正文:在人工智能技术不断进步的背景下，微软近日开源了一款名为 Magentic-One 的通用 AI 代理系统，具备五级架构，能够在法律、医疗、金融、教育等多个领域中实现高度自动化的任务处理。这一创新系统的设计旨在帮助用户提高工作效率，简化复杂的日常工作任务。Magentic-One 的架构由五个智能体层级组成。首先是 Orchestrator，它负责将复杂的任务分解为多个子任务，并指导其他智能体执行这些子任务。其主要功能是任务的规划与监控，确保整体进度的顺利进行。接下来是 WebSurfer，这个智能

今日，智谱技术团队发布了其最新的视频生成模型 CogVideoX v1.5，并将其开源。这一版本是自8月以来，智谱技术团队推出的 CogVideoX 系列中的又一重要进展。据了解，此次更新大幅提升了视频生成能力，包括支持5秒和10秒的视频长度、768P 的分辨率以及16帧的生成能力。同时，I2V（图像到视频）模型也支持任意尺寸比例，进一步增强了复杂语义的理解能力。CogVideoX v1.5包含两个主要模型:CogVideoX v1.5-5B 和 CogVideoX v1.5-5B-I2V，旨在为开发者提供更强大的视频生成工具。更值得关注的是，CogVideoX v1.5将

北京智谱华章科技有限公司宣布，其旗下的CogVideoX系列模型推出了最新版本——CogVideoX v1.5，并已对外开源。自8月初发布以来，该系列模型凭借其行业领先的技术和深受开发者喜爱的特性，已经成为视频生成领域的佼佼者。新版本CogVideoX v1.5在原有基础上进行了显著升级，包括增强了视频生成能力，现在支持5/10秒、768P、16帧的视频生成，并且I2V模型能够支持任意尺寸比例，大幅提升了图生视频的质量和复杂语义理解。

Stability AI近日推出了其最新的深度学习文本到图像生成模型 ——Stable Diffusion3.5。这一版本包括三种改进的开源模型，旨在满足不同用户的需求，包括研究人员、企业客户和爱好者。其中，Stable Diffusion3.5Large 是整个系列中最强大的模型，参数高达81亿。该模型以其卓越的图像质量和对提示的高度响应能力，成为专业用户的理想选择，能够生成分辨率达到1兆像素的高质量图像。此外，Stable Diffusion3.5Large Turbo 是 Stable Diffusion3.5Large 的简化版。它在生成高质量图像的同时，极大地提升了速度，仅

近日，来自多家中国科研机构的研究团队重磅发布了名为Infinity-MM的超大规模多模态数据集，并基于该数据集训练出了一个性能卓越的AI模型Aquila-VL-2B。这一突破为多模态AI发展注入了新动力。Infinity-MM数据集规模惊人，共包含四大类数据:1000万条图像描述、2440万条通用视觉指令数据、600万条精选高质量指令数据，以及300万条由GPT-4等AI模型生成的数据。研究团队采用开源AI模型RAM++进行图像分析和信息提取，并通过独特的六大类分类系统确保生成数据的质量和多样性。图源备注：图片由AI生成

腾讯混元3D生成大模型是业界首个同时支持文字、图像生成3D的开源大模型，首批开源模型包含轻量版和标准版，轻量版能在10秒内生成高质量3D资产。该模型已在技术社区公开发布，包含模型权重、推理代码、模型算法等完整模型，可供开发者、研究者等各类用户免费使用。

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

近期，开源社区传来好消息:上海AI Lab团队发布了LLaMA版o1项目，旨在复刻OpenAI的奥数解题神器o1。该项目采用了多种先进技术，包括蒙特卡洛树搜索、Self-Play强化学习、PPO以及AlphaGo Zero的双重策略范式，引起了开发者社区的广泛关注。早在OpenAI的o1系列发布之前，上海AI Lab团队就开始探索利用蒙特卡洛树搜索来提升大模型的数学能力。o1发布后，团队进一步升级算法，专注于数学奥赛问题，并将其作为OpenAI草莓项目的开源版本进行开发。为了提升LLaMA模型在数学奥赛问题上的表现，团队采用了

