9所高校23位研究者发布126页综述:个人智能体怎样才算持续在线

资讯 AI 行业观察 作者:新智元 全文 9002 字 · 约 23 分钟读完 配图 12 张 分类ClaudeGeminiAnthropicGoogle智能体

个人智能体,正在迎来一场前所未有的密集爆发。 在海外,前沿AI实验室接连出手,推出Muse、dots、Claude Duet、Grok Bot、Gemini Daily Brief等重磅产品。它们不再只是被动地等待用户提问:有的在对话结束后继续在云端默默干活,有的每天清晨准时送来定制简报,还有的每隔几小时自动巡检一次用

所属频道 大厂动态智能体与 AgentClaude 与 AnthropicGemini 与 Google AI

个人智能体赛道的爆发,眼下正密集得前所未有。

海外的前沿AI实验室一个接一个出手,Muse、dots、Claude Duet、Grok Bot、Gemini Daily Brief等产品陆续登场。它们不再只是等着用户开口:对话结束后,有的还在云端接着默默干活;有的每天清晨准时把定制简报送到手边;还有的每隔几小时就自动巡检一遍用户的关联账户。

国内这边,腾讯、阿里、字节等大厂也在快速跟上,灵光2.0、LightVela、千问Go!等产品已相继上线。硬件那头,雷鸟、乐奇(Rokid)等AI眼镜把全天候记录和记忆用户身边点滴当成主打;具身智能也在往同一个方向走:

前沿大模型正充当机器人的高层「大脑」,再往前一步,就是变成更懂用户的生活伙伴。

发布潮这么密集,释放的信号相当明确:个人智能的下半场,竞争重心已经从单一模型和单点功能的比拼,整体转向一套完整系统架构的较量。

这意味着系统要能长期跑下去,感知、记忆和行动三个模块还得彼此协同、互通信息,而且这一切得在用户不开口的时候自主发生。

不过,一连串问题也跟着来了:

  • 挂在后台一直跑,就算真正的「持续在线」吗?
  • 用户不在场、或者没发出指令的时候,助手究竟该做什么,又不该做什么?

说到底,整个行业都在找三个核心问题的答案:一个助手怎样才算真正「持续在线」?它怎样才能「越用越懂你」?现有系统距离这两步还差多远?

9所高校23位研究者发布126页综述:个人智能体怎样才算持续在线(配图 1)

图1|路线图总览:定义持续闭环,审视三个模块,分析集成系统与闭环等级,用HALO审查现有系统,讨论开放问题

围绕这三个追问,南洋理工大学、加州大学伯克利分校、普林斯顿大学、斯坦福大学、新加坡国立大学、阿卜杜拉国王科技大学(KAUST)、达特茅斯学院、北卡罗来纳大学教堂山分校和美国西北大学共9所高校的23位研究者,联合发布了一份126页的全景综述。

9所高校23位研究者发布126页综述:个人智能体怎样才算持续在线(配图 2)

论文链接:https://www.preprints.org/manuscript/202611.0793

项目主页:https://always-on-intelligence.github.io

论文清单:https://github.com/Always-On-Intelligence/awesome-always-on-personal-intelligence

论文作者想强调的一点是:助手「一直开着」,并不等于「持续在线」。

「持续在线」(Always-On)算不上新词。软件和硬件工程里早就用它来形容一直开机、随时可用的系统。

可放到个人助手身上,它到底意味着什么,目前还没有明确定义。近来这类系统又常跟主动式智能体(Proactive Agent)、个人智能体(Personal Agent)、长程智能体(Long-Horizon Agent)等概念搅在一起,边界越发模糊。

为了把这件事说清楚,这篇综述梳理了632篇文献以及119个研究系统和产品,覆盖可穿戴、数字和具身智能三类场景。

围绕「感知、记忆、行动三个功能模块×六条有向信息流」,作者搭出一套闭环分析视角,并据此界定了持续在线个人智能是什么、功能框架怎么搭、分哪六个等级、未来路线怎么走;他给出的最终构想是:用户掌舵,助手运行。

今天的智能体已经能替人分担不少具体工作,可人还是得时刻留在闭环里,一步步发指令、给许可,闭环才转得起来。论文设想的最终形态则不同:用户不用再亲自维持闭环运转,只负责掌控方向、划定边界。

观察的时机、出手的时机,由助手自己判断;它还会根据经验改进工作方式,只在需要用户授权的行动前停下来请求确认。

项目主页还同步上线了一个挺有意思的交互式Demo:8个日常场景里,读者可以替助手做一次决定,再换一种情况看看结果会怎样。

9所高校23位研究者发布126页综述:个人智能体怎样才算持续在线(配图 3)

什么才算真正的「持续在线」?

