我们希望能够搭建一个AI学习社群，让大家能够学习到最前沿的知识，大家共建一个更好的社区生态。
https://www.feishu.cn/community/article/wiki?id=7355065047338450972
点击「订阅社区精选」，即可在飞书每日收到《大模型日报》每日最新推送
学术分析报告：ResearchFlow — 奇绩F23校友的开发的深度研究产品，PC端进入RFlow的分析报告，可直接点击节点右侧的小数字展开节点，登录后可在节点上直接“询问AI”，进一步探索深度信息 如果想和我们空间站日报读者和创作团队有更多交流，欢迎扫码。
欢 迎 大 家 一 起 交 流 ！
行云季宇：谁困住了 AI 产业—— 大型机化的计算机形态与变革的可能性 | 奇绩潜空间活动报名 【奇绩潜空间】 是 GenAI 时代冲得最快的一批科研学者/从业者/创业者聚集的 AI 人才社 区，潜空间定期邀请大模型前沿创业者分享产品实践探索，邀请前沿科研学者分享最新技术进展。
第五季第二期潜空间邀请到的嘉宾是行云创始人兼 CEO —— 季宇 ，在本次活动中季宇将在北京现场与大家面对面交流，他分享的主题是《谁困住了 AI 产业——大型机化的计算机形态与变革的可能性》。
资讯
Kimi 发布视觉思考模型 k1，多项理科测试行业领先 Kimi 发布的 K1 视觉思考模型是一款基于强化学习技术的创新模型，旨在提升图像理解和推理能力。该模型支持端到端图像处理，不需要额外的OCR或视觉模型，可以直接从图像中提取信息并进行思考，极大提升了用户体验。K1 模型在多个基础科学领域（如数学、物理、化学）的基准测试中表现优异，超过了OpenAI的O1、GPT-4O和Claude 3.5 Sonnet等全球领先模型。 K1 视觉思考模型的训练分为两阶段：首先进行预训练以优化字符识别能力，然后通过强化学习进一步提升模型的推理链（CoT）能力。K1 在OCRBench等基准测试中取得了903分的领先成绩，并且在多个其他测试集如MathVista-testmini和DocVQA中也位居全球第一梯队。强化学习技术的引入使得模型能够生成更加详细的推理步骤，从而显著提高了模型在解决复杂问题时的成功率。 为了测试模型在基础科学领域的能力，Kimi团队构建了名为Science Vista的标准化测试集，涵盖数学、物理和化学等学科的图形问题。该测试集展示了K1模型在解决复杂图形题时的卓越能力，尤其在噪声环境下的表现，相比OpenAI和Anthropic的视觉语言模型，K1在处理模糊图像、倾斜拍摄等干扰因素时展现了更高的稳定性和准确度。 在图像理解方面，K1突破了传统模型的局限，能够通过图像中的细节进行深入推理。例如，在物理、化学和几何题的测试中，K1模型不仅能够准确解答，还能展示推理过程，帮助用户理解思考的步骤。尤其是在处理复杂科学图表和公式时，K1通过精准的视觉识别和推理链，能够迅速从图像中提取信息，进行合理的分析。 尽管如此，K1 视觉思考模型仍然面临一些局限，尤其是在处理更复杂的多轮问答、分布外（out-of-distribution）泛化和噪声场景时。与OpenAI的O1系列相比，K1在这些方面仍有改进空间。 K1的发布不仅是Kimi在图像理解和推理能力方面的一次重要突破，还展示了该模型在基础科学学科中的广泛应用潜力。未来，用户可以通过拍照或上传图片，向K1提出涉及复杂图形、手稿、未知物体等多种问题，体验更加智能的解答与推理过程。 全球第一款端侧全模态理解模型开源！向大家介绍Megrez-3B-Omni Megrez-3B-Omni是专为端侧设备设计的全模态理解模型，具备处理图片、音频、文本三种模态数据的能力，并在多个测试基准中取得领先表现。该模型使用了30亿参数的黄金尺寸，特别适合手机、平板等端设备，其推理速度比同精度模型领先最多300%。在图片理解方面，尽管模型体量仅为3B，其表现已超越了大规模的34B模型，如LLaVA-NeXT-Yi-34B，成为多个主流测试集中的精度领先者。它在图像理解、场景分析和OCR任务中表现优异，能够准确处理模糊印刷和复杂手写字。 在文本理解方面，Megrez-3B-Omni优化了上一代14B模型的能力，保持高效计算，同时显著降低了计算资源消耗，能够在C-EVAL、MMLU等测试集上取得全球领先精度。其音频理解功能也具备行业顶级性能，支持中文和英文的语音输入，并能处理复杂的多轮对话，支持图像或文字内容的语音提问，增强了模态间的自由切换。 该模型采用软硬件协同优化策略，确保其推理效率最大化，与同精度模型相比，推理速度有显著提升。