机器学习早已渗透到各种线上服务中，网购便是其中最成功的领域之一。近年来，机器学习被应用于各种网购任务，例如用户查询、浏览记录、评论分析、产品属性提取等等。为了促进机器学习方法的发展，许多基准测试应运而生，旨在降低研究人员和工程师开发和评估针对真实网购任务的新颖解决方案的门槛。然而，现有的模型和基准通常是为特定任务量身定制的，无法完全捕捉网购的复杂性。大型语言模型 （LLM） 凭借其多任务和少样本学习能力，有可能通过减少特定任务的工程工作

微软最近在企业 AI 智能体领域取得了显著进展，已经建立起全球最大的企业 AI 智能体生态系统。自推出 Co pilot Studio 以来，已有超过10万个组织参与了 AI 智能体的创建和编辑。这一里程碑标志着微软在企业科技领域的领先地位。微软高管查尔斯・拉曼纳表示，这一增长速度超出预期，比公司之前发布的任何尖端技术的接受速度都要快。他在最近的 Ignite 大会上宣布，微软将允许企业使用 Azure 目录中的1800个大型语言模型（LLM），这一举措显著增强了企业的智能体能力。此外，微软还推出了

自然语言到 SQL（NL2SQL）技术正在快速发展，成为自然语言处理(NLP)领域的一项重要创新。该技术使得用户能够将自然语言查询转化为结构化查询语言(SQL)语句，这一进步极大地方便了缺乏技术背景的用户与复杂数据库之间的交互，从而获取有价值的信息。NL2SQL 技术不仅为各行业的大型数据库探索打开了新大门，还提升了工作效率和决策能力。然而，NL2SQL 的实现过程中，查询准确性与适应性之间存在一定的权衡。一些方法在生成 SQL 查询时，既无法保证准确性，也难以适应不同类型的数据库

在于11月17日至22日举行的国际高性能计算、网络、存储与分析大会（SC24）上，戴尔正式推出了一系列新产品和服务，旨在帮助企业克服在采用生成式 AI 和大型语言模型(LLM)过程中遇到的挑战。戴尔基础设施和电信产品营销高级副总裁 Varun Chhabra 表示，目前企业在应用 AI 时面临的主要问题包括数据质量、成本、能源消耗和可持续性。分析师 Dave Vellante 指出，企业需要有效利用自己的数据，以在竞争激烈的数字环境中保持优势。戴尔的 AI 基础设施、解决方案及服务正是为了满足这种需求而推

最近，AI 大型语言模型（LLM）在各种任务中表现出色，写诗、写代码、聊天都不在话下，简直是无所不能!但是，你敢相信吗?这些“天才”AI 居然是“数学菜鸟”!它们在处理简单的算术题时经常翻车，让人大跌眼镜。一项最新的研究揭开了 LLM 算术推理能力背后的“奇葩”秘诀:它们既不依赖强大的算法，也不完全依靠记忆，而是采用了一种被称为“启发式大杂烩”的策略! 这就好比一个学生，没有认真学习数学公式和定理，而是靠着一些“小聪明”和“经验法则”来蒙答案。研究人员以算

一项最新研究表明，利用生成式 AI 模型，特别是大型语言模型（LLM），可以构建一种能够在多种情境下准确模拟人类行为的架构。这项研究成果为社会科学研究提供了一个强大的新工具。研究人员首先招募了1000多名来自美国不同背景的参与者，并对他们进行了长达两小时的深度访谈，收集了他们的生活经历、观点和价值观等信息。然后，研究人员利用这些访谈记录和一个大型语言模型构建了一个“生成式代理架构”。这个架构能够根据参与者的访谈内容创建出上千个虚拟的“克隆人”，

随着 ServiceTitan 向美国证券交易委员会提交首次公开募股（IPO）申请文件，该公司在风险因素部分特别提到了大型语言模型(LLMs)可能带来的潜在风险。此类警告或许标志着未来 IPO 文档中的新标准:使用 AI 技术的同时也伴随风险。在 ServiceTitan 的申请文件中，有一段长达1150字的风险提示，详细阐述了其使用生成性 AI 的可能负面影响。公司警告称，LLMs 可能产生 “虚假” 信息，并可能表现出 “歧视性” 行为。此外，使用这些模型可能涉及侵犯他人的版权或知识产权，而在数据的使用上，若不