不妨先看一个日常小场景:你对助手说了一句,「开完会提醒我把报告发出去。」

话一说完,对话就结束了,可助手的工作才刚开始——会议什么时候结束得由它自己留意,还得挑个恰当的时机弹出提醒,这期间那件没办妥的差事一直得记着。

论文把这一过程提炼成持续在线助手必须同时具备的两大核心性质:

  • 论文把这一过程提炼成持续在线助手必须同时具备的两大核心性质。其一是运行连续性(Operational Continuity):即便没有新请求进来,助手也能依据当前态势自行判断要不要动手、什么时候动手——「保持等待」本身同样算一种合理决策。其二是状态持久性(State Durability):跨越多轮交互,把可用的个人状态一直留存下来,比如用户的偏好,再比如助手答应过却还没办完的承诺;哪怕当前对话已经收尾,这些待办事项日后仍能由助手自主兑现。

两大性质合到一起,就构成了「持续闭环」(Continuing Loop),它也是持续在线个人智能的基石。按这套严格标准来衡量,市面上几类常见助手其实都还够不上真正的「持续在线」。

  • 一类是有记忆但被动的助手:长期记忆是有了,可每次都得等用户先开口,它只占「状态持久性」这一条。另一类能主动搭话却没沉淀:主动发起对话没问题,聊完却什么都不留下,只占「运行连续性」这一条。还有机械的定时任务:闹钟或脚本确实能全天候跑,但只是按预设时间机械触发,自己没做任何决策。

持续在线跟长程智能体(Long-Horizon Agent)也不是一回事。长程智能体关心的是「如何跑完一个给定的复杂任务」,哪怕要跨多个会话;持续在线的个人智能面对的则是另一种局面:用户的目标和需求随时在变,新状况层出不穷,它必须在动态变化中提供不间断的陪伴与支持。

要适应这种持续变化,光靠「死记硬背」更多信息远远不够,助手还得在运行过程中不断改进自己的工作机制。论文把这种高阶能力称为「自演化」(Self-Evolution)。

持续闭环是基础,自演化是方向

综述由此给出全文的核心判断:个人智能要持续在线,根基在「持续闭环」,往前走的方向是「自演化」。要看懂「持续在线」,得把眼光从单项能力挪到整个闭环上。主动开口、长期记忆、后台驻留,随便挑哪一样,都兜不住持续在线。观察、记忆、行动三者能在两次请求之间的空档里照样配合、照样传信息,持续在线才站得住。说到底,它是整个闭环的系统属性,不是某个模块的局部功能。

在这个根基上,「自演化」是持续闭环再往前一步的延伸。有个常见误解要先说清:记住用户并不等于自演化。还是拿「会后提醒」说事:把「用户喜欢回到工位后再收提醒」存下来,只是多了一条记录,助手干活的方式没变。只有当助手察觉此前的提醒老是被关掉,转而去改提醒时机的规则,改成「等用户回到工位后再提醒」,这才算真正动了机制。

机制一改,后续所有输入的处理方式都会随之改变。正因如此,论文对自演化提出了更高的要求:

  • 机制每修订一次,都得能追到具体依据,生效之前过一遍检查,并且允许撤回,也就是可追溯、可检查、可撤回。完整的证据链同样不能少:要说明一个系统有自演化能力,就得拿出全套证据,从「做了什么」「结果如何」,一直到「改过的规则在后面的使用里确实起了作用」。

顺着「基础」到「方向」这条线,论文把发展路径分成L0到L5共六个等级。到了L3,助手能在没人请求时自己判断该行动还是该等着,持续闭环才算立住。到了L5,助手在用户划定的边界内修改自己的工作机制,自演化才算立住。说白了,持续闭环让助手「一直在场」,自演化让它「越用越懂你」。

