微软最近在 Windows11Insider 测试者的最新开发频道版本中推出了 AI 驱动的 Windows 搜索功能。这项新功能首次在10月份宣布，旨在利用语义索引技术，帮助用户以更自然的语言搜索本地文件。需要注意的是，用户必须拥有一台 C o p i l o t Plus PC 才能使用这一功能。这项 AI 搜索功能可以应用于 “设置”、“文件资源管理器” 或任务栏中的搜索框，无论用户在哪里进行搜索，都可以享受到这一便利。此外，得益于C o p i l o t Plus 计算机中的 NPU 芯片，这项技术支持离线使用，无需连接互联网。当前

苹果公司近期发布了 iOS18.3开发者测试版，决定暂时停用新闻和娱乐类应用的通知AI摘要功能。这一功能原本是由苹果智能技术支持的，但在使用过程中遭到了不少用户的批评，尤其是因为它在总结内容时出现了严重错误，比如对于 BBC 的报道进行了错误解读。根据 MacRumors 和9to5Mac 的报道，苹果公司表示将会在未来的软件更新中重新启用这一功能，并持续改进它。在最新的测试版中，苹果明确指出，通知摘要功能仍处于测试阶段，可能会出现一些错误。为了方便用户，苹果还增加了一项新功

近日，清华大学、复旦大学与斯坦福大学的研究团队联合发布了一款名为 “Eko” 的 Agent 开发框架，旨在通过简单的代码和自然语言帮助开发者快速构建可用于生产的 “虚拟员工”。Eko 框架能够接管用户的电脑和浏览器，代替人类完成各种繁琐的任务。通过 Eko，用户可以实现自动化的数据收集、测试和文件管理等功能。例如，用户可以设定 Eko 自动收集雅虎财经上的最新股票数据，并生成可视化报告。又如，Eko 能够进行登录页面的自动化测试，以确保系统的安全性和稳定性。这一切都意

阿联酋穆罕默德・本・扎耶德人工智能大学（MBZUAI）近日发布了一款名为 LlamaV-o1的先进人工智能模型，能够高效解决复杂的文本和图像推理任务。这一模型通过结合前沿的课程学习和先进的优化技术，如波束搜索（Beam Search），在多模态人工智能系统中树立了新的基准，特别是在逐步推理的透明性和效率方面。LlamaV-o1的研究团队表示，推理是解决复杂多步骤问题的基本能力，尤其是在需要逐步理解的视觉情境中。经过特别调校，该模型在许多领域中表现出色，例如分析财务图表和医学影像

日前，马斯克旗下的人工智能公司 xAI 正式发布了其首款面向消费者的独立应用 ——Grok。Grok 应用自1月10日起在苹果应用商店上架，用户可以免费下载并体验这款新应用。之前，用户只能通过社交媒体平台 X 来接触到 xAI 的产品，而 Grok 应用的推出则使得更多用户能够直接与该技术互动，进一步拓宽了其用户基础。在 Grok 应用的描述中，可以看到它目前仍处于 “测试版” 阶段，仅在美国市场推出。应用的内容强调了用户将能够免费访问 xAI 的最新人工智能模型 ——Grok2。这一模型在自然语

微软近期在 Hugging Face 平台上发布了名为 Phi-4的小型语言模型，这款模型的参数量仅为140亿，但在多项性能测试中表现出色，超越了众多知名模型，包括 OpenAI 的 GPT-4o 及其他同类开源模型如 Qwen2.5和 Llama-3.1。在之前的在美国数学竞赛 AMC 的测试中，Phi-4获得了91.8分，显著优于 Gemini Pro1.5、Claude3.5Sonnet 等竞争对手。更令人惊讶的是，这款小参数模型在 MMLU 测试中取得了84.8的高分，充分展现了其强大的推理能力和数学处理能力。与许多依赖于有机数据源的模型不同，Phi-4采用了创新的方法来生

