在人工智能技术发展最快的美国，人们对生成式人工智能的使用情况怎样？ 美国全国经济研究所（NBER）日前发布的最新一篇工作论文《The Rapid Adoption of Generative AI》给出了答案。NBER是美国最大的经济学研究组织，其发布的工作论文代表着经济学研究最新的成果。
如何处理小众数据，如何让这些模型高效地学习专业领域的知识，一直是一个挑战。斯坦福大学的研究团队最近提出了一种名为EntiGraph的合成数据增强算法，为这个问题带来了新的解决思路。
新型图基础模型来了—— AnyGraph，基于图混合专家（MoE）架构，专门为实现图模型跨场景泛化而生。
近日，在 2024 Inclusion・外滩大会 “超越平面思维，图计算让 AI 洞悉复杂世界” 见解论坛上，蚂蚁集团知识图谱负责人梁磊分享了 “构建知识增强的专业智能体” 相关工作，并带来了知识图谱与大模型结合最新研发成果 —— 知识增强大模型服务框架 KAG。
更好的效果，更低的价格，听起来是不是像梦呓？
AnyGraph聚焦于解决图数据的核心难题，跨越多种场景、特征和数据集进行预训练。其采用混合专家模型和特征统一方法处理结构和特征异质性，通过轻量化路由机制和高效设计提升快速适应能力，且在泛化能力上符合Scaling Law。
本文的主要作者来自香港大学的数据智能实验室 (Data Intelligence Lab@HKU)。
Emory大学的研究团队提出了一种创新的方法，将大语言模型（LLM）在文本图（Text-Attributed Graph, 缩写为TAG）学习中的强大能力蒸馏到本地模型中，以应对文本图学习中的数据稀缺、隐私保护和成本问题。通过训练一个解释器模型来理解LLM的推理过程，并对学生模型进行对齐优化，在多个数据集上实现了显著的性能提升，平均提高了6.2%。
深度了解Agentic Workflow，不要错过这20个智能体工作流开源项目 智能体工作流推进Agentic AI，20个开源项目深入了解Agentic Workflow Dify、FastGPT、LangGraph，20个开源项目助力Agentic Workflow创业 智能体工作流开源项目大盘点，
代码生成和补全任务做不完了？！
