安爸

引言 近年来，基于规则的强化学习（RFT）在多模态大语言模型（MLLMs）中的应用取得了显著进展，并且在一些模型上取得了优于监督微调（SFT）的成果。 RFT 利用可验证的奖励进行训练，鼓励模型在回答之前先进行思考。显式思考被认为是 RFT 成功的关键因素，许多关于多模态 RFT 的研究也致力于复现 “aha moment” 的效果。 然而，对于一些简单...

任务背景以及 Motivation 随着深度视觉-语言预训练的飞速发展，文本驱动的行人检索（Text-based Person Search）已成为公共安全与智能监控领域的热门方向。 然而，现有方法为了解决隐私保护和繁琐的人工标注，往往在大规模合成数据集进行预训练与微调。尽管理论上合成数据的数量是无限的仍面临两大核心挑战： （1）数据冗余：海量合成的行人...

©作者 | 周培林 单位 | 香港科技大学（广州） 随着大语言模型（LLMs）日渐“拟人化”，能写报告、能画图、还能“冲浪查资料”，不少人以为它们已能应对各种任务。 但这次，一项由港科大（广州）、北大、浙大、阿里、字节跳动、NIO 等机构联合发布的新基准测试集—— BrowseComp-ZH，让 20 多个中外主流大模型集体“挂科”：GPT-4o 在测试中...

图片来源：Anthropic Anthropic 推出了一项新 API，使其 Claude AI 模型能够进行全网搜索。该公司在 5 月 7 日发布的新闻稿中表示，开发者利用此 API 可构建基于 Claude 的应用，提供最新信息。 该API 的推出正值 AI 公司寻求以多种方式增强模型功能，以吸引新客户使用其平台。就 Anthropic 而言，上周...

一水 发自 凹非寺 量子位 | 公众号 QbitAI 谷歌Gemini原生图像生成功能又双叒升级了！ 与之前的实验版本相比（Gemini 2.0 Flash Experimental），这一次主打图像质量更好、文本渲染更准确，生成速度更快。 只需一句话，就能将两张图片中的元素丝滑融合在一起。 还能实时编辑图像，比如刚说完给图中人物加上眼镜，图片立马就生成好...

图片来源：Ox Security 随着“氛围编码”日益流行，科技公司纷纷鼓励其雇佣的开发者采用生成式 AI 工具，一家专注于扫描 AI 生成代码漏洞的平台近日完成了新一轮融资。 5 月 7 日Ox Security 宣布完成 6000 万美元 B 轮融资，该平台能对 AI 和人工编写代码进行统一风险建模。本轮由 DTCP 领投，IBM Ventures...

图片来源：WisdomAI Rubrik 联合创始人 Soham Mazumdar 于 2023 年离职后，创立了一家名为 WisdomAI 的新数据初创公司。 该公司提供 AI 数据分析服务，能够从结构化、非结构化甚至“脏”数据（即未清除拼写错误或错误的数据）中提取商业洞察。 直接处理原始数据的位置和方式，这本质上是企业商业智能软件的终极追求，也是C...

整理 I 褚杏娟 当地时间 5 月 7 日，法国 AI 初创公司 Mistral AI 宣布推出新模型 Mistral Medium 3。总的来说，新模型有三个亮点： 引入一个全新的模型类别，兼顾 SOTA 性能、成本大降 87.5%，并以支持以更简单的部署方式，加速企业落地应用。 在编程和多模态理解等专业场景中表现突出。 具备一系列企业级功能，包括：...

克雷西 发自 凹非寺 量子位 | 公众号 QbitAI 不用动作捕捉，只用一段视频就能教会机器人学会人类动作，效果be like： UC伯克利团队研发出了一套新的机器人训练系统，可将视频动作迁移到真实机器人。 这个名为VideoMimic的新系统，已经让宇树G1机器人成功模仿了100多段人类动作。 VideoMimic的核心原理是从视频当中提取姿态和点云数据...

作者 | 罗燕珊 策划 | AICon 全球人工智能开发与应用大会 在 AI 开发者社区颇受欢迎的 “MCP 应用市场” MCP.so，你用过吗？ 随着智能体生态持续升温，AI 应用的标准化与可扩展性越来越受到开发者关注。其中，MCP 协议（Model Context Protocol）自 2024 年 11 月由 Anthropic 推出以来，在 A...