最新 - sdk社区 | 技术至上

9 天前 / 大漠孤城

告别盲目搜索：预算感知如何让 AI Agent 突破性能天花板

这是一份基于最新研究论文《Budget-Aware Tool-Use Enables Effective Agent Scaling》整理的技术分享博客内容。告别盲目搜索：预算感知（Budget-Aware）如何让 AI Agent 突破性能天花板？导读在推理任务中，我们已经习惯了让大模型“多想一会儿”（Scaling Test-time Compute）。但当模型化身为能够搜索、浏览网页的 Agent 时，仅仅增加“思考”是不够的，还需要增加“行动”。然而，简单地给 Agent 更多的搜索机会

141 阅读

收藏
9 天前 / 大漠孤城

Towards a Science of Scaling Agent Systems：走出直觉误区

这是一篇关于智能体系统缩放规律研究的技术博客，基于论文《Towards a Science of Scaling Agent Systems》。走出直觉误区：智能体系统缩放规律的科学解析在生成式 AI 的浪潮中，“多智能体系统 (MAS)” 往往被视为解决复杂任务的灵丹妙药。人们普遍认为“智能体越多越好”，但事实真的如此吗？来自 Google Research 和 Google DeepMind 的最新研究《Towards a Science of Scaling Agent Systems》打

119 阅读

收藏
9 天前 / 大漠孤城

Measuring Agents in Production：揭秘 AI Agent 的真实生产现状

这是一篇基于最新研究论文《Measuring Agents in Production》（MAP）的技术分享博客，旨在通过深入的数据调研，揭示 AI Agent 在真实生产环境中的生存现状。揭秘 AI Agent 的真实生产现状：简单、受控与人机协同的胜利导读AI Agent（AI 智能体）在学术界被描绘成无所不能的数字化员工，但在真实的业务生产线中，它们究竟表现如何？是已经接管了复杂流程，还是仍处于起步阶段？UC Berkeley 等机构的研究人员通过对 306 名从业者的调研和 20 个深度

107 阅读

收藏
1 个月前 / micro_cloud_fly

264-人脸实名认证接口 golang 版本 AES 示例代码

package mainimport ( "crypto/aes" "crypto/cipher" "crypto/md5" "encoding/base64" "encoding/json" "fmt" "io" "net/http" "net/url" "os" "strings")// APIConfig API配置type APIConfig struct { Key string // API Key

254 阅读

收藏
1 个月前 / micro_cloud_fly

RSA+AES 组合加密身份证四要素接口示例代码

package cn.juhe;import javax.crypto.Cipher;import javax.crypto.Mac;import javax.crypto.spec.GCMParameterSpec;import javax.crypto.spec.SecretKeySpec;import java.io.BufferedReader;import java.io.InputStreamReader;import java.io.OutputStream;import java

261 阅读

收藏
3 个月前 / 用户_1758497476

论文阅读：Agent-S 系列

Agent S 是什么Agent S 目的是打造一个类人的操作计算机的 Agent 架构，旨在通过图形用户界面 GUI 实现对复杂多部任务的自动化执行，从而彻底改变人类交互方式；Agent S 的开源项目地址： https://github.com/simular-ai/Agent-SAgent S 论文系列Agent S1发布时间: 2024年10月10日论文地址：https://arxiv.org/abs/2410.08164解决的关键挑战：-- 获取领域特定知识（Acquiring do

680 阅读

收藏
4 个月前 / micro_cloud_fly

使用Apache HttpClient 4.5.x 连接池详细教学指南

Apache HttpClient 4.5.x 连接池详细教学指南目录HTTP连接池概述连接池的核心概念PoolingHttpClientConnectionManager详解实际代码示例分析性能优化建议常见问题和最佳实践官方文档参考HTTP连接池概述什么是HTTP连接池？HTTP连接池是一种用于管理HTTP连接的技术，它允许应用程序复用已建立的TCP连接来执行多个HTTP请求，而不是为每个请求都建立新的连接。这种技术可以显著提高HTTP客户端的性能。为什么需要连接池？减少连接建立开销：建立TC

1377 阅读

收藏
4 个月前 / 用户_1758497476

让AI拥有“记忆”：多模态智能体 M 3-Agent 的技术解读

你是否期望未来能有一个 AI 陪伴机器人，它不仅能“看见”我们的手势，“听懂”我们的需求，还能像“记住”我们的爱好，并在合适的时间“推理”出我们的内心想法？最近，字节跳动与浙江大学、上海交大联合发布了一项新突破：M3-Agent，一个具备长期记忆能力的多模态智能体，能够处理无限长的视频流，并在任务中持续学习与推理。一、背景：多模态AI的“记忆缺失”问题当前主流的多模态大模型（如GPT-4V、Gemini等）虽然能处理图像、视频、音频等多种输入，但它们普遍存在一个关键问