在AI视觉领域，目标定位一直是个老大难问题。传统的算法就像个“近视眼”，只能粗略地用“框框”圈出目标，却看不清里面的细节。这就好比你跟朋友描述一个人，只说了个大概身高体型，朋友能找到人才怪!为了解决这个问题，一群来自伊利诺伊理工大学、思科研究院和中佛罗里达大学的大佬们，开发了一套名为SegVG的全新视觉定位框架，号称要让AI从此告别“近视眼”!SegVG的核心秘诀就是:“像素级”细节!传统的算法只用边界框信息训练AI，相当于只给AI看个模糊的影子。而SegVG则是把

美国初创公司 Useful Sensors 推出了一款名为 Moonshine 的开源语音识别模型。Moonshine 的设计旨在更高效地处理音频数据，相比于 OpenAI 的 Whisper，它在计算资源的使用上更为经济，处理速度快五倍。这一新模型专为在资源有限的硬件上实现实时应用而打造，具有灵活的架构。与 Whisper 将音频分为固定的30秒片段处理不同，Moonshine 根据实际音频长度调整处理时间。这使得它在处理较短音频片段时表现出色，减少了由于零填充而产生的处理开销。Moonshine 有两个版本:小型的 Tiny 版本参数量为2710万，

在当今科技的浪潮中，对话式人工智能（AI）已经成为我们生活中的重要组成部分。然而，快速、高效和实时的互动仍然是一个不小的挑战。尤其是延迟问题，指的是输入与响应之间的时间差，常常让客服机器人和虚拟助手的体验变得缓慢，影响用户的使用感受。为了填补这一空白，Standard Intelligence Lab 最近推出了 Hertz-Dev，一个开源的8.5亿参数音频模型，旨在实现实时对话 AI 的飞跃。Hertz-Dev 的最大亮点是其出色的性能指标，理论延迟仅为80毫秒，实际使用中的延迟为120毫秒，所有这一切都

在最新的开发者平台 GitHub 的报告中，Python 已经成功超越 JavaScript，成为使用最广泛的编程语言。这一变化主要源于当前持续火热的生成式人工智能（AI）热潮。Python 在机器学习、数据科学和科学计算领域的日益重要性，推动了其在开源社区的崛起。GitHub 指出，Python 的流行与越来越多的 STEM（科学、技术、工程和数学）开发者加入开源社区密切相关。尽管有人担心人工智能驱动的编码可能导致开源项目中的代码质量下降，GitHub 却表示没有看到 AI 导致低质量贡献的迹象。实际上，生成式 AI

近日，开源AI聊天工具LobeChat宣布其云服务公测一个月以来，月收入突破3万元人民币（约4000美元），付费用户数达到60多人，取得了初步的成绩。LobeChat团队表示，这个成绩让他们看到了开源项目商业化的希望。仅需约60名付费用户，就能支撑团队的日常运营，这与传统互联网动辄追求百万级用户的思路截然不同。官网地址:https://lobechat.com/welcome然而，LobeChat也面临着付费转化率低的挑战。目前，LobeChat云服务的注册用户超过7000人，但付费用户仅占不到1%。团队分析，这可能是因为市场竞争激

大模型（LLM）如GPT、Llama等在人工智能领域掀起了一场革命，但如何高效地训练这些庞大的模型并使其符合人类价值观仍然是一个难题。强化学习与人类反馈（RLHF）作为一种重要的LLM训练方法，近年来得到广泛应用，但传统的RLHF框架在灵活性、效率和可扩展性方面存在局限性。为解决这些问题，字节跳动豆包大模型团队开源了名为HybridFlow的RLHF框架，为LLM训练带来了新的可能性。RLHF通常包含三个阶段:首先，actor模型根据输入的提示生成文本;然后，critic模型、reference模型和reward模型对生成

