搜索“其他”

00道口语推理题的基准测试Big Bench Audio上，Max得分为98.8%，而Mini为75.9%。 ElevenLabs建议将Max用于频繁或复杂调用工具的智能体。 这一差距在工具使用方面更为明显。Max完成了87.1%的任务，而Mini仅完成了60.3%。ElevenLabs建议将Max用于频繁或复杂调用工具的智能体。构建用于处理预订、客户账户或其他多步骤工作流的智能体的开发者，会希望亲自测试这一差异。 该公司将Mini设为默认模型，称其能够处理大多数用例。Mini在Full-Duplex-Bench上的表现也略好，该测试考察停顿、打断和轮次切换，Mini得分为95.8%，而Max为94.1%。 两款模型在延迟方面差距要小得多。Max的首个音频平均延迟为570毫秒，而Mini为620毫秒。Artificial Analysis的6月语音到语音指数记录到Deepslate Opal的更快结果为440毫秒，不过该早期基准测试与Eleven Realtime并非直接可比。 从OpenAI的Realtime API迁移 ElevenLabs也在争取已经运行OpenAI Realti

匹配字段正文

两段视频从相同的初始帧开始，但遵循不同的动作序列，展示了器械控制如何导致同一场景的不同延续，并伴随物理上准确的组织变形。 此外，这些推演使我们能够检查器械是否遵循控制指令、组织是否对交互做出连贯响应，以及解剖结构和器械外观是否随时间保持一致。 4. 适配你自己的数据和控制器 Cosmos3-H-Dreams 包含用于胆囊切除术的四步和两步检查点。该系统可适配其他具有同步视频和兼容动作表示的数据集与具身形态。要在你自己的数据集上训练实时学生模型，我们在分步指南中提供了教师微调和 Self-Forcing 蒸馏的完整配方。其中描述了数据准备、公开的教师训练工具以及蒸馏各阶段。控制器集成必须使用与训练相同的动作约定和归一化方式。 5. 下一步是什么 视觉真实感的进步开辟了若干研究方向： 对完整手术过程建模。扩大覆盖范围和时间一致性，使胆囊切除术的所有阶段都能被系统地探索，并具有清晰的任务边界和成功标准。 连接生成式与数值模拟。将学习到的视觉真实感与显式几何、接触和组织力学相结合。数值模型和实测数据可以帮助约束和验证形变，使模拟行为既可检查又令人信服。 与外科医生共同评估。评估解剖准确性、器械

匹配字段正文

制来定义张量存储的设备特定实现（通过在 c10::UniqueVoidPtr 内使用 c10::StorageImpl). TorchTPU eager 执行的一个独特特性是，它可以通过多种模式将 Aten 算子调度到 TPU： 立即, 有效实现逐算子调度； 延迟 一直到自动确定的 物化点 （例如，一个 .to("cpu") 语句），并与截至该点被延迟的所有其他算子一起聚合/编译； 介于两者之间的任何情况。 虽然这种灵活性确实给设计带来了额外的复杂性，但我们从一开始就刻意加入它，因为我们希望尝试不同的策略，以在基本的逐算子调度模式之上提升 eager 性能。（此外，事实证明这种灵活性对于处理视图语义和 torch.compile 非常方便，正如本文档后面所讨论的。） 总之，TorchTPU 提供 3 种 eager 模式，可以通过环境变量或上下文管理器设置： Strict （默认）：我们一次调度一个 Aten 算子，它们在 TPU 上与 CPU 异步执行。这相当于在 GPU 上以 eager 模式运行 PyTorch 时所期望的行为。 Debug (export TORCH TPU L

匹配字段正文

a 和 Google Workspace。 上传你的品牌风格，为你的营销创建风格一致的专业视觉素材。 让 Gemini 在几秒钟内把杂乱的电子表格转化为清晰的财务洞察。 摘要由 Google AI 生成。生成式 AI 仍处于实验阶段。 Gemini 正在推出新工具，帮助小企业主节省时间、完成更多工作。它现在可以处理创建品牌视觉素材、整理杂乱的财务数据以及连接其他应用等任务。这些更新让创业者能够专注于自己的热情，而不是枯燥的文书工作。世界各地的企业主已经在使用它来发展公司、解决棘手问题。 摘要由 Google AI 生成。生成式 AI 仍处于实验阶段。 探索其他样式： 如今，数千万小企业主正在使用 Gemini 头脑风暴未来产品、管理客户反馈并分析业务表现。今天，我们宣布推出新工具，旨在把这些创业者的时间还给他们，让他们能够专注于最初让他们踏上这条路的东西：他们的热情。 面向小企业主的中央枢纽，尽在 Gemini 我们推出一个新的企业落地页，旨在帮助小企业主简化日常任务。从这个中央枢纽，他们可以打造品牌、分析财务、了解客户洞察等等。 我们还让 Gemini 可以轻松连接 Google B

