你管这玩意叫AI陪聊？
你管这玩意叫AI陪聊？无论是芙宁娜，艾米莉娅，还是雷电将军，任何你喜欢的角色，比如哪吒，都可以直接把它塞进这个智能硬件里。
来自主题: AI资讯
5706 点击 2025-06-03 17:00
# 热门搜索 #
大模型
人工智能
openai
融资
chatGPT
搜索
无论是芙宁娜，艾米莉娅，还是雷电将军，任何你喜欢的角色，比如哪吒，都可以直接把它塞进这个智能硬件里。
发展教育大模型需要新的数据和评估体系！北京理工大学高扬老师团队推出EduBench，是首个专为教育场景打造的综合评估基准，涵盖9大教育场景、12个多视角评估维度、超4000个教育情境。通过多维度评估指标体系和人工标注一致性计算，确保评估可靠性，助力教育大模型发展，推动教育智能化。
IBM 于 6 月 2 日宣布已收购 Seek AI，这是一个允许用户使用自然语言查询企业数据的 AI 平台，具体收购金额未披露。
在机器人抓香蕉这个事情上，它们依赖的是手眼协调，靠视觉学习如何抓取香蕉。它们最有独创性的地方在于它不是因为我们教了它上千次如何抓香蕉，而是它从 Gemini 那里获得了关于“如何抓取物体”的知识，然后将这些知识应用到现实世界的动作中。
Trae国际版昨天上新了付费模式，本来没想着写付费教程，毕竟付费嘛，给钱就完了，但是我发现还真不是那么简单，我自己付费过程中也遇到了一些问题，同时呢，在官方群看到有好多小伙伴本来是想月付的，结果直接变成年付了，也就是直接付了90美刀，还没有退款渠道，只能给Trae官方发邮件，所以我还是写一个吧，给想付费的小伙伴提个醒也是好的。
YouWare是一个面向AI时代创作者的氛围编程平台，让非程序员也能通过AI将灵感转化为可视化网页并在线分享、协作。其自研AI Agent和Sandbox技术让创意「所想即所得」，推动AI编程从工具走向创作。
首个专为ALLMs（音频大语言模型）设计的多维度可信度评估基准来了。
OpenAI模型命名混乱没规律，以至于打开ChatGPT后，好多人都不知道到底该用哪个模型来完成任务。
人类的思维是非透明的，没有继承的记忆，因此需要通过语言交流的环境来学习。人类的知识传递长期依赖符号语言：从文字、数学公式到编程代码，我们通过符号系统将知识编码、解码。但这种方式存在天然瓶颈，比如信息冗余、效率低下等。
2009 年，Marc Andreessen 和 Ben Horowitz 在金融危机最深的低谷中创办了 Andreessen Horowitz（a16z），在硅谷人心惶惶、资本退潮的时刻逆势出击。那一年，美国只诞生了两家新风投基金，一家是传奇投资人 Ron Conway 发起的，另一家，便是他们。
长视频理解是多模态大模型关键能力之一。尽管 OpenAI GPT-4o、Google Gemini 等私有模型已在该领域取得显著进展，当前的开源模型在效果、计算开销和运行效率等方面仍存在明显短板。
2025第一季度刚刚过完，中国大模型“国产之光”已经可以预定一个年度关键词了。从DeepSeek走红全网，到Manus一夜爆火，再到宇树为代表的机器人让中外网友连连惊呼……毫无疑问，中国前沿科技，正在2025年成为全世界热议和肯定的焦点。
前段时间，OpenAI 研究员姚顺雨发表了一篇主题为「AI 下半场」的博客。其中提到，「接下来，AI 的重点将从解决问题转向定义问题。在这个新时代，评估的重要性将超过训练。我们需要重新思考如何训练 AI 以及如何衡量进展，这可能需要更接近产品经理的思维方式。」（参见《清华学霸、OpenAI 姚顺雨：AI 下半场开战，评估将比训练重要》）
互联网女皇、传奇投资者Mary Meeker，再度出山！
端午节前OpenAI发布了o3/o4-mini模型的Function Calling指南，这份指南可以说是目前网上最硬核权威的大模型函数调用实战手册，没有之一。
大模型时代，没人愿意缺席AI+医疗。
我朋友的表弟，过几天就要参加高考了。
编程智能体也有「进化论」！Transformer作者初创Sakana AI与UBC推出达尔文-哥德尔机（DGM），能自动改写自身代码，性能翻倍超越人工设计。还能跨语言迁移、发明新工具。AI要觉醒了？
网友挺生气。
大语言模型（LLMs）作为由复杂算法和海量数据驱动的产物，会不会“无意中”学会了某些类似人类进化出来的行为模式？这听起来或许有些大胆，但背后的推理其实并不难理解：
二者存在着根本的差异。
“新物种”爆发前夜。
新加坡国立大学等机构的研究者们通过元能力对齐的训练框架，模仿人类推理的心理学原理，将演绎、归纳与溯因能力融入模型训练。实验结果显示，这一方法不仅提升了模型在数学与编程任务上的性能，还展现出跨领域的可扩展性。
杯子在我的左边还是右边？
在多智能体AI系统中，一旦任务失败，开发者常陷入「谁错了、错在哪」的谜团。PSU、杜克大学与谷歌DeepMind等机构首次提出「自动化失败归因」，发布Who&When数据集，探索三种归因方法，揭示该问题的复杂性与挑战性。
生成式AGI已经颠覆了人们的生活，但AI工具并没有随着用户使用场景的融合而整合。各个赛道的头部玩家依靠独家的数据库发展模型，现有算力和数据量难以支撑多模态和跨业务领域拓展，急需形成用户粘性的市场竞争也使得AI的生成稳定性被优先考虑。
故事是这样的。
随着大语言模型 (LLM) 的出现，扩展 Transformer 架构已被视为彻底改变现有 AI 格局并在众多不同任务中取得最佳性能的有利途径。因此，无论是在工业界还是学术界，探索如何扩展 Transformer 模型日益成为一种趋势。
AI时代的护城河究竟在哪里？这个问题一直是这波AI浪潮中被大家广泛讨论的一个点。两年前，我没有找到这个问题的答案，所以在探索了半年AI创业后（可以看我23年的总结文章），我选择了做Advisor，接触更多的产品和创始人，试图从中找到这个问题的答案。
在过去的一周，这一方向的进展尤其丰富。有人发现，几篇关于「让 LLM（或智能体）学会自我训练」的论文在 arXiv 上集中出现，其中甚至包括受「哥德尔机」构想启发而提出的「达尔文哥德尔机」。或许，AI 模型的自我进化能力正在加速提升。
