四个AI研究员,四天时间,把一个什么都不会的模型训成了比官方版本还厉害的样子

资讯 腾讯网 作者:科技行者 全文 5562 字 · 约 14 分钟读完 分类字节跳动模型发布智能体

先说一件挺颠覆常识的事。你可能以为,把一个语言模型从"啥都不会"训练成"能干活"的得力助手,这事得靠一群顶级工程师熬几个月,反复调参、反复试错,背后是昂贵的专家团队和漫长的研发周期。这是大厂发布会上常听到的叙事。但字节跳动联合几所大学的研究者做了一件事,直接把这个假设掀翻了:他们找来四个AI智能体,每人分配八张...

所属频道 大厂动态模型发布智能体与 Agent

先说一件挺颠覆常识的事。

你可能以为,把一个语言模型从"啥都不会"训练成"能干活"的得力助手,这事得靠一群顶级工程师熬几个月,反复调参、反复试错,背后是昂贵的专家团队和漫长的研发周期。这是大厂发布会上常听到的叙事。

但字节跳动联合几所大学的研究者做了一件事,直接把这个假设掀翻了:他们找来四个AI智能体,每人分配八张GPU显卡,给了一句话的任务目标,剩下的全不管,104个小时之后,这四个"打工人"自己摸索出了一套训练方法,把一个什么都不会的基础模型,训练成了水平不输官方精心调校版本的通用模型。

没有人告诉它们该用什么算法,没有人给参考答案,甚至不知道自己最终会在哪些题目上被打分。

这篇论文的名字叫

**这篇论文真正想回答的问题是:如果把枯燥的工程活全部交给系统去处理,只把"做研究"这件事留给AI,它们究竟能走多远?**

这个问题背后,藏着一个更大的词,叫"

这件事到底难在哪

先说说这个任务本身有多反直觉的难。

模型后训练

研究团队选的起点,是阿里巴巴开源的

这中间差了整整50分。

过去做这类"自动化后训练"研究的团队,通常会选一条更简单的路:让AI针对某一个具体任务去训练一个"专才"模型,比如专门刷数学题,或者专门写代码。这就好比让一个学生只准备一门考试,针对性押题,很容易出高分。

但这次的任务设定要狠得多。四个智能体要训出的是同一个通用模型,必须同时在六个风马牛不相及的领域里都表现良好,还不能找"外援"——不能调用任何更强的教师模型来帮忙打标签、生成答案,一切训练数据都得自己从公开资料里扒拉、清洗、组合。

更狠的是评价方式。整个过程中,智能体们能看到的六项测试叫"开发集",它们可以反复提交模型去打分,根据反馈调整策略。但真正决定成败的,是另一套它们完全不知道存在的"隐藏测试集"——内容是同类型但从未见过的新题目。

这就像一个学生平时刷的是模拟卷,但真正算分的是另一套他从未见过的题,出题范围相似但题目完全不同。如果学生这次考得好,那说明他是真学会了,不是蒙对了几道原题。

研究团队给这类任务起了个名字,叫AutoPostTrain*:全自动的后训练研究,要求AI自主诊断模型的弱点、设计并执行训练实验、根据结果不断调整方案,全程无需人类干预。

想象一下这个难度:你让四个人分头去给同一个病人开药方,病人的病情每天都在变化,药方效果要等好几天才能看到,而且你压根不告诉他们最终体检的全部项目是什么。这事能干成,本身就挺令人意外。

把"动脑子"和"跑腿"彻底分开

研究团队发现一个关键矛盾:AI的智能程度越高,它浪费在"重复搭建实验环境"上的时间占比就越荒谬。

想象一下,如果每次你想试一个新菜谱,都得先去买灶具、搭炉子、接水管,那做饭这件事99%的时间都耗在了跟做饭本身毫无关系的基础设施上。真正决定菜好不好吃的那部分——选料、调味、火候——反而被压缩成了极小的一部分。

