程序员鱼皮
@@ -46,6 +46,22 @@ export default [
|
||||
"title": "AI行业资讯",
|
||||
"collapsable": true,
|
||||
"children": [
|
||||
{
|
||||
"title": "2025-06",
|
||||
"collapsable": true,
|
||||
"children": [
|
||||
"AI行业资讯/2025-06/「库克接班人」官宣退休：苹果二号人物，主导Apple Watch诞生",
|
||||
"AI行业资讯/2025-06/港股一天敲六个锣！“仓储机器人第一股”极智嘉IPO首日市值超210亿",
|
||||
"AI行业资讯/2025-06/闭源主力选手拥抱开源？OpenAI 被曝最快下周推开源 AI 模型，o3 mini 级推理能力",
|
||||
"AI行业资讯/2025-06/全新AI表格，来了！",
|
||||
"AI行业资讯/2025-06/OpenAI 迄今最大交易落地，65 亿美元完成收购前苹果首席设计师 Jony Ive 的初创公司 io",
|
||||
"AI行业资讯/2025-06/这届985毕业生直播带货一把好手！50余款产品热销全网供不应求",
|
||||
"AI行业资讯/2025-06/上桌！办公小浣熊 · 桌面版全新上线！",
|
||||
"AI行业资讯/2025-06/消息称英伟达最快9月推出中国特供AI芯片 黄仁勋将访问中国",
|
||||
"AI行业资讯/2025-06/奖励模型也能Scaling！上海AI Lab突破强化学习短板，提出策略判别学习新范式",
|
||||
"AI行业资讯/2025-06/微软发布 Phi-4-mini-flash-reasoning 端侧 AI 模型：10 倍吞吐量，推理能力升级"
|
||||
]
|
||||
},
|
||||
{
|
||||
"title": "2025-05",
|
||||
"collapsable": true,
|
||||
|
||||
@@ -0,0 +1,18 @@
|
||||
# OpenAI 迄今最大交易落地，65 亿美元完成收购前苹果首席设计师 Jony Ive 的初创公司 io
|
||||
本文转载自： [OpenAI 迄今最大交易落地，65 亿美元完成收购前苹果首席设计师 Jony Ive 的初创公司 io](https://www.ithome.com/0/867/057.htm)
|
||||
|
||||
感谢IT之家网友 [風見暉一](https://m.ithome.com/html/app/open.html?url=ithome%3A%2F%2Fuserpage%3Fid%3D795776)、[咩咩洋](https://m.ithome.com/html/app/open.html?url=ithome%3A%2F%2Fuserpage%3Fid%3D1520790) 的线索投递！
|
||||
|
||||
[IT之家](https://www.ithome.com/) 7 月 10 日消息，OpenAI 公司昨日（7 月 9 日）发布公告，**宣布已完成收购前苹果首席设计师 Jony Ive 创立的初创公司 io Products, Inc.。**
|
||||
|
||||
|
||||
|
||||
IT之家曾于今年 5 月报道，OpenAI 公司以近 65 亿美元（IT之家注：现汇率约合 469.31 亿元人民币）的全股票交易，收购前苹果首席设计官 Jony Ive 联合创立的 AI 设备初创公司 io，这也是 OpenAI 公司历史上最大规模的收购。
|
||||
|
||||
最新消息称 io 的联合创始人 Scott Cannon、Evans Hankey 和 Tang Tan，以及约 50 名 io 的工程师、设计师和研究人员，现在都已加入 OpenAI。
|
||||
|
||||
在收购完成后，Jony Ive 和他的设计工作室 LoveFrom 依然保持独立。
|
||||
|
||||
OpenAI 和 Ive 正在开发的产品被描述为“不显眼、便携，且能完全感知周围环境和用户行为”。这些产品的具体形态尚未公布，但预计将带来全新的用户体验。
|
||||
|
||||
广告声明：文内含有的对外跳转链接（包括不限于超链接、二维码、口令等形式），用于传递更多信息，节省甄选时间，结果仅供参考，IT之家所有文章均包含本声明。
|
||||
@@ -0,0 +1,93 @@
|
||||
# 「库克接班人」官宣退休：苹果二号人物，主导Apple Watch诞生
|
