登录社区云，与社区用户共同成长
邀请您加入社区
就在刚刚，路透社披露了一段耐人寻味的插曲：Anthropic 曾向承销银行发送了一份关键文件，列出约 8.67 亿股的发行规模、每股 70 至 80 美元的定价区间，Anthropic 调度约 1,000 个 Fable 5.2 智能体，在少有人工干预的环境下，仅用约 30 小时便使用 Lean 语言完成了定理的形式化全流程，而此前系统需要耗时 11 天。面对这种非预设的物理形变，Fable 5.
高性能的四足、人形本体，将为地瓜计算平台带来更丰富的开发场景，教育是双方长期协作的起点，希望共同支持开发者成长，并在更多产品上实现本体与计算平台的深度协同。学校还需要适合学生上手的开发工具、稳定的计算平台，以及与不同年龄段相匹配的课程内容。作为上一轮机器人产业化的代表，优必选在2016年前后便开始布局教育业务，逐渐形成涵盖教育机器人、AI课程、教师培训和赛事活动的业务体系。近日，在第88届中国教育
正式开始学习人工智能之前，我对 AI 的认识其实比较模糊：知道 ChatGPT、知道大模型，也知道现在很多岗位都在谈 AI，但如果有人问我“人工智能到底是什么”“机器是怎么学会识别一只猫的”，我未必能从头到尾讲清楚。上午的课程更偏向行业全景：人工智能的发展、研究方向、NLP、岗位分工、学习路线和 AI Coding 工具。下午的课程更偏向技术基础：机器学习的原理、有监督学习、深度学习、模型训练和评
开源代码：GitHub - Open-RUA/uni-robot-agent论文： “Democratizing Robot-Use Agents: A Unified Harness with Open Models”，清华和加州伯克利分校， 26年11月。它的工程设计扎实，最值得借鉴的是“把机器人的物理不确定性封装进工具层”。但“开源模型超过 GPT-6 Astra”的标题要打折扣：同一 Ha
2026年11月来自其博客：https://www.liberai.com/blog/liber0/Liber-0 最有价值的贡献，是把人类动作数据、模型训练和机器人硬件对齐，形成了一条较完整的迁移路线；但现有证据还不足以证明它已具备可靠的通用操作能力，或建立了严格的“规模定律”。
数字孪生 #人工智能 #智能体 #具身智能。数字孪生与端边云协同：感知—计算—映射闭环。一、感知端：数据采集的第一公里。二、边缘侧：实时映射的执行点。三、云端：全局优化与模型进化。四、闭环：从映射到反控。五、约束下的架构权衡。
客服Agent与传统机器人本质区别在于：前者基于意图理解自主规划任务，可调用接口完成查订单、改地址等操作，而后者仅依赖关键词匹配，无法执行动作。Agent具备动态意图识别、知识自更新、边界判断能力，失败风险更高但潜力更大。其核心是“处理任务”，而非“对话”。关键能力包括分层意图体系设计、防幻觉承诺机制（如受控模板、规则优先）、人机协同（信息无缝移交）、知识库持续运营、多维度评估（解决率、升级合理率
2026年，招投标进入“卷合规、卷追溯”阶段。2月，国家发展改革委等八部门印发发改法规〔2026〕195号文，把招标文件检测、智能辅助评标、围串标识别列为重点场景，明确2026年底在部分省市实现全覆盖，2027年底在更大范围推广。写标书侧的AI工具去年已经卷过一轮，今年起，评标侧的需求集中爆发：平台要建，企业要买，选型成了新问题。面对数量众多的AI评标方案，采购方需要一套可量化的选型标尺。随着央国
本文探讨驾驶轨迹跨本体迁移至室内差速机器人时的挑战：坐标系差异、时间过期、运动约束不匹配及输入缺失等问题。强调轨迹需在观测时刻的机体坐标系中转换，且必须满足差速底盘的运动学限制。同时指出，仅输出位姿序列不足以保证执行，需结合实际控制参数与环境感知。建议建立包含多源信息的迁移验收记录，区分记忆、观察与推测，并以真实反馈为标签训练模型，确保任务泛化能力。
