资讯列表
SAP 与阿里巴巴达成战略合作，接入阿里通义千问
近日，阿里巴巴集团与全球企业软件巨头 SAP 正式宣布达成全面战略合作。 此次合作旨在深度融合 SAP 的企业级解决方案与阿里云的云计算基础设施及人工智能能力，以共同推动全球企业的数字化转型进程。 根据双方的合作协议，SAP 将探索接入阿里巴巴的通义千问大模型。
Mistral 推出 Agents API:为企业打造可协作、可记忆的 AI 代理
Mistral AI 推出全新 Agents API，旨在将语言模型扩展为面向企业实际应用的智能代理系统。 这一框架为基础语言模型增添了用于任务操作、上下文跟踪与代理编排的工具，使多个 AI 代理不仅能独立执行任务，还能协同合作、接入外部系统，构建完整的业务流程。 每个代理可通过连接器与 MCP（模型上下文协议）工具对接，支持运行 Python 脚本、网页搜索、生成图像(由 Black Forest Lab FLUX1.1[pro] Ultra 驱动)，或从 Mistral Cloud 中提取文档。
Trae国际版开启付费订阅模式，首月Pro订阅仅3美元，Claude4加持
Trae，作为由ByteDance推出的AI驱动集成开发环境（IDE），自2025年1月20日发布以来，以其强大的AI功能和无缝的开发体验迅速在全球开发者社区中崭露头角。 近期，Trae国际版正式推出付费订阅策略，标志着其从完全免费向可持续商业模式的转变。 本篇报道由AIbase整理，基于最新网络信息，带您深入了解Trae国际版付费策略的细节及其对开发者的潜在影响。
一文读懂 RAG Fixed-Size Chunking 策略解析与优秀实践
Hello folks，我是 Luga，今天我们来聊一下人工智能应用场景 - 构建高效、灵活的计算架构的 RAG 架构的切块策略—Fixed-Size Chunking（固定切块）。 众所周知，在构建 RAG（Retrieval-Augmented Generation，检索增强生成）系统的过程中，文档切块策略往往决定了模型检索质量的上限。 切得好，信息命中更精准，生成回答更有上下文逻辑；切得差，模型则容易“答非所问”。
告别卡脖子，华为黑科技破局！昇腾推理加速1.6倍打破LLM降智魔咒
LLM发展到今天，下一步该往哪个方向探索？ 显然，如今最明显的一个问题就是，大模型的参数规模还是太大了——DeepSeek-V3的参数为671B，Llama 3.1系列最大为405B，GPT-4o为200B，Claude 3.5 Sonnet为175B。 参数规模在不断增长，高昂的计算成本和推理延迟，该怎么破？
测试技术弹性并制定90天行动计划的五个问题
重大事件要求公司迅速作出反应，这意味着你的技术架构需要具备足够的敏捷性，以应对前所未有的环境变化。 技术演进的前所未有的速度、持续的地缘政治不稳定以及不断变化的贸易协定格局，只是许多公司近期不得不适应的几个动态因素。 最成功的企业是那些能够有效应对宏观事件的企业，无论是监管变化、技术发展、供应链调整还是市场准入重新调整。
性能优化！七个策略，让Spring Boot 处理每秒百万请求
环境：SpringBoot3.4.21. 简介在实施任何优化前，我首先明确了性能基准。 这一步至关重要——若不清楚起点，便无法衡量进展，也无法定位最关键的改进方向。
我的RAG开源项目300+star了，十分适合新手入门（日志级详细拆解）
三个月前，我在 Github 上开源的一个 RAG 练手项目，目前已经有了 327 个 star，总共解决了 22 个 issues。 结合过去几个月的项目实践，我重新对项目做了轻量化重构，降低资源消耗与部署门槛。 项目地址：，五脏俱全。
谷歌最新 AI 编码助手，简直令人难以置信
哇，这也太厉害了。 谷歌在开发工具上变得异常认真。 他们的新 AI 编码助手真是惊艳至极。
AI重塑数据治理的底层逻辑