OpenAI 近日在 AI 安全领域展示了其更为积极的红队测试策略，超越了其竞争对手，尤其是在多步强化学习和外部红队测试这两个关键领域。公司发布的两篇论文为提升 AI 模型的质量、可靠性和安全性设立了新的行业标准。第一篇论文《OpenAI 的 AI 模型与系统外部红队测试方法》指出，外部专业团队在发现内部测试可能遗漏的安全漏洞方面极为有效。这些外部团队由网络安全和特定领域的专家组成，能够识别模型安全边界的缺陷，以及模型中的偏差和控制问题。第二篇论文《多样化和有效的

OpenAI 最近推出的 o3AI 模型被认为是其最强大的人工智能产品，但其运行成本却令人咋舌，单次任务费用超过1000美元。根据 TechCrunch 的报道，这款新模型在处理复杂问题时采用了一种称为 “测试时计算” 的技术，意味着它在得出答案前会花费更多时间进行思考和探索多种可能性。因此，OpenAI 工程师希望 o3能够在复杂提示下产生更优质的回应。根据 ARC-AGI 基准测试的创始人 François Chollet 的说法，o3在其强大的 “高计算模式” 下，得分达到了87.5%，几乎是前一代 o1模型得分32% 的三倍。这表明

全球最大的芯片测试设备供应商Advantest的首席执行官道格·勒费弗表示，如果数据中心投资放缓，对人工智能（AI）智能手机的需求可能会帮助半导体行业的某些领域免受“恶性”衰退的影响。勒费弗表示，他正在密切关注美国大型科技公司在AI领域的支出是否放缓。Meta、谷歌和微软一直是数据中心的主要投资者，这些数据中心能够提供大量的计算能力。勒费弗表示，数据中心建设放缓“可能不会持续太久，然后可能会恢复，但由于目前市场上[超大规模企业]的高度集中，数据中心建设的任

Mindgard 宣布完成800万美元的融资，旨在加速其研发进程，并推动其在美国市场的扩展。此次融资由.406Ventures 领投，参与投资的还有 Atlantic Bridge、Willowtree Investments 及现有投资者 IQ Capital 和 Lakestar。同时，Mindgard 还任命了两位行业领军人物，分别担任产品负责人和市场副总裁，以强化公司的产品开发和市场推广。随着 AI 技术的迅速普及，新的安全风险层出不穷，传统的安全工具难以应对这种复杂的安全环境。Gartner 的研究显示，29% 的企业在部署 AI 系统时报告遭遇安全 breaches，而仅有10% 的内

近日，谷歌的 Gemini 人工智能项目正在通过比较其输出结果与 Anthropic 公司的 Claude 模型来提升自身性能。据 TechCrunch 获得的内部通信记录显示，负责 Gemini 改进的承包商正在系统地评估这两种 AI 模型的回答。图源备注：图片由AI生成，图片授权服务商Midjourney在 AI 行业，模型的性能评估通常通过行业基准测试来进行，而不是让承包商逐一对比不同模型的答案。负责 Gemini 的承包商需要根据多个标准对模型的输出进行评分，包括真实性和详细程度。他们每次有多达30分钟的时间来判断 Gemini 和

OpenAI 发布的最新模型 o3在 ARC-AGI 基准测试中取得了惊人的成绩，标准计算条件下得分高达75.7%，而高计算版本更是达到了87.5%。这一成就令 AI 研究界感到意外，但仍无法证明人工智能通用性（AGI）已被破解。ARC-AGI 基准测试基于抽象推理库（Abstract Reasoning Corpus），该测试旨在评估 AI 系统适应新任务和展示流动智力的能力。ARC 包含一系列视觉谜题，需要理解基本概念如物体、边界和空间关系。人类能够轻松解决这些谜题，而目前的 AI 系统在这方面却面临很大挑战。ARC 被认为是 AI 评估中最

马斯克的人工智能公司 xAI 目前正在测试一款独立的 iOS 应用，名为 Grok。这款聊天机器人之前仅限于 X 平台的用户使用。现在，Grok 的应用已经在澳大利亚和其他一些国家进入测试阶段，用户可以通过这个应用获取实时数据，提供更为丰富的交互体验。Grok 不仅可以回答用户提出的问题，还具备生成图像的能力。根据应用的描述，Grok 的功能包括文本重写、长段落摘要、问答以及根据文本提示生成图像等。该应用力求在提供信息的同时，确保信息的真实性、实用性和好奇心。用户只需上传图