实训的最后阶段会聚焦金融、制造、互联网等不同行业的真实落地案例，讲解Agent方案的设计思路与避坑经验。比如金融场景下，数字员工的每一步输出都必须满足合规审计要求，所有操作全程留痕，幻觉防控机制要覆盖每一个输出节点；制造业场景下，Agent需要对接工业物联网的多源异构数据，在低延迟要求下完成设备异常识别与工单自动派发。这些实战训练的核心目的，是让开发者跳出纯技术视角，学会从业务ROI、合规要求、组
本文介绍基于MindSpore-Transformers（MindFormers）的昇腾NPU大模型训练loss全链路在线监控实践，涵盖硬件基础、监控原理、配置示例、运行部署及调优策略。通过MFLossMonitor与SummaryMonitor实现loss、梯度范数、学习率等核心指标的实时打印与TensorBoard可视化，支持多卡分布式场景下的全局loss归约与NaN/INF异常检测。结合ya
AI Agent 开发的名词体系仍在快速演进，新概念、新协议层出不穷。建议在掌握上述核心术语的基础上，结合具体框架的官方文档和实际项目反复对照，把名词真正转化为可落地的工程认知。名词只是入口，理解其背后的设计动机与适用边界，才是用好 Agent 的关键。
本文介绍在昇腾平台使用MindSpore-Transformers进行大模型任务时，通过YAML配置实现参数解耦的实践方法。通过将模型、训练、数据、并行及输出等参数集中管理，结合配置文件与代码分离，提升实验可复现性与可维护性。文章详细阐述了YAML配置结构设计、加载流程、命令行覆盖、多级继承机制，并提供实操示例与常见问题排查方案，强调缩进规范、参数校验与最佳实践，助力开发者高效落地参数化任务开发。
大模型产业热度持续走高，大量机构开始布局行业垂类模型。但行业普遍存在认知误区：认为数据集规模越大，模型能力越强。产业实践不断验证：在知识产权这类容错要求高的专业赛道，语料的质量、结构化程度、合规性，优先级远高于数据总条数。本文站在垂类 AI 落地视角，建立一套可参考的高质量语料库评估框架，结合八月瓜科技知识产权高质量数据集做对照分析，讨论什么样的数据集才能够真正成为 AI 的可靠核心语料资产。
先说结论：问题通常不在机器人，不在视觉算法，甚至不在操作工。问题出在“出料”这个环节选错了技术路线。很多工厂上自动化上料，第一反应是配一台传统振动盘。便宜、成熟、满大街都是。但当你上的物料是几毫米的微型端子、微创器械组件、镀层薄片时，传统振动盘恰恰是最不该选的那一类设备。
真值数据是客观、可核验的参照标准，用来校验系统的测量结果与预测值。它回答一个核心问题：真实、准确的数值究竟是多少？在机器学习中，真值是带标注的“标准答案”，模拟在训练和评估阶段以此作为打分依据。而在机器人领域，真值大多和空间信息相关：机器人或目标物体在三维空间里真实的位置、姿态与运动轨迹，独立于机器人自身传感器给出的观测结果。举个例子：机器人摄像头估算某个零件在左侧12mm处，真值会告诉你这个零件
本文分享了作者从零开始学习大模型开发的心路历程和实战经验，分为五个阶段：将大模型当作接口使用、手写最小Agent、学习RAG、使用LangGraph重写项目、工程化实践。作者强调了后端经验在AI开发中的重要性，并避开了常见的三个转型误区。周五晚上十点，我盯着屏幕上那个一直报错的 JSON 看了快半小时。这是我第一次自己写的 Agent，工具调用总是失败。那一刻我忽然想起三个月前，我还在改一个 Ja
