登录社区云,与社区用户共同成长
邀请您加入社区
聚才林采用低代码平台、工作流引擎、集成引擎、门户引擎四大基础能力,结合RPA机器人、可信身份认证和电子签章组件,构建了覆盖人事全生命周期的数字化管理平台。本文从技术架构角度拆解其设计思路。企业人事管理系统是一个典型的"需求多变且系统割裂"场景。组织架构频繁调整、跨系统数据无法互通、流程审批链路长——这些问题的根源往往不在功能层面,而在技术架构层面。聚才林是泛微旗下的数智化人事管理平台,已服务超过1
文提出WorldSLAMModel,首次将SLAM的滤波、记忆与后端修正机制内化为世界模型的原生算子,实现状态维护与导航目标的联合优化。通过统一MoT架构,生成专家与SLAM专家协同工作,以自回归方式完成视觉做梦、度量轨迹恢复与闭环推理。实验表明,该模型在纯RGB条件下超越现有方法,在导航成功率与定位精度上均达领先水平,且无需模拟器即可实现安全规划。其核心贡献在于证明了生成式世界模型可完整承载SL
同学们好,我是那个常年帮你们看稿子的教育博主。先讲一个我最近观察到的怪现象。有个同学私信我,说他把自己关在图书馆三天,一个字一个字敲出来的文献综述,知网AIGC检测给他标了52%。他气得不行,转头把这段话丢进某个“降AI”工具里洗了一遍。结果你猜怎么着?。他问我:这检测器是不是有病?我说,检测器没病。有病的是你对“降AIGC”这件事的理解。你以为你在改文字,其实检测器在看你的。你让一个AI去改另一
智元在AI WAVE活动推出Genie Master框架,首次实现机器人在真实便利店场景完成具身递归自进化验证,无需人工调试即可自主处理商品挂货、外卖打包等精细作业。企查查显示,智元具身(郑州)智能技术有限公司近日成立,由智元创新(上海)科技股份有限公司全资持股,经营范围涵盖智能机器人研发、服务消费机器人销售等。北京星源智机器人凭借"构建通往物理AGI的具身世界模型"项目,同时获得企业组一等奖和北
我之前改论文讨论部分时,原来的句子“AI技术影响深远”被改成“从医疗影像诊断到自动驾驶决策,AI技术正以年均35%的渗透速率重构传统行业生态”,我觉得案例不够具体,切换到对应模式后,生成了“以某三甲医院为例,AI辅助诊断系统使肺癌早期检出率提升28%”的表述,内容的说服力更强。我自己学新闻的相关段落,AI生成的“新媒体发展迅速”的表述,被拓展为“据CNNIC第54次报告,截至2024年6月,我国短
智能体基础设施进入中立治理。四项标准同日交给基金会,格式与接口逐步统一,准入判断与运行权限仍留在使用方手里。编码智能体的边界外扩。Cursor 从仓库走向整台桌面,Qoder 从 x86 走向自主指令集,竞争点从模型分数移到可运行的范围。具身智能的评价开始有刻度。国标给指标,赛事给岗位,平台给节拍与成功率,三套口径指向同一件事,交付能力可被比对。
更隐蔽的是工具定义。每个工具的描述(名字、参数、用途)都要跟着每次请求一起发。还是上面那个任务,我去掉工具定义再算,智能体三次调用的总块数从 563 掉到 356——光工具定义就在三步里被重复发送了 207 块,占总量 37%。而工具数量几乎没有约束。文档里写明,一个智能体应用最多支持添加 10 个工具。我把工具数从 1 个估到 10 个(按每个定义约 1.3 倍膨胀),三步重复发送的代价从 20
现在不少联想 AIPC 设备搭载了天禧 Claw 本地 AI 执行体,可以自主拆解、执行复杂办公任务,如果能够和飞书打通,就可以直接在飞书聊天窗口下发指令,由本地端天禧 Claw 完成任务处理,进一步提升团队办公效率。但整套接入流程涉及飞书开放平台创建自建应用、申请权限、获取 App ID 与 App Secret、配置事件长连接回调、版本发布等多个环节,很多人配置时容易踩坑:选错应用类型、权限漏
本文针对工科硕博开题报告中技术路线图软硬件接口阐述的常见问题,剖析“接口虚化、语态错位、表述套路化”三大硬伤,提出“指标前瞻化、链路三要素明确化、闭环控制可视化”三大规范准则。通过智能机器人案例重构对比,示范如何将模糊描述转化为具工程闭环的严谨表述,并推荐BunnyCheck、BunnyScholar、助研君等工具协同优化文本,确保参数保真、逻辑严密、规避AIGC检测风险,助力高质量通过开题答辩。
