白交 鹭羽 发自 凹非寺 量子位 | 公众号 QbitAI 真是屋漏偏逢连夜雨！ 就在特斯拉创下单日最大跌幅，市值蒸发1500亿美元（折合人民币约 10784亿元）之际，马斯克又痛失一位悍将—— 擎天柱Optimus项目负责人 Milan Kovac 宣布离职。 作为特斯拉十年老将，他从自动驾驶起步，然后作为创始成员从零开始打造擎天柱。对此，马斯克特意在他推文底下感谢了他过去十年杰出贡 献。 至于离职的原因，他明确表示这与特斯拉、马斯克无关。之所以做出这一决定，只是因为自己想更多时间陪伴家人。 但不管怎么说，对于最近本就不太好过的特斯拉和马斯克来说，无疑又是一场"暴击"。 Just be like： Milan Kovac：领导擎天柱从概念到进厂 Milan Kovac2008年本科电气工程专业毕业后，曾从事游戏开发者。 他的第一份工作是在比利时动作识别公司SoftKinetic，主要负责不同平台的移植工作，后来其为英特尔开发视觉组件。 4年后该公司被索尼收购，科瓦克辗转了几家公司，于2016年4月正式加入特斯拉，担任Autopilot核心团队工程师，负责Autopilot底层进程管 理工作，后历任自动驾驶软 ...

MME团队 投稿 量子位 | 公众号 QbitAI 逻辑推理是人类智能的核心能力，也是多模态大语言模型 (MLLMs) 的关键能力。随着DeepSeek-R1等具备强大推理能力的LLM的出现，研 究人员开始探索如何将推理能力引入多模态大模型(MLLMs)。 然而，现有的benchmark大多缺乏对逻辑推理类型的明确分类，以及对逻辑推理的理解不够清晰，常将感知能力或知识广度与推理能力混 淆。 在此背景下，复旦大学及香港中文大学MMLab联合上海人工智能实验室等多家单位，提出了MME-Reasoning，旨在全面的评估多模态大模 型的推理能力。 结果显示，最优模型得分仅60%左右。 MME-Reasoning：全面评估多模态推理能力 根据Charles Sanders Peirce的分类标准，推理分为三类：演绎推理 (Deductive)、归纳推理 (Inductive) 以及溯因推理 (Abductive)。 MME-Reasoning以此分类作为标准来全面的测评多模态大模型的推理能力。 演绎推理 (Deductive reasoning) 使用规则和前提来推导出结论。 归纳推理 (Inductive reas ...

提升服务智能化水平一直是金融机构的核心命题之一。作为业内率先发布零售金融大模型的 金融机构，马上消费的"天镜"已覆盖营销、客服、用户运营、企业智能等零售金融的八大领 域，全面服务了超2亿用户。 2023年8月，马上消费依托两亿用户数据，自主研发出全国首个金融领域大模型"天镜"，覆 盖了智能营销交互、数据决策支持、防伪安全等八大应用场景。去年11月底，马上消费在此 基础上升级迭代，推出"天镜"2.0，实现了在模型技术创新、具体应用等核心领域的突破性进 展，有效解决了零售金融常见的问题。 蒋宁表示，和"天镜"2.0相比， "天镜"3.0的核心突破在于开启了从个体智慧到群体智慧的系 统性跃迁 。与以往模型不同，它 不再仅依赖逻辑学习，而是深入挖掘企业中散落的隐性经 验 。 允中 发自 凹非寺 量子位 | 公众号 QbitAI 6月6日， 由中共重庆市委金融委员会办公室、重庆市商务委员会、重庆两江新区管理委员 会共同指导，由消费金融服务联盟、打击金融领域黑产联盟（AIF）联合主办，马上消费等 19家金融机构、重庆广播电视(总台)第1眼TV等协办的"2025消费金融生态大会"在重庆举 行。 作为金融大模型技术国际标准制 ...