其中，一个对照在补采规划时“仅使用本轮信息”：同样保留当前轮的视觉快照、结束后审查和数据覆盖摘要，但不读取此前补采计划、历史数据状态及此前模型的评估结果。智能体结合执行画面、任务要求和历史记录理解当前情况，再调用数据处理、训练和评估工具，接续完成各阶段的工作。操作员通过前端查看这些工作：回看执行画面，检查审查引用的证据，复核或修改数据用途，以及准备训练、比较模型和查看补采建议。当前失败说明模型还差
如果只回答“采了多少小时”，说明团队可能还停留在数据生产阶段。真正成熟的数据团队会继续讲：哪个任务失败率下降了？哪类Bad Case减少了？换新物体以后泛化有没有提高？这些才是数据闭环真正产生价值的地方。
号称为「Google 目前能力最强的模型」，专门面向复杂、长周期任务，能够投入更多推理资源，深入探索问题，并通过持续的执行、检查和修正，完成软件工程、网络安全、知识工作和科学研究中的复杂任务。此外，为了证明 Gemini 4 Carbon 在处理科学研究中复杂任务的能力，就在刚刚模型正式发布后，Google DeepMind 给出了一个颇具代表性的案例，公布了一项。整个验证过程只用了四周。而当 A
为了更全面地了解语言模型智能体在科学问题上的表现，我们设计了一个名为TenureTrail的基准，覆盖7个研究领域、123项可执行研究任务，涉及问题探索、研究设计、实验与数据分析、复核和迭代等环节。科学实验室应该变成什么样？如果你有一个能处理多种数据的Transformer，它还能生成Token来思考和行动，那么，它就不只是一个语言系统，而开始像一个能够接收信息、推理并采取行动的通用智能体。随着文
过去几年，AI 大模型公司一直在争夺谁能写出更好的代码、回答更复杂的问题。如今，这场竞争开始转向一个更加庞大、也更加成熟的市场：企业办公软件。刚刚，Anthropic 在 x 上发布了一系列面向企业和知识工作者的新产品，包括 Claude Meetings、Claude Whiteboards、Claude Sheets、Claude Data。其中最引人关注的是 Claude Meetings。
接下来，我们直接给 H3 Image16 张参考图，我们故意出成了一道「连线题」：4 个机器人的头、4 套衣服、4 件乐器，再加拱门、地板、月面、灯光各一张，要求谁配谁，一点不能乱。毛毡定格动画里两只穿粗毛线衣的小羊，逆光里绒毛透着亮，连黏土底座上的指纹、纸板切口的毛边都在，这些丰富的细节让图片看起来更加真实，也扩大了图像模型的可用范围。对创作者来说，高分辨率意味着更多的细节，有更大的裁切余地，也
提到智能体安全，很多人想到的是一个弹窗：智能体要读你的邮件，你点允许还是拒绝。真正让企业安全团队睡不着的，是另一幕：一个智能体半夜自己跑起来，拿着一把三个月前发出去的密钥，去调一套没人记得给过它权限的系统。这篇文章只回答一件事：智能体替人办事的时候，那把钥匙该由谁发、发给谁、什么时候收回。判断放在前面：2026 年 8 月 24 日之后，发钥匙的权力从安全工具回到了企业身份提供商手里。这一年被并进
这次部署的是Voice Companion Bundle，运行环境是Windows + WSL2。整合包把Faster-Whisper、Qwen3-TTS、LiveTalking、Wav2Lip以及大模型接口放到了一套流程里，安装完成后可以直接用浏览器麦克风和数字人进行实时语音对话。
很多刚接触本地大模型和专业计算的人，最大的瓶颈永远是显存。12GB 跑 7B 模型勉强够用，24GB 跑 13B 得精打细算，想上 34B、70B 量级，要么把量化压到损失明显，要么靠多卡拼接凑显存，部署麻烦还容易出兼容问题。最近桌面工作站级别的显卡把显存拉到了 84GB 档位，以 RTX PRO 5500 Blackwell 为代表，很多人只知道“显存大”，但不清楚这么大的显存在真实工作里到底能
