“用AI畫一張‘穿著漢服的貓在月球上打太極’？”放在過去，這得先找參考圖、調風格、修細節，沒個半小時搞不定。現在，我只用了一句話+3秒，Seedream4.0就給我出了張能直接當海報的2K高清圖。這不是魔法，是我上周在Seedream4.0里真實體驗到的畫面。1.Seedream4.0是什么？簡單說，它是字節跳動Seed團隊剛發布的新一代多模態圖像創作模型，支持：?文生圖圖生圖多圖合成?4K直出，秒級生成?支持中文提示詞，甚至能寫對“螺螄粉...

這個工作講的是如何沉淀Agent過去的執行經驗，讓Agent性能越來越好。論文：https:arxiv.orgpdf2507.06229代碼：https:github.comOPPOPersonalAIAgentKB先看結果，提升很大。分別在GAIA、SWE上驗證了。內容蠻簡單，但是細節很多。沉淀Agent過去的執行經驗。那首先得有個經驗庫把，經驗庫怎么構造，怎么召回。有了經驗庫，他們又折騰了一個MultiAgent的系統。然后每個Agent里邊又有一個ReasonRetrieveRefine的流程。對應到下左圖...

在當今數字化時代，文檔處理和翻譯需求日益增長，尤其對于科研人員、學生以及企業專業人士來說，高效、準確地處理復雜文檔是提升工作效率的關鍵。今天，我要向大家介紹一款備受矚目的智能文檔處理工具——Doc2X。它以其卓越的性能和強大的功能，正在成為眾多用戶的首選。官網地址：https:doc2x.noedgeai.com日常接觸的知識庫源文件，大多都是PDF格式，尤其是包含掃描件、學術論文、產品手冊和財報的。這些文檔的特點就是——排...

在數字化時代，視覺信息在知識傳遞和決策支持中的重要性日益凸顯。然而，傳統的檢索增強型生成（RAG）方法在處理視覺豐富信息時面臨著諸多挑戰。一方面，傳統的基于文本的方法無法處理視覺相關數據；另一方面，現有的視覺RAG方法受限于定義的固定流程，難以有效激活模型的推理能力。來自阿里巴巴通義實驗室的最新研究成果——VRAGRL（EmpowerVisionPerceptionBasedRAGforVisuallyRichInformationUnderstandingviaIterativeReaso...

去年底的時候，筆者寫過，與其在RAG系統上雕花，可以重新思考一下，自己的業務場景是否非RAG不可嗎？隨著去年大模型的蓬勃發展，長度外推、更長的上下文模型，更厲害的中文底座大模型，都可以讓整個系統的壓力往生成部分上遷移。后來筆者造了一個詞，文檔片段化。對于常規的pdf問答檔問答，基本上都能使用單一的大模型覆蓋到了。但是對于知識庫，文檔庫的問答，似乎RAG還是必不可少的。但是如果生成模型能力更強了，那與其在思...

論文分享，ReinforcementLearningforReasoninginLargeLanguageModelswithOneTrainingExample這個論文看起來挺有意思，比較反常識，代碼開源：https:github.comypwang61OneShotRLVR。在Math500上，讓Qwen2.5Math1.5B性能翻倍，從36%提升到73.6%。讓Qwen2.5Math7B，從51%提升到79.2%。僅需要1個樣本進行強化學習訓練即可達到。如下圖，最終收斂跟藍色線（一個1000多個樣本的數據集）訓練出來的效果差不多。那這個樣本到底是個什么...

論文筆記分享，ReasoningModelsCanBeEffectiveWithoutThinking。ucberkeley。目前主流的推理模型在解決問題時，通常會有一個think階段。這種方式雖然結果會大幅提升，但消耗的計算資源卻不少。所以，這個文章研究的問題是：AI真的需要這么“認真思考”嗎？注：本文寫于o3發布之前，o3的思考充分利用工具能力，模型即產品，有一點跳脫o1版推理大模型的范疇了。另外，今天開源的Gemini2.5Flash，支持了thinkingbudget，有一些理念...

Meta開源llama4，原生多模態模型，慣例，支持200多種語言，除了中文。有點堆活，主要特色是，可以單張GPU運行近1000wtoken上下文的模型，所以直接對標gemini了？1000萬token上下文窗口意味著什么？相當于可以處理20多小時的視頻內容（因為它是原生多模態模型）。三款全新模型同步發布Scout：17B激活參數（16個專家）。速度極快，原生多模態，智能程度高。達到業界領先的1000萬+token上下文窗口，并且可以在單個GPU上運行！Maver...

一篇對deepseekr1論文補漏的文章，做了很多額外的實驗，內容很到位，標題：UnderstandingR1ZeroLikeTraining:ACriticalPerspective。論文地址：https:github.comsailsgunderstandr1zeroblobmainunderstandr1zero.pdf基礎模型分析驗證模板對幾種基礎模型的影響觀察結果如下：模板對模型是回答question，還是補全question很重要測試的幾個基礎模型在RL之前已經具備數學解題能力Llama和DeepSeek模型使用R1模板時回答能力顯著提升De...

Qwen2.5Omni7B開源，Qwen的第一個端到端的多模態模型，可以文本、圖像、音頻和視頻輸入，同時以流式方式生成文本和自然語音回復。提出了ThinkerTalker架構。PR還沒合進去，要注意安裝方式評測的榜似乎畫的有點趕，看不出信息量。提出了一種新的位置嵌入，稱為TMRoPE（時間對齊多模態RoPE），用于同步視頻輸入的時戳與音頻。資源占用：理論值如下，實際要在高1.2倍，看起來消耗有點大。瞄下代碼，關于輸入，每個模態都有專門的處...

