接替Manus,字节的Agent王牌能打多久?

梯度爆炸(Gradient Explosion)详解 梯度爆炸的本质是反向传播中雅可比矩阵连乘导致梯度指数增长,当谱半径 > 1 时,仅需数十层即引发数值溢出。其根源在于深层网络缺乏稳定梯度通路,尤其在 RNN、深前馈网或初始化不当场景下显著。应对策略以梯度裁剪(如 clip_grad_norm_)为首选,辅以残差连接、归一化、合理初始化(如 He/Xavier),并结合监控 grad_norm 曲线实现早发现、早干预。 阅读详情

文|魏琳华

编|王一粟

在DeepSeek和Manus的冲击之下,“沉寂”已久的字节,做出了首个由大厂发布的Agent爆款。

从4月18号扣子Agent上线以来,各个AI交流群都开始抢起了扣子的邀请码。用户们蹲在各个群里等待5个一组的邀请码放出,又在几秒钟被横扫一空。

与之对应的是,即便算力充沛如字节,也没顶住用户对Agent尝鲜的热情。几天内,扣子出现过几次因人多而服务器爆满的情况,可见,其算力消耗也远远超过了字节原本的预期。

在Manus之后,字节新上线的Agent,靠着优化的产品思路和量大便宜的优势,暂时成功吃下了昂贵的Manus遗留的空白市场。

一时的热闹后,扣子空间会昙花一现,还是成为字节屹立不倒的招牌?

邀请码被疯抢,扣子补上了Agent市场的空白

在扣子本次更新的多款产品和功能中,“扣子空间”成为了引爆用户热情的关键产品。

“扣子空间”,是字节的智能体平台扣子推出的Agent,目前已经满足了规划、使用工具和记忆等关键的自主能力。

根据扣子官网给出的各种使用体验案例,扣子既可以用来写游戏攻略、市场调研报告,也能基于字节提供的数十种MCP实现更加复杂的需求,比如用高德地图MCP+Agent写一份旅游指南,用飞书多维表格统计数据等等。

实际体验下来,扣子的Agent更接近于OpenAI发布的智能体DeepResearch和Manus的结合体。

拿到体验码后,光锥智能以“字节一年To B的AI战略”为要求,让Agent帮忙收集信息并生成一份分析报告。Agent将任务拆解成4个步骤,并在测试者的意见修改下,给出最终的拆解结果:

通过在浏览器搜索信息,扣子Agent用了十几分钟,把上述三个步骤收集到的信息各整理成文件留存,供使用者随时查看。最后,Agent调用了网页生成工具,输出了一份长达10个小节的报告。虽然概况的内容还较为简略,但Agent的调查报告已经能做到基本覆盖各个维度的信息。

于产品设计思路上,字节整体的设计方式更加接近DeepResearch。比如两者都将Agent的思考过程和收集内容放到了整体界面的右侧,让使用者能够更加清晰地看到AI的每一步操作。

在此基础上,扣子的Agent还延续了字节一贯突出的产品设计思路,进一步提升了用户的交互体验。

当前,一般的Agent虽然生成速度快,但往往难以满足用户的复杂需求;深度思考的Agent又往往效率不如前者,需要花几十分钟才能给出结果。

考虑到用户对于生成效率和质量两种不同的需求,扣子的智能体史无前例地在Agent使用界面中开启了两种模式——“探索模式”和“规划模式”。

对比起来,前者的思考速度快,但只能处理需求较为简单的任务,而后者则能根据用户需求将任务拆分成详细步骤,还能在生成规划后让用户根据需求修改。加入用户的修改意见后,也能提升AI操作的准确性。

不过,如果以智能体目前的三个关键能力指标,即规划、工具调用和记忆来衡量,字节的Agent表现还无法比肩DeepResearch和Manus。

在工具调用上,目前字节平台给出的可直接调用的MCP只有十多种,还需要进一步扩充。

交给扣子Agent生成内容的体验中,目前它搜索的文字内容也多直接来自互联网引擎搜索,没办法像DeepResearch一样直接在特定的垂类网站搜索信息,也没有横跨各个平台的内容搜索。内容池窄了,生成的内容质量自然有限。