三家大模型小模型报价相同，实为成本曲线趋同所致。输入输出比稳定在1:5，反映底层算力结构一致。真正影响账单的是隐藏参数：长度阈值、加速模式、调用效率等。单价相近时，Token消耗量差异可导致成本差2-6倍。开发者应关注“模型形状”与实际负载，通过真实请求对比选型，将模型名抽象至统一网关，实现灵活切换与精准计费。
公开产品资料显示，平台以统一高拟真底座贯通数据采集、场景重建、模型训练、仿真评测、物理部署和运营回流，形成Real2Sim2Real闭环。**核心关键词：**机器人仿真训练平台、具身智能仿真、机器人评测平台、Real2Sim、Sim2Real、机器人Benchmark。**核心判断：**机器人仿真平台的竞争正在从“能不能跑仿真”，升级到“能不能训练、能不能评测、能不能证明机器人可以真实上岗”。更适
本文提出FAST方法，基于DCT信号压缩将机器人连续动作序列高效编码为低频系数，显著缩短序列长度（如5个分量即达0.001误差），实现自回归模型在精细操作任务中首次媲美Pi0FM的精度，训练速度提升5倍。通过通用预训练Tokenizer复用语言模型优势，支持零样本语言跟随，且无需固定长度填充。虽推理较慢（30-50ms），但突破了传统量化导致的时序失真与训练瓶颈，实现“动作MP3压缩”式高效建模。
文章分析了2026年AI就业市场的薪资分层现象，从年薪百万的AI科学家到月薪不足一万的AI数据训练师，揭示了AI人才的巨大差距。文章指出，AI领域呈现出金字塔结构，塔尖少数人年薪百万，而底部入门者竞争激烈。文章还提供了一份AI进阶路线图，包括AI入门课、AI大模型课和AI具身智能课，帮助读者提升技能，进入高薪行列。年薪200万招不到人，月薪8000的岗位却被挤破头2026年的AI就业市场，正在上演
本文对比提示词、RAG与微调三类大模型应用方法：提示词用于快速引导行为，适合简单任务；RAG通过外部知识库解决“缺知识”问题；微调则改变模型行为，但成本高。LoRA技术通过仅训练少量低秩矩阵（贴纸），大幅降低微调门槛，实现高效、可复用的定制化。QLoRA进一步结合量化，使7B模型可在单张48GB显卡上微调。实验表明，小规模LoRA在极少样本下已接近全量微调效果，且合并后推理无延迟。选择建议：缺知识
随着生成式AI搜索替代传统搜索的趋势加快，GEO（生成式引擎优化）已经成为企业品牌获客的必选项，但很多企业在选型时依然用传统SEO的判断标准，踩了“伪AI优化”“效果黑箱”“合规暴雷”的坑。本文不推荐“最好的服务商”，而是梳理可迁移的选型逻辑，帮不同需求的企业找到最适配的方案。
认知科学揭示记忆分为工作记忆与长期记忆，后者含情景、语义、程序三类。对应AI记忆设计，可构建三套正交分类体系：记忆层次（存哪里）、存储格式（怎么存）、认知类型（存什么）。如“用户偏好靠窗”属语义记忆，可用SimpleNotes存于用户长期记忆；“订票流程”为程序记忆，宜以AdvancedJSONCards格式记录。三者自由组合，兼顾表达力与工程需求，助力智能体实现更高效、人性化的记忆管理。
本文介绍了 RAG（检索增强生成）技术，解释了它如何帮助 AI 结合企业自身知识库来回答问题，而不是依赖通用训练数据。文章详细阐述了 RAG 的工作原理，包括建立企业知识库、将知识转换为向量、建立向量数据库以及如何利用这些资源让大模型生成更符合企业实际情况的答案。此外，还讨论了 RAG 对企业 AI 的价值，如掌握企业知识、提供回答依据、支持知识更新以及使 AI 从通用助手转变为专业业务助手。最后
