9月，智元发布世界—动作模型GE-Act2.0，将“预测未来”与“生成动作”整合进同一模型，训练数据从300小时扩展至3万小时，在陌生场景、陌生物体上不做额外训练直接测试，其中一款机器人总体成功率从17.1%提升至44.1%，陌生场景成功率提升约2.6倍。“这样做会发生什么？从“看懂世界”到“预演下一步”，答案正在GDPS2026的训练场和工位上，也在上海更多的实验室、门店和产线上，一个个场景的摸

当一家公司的模型能自己迭代自己，它和人类员工之间，就从"工具关系"变成了"替代关系"。王兴兴给了一个特别实在的判断标准，业内叫"双 80%"：当机器人能在 80% 的陌生环境里，靠一句语音或文字指令，顺利干完大约 80% 的活，具身智能就算迈过了 ChatGPT 时刻。他甚至坦白，过去十几年犯的最大错误，是"对 AI 的相信还不太够"，现在对 AI 的喜欢和相信程度，能翻 10 倍以上。第一，王兴

当一家公司的模型能自己迭代自己，它和人类员工之间，就从"工具关系"变成了"替代关系"。王兴兴给了一个特别实在的判断标准，业内叫"双 80%"：当机器人能在 80% 的陌生环境里，靠一句语音或文字指令，顺利干完大约 80% 的活，具身智能就算迈过了 ChatGPT 时刻。他甚至坦白，过去十几年犯的最大错误，是"对 AI 的相信还不太够"，现在对 AI 的喜欢和相信程度，能翻 10 倍以上。第一，王兴

软 token 是一串。

DSPy的核心理念是将LLM pipeline抽象为文本转换图（text transformation graphs这种方法受到深度学习框架（如PyTorch、Theano和Chainer）的启发，旨在为基础模型编程提供一个坚实的概念框架和强大的编程抽象。DSPy引入了三个关键概念：签名（Signature）：抽象化模块的输入/输出行为模块（Module）：替代现有的手动提示技术，可在任意pipe

VILA是一种视觉语言模型 (VLM)，使用大规模交错图像文本数据进行预训练，可实现视频理解和多图像理解功能。VILA 可通过AWQ4 位量化和TinyChat框架部署在边缘端。我们发现：（1）图文对还不够，图文交错是必要的；（2）在交错的图文预训练期间解冻LLM可以实现上下文学习；（3）重新混合纯文本指令数据对于提升VLM和纯文本性能至关重要；（4）令牌压缩扩展了#video 帧。VILA视频推

本研究对Claude 3.5 Computer Use 进行了全面的案例研究，评估了其在真实桌面环境中的能力和局限。研究贡献包括：提出了一个综合案例研究，涵盖了多种桌面任务和软件领域。引入了一个无Docker的跨平台代理框架，方便研究人员和开发者部署和基准测试GUI自动化模型。通过人工评估和深入分析，展示了模型在API基GUI自动化中的 advancements 和局限。

Memary是一个基于知识图谱的系统，通过集成Neo4j数据库来存储和管理用户历史交互数据。其核心目标是打破传统模型对有限上下文窗口的依赖，实现更高效的信息检索和处理。Memary通过创建语义关联的实体网络，使智能体能够深度学习用户的交互历史，从而提供更加个性化和相关的响应13。Memary项目通过构建一个开放源代码的长期记忆系统，显著提升了智能代理在处理用户交互时的能力。其基于知识图谱的设计、灵

本文介绍了在 CV 领域进入 Transformer 时代时具有里程碑意义的方法 MAE，通过随机 Mask 掉图片中较高比例 Patch，然后重构这些 Patch 的像素值，使我们能通过 Self-Supervised Pretraining 方式来预训练图像 Encoder 模型。与传统的 AutoEncoder 不同的是，MAE 采用了非对称设计：Encoder 仅在部分观测到的信号上操作（

esp32和stm32有什么异同和优劣，应用方面呢，请详细举例。