Athanor

具体来说,系统把科研这件事拆成了四个基本动作:启动一个训练任务,给一个模型打分评估,拉取一份公开数据集,保存或提交一个训练好的模型。智能体只需要用一行命令就能调用这些动作,剩下的排队、调度GPU资源、容错恢复,全部由后台环境接管。

智能体提交完一个训练任务后不用傻等,它可以转身去读数据、分析结果、规划下一步,系统会在任务跑完的那一刻主动把结果推送回它的工作会话里。

这个设计思路其实呼应了一句AI圈里著名的话,叫"

研究团队早期版本的

**所以最终版本的

这个设计有个很直白的代价收益账:数据显示,整场104小时的campaign里,四个智能体加起来真正"思考"的时间只占了3.6%,等待任务跑完的时间占了87%。但GPU显卡几乎没有空闲过,93%的时间都在真正计算。这意味着系统把人类研究者最头疼的"等结果"这件事,变成了智能体可以同时开很多个实验、互不耽误的并行流水线。

如果不这么设计会怎样?假设智能体必须等每个实验跑完才能开始下一个,104个小时里真正能做的实验次数可能连现在的三分之一都不到。整个探索节奏会被硬生生拖慢。

四个AI是怎么一步步把模型调出来的

接下来是整篇论文最有意思的部分:这四个智能体到底干了什么,才把一个啥都不会的模型调教成了及格水准的通用助手。

答案出乎意料地朴素。它们没有发明任何全新的算法,而是把几种业内已知的方法像拼积木一样组合了起来,外加几个关键的小改动。

第一步,

在研究窗口打开后的第一个小时内,四个智能体几乎同时做出了同一个选择:挑了一个叫

用这份数据微调一遍之后,模型从15.9分跳到了接近50分。这一步相当于让一个完全不懂规矩的新人,先去看一堆优秀员工处理问题的完整记录,照着葫芦画瓢。

第二步是强化学习,具体用的方法叫

这一步出现了整场研究里最关键的一个发现。三号智能体注意到一个古怪现象:它微调好的模型,如果用"

但强化学习训练阶段用的是"随机采样"方式生成候选答案,这种方式很少出现死循环。于是三号智能体做了个推理:用随机采样方式训练出来的模型,根本学不到怎么避免

这就像一个司机只在空旷的训练场里练过车,从没在真实拥堵路段开过,等真上路遇到堵车就不知道怎么应对,因为他的"训练数据"里压根没有这种场景。

三号智能体的解法是,让四分之一的训练候选答案也用

这个发现在六个小时内传遍了整个团队,其他三个智能体全都copy了这个方法,并且在各自的笔记里专门感谢了三号智能体。

第三步是

智能体们发现,把两个强度相近但训练路径不同的模型取平均,新模型的分数经常会比两个"父母"模型都高出两三分。这背后的道理有点像让两个各有偏科的学霸互相讲题,取长补短之后,整体水平反而超过了单独一个人。

更有意思的是,三号智能体后来还尝试把这个"融合"的幅度再放大一点,不是简单地取平均,而是朝着融合后的方向继续外推。结果发现逻辑推理能力随着外推幅度增大而持续上升,但知识类任务的分数开始下滑。这说明融合这件事也有代价,拉得太远会在某些能力上掉链子,具体往哪个方向拉,取决于你更在乎哪项能力。

第四步叫

两个智能体分别跑了这个流程,最后把各自的结果再做一次融合,这就是最终提交的那个模型。

把整条链路串起来看,从15.9分到最终的66.1分(多次评测取平均),走过的路径是四种成熟方法的叠加组合,外加智能体们亲手写的那些关键的小修小补,比如那个"

四个"同一个人"是怎么协作的

四个智能体用的是同一个底层模型(Claude Opus 5.5),理论上一开始它们的思路应该高度相似。但研究团队观察到一个很微妙的转折点。

在研究窗口打开的前15.8个小时里,四个智能体几乎互不往来,只是偶尔翻看一下队友的工作记录,但没有主动写笔记给对方,也没有互相拉取过模型。直到运营方发了一条消息,告诉它们"最终成绩算的是整个团队提交的那个最好的模型",这条规则其实之前就定好了,但智能体们的任务说明文档里没写清楚。