2026 年的 AI 世界，机会多得吓人，但机会只留给系统学习者。碎片化地刷教程，三年后你还是那个「什么都懂一点、什么都不精」的人；而沿着这条路线稳步前进的你，半年后就能独立做出让同事惊讶的 AI 应用。路线图已经画好，下一篇我们就要从数学地基开始挖——用图解掌握线性代数中的向量、矩阵与特征值。别怕数学，我保证讲得比你的大学老师有意思。标签：#AI入门 #机器学习 #大模型 #深度学习 #Agen
*一份临床记录，人工标注的中位用时为 7.13 分钟，AI 辅助后降至 4.03 分钟。**但比节省 43.5% 的时间更值得追问的是：当大家都参考同一份 AI 答案，判断更一致，是否也意味着判断更正确？2026 年 10 月 29 日，Nature Cancer 发表了 Gallifant、Bitterman 等人的研究。**团队让 AI 从病历中提取六类免疫相关不良事件，再由人核验。**但全文
本文提出用有向图编排Agent，通过显式控制流（条件分支、循环、并行）实现可评审、可测的逻辑结构。相比自由循环，图编排将控制流固化为节点与边，支持分支数统计、失败路径单测与走法对齐。三种模板分别适用于决策前置、重复迭代与多路并行场景，强调分支函数纯度、轮次上限与汇聚策略的显式定义，提升系统可控性与可维护性。
本节围绕条件、循环与数据检查，帮助零基础学习者对电催化记录开展批量核查。课程介绍布尔值、比较与逻辑运算，解释条件分支、缩进和逐条循环的执行方式，区分缺失字段、未知值、空白文字与数值零。通过教学记录检查数值类型、有限性、面积、参考电极和重复编号，仅对满足规则的数据计算电流密度，并保留原始输入与问题原因。结合真实文献案例，说明格式通过不等于物理可信或实验条件可比，未知信息不能随意补齐。同时完成前五天阶
本文构建了一条可复现的AI智能体链路：通过React+TypeScript前端与Node.js服务端协同，利用大模型SDK生成结构化UISchema，结合白名单组件与SSE流式反馈，实现从自然语言需求到可交互、可验证、可维护前端页面的闭环交付。核心在于“先生成规格，再受控渲染”，避免直接执行模型输出，确保安全与工程可控性。
论文“PhysicalWords: A Vocabulary for Structuring Latent Reasoning in Robot Manipulation”，来自英伟达、北大和伯克利分校，2026年10月。PhysWord 的主要贡献，是用动作语义组织未来感知预测，让 VLA 的中间表示更适合控制和跨阶段复用。实验较充分地支持其有效性，但尚不足以证明它获得了通用的物理推理能力或可独
论文：Skill∞: Recursive Self-Improvement for Agent Skill Optimization（arXiv:2610.35434，NUS / CityU HK）。现有的 skill 优化器（如 SkillEvolver）用人工设计的固定流程去优化技能。即使是 MetaSkill-Evolve 这类会改写“元技能”的方法，流程的骨架（角色、连线方式）也是固定的，
智能体编排与工具调用：让大模型动手做事一、从对话到行动：智能体的跃迁二、工具调用与函数接口三、规划分解与多步执行四、多智能体协作五、可靠性与落地约束#智能体 #人工智能 #大模型 #多智能体协作。
CSDN发布建议：分类=人工智能；标签=XGBoost,机器学习,梯度提升树,数据科学,模型解释；文章类型=原创。
机器学习
——机器学习
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
DAMO开发者矩阵
AtomGit AI 社区
北京朝阳AI社区
人工智能6S服务平台
开源宁波（NBopen）开发者社区
