AI.x社区
- 登录/注册
默认
发布时间
热度
原创
精华
一文剖析基于 MCP 的 AI 应用技术架构全景视图：从基础实施层、云原生层、模型层、应用技术层、应用架构层
原创1、基于MCP的AI应用技术架构全景图MCP已经成为业界的标准，基于MCP的AI应用技术已经在具体的业务场景落地实践，本文通过梳理基于MCP的AI应用技术架构的全景视图，让你全面了解AI应用技术的各个层次，从基础实施层、云原生层、模型层、应用技术层、应用架构层、到应用层，如下图所示，揭示基于MCP的AI应用技术如何在不同的层面上协同工作，推动产业应用的落地。一、基础设施层AI大模型技术发展离不开坚实的基础设施支持，涵盖了G...MCPAI应用大模型NVIDIA发布Parakeet TDT 0.6B-v2：ASR新标杆
原创2025年5月，NVIDIA重磅发布其全新一代自动语音识别（ASR）模型——ParakeetTDT0.6Bv2。该模型具备0.6B参数，采用CCBY4.0商用开源许可协议，并以实时因子（RTF）达3386的惊人速度刷新行业纪录，标志着语音AI进入一个全新的高性能、低延迟时代。1.核心优势强大模型规模：600M参数的编码解码结构，结合FastConformer与TransducerDecoderTransformer(TDT)架构。极速处理能力：在NVIDIA硬件上，能在1秒内转录60分钟音频，速度超过多...NVIDIAASR语音Qwen3 一手肝帝实测！ 附示例，涉及推理、创作、数学和代码！
大家好，我是刘聪NLP。从Llama4陨落之后，国内开源模型是世界第一，谁赞成，谁反对！反对无效！应该也没人反对吧。模型尺寸、榜单指标、首个混合推理模型，这篇就不重复介绍了，去看我上一篇内容吧。这篇主要是针对Qwen3实测，看看真实测试效果到底如何！测试可以在两个地方都可以https:huggingface.cospacesQwenQwen3Demo或者https:chat.qwen.ai主要测试think和nothink两种情况。正式测试开始。常规测试Qwen32...Qwen3代码创作PaRT：小红书团队让AI平均对话时长显著提升21.77%
1.为什么要提出PaRT框架大型语言模型（LLMs）的突破性进展，正推动社交聊天机器人向更智能、更拟人的方向飞速发展。然而现有系统大多聚焦于情感化应答，却忽视了主动对话的艺术——那些仅采用被动应答策略的传统机器人，往往让用户陷入单方面推动对话的困境，最终导致互动索然无味。主动对话技术为此提供了破局之道。这类系统能像人类般主动开启话题（如"您最向往哪个旅游胜地？"），或在察觉用户兴趣减退时巧妙转场。但当前直...AIPaRT框架TreeHop：无需大语言模型的高效多跳问答新范式
项目仓库：https:github.comallenli1231treehopragArxiv:https:arxiv.orgabs2504.20114在人工智能领域，多跳问答（MultihopQuestionAnswering,MHQA）一直是一项极具挑战性的任务。这类任务要求系统通过多步推理，从不同文档片段中综合信息才能得出答案。例如，回答“特朗普的祖父是谁？”这样的问题，往往需要先检索“特朗普的父亲是弗雷德·特朗普”，再进一步查询“弗雷德·特朗普的父亲是谁”。然而，现有方法依赖大型语言模...大语言模型新范式分而治之：全面解析分布式分离 Inference 系统
一、背景大模型，如大语言模型（LLM）和大型多模态模型（LMM），正在改变自然语言处理和多模态任务的格局。然而，这些模型的Inference过程面临大计算、大内存、高时延等诸多挑战。为了应对这些问题，分布式分离Inference系统应运而生，旨在通过将模型的不同部分分开处理来优化性能。大体来说，大模型Inference经历了从单体到分布式，再到分离式的演进，并在继续发展中：1.单体Inference阶段（2020年前）：模型完整加载至单个设...分布式LLM多模态机器学习中的特征工程：轻松读懂数据的“化妆术”
想象一下，你去参加一个派对，精心打扮一番会让你更受欢迎；同样，经过特征工程处理的数据，会让模型表现得更好。今天，我们就用最通俗易懂的方式来讲解特征工程。No.1特征工程是什么？想象一下，你正在准备一场面试，你会精心挑选衣服、整理发型，甚至还会练习微笑和握手的方式。▲3D小人面试场景这些准备工作就像是特征工程，目的是让面试官更容易对你产生好印象。在机器学习中，特征工程就是对数据进行处理和转换，让模型更...机器学习数据信息MongoDB是如何玩转MCP的？
