AI教程
最新文章
小龙虾作为开源桌面AI助手，通过企微等聊天工具派发任务，强调自由度与可塑性，与ClaudeCowork的封闭可控路线形成对比。其火爆反映了AI从回答问题转向执行任务的入口争夺，成为大模型下一个普世应用的关键路径。
AI提效承诺常落空，根本原因在于企业仅关注单点效率提升，却忽视了整体协同。方案生成速度加快，但决策反而更加困难；组织流程未能随工具升级而调整，导致前端效率提升，后端堵塞加剧，整体结果未改善。
Ontology是2002年提出、2004年标准化的互联网时代产物，曾用于CIA情报系统。如今虽被重新讨论，但已从静态概念模型演变为与大数据和实时系统结合的动态业务对象模型，跟风使用而无配套技术则徒有其表。
Palantir等企业将流程挖掘定位为智能决策的基础，通过还原跨系统真实执行过程，将流程转化为核心数据资产。AI决策的瓶颈不在模型，而在于缺乏对执行现实的理解。流程挖掘提供执行上下文，使AI基于真实路径而非静态指标进行判断与推理。
Grok挑战T1：一场注定载入史册的人机对决 11月27日，马斯克代表xAI放出大招——旗下Grok 5大模型向T1发起了《英雄联盟》的挑战赛。规则清晰明确：AI只能通过屏幕观看，且必须使用人类手速操作。没有后台数据接口，没有作弊级操作频率，它必须像真人一样进行比赛。T1接受了挑战，赛程定在2026
最近几个月，科技界把“世界模型”这几个字推到了聚光灯下。它被看作是 AI 的下一座里程碑，李飞飞领衔的 World Labs 刚发布的 Marble 更是引发了行业的强烈关注。这意味着，“世界模型”正从实验室走向商业化，展示出一些超越传统大模型的能力，也让我们重新审视这项技术真正的价值所在。 第一章
最近，谷歌AI实验室的产品总监Jaclyn Konzelmann在其官方博客中分享了一篇关于Nano Banana（即Gemini 2 5的图片生成能力）的内部使用技巧与效果展示。阅读后，有几个值得关注的要点： 美图秀秀的“含金量”持续攀升——实际上，目前大多数人物图像处理效果，在现有的照片编辑类A
AI客服这个赛道，说起来真是又重又香。重在人力和频次，香在高价值场景——一直是企业和资本市场盯着不放的香饽饽。这两年冒出来的一匹黑马，是美国的Decagon。成立不到两年，融了2 3亿美元，最新估值冲到15亿美元，把同行甩开一大截。研究了一圈才发现，Decagon除了具备AI客服该有的基本功，手里还
企业砸钱投资AI，回报却不高；员工偷偷用自己买的AI，效率反而提升得飞快——这听起来有些讽刺，但正是眼下不少公司的真实写照。 最近仔细读了MIT发布的《State of AI in Business 2025》企业AI研究报告，发现了一个很有意思的现象。报告显示了两个看似矛盾的趋势： 内部AI难产：
近两年来，Palantir始终是资本市场企业服务赛道上的焦点话题，各大媒体争相报道，不少人甚至将其冠以“AI行业领军企业”的称号。其市值已超越Salesforce，市盈率更是高达196倍，远高于特斯拉的137倍。 表格AI 生成的内容可能不正确。 在重新深度研究其产品后，一个深刻的感悟浮现出来：“慢
上一讲从代码层面解释了GRPO为何能省略critic——本质上是利用同一条prompt的多条response在组内计算相对baseline，而无需单独训练一个value model。但省略critic后，最容易被低估的问题是什么呢？ 先给出核心判断：DAPO-style recipe和Dr GRP
上一组最后一篇按 fit() 走完了一轮 PPO GRPO step。进入第二组，我们换一个视角：在同一轮 step 中，actor、rollout、reference policy、reward、critic 这些角色各司其职，哪些真正在训练，哪些仅提供反馈信号，哪些只用于生成过程？ 首先给出一个
上一篇文章详细拆解了PPO后训练中的四个角色：actor作为接收策略损失（policy loss）更新的主策略，critic则专为PPO GAE提供价值基准（value baseline）。那么一个更深入的问题随之而来——GRPO为何能直接舍弃critic这一路径？核心要点在于：GRPO并非完全没有
前面几篇已经把整张地图铺好了：HybridFlow 解释阶段，Single Controller 负责维持顺序，ResourcePool 和 WorkerGroup 放置角色，DataProto 在角色之间搬运训练“证据”。现在可以把这些层叠起来，回答第一组最后一个问题：一轮 PPO GRPO st
前四篇文章已经梳理了RLHF训练的核心脉络：RLHF不仅仅是一个简单的训练脚本，而是一条完整的训练推理闭环；HybridFlow 将这个闭环拆解为高层的数据流（dataflow）；Single Controller 负责保持阶段的有序执行；ResourcePool 和 WorkerGroup 则将各