而在记忆问题上,也有不少体验扣子的用户表示,在测试了十几轮上下文对话后,Agent就会出现“失忆”的情况,无法记住之前的交流内容。

实际上,这也是由于扣子Agent的底层模型决定。

当下的共识是,Agent的能力依赖于底层模型的水平。但和用自研模型的OpenAI,以及调用Claude 3.7等模型的Manus相比,扣子的底层模型主要使用的是豆包通用模型Doubao-1.5-pro,从效果和部分开发者反馈效果来看,无论在文本理解思考能力还是代码输出等能力上,扣子Agent表现还稍逊于前者。

不过,为了提升Agent使用体验,字节在多模态能力上下了功夫。比如字节在上一周发布了专门为Agent设计的GUI(图形交互界面)模型,这也让扣子Agent在视觉理解和图片生成能力上表现更加突出。

在上述光锥智能实际体验后,扣子Agent按照要求生成的报告不仅详细分好了对应的报告节点,且在UI设计上体验拉满,给到了图文并茂的调研报告。

虽然,扣子的Agent目前表现还没办法追赶上Manus,但在一片基本空白的自主Agent市场中,扣子Agent的表现已经足够惊艳。它做到了火山引擎最爱强调的那句“成本低、易落地”,先把具备自主执行能力的Agent端上来,让人们能够体验并反馈。

如同字节给扣子空间的定位“一个通用的实习生配合各领域的专家”,现阶段的扣子Agent,做到了这个执行标准。

抢占时间窗口,扣子拿下大厂智能体首胜

“扣子空间”的诞生,是大厂在智能体路线上的一次“纠偏”。

为什么Manus没有出生在大厂?这个在Manus爆火后常常被人提起的问题,要从大厂做智能体的思路说起。

从OpenAI发布GPTs商店开始,大厂在2024年上半年纷纷跟进智能体。字节跳动的扣子、腾讯云的腾讯元器、百度智能云千帆AgentBuilder、阿里云大模型平台百炼,都是在这个时间段先后发布。

字节海外版平台Coze

但大厂们对这些智能体的定位,仍然停留在做开发者生态的平台上——智能体商店。

通过接入市面上多种大模型能力和各种Agent开放工具,智能体平台们不断吸纳开发者,寄希望于靠开发者们做出应用生态,再借着各种功能的智能体来吸引用户,智能体平台则顺势成为流量生态的入口。

之所以做出这样的选择,是大厂一贯的“平台思维”的惯性——做好平台和基础工具,并不亲自下场。这就像淘宝和京东一开始的区别。

另外一方面也是由于模型能力的制约。彼时,在多模态能力尚未完善的情况下,大模型还无法“理解”手机和电脑的操作界面信息,也就无法完成各种自主操作。

所以,扣子们重点做的是通用工具的打磨,完善各种工作流,降低开发者们的开发门槛。再采用流量分成的方式,吸引开发者接入。

但在去年11月,智谱发布的Agent“AutoGLM”开始能够实现点外卖、发红包等自主操作后,大厂们肯定看到了相关的潜力,但从行动上来看,大厂的速度显然没有Manus更快,产品也没有Manus深。

在现象级爆款产品面前,各家大厂都开始坐不住了。向来求稳,发产品从来不发“半成品”的字节,这次抢着把还不够完善的扣子Agent发了出来。

如今的扣子Agent,就是一个满足“60分及格”的产品,它要做的就是抢占时间窗口。

此前,谭待曾在采访中表示,做B端,抢先发优势的前提是产品或服务要达到及格线。

“做B端更要为结果负责。”谭待说,“如果你的产品足够‘可用’,抢占先发优势肯定是有价值的。”

这次,字节选对了。

Manus虽然在短时间内在市场点燃了热度,成功验证PMF,但它的技术护城河并不高,在强手云集的AI行业中,多家大厂都开始着手准备复刻Manus类产品。

从一开始的爆火,Manus要想真的在行业中“长青”,关键在于两点,一是保证技术优势持续领先,二则是解决Agent成本高企的问题,快速铺开市场规模。

但现在,Manus仍然深受成本问题制约。在Manus的闭门会上,其工作人员分享Manus单次运行成本在2美元左右。高昂的成本,注定了Manus只能在起步阶段向少量用户开放。即使开放商业计划,它的定价也不会是一笔普通用户能承担的费用。