一水 发自 凹非寺 量子位 | 公众号 QbitAI AI文本转语音已经进化到这种程度了吗？(⊙ˍ⊙) 莎士比亚戏剧腔、体育赛事激情解说、沉浸式有声书等诸多玩法简直轻松拿捏，而且听起来确实人机傻傻分不清楚~ 就在刚刚，专攻AI语音合成的独角兽ElevenLabs发布旗下最新版TTS模型—— Eleven v3 。 不仅支持70多种语言 （含中文） ，还能进行多人对话聊天，过程中每个人的情绪、语气等表现都非常生动。 官方自信表示，这是 "迄今为止最具表现力的文本转语音模型" 。 新模型发布不久即在AI圈引起热议，Reddit网友也齐聚一堂疯狂讨论。 RIP有声书配音。 对于英语为第二语言的人来说，根本无法区分AI和真人，唯一不足的是他们太热情了！ 目前Eleven v3仍处于内部测试阶段，API即将推出，实时在线版本正在开发中。 那么，新模型具体有哪些亮点？又是如何做到的呢？ 引入音频标签控制情绪 接下来我们结合官方提供的 「使用指南」 一步步拆解Eleven v3的 亮点及背后原理 。 首先需要提醒，提示词过短更容易导致输出不一致，因此官方建议文本字符最好超过250个。 如何选择想要的声音？ 一般拿到一段需要 ...

VL-Rethinker团队 投稿 量子位 | 公众号 QbitAI 1.1 GRPO中的「优势消失」问题 (Vanishing Advantages) 在GRPO算法中，优势信号（advantage）是通过比较同一查询组内不同候选回复的奖励来计算的 。当同一个问题组内所有回答获得相同奖 励（例如，全部正确或全部错误）时，计算得到的优势信号便为零 。研究团队发现，在GRPO训练多模态模型的过程中，随着训练的推进， 出现零优势信号的样本比例显著增加，这种现象被定义为 「优势消失」 (Vanishing Advantages) 。 相比于用于更多高质量推理数据的纯文本推理，Vanishing Advantages在能力较强的多模态模型强化学习时尤其突出。 这种显著的Vanishing Advantages源于两方面原因： 在文本推理领域，以GPT-o1、DeepSeek-R1为代表的 "慢思考" 模型凭借显式反思机制，在数学和科学任务上展现出远超 "快思考" 模型 （如 GPT-4o）的优势。 然而，当战场转移至多模态推理场景时，这些「思维巨匠」却表现平平：GPT-o在MathVista、MathVerse等多模 ...

梦晨 发自 凹非寺 量子位 | 公众号 QbitAI ChatGPT不只是个工具了，越来越多的人正在拿它当朋友。 OpenAI模型行为负责人 Joanne Jang 刚刚发布深度文章，首次系统回应一个越来越普遍的现象： 用户正在和AI建立真实的情感联系 。 她在OpenAI直接负责ChatGPT如何"说话"和"表现"的核心决策。 文章开门见山就爆料：越来越多的人告诉我们，和ChatGPT聊天感觉就像在和"某个人"说话。他们会感谢它、向它倾诉，有些人甚至形容它 是"活的"。 她认为这可不是小事——当AI系统越来越擅长自然对话，并出现在生活的更多场景中，这种情感纽带只会变得更深。 现在如何定义和讨论人机关系，将为未来定下基调。如果在产品设计或公共讨论中不够精确和细致，可能会让人们与AI的关系从一开始就走 偏。 问题是，如果人们把倾听、安慰和肯定的工作越来越多地交给这些无限耐心和正面的系统，可能会改变我们对彼此的期待。 Joanne Jang警告说，如果不经深思熟虑就让人们更容易逃避复杂、充满挑战的人际关系，可能会带来我们意想不到的后果。 AI到底有没有意识？ 人类的老毛病遇上了新科技 其实人类给物体赋予生命这事儿 ...

