研究显示论文中的AI文本急剧增加
美国癌症研究协会(AACR)发现,2024年提交给旗下期刊的稿件中,23%的摘要和5%的同行评议报告可能包含大语言模型(LLM)生成的文本。此外,尽管AACR已要求在投稿时报告人工智能(AI)使用情况,但仅有不到25%的作者遵守了这一规定。近日,该协会在美国芝
美国癌症研究协会(AACR)发现,2024年提交给旗下期刊的稿件中,23%的摘要和5%的同行评议报告可能包含大语言模型(LLM)生成的文本。此外,尽管AACR已要求在投稿时报告人工智能(AI)使用情况,但仅有不到25%的作者遵守了这一规定。近日,该协会在美国芝
截至 2024 年末,Agentic AI 领域已获得逾 20 亿美元 的初创公司融资,整体估值达 52 亿美元,并有望在 2034 年前逼近 2000 亿美元。先分享一个AI Agent 2025的发展趋势图谱:
大模型时代,人人都想做智能体(Agent)。但真正动手搞过的人都知道,构建一个靠谱的 Agent,不只是把模型接上工具这么简单。你会一边加结构让它跑起来,一边又被这些结构拖住步伐。很多时候,看起来是“捷径”,其实是“陷阱”。
近日,开源项目DeepMCPAgent正式亮相,该框架提供即插即用式的动态MCP工具发现功能,支持开发者基于LangChain和LangGraph快速构建生产级MCP驱动代理。该项目强调模型无关性,用户可自带任意LLM模型,实现高效集成与部署。AIbase整理
开源 llm mcp deepmcpagent langgr 2025-09-16 01:39 2
随着Agent的爆发,大型语言模型(LLM)的应用不再局限于生成日常对话,而是越来越多地被要求输出像JSON或XML这样的结构化数据。这种结构化输出对于确保安全性、与其他软件系统互操作以及执行下游自动化任务至关重要。然而常规的、自由形式的LLM生成过程存在两个
该系统在生物信息学、流行病学、地理空间分析等领域发明的新方法,都达到了SOTA的水平。
ChatGPT很强,但它不是万能。这篇文章用通俗语言讲清楚:RAG到底是什么、为什么它才是企业真正需要的AI技术,适合每一个想搞懂AI落地逻辑的人看看。
最近新东西不多,但又觉得应该写点什么,这时候就适合考古了。现在的AI圈是个非常能体现“人的记忆不超过3个月”的领域。
在量化交易领域,传统系统常受限于人工因子挖掘的滞后性、市场情绪捕捉的不精准,以及订单执行的高延迟。而 AI 驱动的综合量化交易系统,通过 “数据采集 - AI 分析 - 策略生成 - 风险控制 - 实盘执行” 的全流水线闭环,恰好解决了这些痛点。本文将以实战视
谷歌DeepMind与麻省理工学院、哈佛大学的研究团队近日在科学计算领域取得重大突破,联合开发的AI系统能够自动生成"专家级科研实证软件"。这项发表在arXiv平台的研究成果,通过将大语言模型(LLM)与树搜索算法深度融合,实现了科研编程效率的革命性提升。实验
近日,谷歌 DeepMind 联合 MIT、哈佛发布了一篇长达 71 页的论文,提出了一项突破性成果:他们开发了一种能帮助科学家自动生成“专家级科研实证软件”的 AI 系统。该系统结合大语言模型(LLM)与树搜索(tree search),首先通过 LLM 生
上海AI Lab主导,25家研究机构共同参入,几十位研究人员首次系统梳理 270+ 训练集、190+ 评测集,提出“科学数据分层框架”与“智能体闭环科研”新范式。
图检索增强生成(GraphRAG)已成为大模型解决复杂领域知识问答的重要解决方案之一。然而,当前学界和开源界的方案都面临着三大关键痛点:
随着智能体(Agent)技术的兴起,工具开发方式正经历一场深刻变革。传统软件开发基于确定性逻辑,而智能体的非确定性特质要求开发者重新思考工具设计范式——工具的效能直接决定了智能体的任务完成能力。
智能体 llm anthropic anthropic指南 2025-09-13 04:05 4
2023 年被称为大模型元年,但真正让人记住的模型并不多。到了 2024 年,技术与应用的双重驱动,让大模型进入前所未有的“快车道”。2025 年初,DeepSeek 的爆火更是点燃了全球的热情,每周都有数个乃至十余个新模型问世,文本、语音、图像、视频全线开花
AI2000全球最具影响力学者榜单由清华大学计算机系AMiner团队联合智谱AI、中国工程科技知识中心知识智能联合研究中心共同发布。榜单采用自动化算法生成,结合过去十年Google Scholar引用数据和各国际顶级会议期刊目录,计算“AI2000 Index
为了让智能体真正释放潜力,我们需要重新思考工具开发的方式。传统软件开发依赖确定性逻辑,而智能体是非确定性的,它们在相同输入下可能产生不同输出,这意味着为智能体设计工具需要新的范式。
虽然矩阵乘法和软件优化的基础仍然适用,但仅靠这些已不再足够。设计需要解决特定的数据类型、数据可能在何时何地被处理、将面临何种约束,以及在设计进入制造和封装阶段时工作负载是否可能发生转变等问题。这在AI领域尤为重要,因为算法的不断变化会急剧缩短那些围绕当前工作负
今天,由 OpenAI 前 CTO Mira Murati 成立于今年 2 月的人工智能初创公司 Thinking Machines Lab,发了第一篇文章 ——《克服 LLM 推理中的不确定性》(Defeating Nondeterminism in LLM
推理 llm llm推理 miramurati miramu 2025-09-12 15:47 8
近年来,以 Google 的 AlphaEvolve 为代表的研究已经证明,AI 智能体可以通过迭代来优化算法,甚至在某些小型、独立的编程任务上超越人类。然而,这些工作大多局限于几百行代码的「算法内核」或单个文件。