开出最低一个月39美金的会员定价的情况下,Manus还无法进一步提升市场占有率。

Manus的两个会员订阅方案

而成本,就是大厂的优势,更何况是背靠火山引擎的云底座,可以把现有产品做得更便宜、好上手。

有意思的是,这次扣子Agent在营销上也似乎有意在参考Manus的“饥饿营销”。从最开始上线就发出了大量邀请码,且一个用户使用后就能再拿到5个邀请码继续分享裂变。可以说,字节为这次扣子的上线煞费苦心,也准备了不少弹药。

字节的后发优势,让Manus类的自主智能体不再停留在Demo中,从而在市场中率先分得一杯羹。

不过,“扣子空间”Agent能火多久,还是一个问题。

在一次采访中,火山引擎总裁讨论过“先发优势和后发优势”。面对“第二名是否永远是投入产出比最高”的问题,谭待给出了如下回答。

“第一名有很大优势,但第二名应该把跟随优势发挥好,前提是第二名足够优秀,普通赛车手也很难反超。”

足够优秀的“第二名”字节,能在接下来的迭代中保住市场优势吗?

企业级智能体,火山引擎的野心

从去年的试水观望,到今年纷纷接入Agent,DeepSeek和Manus让企业们看到了Agent落地的可能性,模型能力的提升也降低了实现的门槛。

2025年,Agent迎来爆发之年。

但企业做Agent,最大的问题就是卡在如何接入内部系统上。

和开发者做Agent不一样的是,企业对数据安全的要求高,这就意味着可能需要私有化部署大模型;再从落地效果上来说,企业需要Agent做到准确度接近100%的级别,因为商用领域承担不起错误结果;最后,面对很多复杂的需求,Agent想要一一实现,需要技术团队针对具体场景琢磨用哪些实现方式完成。

但在去年整体大模型能力有限的情况下,Agent要想真正接入企业,靠的还不是当下流行的自主Agent,而是根据业务需求编写工作流完成。

对于没有AI大模型基础的企业来说,没有专门的技术人才,想做明白Agent就是难上加难。

专注智能体B端生意的厂商们,都很清楚上述的问题。

所以,在字节从扣子上看到了Agent潜力之后,推出的扣子专业版一是只能在公有云上调用,二是这个智能体平台只是工具的集合体,对于想真正落地的企业来说,空有工具又不会用,也是问题。

一位字节跳动旗下的智能体平台扣子的研发人员曾对光锥智能表示,“我们在市场开拓期,会免费给客户接入豆包大模型,还会做一对一的调试和服务。”

但只是这样还不够,字节要想进一步收获更多客户,就得推出一个更聚焦企业的版本,于是就有了去年5月上线的HiAgent。

HiAgent上线,先解决了一个关键的问题,就是能够把豆包私有化部署到企业中,这才能够上企业安全的门槛。

比起之前扣子企业版明码标价的包月制服务,HiAgent再准备着手解决的是落地方面的问题。比如给缺少相关技术指导的企业直接派人才帮忙,再比如直接针对各行业做了适配行业特点的上百个模版。

坦白来说,字节搭建Agent企服的思路不稀奇,这也是多家B端行业一直沿用的方式,即全方位包揽落地,再加以人力精准辅助。

不过对比同期的云厂商来说,字节无论是在扣子平台还是在HiAgent的服务搭建上,都做得够快、够全,这也是字节能抢下大量智能体市场订单的原因。

字节逐渐提升Agent地位的半年时间内,也迎合上了行业内智能体的增长。据大单网统计,下半年,下半年 AI 智能体应用落地大幅提速,增幅达 330+%。

而在竞争者云集的市场中,火山引擎在2024年一共吃下了32个项目,各厂商智能体项目数量上位列第一。但和位列第二的科大讯飞相比,两者的订单数量差距只有2个。换言之,字节在Agent企服领域的优势存在,但并不算稳固。