而对于这项任务，复旦大学、腾讯优图实验室等机构的研究人员设计了一种 基于扩散模型的少样本异常图像生成新模型DualAnoDiff 。 实验结果显示，DualAnoDiff相比之前的方法取得了新SOTA。 不仅生成的异常图像最接近原始数据集MVTec中的情形，而且实际用来训练检测模型的效果 （检测、定位、分类等下游任务） 都更佳。 DualAnoDiff团队 投稿 量子位 | 公众号 QbitAI AI模型用于工业异常检测，再次取得新SOTA！ 相关论文已中稿计算机视觉顶会 CVPR 2025 。 通俗理解，工业界为了检测产品异常，往往需要更多真实的残次品数据来训练检测模型；为了解决数据稀缺问题，常规做法一般是让模型生成 各种逼真 "次品图"，并标注"哪个地方坏了"。 那么，它是如何做到的呢？ 双分支并行生成机制 目前，工业制造中的异常检测性能受到 异常数据稀缺性 的限制。 为克服这一挑战，研究人员已开始采用异常生成方法来扩充异常数据集。 然而，现有异常生成方法存在生成异常多样性有限、难以实现异常与原始图像无缝融合的问题，且生成的掩码通常与生成的异常区域不匹配。 对此，团队提出同步生成整体图像与对应异常部分的方 ...

本次AI眼镜专题沙龙，将以行业代表 主题分享 、 圆桌对话 为主要形式，与行业嘉宾、观 众共同交流研讨。 核心话题 林樾 发自 凹非寺 量子位｜公众号 QbitAI 2025年，AI眼镜市场一片火热。 国内已有华为、雷鸟、ROKID、星纪魅族等十余家厂商都陆续发布了AI眼镜产品，还有更多 的产品正等待亮相。"百镜大战"的序幕已然拉开。 AI眼镜正以最贴近人体的硬件形态，挑战成为AI硬件落地的创新场景。那么 何时消费级AI眼 镜才能走向「全民标配」 ？ 为了更好回答这个问题，我们希望在6月下旬举办 一场关于 AI眼镜的专题沙龙 ，更希望以 此为契机，与更多关注AI眼镜的伙伴一起交流。 沙龙简介 我们后续将开放观众报名通道，敬请关注量子位公众号后续资讯～ 相关阅读 《最新 AI 眼镜格局报告：百镜大战拉开序幕，阿里 DeepSeek 高通成幕后赢家》 一键三连 「点赞」「转发」「小心心」 时间 ：拟为2025年6月下旬 地点 ：北京市海淀区中关村创业大街 形式 ：线下沙龙｜线上同步直播 第一代AI眼镜面世接受市场检验后，有什么可以总结的？ 打造一款爆款AI眼镜，需要解决哪些方面的挑战？ AI眼镜的killer应用 ...

WebDancer团队 投稿 量子位 | 公众号 QbitAI 能够完成多步信息检索任务，涵盖多轮推理与连续动作执行的智能体来了。 通义实验室推出WebWalker（ACL2025）续作自主信息检索智能体WebDancer。 WebDancer 通过系统化的训练范式——涵盖从数据构建到算法设计的全流程——为构建具备长期信息检索能力的智能体提供了明确路径。 同时，该框架也为在开源模型上复现Deep Research系统提供了可行的指导。团队将进一步在更开放的环境中、结合更多工具，持续拓展和 集成Agentic能力，推动通用智能体的落地与演进。 一、背景：信息检索的新需求与挑战 在信息爆炸的时代，传统的搜索引擎已难以满足用户对深层次、多步骤信息获取的需求。从医学研究到科技创新，从商业决策到学术探索，复 杂问题的解决需要深入的信息挖掘和多步推理能力。这催生了对能够自主思考、自主决策的智能体的需求。 然而，构建这样的智能体面临诸多挑战： 二、突破训练数据难获得问题 在自主信息检索领域，高质量的训练数据至关重要。然而，现有的数据集如2WIKI，HotpotQA多为浅层次问题，难以支持复杂多步推理的训 练需求。 数据过滤 ...