中国零售商为人工智能工具买单,而消费者仍在追逐补贴
在双十一期间,聊天助手能够通过优惠券引导订单,而商家软件则早已为设计与运营工作收取费用。平台正以比赢得消费者信任更快的速度,将现有预算变现。
检索标题、摘要与正文,把分散的信息连起来。
在双十一期间,聊天助手能够通过优惠券引导订单,而商家软件则早已为设计与运营工作收取费用。平台正以比赢得消费者信任更快的速度,将现有预算变现。
arXiv:2610.31918v1 发布类型:新 摘要:对交互式大型语言模型代理进行蒸馏时,需要在教师生成的示范与学生生成的经验之间做出选择,这大致对应于离策略蒸馏与在策略蒸馏。尽管两者都被证明是有效的,但我们认为这种区分本质上具有层次性:引发交互历史的策略未必与生成当前动作的标记前缀的策略相同。我们提出了一种分层代理蒸馏框架,将这两种层次的在策略性加以形式化,并允许对其配对方式、混合比例以及训练计划进行显式控制。我们通过自蒸馏来研究这一问题,在自蒸馏中,冻结的教师能够获得学生无法获取的任务指导,而
arXiv:2610.32024v1 发布类型:新 摘要:用户向智能体发出的任务指令往往存在固有的表述不充分问题,尤其是在安全边界方面——这会带来行为风险。为研究此类风险,我们提出了 BARC-Bench 基准,它包含涵盖九种模拟工作空间环境的 110 项任务,在这些环境中,看似无害的请求可能会为不安全操作留下可乘之机。在该基准中,我们依据工作空间记录、隐含的环境背景以及未明示的社会规范所设定的安全边界,对智能体的行为进行评估。例如,当一个智能体被要求安排离职面谈时,必须在不通过共享日历邀请过早暴露员工辞职信息的前提下安排会议。通过对四种前沿模型配置在每项任务上进行五次尝试的评估发现,m
arXiv:2610.31803v1 发布类型:新 摘要:从视觉规格生成物理上稳定的三维结构,需要在解决几何不确定性的同时考虑物体之间的物理相互作用。我们提出了 StackGen3D,这是一个框架,可根据给定的积木库存和三个正交轮廓图生成稳定的积木组合。我们的方法分为两个阶段。首先,我们开发了一种融合物理信息的图神经网络(PI-GNN),用于建模积木之间的支撑关系,并作为快速的稳定性预测器,用于构建多样化的稳定结构数据集。其次,我们在该数据集上训练了一个条件流匹配模型,以捕捉与目标轮廓图相一致的积木构型的多模态分布。在推理阶段,轻
arXiv:2610.32034v1 发布类型:新 摘要:随着轨道碎片数量的不断增加,人们对主动清除碎片和在轨服务的兴趣日益浓厚。与单臂系统相比,双臂空间机械手能够在抓取稳定性和载荷分布方面提供更优的性能。然而,在存在臂间碰撞规避、姿态对齐以及传感不确定性的情况下,协调两台机械手仍是一项极具挑战的任务。本文针对具有臂间碰撞规避约束的目标到达任务,提出了一种用于双臂空间机械手协同运动规划的协调强化学习框架。该框架采用一种集中式状态表示,融合了关节空间、末端执行器以及目标相对位置等信息;同时,设计了一种多目标奖励函数,以促进目标达
尽管人工智能领域备受炒作,且已有数以百万计的美元投入其中,但据全球最大的投资公司之一的一项分析显示,美国企业界除少数几家大型科技公司外,大多尚未见到任何财务回报。在周六发布的这份分析报告中,阿波罗全球管理公司表示[…] 该文章“阿波罗分析显示,除最大型科技巨头外,无人真正从人工智能中获益”首发于SiliconANGLE。
Nanbeige LLM 实验室发布了 Nanbeige4.3-33B,这是一款拥有 512K 上下文的 33B 参数密集型 Apache 2.0 模型。据称,该模型在 Terminal-Bench 2.1 上取得了 80.9 的成绩,并将用于训练即将推出的 Nanbeige4.3-3B。文章《Nanbeige 发布 Nanbeige4.3-33B,一款 33B 开放式智能体驱动编码模型》首发于 MarkTechPost。
TechCrunch于2026年10月25日发布报道,梳理了2023至2026年间多个未能达预期的AI项目,包括Relay、Character.ai、Sora、Humane AI Pin等初创与产品,以及OpenAI、Apple、Microsoft等大厂的失败尝试或重大调整。
推荐理由:该报道为行业级现象性盘点,覆盖范围广、时间跨度清晰(含具体关停/延迟日期),并引用S&P Global Market Intelligence数据佐证企业级AI项目高废弃率(42%),兼具案例细节与结构性分析,具典型参考价值。
一项发表于2026年10月24日arXiv(编号2610.30676v1)的AI研究,对五种开源Llama和Qwen指令微调模型实施后置奇异值谱平滑与尖峰扰动,发现该轻量干预可系统性重塑模型在事实知识、语言理解与演绎推理三类能力上的表现权衡。
推荐理由:该论文首次在多模型、多任务框架下实证验证了变压器前馈层奇异值谱结构对下游能力的因果影响,揭示了能力配置的结构性敏感规律,为模型能力解耦与可控编辑提供了新路径;所有结论均基于公开模型与标准评测,方法透明、评估维度全面。
当SageMaker实时AI端点已注册Application Auto Scaling时,直接通过AWS CDK或CloudFormation更新其配置(如实例类型、数量)将失败;本文提出一种基于自定义资源的CDK构造,通过严格依赖编排实现端点配置与扩缩容策略的原子化、免人工更新。
本文为Hugging Face与Amazon联合发布的技术博客系列首篇,系统介绍如何在AWS Trainium AI加速芯片上使用TorchNeuron进行PyTorch模型推理性能分析,涵盖Neuron后端集成原理、torch.profiler配置方法、NeuronConfig与NeuronProfiler工具使用、Neuron Explorer可视化追踪,并以RMSNorm为例对比三种实现(朴素PyTorch、torch.rms_norm内置融合、torch.compile自动融合)的设备耗时差异。
Hugging Face 发布 TorchTPU,为 PyTorch 提供原生 TPU 后端支持,使 Transformers、Diffusers 等库可直接在 TPU 上运行,无需依赖 torch_xla 或迁移到 JAX。
César de la Fuente的实验室使用Codex和ChatGPT搜索活体基因组和已灭绝的基因组,寻找抗微生物候选人来对抗抗药性感染.