并行 Agent 正在成为扩展 AI 的一个重要新方向。AI 的能力在过去依靠更多的训练数据、训练阶段的计算量，以及推理阶段的计算量不断提升。如今，让多个 Agent 并行运行正在成长为进一步扩展和提升性能的一种方法

本次大模型训练使用的数据集是原用于训练Paddle的PPLCNET模型的数据集中的图片，排除了部分类别后，剩余总类别为3600类，每个类别（菜品）用独立文件夹区分存储。但原数据集并没有特别完善的中文菜名，如使用英文+数字的命名或使用主要食材进行命名，因此，本次数据集的构建采用了如下过程进行二次构建。

我们正身处一个波澜壮阔的时代剧变前夜。国际局势风云变幻，地缘政治博弈加剧，全球贸易与科技领域的摩擦频发，这些表象之下的深层动因，归根结底是对未来全球秩序主导权、核心资源与财富分配权的激烈争夺。历史上的每一次重大技术革命前夕，社会结构往往呈现出类似的失序与阵痛，这并非偶然，而是旧范式渐趋瓦解、新范式尚未完全确立的必然过渡期。当前全球社会所面临的种种挑战与不确定性，恰恰昭示着一场深刻而广泛的社会调整已

本文介绍了一种名为ProAgent的新框架，它利用大型语言模型（LLMs）来构建能够在多智能体系统中有效合作的任务执行者。面对传统的学习方法难以应对与未知队友进行零样本协调的问题，ProAgent通过分析当前情境、推断队友意图并根据实际互动调整策略，展现了出色的适应性和协调能力。该框架不仅提高了任务表现，而且由于基于自然语言处理，使得其推理和计划过程具有良好的可解释性和人类友好性。

基于大型语言模型（LLMs）的智能体系统在各种自动化任务上展现出接近人类的表现。然而，尽管这些智能体系统都使用了LLM ，但不同智能体系统推理框架不同，其引导和组织推理过程也将形态各异，进而直接影响最终的推理效果。通过对现有不同场景下智能体推理架构的调查研究，比较这些架构在不同场景下如何主导推理过程，总结智能体架构特征与场景需求的匹配规律，将有助于在不同场景下选择合适的智能体架构。

昨天分享 Agent Infra，一个好的 Infra 已经可以让Agent自动进化了。然后，我去搜索了一下相关的开源框架，然后还真找到了一个。 仔细研究了一下原理，今天给家人们分享一个自我进化的智能体，到底是怎么做出来的？

想象一下：当询问电商客服“我的订单为何还未发货”时，聊天机器人能依托大模型生成自然语言回复，解释物流延迟原因。但要自动核查库存、触发补发流程并同步告知用户，就必须依赖AI Agent的自主行动能力。这一差异揭示了当前AI技术的两大核心分支——大模型与AI Agent的本质区别：前者是“语言专家”，擅长理解与生成文本；后者是“行动执行者”，能基于目标完成决策与任务落地。二者并非替代关系，而是在协同中

现有的基于无监督蒸馏的方法依赖于编码和解码特征之间的差异来定位测试图像中的异常区域。然而，仅在正常样本上训练的解码器仍然能够很好地重建异常补丁特征，从而降低了性能。这个问题在无监督多类异常检测任务中尤为突出。作者将这种行为归因于解码器的“过度泛化”（OG）：多类训练中补丁模式的多样性显著增加，增强了模型对正常补丁的泛化能力，但也不可避免地扩大了对异常补丁的泛化。

检索增强生成系统（RAG）正从早期“检索+生成”的简单拼接，走向融合 **自适应知识组织**、**多轮推理**、**动态检索** 的复杂知识系统（典型代表如 *DeepResearch*、*Search-o1*）。但这种复杂度的提升，使科研人员在 **方法复现**、**快速迭代新想法** 时，面临着高昂的工程实现成本。

检索增强生成系统（RAG）正从早期“检索+生成”的简单拼接，走向融合 **自适应知识组织**、**多轮推理**、**动态检索** 的复杂知识系统（典型代表如 *DeepResearch*、*Search-o1*）。但这种复杂度的提升，使科研人员在 **方法复现**、**快速迭代新想法** 时，面临着高昂的工程实现成本。