AI知识库 @ai521
341 subscribers
23.3K photos
42 videos
20 files
891 links
@ai521 专注分享最实用的AI内容

🤖 AI教程(新手到进阶)
🧠 AI知识科普(大模型 / 提示词 / 自动化)
📰 AI资讯更新(每日最新AI动态)
📚 AI实战技巧(写作 / 绘画 / 编程 / 赚钱)
🔧 最新AI工具推荐

每天更新AI干货
长期做一个真正有价值的AI频道
Download Telegram
elArtsNext模型训推平台 构建了RL强化学习服务、机密推理、模型路由、模型矩阵四大核心能力。其中, MaaS模型路由 支持成本优先、效果优先、均衡模式三种策略,根据请求特征动态智能择优调度最佳模型。截至目前,已提供15余款SOTA模型服务,模型调度精准率超过95%,调用成本平均降低20%。 企业级RLaaS服务 让强化学习成为每个企业都能调用的核心能力,实现一分钟创建任务、全程可视化观测、训推一致性保障,让大模型深入细分场景,越用越聪明。 公测智果AgentArts企业级智能体平台,并同步贡献开源 华为云 智果(AgentArts)企业级智能体平台 全面践行Harness工程,构建了生产级长程任务、企业级安全、行业知识深度与全链路可观测四大核心能力,加速行业智能体规模化落地。 智果开源版openJiuwen 也已经上线,其内核与AgentArts企业版同源度超过90%。同时,华为云发布全新Agentic华为云入口“智果园”,聚合“全栈Agentic云服务+丰富智能体+百模千态大模型”的一体化能力,并将这些能力全面Skill化、CLI化,完成从意图理解、功能开发、资源发放到应用部署的全流程智能体化,提供按需、高效的Tokens服务,为用户带来全新交互体验。 推出面向Agentic AI的全套安全方案,守护智能体安全 安全是华为云提供数智化服务的底线。华为云构建了覆盖AI全链路的安全方案,端到端防护Agent安全、模型安全与Agentic Infra安全。大会发布 数据安全专区 ,通过硬件专属加密和HYOK技术、数据胶囊技术、Agentic基础设施多维度隔离三大创新,保障数据上云端到端的安全,让企业牢牢掌握数据主权。 同时发布 AI机密计算方案 ,通过构筑机密虚机、云端远程证明服务、机密计算密钥管理、机密推理网关、NPU设备PCIPC直通五大核心能力,支持机密推理、机密预训练、机密联邦学习三大核心场景,让高价值数据和模型真正值得托付。 截至目前,华为云连续稳定运行零重大事故的天数达到了1037天,成为客户最值得信赖的云服务提供商。 发布面向智能体混合云白皮书 混合云+AI加速国计民生数智化 华为混合云已成为政企数智化转型的核心底座,在政府、金融、央国企等国计民生关键行业连续多年保持市场份额第一,服务全球超过5500家客户。会上,《企业如何构建面向智能体的混合云》白皮书正式发布,从构建AI数据湖打破数据烟囱、模型线上线下稳态与敏态协同、构筑安全可靠的智能体开发运行环境等方面,为Agentic时代的混合云架构演进及企业实践提供参考指引,帮助政企安全高效地实现企业智能体的私有化部署,释放数据价值。 发布行业AI梦工厂四大专区,加速行业AI普惠 智慧医疗专区 持续升级,华为云医疗AI使能平台将于6月30日升级并公测。华为云智慧病理方案已在全国实现规模复制,覆盖顶级三甲、地市级、县域医院,加速医疗AI普惠。大会现场,包括上海交通大学医学院附属瑞金医院、邯郸市中心医院、河北工程大学附属医院、瑞安市人民医院、黔西南州兴义市人民医院、武安市第一人民医院等20余家医院正式入驻智慧医疗专区,标志着智慧病理方案实现全国规模落地,实现AI普惠。 具身智能专区 提供一站式具身智能数据合成、模型开发、仿真验证平台,帮助具身智能企业加速场景落地。同时华为云发布全球首个全流程具身智能开发平台CloudRobo,提供安全可信的PB级数据底座及开发管线、业界首个云原生具身模型生产引擎及首个全国产Real-Sim数据生产及模型评测体系,帮助机器人小时级上云,模型分钟级部署。该平台将于6月30日公测。 本次大会还发布了智能制造专区,提供一站式工业智能体创新创业环境,使能工业智能体创新落地;发布科学计算专区,面向AI4S行业客户提供统一丰富的模型、智能体使用体验,助力敏捷科研创新。 联合TOP模型厂商发布“百模千态,云聚共赢”生态合作计划 会上,华为云联合智谱、DeepSeek、Minimax、Kimi、阶跃星辰、百度、讯飞星火、美团、爱诗科技、生数科技等20余家TOP模型厂商,发布“百模千态,云聚共赢”生态合作计划,共建系统化商业生态,打造多方共赢的产业发展新模式。 面向未来,华为云将通过软硬芯协同创新,构建企业级AI创新的“硅基黑土地”,携手全球客户、伙伴和开发者,共同开创全新Agentic AI时代。
构建AI神经科学