三个模块,六条有向通道

让AI助手常伴左右搭把手,这个想法由来已久。早先的研究常把感知、记忆和「何时帮忙」分开各做各的。大模型让各个模块越来越通用之后,怎么把这三样真正串起来、把模块之间的信息流理顺,反倒成了新的难题。

论文将持续在线助手拆解为处于同一闭环内的三个功能模块:

感知(Sensing):负责观察。既可以一直开着,也可以由特定线索或定时器唤醒,或是按需启动。

记忆(Memory):保留对之后的决策有用的信息。既记过去发生的事,也记当前的事实与偏好,还记着对用户尚未兑现的承诺。

行动(Action)这个模块管的是一件事:帮不帮、什么时候帮、怎么帮。它既包含回应请求、把先前答应过的事兑现,也包含在没人开口时主动搭把手。

每个模块都分两层来看:「能做什么」是一层,「怎么选」是另一层。论文特别点出,选择「不做」同样算一种决策——感知可以不去看,记忆可以不去改,行动也可以选择不出声。

三个模块之间靠六条有向通道(Coupling Channel)连起来,每条通道代表一个模块往另一个模块送出的信息:

9所高校23位研究者发布126页综述:个人智能体怎样才算持续在线(配图 4)

三个模块加六条通道围成一个闭环,闭环之外还架着两层支撑。

共享条件(Shared Conditions)这一层由用户和现实世界来设定,涉及隐私、权限、安全、资源、可用性和不确定性,每个模块、每条通道都受它约束。举个例子,在保密会议上,助手可以听,但听到的内容不能存下来,也不能转述出去。

实现层(Implementation)由模型(Model)和模型外部的脚手架(Scaffolding)两部分构成。理解输入、做出决定,是模型的任务。脚手架则包含运行框架(Harness)、存储(Storage)以及工具和接口(Tools / APIs),职责是把模型的输出对接到用户的设备、应用和数据上。

9所高校23位研究者发布126页综述:个人智能体怎样才算持续在线(配图 5)

图2|持续在线个人智能框架

三类落地场景,瓶颈卡在「模块之间」

论文拿这套框架去梳理可穿戴、数字和具身智能三类场景,发现一个共性:各场景的瓶颈都出在模块之间的衔接上,光靠升级单个模块解决不了。

1. 可穿戴助手:功耗与社交边界的两难

可穿戴助手提供帮助,靠的是用户看到和听到的内容。

瓶颈一:采集成本与未来记忆的权衡。摄像头、麦克风这些传感器开得越多,耗电和算力跟着涨。可采多少不能只算开销,因为「现在拍下什么」,直接决定了记忆「以后能想起什么」。

瓶颈二:开口的时机与对象。多人会议或对话里,助手得判断什么时候开口、说给谁听。问题是,在场的其他人往往并没有同意被记录。

2. 数字助手:算力争夺与「旧记忆帮倒忙」

数字助手会把计划和个人上下文带进不同的应用和对话。论文梳理的公开资料显示,Muse把定时任务、事件驱动的任务同跨对话的记忆结合在一起;OpenAI的dots则在两次对话之间继续在自己的云端电脑上干活,何时暂停、何时醒来由它自己决定。

瓶颈一:算力争夺。后台检查、维护记忆、回应用户,三件事抢的是同一份计算资源。

瓶颈二:旧信息的误用。界面、任务或权限一变,照搬此前留下的上下文反而添乱。这时候助手要分清三种情况:是新信息没拿到,是以前记错了,还是一条本身没错的记录被用错了场合、用错了人。

3. 具身智能助手:出错的代价更高

物理世界里,碰撞这类后果一旦发生就收不回来。近期的机器人智能体系统虽然也跨任务保留个人状态,但多数还是按指令行事。

瓶颈一:结果核对的开销。动作做完再「看一眼」要花时间和资源,可不核对,又可能带着错误继续往下做。

瓶颈二:判断帮忙有没有用。一次帮忙究竟是帮上了还是添了乱,得靠记忆留住用户的反应和后续进展。

9所高校23位研究者发布126页综述:个人智能体怎样才算持续在线(配图 6)