微软近期推出的屏幕内容解析工具OmniParser，本周跃居人工科技开源平台HuggingFace最受欢迎模型榜首。据HuggingFace联合创始人兼首席执行官Clem Delangue表示，这是该领域首个获此殊荣的解析工具。OmniParser主要用于将屏幕截图转化为结构化数据，帮助其他系统更好地理解和处理图形用户界面。该工具采用多模型协同工作方式:YOLOv8负责检测可交互元素位置，BLIP-2分析元素用途，同时配备光学字符识别模块提取文本信息，最终实现对界面的全面解析。这一开源工具具有广泛的兼容性，可支持多种主

Google在东京举办的Gemma开发者日上发布重磅消息:全新日语版Gemma模型正式亮相。这款小巧精悍的AI模型以仅20亿参数的规模，却能同时驾驭日语和英语，展现出与GPT-3.5相媲美的性能。这一技术突破尤为令人瞩目。在AI领域，小型模型在学习新语言时常常面临"灾难性遗忘"的挑战——即在获取新知识的过程中丢失先前掌握的能力。而日语版Gemma却成功克服了这一难题，实现了双语能力的完美平衡。为推动全球开发者社区的参与，Google不仅通过Kaggle和Hugging Face平台开放了模型权重，还提供了完整的

近日，一个名为Ultralight-Digital-Human的开源项目在开发者社区引发广泛关注。这个项目成功解决了数字人技术在移动端的部署难题，让普通智能手机也能实时运行数字人应用，为相关技术的普及带来新的可能。这款超轻量级数字人模型采用了创新的深度学习技术，通过算法优化和模型压缩，成功将庞大的数字人系统"瘦身"到可以在移动设备上流畅运行的程度。系统支持实时处理视频和音频输入，并能快速合成数字人形象，响应及时，运行流畅。在技术实现上，该项目集成了Wenet和Hubert两种音频

AI 初创公司 Moondream 正式宣布完成450万美元的种子融资，并提出了一个颇具颠覆性的观点:在 AI 模型的世界里，小型模型可能更具优势。该公司得到了 Felicis Ventures、微软的 M12GitHub 基金和 Ascend 的支持，推出了一款仅有16亿参数的视觉语言模型，却能够与四倍于其规模的模型在性能上相媲美。Moondream 的开源模型已经引起了广泛关注，下载量超过200万次，GitHub 上的星标也达到了5100个。公司的首席执行官 Jay Allen 表示:“这个模型特别之处在于，它不仅小巧而且准确度高，运行起来也非常顺畅，

最近，开放源代码倡议组织（OSI）发布了一项新定义，明确什么才算是真正的 “开源” 人工智能。这一新标准引起了科技巨头们的关注，尤其是 Meta 的 Llama 模型，因为它并不符合这些规则。OSI 一直是开放源代码软件的行业标准制定者，但在 AI 系统中，有一些传统许可证未能覆盖的元素，比如模型训练数据。根据 OSI 的新定义，任何被认为是真正开放源代码的 AI 系统必须提供三样东西:首先是有关训练 AI 所用数据的详细信息，以便他人能够理解并重现这些结果;其次是用于构建和运行 AI 的

最近，Meta AI 团队带来了 LongVU，这是一种新颖的时空自适应压缩机制，旨在提升长视频的语言理解能力。传统的多模态大型语言模型（MLLMs）在处理长视频时面临着上下文长度的限制，而 LongVU 正是为了解决这一难题而诞生。LongVU 的工作原理主要通过过滤重复帧、跨帧token压缩等方法来高效使用上下文长度，能够在保持视频视觉细节的同时减少视频中的冗余信息。具体来说，团队使用 DINOv2的特征来剔除那些高度相似的冗余帧。接着，通过文本引导的跨模态查询，实现了选择性地减少帧特征