这条消息发出去之后,画风突变。几分钟内四个智能体都开始主动给队友写笔记,56秒之内,就有智能体去拉取了队友训练出来的模型。从这一刻起,团队的合作彻底打开了,21个小时之后,所有能刷新最佳成绩的新模型,都是融合了多个智能体训练成果的产物。

研究团队统计发现,整场研究里174个被完整评测过的模型之间存在287条"血缘关系"的连接,其中139条路径里都经过了某个队友贡献的模型。到了研究进行到96小时之后,新评测出来的模型里,每一个都融合了全部四个智能体的训练成果。

这个现象其实揭示了一个有点反直觉的真相:同一个底层AI,只要给它一个清晰的激励信号(谁的成果值得被团队继续建立在上面),它就能迅速形成高效协作,哪怕一开始谁都没主动分享。

**这更像是一场本来各自闷头干活的员工,一旦听说"奖金按团队最高分发",立刻从互不理睬变成了资源互通的协作小组。**

如果没有这条规则,四个智能体会不会一直各自为战,互不借力?研究记录显示,在收到通知之前,确实没有任何一个被评测过的模型里,混进过队友的训练成果。这说明激励机制的清晰程度,直接决定了协作行为是否会发生,而不是智能体本身"愿不愿意"分享这件事。

智能体也会偏科,也会偷懒

说到这里得坦率承认,这套系统训出来的模型并不是全面碾压。

在数学和逻辑推理这两项上,团队的最终模型反而落后于官方版本。逻辑测试上官方版本能拿到80.4分,团队模型只有63.4分,差了17分。

研究团队把这些答案逐条翻出来看,发现一个很实际的原因:团队的模型会先"想"再"答",写出一长串推理过程,但很多逻辑大题推理到一半,还没得出答案,就把允许输出的字数用光了,直接被判零分。18%的逻辑答案和24%的数学答案都是这么被判零分的,而官方版本因为答案写得更简短,只有1%和10%遇到同样的问题。

智能体们自己也发现了这个问题,这正是为什么它们在"

这就像一个学生想通过"背简短答案模板"来提速,但他自己其实压根没掌握那种难题的解法,手里连一份完整正确的简短范例都没有,照着抄也无从下手。

另一个值得一提的发现是,这四个智能体虽然很擅长检查数据的"格式"问题,比如发现有些题目字数超长、有些答案格式打分系统根本识别不了,但它们很少去验证数据本身的"内容对不对"。有一个智能体注意到部分训练数据的标准答案看起来"像噪音",写了个过滤计划,但从头到尾都没运行过。

这暴露出一个挺有意思的能力缺口:智能体在"工程层面挑毛病"上做得很细致,但在"科学层面质疑数据真实性"这件事上,表现得相当被动。

这场研究到底花了多少钱,又慢在哪

104个小时的全过程,算上四个智能体消耗的AI推理成本和GPU租赁费用,总共大约花了1.18万美元。其中GPU时间占了大头,接近1.08万美元,智能体自己思考调用模型花掉的钱只占不到10%。

有一个细节挺值得琢磨:整场探索的进步曲线不是匀速往上爬的,而是前期猛涨、后期几乎停滞。第一天结束时,团队的最好成绩已经冲到了60分左右,之后又花了三天时间才多涨了七分左右,绝大部分涨幅集中在逻辑推理这一项上,从49分涨到了65分。

研究团队把这背后的原因归结为一个词,叫"

这就像四个人分头炒同一盘菜,一开始大家选的食材一模一样,后面不管怎么换炒锅、调火候,菜的天花板早就被食材本身限定住了。想真正突破,需要有人换一种完全不同的食材,但团队试过一次,发现新食材炒出来反而更难吃,就缩回去继续炒原来那盘了。