图3|应用范围可拆成三个维度来看:交互领域讲的是观察与行动发生在何处,参与者范围指涉及或波及到哪些人,结果时间跨度则对应后果在什么时候能被看到

五个问题,揪出三个模块的「隐形痛点」

论文用同一组五个问题审视三个模块——有哪些选项?受什么限制?用什么策略?其他模块能提供什么?效果怎么衡量?每个模块由此各得出一个关键发现:

感知

漏看的东西,系统自己往往意识不到。在持续在线的场景里,「漏看」常常比「看错」更麻烦——助手根本不知道自己漏了什么,自然也不会去修正状态、调整观察策略。放到可穿戴设备上,受功耗限制,持续采集一般只能跑低帧率,短暂的动作很容易在两帧之间溜走。

数字场景里漏掉的则是信息的变化:一次没通知的预订取消,一封把会议改期的邮件,只要助手没再去看一眼,就发现不了。可是现有的多数评测只查助手看到的内容对不对,很少去考它该看什么、有没有漏看。

记忆

错误不仅会被反复使用,还会形成「记忆陷阱」。一条错误的记忆在被用户察觉之前,可能已经被系统反复调用了无数次。更麻烦的是,错误记忆会扭曲助手对后续用户反馈的理解,结果每一次自我修正都在保留甚至放大最初的错误。论文把这种恶性循环称为「记忆陷阱」。

这次接受审阅的系统,没有哪一个能对这套东西形成长期免疫。作者由此得出一个颇为尖锐的结论:想把记忆长久维持在正确、可用的状态,远比把它检索出来更难。

行动

结果往往姗姗来迟,「帮忙」也可能变成「负担」。「消息已发送」并不代表事情办成了,真正的结果来得晚、也来得少。今天觉得贴心的提醒,明天可能就成了恼人的打扰;当下被用户接受的建议,长期看未必有益。

另外,系统经历重启、跨设备迁移之后,当初接下任务的对话早已消失,怎么保证答应用户的事「既不漏做,也不重复做」?现有的基准测试在这方面几乎是空白。

路线图定级,L0到L5,119个系统走到了哪一步?

整篇综述的主线,是L0到L5构成的六个等级。每往上一级,闭环就多一项能力。

这里要再强调一遍:后台常驻的个人智能,跟持续在线并不是一回事。眼下有两类助手看似全天候在线,实际都停在L2。一类像记录仪,在后台不声不响地记下所有事情,非得等用户开口才动手;另一类像定时脚本,时间一到就触发,从不考虑这次该不该执行。真正的分界点在于:被唤醒之后,结果要不要送到用户面前,是不是由助手自己说了算。

研究团队依照这套标准,把119个研究系统和产品划进六个等级。其中52个尚未算作持续在线,67个越过了L3的门槛,可以自行决定何时行动。能把每次自我修改都约束在用户设定边界之内的(L5),仅有5项研究工作,产品层面目前没有任何一个达到这一级别。

在近期备受关注的产品中,Muse和Claude Duet被放在L3,OpenAI的dots、Grok Bot、OpenClaw、Hermes Agent等被放在L4。论文同时说明,产品是根据公开资料定级的,所以每个等级仅代表公开资料所能支持的下限。

L4和L5差在哪,关键就一句话:助手改动自己这件事,用户有没有管住。L5的要求是,每一次机制修改,要么经过用户明确批准,要么被牢牢限制在预设的安全范围里。

9所高校23位研究者发布126页综述:个人智能体怎样才算持续在线(配图 7)

图4|闭环的六个等级:每一级保留前一级的能力并新增一项,L3起助手在没有请求时自己决定行动或等待

9所高校23位研究者发布126页综述:个人智能体怎样才算持续在线(配图 8)