1208 阅读

收藏
4 个月前 / 大漠孤城

AutoGLM：用于GUI的自主基础代理

引言包括大型语言模型和大型多模态模型在内的基础模型，因其卓越的语言理解和生成能力而受到广泛关注。通过在互联网规模的语料库上进行广泛的自监督预训练，这些模型不仅获得了知识和语言能力，还获得了类人的推理和规划能力，从而产生了作为代理的LLM。然而，GUI基础代理的开发面临一个关键挑战：现有预训练集中决策数据的稀缺性。虽然互联网包含大量人类知识，但它主要由静态信息组成，不足以捕捉人类的决策和环境交互。构建有能力的基础代理需要用动态知识来丰富它们，无论是通过与真实世界的环境直接交互，还是通过从合成轨迹中

1063 阅读

收藏
4 个月前 / 大漠孤城

WEBRL：通过自演化在线课程强化学习训练LLM Web代理

引言大型语言模型不仅展现出对人类语言、常识推理和知识获取的卓越理解能力，而且在复杂规划和逻辑推理方面也显示出巨大的潜力，表明它们有望发展成为自主LLM智能体。LLM智能体的应用领域日益广泛，涵盖了代码生成、数据库操作以及图形用户界面交互等领域。在这些应用中，由LLM驱动的Web智能体因其广泛的应用前景和在数字生态系统中培育真正自主智能的独特潜力而备受关注。尽管取得了这些进展，但现有的LLM网络代理，无论其性能指标或架构范式如何，仍然欠发达。高性能的LLM网络代理主要依赖于精心制作的提示，并结合专

938 阅读

收藏
4 个月前 / 游水猪

MiniMax-M1：通过闪电注意力高效扩展测试时计算

引言在人工智能领域，大型推理模型（LRMs）的进步正以前所未有的速度改变着我们处理复杂任务的方式。这些模型通过扩展推理过程，在数学、编程和软件工程等领域取得了显著成功。然而，传统Transformer架构中自注意力机制固有的二次计算复杂度，使得持续扩展推理过程面临巨大挑战。为了解决这一瓶颈，MiniMax-M1应运而生，它是一款开创性的开源大型混合注意力推理模型，旨在高效扩展测试时计算。MiniMax-M1是基于MiniMax-Text-01模型开发的，它融合了混合专家模型（MoE）架构和闪电注

1012 阅读

收藏
4 个月前 / DDwyane

RSA/ECB/OAEPWithSHA-256AndMGF1Padding加解密实现

基于java、go、python、php等语言实现“RSA/ECB/OAEPWithSHA-256AndMGF1Padding”填充方式的RSA加解密，各语言之间加解密结果互通。0. RSA公私钥生成如果还没有rsa公私钥，可以通过openssl来生成一组。生成2048位公私钥：# 生成私钥（PKCS#8 格式）openssl genpkey -algorithm RSA -out private_key.pem -pkeyopt rsa_keygen_bits:2048# 提取公钥openss

1021 阅读

收藏
5 个月前 / 游水猪

基于强化学习优化通用大语言模型智能体的分析

引言大型语言模型（LLM）在自然语言处理方面表现出色，但推理和决策能力仍有提升空间。研究人员正尝试将强化学习（RL）引入LLM智能体训练，以优化其在复杂任务中的表现。自2024年下半年以来，多项研究将LLM视为智能体，通过RL训练增强其多步推理、工具使用和环境交互能力。这种方法旨在利用RL的反馈和探索机制，提升LLM的推理策略、自主决策和协作能力，从而提高解决复杂任务的效率和成功率。本文将综述8项关于“基于强化学习优化通用大语言模型智能体”的最新研究，涵盖奖励分配、多智能体协同、检索增强和推理规

1585 阅读

收藏
5 个月前 / 游水猪

提升LLM代理多轮推理能力：细粒度回合级信用分配

引言大型语言模型（LLMs）在复杂决策任务中的推理能力取得了显著进展，尤其是在长链思维（CoT）的探索和完善方面。然而，纯文本推理的LLM在需要精确数值计算、信息检索或代码执行的任务中仍存在局限性。将LLM作为自主代理，并赋予其访问外部工具（如搜索引擎、科学计算器、代码解释器）的能力，可以显著扩展其功能。尽管如此，训练LLM作为自主代理在交互式环境中运行面临独特的挑战。代理设置通常要求模型在复杂推理任务中做出顺序的、多轮决策。现有方法通常将这些多轮交互任务视为赌博问题，仅依赖于结果层面的奖励（如

1184 阅读

收藏
5 个月前 / 游水猪

并非所有思考都同等重要：通过多轮强化学习实现高效LLM推理

引言大型语言模型（LLMs）在处理复杂推理任务方面展现出惊人的能力，尤其是在数学奥林匹克竞赛、专业编程和科学推理等领域。长链式思考（Long Chain-of-Thought, CoT）作为一种新兴策略，通过增加推理过程的长度来提升LLMs的测试时扩展能力。然而，尽管长CoT推理带来了显著的性能提升，但其过长的token长度已成为一个主要瓶颈，严重限制了其有效性和实际应用价值。当前，为了在保持性能的同时压缩推理token长度，研究人员付出了大量努力。现有解决方案大致可分为三类：免训练方法、基于监

1475 阅读

收藏

加载中...