分类今日新鲜事下的文章 - 康叔的AI全栈工坊

【20251014AI日报】Self-improving language models are becoming reality with MIT's updated SEAL technique

本文字数：约 4800 字，预计阅读时间：16 分钟重点新闻Self-improving language models are becoming reality with MIT's updated SEAL techniqueMIT的研究人员开发了一种称为SEAL（Self-Adapting LLMs）的技术，该技术允许大语言模型（LLMs）生成合成数据来微调自身。这项技术的最新版本扩大了先前框架，展示出随着模型规模的增加，自我适应能力的提升，以及通过强化学习减少灾难性遗忘的能力。在知识整合和少量学习设置下，SEAL显示了显著的性能提升，展示了其在自适应学习中的潜力。这种自我适应能力使模型能够生成“自我编辑”来更新权重，从而在不依赖外部数据和手动微调的情况下，在动态环境中持续学习。SEAL的双循环结构，包括内部监督微调和外部强化优化，为可重复性提供了形式化基础。这项技术为开发持续自我学习的人工智能系统奠定了基础。原文链接Researchers find that retraining only small parts of AI models can cut costs and p

今日新鲜事 · 昨天

【20251013AI日报】We keep talking about AI agents, but do we ever know what they are?

本文字数：约 5500 字，预计阅读时间：15 分钟We keep talking about AI agents, but do we ever know what they are?本文探讨了AI代理的概念及其复杂性，特别指出尽管我们经常谈论AI代理，但对它们的理解却存在许多模糊之处。文章首先定义了AI代理的四个核心组件：感知、推理引擎、行动和目标。感知是代理获取关于其环境信息的方式；推理引擎负责处理这些感知并决定下一步行动；行动是代理通过使用工具来实现其目标；目标是引导所有代理行动的最终任务或目的。接着，文章讨论了不同行业中关于自主性的分类方法，如汽车行业的SAE自动化等级和航空业的10级自动化模型。这些模型强调了定义责任划分、任务复杂性和环境复杂性的重要性。文章还探讨了用于AI代理的不同分类框架，如能力导向、交互导向和治理导向。文章指出，尽管有这些框架，AI代理的真正挑战在于定义和测量其开放世界的操作条件。例如，一个数字代理可能面临不断变化的网络环境、API弃用和社交媒体规范的变化。这些挑战需要定义一个“安全”的操作边界。最后，文章强调了对齐和控制是AI代理面临的最关键挑战之一

今日新鲜事 · 前天

【20251012AI日报】连续发布两款万亿参数模型，蚂蚁 AI 来势汹汹

本文字数：约 4500 字，预计阅读时间：15 分钟连续发布两款万亿参数模型，蚂蚁 AI 来势汹汹在过去半个月，大模型行业迎来了一波产品发布的高潮，其中，蚂蚁集团的“百灵”团队在10月9日宣布推出了一款拥有1万亿参数的语言大模型Ling-1T，而仅仅十天前，他们刚刚开源了另一款万亿参数模型Ring-1T-preview。这一连串的发布不仅展示了蚂蚁在大模型领域的实力，也让业界对其开源策略产生了浓厚的兴趣。蚂蚁集团的大模型研发始于去年，形成了三条主要的技术探索路线：一是基于MoE架构的非思考模型Ling-Series，二是思考模型Ring-Series，三是原生全模态大模型Ming-Series。Ling-1T和Ring-1T-preview分别是这两条主要路线上的成果，它们的参数量均达到了1万亿，几乎等同于人类大脑神经元的数量。这次发布的Ling-1T在编程与数学推理等多个维度上的表现非常亮眼，甚至在一些基准测试中超过了DeepSeek等知名模型。Ling-1T不仅具备深度思考能力和泛化能力，还在推理和逻辑方面表现出色，适用于代码生成、软件开发、数学竞赛等场景。在训练过程中，Ling-

今日新鲜事 · 3 天前

【20251011AI日报】Together AI's ATLAS adaptive speculator delivers 400% inference speedup by learning from workloads in real-time

本文字数：约 4662 字，预计阅读时间：10 分钟Together AI's ATLAS adaptive speculator delivers 400% inference speedup by learning from workloads in real-time企业扩展AI部署时遇到了一个隐形性能瓶颈，罪魁祸首是静态推测器，它们无法跟上不断变化的工作负载。推测器是与大型语言模型并行工作的较小AI模型，它们提前起草多个令牌，而主模型则并行验证这些令牌。这种技术（称为推测性解码）已成为企业试图减少推理成本和延迟的重要手段。Together AI今天宣布了一项研究和新系统，名为ATLAS（AdapTive-LeArning Speculator System），旨在帮助企业克服静态推测器的挑战。该技术提供了一种自我学习推理优化功能，可以将推理性能提升高达400%，比现有推理技术如vLLM的基线性能更好。系统解决了关键问题：随着AI工作负载的演变，推理速度下降，即使有专门的推测器也无济于事。该公司成立于2023年，专注于在其企业AI平台上优化推理。今年早些时候，随着客户采用率和需求

今日新鲜事 · 4 天前

【20251010AI日报】Echelon's AI agents take aim at Accenture and Deloitte consulting models

本文字数：约 4800 字，预计阅读时间：15 分钟Echelon's AI agents take aim at Accenture and Deloitte consulting modelsEchelon，一家专注于企业软件自动化的AI初创公司，从隐身模式中浮出水面，获得了475万美元的种子轮融资，由Bain Capital Ventures领投。这家位于旧金山的公司开发了专门训练的AI代理，能够处理端到端的ServiceNow部署，这是企业软件部署中一个复杂的过程，通常需要数月时间的离岸咨询团队和数百万美元的成本。该公司的创始人兼首席执行官Rahul Kayala指出，数字转型的最大障碍不是技术，而是实施所需的时间。AI代理正在消除这个瓶颈，使企业能够以前所未有的速度进行实验、迭代和部署平台更改。该公告暗示了对价值1.5万亿美元的全球IT服务市场的潜在颠覆，其中像Accenture、Deloitte和Capgemini这样的公司长期通过劳动密集型咨询模式主导市场。这些模式在AI时代被认为已过时。传统上，ServiceNow的部署通常需要专门的技术知识，大多数公司内部缺乏这种知识

今日新鲜事 · 5 天前

Theme Jasmine by Kent Liao