你是不是也有这样的体验？用ChatGPT、文档问答机器人，刚开始觉得还行，但用久了发现它总是“死脑筋”，问同样的问题，答得千篇一律，甚至一错再错。你想：“要是它能记住我的吐槽和建议，下次别再犯同样的错就好了！”——恭喜你，这正是RAG反馈回路（Feedback Loop）的核心诉求。

一个共识是，AI 今年的大主题，是 Agent。

Moonshot AI是一家专注于通用人工智能领域的创新型企业，其核心产品Kimi智能助手搭载了先进的语言模型——moonshot-v1。该模型专门训练用于处理和理解自然语言及书面语言，能够根据用户的输入生成相应的文本输出。moonshot-v1的应用范围极为广泛，包括但不限于内容创作、代码生成、文本摘要、对话系统以及创意写作等。

今天我们讲两个方面的内容，使用大模型进行标书写作的一个简单开源项目，以及再看openai O1进展及LLM-Self-Correction机制。

在当今科技驱动发展的时代，**电子信息类、计算机类、自动化类、电气类和机械类**5大工科类专业，因其就业前景广阔、行业需求旺盛而备受关注。不管是高考志愿填报，还是大学专业分流，都是热门方向。

知识图谱（KGs）已经可以很好地将海量的复杂信息整理成结构化的、机器可读的知识，但目前的构建方法仍需要由领域专家预先创建模式，这限制了KGs的可扩展性、适应性和领域覆盖范围。

随着企业数字化转型的加速，数据管理和分析变得越来越重要。传统的指标管理平台虽然已经能够帮助企业有效地收集、计算、管理和展示关键指标，但在业务分析层面，面对日益复杂的数据环境和业务需求，单纯依靠人工分析已经难以满足高效、精准的管理要求。为此，将指标管理平台与AI大模型相结合，成为了一种新的趋势。本文将，探讨如何通过AI+的融合，实现指标检索、指标趋势查看、指标数据查询和指标归因分析等应用场景，助力企

摘要：智能体被定义为能够感知环境、做出决策并采取行动的人工实体。受汽车工程师协会（SAE）自动驾驶六级分类的启发，智能体也根据其功能和能力被划分为以下层级：L0——无 AI，具备工具（有感知能力）和行动；L1——使用基于规则的 AI；L2——用基于模仿学习（IL）/强化学习（RL）的 AI 替代基于规则的 AI，增加推理和决策能力；L3——应用基于大型语言模型（LLM）的AI 替代基于 IL/RL

近日，Google DeepMind发布了基于 Gemini 2.0 的具身推理模型Gemini Robotics-ER以及动作模型Gemini Robotics。Gemini Robotics-ER 通过增强的具身推理（ER）能力，将语义理解扩展至物理几何（如 3D 结构、物体位姿）和动态场景（如运动轨迹、接触效应），使机器人从“感知环境”升级为“理解物理规律”。例如，它能识别咖啡杯的把手并规划

医学图像分割技术的进步得益于深度学习技术的应用，尤其是基于UNet的方法，这些方法利用语义信息来提高分割的准确性。然而，当前基于UNet的医学图像分割方法忽视了扫描图像中器官的顺序。此外，UNet的固有网络结构不提供直接整合时间信息的能力。为了有效地整合时间信息，作者提出了TP-UNet，它利用时间提示，包括器官构建关系，来指导分割UNet模型。具体来说，我们的框架以无监督对比学习为基础的交叉注意