处理视觉丰富信息时面临着诸多挑战。一方面，传统的基于文本的方法无法处理视觉相关数据；另一方面，现有的视觉RAG方法受限于定义的固定流程，难以有效激活模型的推理能力。来自阿里巴巴通义实验室的最新研究成果——VRAGRL（EmpowerVisionPerceptionBasedRAGforVisuallyRichInformationUnderstandingviaIterativeReaso...

引言：AI的全面智能之路人工智能的发展已从简单算法进化到复杂的大型基础模型，尤其在理解开放世界环境中的感官信息方面取得显著进步。然而，关键转折点在于从过度简化方法转向强调整体运作的系统，催生了AgentAI的兴起。AgentAI将大型基础模型整合到代理行动中的具体系统，涉及机器人学、游戏和医疗保健等多领域。本文提出新的代理基础模型，展现其在多个任务和领域中的非凡能力，挑战传统学习和认知观念。同时，从跨学科角度...

通过整合文本、图像、音频等数据，多模态大型语言模型（MLLM）开始突破传统RAG的文本局限，赋予AI感知能力。其核心架构采用CLIP、Whisper等编码器实现跨模态语义统一，通过投影层对齐多模态信息。不过，多模态大型语言模型的评估需要综合检索质量、生成忠实度及跨模态一致性等一系列指标实现。简介基于我以前关于LLM、检索增强生成（RAG）和高级RAG技术的文章中的基础概念，本文将着手探讨下一个领域——多模态LLM。我们将首先...

本来今天准备发一篇金融相关的Agent论文结果一大早上，各大群就都开始流传着各种聊天记录原来是凌晨OpenAI发布了新的o1系列模型（以下简称o1模型或o1），所以迫不及待的找了些资料赶紧学习下。图片看上去，这个o1系列模型在数学、编码、科学等一系列理科生擅长的事情上，表现比GPT4还好。目前，各大微信群的讨论大致分为两种观点：•o1太牛逼了，GPT5来了，AGI立马到来！•o1这不就是个Workflow+Agent吗？收集了各方的【小道消...

本文旨在解释多模态大语言模型的工作原理。此外，还将回顾并总结最近几周发布的十几篇多模态研究论文和模型（包括Llama3.2）的内容，以比较它们的不同实现方式。一、多模态大语言模型是什么？多模态大语言模型（MultimodalLargeLanguageModels，简称MultimodalLLMs）是一种能够理解和生成多种类型数据的模型，包括文本、图片、音频和视频等。这些模型可以跨越不同的数据形式，进行信息的交互与生成。例如，传统语言模型只能处理...

1.KAN这种新型的网络架构的核心思想基于由柯尔莫哥洛夫阿诺德表示定理，它被寄予期望能够替代多层感知器。MLP在节点（“神经单元”）上具有固定的激活函数，而KAN在边上（“权重”）具有可学习的激活函数。KAN根本没有线性权重—每个权重参数都被参数化为一元的splinefunction。大白话的意思就是：KAN中的每个激活函数不是在每个节点，而是在每条边上。由一个一元函数（univariatefunction）组成，这些函数本身也是参数。意味着...

人工智能（AI）快速发展，模型训练是核心环节，优化器扮演着至关重要的角色，它负责调整模型的参数，让模型在数据上表现得更好。多年来，AdamW优化器一直是优化器的标杆，因其稳定性和高效性深受研究者和工程师的喜爱。然而，随着AI模型规模的不断扩大，训练成本和时间的需求也在激增，这让人们开始寻找更高效的优化方法。近期，一种名为Muon的优化器算法悄然出现（源代码​​​​https:github.comKellerJordanMuon​​​​），...

这篇主要会回答下面的问题（toolong，don'tread）：什么是OpenAIo1？——一个擅长数学物理化学生物编程等问题的理科学霸大模型OpenAIo1最大的技术特征是什么？——RL训练和推理，在传统COT之外隐藏了一个很长的内在COT，满足scalinglawOpenAIo1到底有多强？——断崖碾压GPT4o，达到人类竞赛选手，以及博士生水平。人们更喜欢GPT4o还是OpenAIo1——文科方面o1没有优势，理工科方面碾压GPT4oOpenAIo1的安全性怎么样？——相比4o优...

今天给大家分享一篇非常出色的综述论文，总结了当前MultiAgentEmbodiedAI（多智能体具身智能）的研究进展。这篇文章不仅回顾了超过300篇相关论文，还从多个角度探讨了这个快速演化的领域将如何影响我们对智能体未来的构建方式。为什么MultiAgentEmbodiedAI很重要？当前的大多数研究仍然集中在单一智能体的范式上。但我们所生活的真实世界却远比“一个智能体”复杂得多——它是开放的、异质的、动态变化的。这篇综述论文强调了协...