||||
本文转载自： [「库克接班人」官宣退休：苹果二号人物，主导Apple Watch诞生](https://www.qbitai.com/2025/07/306485.html)
|
||||
|
||||
此番人事变动，被认为是「苹果历史上最重要的事件之一」
|
||||
|
||||
> 鱼羊 发自 凹非寺
|
||||
>
|
||||
> 量子位 | 公众号 QbitAI
|
||||
|
||||
苹果基础模型负责人刚被挖，又一重大高管变动今日官宣。
|
||||
|
||||
涉及的是苹果二号人物、一度被视为「库克接班人」的**Jeff Williams** *（杰夫·威廉姆斯）*：
|
||||
|
||||
这位COO*（首席运营官）*将在本月退休，结束自己在苹果27年的职业生涯。
|
||||
|
||||
|
||||
|
||||
威廉姆斯的继任者是Sabih Khan*（萨比赫·可汗）*，后者同样是苹果30年老兵。不过威廉姆斯领导下的苹果设计团队，将直接变为向库克汇报。
|
||||
|
||||
设计团队之外，威廉姆斯还负责苹果供应链，领导着Apple Watch的开发和苹果健康项目——
|
||||
|
||||
过去十多年间，他一直是**苹果的核心决策者之一**。因此，此番人事变动，也被认为是「苹果历史上最重要的事件之一」。
|
||||
|
||||
杰夫·威廉姆斯，1963年生人，今年62岁。
|
||||
|
||||
在1998年——乔布斯回归的第二年，他就加入了苹果，任全球采购主管。
|
||||
|
||||
2015年，他出任苹果COO。苹果现在的掌门人蒂姆·库克，就是从这一职位上升任CEO的。而过去10多年中，威廉姆斯也是仅次于库克的苹果第二号人物。
|
||||
|
||||
|
||||
|
||||
苹果传奇设计师Jony Ive在2019年离职后，威廉姆斯接管了苹果的设计团队。他也负责苹果的供应链、Apple Watch工程开发，以及苹果健康项目。
|
||||
|
||||
对于这位重要人物的离任，库克的评价是：
|
||||
|
||||
> 没有他，苹果就不会有今天的成就。
|
||||
>
|
||||
> 他帮助打造了世界上最受钦佩的全球供应链之一，推出了Apple Watch并推动其发展，构建了苹果的健康战略，并以非凡的智慧、热忱和奉献精神领导着世界一流的设计团队。
|
||||
|
||||
实际上，威廉姆斯一度被视作库克接班人，「库克背后的库克」。
|
||||
|
||||
毕竟库克就是乔布斯手下的COO，而威廉姆斯主导的Apple Watch还是进入库克时代，苹果推出的第一款重磅新品。
|
||||
|
||||
但从近些年的消息来看，苹果硬件工程主管约翰·特努斯（John Ternus）似乎在竞争中身位领先。
|
||||
|
||||
今年早些时候，特努斯接管了包括Vision Pro和机器人在内的苹果硬件项目。
|
||||
|
||||
彭博社引用一位苹果资深高管的话说：
|
||||
|
||||
> 如果你5年前问我谁是库克的接班人，威廉姆斯显然更有可能。
|
||||
>
|
||||
> 但苹果高管层更新换代的缓慢，导致谁能加入董事会成了一个难题。
|
||||
|
||||
|
||||
|
||||
威廉姆斯的退休也被视作苹果高层持续换血的延续。去年，长期担任苹果CFO的Luca Maestri已经卸任，为退休做准备。苹果前硬件工程主管Dan Riccio、长期任苹果市场营销主管的Phil Schiller也均在此列。
|
||||
|
||||
此外，苹果官方公告中提到了威廉姆斯的继任者——萨比赫·可汗。他在苹果工作了30年，2019年成为苹果高管，担任高级副总裁。
|
||||
|
||||
苹果表示，他将领导苹果公司的供应链、产品质量、规划、采购和履行工作。
|
||||
|
||||
库克本人出生于1960年，跟威廉姆斯年龄差距不大，这被认为是后者没有兑现「接班人」身份的重要原因。
|
||||
|
||||
而随着威廉姆斯的退休，关于苹果下一任掌门人的讨论，又重新热烈起来。
|
||||
|
||||
有网友认为，威廉姆斯的退休或许意味着，苹果内部对此已有定论：
|
||||
|
||||
> Jeff本来就参与了竞争，如果他失败了，离开也是情理中事。
|
||||
|
||||
|
||||
|
||||
不少人认为，库克自己还是倾向于从运营部门寻找接班人。
|
||||
|
||||
|
||||
|
||||
但无疑在当下这个时代，随着苹果在AI方面的挣扎，以及消费科技领域市场对于新硬件产品的渴望，苹果自身面临的挑战，已不仅仅在运营之中。