不过,在一众云厂商里,字节已经算得上是行动上够快、业务布局也更广的一个。比起第四名百度,字节比后者吃下的智能体订单数量多了1/3。

而在当下Agent爆发的节点,字节更不会懈怠。它需要一个扣子在前台吸引开发者,再通过推出企业端服务拉拢客户,最终,火山引擎则奔着Agent爆发背后的可观算力消耗而去。这次,扣子平台引发的多次服务器崩溃,侧面也印证了这次算力消耗情况,已经超出了字节的预期。

这一次的时间窗口,字节能享有多久,就要看其他厂商接下来的行动了。

工业场景落地:Java+PaddleOCR实现高性能OCR文字识别的终极方案 本文深度解析基于Java的高性能工业级OCR实现方案,集成PP-OCRv5深度学习模型,提供: ✅ 多场景支持:手写体、竖排文本、票据表格的精准识别 ✅ 工业级性能:毫秒级响应,支持GPU加速与高并发处理 ✅ 开箱即用:通过Maven快速集成,5行代码完成文字识别 ✅ 完整技术栈:覆盖文本检测、方向校正、识别后处理全流程 附可运行示例代码,助您快速构建企业级OCR系统! 阅读详情

相关推荐

Polars简明基础教程一:Polars快速入门

在这个例子中,我们将添加一个列,其中包含每个舱位中乘客的最大年龄。在Python中(而不是特指Polars),当我们将代码包裹在括号中时,我们可以在新行上调用一个新方法——在这种情况下是select。在这里,我们看到一个使用表达式API的简单示例,其中我们在select语句中选择Pclass、Name和Age列(我们将在第3节中深入了解select语句)。表达式是一个函数,它接受一个Series(或DataFrame中的列)作为输入,并返回一个Series(或DataFrame中的列)。

sosogod的博客 3883

AI:Qoder(阿里)核心竞争对手全景(2026年6月)

Qoder在AI编程领域的竞争格局分析:主要对手包括Cursor(全球IDE标杆,生态强)和Trae(国内速度王者),Qoder以RepoWiki+QuestMode委托开发形成差异化。在AI软件工程师赛道面临Devin的技术领先,企业级市场与NVIDIA/腾讯等巨头角力。核心护城河在于中文支持、阿里生态整合及独创的代码知识库系统,当前ARR已超6000万美元。最大威胁来自Trae的用户争夺和腾讯WorkBuddy的企业场景竞争,需强化功能深度与生态壁垒。(149字)

snow的博客 888

⑨【从0制作自己的ros导航小车:上位机篇】04、使用gmapping建图

前面的文章已经能够实现在odom坐标系下显示小车模型和里程计数据了,本文加上激光slam必不可少的传感器雷达,先进行测试,然后直接开始建图!

海风的博客 2917

AI 写的测试测的是它自己:断言锁死输出,功能改错它也测不出来

AI 生成的测试跑得勤、全绿、上线前不报错,但三个月后维护时发现它已经"测的是自己"——断言用实现逻辑生成期望值,功能改错了测试还是绿的。这篇用一组沙箱演练量"可测性":同一个实现、同一批订单、两版测试(AI 风格·字面量锁死 vs 人写规范·业务谓词),走三组对照。结论反直觉:需求不变时两版测试都绿;需求一演进,A 版测试先误报(锁死输入结构,代码没 bug 却红),"修"完就变成测自己,之后功能改错它照样绿;B 版测试不误报、改错就红。跑得绿不等于测得住。

四六的六专栏 482

基于java实现的弹幕视频网站

开发语言:Java框架:ssm技术:JSPJDK版本:JDK1.8服务器:tomcat7数据库:mysql 5.7(一定要5.7版本)数据库工具:Navicat11开发软件:eclipse/myeclipse/ideaMaven包:Maven3.3.9系统展示弹幕视频网站,在弹幕视频网站可以查看首页、视频信息、商品信息、论坛信息、我的、跳转到后台、购物车、客服等内容前台首页界面图登录,通过登录填写账号、密码等信息进行登录操作登录界面图视频信息界面图。