在2024年12月19日的发布会上，智源研究院与腾讯宣布推出LongBench v2，这是一个专为评估大语言模型（LLMs）在真实世界长文本多任务中的深度理解与推理能力而设计的基准测试。该平台旨在推动长文本模型在理解和推理方面的进步，回应了当前长文本大语言模型在应用中的挑战。

微信平台推出了一项新功能——“作者朗读音色”，允许公众号作者通过个性化语音为文章配音。这一功能意味着读者可以通过点击“🎧听全文”来聆听作者用自己的声音朗读的文章，增强了阅读体验的互动性和个性化。

Waymo，Alphabet 公司的自动驾驶部门，宣布计划于2025年初在东京启动其自动驾驶汽车技术的测试，这是该公司自动驾驶出租车首次在美国以外的公共道路上行驶。此次进军日本是Waymo的“公路之旅”项目的一部分，旨在将其技术推广至多个城市并进行实地测试，每个城市都面临不同的挑战。在东京，Waymo的自动驾驶出租车将面临与美国不同的交通环境，包括左侧驾驶和更加复杂的城市街道。该公司表示，东京的密集交通和独特的道路布局将为其自动驾驶技术提供新的考验。过去，Waymo的公路测

近日，阿里巴巴 Qwen 团队的研究人员推出了一个名为 “PROCESSBENCH” 的新基准测试，旨在衡量语言模型在数学推理中识别过程错误的能力。随着语言模型在复杂推理任务中取得显著进展，这一领域的研究者们发现，尽管模型表现出色，但在处理某些困难问题时依然面临挑战。因此，开发一种有效的监督方法显得尤为重要。当前，针对语言模型的评估基准存在一些不足之处。一方面，一些问题集对于高级模型而言变得过于简单，另一方面，现有的评估方法往往只提供二元的正确性评估，而缺

阿里巴巴达摩院联合魔搭社区ModelScope近期宣布开源一项新的多语言基准测试集P-MMEval，旨在全面评估大型语言模型（LLM）的多语言能力，并进行跨语言迁移能力的比较分析。这一测试集覆盖了基础和专项能力的高效数据集，确保了所有挑选的数据集中多语言覆盖的一致性，并提供了跨多种语言的并行样本，最高支持来自8个不同语族的10种语言，包括英语、中文、阿拉伯语、西班牙语、日语、韩语、泰语、法语、葡萄牙语和越南语。

人工智能领域的一个重要基准，ARC-AGI，即“通用人工智能抽象和推理语料库”，即将取得突破性进展。然而，测试的创始人弗朗索瓦·肖莱（Francois Chollet）警告，尽管成绩提高，但这并不意味着我们接近实现通用人工智能(AGI)。他指出，这项测试本身存在设计缺陷，且其所能揭示的并非真正的研究突破。自2019年肖莱推出ARC-AGI以来，AI系统在测试中始终表现不佳，迄今为止，表现最好的系统仅能解决不到三分之一的任务。肖莱表示，这主要归咎于目前人工智能研究过于依赖大型语言模型（L

Meta近日宣布，推出其Llama系列的最新成员——Llama3.370B。Meta的生成式AI副总裁Ahmad Al-Dahle在X平台上发布了这一消息，并指出，Llama3.370B在性能上相较于Meta之前最大的Llama模型Llama3.1405B取得了显著进步，同时成本大幅降低。Al-Dahle表示，通过利用训练后的最新技术，Llama3.370B不仅提升了性能，而且降低了运营成本。根据Meta发布的基准测试结果，Llama3.370B在多个领域超过了谷歌的Gemini1.5Pro、OpenAI的GPT-4和亚马逊新发布的Nova Pro，尤其在评估模型理解语言能力的MMLU测试中表现优异。该模型现已可以从