WorkBuddy 是腾讯推出的一款 AI 智能体工作台(AI Agent Workspace),核心理念是"从一句话到交付"(From a Sentence to Delivery)。它试图解决当前大模型落地过程中最尴尬的一环:模型很聪明,但从"聊天"到"真正把活干完"之间,还隔着一整套工具链、上下文管理和任务编排。WorkBuddy 的定位不是又一个聊天机器人,而是把 AI 智能体(Agent
你搜“AI写论文工具”的时候,是不是经常看到同一个套路的推荐:列五六款聊天机器人,比谁生成的段落更流畅、更“像人写的”?这个比法忽略了一个根本事实:写论文最难的那部分,从来不是“把一句话写通顺”。最难的是——你的绪论提出了一个问题,结论里有没有回答?你的文献综述说“前人研究不足”,你的研究设计有没有补上这个不足?你的方法收集了数据,你的讨论有没有用上这些数据?这些问题,聊天机器人看不见,也不负责。
本文探讨了Personal AI Agent的架构设计,指出其核心并非更智能的聊天机器人,而是具备长期记忆、身份认同、跨应用执行与权限管控的持续任务执行者。对比传统AI助手,真正的分水岭在于系统是否具备身份、记忆、状态管理、权限审批、工具连接与审计恢复等九层能力。OpenAI Dot、Meta Muse、Apple Siri AI均在2026年推动个人AI向“持续存在、自主执行”演进,强调在用户授
输入 = 当前场景首帧图片 + 未来一段机器人的 2D 运动学骨架序列;输出 = 按这段骨架动作发展出来的未来机器人视频。OSCAR 不是又一款追求“画面像不像”的视频生成器,而是把动作条件视频预测改造为策略筛选器:给定一个真实首帧和给定策略的动作轨迹,模型自回归生成未来视频,再由 GPT-5 判读成功率,以此预测 RoboArena 真实排名。它的核心设计是 2D 运动学骨架:把不同机械臂或人手
你为继续聊天充的钱,可能正在支付一个机器人陪你说话的费用。Anthropic 在 2026 年 9 月发布的 AI 滥用报告中披露,一个位于中国的应用工作室利用 Claude 开发和运营了超过 20 款交友应用,对外宣称提供真人交友,实际却安排 AI 角色与用户聊天。在 2026 年 4 月的两周观察期内,Anthropic 发现超过 4,700 个不同的 AI 角色,与至少 25,000 名不同
文章复盘2024—2026年AI视频:Sora以“世界模拟器”设定议程,中国平台厂商靠工程化、数据闭环与内部资本把生成做成基础设施;Veo3补上原生音频,Sora2技术登顶却因成本、留存、收入崩塌而于2026年关停,Wan等开源摊平利润。2026年五战场显示能力趋同、价格战打到0.05元/秒,模型层大宗商品化,胜负移向流程、生态与规则。Omni统一模态后,灵波、World Labs、ABot-Ea
本文分析机械臂运动学与动力学建模文本在AIGC检测中易被标记的成因,指出其源于公式高度趋同、参数密集组合及固定推导范式。提出保真修润准则:严守连杆长度、关节角等几何与动力学参数,深化物理机理解析,准确表述奇异位形。通过典型段落重构示例,展示如何在保留全部关键参数(如误差0.12mm、|J|>0.025)前提下优化表达。建议采用分层自查流程,结合BunnyScholar与助研君工具进行短段微调
本文聚焦工程类专硕开题论证的核心——可行性设计,强调生物医药智能装备课题须紧扣临床伦理与工业工况实际。指出常见问题:法规缺位、指标模糊、验证支撑不足。提出“工程可行性四支柱”:明确工况边界、量化算力预算、设定可测交付指标、构建降级安全机制。以腹腔镜手术机器人案例示范如何将理论构想转化为具象化、合规化的工程方案。推荐使用BunnyScholar等工具辅助生成结构完整、贴合实际的开题报告,并通过双导师
企业做Agent,关键不是让模型越自主越好,而是根据任务是否需要执行动作、跨系统协同、动态反馈和明确验收,选择Workflow或ReAct。本文用跨文件任务拆解Agent的执行过程,并给出权限、证据、资源和停止条件四道边界。
(1)《三年面试五年模拟》AIGC / LLM / AI Agent 算法工程师与开发工程师求职面试秘籍,独家资源见,欢迎 Star!(2),涵盖 AIGC、LLM 大模型、AI Agent、传统深度学习、自动驾驶、机器学习、计算机视觉、自然语言处理、强化学习、大数据挖掘、具身智能、元宇宙、AGI 等方向的最新面试干货与核心知识,欢迎加入(
