跳到正文
AI NEWS.ccAI正在发生 未来正在更新
资讯收藏
THE JOURNAL
AI NEWS JOURNAL
AI, IN PERSPECTIVE

搜索 AI 资讯

检索标题、摘要与正文，把分散的信息连起来。

按发布时间排序

麻省理工科技评论 · 人工智能

工业智能：制造业的下一个增长机遇

每家制造商都有自己独特的工业智能。有些已形成文档，有些则沉淀在经验丰富的员工的脑海里。试想一位经验丰富的操作员，在换线后准备重新启动生产线。机器的设置固然重要，但了解某种材料的特性、上一班次发生了什么，以及某个看似微不足道的……也同样不可或缺。

媒体
事件进展与其他报道
Crunchbase AI

您的 AI 智能体也需要一位首席运营官

扩展 AI 智能体的规模，需要将其视作受监管岗位上的员工，制定书面规则、明确职责，并指定一名负责人对其绩效负责。特邀作者、Get Covered 公司首席运营官里克·福尔格曼建议企业：应从由既定规则规范的任务入手，在不同工作流的风险水平下调整其自主权，并在扩大智能体权限之前定期评估成效。

新闻源配图 · Crunchbase AI
事件进展与其他报道
腾讯新闻 · AI频道

开发者如何接住AI时代的底座红利？CEIC×1024深圳专场解密AI与鸿蒙开发新基建

2026年长沙·1024程序员日活动期间，CEIC消费电子创新大会与CSDN在深圳联手打造了一场属于开发者的硬核技术盛宴。正如CEIC组委会常务副主任杨涛在接受采访时所言：“消费电子领域所有的体验创新，归根到底都是由于我们的程序员代码敲出来的。”在当前的技术拐点下，从单纯的手写代码，到利用智能体（Agent）和丰富的端侧AP...

开发者如何接住AI时代的底座红利？CEIC×1024深圳专场解密AI与鸿蒙开发新基建
AI腾讯新闻
事件进展与其他报道
钛媒体

随着折扣交易的瓦解，AI代币的销售愈发艰难

模型积分正出现在各类节日促销活动和运营商风格的套餐中。那些依靠不透明加价而蓬勃发展的小型经销商，如今面临质量质疑、监管压力以及资金更雄厚的竞争对手的挑战。而实力雄厚的中间商则会针对路由、信任与集成收取费用，而非通过暗中降价来吸引客户。

事件进展与其他报道
n8n发布

n8n@3.0.0

# [3.0.0](https://github.com/n8n-io/n8n/compare/n8n@2.45.0...n8n@3.0.0)（2026-10-27）### 问题修复 * 在工件下载按钮上添加文件类型提示工具提示（[#41490](https://github.com/n8n-io/n8n/issues/41490))（[4a74f02](https://github.com/n8n-io/n8n/commit/4a74f027e612f31098b354dd3a77b2c2ab98281c)) * **ai-builder：** 检查执行权限：在 Assistant 执行读取时进行检查（[#41863](https://github.com/n8n-io/n8n/issues/41863))（[a967486](https://github.com/n8n-io/n8n/commit/a9674866d075e989a5ce896432262c9a7dc8b0c7)) * **ai-builder：** 通过已配置的 AI 传输通道发送 Assistant 模型调用（[#41948](https://github.com/n8n-io/n8n/issues/41948))（[9b63561](https://github.com/n8n-io/n8n/commit/9b63561cbb48f06d216f27be3b77722d97e4e74a)) * 支持自定义 OAuth2 范围（[#41249](https://github.com/n8n-

事件进展与其他报道
n8n发布

n8n@2.46.0

# [2.46.0](https://github.com/n8n-io/n8n/compare/n8n@2.45.0...n8n@2.46.0)（2026-10-27）### 修复的缺陷 * 在工件下载按钮上添加文件类型提示工具提示（[#41490](https://github.com/n8n-io/n8n/issues/41490))（[4a74f02](https://github.com/n8n-io/n8n/commit/4a74f027e612f31098b354dd3a77b2c2ab98281c)) * **ai-builder：** 检查执行权限：在 Assistant 执行读取操作时进行检查（[#41863](https://github.com/n8n-io/n8n/issues/41863))（[a967486](https://github.com/n8n-io/n8n/commit/a9674866d075e989a5ce896432262c9a7dc8b0c7)) * **ai-builder：** 通过已配置的 AI 传输通道发送 Assistant 模型调用（[#41948](https://github.com/n8n-io/n8n/issues/41948))（[9b63561](https://github.com/n8n-io/n8n/commit/9b63561cbb48f06d216f27be3b77722d97e4e74a)) * 支持自定义 OAuth2 范围（[#41249](https://github.com/n8

事件进展与其他报道
马克科技帖子

vLLM 语义路由器发布 d3-ultra：一款 270 亿参数的开源多模态决策模型

vLLM 语义路由器发布了 d3-ultra，一款拥有 270 亿参数的开源多模态决策模型。它能够一次性读取文本、图像和视频，并为每个可能的答案返回概率，在该团队的 SR-Text 测试中取得了 87.2 分。原文“vLLM 语义路由器发布 d3-ultra：一款 270 亿参数的开源多模态决策模型”首发于 MarkTechPost。