匹配字段正文

我们发布 DeepInfer、deepseek-recipe 以及其他用于部署 DeepSeek 模型的关键组件，希望世界各地更多公司和机构能够部署 DeepSeek 模型并从中获益。

匹配字段正文

大模型规模，却在多项测试中取得了明显提升。 最受关注的是Terminal-Bench 4.0。 这项测试主要考验AI能否在终端环境中使用工具、编写和修改代码，最终完成一项复杂任务。新版得分从初版的31.2分升至42.3分，提升了11.1分，超过了GPT-5.6 Sol的39.9分和GLM-5.3的37.9分，但仍低于Claude Opus 5的51.8分。 其他测试也有提升。DeepSWE v1.1从74.2分升至77.0分，ProgramBench从20.3分升至29.1分，Automation-Bench则从54.8分升至60.5分。11项官方列出的测试中，新版成绩全部高于初版。 以编程任务为例，这意味着AI不只需要生成一段代码，还要能运行程序、发现报错、修改代码、再次测试。任务越复杂，需要的操作步骤就越多，模型能否稳定完成整个流程就越重要。 而在跑分之外，这次更新中另一个更直观的亮点，是官方所说的“许愿式编程”。 10月17日，DeepSeek在公告中展示了几个新版本从零开发完整项目的案例，包括故宫3D建模、网页版赛车游戏，以及使用Godot引擎复刻《传送门2》等。 官方称，这些

匹配字段正文

TL;DR FP8 登陆 Mac：以 BF16 一半的空间存储 float8 e4m3fn 值，并使用缩放矩阵乘法以及 CUDA/CPU 上支持的所有其他运算！ MoE 模型解码速度比 2.14 快 5–6.5 倍：得益于原生分组矩阵乘法及专用解码路径、更少的 GPU-CPU 同步和更快的 top-k 路由，Qwen3.6-35B-A3B 在 M3 Ultra 上从 9.4 tokens/s 提升到 61.3 tokens/s。 每个 LLM 的每 token 耗时更少：单行线性层使用专用矩阵-向量内核，词表上的 softmax 约快 8 倍。 GPU 上更多线性代数运算：复数 LU 与三角求解、更快的小矩阵求逆，以及更快的 QR 分解。 音频、视频和训练也得到关注：卷积、填充、dropout、插值反向和归约的更快路径。Wan2.2 的视频 VAE 解码现在峰值内存为 8 GiB，而非 270 GiB。 从 Python 获得更多控制：公开的 MPS 流和更可靠的事件计时。 更新后的要求：MPS 现在要求 macOS 15 或更高版本；PyTorch 2.15 要求 Python 3.

匹配字段正文

Responses，适用于任何具有兼容端点的服务商 Anthropic 的 Messages API，支持自适应思考和 effort 选项 Google 的 Gemini API Ollama Private Cloud Compute，在 OS 27 上 Hugging Face Inference Providers，以及通过自定义基础 URL 接入的其他 OpenAI 兼容端点，例如 OpenRouter 借助 Inference Providers，你可以使用因体积过大而无法在设备上运行的开放权重模型，且会话代码保持不变： 托管服务商享有与本地模型相同的功能：引导生成、带流式传输的工具调用，以及响应中的 token 用量。 推理内容现在也成为转录的一部分。当你切换服务商时，如果新服务商无法重放推理块，这些推理块会自动从请求中省略。 API 密钥来自闭包而非字符串，因此你的应用可以从自己的服务器获取短期令牌。README 说明了何时应让用户自带密钥，以及何时应通过代理路由请求。 AnyLanguageModel 也可在 Linux 上运行，因此同一套代码可用于服务器。 开放权重

匹配字段正文

还是调查事故。 最有用的智能体是根据特定团队的运作方式量身定制的。到目前为止，构建这样一个智能体通常意味着采用围绕他人工作流设计的产品，或者从零开始。 今天，我们发布 Agent SDK，这是我们用来构建自家托管智能体（如 Bugbot、Security Reviewer 和 Rollouts）的框架。Agent SDK 允许你用代码定义智能体，并像管理任何其他软件项目一样管理它们。你可以从模板开始，或让编码智能体查阅我们的文档。当智能体准备就绪后， agent-sdk deploy 用一条命令将其部署到 Cursor 基础设施。 围绕你的工作流构建 Agent SDK 让你能够快速构建和部署按照你团队方式工作的智能体。它们响应你团队已经在处理的事件，并遵循你团队可以检查和更改的策略。 代码审查就是一个例子。每个团队对于什么需要关注以及谁应该审查都有自己的标准。借助 Agent SDK，你可以构建一个响应来自 GitHub、GitLab 或 Bitbucket 的拉取请求事件的智能体。该智能体可以评估变更的风险，将其路由到正确的团队，并批准符合你策略的变更。 举例来说，Cursor 内