图5|各系统所在的闭环等级:按可穿戴、数字、具身智能三类场景排列,每类包含研究系统和产品

开源诊断工具HALO,找出最薄弱的两条通道

为摸清现有系统究竟走到了哪一步,研究团队同时开源了审查与诊断工具HALO(Harness for Always-On Loop Oversight)。HALO盯的是两样东西:持续闭环的每一条通道,以及自演化证据链上的每一个步骤。对每一项,它都会追问两个问题:论文和公开代码里有没有报告这一设计?假如切断这条通道或这步证据,系统输出会不会发生变化?为了回答这两个问题,HALO设了两种模式:

  • 只读模式(Read Mode):三个大模型组成「评审团」,分头通读论文与代码,逐条判断每一条通道、每一步证据是否被报告,最终以多数票定论。
  • 运行模式(Run Mode):思路接近一次A/B测试。先让系统按原样跑一遍,然后在输入和模型完全一致的前提下,切断某条通道或某一步证据再跑一次,最后交给另一个不掌握分组信息的「盲测」模型,由它判断输出有没有变化。

只读模式下的审查暴露出一个偏向:系统把重心放在「行动」上,「感知」和「结果闭环」两头偏轻。团队一共查了40项工作,当前设计的偏科情况相当明显。

  • 记忆指导感知的场景很少见。40项工作里,「感知→记忆」和「记忆→行动」各有37项报告了实现,「行动→感知」有28项,而「记忆→感知」仅17项。换句话说,记忆在报告里更多被拿去决定「做什么」,用来指导「接下来该看什么」的情况偏少。
  • 反馈链常常走不到头。报告「行动→记忆」通道的有25项,但同时保留行动结果的只有15项。放到自演化的五步证据链上看,保留行动记录的有24项,保留结果的有16项,把结果和决定联系起来的18项;真正修订了自身机制的仅5项,能展示修订后机制在后续被用上的只有4项。

9所高校23位研究者发布126页综述:个人智能体怎样才算持续在线(配图 9)

图6|HALO对40项工作的检查结果:左侧为除基础通道之外的五条通道,右侧为自演化证据链

运行模式:最薄弱的两条通道是「记忆→感知」和「行动→记忆」

团队在智能眼镜助手AiGet与邮件助手EAIA两个开源系统上做了实测。结果显示,某些通道一旦切断,输出会立刻崩塌;另一些通道之间存在冗余互补,要同时切断两条才能看出影响。

把两种模式的诊断合起来看,论文的结论是:「记忆→感知」与「行动→记忆」是当前整个领域最薄弱的两条通道,它们缺位会直接掩盖系统纠错所需的证据。

举个场景:会议时间已经被一封新邮件改期,可过时的记忆误导了感知模块,助手便觉得「老时间看起来没毛病」,新邮件的线索就此错过。未来两个优先突破口因此很清楚:一是让感知模块对意料之外的变化保持开放,二是把每一个滞后的结果与当初的决策规则精准挂钩。

零侵入MCP插件:拿不到源码也能做「黑盒体检」

HALO的设计理念可以归结为两点:纸面上的架构设计,不等于真实的运行时状态;闭源的黑盒系统,也不代表没法检验。

运行模式给出的证据最强,但前提是能拿到系统代码,而多数产品并不开源。研究团队为此给HALO做了一个MCP插件,闭源助手同样能被检查。

  • 接入方式跟普通用户给助手添加工具一样:把HALO当作一个MCP工具接进去,厂商不需要额外开放任何内部接口。
  • 记录方式:助手在后台照常运转,每做一件事——看到一封新邮件、查了一条记忆、发出一条提醒——就向HALO报告一次,并说明这件事依据的是此前哪些观察和记忆。
  • 读出内容:HALO从这些记录里判断哪些通道在传递信息、自演化的证据链走到了哪一步,以及这些记录能支持到哪个等级。

手里有代码的开发团队,HALO还提供适配器接口:在适配器里标出每条通道对应代码的哪一处,HALO就能切断这条通道再跑一遍测试,看输出有没有变化。

9所高校23位研究者发布126页综述:个人智能体怎样才算持续在线(配图 10)

图7|HALO插件架构

让用户掌舵,15个开放问题指明下一站

论文收尾用四组共15个开放问题,勾勒出持续在线个人智能的深水区。助手开始在无人发号施令时自主行动,研究的主线也就不再是「能不能一直跑下去」,而变成「用户不在场时,它能不能既靠谱、又守规矩」。

难题一:怎么度过「没人提问」的漫长空白?没有指令时,看什么、信什么、何时出手,全凭助手自己拿主意。两周没看早报,是用户的习惯变了,还是只是在出差?答应用户的事隔了几天,中间经历改期、重启,或者用户自己悄悄办妥了,助手怎么保证既不掉链子,也不重复做?