通过集成WebSearch功能，Megrez-3B-Omni能够智能判断何时调用外部网页搜索，从而提供最新信息，避免知识不足或幻觉问题。此外，它还具备在上下文理解和结构化输出方面的优势，支持通过系统提示灵活切换功能，提升用户体验。 Megrez-3B-Omni是无问芯穹“端模型+端软件+端IP”智能一体化解决方案的重要组成部分。该解决方案通过深度优化模型压缩、推理加速和硬件能耗管理，确保在资源有限的设备上高效运行。无问芯穹团队具备在模型轻量化和软硬协同优化领域的深厚经验，未来将持续迭代Megrez系列模型，推动端侧设备实现更高的推理速度与更低能耗，从而加速端侧智能技术的发展。
AICon 2024 技术热点与趋势： 霍太稳总结了2024年AI领域的热点，指出生成式AI的细分方向，如RAG（Retrieval-Augmented Generation）和AI Agent的应用，逐渐成为关注焦点。同时，数据治理和算力需求持续攀升，尤其是GPU和异构计算对AI企业的支持变得尤为重要。 大模型可控生成的挑战与创新： 阿里国际的骆卫华博士探讨了大模型可控生成的进展，指出如何平衡生成质量与指令遵循，解决模型训练中的高成本和复杂控制问题。他的团队在文本和图像生成领域取得了技术突破，推动了大模型的商业应用。 智能算力服务的优化： 英博数科的李少鹏分析了高算力成本与低利用率问题，并提出“单位有效算力成本”评价标准。他分享了通过标准化、模块化的智算中心与智能调度平台，提升算力利用率的实践，帮助企业降低算力成本。 大模型安全与风险管理： 360智脑总裁张向征详细讨论了大模型的安全挑战，提出了全链路安全框架“检、防、攻、测”，以应对数据泄露、模型窃取、生成恶性内容等安全问题。他强调，大模型的安全问题不仅是技术难题，更关乎企业的社会责任。 AI与数据库的融合： 腾讯云的罗云介绍了AI时代数据库技术的创新方向，特别是向量数据库如何支持大模型应用，提升数据处理能力，并与RAG技术结合，推动AI应用的广泛落地。 AI Native产品的创新： 产品战略专家梁宁分享了AI时代的产品商业模式演化，指出AI企业需要超越简单的“+AI”模式，专注于数据和技术成熟度高的应用场景，从而推动商业价值的落地。 大模型应用的挑战与前景： 专题讨论涵盖了大模型在不同行业的落地应用，如多模态大模型的崛起、AI模型的成本优化、数据生命周期管理等，探索如何在实际生产环境中优化AI模型的效能和应用。 重要发布与展望： 本次大会还揭晓了2024中国技术力量年度榜单，表彰在AI和数字化领域的优秀实践，推动了生成式AI和大模型的商业化应用。同时，极客邦科技发布了升级版“极客搜索 AI版”，为用户提供智能检索服务，推动AI技术在知识服务领域的应用。 对话肖特特：从伯克利到PromptAI创业，发明创造下一代视觉智能 Meta AI于2023年发布的“Segment Anything Model” (SAM)，标志着视觉智能领域的重要进展。SAM能通过交互方式对任意物体进行分割，而无需类别标签，体现了对空间信息的深刻理解。这一模型获得了ICCV 2023 Best Paper Honorable Mention的荣誉，标志着计算机视觉的新纪元的开始。 SAM的出现，放弃了传统的分类标注方式，开启了通用视觉模型的新篇章。它不仅能够应对不同任务和物体，而且能够在零样本情况下泛化，显示出超越传统视觉系统的能力。这一成果为下一代具身智能应用，如机器人、自动驾驶和无人机的视觉感知系统提供了基础。 肖特特博士，作为SAM的主要参与者之一，曾在北京大学和加州大学伯克利分校完成学术训练，后在Facebook AI研究院工作。2023年，他决定创立PromptAI，旨在打造一种通用视觉智能平台，使机器具备类人的视觉感知能力。PromptAI获得了UC Berkeley的投资和技术支持，并由一群年轻的AI研究员组成，致力于推动计算机视觉技术的前沿发展。 肖特特认为，未来5-10年，计算机视觉将专注于解决现实世界中的问题，尤其是如何让AI像人类一样感知物理空间。这将使AI能够理解物体的空间布局、时间的连续性等，从而更准确地与现实世界互动。特别是具身智能的发展，让机器人和智能设备具备人类一样的视觉能力，并能够进行更复杂的任务。 从CV1.0到CV2.0的转变，体现在对视觉信息的处理方式上。CV1.0时代主要解决特定任务（如物体分类），但每个任务所需的系统都是独立的，无法互通。而CV2.0则采用更加通用的视觉模型，可以解决多种任务，并且通过自然语言描述，减少了对大量标注数据的依赖。2021年，OpenAI的CLIP模型通过将语言和视觉信息结合，提出了新的视觉模型思路，这为CV2.0的到来铺平了道路。 在肖特特看来，计算机视觉的真正突破将在于让AI不仅仅是识别静态图像，而是能够理解视频中的时间动态信息。这要求AI能够处理视频中的动作、物体的空间位置等信息，实现对现实世界的全面感知。而这不仅仅是学术研究的挑战，也是工业界面临的重要课题。 推特