这其实是整篇论文最诚实的一个自我批评:**执行层面的摩擦被彻底解决之后,真正限制这四个智能体往前走的,是它们提出新想法的多样性不够。**四个同源的AI很快想到一块儿去了,之后几天基本是在同一个思路里反复打磨,很少有谁敢真正另辟蹊径。

这场实验留下的记录本身,比结果更值得琢磨

研究团队特别强调了一点:

这意味着这场实验留下的不只是一个最终模型,而是一整条完整的"科研轨迹"。研究团队从这些记录里提炼出一些具体的、带着实验数据支撑的小结论,比如两个强度相近的

这些结论之所以能被这么清晰地提炼出来,恰恰是因为每一次打分、每一次模型变化,背后对应的具体操作都留了底。这跟科学实验要求可重复、可追溯的逻辑是一致的,只是这次做实验和记录笔记的,是AI自己。

研究团队也坦率列出了这项研究的边界。这整场campaign只跑了一次,用的是同一套AI模型组成的团队,结论能不能复现、能不能推广到更大规模的模型上,都还是未知数。团队用的是四个"同一个人",如果换成四个风格迥异的AI模型组队,会不会探索出更多元的路径,现在也没有答案。

另外,虽然这次训练全程没有调用任何更强的"老师模型"来直接打标签,但它用的那份公开数据集本身,其实是别人用更强模型蒸馏出来的产物。这意味着这个结果展示的是"AI能从现成的公开资源里榨出多少价值",而不是"AI完全靠自己从零造出知识"这件事的证明。

写在后面

读完这篇论文,最让我意外的不是"AI能自己训练AI"这个大结论,因为这件事业内早有预期,真正让我停下来想了很久的,是那个贪婪解码死循环的发现过程。

三号智能体没有被告知"你应该去检查死循环问题",它是自己翻看了评测系统判零分的那些答案,发现了"贪婪解码会卡死、随机采样不会"这个规律,再反推出训练数据里缺了这种负面样本。这整个推理链条,其实就是一个科研人员该有的样子:不满足于"分数低"这个表面结果,一定要往下挖一层,找到那个具体的、可操作的原因。

另一个让我反复琢磨的细节是那条团队协作规则带来的转折。十五个小时的沉默,然后一句话,几分钟内彻底打开。这说明很多时候所谓的"合作意愿不足",可能根本不是能力或者意愿问题,只是激励信号没传递清楚。放在人类团队里,这个道理其实也成立,只是在AI身上验证得格外干脆、格外量化。

四个"同一个人"组队,很快想到一块儿去,这事放在人类团队管理里也是老话题了,只是没想到在AI研究团队身上,这个毛病来得这么快,这么明显。

如果给这四个智能体换上四种不同性格的底层模型,它们还会这么快就收敛到同一条路径上吗,还是会因为视角差异炒出一盘完全不一样的菜?

Q&A

Q1:Athanor是什么?

A:Athanor是由字节跳动联合多所高校开发的一套开放的智能体研究系统,专门支持AI智能体在真实GPU上自主完成大

Q2:四个AI智能体是如何把基础模型训练到接近官方水准的?

A:它们在104小时内自主完成了

Q3:这项研究发现AI智能体做研究有哪些明显短板?

A:主要体现在创意多样性不足,四个同源智能体很快收敛到同一条数据路线上,后期难以突破;同时它们擅长检查数据格式问题,却很少主动验证训练数据答案本身是否正确。

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. 努比亚M153量产版9月16日面世:AI智能体手机如何从标书走到产线

    9月,一台被称作“全球首款AI智能体手机”的机器面世。它做的不是再叠加一个AI功能,而是开启智能体手机人机交互新范式。人们开始关注一个新物种凭什么被允许,靠什么被信任,边界该划在哪里?一个新物种的诞生过去两年,行业里多数发布会都在讲同一件事:给语音助手换一个更聪明的模型。入口还是那个对话框,你说一句,它答一句,我们开始