DC5621的博客 1336

基于PLC1200与CB1241的RS485从站Modbus Rtu通信实战指南

本文提供了一份详细的西门子S7-1200 PLC与CB1241 RS485通讯板实现Modbus RTU从站通信的实战指南。内容涵盖从硬件接线、博途软件组态、关键参数设置到程序调试与测试的全过程,重点解析了Modbus_Slave指令配置与数据块映射,帮助工程师快速掌握工业自动化系统中的数据采集与设备接入技术。

Apple的专栏 803

病虫害 AI 诊断可视化实录:三框同屏的流式诊断与五图看板

接上篇病虫害识别系统。AI 诊断从"点按钮等 30 秒"改造成"提示词、思考过程、诊断结论三框同屏流式输出",改造中最有价值的发现是:推理模型的思考框里能看到完整的鉴别诊断推理——模型逐条排除"玉米螟还是草地贪夜蛾",这个过程对植保人员比结论本身更有参考价值。同时把看板从 5 个数字升级成 5 张图。技术栈 SpringBoot3 + LangChain4j + ECharts,文末附实测数据。

qq_45896330的博客 214

VS2022离线安装包 - 下载安装教程

VS2022离线安装包 - 下载安装教程

鲤籽鲲的博客 3万+

React Native 0.84 鸿蒙手写批注实践:AI 辅助生成与真机重构 Pen Kit 一笔成形及动态 NDK 预测

React Native 鸿蒙手写库 react-native-stylus-pen 实现了手写画布、一笔成形与报点预测功能,配套开源项目“智绘手写讲义本”支持讲义圈注、轻触标记与直线规整。通过 HarmonyOS Dev Assistant 生成跨端桥接代码,并在华为畅享 100 Pro Max 真机与 API 26 模拟器上验证,解决了帧内触点合并、笔迹替换及 C 预测库缺失回退等关键问题,实现真机与模拟器双端稳定运行。项目已开源,欢迎交流与贡献。

白天写代码,晚上追AI大模型,偶尔搞点八卦 开源动态|技术干货|实习机会|生态活动 我负责分享,你负责变强 8154

手把手教你用Docker快速部署开源MES系统(附避坑指南)

本文提供了一份详细的实战指南,手把手教你使用Docker容器化技术快速部署开源MES系统。内容涵盖从环境准备、项目选型、数据库配置到应用服务器优化、前端部署及生产环境监控的全流程,并附有避坑指南,旨在帮助中小制造企业IT人员和开发者低成本、高效率地构建智能制造解决方案。

f0g1h2的博客 1070

NLP高频面试题(三十一)——多模态预训练模型的主要结构、特征对齐与融合方法及对比损失函数详解

多模态预训练模型通过创新的架构设计和训练策略,在跨模态理解和表示学习上取得了显著进展。从单塔到双塔,从编码器-解码器混合到图结构模型,研究者们探索了不同的模态融合途径;配合显式与隐式对齐手段以及有效的对比学习损失,当前的多模态模型已经能够在图文检索、视觉问答、图像描述生成等任务上接近甚至超越专门的有监督模型。可以说,多模态预训练成为了继NLP和CV单模态预训练之后的又一个AI热点领域。模型规模与泛化:与单模态的大型预训练模型类似,多模态模型的参数规模和训练数据规模在迅速增长。

WeLearnNLP 2930

AI辅助评审怎么落地:杭州40个试点的技术细节

原因写得很具体:投标文件普遍存在页数多、数据体量大、格式不统一、排版不规范等情况,系统在文本解析、关键要素提取、深度语义理解等环节面临较大压力,耗时较长,运行效率有待提升。杭州公开了试点细节,不是AI加评审这种口号,而是一套有底座、有边界、有已知缺陷的工程实现。系统的准确率不是靠一次性训练定死的,而是靠真实评审过程持续抬升,每评审一个项目,系统就多一批带标签的难例。对做招投标系统的人来说,这套底座直接决定接口形态:招标文件要拆成可检索的条款项,资质材料要有明确的字段映射,否则比对无从下手。

m0_37802841的博客 330

【AI Agent教程】各种Agent开发框架都是如何实现ReAct思想的?深入源码学习一下

驱动大模型有很多种方式,例如纯Prompt方式、思维链方式、ReAct方式等。ReAct 方式是 AI Agent 最常用的实现思路之一,它强调在执行任务时结合推理(Reasoning)和行动(Acting)两个方面,使得Agent能够在复杂和动态的环境中更有效地工作。

