近日，微软 AI 研究团队发布了开源工具 PromptWizard，这是一种基于反馈驱动的 AI 框架，旨在高效优化大型语言模型（LLM）的提示设计。提示的质量对于模型输出的优劣至关重要，然而，创建高质量的提示往往需要耗费大量的时间和人力资源，尤其是在复杂或特定领域的任务中。传统的提示优化方法多依赖人工经验，这种方式不仅耗时，而且难以扩展。现有的优化技术分为连续和离散两种。连续技术如软提示需要大量的计算资源，而离散方法如 PromptBreeder 和 EvoPrompt 则通过生成多种提示变体

近日，Meta 正式推出了一个名为 Leffa 的开源AI虚拟试穿框架。该框架旨在通过生成新图像来提升用户的穿衣体验，用户可以根据参考图像进行不同服装和姿势的切换。与以往的方法相比，Leffa 在保留细节和减少图像失真方面表现得更为出色。Leffa 的推出为在线购物和虚拟试穿带来了新的可能性。用户只需上传一张参考图片，系统就能基于该图片生成全新的穿搭效果。这意味着，消费者在购买衣物之前，可以更直观地了解这些服装在自己身上的效果，减少了因不合适而退换货的麻烦。Meta 表示

昇思人工智能框架峰会成功举行，在此次峰会上，来自18个单位的代表发布了基于昇思框架的多项原生开发大模型成果。这一系列新进展标志着昇思在人工智能领域的快速发展与影响力提升。据预测，中国AI框架2024年新增市场昇思份额将达30%。自2020年开源以来，昇思 MindSpore 技术不断创新，其生态系统也日趋繁荣。目前，昇思已成功孵化并支持超过50个国内外主流大模型，这无疑为开发者提供了丰富的资源和便利。昇思开源版本的下载量已累计达到1100万次，覆盖全球130多个国家和地区，涉

随着AIGC技术的快速发展，图像编辑工具日益强大，图像篡改变得更加容易，也更难被察觉。 虽然现有的图像篡改检测和定位方法（IFDL）通常很有效，但它们往往面临两大挑战:一是“黑匣子”性质，检测原理不明;二是泛化能力有限，难以应对多种篡改方法(如Photoshop、DeepFake、AIGC编辑)。 为解决这些问题，北京大学的研究团队提出了可解释的IFDL任务，并设计了FakeShield，这是一个多模态框架，能够评估图像的真实性，生成篡改区域掩码，并基于像素级和图像级的篡改线索提供判断依据。传统

Patched是一家由Y Combinator支持的初创公司，成立于2023年，旨在通过AI自动化代码审查、文档生成和维护任务，为开发者提供革命性的解决方案。作为开源框架，Patched利用大型语言模型（LLM）如Anthropic Claude、Cursor、Zed、Microsoft Copilot和Replit Agents，为开发者提供定制化工作流，自动化代码提交后的流程，如漏洞修复和代码格式化。Patched支持任何用户选择的LLM，提供一个无需编写代码即可轻松创建定制工作流的拖放式界面。商业模式采用每个工作流收费99美元的方式，价格合理，适合更多开发者使用。Patched还与OpenAI紧密合作，确保产品在GPT-5发布时保持相关性，并优化集成。其客户群覆盖全球，包括新加坡的KairosWealth和Stack Auth等公司，通过Patched提高工作效率。

微软研究院与北京航空航天大学团队合作推出了名为E5-V的高效多模态嵌入框架，旨在解决多模态大语言模型（MLMs）发展中存在的挑战。这一创新框架通过单模态训练简化多模态学习过程，并克服以往模型依赖独立编码器，导致输入整合效果不佳的问题。E5-V通过统一文本、图像信息，减少了训练成本，并在多个复杂任务中展现了卓越性能，如文本-图像检索、图像检索等，特别是在零样本图像检索任务上，相较于顶级模型CLIP ViT-L，性能大幅提升。该框架不仅提高了多模态数据处理的效率，更在复合图像检索任务中超越了当前先进方法，验证了其在提升模型表现上的有效性。E5-V框架代表了多模态学习领域的重要进步，未来有望在多模态研究中树立新标准并具有广泛的应用潜力。

微软研究人员推出全新AI框架Auto Evol-Instruct，该框架能自动适应和优化AI数据集生成过程，无需人工干预。不同于以往需要专家制定规则的演进方法，此框架直接利用大型语言模型（LLMs）分析指令、设计并优化演进规则。Auto Evol-Instruct能够自动提高指令遵循能力、数学推理和代码生成等任务的性能，显著提升LLMs表现。通过对比测试，该框架在多个基准测试中表现出色，超过同类模型，展现出高效的数据集演进和AI性能优化能力。