1月8日·科大讯飞引领AI智能体市场新趋势

77 0 0

1月8日·周三 AI工具和资源推荐

AI智库导航-aiguide.cc为您提供最新的AI新闻资讯和最新的AI工具推荐，在[图片]这里你可以获得用于营销的AI聊天机器人、AI在商业管理中的应用、用于数据分析的AI工具、机器学习模型、面向企业的o g zAI解决方案、AI在商业客户服务中的应用、AI和自动化工具等。

科大讯飞引领AI智能体市场新趋势

科大讯飞在CES大会后迅速升级其办公智能体矩阵，推出了一系列创新产品，涵盖PPT制作、公文写作、会议纪要、短视频制作等多个办公场景。这些智能体产品基于讯飞星火大模型技术，通过自动化和智能化的方式，极大地提升了工作效率，为企业和个人带来了全新的办公体验。科大讯飞的这一举措不仅展示了其在AI领域的技术实力，也预示着AI智能体将成为未来办公的重要趋势。随着AI技术的不断进步，预计到2028年，全球AI智能体市场规模将达到285亿美元，展现出巨大的市场潜力和商业价值。来源：微信公众号【新智元】

英伟达Cosmos平台引领物理AI发展，华人学者贡献显著

在2025年CES大会上，英伟达CEO黄仁勋重磅推出Cosmos平台，标志着AI发展进入物理时代。Cosmos是一个世界模型平台，包含一系列开源、开放权重的视频世界模型，参数量从4B到14B不等。这些模型基于2000万小时视频数据训练而成，分为扩散和自回归两类，可生成逼真的合成数据，助力机器人、自动驾驶汽车等物理AI系统突破数据瓶颈。目前，Cosmos已吸引1X、Agile Robots、Agility、Uber等多家领先企业成为首批用户。黄仁勋表示，Cosmos旨在让物理AI普及化，让每个开发者都能便捷地使用通用机器人技术。值得一提的是，华人学者在该项目中扮演了中坚角色，部分小组如Prompt Upsampler甚至全员为华人。技术报告详细介绍了Cosmos的构建过程，包括预训练和后训练世界基础模型的范式、视频数据整理pipeline的开发以及基于Transformer的扩散模型和自回归模型的设计等。英伟达还推出了Cosmos Tokenizer，提供卓越的视觉重建质量和推理效率，助力物理AI构建者更好地推进系统开发。来源：微信公众号【机器之心】

港大Aria-UI引领纯视觉人机交互新突破

香港大学联合Rhymes AI推出的Aria-UI在人机交互领域取得了重大进展。该技术通过纯视觉理解方案，实现了对图形用户界面（GUI）指令的精准定位，无需依赖后台数据，简化了部署流程。Aria-UI在AndroidWorld和OSWorld等权威基准测试中表现出色，分别获得第一名和第三名，超越了业界领先的Claude 3.5。其创新的MoE（Mixture of Experts）架构，仅激活3.9B参数，实现了高效推理和广泛适配，支持在资源受限场景下的灵活部署。Aria-UI的开放生态策略，全面开源模型权重与训练数据，使其成为跨平台自动化的新范式，为未来人机交互提供了更智能、更实用的解决方案。来源：微信公众号【新智元】

RLHF并非真正的强化学习，LLM仍缺乏内在目标

德克萨斯大学奥斯汀分校助理教授Atlas Wang在其博客中指出，基于人类反馈的强化学习（RLHF）和其他类似方法并未为大型语言模型（LLM）带来真正的强化学习（RL）。RLHF主要通过单步或几步优化调整模型输出以符合人类偏好，而非在动态环境中进行多步骤策略调整。其通常离线或半离线进行，缺乏实时环境反馈和策略更新。因此，尽管RLHF可改善模型对齐性和输出质量，却不能赋予LLM真正目标或意图，使其“想要”赢得游戏，LLM本质上仍是基于上下文预测下一个token的统计系统。文章还探讨了RLHF与经典RL的区别、为何未大规模为LLM做“真正的RL”等问题，指出LLM没有“目标驱动”的后果包括简化对齐、难以委派开放式任务和潜在创新缺失等。未来，若将LLM集成到实际多步骤RL框架中，或许能接近真正的智能体行为，但这需要大量资源、精心环境设计和强大安全措施。来源：微信公众号【机器之心】

腾讯AI Lab与上海交大揭示o1模型过度思考问题

腾讯AI Lab与上海交通大学的研究团队近日发表了一篇论文，探讨了o1类长思维链模型在推理过程中存在的过度思考问题。o1模型通过模拟人类的深度思考过程，在思维链中运用自我反思、纠错等策略，展现出强大的长时间推理性能。然而，研究发现，在处理简单问题时，o1模型及其类似模型往往会生成过长的思维链，消耗大量计算资源。例如，在解决简单的数学问题“2+3=？”时，o1模型消耗的推理token数量远超传统模型。研究团队通过分析模型的解答数量分布和首次得到正确答案的位置，发现这些模型在超过90%的情况下，都能在第一次尝试中成功输出正确答案，后续的多轮思考对答案正确率的提升几乎没有实质性贡献。为缓解这一问题，研究者提出了几种优化方法，如通过偏好优化算法鼓励模型生成更精简的回复。实验结果表明，这些方法能够在保持模型性能的同时，大幅减少输出的token数目以及平均解答轮数，有效提高产出效率和过程效率。这项研究不仅提升了o1类模型的推理效率，也为未来更高效、更智能的推理机制提供了重要的理论基础与实践参考。来源：微信公众号【机器之心】