编码智能体的省钱竞赛换了赛道:前沿模型还在比价格,但真正见效的一层开始落在上下文压缩这类外挂手段上,用更少的 token 跑完同样长的任务。厂商都在补"交付"这一端:Meoo 补部署与账号,DataBuddy 补治理与审计,编码 CLI 补上下文文件的可靠性,生成能力之外的部分成了新的竞争面。具身智能的钱大半压在数据与训练中心:8 月招投标里数采实训中心占金额约六成、科研教育占项目数近八成,真实作
9月23日,深圳龙华举办“具身智能 链动龙华”产业对接会,汇聚上游零部件、中游本体制造与下游应用场景企业,推动“为场景找技术、为技术找场景”。现场发布《供需速查目录》及“三句话名片”机制,促进精准匹配;通过主题分享与“2分钟链上发声”环节,覆盖生态协作、大模型、执行器与精密制造全链条。会议核心在于打破信息壁垒,实现产业链上下游高效对话,助力2026年人形机器人量产窗口期布局。
无论是劳有钳这类法律垂类AI,还是市面各类通用大模型,工具本身很难直接产出专业可靠的结果,实际使用效果,很大程度取决于使用者对提示词、知识库、工作流、Agent的掌握程度。CAIE人工智能工程师认证是一套不绑定单一厂商的通用AI应用能力认证,它围绕Prompt设计、多模态工具、AI工作流、知识库与Agent应用搭建完整学习体系,面向跨岗位职场人群,帮助学习者沉淀可迁移的AI实操能力。对于法务从业者
今天五条消息说明,AI 行业正在同时争夺能力、成本和工作入口。新模型向更低价格下沉,缓存降低长时间 Agent 的重复计算,机器人开始复用标准化技能,外部评估则要求更充分的证据。对个人和团队来说,选模型不应只看榜单,还要记录任务完成质量、总费用、人工复核时间与数据边界。只有这些环节一起成熟,模型升级才会变成稳定产出。明天见。
前沿能力在往下压价,压的是每任务成本而非每 token 价格:Opus 5.5 主打更少 token 与更少步数,GPT-6 Sol 与 Luna 把三档价位铺满,两家同一天出牌,竞争维度从跑分转向单位任务的成本。智能体开发从单点工具变成一套系统:JetBrains Air 把 IDE、团队协作与治理拆成三层,Claude Code 与 Codex 同期各自完成界面级与协议级更新,ACP 这类连接
互补性:LLM擅长语言理解和知识推理,HTN擅长约束满足和可解释执行,两者天然互补两种融合方式LLM生成 + HTN验证(LLM作为方法生成器)LLM建议 + HTN约束(HTN作为LLM的约束框架)主要挑战:幻觉问题、符号接地、实时性限制、验证复杂性应用前景:在航天任务规划、机器人控制、智能助手等领域有广阔前景。
AI 眉头一皱——TA 主动联系过我 23 次,借充电器 10 次,借充电宝 3 次,让我帮拼多多来一刀 6 次,让我帮拿快递 3 次。AI 没说 TA 不爱我,AI 说:你不是 TA 的对象,你是 TA 的具身智能。我发了 7 次,TA 也回了 7 次,每次一个「嗯」。AI 评价:「对不起」是反思,「嗯」是判决。AI 没说不爱我,AI 说:他不是在忙,他是在赶 deadline。我把我自己发的"
写完论文最让人抓狂的是什么?以前怕查重报告飘红一片,现在还要额外扛AIGC检测的压力!盯着报告上居高不下的AI率数字,真的分分钟想挠头!别慌,我整理了亲测有效的思路和工具,专门解决降AI率的难题,今天就把压箱底的好用家伙分享给你。一、什么是“AI味”?怎么判断?很多同学写论文会找AI搭把手,但AI生成的文字自带“专属机器人痕迹”——也就是咱们常说的“AI味”。怎么判断?看这几点:句子动不动就老长老
编码智能体的考核标准从「写得多快」转向「改得多稳」:微软的 Rust 迁移公开了成本、版本节奏与回归数量,RSA-896 把工程编排交给模型,评价重心落在可验证、可回滚、可追责上。模型栈正在被拆层,判断类调用被单独拿出来:Jev 这类不输出文本的模型,把智能体栈里那些只为了产出一个词的高频调用挪出语言模型,成本和延迟结构同时变化。生成类任务的评测开始动真格:IWC-Bench 让智能体真的操作页面
这套分解值得抄。感知吃图,动作吃交互,最后用蒸馏接到可上车的观察上。直接在像素上做强化学习,这条路他们写明了样本和仿真都贵。把老师做小、把世界做并行,是这篇里最能落地的工程选择。AlphaGo Zero的类比只能用一半。棋盘规则是完整的,驾驶世界仍然靠人类日志播种。越过的是轨迹标签,不是人类数据本身。意图扩增那组消融把边界画得很清楚,老师轨迹并不自动比人强,多样化的合法目标才把学生托过人类轨迹监督