原创
社区头条编辑云昭出品51CTO技术栈（微信号：blog51cto）近日消息，知名数据库厂商MongoDB已在包括Atlas在内的所有数据库中添加了Anthropic的模型上下文协议（MCP），以帮助开发人员加速软件开发并管理数据库管理任务。自去年11月发布以来，MCP的受欢迎程度不断上升，它是一种开放协议，允许应用程序中的AIAgent通过客户端服务器机制访问外部工具和数据以完成用户请求，其中客户端是AIAgent或Agent接口，服务器提供工具和数据。MCP受欢迎...MongoDBMCP开放协议从数据到智能：小白如何训练出可靠的AI模型
原创 社区头条在当今数字化时代，人工智能（AI）已经渗透到我们生活的方方面面，从智能手机上的语音助手，到电商平台上精准的商品推荐，再到医疗影像诊断中的辅助分析工具，AI的身影无处不在。然而，这些看似神奇的AI应用背后，都离不开一个关键环节——AI模型的训练。如果你对如何训练AI模型还一知半解，那么这篇文章将为你揭开这层神秘的面纱。无论是企业决策者，还是技术爱好者，了解AI模型训练的原理和过程，都能帮助你更好地把握AI技术...AI模型的训练AI模型大模型深入探索 Model Context Protocol：从理论到实践
原创 精华在当今快速发展的技术领域，人工智能和机器学习的创新不断涌现。其中，ModelContextProtocol（MCP）作为一种新兴的开源协议，正逐渐成为研究和应用的热点。虽然目前人们更多地关注MCP在工具集成方面的表现，但其在上下文管理方面的强大能力，才是真正值得我们深入探讨的核心价值。一、什么是ModelContextProtocol？ModelContextProtocol（MCP）是由Anthropic开发的一种开源协议，旨在解决大型语言模型（LLMs）在处理上下文信息...MCP开源协议大型语言模型CVPR`25 | SOTA！首揭PCA解决长视频低质问题！FreePCA让长视频丝滑如电影！(中科大)
社区头条文章链接：https:arxiv.orgpdf2505.01172Git链接：https:github.comJosephTiTanFreePCA亮点直击首次揭示了PCA能够有效将视频特征解耦为一致的外观和运动强度特征，从而解决长视频生成中的不一致性和低质量问题。提出了一种技术，从整个视频序列的全局特征中提取主成分空间中的一致性特征，并逐步将其整合到通过滑动窗口获得的局部特征中，从而在保证视频质量的同时确保一致性。大量实验表明，本文的方法优于现有方法，...模型训练视频强化微调来袭！如何让AI真正“听懂”人类需求
原创 精华 社区头条在当今快速发展的AI领域，如何让模型更好地理解人类的需求并提供真正有价值的服务，一直是开发者们努力的方向。而强化微调（ReinforcementFinetuning）的出现，无疑是为这一目标带来了新的曙光。它通过结合人类反馈和强化学习，让模型能够不断调整自身行为，以更好地符合人类的价值观和期望。今天，就让我们深入探讨强化微调的奥秘，看看它是如何在现代AI开发中发挥重要作用的。一、强化学习：强化微调的基石在深入了解强化微调...微调强化微调强化学习重磅突破！只需一张图，一键生成沉浸式4D全景世界！HoloTime重塑VR/AR体验（北大等）
文章链接：https:arxiv.orgpdf2504.21650主页链接：https:zhouhyocean.github.ioholotime代码链接：https:github.comPKUYuanGroupHoloTime亮点直击全景动画生成器(PanoramicAnimator):提出两阶段运动引导生成策略，无缝转换全景图像为动态全景视频，在保留原始图像空间特征的同时支持下游4D重建任务。全景时空重建技术(PanoramicSpaceTimeReconstruction):通过前沿技术实现全景视频深度估计的时空对齐，利用4DGaussianSplatting...4D模型生成使用Llama 4和AutoGen构建一个AI智能体