基于圖的RAG統一框架indepth分析作者：港中深與華為的研究人員核心速覽研究背景研究問題：這篇文章要解決的問題是如何在統一框架下對基于圖的檢索增強生成(RAG)方法進行系統的比較和分析?，F有的基于圖的RAG方法沒有在同一實驗設置下進行系統的比較。研究難點：包括缺乏統一的框架來抽象和比較各種基于圖的RAG方法；現有工作主要關注整體性能評估而非單個組件的性能；以及缺乏對各種方法在準確性和效率方面的全面比較。相關工作...

論文筆記，LongRoPE2:NearLosslessLLMContextWindowScaling，https:arxiv.orgpdf2502.20082。longropev1的升級工作，應對長度外推的。longropev1簡單回顧，核心思想是非均勻插值+漸進式微調：對比NTK、YaRN之類的插值方式，LongROPE的每個頻率都有自己的縮放因子。所以先進行基于困惑度的進化搜索，得到每個rope維度的最佳縮放因子。在應用當前階段的RescaledRoPE后，對模型進行微調，讓模型權重適應新的上下文窗口大小和位置編...

今天開源了deepseekv3中提到的的FP8GEMM內核。300行代碼的暴力cuda美學，看不太懂，但是每天都可以打個醬油支持普通的矩陣乘法以及MixofExperts分組矩陣乘法。使用CUDA編寫，安裝時無需編譯，所有內核在運行時通過輕量級的即時編譯（JIT）模塊動態編譯。DeepGEMM設計，避免了對CUTLASS和CuTe的過度依賴，采用了更簡潔的設計，核心代碼只有大約300行。整個庫就是非常“輕量化”，但同時性能又很強大，甚至超過了專家調優的庫。在...

最近在折騰DeepSeekR1的私有部署，發現不少開發者都遇到了類似的困擾。明明按照文檔一步步來，卻總是會碰到這樣那樣的問題分片下載老是斷，模型合并偶爾出錯，環境配置更是讓人頭大。要是再遇到多機分布式、高并發或者國產芯片這些場景，那就更不好處理了。正好最近看到一個挺有意思的開源項目GPUStack(https:github.comgpustackgpustack)。它用Apache協議開源，主要就是為了解決DeepSeekR1這類大模型的部署問題。試用下來體驗...

這個工作目標是，找到一種簡單的方法，可以實現testtimescalling。關鍵點有2個，構建高質量的監督數據1k，用于監督微調；一個BudgetForcing的方法，用于限定模型的推理過程。經過這么一折騰，模型的性能隨著推理token數量變長而編號。如何構建高質量的1k數據初始收集：從16個不同的來源收集了59,029個問題，包括NuminaMATH、AIME、OlympicArena、OmniMath、AGIEval等。最終篩選：通過質量、難度和多樣性三個標準，從59K個問題中...

??摘要檢索增強生成（RAG）在開放域問答任務中表現出色。然而，傳統搜索引擎可能會檢索淺層內容，限制了大型語言模型（LLM）處理復雜、多層次信息的能力。為了解決這個問題，我們引入了WebWalkerQA，一個旨在評估LLM執行網頁遍歷能力的基準。它評估LLM系統性地遍歷網站子頁面以獲取對應信息的能力。同時我們提出了WebWalker，一個通過explorercritic范式模擬人類網頁導航的multiagent框架。廣泛的實驗結果表明，WebWalkerQA具有...

CAG：CacheAugmentedGeneration緩存增強生成。不要做RAG了：當緩存增強生成對于知識任務就足夠時檢索增強生成（RAG）作為一種通過整合外部知識源來增強語言模型的有效方法，已經得到了廣泛應用。然而，RAG引入了檢索延遲、文檔選擇潛在錯誤和系統復雜性增加等挑戰。隨著具有顯著擴展上下文窗口的大型語言模型（LLMs）的出現，本文提出了一種替代范式，即緩存增強生成（CAG），它繞過了實時檢索。我們的方法涉及預先加載所有相關...

langchain也送來新年禮物了，對標openaicanvas的項目開源。OpenCanvas不是又一個AI聊天機器人。它是一個開源的Web應用，可以讓你與AI助手協同工作，以更高效、更智能的方式創作文檔和代碼。它汲取了OpenAI“Canvas”的靈感，但又有所創新，為你帶來更強大的功能和更靈活的體驗。試用地址：https:opencanvas.langchain.comOpenCanvas的獨特之處：完全開源，自由掌控：所有代碼都是開源的，并采用MIT許可。你可以自由地使用、修改...

宇航員如何在火星上生存而無需谷歌搜索？太空、火星、外星人、太空任務……自從人類首次見證尼爾·阿姆斯特朗登上月球以來，所有關于太空探索的話題以及太空的隱藏秘密一直讓我們著迷。隨著技術的進步，我們的目光投向了火星殖民和深空探索。盡管太空探索的美麗吸引了無數電影的關注，但它也帶來了許多挑戰，其中一個關鍵挑戰是：在不依賴地球互聯網基礎設施的情況下獲取實時、可操作的信息。顯然，宇航員在太空中無法使用谷歌...

Anthropic剛剛發布了一篇瘋狂的新論文。ALIGNMENTFAKINGINLARGELANGUAGEMODELS。人工智能模型會“偽裝對齊”——在訓練期間假裝遵守訓練規則，但在部署后會恢復其原始行為！研究表明，Claude3Opus在訓練中有策略地遵守有害請求，以保持其無害行為。也就是說，模型并非簡單地隨機或無意識地做出反應，而是經過了類似人類的思考過程，并且其思考的目標是維持它原本“無害”的行為模式。舉個例子，模型可能會這樣“思考”：“我現...