🔥热榜:2025-06-18

从 0 到 1 打造 Labubu ,MiniMax Agent 让我看到了智能体未来的样子 今年上半年,最吊足胃口和期待的,莫过于 Agent 工具,饼画得都很大:日常中那些烧脑、重复、耗时间的任务,现在似乎只需要动动手指、敲几行 prompt 就能搞定。 大饼真的很诱人,但仔细想想:想要真的做到那么有用,需要的,是某 ……
本论文深入剖析了 SpeechLM 的技术架构,发现其由三个关键组件构成:语音分词器、语言模型和声码器。
上海AI Lab、人大高瓴等团队联合提出了MathFusion,通过指令融合增强大语言模型解决数学问题的能力。
MATP-BENCH是一个新推出的多模态自动定理证明基准,旨在评估多模态大模型(MLLMs)在处理包含图像和文本的几何定理证明中的能力。
上海人工智能实验室联合中国人民大学提出GRA框架(Generator–Reviewer–Adjudicator) 。
不同的阶段对于并发编程的禅修都有不一样的理解,而本次的进阶将更多维度是去强调并发编程所需要关注的一些基础问题和本质,希望对你有帮助。
箭头函数并非“银弹”,它并不能完全替代传统的 function 关键字。过度滥用箭头函数,尤其是在不理解其工作原理的情况下,会导致难以追踪的 bug 和意外行为。
通过动态构建类加载器、读取 spring.factories 并手动注册 Bean,我们成功在 Spring Boot 中实现了外部 Jar 的插件化加载。
糟糕的数据总是会产生糟糕的结果,对于AI来说,风险尤其高,因为不良数据可能导致严重的财务损失、监管罚款和声誉损害。如果数据质量高,能够推动计划成功,那么它可能会带来显著且可能改变游戏规则的战略优势。
想象一下,CPU 就像是一位忙碌的大厨,它需要各种食材(数据)来烹饪出美味的 “程序大餐”。而主存则像是一个巨大的食材仓库,里面存放着各种各样的食材。但是,这个仓库太大了,大厨每次去取食材都要花费很长时间,这就大大降低了烹饪的效率。
智能体本质上有三种"人格":客服型、专家型、顾问型。每一种都有自己的优势领域和适用场景。 理解这个差异,是用好AI智能体的第一步。
开发Dify插件时,发现本地部署的Docker无法使用IPv6网络,看看如何解决。
AM-Thinking-v1 以 32B 的规模,通过 post train 的方式,结合 SFT 和 RL,让模型突破了推理能力的边界。在数学推理和代码生成等领域展现惊人实力,挑战了大家对模型规模与性能的传统认知。
什么概念呢?我让它做一个旅游景点介绍网站,它不仅自己找资料、挑图片,还会用谷歌地图API,甚至发现地图有问题后,主动改成按钮跳转。
理解 LLM 的前沿领域涉及从机制上探究内部和从行为上探索外部之间的紧密相互作用。单靠任何一种都不足够:如果不知道要寻找什么,那么机械分析就像大海捞针;如果只进行行为测试而不深入探究内部,我们只能猜测原因。通过将两者结合起来,我们可以获得更全面的图景。
本文以实现MySQL数据库操作插件详细介绍开发Dify工具插件的全流程,并使用该插件搭建理财智能体,展示了Agent从语义理解到工具调用的完整决策链路。
研究者们指出,OpenAI 的“o”系列、Google 的 Gemini 2.5、以及 DeepSeek-R 等所谓“推理型大模型”,本质上并没有从训练数据中学习到可泛化的第一性原理。