在人工智能技术迅速发展的背景下，开发者们迫切需要一个能够灵活应用多种大型语言模型（LLM）的平台。近期推出的 AnyChat 正好满足了这一需求，它将多个领先的 AI 模型整合到一个统一的界面上，极大地方便了开发者和企业的使用。AnyChat 由知名 AI 专家 Ahsen Khaliq（AK）开发，他目前在 Gradio 担任机器学习增长负责人。该平台支持开发者在 ChatGPT、谷歌的 Gemini、Claude、Meta 的 LLaMA 以及 Grok 等多个模型之间无缝切换，摆脱了被单一服务提供商锁定的困境。Khaliq 表示:“我们希望构建一个让用

美国AI翻译平台Unbabel周三宣布推出一项由人工智能驱动的翻译服务——Widn.AI，这是该公司的新产品，基于其专有的大型语言模型（LLM）Tower。Unbabel的CEO瓦斯科·佩德罗(Vasco Pedro)表示，三年内可能根本不再需要人类来翻译。佩德罗在接受采访时表示，Unbabel的大语言模型允许人工智能翻译32种语言。他认为，这是第一次，人工智能完全可以取代人类的翻译能力。佩德罗说:“10年前，当我们开始在Unbabel工作时，AI还没有达到现在的水平，所以我们非常专注于创造将AI和人类结合起来的混合解决方

微软近期发布了一款引人注目的 Python 库 ——TinyTroupe，这是一种基于大型语言模型（LLM）的多智能体人格模拟工具。TinyTroupe 中的智能体被称为 TinyPersons，它们可以在模拟的环境中进行互动和交流。通过利用强大的大型语言模型（LLM），尤其是 GPT-4，TinyTroupe 可以生成逼真的模拟行为，让用户得以探索各种消费者类型和互动方式。简单的说就是，TinyTroupe 亮点在于它能够模拟具备特定性格、兴趣和目标的虚拟角色，从而为企业在商业决策和市场研究方面提供全新的视角。使用 TinyTroupe，用户

根据研究公司 IDC 的最新预测，到2025年，全球人工智能（AI）相关技术的支出将达到3370亿美元，并预计到2028年这一数字将翻倍，达到7490亿美元。随着各行业 IT 领导者们不断推动 AI 战略的落实，未来的应用场景将更加丰富多样。图源备注:图片由AI生成，图片授权服务商Midjourney在这一趋势下，越来越多的企业开始试验生成式人工智能（Gen AI），并已经在生产中应用。以 Dairyland Power Cooperative 的首席信息官奈特・梅尔比为例，该公司已经开发出大型语言模型(LLM)，不仅可以自动化文档摘要，还

人工智能行业迎来重大转折点:领先企业纷纷改变发展方向，从追求更大规模的语言模型转向专注于提升模型的思考能力。这一转变将重塑整个AI行业的发展格局。据路透社报道，主要AI实验室正面临困境。开发大型语言模型不仅需要投入数千万美元，还常常遭遇系统崩溃等技术难题，评估一个模型的性能往往需要持续数月之久。这种发展瓶颈已经波及行业巨头。有报道称OpenAI的新型Orion模型相比GPT-4提升有限，谷歌的Gemini2.0也遇到类似困境。Anthropic方面，其首席执行官Dario Amodei表示正在重新

大型语言模型（LLM）的崛起为人工智能应用带来了革命性的变化，然而，它们在处理表格数据方面却存在着明显的不足。 浙江大学计算创新研究院的研究团队针对这一问题，推出了一款名为 TableGPT2的全新模型，它能够直接且高效地整合和处理表格数据，为商业智能(BI)和其他数据驱动型应用开辟了新的可能性。TableGPT2的核心创新在于其独特的表格编码器，该编码器专门设计用于捕获表格的结构信息和单元格内容信息，从而增强模型处理现实应用中常见的模糊查询、缺失列名和不规则表格的