匹配字段正文

人公司押注触觉与声音，认为这能让机器人胜过视觉AI Neura的最新基础模型融合视觉、触觉和音频以提升机器人感知能力，但用足够的真实世界数据来训练它可能并非易事。Scarlett Evans，特约撰稿人 2026年10月19日 阅读时长2分钟Neura Robotics 德国Neura Robotics发布了一款基础模型，帮助机器人在视觉之外利用触觉、声音和其他感官输入做出决策，以期提升机器的感知能力。 这款名为Neuron AI的新模型将3D视觉、触觉与力数据、音频、机器人状态和语言融合在一个感知—语言—动作模型中。Neura表示，该设计还融入了“记忆”功能，使机器人即使在物体不再可见时也能保留关于物体和先前动作的信息。 Neura计划于本周晚些时候在英伟达柏林GTC大会上现场演示Neuron AI。在演示中，Neura的人形机器人4NE1将使用新模型训练，完成一段十一分钟的衣物处理流程。 这一方法不同于主要依赖视觉—语言—动作（VLA）模型的传统物理AI系统，后者利用视觉信息学习执行任务。 相关报道：波士顿如何成为物理AI中心 据Neura介绍，Neuron AI使用三类数据源来训

匹配字段正文

测试。该结果在真实资金下是否依然成立，仍是一个未解的问题。 用 System One 更快地做出决策 对于这项任务，我们需要一组固定答案的概率。生成书面回复增加了我们可以跳过的工作。 Fireworks 的 System One API 直接读取选项概率，而不生成答案文本。它还将关于共享上下文的多个问题打包到一个请求中。每个问题都可以使用该上下文，而无需关注其他问题分支，因此我们可以复用上下文，同时保持各项决策相互独立。 在一项单独的合成基准测试中，System One 使用相同的适配器和单块 B200 GPU，中位服务器处理速度比标准 BF16 聊天补全快 2-3 倍。在每次请求 16-32 个问题时，它每秒做出的决策数最多提高 3.6 倍。 精度和运行时间有所不同，因此这些结果比较的是完整的服务栈。该基准测试与和 Jev 的 Kalshi 对比是分开的。 该 cookbook 包含通过 /inference/v1/systemone 提供训练后模型服务的说明。 你会训练 Muse Glimmer 做什么？ 你不需要有交易方面的雄心就能尝试这个。你的第一个实验可以从一个你已经纠正过太

匹配字段正文

的存在就是为了隐藏这种复杂性，并为此维护自定义代码（建模类、训练器等）。 TorchNeuron 改变了这一点。它直接集成到 PyTorch 中，并将 neuron 暴露为原生设备，支持即时执行、PyTorch 自有的分布式原语（DTensor、FSDP2）以及 torch.compile。 对于 Hugging Face 库而言，Trainium 变成了和其他设备一样的设备：Transformers、Diffusers、Accelerate、PEFT 和 TRL 可以直接在其上运行，使用的类与脚本与在任何其他加速器上相同。从现在起，我们建议 Neuron 用户直接使用这些库，而不是通过 Optimum Neuron。 Transformers 推理 Transformers 现已原生支持多种模型的文本生成。借助 TorchNeuron，前 100 个最常用的文本生成模型架构中有 89% 开箱即用，而 Optimum Neuron v0.4.5 为 46%。你只需在代码中传入 device map=neuron 参数，模型就会被移动到 Neuron 设备上。 以下是一个使用张量并行的文