难题二:用户不在场时,怎么拦住「合法越权」和「记忆投毒」?授权发生在几天前,动作却拖到几天后才执行,论文提到的一个思路是等到行动真正生效那一刻再核验一次权限。合法账号被滥用,沙箱挡不住;邮件已经发出去,关掉进程也收不回来。平时读到的网页、邮件里还可能藏着指令,一旦进了记忆,就会左右助手后面的举动。

难题三:守着边界「自演化」,在无法重来的生活里怎么试错?用户顺手把提醒划掉了,这到底是时机没挑对、时间记岔了,还是事早就办完了?助手想让自己变好,一边要判断「该改的是记录还是规则」,一边还得在不能把用户生活重放一遍的前提下,证明自己确实越用越懂人,而且从没踩过用户划下的那条线。

难题四:真实使用拉长到好几个月,怎么摆脱静态回放?帮忙的效果会慢慢减弱,打扰造成的负担却越积越多。日志回放测的只是不同版本对同一段过去的反应。可放到长达数月的真实使用里,助手每主动插手一次,用户接下来的行为都会跟着变。在这样动态的交互中,把「帮忙」和「添乱」的总账算清楚,眼下还没有答案。

9所高校23位研究者发布126页综述:个人智能体怎样才算持续在线(配图 11)

图8|15个开放问题围绕闭环、用户、自演化、评估展开

论文在这15个问题背后点出了一条要紧的安全底线:凡是可以被自演化机制改写的约束,都管不住自演化本身。替助手划定最终边界的权限,只能握在用户手里,而且这份设定得放在助手无论如何都碰不到的位置。

让最深刻的技术「消失不见」

以前衡量一个个人助手,标准很单一:我发问的时候,它答得贴不贴切?个人智能进入「持续在线」阶段之后,评价多了一层:没人发问的那些时刻,它做得对不对?

这份126页的综述判断很明确:持续在线并不等于让程序在后台一直开着,而是把感知、记忆和行动拧成一个不中断的闭环,再让这个闭环在用户划定的范围内持续自我改进。

从定义、框架、三类场景,到L0至L5的等级划分、HALO诊断工具,再到15个开放问题,9所高校的研究者把此前零散的探索归拢到了同一张路线图上。

作者在结语里写到,这些难题被一个个解决之后,助手能随着「它确实在为用户服务」的证据不断累积,拿到更大的行动空间,同时始终稳稳跑在用户设定的轨道里。

到了那一步,人们就能少操一点心,多依赖它一点。个人智能也许真能如普适计算之父Mark Weiser在1991年所预言的那样,悄悄融进每个人的日常:

「最深刻的技术,是那些消失不见的技术。」

作者信息

参与这项研究的机构包括南洋理工大学、加州大学伯克利分校、普林斯顿大学、斯坦福大学、新加坡国立大学、阿卜杜拉国王科技大学、达特茅斯学院、北卡罗来纳大学教堂山分校以及美国西北大学,由这些学校的研究者共同完成。

论文第一作者兼项目负责人是南洋理工大学 S-Lab 一年级博士生 Shuai Liu,导师和通讯作者为 Ziwei Liu 教授。顾问委员会成员包括 Gedas Bertasius(北卡罗来纳大学教堂山分校)、Manling Li(美国西北大学)、Jiajun Wu(斯坦福大学)、Mengdi Wang(普林斯顿大学)和 Dawn Song(加州大学伯克利分校)。

参考资料:

论文链接:https://www.preprints.org/manuscript/202611.0793 

项目主页:https://always-on-intelligence.github.io 

论文清单:https://github.com/Always-On-Intelligence/awesome-always-on-personal-intelligence 

