智谱科技近日宣布开源其端侧大语言和多模态模型GLM-Edge系列，这一举措标志着公司在端侧真实落地使用场景中的一次重要尝试。GLM-Edge系列由四种不同尺寸的模型组成，包括GLM-Edge-1.5B-Chat、GLM-Edge-4B-Chat、GLM-Edge-V-2B和GLM-Edge-V-5B，分别针对手机、车机等移动平台以及PC等桌面平台进行了优化。

​通义宣布旗下的大语言模型通义App现已推出鸿蒙原生版，并已在华为应用市场上线。用户可以下载体验这款全能AI助手带来的最新功能，享受更加丰富和个性化的服务。通义App已完成手机、折叠屏、Pad等多端适配，基于鸿蒙系统的特性，优化了界面交互设计，确保操作的便捷性和视觉的舒适度。鸿蒙系统为通义App提供了良好的运行环境，满足用户在生活、工作、学习等多个场景下的需求。

美国云计算软件公司 Salesforce 的首席执行官马克・贝奥夫（Marc Benioff）近日在《华尔街日报》的《未来一切》播客上表示，人工智能的未来在于自主代理(autonomous agents)，而不是大型语言模型(LLMs)所驱动的聊天机器人。他指出，当前我们正处于大型语言模型的上限阶段。贝尼奥夫提到，过去几年，大家对 ChatGPT 的热情过于高涨，导致普通消费者认为人工智能的能力远超实际。他认为，大型语言模型并不是技术进步的关键，未来的 AI 发展应集中于能够独立执行任务的自主代理。例如，这些代

科技企业服务商 AnyMind Group 今日宣布成立全新部门"AI App Studio"，致力于开发基于生成式人工智能（GenAI）和大语言模型(LLM)的应用程序，加速企业数字化转型进程。这个新部门将重点推进 AI 技术与公司自有平台的深度融合，帮助企业充分发挥 GenAI 和 LLM 的潜力解决实际问题。同时，公司正在其分布于东京、曼谷、胡志明市、班加罗尔和杭州的五大工程中心积极招募 AI 人才。AI App Studio 的三大核心任务包括:人才引进:重点招募数据工程师、AI 工程师和项目经理，负责 GenAI 和 LLM 相关应用的开发

Meta 最近发布了一项全新的基准测试，名为 Multi-IF，旨在评估大语言模型（LLM）在多轮对话和多语言环境下的指令遵循能力。这一基准覆盖了八种语言，包含4501个三轮对话任务，重点探讨了当前模型在复杂多轮和多语言场景中的表现。在现有的评估标准中，大多数集中于单轮对话和单语言任务，难以全面反映模型在实际应用中的表现。而 Multi-IF 的推出正是为了填补这一空白。研究团队通过将单轮指令扩展为多轮指令，生成了复杂的对话场景，并确保每一轮指令在逻辑上连贯、递进。此外，

随着渐冻症（ALS）等运动障碍患者日常沟通的困难，传统的辅助性沟通工具往往无法高效解决眼动打字过程中按键操作频繁带来的眼疲劳和高时间成本。为了解决这一问题，谷歌研究团队开发了一款名为SpeakFaster的用户界面(UI)，它利用大语言模型(LLM)和对话语境，帮助ALS患者显著提升沟通效率。SpeakFaster通过预测用户输入的首字母缩写，并根据对话上下文扩展为完整的短语，减少了眼动打字的按键次数高达57%，文本输入速度较传统方法提升了29%至60%。该系统经过微调的LLM结合了三个不同的输

巴黎初创公司 H，由前谷歌员工创立，去年夏天在未发布任何产品的情况下，便获得了2.2亿美元的种子轮融资，震惊业界。然而，在融资后不久，该公司却因 “运营和业务分歧” 而三位创始人离职，令人担忧其前景。但 H 公司并没有被困难击倒，近日宣布推出其首款产品 Runner H，这是一款针对企业和开发者的 “智能代理” 人工智能，旨在处理质量保证和流程自动化等任务。Runner H 建立在该公司的专有 “紧凑型” 大语言模型（LLM）之上，参数仅有20亿。H 公司已在其官网上设立了 Runner H 的