|
||||
|
||||
苹果的粉丝们期盼着下一位乔布斯。
|
||||
|
||||
|
||||
|
||||
但，怎么说呢，“那当然很好啦”~
|
||||
|
||||
|
||||
|
||||
你怎么看呢？
|
||||
|
||||
参考链接：
|
||||
https://www.apple.com/newsroom/2025/07/apple-announces-chief-operating-officer-transition/
|
||||
|
||||
— 完 —
|
||||
|
||||
*版权所有，未经授权不得以任何形式转载及使用，违者必究。*
|
||||
@@ -0,0 +1,98 @@
|
||||
# 上桌！办公小浣熊 · 桌面版全新上线！
|
||||
本文转载自： [上桌！办公小浣熊 · 桌面版全新上线！](https://mp.weixin.qq.com/s/FkCmqj0A5ShDaM750PcxrQ)
|
||||
|
||||
|
||||
|
||||
**办公小浣熊 · 桌面版全新上线！**
|
||||
|
||||
|
||||
|
||||
那个帮你做计划、洗数据，做分析、生图表的小浣熊，上桌了！
|
||||
|
||||
|
||||
|
||||
从此，不开浏览器也能召唤你的智能 AI 办公 Agent，在桌面上随时唤醒你的专属小浣熊！
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
**01** **全新体验 一键唤起**
|
||||
|
||||
|
||||
|
||||
告别频繁切换网页！
|
||||
|
||||
|
||||
|
||||
安装桌面版后，就能随时一键呼唤小浣熊，帮你：拆需求、做计划、列清单、写报告、搞图表、做分析。
|
||||
|
||||
|
||||
|
||||
你的办公难题，小浣熊帮你一站式解决。
|
||||
|
||||
|
||||
|
||||
Office Raccoon
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
****02** 下载和使用**
|
||||
|
||||
|
||||
|
||||
在小浣熊家族主页右上方点击下载按钮进行下载。
|
||||
|
||||
或在办公小浣熊主页左下方点击“客户端下载”。
|
||||
|
||||
Office Raccoon
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
Mac 和 Windows 全平台支持！
|
||||
|
||||
老用户直接登录账号即可同步历史内容！
|
||||
|
||||
|
||||
|
||||
**从今天起，让小浣熊真正成为你的办公搭子！**
|
||||
|
||||
**下班快一点、思路多一点、老板满意多一点**
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
**成为小浣熊的好朋友**
|
||||
|
||||
|
||||
|
||||
「小浣熊家族」用户数突破150 万，日调用量达上百万次，每日处理 Token 数超过35亿，触达千万级用户。“办公小浣熊”被称为国内增速最快的AI 办公工具；“代码小浣熊”获沙利文评选为国内第一AI 代码助手。
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
扫描上方二维码，免费注册领取你的「小浣熊」。点击**阅读原文**，可获取桌面端下载链接。
|
||||
@@ -0,0 +1,60 @@
|
||||
# 全新AI表格，来了！
|
||||
本文转载自： [全新AI表格，来了！](https://mp.weixin.qq.com/s/NAOnSJa-kRtEloC9XcPv1A)
|
||||
|
||||
[](https://demo.aliwork.com/o/7-8-5)
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
[](https://demo.aliwork.com/o/7-8-5)
|
||||
@@ -0,0 +1,202 @@
|
||||
# 奖励模型也能Scaling！上海AI Lab突破强化学习短板，提出策略判别学习新范式
|
||||
