作者从 AI 编程工具的演进谈起，揭示了从 Copilot 的代码补全到“氛围编程”的自然语言生成，再到当前的范式突破 —— 并行智能体。作者还坦诚分享了实际应用中的成功率分布，指出了智能体擅长与不擅长的任务类型，并强调了全栈技术、问题拆解和代码审查等技能在新工作流中的核心地位。当智能体需要跨多个代码库操作时，它们会失去对服务间交互、共享库与依赖关系的上下文认知，这将导致生成的解决方案在独立环境中

作者从 AI 编程工具的演进谈起，揭示了从 Copilot 的代码补全到“氛围编程”的自然语言生成，再到当前的范式突破 —— 并行智能体。作者还坦诚分享了实际应用中的成功率分布，指出了智能体擅长与不擅长的任务类型，并强调了全栈技术、问题拆解和代码审查等技能在新工作流中的核心地位。当智能体需要跨多个代码库操作时，它们会失去对服务间交互、共享库与依赖关系的上下文认知，这将导致生成的解决方案在独立环境中

作者从 AI 编程工具的演进谈起，揭示了从 Copilot 的代码补全到“氛围编程”的自然语言生成，再到当前的范式突破 —— 并行智能体。作者还坦诚分享了实际应用中的成功率分布，指出了智能体擅长与不擅长的任务类型，并强调了全栈技术、问题拆解和代码审查等技能在新工作流中的核心地位。当智能体需要跨多个代码库操作时，它们会失去对服务间交互、共享库与依赖关系的上下文认知，这将导致生成的解决方案在独立环境中

依我看 —— 观点 1（译者注：标准化产品（如 ChatGPT 的聊天框）已能满足多数用户需求）有一定道理，观点 2（译者注：LLM 推理成本的长期下降趋势是真实的）纯属扯淡，观点 3（译者注：若推理成本真能持续下降，订阅模式利润将显著提升）虽有可能但面临重大技术障碍与组织惯性阻力。唯一的风险在于"旗舰模型"可能会因调用量不足而缺乏实战验证 —— 这个隐患可通过在订阅制的聊天界面给用户使用这些“旗

正如OpenAI去年年底推出的ChatGPT在对话领域的重要地位，嵌入技术正在成为人工智能进步的重要基石。本文作者认为,嵌入技术与生成式方法以及基于人类反馈的强化学习相结合，将支持人工智能在自然语言理解和内容生成方面取得更大突破。通过介绍神经网络技术发展历程中的关键点,作者全面梳理了嵌入技术同神经网络共同演变的脉络,为读者呈现了嵌入技术在神经网络发展过程中所起到的作用，值得我们深入学习和思考。相信

然而，在目前已经发布的模型中，进行这种直接比较的寥寥无几。文中介绍在多数视觉领域测试中， Molmo 表现更优，Llama 3.2 V 在 MMMU 等文本相关任务中表现更好，目前多模态模型的开源定义仍需进一步探讨和完善，但 Molmo 是目前最接近开源的视觉模型。Ai2 推出了基于 Qwen 2 72B 打造的 Molmo 72B，基于 Qwen 2 7B 的 Molmo-7B-D，即将问世的基

”这样的问题时，期望的回答自然是“白色（white）”。仅需具备一定的 Python 编程基础，并对神经网络和 Transformer 架构有基本的认识，便能跟随本文的指引，观察 LLaMA 3 如何根据输入生成输出，见证它如何基于输入生成连贯且有意义的文本。—— 如前文所述，LLaMA-3 采用的是 tiktoken 库中的字节对编码（BPE）分词技术，这项技术是在一个包含了 15 万亿个 to

编者按：大模型的成本问题一直以来是大家重点关注的问题，本文重点讨论了训练大型语言模型（LLMs）需要的成本，并简要介绍什么是LLM以及一些用于优化大模型推理表现的技术。虽然很难准确预测LLMs未来会怎么发展，但可以肯定，如果成本问题得到解决，LLM会成为我们生活中不可或缺的一部分！以下是译文，Enjoy!

在 Workflows 中，智能体逻辑被封装在“步骤（steps）”中（与 LangGraph 中的“节点（nodes）”相对应），而事件（events）的发出和接收则负责在不同的步骤（steps）间传递信息。在这里，我还定义了一个额外的步骤——“prepare_agent”。选择一个智能体框架只是影响生成式人工智能系统在生产环境中表现众多决策中的一项，建立强大的安全保障和对大语言模型（LLM）的

编者按：当模型在生产中呈现的输入与训练期间提供的分布不对应时，通常会发生数据漂移。Vatsal P.的这篇文章，介绍了如何通过漂移指标直观了解数据漂移程度，并n通过一个使用合成数据的例子来展示如何利用Python计算数据随时间的漂移指标。