同学小张的博客 6403

AI应用 vs AI Agent:不是能力升级,而是“控制权”的转移

本文揭示AIAgent与AI应用的本质区别:核心在于流程控制权归属——代码决定路径的是AI应用,模型动态决策下一步的是Agent。Agent依赖“感知-规划-行动”闭环,导致成本高、不可控风险大,需通过Harness工程构建约束机制。判断使用场景的关键是任务路径的不确定性:可预判用AI应用,目标明确但路径未知则适合Agent。2026年,真正落地的Agentic系统仍不足一成,技术成熟度远未匹配热潮。

热爱代码的小小码农一只 374

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

我们用 AI 给 AgentLoop 手搓了一套海底世界探秘游戏,并开源了

前段时间 Ebby Amir,上线了一款 Starry Nightrider 的游戏,玩法是让梵高骑着自行车,穿行在 3D 化的《星月夜》(1889)里。玩家沿途收集光球,送进画里那座教堂尖塔。他并不具备游戏开发的职业背景,但是借助大模型,依旧能开发出一款质量很高的小游戏。

阿里巴巴云原生的博客 292

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

PaddleOCR与PyQt 界面综合案例

本项目基于PaddleOCR与PyQt5实现流水线标签实时识别系统,通过摄像头采集画面,结合置信度过滤(≥0.7)、正则格式筛选及三帧投票策略,有效降低单帧误识别,提升结果稳定性。系统采用模块化设计,实现“采集—识别—标注—统计”全流程可视化,界面简洁,响应实时,具备良好可扩展性,适用于工业场景中的自动化标签识别需求。

2302_80153357的博客 411

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

多模态试驾预约Agent实战案例

本章将实现一个完整的多模态试驾预约Agent应用系统,该系统实现了从多模态输入解析到试驾全流程(预约、调度、调整、信息查询)的闭环处理,适用于汽车试驾预约的智能化服务场景。系 统 概 述该项目“多模态试驾预约Agent”是一个集成多模态交互与试驾全流程管理的系统,主要功能概述如下。1. 多模态输入处理支持文本、语音、图片三种输入方式的解析与处理。(1)文本输入:识别用户意图(如“试驾预约”“价格查询”等),并提供针对性操作建议。

夏天又到了的专栏 407

AI赋能农业水域三维场景快速搭建:造形家框选即生成,解锁动态水流仿真能力

在乡村规划、农田水利设计、湿地文旅开发项目中,农业大棚、河湖沟渠、水库湿地等农业水域场景三维建模,过去常依赖航测倾斜摄影,成本高、周期漫长,还要投入大量人力手动建模。造形家依托 AI 识别能力,仅需框选地图范围,就可以快速生成完整可编辑的农业水域三维场景,还搭载 Flowmap 水流仿真能力,实现水体动态效果模拟,为农业水利规划、项目汇报、数字孪生底座建设提供高效解决方案。

m0_69539167的博客 244

Chrome、Edge、Firefox、MDN 联手给 AI 编程 agent 写了本现代 web 教材

最近在给 agent 工作流配前端能力,模型写出来的页面常年停在 2015 年的手法,这个仓库正面回答了这个问题。Modern Web Guidance 官方宣传图,来自项目博客本周 Top5:astryx(+8,700)、modern-web-guidance-src(+7,015,本期主角)、skills(+4,847)、sure(+4,786)、agent-skills(+3,884)。榜单前五有三个都在干同一件事,给 agent 喂知识,这个信号比任何单个仓库都直白。

