跳到正文
  1. MIT Technology Review AI87

    This smell startup says its AI nose is as good as a human’s

    在新泽西纽瓦克机场附近的一个实验室里,大约有30名人类嗅觉检测员正在逐步分析地球上所有气味。他们细致的笔记——如‘坚果味’‘桃子味’‘海洋味’——与化学分析结合,为AI初创公司Osmo称为‘世界首个基础’的项目生成丰富训练数据。

    推荐理由:请对照MIT Technology Review AI原文,核对完整说明及适用条件。

  1. Google AI Blog92

    Gemini Decisions API: Fast, calibrated multimodal decisions

    欢迎使用Gemini决策API,基于我们的先进模型Gemini Decision,实现快速、校准的多模态决策。

    推荐理由:请对照Google AI Blog原文,核对完整说明及适用条件。

  1. Simon Willison81

    llm-meta-ai 0.2

    发布:llm-meta-ai 0.2 Meta AI 发布 Muse Wonder(及 Muse Wonder Full),其新 '最强大模型'。这些看起来可能是 Meta 首次发布 Fable 类型模型——Artificial Analysis 将 Muse Wonder (Max) 评为与 GPT-6.1 Sol 相当。我更新了 llm-meta-ai 插件以适配新模型。Muse Wonder 的六种推理级别(最小、低、中、高、x高、最大)的 pelican 说明如下:最大者为对比,提供 Muse 1.3(于第 2 日发布)和 Muse 1.2(于第 5 日发布)的 pelican 说明。Meta AI 每月发布新模型,各模型间改进(至少在绘制 pelican 方面)显著。标签:ai,生成式AI,LLMs,Meta,骑自行车的pelican,LLM发布

    推荐理由:请对照Simon Willison原文,核对完整说明及适用条件。

  1. Apple Machine Learning Research86

    Self-Compacting Language Model Agents

    长代理轨迹由思维链和工具调用组成,积累过时内容,成为后续生成的锚点,最终超出上下文窗口。现有框架通过固定间隔压缩缓解此问题,触发条件基于令牌阈值。此类触发不关注轨迹结构,可能在推理或搜索中丢弃部分结果。我们提出SELFCOMPACT,一种框架,允许模型自身决定何时及如何压缩。具体而言,它结合两个推理元素:(i)模型调用的压缩工具,用于总结积累内容……

    推荐理由:请对照Apple Machine Learning Research原文,核对完整说明及适用条件。

  1. Apple Machine Learning Research83

    RISED: Rubrics for Agentic Multi-Environment Selection and Self-Distillation

    单个LLM代理在多样化的交互环境中联合训练已引起广泛关注,作为通用智能体的路径。现有课程和数据选择策略通常在环境层面分配训练或优先考虑本地奖励信号,而未明确考虑不同环境间当前 rollout 的关系,用于提示组选择。同时,由于环境学习速率不同,所有失败和所有成功 rollout 组可在一批中共存,导致数据无组相对奖励信号。

    推荐理由:请对照Apple Machine Learning Research原文,核对完整说明及适用条件。

  1. OpenAI News92

    A model guide for the GPT-6 family

    学习初创企业如何选择GPT-6模型,调整推理努力,提升提示和技能,协调工具,并为生产环境准备工作流。

    推荐理由:请对照OpenAI News原文,核对完整说明及适用条件。

  1. Cloudflare AI92

    Introducing Web Search API via AI Gateway

    Cloudflare AI Gateway 现已支持与 Ceramic.ai、Exa 和 Linkup 的原生 Web 搜索 API 集成。开发者可通过 AI Gateway、REST API 或 Workers 绑定实时注入网页上下文到模型推理调用。

    推荐理由:请对照Cloudflare AI原文,核对完整说明及适用条件。

已经到底了