近日，英伟达发布了其全新的 Blackwell 平台，并在 MLPerf Training4.1基准测试中展示了初步的性能表现。根据测试结果，Blackwell 在某些方面的性能相比于前一代 Hopper 平台实现了翻倍的提升，这一成果引起了业界的广泛关注。在 MLPerf Training4.1基准测试中，Blackwell 平台在 LLM（大语言模型）基准的 Llama270B 微调任务中，每个 GPU 的性能达到了 Hopper 的2.2倍，而在 GPT-3175B 的预训练中则达到了2倍的提升。此外，在 Stable Diffusion v2训练等其他基准测试中，新一代的 Blackwell 也以1.7倍的优势超过了前代产品

普林斯顿大学和耶鲁大学的研究人员最近发布了一份关于大语言模型（LLM）“思维链(CoT)”推理能力的报告，揭示了CoT推理的奥秘:它并非纯粹基于逻辑规则的符号推理，而是融合了记忆、概率和噪声推理等多种因素。研究人员以破解移位密码为测试任务，分析了GPT-4、Claude3和Llama3.1这三个LLM的表现。移位密码是一种简单的编码方式，每个字母都被替换成字母表中向前移动固定位数的字母。例如，将字母表向前移动3位，"CAT"就会变成"FDW"。研究结果表明，影响CoT推理效果的三个关键因素是:概

腾讯今日发布开源MOE大语言模型Hunyuan-large，总参数量达398B，激活参数量52B。公开测评结果显示，腾讯混元Large在CMMLU、MMLU、CEva1、MATH等多学科综合评测集以及中英文NLP任务、代码和数学等9大维度全面领先，超过Llama3.1、Mixtral等一流的开源大模型。据了解，该模型在技术创新上可实现高质量合成数据，通过使用合成数据增强训练，有效应对自然数据的不足。在上下文处理能力方面，预训练模型支持高达256K的文本序列，显著增强了处理长上下文任务的能力。同时，腾讯混元宣布，为填补行业

Meta FAIR、加州大学伯克利分校和纽约大学的研究人员联合推出了一种全新技术，名为思维偏好优化（TPO）。这项创新旨在提升大语言模型(LLM)在处理指令时的回答质量。与传统模型只关注最终答案不同，TPO 允许模型在给出最终回答之前，先进行内部思考和反思，从而生成更准确和连贯的回答。TPO 技术的核心是改进后的连锁思维（CoT）推理方法。这种方法在训练过程中鼓励模型 “思考一下再回答”，帮助它们在提供最终答案之前，构建更有条理的内在思维过程。传统的 CoT 提示有时会导致准

​在10月23日的荣耀MagicOS9.0发布会及开发者大会上，荣耀CEO赵明宣布了最新操作系统MagicOS9.0的正式推出。赵明在演讲中回顾了荣耀MagicOS的演进历程，自荣耀MagicOS问世以来，就以AI OS为定位，不断推动技术创新。

在当今全球化的商业环境中，精准的翻译工具对于跨文化交流至关重要。阿里国际最近推出的Marco-MT翻译大模型，正是在这样的背景下应运而生，它不仅刷新了我们对机器翻译能力的认知，还为电商领域的国际化提供了强大的支持。传统的翻译工具常常在处理具有深厚文化背景的短语时显得力不从心，例如苹果iOS18更新中的“Yours. Truly.”被错误翻译为“真的很你”，这种尴尬的翻译不仅让消费者困惑，也暴露了机器翻译在理解语境和文化差异上的局限。然而，随着大语言模型（LLM）技术的

伊利诺伊理工学院、浙江大学、中佛罗里达大学以及伊利诺伊大学芝加哥分校的研究团队近日联合发布了全新的3D场景大语言模型Robin3D。该模型在包含一百万条指令遵循数据的大规模数据集上进行训练，并在五个常用的3D多模态学习基准测试中均取得了当前最佳的性能表现，标志着在构建通用3D智能体方向上的重大进步。Robin3D的成功得益于其创新的数据引擎RIG （Robust Instruction Generation）。RIG引擎旨在生成对抗性指令遵循数据和多样化指令遵循数据两种关键指令数据。对抗性指令遵循数据通