原创 社区头条Meta的Llama4系列模型目前正主导不断发展的AI世界。这些模型凭借原生的多模态功能，正在彻底改变我们构建智能系统的方式。当Llama4与AutoGen结合使用时，它将充分发掘构建动态、响应迅速且强大的AI智能体的潜力。如果充分利用Llama4与AutoGen之间的集成，开发者可以创建能够高效推理、协作和适应的创新型AI智能体。我们在本文中将学习如何使用Llama4和AutoGen为特定应用场景构建AI智能体。为什么我们应该考虑使用Llama4？Llama4...Llama 4AutoGenAI智能体记忆机制、思维模式与跨领域推理
今日目录1、Nemotron：跨领域推理框架2、Qwen3模型运行与微调指南3、重塑AI记忆：分类法、操作与未来方向4、LLM在工程领域的突破：教模型设计高功率火箭5、ReXGradient160K：史上最大公开胸部X光数据集1、Nemotron：NVIDIA推出的跨领域推理框架图片最新研究表明，NVIDIA推出的NemotronCrossThink框架成功将自学习扩展到数学推理之外的多个领域。该框架通过系统地将多领域语料库（包括STEM、人文、社科等）纳入强化学习训练，显...记忆机制思维模式领域AI Agent"社交网络"来了！最新研究揭示AI Agent通信协议全景图
就像互联网需要TCPIP和HTTP协议一样，AIAgent之间的协作也需要标准化的通信协议。本文带你深入了解AIAgent协议的现状与未来，看看学术界是如何构建Agent之间的"社交网络"的。图片1、AIAgent通信协议：打破信息孤岛的关键一步你有没有想过，当ChatGPT、Claude这些AI助手需要互相交流、协作时，它们该如何"对话"？随着大语言模型(LLM)的迅猛发展，各种AIAgent已经广泛应用于客户服务、内容创作、数据分析甚至医疗辅助等领域。然而...AIAgent通信协议震惊！强化学习训练后，大模型推理“天花板”反而降低了？清华研究揭示RLVR局限性
大家好，我是HxShine今天分享一篇来自清华的文章，标题为：“DoesReinforcementLearningReallyIncentivizeReasoningCapacityinLLMsBeyondtheBaseModel”(强化学习真的能激励大型语言模型(LLM)产生超越基础模型本身的推理能力吗？)。这篇文章研究的问题：可验证奖励的强化学习（RLVR）真能够使LLM持续自我改进，获得超越其对应基础模型的新推理能力吗？（即强化学习能提高base基座模型的天花板吗？）。研究者通过使用passk指标（...大模型RLVR局限性无需标注数据！TTRL用“少数服从多数”解锁大模型测试时强化学习新范式
社区头条今天分享一篇来自清华大学和上海人工智能实验室的文章，标题为TTRL:TestTimeReinforcementLearning（测试时强化学习）。这篇文章探讨了一个重要且具有挑战性的问题：如何在没有显式标签（groundtruth）的情况下，利用强化学习（RL）在测试阶段提升大型语言模型（LLM）在推理任务上的性能。核心挑战在于测试时无法获得真实的奖励信号。研究者们发现，像多数投票（majorityvoting）这类在测试时扩展（TestTimeScaling,TTS）中常用...TTRL大模型测试大模型应用开发新范式：深入解读MCP协议设计思想
原创MCP能解决什么问题我们之前开发LLM应用的时候，这个应用不仅基于已有的知识库对话，还和外部连接访问数据和使用工具：访问google进行内容检索访问youtube进行视频检索调用公司内部的CRM接口我们在LLM应用内部做了很多的粘合工作，在之后如果我们要新开一个LLM应用，如果还需要使用这些工具怎么办呢？我们可以引入一个中间层，把这些能力放在中间层中，LLM应用只负责和中间层打交道。这其实就是MCP做的事，MCP可以用来简化LLM应...MCP大模型应用Agent算力革命：智能时代的技术突围与产业重构（上篇）
社区头条一、算力爆发：智能时代的生产力跃迁1.1算力规模的指数级增长在人工智能大模型训练需求的驱动下，全球算力正经历前所未有的爆发式增长。根据IDC数据，2022年中国智能算力规模达259.9EFLOPS，预计2027年将突破1117.4EFLOPS，五年复合增长率达33.9%。以GPT4为代表的万亿级参数模型单次训练所需算力达10²³FLOPS，较GPT3提升10倍以上。从2012年到2018年，AI计算需求激增30万倍，而生成式AI的爆发进一步加速了这一趋势。劲速云算力...劲速云顶作AI