传统神经科学依赖大学小型实验室,研究进展缓慢,一个项目常需博士后和研究生耗费十年。为了加速这一领域,Amaranth Foundation提出利用AI科学家智能体系统——这些系统能阅读文献、提出假设、分析数据、编写代码并设计实验,直接或通过构建脑图谱与数字孪生来研究大脑与行为。2026年5月《自然》杂志已展示了三种类似系统,在生物医学中用于编写软件和检验假设。其核心是将对大脑和行为的研究从物理实验(原子世界)迁移到数字化模型(比特世界),以降低成本和加速迭代。尽管目前AI科学家自主性有限,且神经科学专用技能仍需大量数据与软件工程支持,但这一路径有望大幅推动神经科学进步,例如帮助理解智能机制或攻克阿尔茨海默病等神经退行性疾病。 #神经科学 #AI #人工智能 #数字孪生 #脑科学 #智能体 #科研创新 #药物研发
StableRCA 研究提出鲁棒图无关机制级根因分析方法

由厦门大学林晓宇等人提出的StableRCA方法,致力于解决系统故障排查中的根因分析问题。该方法创新性地引入图无关机制,无需依赖系统拓扑图即可实现鲁棒性根因定位。研究指出,现有根因分析方法过度依赖监控图结构,易因图数据扰动导致性能下降。StableRCA通过自注意力机制提取跨维度特征,并采用对比学习增强表征鲁棒性。在多个真实数据集上的实验表明,该方法在准确性和稳定性上均优于现有基线,尤其在动态变化环境中表现突出。该研究为复杂系统运维提供了新的自动化诊断方案。 #根因分析 #故障诊断 #机器学习 #系统运维 #StableRCA #鲁棒性 #研究前沿
跨时代自适应滚动优化

一篇题为《Cross-Epoch Adaptive Rollout Optimization for RL Post-Training》的学术论文于2026年6月4日提交至arXiv预印本平台。该论文由Yiming Zong等人撰写,提出了一种针对强化学习后训练阶段的跨时代自适应滚动优化方法。该方法旨在通过动态调整滚动策略,提升强化学习模型在训练后期阶段的效率与稳定性,为相关领域研究提供了新的技术思路。论文目前提供PDF、HTML及TeX源码等多种格式供研究者查阅。 #强化学习 #后训练 #自适应优化 #arXiv #机器学习 #AI #论文
从预测到自我

arXiv上近日发布了一篇题为“From Prediction to Self: Developmental Conditions for Agency in Minimal Neural Systems”的论文,作者为Evan Ye。该研究聚焦于极简神经系统中能动性的形成机制,提出个体从纯粹的预测性学习逐步发展出自我意识与自主行为的关键条件。论文通过构建最小神经模型,模拟了系统在最小化预测误差过程中如何动态调整内部表征,进而涌现出类似“自我”的代理能力。这一理论框架融合了预测编码与发育神经科学,为理解人工智能的自主性起源以及生物智能中自我意识的演化提供了新的思路。研究者认为,能动性并非预先给定,而是系统在与环境交互中自发构建的产物,相关结论对通用人工智能和认知科学领域具有重要参考价值。 #论文 #人工智能 #神经科学 #自我意识 #能动性 #预测编码 #认知科学 #arXiv
AsyncWebRL:面向视觉网页代理的高效多步强化学习新方法