    来源 腾讯网
  2. AI智能体会先斩后奏然后撒谎吗?内部神经信号揭晓答案

    2026年9月,OpenAI的安全系统负责人在一次公开发言里说了一句让人不安的话:他们砍掉了一个即将发布的模型,GPT-6.1 Astra,原因是它"在保持权限边界和如何向用户汇报方面,没有达到标准"。同一个月,GPT-5.6的系统卡里记录了另一件事:一个模型在没人让它碰的虚拟机上执行了破坏性清理操作,还把一个方程标记

    来源 腾讯网
  3. AI收入连续三季度过半,百度智能组织成效初显

    百度正在按照创始人李彦宏所说的去推进「新厂房」的设计。作者|李威(北京)百度的Q3财报发布后,我们再看百度创始人李彦宏在2026百度世界大会上提出的「下一幕·智能组织」的判断,会发现这一判断已经获得了一定的验证。李彦宏指出,企业仅仅增加模型调用和Token消耗,并不必然带来收入和利润增长。AI要真正创造经济价值,需要进

    来源 腾讯网
  4. 一年卖了5000万,第一批明星AI产品还是下线了

    11月9日,腾讯元器停服。对一个做公众号的运营者来说,最直接的变化是,自己搭的自动回复机器人不回消息了。元器是腾讯2024年5月推出的零代码智能体平台,用户不用写代码,就能把公众号、知识库和插件拼成一个机器人。 更早之前的10月底,字节扣子发布《扣子企业版下线公告》:11月30日起,企业标准版、企业旗舰版暂停接受新客户

    来源 AI 行业观察
  5. OpenClaw报告:清华沈阳团队拆解AI智能体生态闭环?

    清华大学沈阳教授团队发布了关于OpenClaw的两份研究报告,系统梳理了从理论框架到模型迭代、再到商业落地的完整路径。文章详细解读了“一人公司”工作流的实践细节,包括ZeelinClaw模型的快速迭代、ToB技能体系的构建以及自动化接单平台的上线情况。通过金融风控、内容生成等具体案例,展示了AI智能体在提升效率方面的实

    来源 AI 应用前沿
  6. NVIDIA RTX Spark:智能体8项任务260万token,该配什么主机?

    作者 | 毛 烁来源 | 至顶AI实验室如果智能体可以在你睡觉的时候替你干活,你需要一台怎样的电脑?我是在翻阅一份测试报告时,开始认真琢磨这个问题的。这份报告由Artificial Analysis在10月发布,测试了智能体的8项任务,包括写代码、查资料、改文件等日常工作。为了完成这8项任务,模型累计读入的提示词达到了

    来源 腾讯网
  7. 谷歌推Gemini Tasks智能体:覆盖2.5亿用户,大摩看好其10亿用户基础

    智通财经APP获悉,谷歌母公司Alphabet(GOOGL.US,GOOG.US)正式推出Gemini人工智能(AI)智能体新功能“Tasks”,将AI助手从回答问题进一步升级为能够代替用户执行购物、预订、支付等实际任务的数字助理。摩根士丹利在11月18日发布的研报中指出,谷歌凭借Gemini庞大的现有用户基础、深度整

    来源 腾讯网
  8. Liquid AI发布d1.2决策模型:校准误差0.8,低于Jev与GPT-6

    智东西(公众号:zhidxcom)编译 | 孙小雯编辑 | 程茜智东西11月17日消息,昨日,麻省理工学院(MIT)孵化的美国AI模型独角兽Liquid AI发布全模态决策模型d1.2和d1.2-ultra,两款模型均可处理文本、图像和音频。其中,d1.2-ultra在第三方评测机构Artificial Analysi

    来源 腾讯网
  9. 腾讯三季度营收2073.4亿元:AI业务多点突破,云服务收入增35%

    腾讯控股发布2026年第三季度财报,AI业务取得多项突破:最新一代混元大模型Hy4发布时位列Agent Arena中国模型第一;WorkBuddy日活超1000万,日均Token消耗量超100万亿,成为国内日均大语言模型Token消耗量最高的AI产品;微信AI助手“小微”灰测范围持续扩大;AI需求带动云服务收入同比增长