匹配字段正文

调研报告。 这份报告的内容非常全面，包括设计方向、作图比例等专业设计内容，且报告本身以及内部的信息都可以插入到对话中。 我们将报告插入对话后，让Arti重新创作了一张概念图，新图片严格遵守了报告的设计理念，大幅压缩身体并保留核心符号。 不过，Arti的画布巡检对这张新图提出了质疑，认为这版新图片没有保留核心鲸鱼要素。 收到信息后，我们只需要点击修改，Arti就会按照新的意见进行调整，可以看到它补充了被删掉的鲸鱼元素。 除此之外，Arti还会将创作过程中的流程沉淀为skills，方便后续直接调用，结合长期记忆系统，能够实现越用越贴心的目的。 同时，在协作方面，作者和其他人都可以对画布中的资产进行评论，作者可以根据评论进行修改，这点也方便了设计工作中与同事、上级或者客户进行沟通。 结语：个人助理式Agent的风，刮到了AI设计界 一般来说，提效的方式就是通过skills来实现快速模板式的生成，但Arti这种Personal Agent的方式，无疑给生图工具痛点提供了新的解决方向。 通过助理式的功能，Lovart可以进一步降低用户的输入成本以及使用门槛，同时向“越用越好用”这个目标不断演进。

匹配字段正文

自科幻小说，但据称能可靠地验证人员身份。它由一个名为Orb的设备组成，大小约相当于一个足球，用于扫描用户的虹膜。如果验证系统确认对方确实是其在对话中所声称的那个人，Zoom窗口中就会出现一个蓝色标记作为证明。 该公司将这一流程称为World ID。据其自身介绍，它基于先进的密码学技术。它对被扫描人员的身份进行加密，使公司自身也无法读取。当某人需要在Zoom或其他平台上验证身份时，使用手机摄像头和一个App，将数据与加密的Orb数据记录进行比对。 World采用区块链加密 Tiago Sada是World的首席产品官。他对《财富》表示，消费者对Orb的反应类似于此前引入Touch ID等生物识别安全措施时的反应。他们需要时间来建立对这项新技术的信任。此外，Sada指出，World ID背后的协议基于开源代码，竞争对手也可以使用。 广告后继续阅读 据Sada称，World ID依托区块链技术实现数据的去中心化和加密。“我认为加密领域90%是胡扯，但有10%很有前景，”他对《财富》表示。这些论点也可能有助于打消数据保护人士的担忧。令他们不安的恐怕不仅是技术本身，还有其与OpenAI掌门人Al

匹配字段正文

扣。 第二天一早，社交媒体上就有人开始晒到账截图。有几毛的，也有一百多、三百多的，甚至还有人发截图称，自己拿到了3000块钱补偿金。 DeepSeek没有给出这次宕机的原因，毕竟就算说了，又有多少人能听得懂呢？ 虽然网友们总是调侃豆包答非所问、爱说车轱辘话，还诞生了一个很出圈的梗“我将用最直接、最简单易懂、最不绕弯子的话告诉你”，但豆包的知名度要远远高于国内其他所有模型。 当所有人都在“to 白领”、“to 程序员”的时候，豆包只做一件事情，打开即用。 “豆包给我画张图”、“豆包给我生成一个视频”。不管你的提示词是否准确清晰，豆包都能理解并实现。 你的七大姑八大姨不一定有DeepSeek，可他们十有八九下载了豆包。 QuestMobile的数据显示，2026年一季度，豆包月活达到3.45亿，环比增长44.2%，位居国内AI应用第一，和第二名拉开了1.8亿的差距。2026年6月，豆包月活升至3.82亿，同比增长172.1%。 2026年8月，国内AI应用使用人群里，豆包的活跃渗透率达到77.2%，千问29.4%，DeepSeek 22.8%。也就是说，每10个用AI的中国人里，大约有近8

匹配字段正文

款高端SoC，类似于AMD的Ryzen AI Max系列（Strix Halo），但它的目标用户群比我们仅从微软笔记本上看到的更广泛。 有鉴于此，我们想花点时间简要梳理一下RTX Spark，包括芯片本身及其所定义的更广泛平台。DGX Spark和RTX Spark平台之间有何异同？NVIDIA如何将其SoC作为面向消费市场的“新面孔”产品来推广？欲知答案及其他内容，让我们直接切入正题。 首先，让我们从RTX Spark的架构说起。NVIDIA官方将其命名为“RTX Spark N1X”，为RTX Spark家族的未来芯片留出了空间；N1X是我们在Linux迷你主机市场上久经考验的老朋友——NVIDIA GB10——面向消费者的名称。这是NVIDIA最新的Arm SoC，也是该公司数年来首款面向终端用户系统的SoC。GB10是一款高端设计，NVIDIA将近期大部分CPU和GPU技术整合到了一颗低功耗芯片中。NVIDIA将其比作Grace Blackwell服务器架构的缩小版，虽然它并非精确的缩小复制品，但也相差不远。 NVIDIA曾在Hot Chips 2025上深入介绍过GB10的架

