现在 AI 能写代码、能画画，但你有没有想过，让 AI 去拧个瓶盖，为什么就这么难?因为拧瓶盖这件事，需要三个能力同时在线：眼睛-视觉（ision）: 它得先看懂——哪个是瓶子？哪里是盖子？盖子纹理是什么样？大脑-语言（anguage）：它得理解人类的指令——“拧开瓶盖”是什么意思？是顺时针还是逆时针？用多大力？身体-动作(ction)：它得精确地执行——手指要以多大角度抓住瓶盖？施加多大扭矩？这

最近多模态大模型的研究取得了巨大的进展。然而，这些模型在生成时存在着文本与图像不一致的问题，这个问题就是一直困扰研究者们的“幻觉难题”。▲给定一幅图像，MLLM会输出的回应，包括了物体层面和属性层面的幻觉。为了缓解这个问题，中科大开发了一种名为Woodpecker（啄木鸟）的新方法。这个方法可以从生成的文本中挑选出幻觉并进行纠正。具体来说，直接从模型给出的错误文本下手，“倒推”出可能出现“幻觉”之

无疑，将自然语言真正的链接到视觉世界是实现智能的关键一步，而 KOSMOS-2 则有力的推进了视觉与语言更深层次的联系，实现了对象级感知图像区域的新能力，并且具有不俗的语言理解与图像识别的能力。当具身的 AI 真正进入现实世界，Grounding Capability 将是一个真正的基础能力，KOSMOS-2 的出现一定可以让一窥具身 AI 的真正曙光！

今年 3 月份，阶跃星辰正式亮相时就一口气发布了三款大模型产品：综合性能超过 GPT-3.5 的千亿参数大模型 Step-1，千亿参数的多模态模型 Step-1V 和国内首款万亿参数模型语言大模型 Step-2 的预览版。除了自研应用，阶跃的 Step 系列模型正在获得越来越多开发者的选用，网红 AI 应用胃之书、国内首款 C 端 AI 电商应用物圆、AI 科研大模型专业社区 ReadPaper、

FinAgent作为一个金融交易代理，其创新之处在于其多模态、工具增强和泛化的特性。FinAgent通过其市场情报模块、反思模块和决策制定模块，能够处理多种类型的数据，并从中提取关键见解以指导交易决策。其在金融交易任务中的表现优于多个先进的基准模型，特别是在盈利能力方面取得了显著的提升。FinAgent的案例分析展示了其在复杂市场环境中进行决策的能力，以及其在风险管理和财务灵活性方面的战略远见。未

文 | 付瑶编 | 小轶最近多模态研究圈中出现了一个扬言 “史上最大规模”的多模态图文数据集：LAION-400。该数据集在今年8月完全公开，共计公开了 4亿图文对，可以依据不同的用途提供...

而后，智谱在CogView的基础上延伸，于2022年提出并开源了在业界颇具影响力的文生视频模型CogVideo，这项工作被Meta提出的 Make-A-Video、Google的 Phenaki 和 MAGVIT、微软的女娲 DragNUWA、英伟达的 Video LDMs 等视频生成模型所引用。而CogVideoX，则是在CogVideo的基础上做了进一步系统性的优化，不仅生成效果更好，而且推理

还记得前段时间刷屏朋友圈的Sora吗？它将生成视频的时长从几秒惊人地延长到前所未有的整整一分钟，惊艳了AI视频圈，不少人预言AI生成长达数小时的电影也指日可待。这不，浙江大学带着MovieDreamer走来了，再次刷新了视频生成的极限，将时长推向了小时级。MovieDreamer不仅可以塑造鲜活生动的角色，编织出连贯流畅的故事线，在画面上精雕细琢，每一帧的细节更是拉满。先来欣赏一下MovieDre

H20是高缓存、高带宽，但算力性能差，大约是华为昇腾910算力的一半，但缓存与带宽比910B高，其中带宽是华为昇腾 910B 的两倍，也即H20在互连速度方面更有优势，互连速度决定了芯片之间数据传输的速度。经销商销售的H20服务器预配置8颗 AI 芯片，售价 140 万元。，中国电信在 10 月份采购了价值约 3.9 亿美元的由华为芯片驱动的AI服务器，而中国联通在2022年也花费了至少2000万

这意味着所有支持 OpenAI API 的工具——Clawdbot、LangChain、LlamaIndex、各种 IDE 插件，改一行地址就能接入，不需要改代码逻辑，不需要换 SDK。华为昇腾全系列、摩尔线程、沐曦、昆仑芯，主流国产芯片全部原生适配，不是那种"理论支持、实际自己折腾"的适配，是真的插上卡就能认、拉下模型就能跑。如果你也踩过国产卡的坑，或者受够了昂贵的 API 账单，2 月 2 日