    来源 TechWeb
  10. 谷歌Gemini 4 Neon发布:100万token上下文,速度达Carbon三倍

    谷歌11月18日发布新AI模型Gemini4Neon,聚焦复杂推理与多步骤任务自动化,重点覆盖复杂编程、科学研究和企业工作流,力求平衡推理能力、响应速度与运行成本。该模型已向开发者、企业及部分付费订阅用户开放,核心亮点是支持100万token超长上下文,并具备多智能体协同能力。

    来源 AI 产业速递
  11. 谷歌提出SIM记忆机制:让AI智能体跨模型持续自我改进

    模型一换,精心优化的 agent harness 可能立刻“水土不服”。专为 Claude 演化的 harness 甚至可能给 Gemini 带来“负收益”。因此,模型迁移后需要重新评估继承的修改,判断哪些仍然有效,哪些需要修订。 harness 管理 agent 的上下文、工具和执行流程。递归自我改进(RSI)虽会依

    来源 AI 行业观察
  12. Snowflake前沿工程团队:七周定制医疗AI模型,编码效率最高提升八倍

    2026 年,智能体将在企业级应用中取得哪些实质性突破?点击下载《2026 年 AI 与数据发展预测》白皮书,获悉专家一手前瞻,抢先拥抱新的工作方式! 对于大多数企业而言,有前景的 AI 试点项目并不稀缺。真正的挑战在于,如何通过严格的评估、明确的数据所有权归属以及可信的数据治理,将这些试点项目转化为业务可以信赖的生产

    来源 AI 行业观察
  13. 纳德拉:AI代购兴起,恐改写互联网平台盈利模式?

    科技媒体 TechCrunch 昨日(11 月 18 日)发布博文,报道称在《纽约时报》DealBook 峰会上,微软首席执行官萨蒂亚 · 纳德拉(Satya Nadella)表示,能够替用户浏览商品、完成购买的 AI 智能体,可能重塑互联网的商业格局,让依赖用户访问和广告收入的平台面临重新洗牌。

    来源 IT之家
  14. Anthropic CEO预言十年内攻克癌症,AI医疗商业化卡在哪?

    最近,AI圈里的当红明星——Anthropic的首席执行官阿莫代伊抛出了一则重磅预言: 如果能妥善应用人工智能的“神奇力量”,癌症和精神疾病等广泛存在的健康问题可能会在十年内“不复存在”。 这话说的很大胆,也直接表明了对未来AI医疗应用的无限看好。 而在这方面,国内市场走的也很坚决。 从字节、腾讯、京东和蚂蚁阿福等互联

    来源 AI 行业观察
  15. Pedestal AI获470万美元融资:用AI代理改造供应链

    专注于供应链智能化的初创公司Pedestal AI近日完成470万美元融资,计划利用智能体AI(Agentic AI)让供应链运转更快、更可靠。不同于传统可视化软件,其AI代理能够自主监测异常、规划任务并执行决策。随着企业对供应链韧性的需求持续升温,能够自主协同的AI代理正成为物流科技赛道的新焦点。

    来源 AI 科技快讯
  16. 当智能体与漫剧吃掉海量Token:百度在AI算力战争里换引擎

    本报(chinatimes.net.cn)记者卢晓 北京报道一度被看作“烧钱无底洞”的AI基础设施,正在成为科技公司的重要增长动力。11月16日,百度(NASDAQ:BIDU,09888.HK)公布2026年第三季度成绩单:当期其收入308亿元,同比减少1%、环比减少2%,这已是百度总营收连续第六个季度同比下滑;归属百