来自arXiv的最新论文提出AsyncWebRL,一种针对视觉网页代理的高效多步强化学习框架。该方法通过异步训练与多步奖励设计,显著提升了智能体在复杂网页导航任务中的学习效率和成功率。实验表明,AsyncWebRL在多个基准测试中优于现有方法,为自动化网页操作和智能助手领域提供了新的技术路径。 #AI #强化学习 #网页代理 #异步训练 #arXiv #论文 #机器学习
CLaaS: Continual learning as a service for sample efficient online learning

Focus to learn more arXiv-issued DOI via DataCite (pending registration) Submission history From: Kion Fallah [ view email ] [v1] Thu, 4 Jun 2026 01:14:19 UTC (2,990 KB) Full-text links: Access Paper: View a PDF of the paper titled CLaaS: Continual learning as a service for sample efficient online learning, by Kion Fallah and 3 other authors View PDF HTML (experimental) TeX Source view license Current browse context: < prev | next > new | recent | 2026-06 Change to browse by: cs References & Citations NASA ADS Google Scholar Semantic Scholar export BibTeX citation Loading... BibTeX formatted citation × loading... Data provided by: Bookmark Bibliographic Tools Bibliographic and Citation Tools Bibliographic Explorer Toggle Bibliographic Explorer ( What is the Explorer? ) Connected Papers Toggle Co
nnected Papers ( What is Connected Papers? ) Litmaps Toggle Litmaps ( What is Litmaps? ) Toggle scite Smart Citations ( What are Smart Citations? ) Code, Data, Media Code, Data and Media Associated with this Article alphaXiv Toggle alphaXiv ( What is alphaXiv? ) Links to Code Toggle CatalyzeX Code Finder for Papers ( What is CatalyzeX? ) DagsHub Toggle DagsHub ( What is DagsHub? ) GotitPub Toggle ( What is GotitPub? ) Huggingface Toggle Hugging Face ( What is Huggingface? ) ScienceCast Toggle ScienceCast ( What is ScienceCast? ) Demos Demos Replicate Toggle Replicate ( What is Replicate? ) Spaces Toggle Hugging Face Spaces ( What is Spaces? ) Spaces Toggle ( What is ? ) Related Papers Recommenders and Search Tools Link to Influence Flower Influence Flower ( What are Influence Flowers? ) Core recommender toggle CORE Recommender ( What is CORE? ) IArxiv recommender toggle IArxiv Recommender ( What is IArxiv? ) Author Venue Institution Topic About arXivLabs arXivLabs: experimental projects with community collaborators arXivLabs is a framework that allows collaborators to develop and share new arXiv features directly on our website. Both individuals and organizations that work with arXivLabs have embraced and accepted our values of openness, community, excellence, and user data privacy. arXiv is committed to these values and only works with partners that adhere to them. Have an idea for a project that will add value for arXiv's community? Learn more about arXivLabs .
自回归扩散世界模型

一篇来自arXiv的论文提出了名为“自回归扩散世界模型”的新框架,用于对大型语言模型(LLM)智能体进行离线策略评估。该研究由Kaixuan Liu等人完成,于2026年6月4日提交。传统的离线评估方法在模拟环境和真实世界之间往往存在偏差,而该模型通过结合自回归生成与扩散过程,能够更准确地模拟智能体的行为轨迹和决策后果,从而提升评估的可靠性与泛化能力。这一方法有望加速LLM智能体在机器人控制、对话系统等领域的部署与优化,同时降低对在线试错的依赖。 #arXiv #论文 #自回归扩散 #世界模型 #LLM #离线策略评估 #AI安全 #智能体 #机器学习
Telegram必备的搜索引擎,极搜JISOU帮你精准找到,想要的群组、频道、视频、音乐

