搜索
近日，MIT CSAIL 的一个研究团队（一作为 MIT 在读博士陈博远）成功地将全序列扩散模型与下一 token 模型的强大能力统合到了一起，提出了一种训练和采样范式：Diffusion Forcing（DF）。
随着人工智能技术的快速发展，能够处理多种模态信息的多模态大模型（LMMs）逐渐成为研究的热点。通过整合不同模态的信息，LMMs 展现出一定的推理和理解能力，在诸如视觉问答、图像生成、跨模态检索等任务中表现出色。
这是人类首次证明神经网络可以创建自己的地图。
Llama 3.1 终于现身了，不过出处却不是 Meta 官方。
当今的LLM已经号称能够支持百万级别的上下文长度，这对于模型的能力来说，意义重大。但近日的两项独立研究表明，它们可能只是在吹牛，LLM实际上并不能理解这么长的内容。
10万块液冷H100正式开工，马斯克19天建成世界最强AI训练集群。
谷歌提出了一种新的基于ML的大气环流模型NeuralGCM，比传统的基于物理的模型节省了几个数量级的计算量，计算成本降低了10万倍，相当于高性能计算领域25年的进步速度。对于2-15天的天气预报，这种方法比SOTA物理模型还要准确。
Llama 3.1又被提前泄露了！开发者社区再次陷入狂欢：最大模型是405B，8B和70B模型也同时升级，模型大小约820GB。基准测试结果惊人，磁力链全网疯转。
大模型技术席卷全球科技界，中国也迅速跟进这一浪潮，在诸多领域开始落地，提升了企业运营效率和消费者体验。然而，大模型企业也面临技术成熟度、成本、数据安全、行业差异、用户接受度等挑战，商业化仍然是一个摆在所有厂商面前的问题。
本次直播邀请到了两位在该领域深耕的创业者——语核科技的创始人兼CEO翟星吉，以及实在智能的合伙人、产品创新部负责人周春照作为嘉宾，讨论主要聚焦于AI如何利用Agent来引领企业自动化和智能化的新浪潮。我们深入探讨了Agent Workflow在重塑企业业务流程、提升效率以及创造新的商业机会方面的作用。
自从2007年MEMS（微机电系统，Micro-Electro-Mechanical System）麦克风和加速度传感器做到iPhone内，这个低调的工业品开始逐渐被人所熟知，成就了苹果、华为、三星、小米、OPPO等各种消费电子品牌。
产品和供应链的关系，如同“鸡生蛋和蛋生鸡”。
让“老年痴呆”被更早发现的AI医疗，正重获资本青睐
“未来会数以万计的社区店如水银泻地一样做到到社区去，只有这样，才是真正的零售4.0时代。”
“北有清华系，南有交大帮”，这种说法在AI大模型创业圈里流传甚广。放眼望去，中国AI大模型初创企业圈颇有被“清华系”“交大帮”包围的势头，这波AI创业门槛直接被拉升至学霸级别。
OpenAI的ChatGPT是全球工作中使用最多的生成式人工智能工具
7月初，在约翰霍普金斯大学，资深科技记者、播客Pivot的联合主持人Kara Swisher与OpenAI CTO Mira Murati展开了一场火药味十足的对话，计算机科学家、斯坦福大学教授李飞飞也加入了提问阵营，他的另一个身份是Google云人工智能和机器学习首席科学家
但和以前相比，回归后的Q房网已经有些不同。
不用H100，三台苹果电脑就能带动400B大模型。 背后的功臣，是GitHub上的一个开源分布式AI推理框架，已经斩获了2.5k星标。
超逼真的机器人小镇来了！ 在这里，机器人可以像人一样在超市里购物
苹果最新杀入开源大模型战场，而且比其他公司更开放。 推出7B模型，不仅效果与Llama 3 8B相当，而且一次性开源了全部训练过程和资源。大模型，AI，苹果AI，苹果开源模型
万万没想到，Mac变成AI PC，原来就差了一个豆包电脑版。
看到AI检测系统里，毕业论文成片的红色和黄色时，舒然感到“欲哭无泪”。她在心里反问自己：难道我长得这么像AI吗？
近日，北京经济技术开发区（北京亦庄）发布全域人工智能之城建设方案，启动人工智能十大应用场景。其中在交通出行领域，北京鉴智科技有限公司（以下简称“鉴智机器人”）用AI技术为汽车赋能，使得包括自动驾驶在内的整车智能化成为可能。
面对加速袭来的AI浪潮，“一刀切”地禁用AI并不现实，需分类、分情况讨论以厘清AI创作的边界，特别是要区分“人工智能辅助”和“人工智能主导创作”的界限
Scaling Law还没走到尽头，「小模型」逐渐成为科技巨头们的追赶趋势。Meta最近发布的MobileLLM系列，规模甚至降低到了1B以下，两个版本分别只有125M和350M参数，但却实现了比更大规模模型更优的性能。
巴黎奥运会期间，谷歌将首次携NBCUniversal，利用Gemini让AI技术走进赛场，为观众带来前所未有的观赛体验。
小模型强势来袭，「大模型时代」或将落幕？
多模态大模型（Multimodal Large Language Models，MLLMs）在不同的任务中表现出了令人印象深刻的能力，尽管如此，这些模型在检测任务中的潜力仍被低估。
数据是大语言模型（LLMs）成功的基石，但并非所有数据都有益于模型学习。