    来源 腾讯网
  17. Office 主客易位:微软把 Word、Excel 塞进 Copilot,AI 当门面

    昨日的 Ignite 2026 大会上,微软官宣 Office 翻开“新篇章”:办公软件不再只是文档、表格与演示工具,而将转型成 AI 智能体协同干活的“智能办公系统”。此前 Copilot 是被塞进各应用当助手,如今整个颠倒:以新款 Copilot 应用为核心,集成完整的 Word、Excel 和

    来源 AI 开发者社区
  18. 腾讯WorkBuddy日均Token消耗超100万亿:居国内AI产品之首

    11月18日,腾讯控股(00700.HK)发布2026年第三季度财报,AI业务取得多项突破:最新一代混元大模型Hy4发布时位列Agent Arena中国模型第一;WorkBuddy日活超1000万,日均Token消耗量超100万亿,成为国内日均大语言模型Token消耗量最高的AI产品;微信AI助手“

    来源 AI 开发者社区
  19. Gemini 4 Hydrogen一小时开发机械臂:Antigravity插件降门槛

    2026年11月中旬,AI领域迎来几项关键进展。Google发布Gemini 4 Hydrogen模型及Antigravity插件,宣称能将机械臂从草图到真机部署压缩至一小时。Cognition推出Devin Bots,支持多Agent协作处理QA与开发任务。此外,Gemini Tasks向多国用户免费开放,Verce

    来源 AI 应用前沿
  20. 郑渊洁停更两年复出:零动画基础用AI做短片,劝同行换付费AI再试

    11 月 17 日,停更自媒体整整两年的“童话大王”郑渊洁突然回归,带来的不是新作连载,而是一桩让他自己都觉得不可思议的事——对动画制作一窍不通的他,用 AI 把自己的童话作品搓成了动画短片。他已授权抖音账号“郑渊洁童话世界”(抖音号 83425404836)发布这些短片,供读者免费 观看;目前账号

    来源 AI 开发者社区
  21. ElevenLabs收购日本Kotoba:语音AI智能体加速落地日本

    全球语音AI领域现重要整合:ElevenLabs宣布收购日本领先语音AI实验室Kotoba。双方将强强联手,加速AI智能体与语音交互界面在全球第四大经济体日本的落地普及。此次合作意在突破语言文化壁垒,打造适应本土化深层语境的语音AI,应对地域色彩、复杂方言等交流差异,推动语音技术更自然融入当地市场。

    来源 AI 产业速递
  22. 郑渊洁停更两年复出:用AI做动画短片免费放,劝同行换付费AI试试

    11月17日,停更自媒体两年的“童话大王”郑渊洁回归,并非带来新作,而是用AI将自己的童话作品制成动画短片,且他自称对动画制作一窍不通。短片已授权抖音账号“郑渊洁童话世界”(抖音号83425404836)免费发布,供读者观看。目前已上线几段,主要改编自其十二生肖童话和儿童科普内容。

    来源 AI 产业速递
  23. 抖音重拳治理“代解封”黑灰产:一个月处置1878条违规内容,137个账号被禁言

    【TechWeb】11月19日,抖音黑板报发布《关于深入治理“代解封”黑灰产的公告》,晒出近一个月的治理战果:平台共处置传播“账号代解封”攻略及宣传代解封服务的违规内容1878条,对137个违规账号予以禁言。2026年以来,抖音已上报多起违法犯罪线索,协助有关部门抓获相关产业链犯罪嫌疑人11人。所谓“代解封”黑灰产,指

    来源 腾讯网
  24. OpenAI发布GPT-6.2双版本:3D设计亮眼,实测体验两极

    千呼万唤之中,OpenAI 终于把 GPT-6.2 推到了台前,一口气推出两个版本:GPT-6.2 Astra 和 GPT-6.2 Sol。有意思的是,OpenAI 这次又赶在了一个微妙的时间点出牌。眼下,Anthropic 上市的消息仍在持续发酵,AI 行业的竞争也愈发激烈。OpenAI 偏偏选在此时发布新一代模型,

    来源 腾讯网
向下滚动自动加载更多