文生图、文生视频，视觉生成赛道火热，但仍存在亟需解决的问题。微软亚洲研究院研究员古纾旸对此进行了梳理，他认为视觉信号拆分是最本质的问题。生成模型的目标是拟合目标数据分布，然而，目标数据分布过于复杂，难以直接拟合。因此，往往需要将复杂的信号做拆分，拆分成多个简单的分布拟合问题，再分别求解。信号拆分方式的不同产生了不同的生成模型。此外，针对一些热点问题他也展开进行了分析，一共六大问题，例如diffusion...

资深机器人专家EricJang不久前曾预言：“ChatGPT曾在一夜之间出现。我认为，有智慧的机器人技术也将如此。”3月13日深夜，一段人形机器人的视频开始热传。在视频中，Figure的人形机器人，可以完全与人类流畅对话，理解人类的意图，同时还能理解人的自然语言指令进行抓取和放置，并解释自己为什么这么做。而其背后，就是OpenAI为其配置的大型语言模型。由于OpenAI模型还支持多模态输入，因此可为Figure提供高级视觉和语言智能。...

多年来，我们一直在AI领域进行深入投资，将其作为改进我们所有产品的唯一最佳途径。我们对取得的进展感到非常兴奋，例如，您可以在GoogleLabs试用我们的搜索生成体验（SGE）。AI现在也是近年来我们发展迅速的两项业务的核心：我们的Cloud和Workspace服务，以及我们广受欢迎的GoogleOne订阅服务，其订阅用户数量即将突破1亿。当前最领先的水准去年12月，随着Gemini时代的开始，我们在让AI更好地助力每个人的道路上迈出了重要的一...

编译丨诺亚出品51CTO技术栈（微信号：blog51cto）上个月，成立不久的初创公司Cognition推出了全球首位“AI工程师”——Devin。凭借自动生成代码、调试错误及自行部署应用等能力，Devin充分实现了软件开发过程的部分自动化，因此一经发布就引起了热议。当然，提到AI自动化编程，Devin并不是唯一选择。下面将盘点六种Devin的替代方案，供君参考。1.DevikaDevika是由Lyminal和Stition.AI创始人MufeedVH（Hamzakutty）研发的一款开...

从最新的两款AI设备出发，探讨AI控制人心的力量。两款引发深思的AI设备​Moflin是一种人工智能的情感支持宠物，它能提供真实动物的所有温暖和依恋的感觉，同时省去了喂养、散步等实际照顾它的负担。这只龙猫型毛绒球的设计公司卡西欧（Casio）声称，Moflin会学习你的习惯，对你的情绪做出反应，并在省去任何现实负担的情况下提供陪伴。这是一种终极的无需承诺的关系。虽然普通的机器狗也会模拟情感，但Moflin在情感上是不断发展...

大数据巨头Databricks与哥伦比亚大学最新研究发现，在数学和编程任务上，LoRA干不过全量微调。具体来说，在这两种任务中，LoRA模型的精确度只有后者的八到九成左右。不过，作者也发现，LoRA虽然学得少，但是“记忆力”却更好，遗忘现象要比全量微调少得多。究其原因，作者认为是数学和代码任务的特性与LoRA的低秩“八字不合”，遗忘更少也与秩相关。但LoRA的一个公认的优势是训练成本更低；而且相比全量微调，能够更好地保持原...

作者VasekMlejnsky编译言征出品51CTO技术栈（微信号：blog51cto）构建人工智能代理很难。你将与幻觉作斗争，让agents智商不掉线，并引导他们使用正确的工具。不过，方法也不难，其中一种就是赋予代理代码执行能力。以下是为什么你的人工智能代理应该有一个代码解释器的一些原因。一、额外技能具有代码解释器的代理可以获得诸如对CSV文件执行统计分析或绘制图表之类的功能。当你向不同的代理请求相同的东西时，很明显，那些具有...

出品51CTO技术栈（微信号：blog51cto）作者LiamCrilly编译言征从GitHubCopilot到MicrosoftOfficeCopilot再到ChatGPT等，AI已经以光速从“总有一天我们会到达那里”转变为“你的AI战略是什么？”因此，组织正在迅速接受AI——创造增强的最终用户体验、降低的运营成本和竞争优势。围绕AI流程和工作流程构建的全新应用程序正在涌现。像大多数新的应用程序和服务一样，AI服务，如OpenAI或各种云提供商提供的服务，是通过API提供和消...

OpenAI早在2023年06月就推出了FunctionCalling，为大模型提供了工具调用功能。Anthropic在2024年11月推出了MCP，旨在标准化AI大模型与外部工具和数据源的交互。MCP是否要取代FunctionCalling？下文详细剖析。1、FunctionCalling架构设计FunctionCalling是由OpenAI等公司推动的一种技术，它允许大语言模型（LLM）通过自然语言指令与外部工具和服务进行交互，从而将自然语言转换为具体的API调用。这一技术解决了大语言模型在训练...