最近，苹果公司的研究人员对大语言模型（LLM）的数学推理能力进行了深入研究，推出了一项名为 GSM-Symbolic 的新基准测试。这个新基准测试是在 GSM8K 的基础上发展的，后者主要用于评估基础数学能力。虽然许多 LLM 在 GSM8K 上的表现有所提升，但科学界对这些模型的推理能力仍然存有疑问，认为现有的评估指标可能无法全面反映它们的真实能力。研究发现，LLM 通常依赖于概率模式匹配，而非真正的逻辑推理，导致它们对输入的小变化非常敏感。在这项新研究中，研究人员使用符号模板生成

最近，苹果公司进行了一项关于大语言模型（LLM）推理能力的研究，引发了人们对这些模型在数学领域表现的关注。众所周知，GSM8K 基准测试被广泛用于评估模型在小学数学问题上的推理能力。尽管 LLM 在 GSM8K 上的表现近年来有所提高，但研究人员对此结果的可靠性产生了质疑。因此，他们进行了大规模的研究，探讨当前最先进的开源和闭源模型的表现。为了更好地评估模型的推理能力，研究团队引入了一种改进的基准测试 ——GSM-Symbolic。这个新基准测试使用符号模板生成多样化的问题，

金山办公近日推出了一款基于AI Agent范式驱动的WPS AI伴写功能，进一步提升办公效率和写作体验。该功能支持添加包括云文档、网页等参考资料，用户完成标题后只需0.5秒就能理解用户意图并续写内容。WPS AI伴写功能基于大语言模型的人工智能办公应用，采用AI Agent范式与WPS编辑器的深度结合，实现无需用户编写提示词的自动化辅助办公。用户只需要提供初始内容，WPS AI伴写就能表达出那些“卡在嘴边的灵感瞬间”。该功能还支持多种职业角色选择，一键切换文风，确保内容质量与个性化。

最近大语言模型（LLM）发展迅猛，其中Transformer模型功不可没。Transformer的核心是注意力机制，它像一个信息过滤器，让模型关注句子中最重要的部分。但即使是强大的Transformer，也会被无关信息干扰，就好比你在图书馆想找本书，结果被一堆无关的书淹没，效率自然低下。这种注意力机制产生的无关信息，在论文中被称为注意力噪音。想象一下，你想在文件中找一个关键信息，结果Transformer模型的注意力却分散到各种无关的地方，就像一个近视眼，看不清重点。为了解决这个问题，这篇论

在 AI 的世界里，数据就像是金矿，越丰富越闪亮。最近，LLM360推出了一个令人瞩目的数据集 TxT360，专为大语言模型训练量身定做。这个庞然大物不仅收录了来自各行各业的高质量文本数据，更是经历了一场全球范围的去重大作战，最终汇聚成5.7万亿个优质 tokens，真可谓是 “数据界的百宝箱”!TxT360的魅力在于其超大的规模和超高的质量，完胜现有的 FineWeb 和 RedPajama 等数据集。这份数据集从99个 Common Crawl 快照中抓取了互联网的精华，同时还特别挑选了14个高质量的数据源，比如法律文档和

最近，苹果 AI 研究团队推出了他们的新一代多模态大语言模型（MLLMs）家族 ——MM1.5。这一系列模型能够结合文本、图像等多种数据类型，向我们展示了 AI 在理解复杂任务方面的新能力。像视觉问答、图像生成和多模态数据解读这样的任务，都能在这些模型的帮助下得到更好的解决。多模态模型的一个大挑战，就是如何在不同数据类型之间实现有效的交互。过去的模型常常在处理文本丰富的图像或者细粒度视觉任务时遇到困难。因此，苹果的研究团队在 MM1.5模型中引入了创新的数据中心化