新闻源配图 · MarkTechPost
事件进展与其他报道
马克科技帖子

百度开源无限OCR 2，用于百页文档解析

百度发布了 Unlimited OCR 2，这是一款采用 MIT 许可证的 3B 参数规模的 OCR 模型，能够在一次请求中解析百页文档。其 SR-SWA 注意力机制使每步解码开销几乎保持不变，在 MarathonDocBench 上取得了 77.1 的得分。该文章《百度开源 Unlimited OCR 2，用于百页文档解析》首发于 MarkTechPost。

新闻源配图 · MarkTechPost
事件进展与其他报道
arXiv cs.CL

SLICE-Mem：用于高效LLM智能体记忆的显著性门控轻量级信息策展

arXiv：2610.33015v1 发布类型：新 摘要：长期记忆使大型语言模型（LLM）代理能够维持个性化且时间上连贯的交互，但为实现记忆的接纳、提取与组织而反复调用LLM进行推理，会带来显著的成本与延迟。我们提出了SLICE-Mem，一个轻量级的记忆框架，它将基于显著性引导的接纳与基于谓词的信息提取相结合。一个紧凑的分类器用于识别值得保留的用户发言，而基于语义依赖关系的提取器则将被接纳的发言转化为简洁的记忆条目。这一在线处理流程无需调用生成式LLM，同时跨条目的一致性校验被推迟至离线的整合阶段。我们在Memora和LongMemEval-S的每周子集上，使用8B a对SLICE-Mem进行了评估

事件进展与其他报道
arXiv cs.CL

AdaptTok-Indic：面向印度语言的脚本感知自适应分词

arXiv：2610.33017v1 发布类型：新 摘要：在以英语为主导的语料库上训练的多语言分词器往往会对印度语系语言进行过度切分，导致令牌序列更长，并加剧了不同书写系统之间的分词差异。我们提出了 AdaptTok-Indic，这是一种专为印度语系语言设计的自适应分词扩展方案，它将 Unicode 规范化的预处理与显式的印度语系连字处理、基于书写系统的路由策略，以及与小型 Transformer 语言模型联合训练的字节级边界预测相结合。在孟加拉语和印地语上进行评估，并额外针对古吉拉特语、泰米尔语和泰卢固语进行了测试，AdaptTok-Indic 在令牌生成密度方面优于面向印度语系的基准分词器 SentencePiece BPE，以及独立实现的 MAGNET 式基准。在五项已记录的…

事件进展与其他报道
arXiv cs.DC

一种基于统一排队模型的框架，用于在突发性工作负载下对无服务器自动伸缩策略进行比较评估

arXiv：2610.35564v1 发布类型：新 摘要：无服务器计算平台必须在适应高度突发且不可预测的工作负载的同时，确保服务质量（QoS）。为应对工作负载的波动并满足QoS要求及服务等级协议（SLA），这些平台依赖于资源的自动扩展。商业化的函数即服务（FaaS）平台采用不同的自动伸缩策略，以动态调整活跃函数实例的数量和可用的处理能力。在本研究中，我们对三种具有代表性的自动伸缩策略进行了建模与比较：按请求伸缩（SPR）、并发级别伸缩（CLS）以及基于指标的伸缩（MBS）。为了实现独立于各厂商特定实现的系统化评估，我们……

事件进展与其他报道
arXiv cs.CL

参数化会话状态：无需重放历史即可恢复检索意图

arXiv:2610.33047v1 发布类型：新 摘要：长期运行的智能助手常常需要理解那些其指代对象、约束条件以及主动目标早在多轮对话前就已经确立的后续请求。因此，核心挑战不仅在于上下文长度，还在于检索意图：例如，当前查询“使用之前的配置”可能遗漏了用于定位相关证据所需的项目、实体和版本等关键术语。长上下文模型可以通过重放交互过程来恢复这些术语，但同时也需反复承担处理历史信息的开销。传统的检索增强生成（RAG）方法成本较低，却假定查询本身已包含充分的信息；而对话式改写要么重新读取历史，要么依赖于显式维护的文本记忆。我们提出了\emph{参数化会话状态}

事件进展与其他报道
SiliconANGLE AI

双刃剑：人工智能在强化系统防护的同时，也为恶意行为者开辟了新的攻击途径

网络安全行业发现，强大的前沿人工智能模型是一把双刃剑。企业可以利用这些模型，以前所未有的速度识别源代码和系统配置中的漏洞。然而，事实证明，恶意行为者同样也能做到这一点。一个典型的例子表明，人工智能模型已将网络安全推向了一个全新的[…] 该文章“双刃齐发：人工智能在强化系统防护的同时也为恶意行为者打开了新的漏洞入口”首发于SiliconANGLE。

事件进展与其他报道