搜索“推理”

（该榜单按模型将自然语言请求转化为可执行代码和系统命令的能力进行排名），Anthropic 的 Claude 4 模型目前在工具调用方面表现最佳。 但较新的开源模型正在快速追赶。Goose 的文档重点介绍了几个具有强大工具调用支持的选项：Meta 的 Llama 系列、阿里巴巴的 Qwen 模型、Google 的 Gemma 变体，以及 DeepSeek 以推理为核心的架构。 该工具还与模型上下文协议（Model Context Protocol，简称 MCP）集成，这是一种将 AI 智能体连接到外部服务的新兴标准。通过 MCP，Goose 可以访问数据库、搜索引擎、文件系统和第三方 API——将其能力远远扩展到基础语言模型所能提供的范围之外。 对于有兴趣搭建完全免费、保护隐私的配置的开发者来说，这个过程涉及三个主要组件：Goose 本身、Ollama（一款用于在本地运行开源模型的工具）以及一个兼容的语言模型。 第 1 步：安装 Ollama Ollama 是一个开源项目，它极大地简化了在个人硬件上运行大型语言模型的过程。它通过简单的界面处理下载、优化和提供模型服务等复杂工作。 从 o

匹配字段正文

理解。一旦环境或任务发生较大变化，就需要重新建图或编程。在抢险救灾、太空挖矿等作业场景中，变化因素多，急需能够实时理解环境并自主决策的机器人。 “旦宝”的诞生得益于纯视觉机器人端侧大脑技术突破。在模型层面，团队将机器人的各类运动统一归纳为“导航”问题，移动是将本体导航至目标位置，抓取等操作则是将指尖导航至目标物体附近。很多机器人抓取和行走用两套不同系统，存在数据一致性差、成本较高等问题，“旦宝”的大脑则能够指挥全身运动。基于上述“端侧大脑”训练出用于具身导航的物理技能——视觉空间智能导航，已在“旦宝”身上稳定运行。 张天资说，低算力、高智能是视觉空间智能导航的另一个特点。当前具身智能导航大模型的参数规模多为数十亿级，对算力要求较高，部分方案依赖离机推理，难以直接部署于现有机器人本体。视觉空间智能导航参数量约1.2亿，可在20瓦以内的功耗下支持最多8路视觉输入的端侧实时运行，让机器人摆脱对预建地图、预设程序的依赖，走向自主“理解”和决策、行动。 目前，研发团队正将成果与跑腿取送、巡检、农业、清洁等多类机器人开展适配，未来将探索让机器人从自主行走到自主完成任务，再到理解意图的持续“进化”。

匹配字段正文