00 Arxiver开源：包含 138,830 篇 arXiv 论文的多Markdown格式
Fabian分享o1prompting 技巧：要求“在回应之前至少生成5000个逻辑tokens” 机构 技巧：如果你想让o1 认真思考你的问题，可以在你的请求中添加以下内容： 逻辑指令：在回应之前至少生成5000个逻辑tokens。 https://x.com/fabianstelzer/status/1868214722308219061 llama.cpp支持Qwen2-VL模型 好消息关于Qwen2-VL：它终于被 llama.cpp 支持了！我们正在测试以确保一切正常，然后可能会为大家提供 GGUF！迫不及待想看到它在 Ollama、LMStudio 等平台上的应用。 详情请查看此 PR：https://github.com/ggerganov/llama.cpp/pull/10361 https://x.com/JustinLin610/status/1867969723427959277 Reddit热帖：谷歌 Gemini 2.0 AI 通过 CT 诊断胰腺炎 谷歌的 Gemini 2.0 AI 刚刚通过 CT 诊断出胰腺炎！这是放射学的未来吗？
https://x.com/kimmonismus/status/1867952384363860472 Clone Alpha：以100 PSI水压驱动的人形机器人，配备合成器官和人工肌肉 波兰的 Clone Robotics 刚刚发布了 Clone Alpha，这是一款以100 PSI水压驱动的人形机器人，配备合成器官和人工肌肉。 该机器人采用 Myofiber 技术，通过将人工肌肉精确连接到206个骨骼点，模拟了动物的骨骼、肌肉、血管和神经系统，逼真度接近真实生物。
https://x.com/BrianRoemmele/status/1867953966354694556
产品 Animate AI 世界上第一个动画系列 AI 视频生成器 Animate AI 是全球首款集成式 AI 动画视频生成器，为动画系列创作提供一站式解决方案。它以“快速、简单、惊艳”为核心特点，帮助创作者轻松实现创意构想。从剧本到成品视频，只需几步操作，即可快速生成专业级动画作品，无需复杂的软件或专业技能支持。用户可以免费开始创作旅程，亲身体验创意与技术的完美结合，让动画制作变得前所未有的高效和神奇！无繁琐步骤，只需一点“魔法”，Animate AI 为创作者打开无限可能的大门。 https://animateai.pro Doctronic AI + 人类医生 应用 Doctronic 致力于为用户提供即时、准确的居家医疗护理服务。首先，用户可以通过免费的 AI 智能助手进行初步健康咨询，快速获得专业建议。随后，只需 29 美元，即可通过平台预约全天候的视频问诊服务，由持牌医生为您提供全面的健康诊断和治疗建议，无需长时间等待。我们的服务覆盖全美 50 个州，无论身处何地，您都能随时随地享受快捷、便捷且价格合理的医疗解决方案，让健康管理变得更加轻松高效。 https://www.doctronic.ai 投融资 清思智能数千万融资 北京清思智能科技有限公司（简称：清思智能）宣布完成数千万元A轮融资，由君联资本与京国瑞共管的北京信产基金独家投资。这轮融资资金将主要用于人工智能产品升级和市场开拓。清思智能由清华大学电子工程系孵化，聚焦视觉领域AI大小模型混合应用，提供城市级视觉认知解决方案。公司已实现盈利，并保持良好的现金流，为未来发展做好准备。清思智能的全栈技术解决方案已全面国产化，覆盖多个场景，包括治安防控、刑侦追踪等，并已在多个地区积累丰硕战果。公司未来计划布局海外市场。 — END — 快速获得3Blue1Brown教学动画？Archie分享：使用 Manim 引擎和 GPT-4o 将自然语言转换为数学动画
原创文章，作者：LLM Space，如若转载，请注明出处：https://www.agent-universe.cn/2024/12/28947.html