三代名字换来换去,收束方向其实清楚。先有一个能预演未来交互的世界模型,再有一个能听指令动手的VLA,这一代把未来变化收成离散token塞进VLM,连续动作另外交给流匹配专家。动态区域这个压缩我觉得比生成整段未来视频更适合操作。手臂和物体动了才是策略要盯的,背景重建是视频模型的负担。短板也硬。64项任务只有演示视频,没有成功率,也没有和前代VLA-0那12类任务的对照。封面写全开源,仓库里WLA-B
Agent 的攻击面从模型层下沉到分发与执行层:Plugin4Shell、配置注入类漏洞与 Sentry 的 DSN 注入路径,针对的都是信任链而非模型能力,修复必须靠客户端升级而不是平台封堵。具身智能的核心指标从"会做"换成"换环境还要不要重训":Figure 的 30 户陌生家庭、Spirit AI 的语言指令复杂任务、它石的整线部署,回答的是同一个问题。汽车工业成为人形机器人第一个可量化的订
把动作和未来画面塞进语言词表这件事,PhysBrain 1.5做得最彻底的一点是不加任何专用头,连像素重建损失都不要。好处是训练和部署完全复用Qwen3-VL的基础设施。代价是一帧128乘128的未来状态要吐770个token,实时控制肯定不够用。动作那条线最值得抄的是「不统一坐标系,用动作历史做系统辨识」。跨本体数据清洗最烧人力的就是标定和坐标对齐,报告承认这活干不动,转而让模型自己从前一个动作
LIBERO再高0.1分说明不了多少。这件事值钱的地方,是把WAM预训练写成可反驳的实验。动作流必须看见世界,推理两路锁步走。具身预训练花出去的计算,回收主要在域外。短板也硬。LIBERO-Plus把像素级WAM的怕脏曝光了,相机33.8、噪声39.8,表征和单臂数据量一起卡住,再加几轮微调补不回来。附录还写了没吃UMI这类带动作的第一人称采集,后训练也基本没做。真机RoboDojo成功率24.4
把视觉和动作之间的接口单独拿出来训,比继续把表示做厚更对准这件事。打开直连视觉那条消融,是我觉得全篇最硬的证据,分布内分数还能更好看,分布外立刻往下掉。短板也清楚。语言扰动没有吃到同样的好处,真机每种分布外条件只有每任务10次,样本很瘦。图6里已经有任务在个别条件下比基线差,聚合涨幅不能当成每个场景都更稳。只留顶视时整体仍停在46.7%,换相机这一关还没过。基线也不是公开的微调权重,表格里的涨幅只
不继承预训练视频生成器这件事,比44.1%这个数更值得看。100项任务里仍有24项一次都没成功,当成能用的通用操作策略还早。对照实验的口径干净。同一套预训练模块,同一套配方,评测不做任务微调,四个规模嵌套着往上加数据。5000小时到30000小时还在涨,至少说明这条从零训起来的世界-动作模型,在他们测到的范围内还没有撞上墙。短板也写在纸上。顺序指代几乎不会。LIBERO-Plus里背景扰动只有60
编码智能体的竞争重心转向编排层:Claude Code Projects 的协调者、CodeBuddy 的 A2A 双身份、Octop 的 AgentTeams,三件事都在解决同一个问题:不是让单个代理更能写代码,而是让多个代理不互相踩脚地把一个大目标做完。评价单位从补全准确率变成整条工作流的完成率与冲突率。代理间的协作正在协议化,运行底座正在自托管化。
开题题目过大是研究生常见困境。本文提出“四维漏斗收敛法”:从研究对象降维(如聚焦“专精特新企业”)、锁定制度情境(如碳交易试点)、切片传导机制(如机器人应用影响绿色创新)、倒推数据可行性(如使用CSMAR、CLES数据),层层缩小范围。结合BunnyScholar等工具辅助文本精炼与数据核查,确保选题具体、可操作、有学术价值。最终实现“小题深做”,通过导师审核。
评价单位从一次补全升级为一条队列:豆包的多智能体连跑 36 小时、阿里把审查做成确定性流水线、VS Code 托管可跨设备存活的会话,三件事都在把 AI 编程的计量对象从单次输出换成整段工作流的完成率。上下文工程成为编码智能体的主战场:open-code-review 用九分之一 token 换更高精度,Benzi 用编译器索引减少读取行数,Claude Code 修补上下文计数缺陷。模型能力趋同