👉 t.me/jisou2?start=a_8247614025
多分辨率ConvLSTM框架用于挡土墙变形预测的现场验证

一项来自韩国学者的研究提出并验证了基于多分辨率卷积长短期记忆网络(ConvLSTM)的框架,用于预测挡土墙变形。该框架结合了多尺度空间特征与时间序列建模,能够更精准地捕捉土体位移的演化规律。研究团队利用实际工程现场监测数据进行了验证,结果表明该模型在预测精度和鲁棒性上优于传统方法,为岩土工程安全监测提供了新的智能化手段。相关论文已提交至arXiv预印本平台。 #挡土墙 #变形预测 #深度学习 #ConvLSTM #现场验证 #岩土工程 #AI #土木工程 #时间序列
Representation Learning Enables Scalable Multitask Deep Reinforcement Learning

Focus to learn more arXiv-issued DOI via DataCite (pending registration) Submission history From: Johan Obando-Ceron [ view email ] [v1] Thu, 4 Jun 2026 01:09:20 UTC (1,933 KB) Full-text links: Access Paper: View a PDF of the paper titled Representation Learning Enables Scalable Multitask Deep Reinforcement Learning, by Johan Obando-Ceron and 5 other authors View PDF HTML (experimental) TeX Source view license Current browse context: < prev | next > new | recent | 2026-06 Change to browse by: cs References & Citations NASA ADS Google Scholar Semantic Scholar export BibTeX citation Loading... BibTeX formatted citation × loading... Data provided by: Bookmark Bibliographic Tools Bibliographic and Citation Tools Bibliographic Explorer Toggle Bibliographic Explorer ( What is the Explorer? ) Connec
ted Papers Toggle Connected Papers ( What is Connected Papers? ) Litmaps Toggle Litmaps ( What is Litmaps? ) Toggle scite Smart Citations ( What are Smart Citations? ) Code, Data, Media Code, Data and Media Associated with this Article alphaXiv Toggle alphaXiv ( What is alphaXiv? ) Links to Code Toggle CatalyzeX Code Finder for Papers ( What is CatalyzeX? ) DagsHub Toggle DagsHub ( What is DagsHub? ) GotitPub Toggle ( What is GotitPub? ) Huggingface Toggle Hugging Face ( What is Huggingface? ) ScienceCast Toggle ScienceCast ( What is ScienceCast? ) Demos Demos Replicate Toggle Replicate ( What is Replicate? ) Spaces Toggle Hugging Face Spaces ( What is Spaces? ) Spaces Toggle ( What is ? ) Related Papers Recommenders and Search Tools Link to Influence Flower Influence Flower ( What are Influence Flowers? ) Core recommender toggle CORE Recommender ( What is CORE? ) IArxiv recommender toggle IArxiv Recommender ( What is IArxiv? ) Author Venue Institution Topic About arXivLabs arXivLabs: experimental projects with community collaborators arXivLabs is a framework that allows collaborators to develop and share new arXiv features directly on our website. Both individuals and organizations that work with arXivLabs have embraced and accepted our values of openness, community, excellence, and user data privacy. arXiv is committed to these values and only works with partners that adhere to them. Have an idea for a project that will add value for arXiv's community? Learn more about arXivLabs .
平衡图像压缩与生成

来自arXiv的一篇论文提出了一种名为“引导式分词”的新方法,旨在平衡图像压缩与生成任务。该方法通过自举(bootstrapping)机制优化分词器,使模型在压缩图像信息的同时保持高质量生成能力。研究团队由Haozhe Chi等六位作者组成,论文详细阐述了该技术如何在不牺牲生成质量的前提下提升压缩效率,为图像处理领域提供了新的思路。目前该论文已提交至arXiv,并可通过DOI获取。 #图像压缩 #图像生成 #引导式分词 #机器学习 #计算机视觉 #arXiv #论文
少即是多