Kaiji1126的博客 217

融新 AI 气泡图大师在制造业质检中的落地应用

在制造业的质检环节,面对堆积如山的工程图纸,最让人头疼的往往不是测量本身,而是前期的“打标”工作。传统的 FAI(首件检验)流程中,质检员需要拿着纸质或 PDF 图纸,用红笔一个个圈出尺寸,手动编写气泡编号,再对照公差表录入 Excel。这个过程不仅耗时极长,而且极易出错:漏标一个关键尺寸、看错一行公差、或者编号顺序混乱,都可能导致后续整批产品的误判。特别是在处理大幅面装配图或格式复杂的旧版图纸时,人工肉眼排查的效率瓶颈显得尤为突出。

zxy916740139的博客 510

大语言模型LLM综述解读:从预训练到评测,建立理解 LLM 的技术地图

本文综述大语言模型(LLM)的核心技术脉络,从预训练、适配调优、使用方法到能力评估,系统梳理了模型发展中的关键问题与进展。强调高质量数据、结构设计、指令微调与参数高效方法的重要性,并指出模型“符合人类偏好”不等于“工程正确”。提出需结合外部验证机制评估实际应用能力,尤其在专业领域如网络配置中,应重视格式合规性与约束满足性。

Soari的博客 315

企业内网知识库本地部署AI:档案合同检索的落地踩坑记

单位档案室堆着十几年的合同和公文,找一份三年前的采购协议得翻半天——这个问题我们团队在新疆几家政企单位都遇到过。这篇文章适合正在考虑本地部署大模型做私有知识库的技术负责人和运维工程师看。读完你能搞清楚:内网环境下 RAG 怎么搭、文档解析有哪些坑、以及为什么“数据不出内网”这件事比模型选型更值得先想清楚。先说结论:本地部署知识库不是买个显卡装个模型就完事,真正花时间的是文档清洗和检索调优。本地部署 AI 知识库,模型选型反而是最简单的一步。真正决定成败的是文档解析质量、切分策略和权限设计。

cyxq99的博客 347

RAG 运维与 AI Agent 运维岗位拆解:技术边界、运维对象与能力清单

本文从运维工程视角解析RAG知识库与AIAgent系统的新故障面,提出两大新岗位:RAG侧聚焦数据链路(解析→索引→检索→重排),Agent侧关注行为链路(规划→工具调用→执行→反馈)。两者复用容器、K8s、监控告警等传统底座,新增能力涵盖切分调优、向量库运维、评测流水线、多Agent编排与自动恢复。建议企业先接入AI链路指标,再按能力清单补强短板,推动大模型应用向生产级运维演进。

496

一种针对平铺 Token 语言模型的白箱、先验完备替代方案

序位逻辑(OPLogic)提出一种白箱、先验完备的平铺Token语言模型替代方案,将自然语言建模为分层标注的格点结构。通过双列表⟨P-ID, Z-GE⟩编码字符,短语表示为多列表态射链,验证三公理并构建言-语范畴,证明格点完备性与无幻觉定理。孪生图灵机(TTM)实现全局测序定位,复杂度O(G·D),优于自注意力的O(n²d)。二者代表不同本体论:前者以结构化构造意义,后者以概率逼近。理论根植于融智学(1993–2026)长期积累。

geneculture的专栏 187

明确边界:在AI工程实践中重构自我定位

分析在AI应用的过程中,人应该如何参与进去:通过AI去解决人无法分析的问题,但是这个过程中又需要人去判断,比如安全的边界和决策。从开始无法理解这种情景下存在的一定矛盾性,到通过不断实践后确定自己在整个过程的位置,达到能够更有针对性的补充知识体系的目的。

CC_77123的博客 215

从 RNN 到 GQA:自注意力与多头注意力机制全解析

对比维度RNN / LSTM计算方式逐步串行,依赖上一步隐藏状态矩阵运算,全序列并行任意两位置距离O(n),需逐步传递O(1),一步直达长距离依赖易衰减,梯度消失直接建模,衰减较弱单层复杂度O(n d²)O(n² d)GPU 利用率低,受串行限制高,适合大规模并行可解释性隐藏状态难以直观解读注意力权重可视化直观正是这些优势,让自注意力成为 Transformer 的基石,并进一步支撑起 BERT、GPT 等现代大模型。

weixin_39910711的博客 301
上一篇: 想做好智驾,必须要做基座大模型|对话小鹏智驾负责人
下一篇: 内容操作系统“沧舟OS”发布!百度文库AI月活用户近1亿
光锥智能
博客等级 码龄4年 2645粉丝 934原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址