匹配字段正文

则： · 结构可解码 ≠ 可执行：解码成功、工件存在、节点健康，都不构成执行授权，三者分离校验； · 身份不可扩展含糊：任何改变引导/恢复语义的字段都必须产生新的 schema/引用，“加了字段还沿用旧引用”被明令禁止； · 主机平台类型里已预留 Linux/Windows/macOS 的区分身份，虽然当前只实现了 Linux 适配器。 这明显是在为未来支持其他 hypervisor、客户架构甚至非 Firecracker 运行时铺路，而不是把 Firecracker 硬编码进协议。 安全模型（分层清晰） · 硬件级隔离：Firecracker microVM 边界（KVM），这是对不可信代码的根本防线； · token 分域：管理面 bearer token 与数据面 attachment token 隔离； · 网络策略：沙箱 Pod 独立 namespace（sandboxes），NetworkPolicy 只放行 API 与控制器端口，出站默认限公网 IPv4 + 集群 DNS，可配 egress profile 精细管控，甚至有 TLS 拦截豁免机制； · 供应链：gitle

匹配字段正文

你可以把Void平台部署到你自己的Cloudflare账户上，并拥有你自己的实例 :) https://t.co/iFf4AZZaIH——尤雨溪（@evanyou）2026年10月15日 走进虚空：通过Vite构建全栈应用 Void由三个主要组件构成，各自服务于不同的目的。Void SDK提供了用Vite创建全栈应用的构建模块，包括服务器端功能以及与数据库和其他服务的集成。Void CLI则负责处理部署，自动配置所需的Cloudflare资源；而Void Platform提供了一个共享环境，企业可以在其中托管应用，并通过管理仪表盘进行管理。 SDK和CLI此前已通过npm以MIT许可证分发，但周四的发布使包括平台在内的完整源代码随Void 1.0一同公开。 运行void deploy会启动应用构建、配置所需的基础设施，并将完成的应用发布到Cloudflare，包括执行任何必要的数据库迁移。 通过Void CLI将Vite应用部署到Cloudflare。（图片来源：Cloudflare） 这个自托管平台与VoidZero最初的计划有很大不同。从VoidZero加入Cloudflare、现

匹配字段正文

it的通用替代品。Scion只适用于真正庞大的单体仓库，这类仓库要么有数万名工程师，要么有大量智能体在高效地编写代码。 不过，因为很多组件需要根据公司情况高度定制，因此Anthropic不会推出通用的Scion版本，只是向业界提供一种思路。 01.日均千万级检出、数百PB流量，Git难以应对AI智能体负载 Anthropic使用Claude编写软件的频率远超其他公司，这也使得其更快发现那些为人类设计的工具早已不堪重负。 随着单体仓库不断增长，Git已不再适用。仅主分支的历史记录就接近100GB，压缩后的工作副本也超过25GB。不包括开发环境、代理沙箱和研究任务，Anthropic每天也需要在CI环境中执行约2500万次代码检出，简单估算，每天Git流量将超过600PB。 Git本身支持部分拉取仓库能力，如浅克隆、稀疏检出、承诺远端（promisor remotes）。除此之外，业内也有内部Git镜像、存放在对象存储里的仓库快照（seed）等适配巨型单体仓库的常规方案。 基于这些方案，Anthropic在峰值时期维护了几百个内部Git镜像来应对负载。 但即便如此，随着合并量上涨，其运维压

匹配字段正文

不带电池，要插电才能用。 屏幕支持多种个性化表盘风格，可自定义颜色、小部件和照片。 屏幕支持True Tone自适应色温，亮度能在500尼特到0.3尼特之间自动调节，界面还会根据用户距离智能调整信息密度。 顶部有一枚1200万像素的FaceTime摄像头，配备Center Stage视频通话功能。 你走过去，它知道是你，会自动换成你的主屏幕和小组件；换家里其他人过来，就变成别人的。如果要看消息、日程这些比较私人的东西，会确认你已经配对、最近解锁过的iPhone/iPad就在附近。 音频方面，桌面版显示屏内配备两个全频扬声器，底座内置一个向下发声的低音扬声器和两个力抵消式被动辐射器。 壁挂版采用两个定制扬声器，针对墙面安装环境调整了计算音频。 02 一键控制智能家居 Siri AI更强 配置上，HomeView搭载A18芯片，运行全新homeOS系统。 核心亮点是Siri AI。 这是全新升级的Siri，对话更自然、理解力更强，能结合个人上下文（日历、消息等）给出更精准的回答。 对话还能从HomeView无缝延续到Siri App，通过iCloud在iPhone、iPad、Mac、Ap

匹配字段正文