最新 - sdk社区 | 技术至上

5 天前 / 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

53 阅读

收藏
13 天前 / 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

120 阅读

收藏
22 天前 / 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

232 阅读

收藏
1 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

252 阅读

收藏
1 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

328 阅读

收藏
1 个月前 / 游水猪

Mixture-of-Recursions (MoR) - 让模型学会“思考”深浅

如今，大型语言模型（LLM）的能力令人惊叹，但其巨大的计算和内存需求也让许多研究者和开发者望而却步。我们不禁要问：有没有一种方法，既能拥有大模型的强大能力，又能摆脱其高昂的成本呢？今天，我们将深入探讨一篇于2025年7月发表的论文——《Mixture-of-Recursions: Learning Dynamic Recursive Depths for Adaptive Token-Level Computation》。该论文提出了一种名为Mixture-of-Recursions (MoR)

780 阅读

收藏
1 个月前 / Wei_

让智能家居“听你话”：试试 Jenius 的 AI 控控控！

想象一下，下班回到家中，迎接你的是清新的空气、柔和的音乐、浪漫的灯光，一切都自动为你准备好，而你————只需要舒舒服服躺在床上，褪去一天的疲劳。这不是什么未来幻想，而是现在就能实现的智能家居体验。今天要安利的主角就是 Jenius ——一个聪明又实用的 AI 控制工具，能把你家里的各种“聪明设备”真正变成听得懂需求、活儿干得漂亮的管家。🧠 什么是 Jenius？Jenius 是由天聚地合团队打造的通用多智能体 AI Agent，简单理解，它就像一个特别能干的“大脑”，能理解你的指令，再协调各种小

267 阅读

收藏
1 个月前 / userid_27374883

零门槛改造智能家！三步让你的老设备秒变AI管家

零门槛改造智能家！三步让你的老设备秒变AI管家无需更换设备·跨品牌互联·自然语言控制Jenius智能家居中枢系统正式开源发布你是否遇到过这些智能家居「伪智能」困境？🚫 设备孤岛：小米/华为/涂鸦设备各自为政，控制要切5个APP🚫 智障语音：”太热了“只会调低1℃，”帮我营造氛围“直接死机🚫 配置天坑：想设置”回家自动开空调“，竟要写30行YAML代码天聚地合科技颠覆性解决方案——Jenius智能家居中枢今日开源！基于独创的 ”数据+智能体+RPA“三角引擎，实现三大突破：+ 跨品牌设备统一管

512 阅读

收藏
1 个月前 / 游水猪

大模型测试中可用数据集解析

引言随着大型语言模型（LLM）能力的飞速发展，如何有效、全面地评估这些模型的性能成为了一个日益重要且复杂的挑战。传统的评估方法往往难以捕捉LLM在真实世界应用场景中的细微表现，尤其是在涉及工具使用、多轮对话和复杂推理等高级任务时。为了应对这些挑战，研究人员开发了一系列专门的测试方法和数据集，旨在更深入地探究LLM的极限与潜力。本文将探讨几个可用的关键数据集，它们分别是：MCP-tools、APIBank、APIGen 和 Countdown。这些数据集各自侧重于评估LLM在不同维度上的能力，从大

442 阅读

收藏
2 个月前 / 游水猪

AutoGen：通过多智能体对话，开启下一代大语言模型应用

在人工智能飞速发展的今天，大型语言模型（LLM）已经成为构建强大AI应用的核心。然而，随着任务日益复杂，单个智能体的能力逐渐显得捉襟见肘。我们不禁要问：如何才能更进一步，构建出能够处理更复杂、更广泛任务的LLM应用？来自微软研究院、宾夕法尼亚州立大学等机构的研究者们给出了一个创新性的答案：AutoGen。这篇发表在 arXiv 上的论文《AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation》介绍了一个开源

566 阅读

收藏
2 个月前 / 游水猪

AutoAgent：用“说话”取代编码，人人都能构建的 AI 代理

是否曾想过，如果能像与人交谈一样，让 AI 为你创建一个能自动处理复杂任务的智能助手，那该有多好？例如，一个能帮你分析财务报表、管理本地文件，甚至自动编写代码的代理。过去，这似乎是只有程序员才能实现的“魔法”。但现在，一篇来自香港大学的论文《AutoAgent: A Fully-Automated and Zero-Code Framework for LLM Agents》为我们揭示了一个革命性的框架，让这一切变得触手可及。这篇论文介绍的 AutoAgent，是一个完全自动化、零代码的 LLM

293 阅读

收藏
2 个月前 / Jenius

离下班还有半小时，又有临时任务怎么办

打工人自救指南来了——Jenius使用指南　　下午 5 点 29 分，电脑右下角的时钟正跳着秒 —— 距离下班还有半小时，茶水间的咖啡杯已经摆好，地铁卡都揣进了口袋。突然，工作群 "叮" 地弹出消息：“@全体成员紧急！半小时内同步一份市场调研方案，含竞品分析、产品定位及推广策略，甲方明早要。”瞬间血压飙升！竞品资料从哪找？推广方案怎么搭？PPT 框架都没头绪…… 此刻只想仰天长啸："这班还能不能下了？"别急，打工人的救星来了 —— 当我把 "美妆市场调研" 的需求敲给Jenius，奇迹发生了：

265 阅读

收藏
2 个月前 / 游水猪

MCP-Zero：LLM智能体主动工具发现的新范式

引言大语言模型（LLMs）在处理复杂任务时，通常需要借助外部工具来扩展其能力范围。然而，当前LLM智能体与工具集成的主流范式存在显著局限性：它们往往将预定义的工具模式注入到系统提示中，导致模型扮演被动选择者的角色，而非主动发现所需能力。这种方法不仅造成了巨大的上下文开销，也限制了模型的决策自主性。为了解决这些问题，本文引入了MCP-Zero，一个旨在恢复LLM智能体工具发现自主性的主动框架。MCP-Zero的核心思想是，智能体能够主动识别自身能力差距，并按需请求特定工具，从而将自身从大规模检索器

947 阅读

收藏
2 个月前 / 游水猪

通过强化学习实现大语言模型的自我进化

LLM的挑战与自我提升的新范式大语言模型（LLMs）在众多领域取得了令人瞩目的进展，包括自然语言处理、数学、编程和推理等。然而，这些模型并非没有缺陷，它们在某些任务上仍可能表现不佳，且一个模型在一个任务上的成功并不能保证其在类似任务上的表现。解决这一问题最直接的方法是对模型进行再训练或微调，但当缺乏相关数据集时，这种方法可能不可行。此外，如果连现有最先进模型（SOTA）也难以完成任务，我们也无法利用它们来生成合成训练数据。另一种解决方案是提示模型解释其推理过程或自我反思失败原因。例如：Chain

385 阅读

收藏
2 个月前 / 游水猪

多智能体LLM系统为何失败？——MAST故障分类法深度解析

本文深入探讨了大型语言模型（LLM）驱动的多智能体系统（MAS）中普遍存在的失败模式。尽管MAS在软件工程、药物发现和科学模拟等领域展现出巨大潜力，但其在主流基准测试中的性能提升却往往微乎其微。为了系统性地分析阻碍MAS有效性的挑战，《Why Do Multi-Agent LLM Systems Fail?》文提出了MAST（Multi-Agent System Failure Taxonomy），这是首个基于实证的MAS故障分类法。通过对七个流行MAS框架的200多个任务进行分析，识别出14种

419 阅读

收藏

加载中...