HALO代码:https://github.com/Always-On-Intelligence/HALO 

HALO文档:https://always-on-intelligence.github.io/HALO/

本文由本站编辑组整理与排版,内容基于公开信息核实后归纳发布,与文中提及的产品、公司无隶属关系。我们持续跟踪 AI 领域的模型、产品与行业动态,力求信息准确、表述清晰;文中涉及的名称、价格与功能细节可能随官方调整而变化,请以官方最新说明为准。如发现疏漏或表述有误,欢迎通过站内渠道反馈指正。

相关推荐 按相关度与热度排序

全部资讯 →
  1. 个人智能体咋总掉线?9顶校发布126页「持续在线智能体」路线图

    新智元报道 个人智能体,正在迎来一场前所未有的密集爆发。在海外,前沿AI实验室接连出手,推出Muse、dots、Claude Duet、Grok Bot、Gemini Daily Brief等重磅产品。它们不再只是被动地等待用户提问:有的在对话结束后继续在云端默默干活,有的每天清晨准时送来定制简报,还有的每隔几小时自动

    来源 腾讯网
  2. Anthropic收购1人公司Mithril:AI制药新路径?

    (本文作者为 医线Insight,钛媒体经授权发布)文 | 医线Insight,作者丨张小漫一家只有一名全职员工的生物技术公司,近期被AI巨头Anthropic宣布收购。这家公司名叫Mithril Medicine,专注于两种罕见肌营养不良症的治疗研究。创始人Cody Tranbarger借助Claude,在不到18个

    来源 腾讯网
  3. Fable 5.2登顶AI大模型榜:65分,27美元一次评测

    截止今日,11 月的榜有个反转:9 日 Anthropic 放出 Fable 5.2,综合指数 65,把 Gemini 4 Carbon 挤到第二。但这一分不是白拿的。图按五档排,分数取自 Artificial Analysis 的 Intelligence Index v5,收了 74 个模型、中位数 40 分。带「

    来源 腾讯网
  4. Gemini 4 Hydrogen提速2.5倍:AI从聊天转向干活

    Google发布Gemini 4 Hydrogen,主打日常智能体与编码,速度提升2.5倍;LangChain完成3亿美元C轮融资,推出全生命周期平台LangSmith。安全领域警示AI将网络攻击准备时间压缩至20分钟。此外,Google Wallet接入Gemini提供财务分析,DeepMind发布AlphaGeno

    来源 AI 应用前沿
  5. Claude写代码:97KB水下探索项目Abyssal Garden亮相

    IT之家 11 月 15 日消息,据 XDA 报道,一位开发者 Any-Reputation8118 利用 Anthropic Claude 编写代码,开发出一款名为“Abyssal Garden”的浏览器水下探索模拟项目,相应项目体积仅 97 KB,场景中的所有视觉元素均由代码在页面加载时实时生成。 从演示视频来看,

    来源 AI 行业观察
  6. NordicTrack跑步机被iFIT会员锁住,用户用Claude破解成功

    对老狐来说,每个月总要有些订阅软件服务的开销,比如 AI 的、网盘的、资讯的……这年头已经不流行一劳永逸的买断了,必要的服务该订阅还是得订阅。 既然已经掏钱买了会员,自然会默认为跨平台都能通用。但总有些厂商不讲武德,明明已经买了一款软件的会员,结果在别的平台用的时候居然还得掏钱? 不知道大家有没有过这种经历,而最近国外

    来源 AI 行业观察
  7. Anthropic上市在即:SBF当年5亿美元投资,如今值300亿

    Anthropic敲钟在即,一笔投资往事浮现。 时间回到2021年,身家百亿美元的90后币圈天才Sam Bankman-Fried(下称SBF),向尚未推出Claude的Anthropic投入5亿美元,一度间接持股约13.56%,成为其最大的早期投资人。 如今回看,他的这笔投资异常成功,Anthropic从一个名不见经

    来源 AI 行业观察
  8. 跑步机看Netflix要再交39美元会员费,老外用Claude破解

    对老狐来说,每个月总要有些订阅软件服务的开销,比如 AI 的、网盘的、资讯的……这年头已经不流行一劳永逸的买断了,必要的服务该订阅还是得订阅。既然已经掏钱买了会员,自然会默认为跨平台都能通用。但总有些厂商不讲武德,明明已经买了一款软件的会员,结果在别的平台用的时候居然还得掏钱?不知道大家有没有过这种经历,而最近国外 R

