智能算力中心技术探索系统层面的融合计算技术探索，主要讨论大规模数据中心级的融合技术，以及新型计算模式的融合。

具身人工智能（Embodied AI）对于实现通用人工智能（AGI）至关重要，并且是连接网络空间和物理世界的各种应用的基础。最近，由于多模态大模型（MLMs）和世界模型（WMs）在感知、交互和推理能力方面表现突出，它们受到了广泛关注，成为了具身智能体大脑的潜在架构。然而，在MLMs时代，尚没有针对具身人工智能的全面综述。在本综述中，我们对具身人工智能的最新进展进行了全面探讨。我们的分析首先通过具身

OS Agents：基于大型语言模型（MLLM）的操作系统Agent最新研究进展，提供了相关论文、框架、评估基准和安全隐私方面的资源。

SFT中文释义为：一种通过监督学习进行模型微调的方法。``RLHF的释义为：一种利用人类反馈进行强化学习的方法，该方法通过收集人类对模型输出的反馈；然后使用这些反馈来优化模型的行为。说白了，不论是SFT还是RLHF的目的只有一个，那就是让模型变得更好。‍‍‍‍‍‍‍SFT——监督微调_‍‍‍‍监督微调的原理很简单，就类似于学生上学，不论题目做的是对是错，老是都会告诉你一个正确的结果，也就是答案。监

在模型训练完成后，使用训练好的模型对新数据进行预测或生成的过程。

作为360鸿图大模型的重要组成，智脑模型拥有多项核心功能，包括多模态理解、多语言处理、知识问答、逻辑推理、多轮对话等。九天人工智能平台提供人工智能算力、算法、数据，汇聚优秀AI能力，打造从智算基础设施、核心算法能力到智能化应用的全栈人工智能服务，全面支持自智网络等多样化运营商智慧运营需求，为工业、医疗、政务、教育、金融等行业客户构建创新解决方案。此外，360智脑模型还积极与各行业合作伙伴共同打造行

利用针对特定任务的预训练模型和自定义 Prompt 进行情境学习在自然语言处理任务中取得了显著的成功。在此基础上，最近的研究将类似的方法应用于"一次性"框架中的Segment Anything Model（SAM），其中只使用一张参考图像及其标签。然而，这些方法在医学领域面临局限性，主要原因在于SAM对视觉 Prompt 的基本需求和生成过程中对像素相似度的过度依赖。这种依赖可能导致（1）不准确的

最近的研究表明，利用点云和图像来定位异常具有很大的潜力。然而，这些方法在工业制造中的应用往往受到显著的限制，例如使用内存库会导致内存占用和推理时间的大幅增加。作者提出了一种新颖的轻量级快速框架，该框架通过学习在正常样本上将一种模态的特征映射到另一种模态，并通过观察到的特征与映射特征之间的不一致性来检测异常。大量实验表明，该方法在MVTec 3D-AD数据集上实现了最先进的检测和分割性能，并且在标准

多模态如今是越来越火了，与之相关的研究方向在各大顶会基本都成了投稿热门，趁着这波风向，我也给想发论文但找不着idea的同学推荐一个创新思路：迁移学习+多模态融合。这种结合可以轻松搞定提高性能这一核心问题，通过将源领域学习到的多模态知识迁移到目标领域，就可以快速适应目标领域的任务需求。不仅如此，这种在不同模态之间实现更有效知识传递和信息融合的能力，也能提高模型在新任务上的准确率。比如胸部X光模型Mu

非结构化数据，如文本文档和网页，蕴藏着大量有价值的信息。挑战在于如何挖掘这些见解，并连接分散来源之间的点。知识图谱将这些非结构化数据转化为结构化表示。它们绘制出关键实体、关系和模式，支持高级语义分析、推理和推断。知识提取流程但是，如何从一堆非结构化文本文档构建一个有组织的知识图谱呢？以前，这需要耗时的手动工作，但大型语言模型（LLM）使得自动化大部分过程成为可能。在这篇博客中，我们将探讨一种简单但