近日，密歇根大学的一项新研究发现，一种训练大型语言模型的省力方法可以在相同的时间内完成，但能耗可降低30%。这种方法可以节省足够的能源，到2026年为110万美国家庭供电。研究人员开发了一款名为 Perseus 的软件工具，通过识别关键路径，即需要最长时间才能完成的一系列子任务。然后，Perseus 会降低非关键路径上的处理器速度，以便它们都能在同一时间完成工作，从而消除不必要的功耗。该团队通过训练 GPT-3、其他三个大型语言模型和一个计算机视觉模型来测试 Perseus。结果表明

埃隆马斯克的xAI今天宣布其应用程序编程接口（API）现已向公众开放，并且到今年年底每月可免费获得25美元的API积分。该API允许开发人员在xAI的Grok大型语言模型(LLM)上构建应用程序。xAI的API定价为每百万输入代币5美元，每百万输出代币15美元，与OpenAI的GPT-4o模型和Anthropic的Claude3.5Sonnet模型相比，xAI的定价略高。然而，免费的25美元积分可能足以吸引一些开发人员至少查看xAI的工具和平台。xAI的API还支持“函数调用”，允许LLM接受命令并访问其他连接的应用程序和服务的功能。同时，xAI的A

近日，Meta AI 的研究团队与加州大学伯克利分校及纽约大学的研究人员合作，推出了一种名为思维偏好优化（Thought Preference Optimization， TPO）的方法，旨在提升经过指令微调的大型语言模型(LLM)的回应质量。与传统模型仅关注最终答案不同，TPO 方法允许模型在生成回应前进行内部思考，从而产生更加准确和连贯的回答。这种新技术结合了改进版的思维链（Chain-of-Thought， CoT）推理方法。在训练过程中，该方法鼓励模型在回应前先进行 “思考”，帮助其构建更为系统的内部思维过程。以往的直

麻省理工学院（MIT）本周展示了一种全新的机器人训练模型，该模型放弃了以往专注于特定数据集的训练方法，转而采用类似大型语言模型(LLMs)训练时使用的海量信息。研究人员指出，模仿学习——即代理通过模仿执行任务的个体来学习——在遇到小的挑战时可能会失败。这些挑战可能包括不同的光照条件、不同的环境设置或新的障碍物。在这些情况下，机器人没有足够的数据来适应这些变化。图源备注：图片由AI生成，图片授权服务商Midjourney团队借鉴了像GPT-4这样的模型，采用了一种粗

麻省理工学院本周展示了一种训练机器人的新模型，旨在解决模仿学习在引入小挑战时可能会失败的问题。研究人员指出，模仿学习在照明、不同环境或新障碍等情况下可能会失败，因为机器人根本没有足够的数据来适应。该团队寻求像 GPT-4这样的模型来寻找一种强力数据方法来解决问题。他们引入了一种名为异构预训练变压器（HPT）的新架构，该架构将来自不同传感器和不同环境的信息汇集在一起。然后使用变压器将数据汇总到训练模型中。变压器越大，输出越好。用户可以输入机器人

Meta 近日宣布，其 MobileLLM 模型现已向研究人员开放，用户可在 Hugging Face 平台上免费下载并使用这些模型，这些模型已与 Transformers 库全面集成。这一举措旨在推动移动设备上的大型语言模型（LLM）的研究和开发，为开发者和学术界提供更广泛的工具与资源。MobileLLM 是 Meta 在移动 AI 领域的重要进展。它的推出标志着 Meta 在降低大型语言模型使用门槛方面的重要一步。这些模型能够在移动设备上运行，使得开发者能够在更广泛的应用场景中利用 AI 技术。研究人员现在可以直接在自己的项目

AI 竟然开始“长脑子”了?!麻省理工学院的最新研究表明，大型语言模型（LLM）的内部结构，竟然和人脑有着惊人的相似之处!这项研究利用稀疏自编码器技术，对LLM的激活空间进行了深入分析，发现了三个层级的结构特征，令人惊叹:首先，在微观层面上，研究人员发现了类似“晶体”结构的存在。这些“晶体”的面是由平行四边形或梯形构成，类似于我们熟知的词汇类比，例如“男人:女人::国王:女王”。更令人惊讶的是，通过线性判别分析技术去除一些无关的干扰因素（如词语长度）后