上个月，一位老友约我喝茶。 他是某知名互联网公司的数据总监，聊天时满脸愁容。 "润总，我们公司数据治理团队有50多人，每天忙得团团转，可数据质量还是一团糟。
MMaDA：多模态大型扩散语言模型的创新突破
大家好，我是肆〇柒。 今天，我们来聊聊一篇来自普林斯顿大学、北京大学、清华大学和字节跳动的研究团队的最新成果——MMaDA（Multimodal Large Diffusion Language Models）。 这项研究在多模态人工智能领域带来了新的突破，其创新的统一扩散架构和先进的后训练策略，为多模态任务的处理提供了全新的思路和解决方案。
AI问答系统的挑战之语义鸿沟与知识盲点，让大模型理解行业黑话
许多企业在引入通用型AI问答系统后，普遍面临两大核心技术挑战：语义理解的精准度不足和领域知识的深度缺失。 这直接导致系统在处理行业特定术语（黑话）时表现不佳，进而影响问答的准确性和用户体验。 行业黑话识别难题的技术根源通用AI模型主要依赖大规模、多领域的公开语料进行预训练。
Dify、n8n、扣子、Fastgpt、Ragflow到底该怎么选？超详细指南来了
一直以来，我分享了不少关于工作流平台、LLM应用平台的不少干货文章。 主要包含：Dify、Coze、n8n、Fastgpt、Ragflow但是几乎每一篇文章的评论区都有小伙伴问，xxx平台和xxx平台比怎么样，该怎么选？ 确实，面对日新月异的AI技术，还有飞速发展的各种LLM平台，我们很容易患上选择困难症但我想说的是，每个平台各有优势，需要根据自身需求，选择合适的即可。
AdaptThink：推理模型的自适应思考范式
大家好，我是肆〇柒。 我前几天就看到这么一篇论文关于 AdaptThink。 它主要讲的是如何通过强化学习，来实现Reason Model（推理模型如o1,R1）根据问题难度自适应选择思考模式（思考或不思考），以优化推理质量和效率的平衡。
「DeepSeek 技术解析」：LLM 训练中的强化学习算法
我们将深入探讨 DeepSeek 模型训练策略中的关键创新之一[1, 2]：群组相对策略优化（Grouped Relative Policy Optimization，GRPO）[3]。 为确保本文自成体系并阐明 GRPO 的理论基础，我们将首先介绍强化学习的基础概念，重点解析强化学习（RL）及基于人类反馈的强化学习（RLHF）在 LLM 训练中的核心作用。 接着我们将探讨不同的强化学习范式，包括基于价值的强化学习、基于策略的强化学习和 Actor-Critic 强化学习，回顾经典算法如置信域策略优化（TRPO）和近端策略优化（PPO），最后解析 GRPO 带来的优化创新。
什么是 AI 智能体？一个例子说清楚
很多人知道，AI 可以用来聊天，帮你生成文本，比如写总结、改文案、润邮件。 但你有没有想过：这些事情，其实都可以交给一个AI 智能体自动完成？ 比如这件事：你输入一些工作数据，让 AI 帮你写一篇工作总结，再稍作修改发给主管。
知识图谱、大模型与幻觉：自然语言处理的视角
摘要大型语言模型（LLMs）已经彻底改变了基于自然语言处理（NLP）的应用，包括自动化文本生成、问答系统、聊天机器人等。 然而，它们面临一个重大挑战：产生幻觉，即模型生成听起来合理但实际上错误的内容。 这削弱了信任，并限制了LLMs在不同领域的适用性。
RAG（检索增强生成）：提升大语言模型性能的终极指南
一、大语言模型的困境：从“鹦鹉学舌”到“知识饥渴”在人工智能领域，大语言模型（LLMs）的出现曾让我们惊叹于其语言能力——它们能流畅对话、撰写文章，甚至模仿人类的逻辑推理。 然而，随着应用场景的深入，这些“超级智能鹦鹉”的局限性逐渐暴露：时效性缺失模型训练数据往往截止到某个固定时间点，无法回答“昨晚比赛结果”“最新政策变化”等实时问题。 知识边界模糊面对企业内部文档、专业领域知识等私有数据时，传统LLMs因缺乏访问权限而无法准确响应。