Interactive Visual Gym:让视觉交互模型在闭环中接受检验
Interactive Visual Gym 提出了一套结合可执行任务环境与模拟用户的闭环评测框架,用于测试视觉交互模型在真实操作过程中的指导能力。IVG-Bench 覆盖烹饪、家务操作和移动界面等场景,结果显示,即使是表现最好的模型也难以稳定完成任务。
阅读全文Claude API 中转站避坑指南、检测原理与大模型 API 实测经验
共 2275 篇文章
RSS 订阅Interactive Visual Gym 提出了一套结合可执行任务环境与模拟用户的闭环评测框架,用于测试视觉交互模型在真实操作过程中的指导能力。IVG-Bench 覆盖烹饪、家务操作和移动界面等场景,结果显示,即使是表现最好的模型也难以稳定完成任务。
阅读全文ScrapeBench 评估了 AI 代理在网站抓取任务中遵守服务条款和 robots.txt 的能力。结果显示,代理既可能无视明确的禁止抓取规则,也可能在允许抓取时过度拒绝。
阅读全文一项研究发现,视觉语言模型的隐藏偏好可以通过与目标无关的数字任务,从教师模型传递给学生模型。传递的不只是图像选择倾向,连解释时使用的词语和表达方式也可能受到影响。
阅读全文Evolving Infra 面向智能体应用中的动态推理需求,运行时调整 Prefill-Decode 资源分配,并结合智能体上下文管理优化 KV Cache。论文在多类任务和最多 256 张 GB300 GPU 上进行了评估。
阅读全文一项针对 Qwen3-0.6B 的研究探索了按 token 动态提升权重精度:大多数步骤使用 4 bit,只有在输出分布显示不确定时才回读 8 bit。结果显示门控器能较好预测低精度与高精度之间的结果分歧,但目前尚未证明它能在相同成本下稳定提升最终任务准确率。
阅读全文TOME-Math 从 2,118 本大学数学教材中整理出约 38 万条结构化证明监督记录,保留章节顺序、命题—证明关系和依赖信息。研究显示,利用教材组织方式进行训练,有望比扁平化问答数据更有效地提升数学推理能力。
阅读全文Edge0宣布开源1450亿参数的Edge0-145B及配套推理框架,声称可在兼容笔记本上实现超过80 tokens/s的生成速度。其核心思路不是简单压缩云端模型,而是从架构、训练、加载和调度环节共同为本地运行设计。
阅读全文美国联邦航空管理局正把SMART系统从华盛顿特区周边推广至全国22个空中交通管制中心,用于预测流量并提出航线与排序建议。航空公司对此表示支持,但空中交通管制员工会称未参与系统的设计、测试或部署。
阅读全文Nebius计划在2027年投入400亿至450亿美元扩建AI基础设施,主要依靠客户预付款和合同融资。新泽西数据中心延期,则暴露出这种模式对项目交付和客户承诺的高度依赖。
阅读全文AI 降低了 iOS 应用和 AUv3 插件的开发门槛,却也让苹果 App Store 审核面临更大压力。多名音乐应用开发者称,审核周期从数天延长至数周,自动化误判还可能直接阻断产品发布。
阅读全文谷歌研究人员用48个AI智能体扫描激光雷达数据,声称找到一处可能未被记录的玛雅遗址,随后却被考古学家指出该地点早已发表在学术论文中。事件暴露了AI进入科学研究时的检索、验证与署名难题。
阅读全文Google将生成式AI更深地嵌入学校设备和搜索服务,引发家长对未成年人安全、数据处理和学习影响的担忧。一起涉及13岁学生的诉讼,则让这场争议从教育工具选择扩展到产品责任与监管问题。
阅读全文Google DeepMind推出Gemini 4 Hydrogen,定位于日常编程、工具调用和多步骤代理工作流。模型提供百万Token上下文、四档思考级别,并通过多模型协作降低开发任务的时间与配额消耗。
阅读全文Google 宣布在全球搜索中引入 Gemini 4 Hydrogen,重点提升复杂意图理解、并行检索和视觉化呈现能力。搜索结果将更多采用表格、图片及定制工具,帮助用户处理多步骤问题。
阅读全文联合航空宣布将限制未经授权的第三方AI代理访问其订票和航班管理系统,理由是账户安全、误操作及航空监管合规风险。此举也反映出企业正在重新定义AI代理能够代表用户执行哪些操作。
阅读全文SoftBank为抢占AI数据中心电力供应,提前订购了超过13吉瓦的天然气涡轮机,最终因部分订单失去价值而承担逾30亿美元损失。这笔代价显示,AI电力需求虽在增长,但天然气并非没有上限。
阅读全文Podqi对ChatGPT、Gemini和Perplexity进行购物场景测试,发现三款聊天机器人都曾展示冒牌、失效或可能被重新注册的危险网址。对消费者而言,AI给出的链接仍不能替代对官网和支付页面的核验。
阅读全文PyTorch团队为Helion引入编译期启发式方法,通过分析内核IR和数据流,直接选择块大小、warps与流水线阶段等配置。该方法无需耗时自动调优,也能在多类内核上接近甚至超过既有实现。
阅读全文Google 联合三星、Gentle Monster 和 Warby Parker 推出首批 Gemini 智能眼镜,起售价 395 美元。产品以语音交互和摄像头为核心,同时把录制提示、数据处理和使用限制作为主要卖点。
阅读全文EUROPA联盟借助PyTorch与TorchTitan,在共享的JUPITER超算上完成近1万亿参数MoE预训练扩展,将单GPU吞吐从90提升至约1300 tokens/s。这个案例说明,面向特定硬件约束的系统级优化,可能比单纯堆叠算力更关键。
阅读全文GTAGym 将《GTA V》主线任务重构为可自动判定结果的智能体测试环境,并进一步支持批量生成强化学习任务。实验显示,智能体在空中导航、规避和拦截等需要持续规划的任务上仍明显薄弱。
阅读全文