    来源 腾讯网
  9. Claude Fable5.2上线:70万笔触代码作画,不靠扩散模型

    Anthropic 当地时间11月9日发布 Claude Fable5.2与 Mythos5.2。该公司无传统文生图模型,Fable5.2却能以代码在虚拟画布上模拟画笔逐笔作画,还原笔刷纹理、颜料湿度与画布质感并可修正错误。不同于 Midjourney 等扩散模型从噪声生成图像,它把绘画拆解为笔触指

    来源 AI 开发者社区
  10. Claude Fable5.2靠代码作画:70万笔触画出购物车

    Anthropic 11月9日发布 Claude Fable5.2 与 Mythos5.2。Fable5.2 无传统文生图模型,却能以代码在虚拟画布逐笔作画,还原笔刷纹理、颜料湿度与画布质感,并可修正错误。它不同于 Midjourney 等扩散模型从噪声生成图像,而是把绘画拆解为笔触指令执行,每幅画是一段约1000至2

    来源 AI 产业速递
  11. 谷歌TPU四款齐发:整柜外售,推理每美元性能超GB200五成

    英伟达最近头疼的事儿可不止老黄那一件。 本周内,谷歌祭出了两款新TPU芯片,分别瞄准机密推理和长上下文。算上上半年发布的两款TPU芯片,第八代TPU已经扩到四种配置。 今年,谷歌第一次在同一年内推出四款TPU系统。而谷歌对TPU的野心,可能比外界想象得更大—— 还是今年,谷歌破天荒开始对外销售TPU系统。 量子位从谷歌

    来源 AI 行业观察
  12. 谷歌 Gemini4Carbon 入驻 WorkBuddy,百万 Token 上下文向 Pro 用户开放

    腾讯 WorkBuddy 国际版于11月15日宣布正式接入谷歌 Gemini4Carbon 大模型,面向复杂推理和长周期任务处理场景提供模型支持,目前仅向 Pro 计划用户开放。 Gemini4Carbon 是谷歌面向长周期智能体工作流推出的模型,适用于复杂知识工作、软件工程、网络安全及科学推理等任

    来源 AI 开发者社区
  13. 谷歌Gemini接入Google Wallet,美国用户可使用AI分析个人财务

    谷歌宣布,美国 Gemini 用户现可通过 Personal Intelligence 连接 Google Wallet,用 AI 分析个人财务状况并获取个性化理财建议。用户还能经 Plaid 关联银行账户和信用卡;该平台也为 ChatGPT 提供金融账户集成。连接后,Gemini 可分析交易记录,回答日常支出、预算、

    来源 AI 产业速递
  14. Gemini被称美国豆包,张一鸣活成中国布林:两人都把时间押给AI

    在太平洋两岸的科技版图上,一种奇妙的镜像正在发生。大洋彼岸的硅谷,早已退居幕后的 Google 联合创始人 Sergey Brin (谢尔盖布林)重新走进办公室,与一线研究员并肩推演大模型架构。而在亚洲,2021 年便将字节跳动 CEO 权杖交给梁汝波、此后极少公开露面的张一鸣,也正以一种高密度、深介入的姿态重回技术腹

    来源 腾讯网
  15. 谷歌Teamwork系统:多智能体验证韦伊猜想

    谷歌扩展 Antigravity 多智能体系统,推出 Teamwork 系统,可完成数学证明、分子识别、代码重写等任务,近期已开放给学术研究人员免费使用。#谷歌AI新进展#

    来源 IT之家
  16. Gemini 4 Hydrogen登场:速度压过高端版Argon,价格反而更低

    Google 刚推出 Gemini4Hydrogen(氢),一款主打速度与执行效率的新模型,结果一登场就尴尬了自家的 Argon:第三方智能指数榜上,Hydrogen 拿下51分、Xhigh 档冲到54分,压过定位更高的 Argon 的50分;默认档速度达上代 Flash 的2.5倍、胡编乱造减超80%,API 价格却

    来源 AI 开发者社区
向下滚动自动加载更多