来自 Haoze He 等学者的最新研究论文《Less is MoE: Trimming Experts in Domain-Specialist Language Models》提出,在混合专家模型(MoE)中,针对特定领域任务,许多专家模块可能存在冗余。该研究通过系统性地修剪不必要的专家,在不显著降低模型性能的前提下,大幅减少了模型参数量和推理成本。实验表明,经过修剪后的领域专家语言模型在保持甚至提升任务准确率的同时,计算效率得到显著提升。这一发现挑战了“更多专家更强”的传统认知,为构建轻量化、高效率的领域专用语言模型提供了新思路。 #机器学习 #MoE #专家修剪 #大模型 #自然语言处理 #效率优化 #AI #论文 #研究
What Objects Enable, Not What They Are: Functional Latent Spaces for Affordance Reasoning

Focus to learn more arXiv-issued DOI via DataCite (pending registration) Submission history From: Neel P. Bhatt [ view email ] [v1] Thu, 4 Jun 2026 00:26:04 UTC (1,147 KB) Full-text links: Access Paper: View a PDF of the paper titled What Objects Enable, Not What They Are: Functional Latent Spaces for Affordance Reasoning, by Rohan Siva and 8 other authors View PDF HTML (experimental) TeX Source view license Current browse context: < prev | next > new | recent | 2026-06 Change to browse by: cs References & Citations NASA ADS Google Scholar Semantic Scholar export BibTeX citation Loading... BibTeX formatted citation × loading... Data provided by: Bookmark Bibliographic Tools Bibliographic and Citation Tools Bibliographic Explorer Toggle Bibliographic Explorer ( What is the Explorer?
) Connected Papers Toggle Connected Papers ( What is Connected Papers? ) Litmaps Toggle Litmaps ( What is Litmaps? ) Toggle scite Smart Citations ( What are Smart Citations? ) Code, Data, Media Code, Data and Media Associated with this Article alphaXiv Toggle alphaXiv ( What is alphaXiv? ) Links to Code Toggle CatalyzeX Code Finder for Papers ( What is CatalyzeX? ) DagsHub Toggle DagsHub ( What is DagsHub? ) GotitPub Toggle ( What is GotitPub? ) Huggingface Toggle Hugging Face ( What is Huggingface? ) ScienceCast Toggle ScienceCast ( What is ScienceCast? ) Demos Demos Replicate Toggle Replicate ( What is Replicate? ) Spaces Toggle Hugging Face Spaces ( What is Spaces? ) Spaces Toggle ( What is ? ) Related Papers Recommenders and Search Tools Link to Influence Flower Influence Flower ( What are Influence Flowers? ) Core recommender toggle CORE Recommender ( What is CORE? ) IArxiv recommender toggle IArxiv Recommender ( What is IArxiv? ) Author Venue Institution Topic About arXivLabs arXivLabs: experimental projects with community collaborators arXivLabs is a framework that allows collaborators to develop and share new arXiv features directly on our website. Both individuals and organizations that work with arXivLabs have embraced and accepted our values of openness, community, excellence, and user data privacy. arXiv is committed to these values and only works with partners that adhere to them. Have an idea for a project that will add value for arXiv's community? Learn more about arXivLabs .
主导层ZO

一篇来自arXiv的论文揭示了在大语言模型零阶微调过程中,单个网络层对整体性能起主导作用。研究团队发现,通过仅优化这一“主导层”,即可达到与全模型微调相当的效果,大幅降低计算开销。该发现为资源受限场景下的模型适配提供了新思路,有望推动大模型在边缘设备上的高效部署。 #大语言模型 #零阶优化 #微调 #AI #机器学习 #arXiv论文 #高效部署