本文转载自： [奖励模型也能Scaling！上海AI Lab突破强化学习短板，提出策略判别学习新范式](https://www.qbitai.com/2025/07/307570.html)
|
||||
|
||||
POLAR：与绝对偏好解耦的策略判别学习
|
||||
|
||||
> 允中 发自 凹非寺
|
||||
>
|
||||
> 量子位 | 公众号 QbitAI
|
||||
|
||||
强化学习改变了大语言模型的后训练范式，可以说，已成为AI迈向AGI进程中的关键技术节点。
|
||||
|
||||
然而，其中**奖励模型**的设计与训练，始终是制约后训练效果、模型能力进一步提升的瓶颈所在。
|
||||
|
||||
当前，大模型在**Next Token Prediction**和**Test-time Scaling**两种扩展范式下，通过大规模的数据和模型扩展，实现了能力的持续跃升。但相比之下，奖励模型缺乏系统性的预训练和扩展方法，导致其能力难以随计算量增长而持续提升，成为阻碍强化学习链路进一步扩展的短板。
|
||||
|
||||
如何解决？
|
||||
|
||||
|
||||
|
||||
现在，来自上海人工智能实验室的研究团队提出了一种新的思路：
|
||||
|
||||
他们找到了一种与绝对偏好解耦的、可以真正高效扩展的奖励建模新范式——**策略判别学习**（Policy Discriminative Learning， POLAR），使奖励模型能够像大语言模型一样，具备可扩展性和强泛化能力。
|
||||
|
||||
POLAR为大模型后训练带来突破性进展，并有望打通RL链路扩展的最后一环。
|
||||
|
||||
先来看一下POLAR能做到什么。
|
||||
|
||||
与传统的奖励模型不同，POLAR是根据参考答案为模型的输出打分。这意味着POLAR可以灵活地基于不同场景的参考答案给出不同的奖励分数，轻松适配多样的定制化需求。
|
||||
|
||||
下面是一个开放问题的例子，对应有三个不同风格的回复：
|
||||
|
||||
**问题：**彩虹是怎么形成的？
|
||||
|
||||
**回答一：**彩虹是阳光经过水滴折射和反射后形成的。
|
||||
|
||||
**回答二：**当阳光照射到空气中的小水滴时，光线会进入水滴发生折射，再从水滴的内壁反射后再次折射出水滴。由于不同波长的光折射角度不同，最终呈现出不同的颜色，这些颜色组合起来就形成了我们所看到的彩虹。
|
||||
|
||||
**回答三：**彩虹是阳光通过空气中的水滴折射和反射后形成的。生活中我们经常在雨后或喷泉、水幕附近看到彩虹，有时候还会看到双彩虹甚至三重彩虹呢！不过很可惜，彩虹本身只是光学现象，没法真正走近摸到。
|
||||
|
||||
对于这种开放问题，不同的用户可能会偏向不同风格的回复。此时，传统奖励模型的“绝对偏好”无法灵活应对不同的定制化场景。**而POLAR只需要根据不同的参考回复，即可为三种回答给出不同的偏序关系，无需重新训练奖励模型**。
|
||||
|
||||
来看POLAR实际打分的例子。如果给定的参考风格是简短扼要，POLAR会给第一个回答最高的分数。
|
||||
|
||||
**参考一**：阳光穿过水滴的折射与反射形成了彩虹。
|
||||
|
||||
**回答一**：-2.095703125
|
||||
|
||||
**回答二**：-5.859375
|
||||
|
||||
**回答三**：-7.44921875
|
||||
|
||||
如果参考的是详细分析风格，POLAR会给第二个回答最高分。
|
||||
|
||||
**参考二**：彩虹是阳光经过空气中的许多小水滴后，通过连续的折射与反射而产生的。当阳光进入水滴时，光线首先被折射进入水滴内部，然后在水滴内壁发生一次反射，随后再次折射射出水滴。因为阳光中不同颜色的光线波长各不相同，折射时产生的角度也略有差别，这使得光线被分解成红、橙、黄、绿、蓝、靛、紫等颜色，从而形成了我们所看到的绚丽彩虹。
|
||||
|
||||
**回答一**：-8.5625
|
||||
|
||||
**回答二**：-5.2421875
|
||||
|
||||
**回答三**：-8.125
|
||||
|
||||
如果参考的是俏皮发散风格，此时第三个回答的奖励分数最高。
|
||||
|
||||
**参考三**：彩虹是阳光经过水滴折射和反射后形成的。在日常生活中，只要条件合适，比如刚下完雨、喷泉边，甚至在水幕电影附近，都能邂逅这种美丽的景象。不过呢，虽然彩虹看上去很近，但它毕竟只是光的奇妙游戏，我们无论怎么追逐，都无法真正触碰到它，这也是大自然给我们留下的小小遗憾吧～
|
||||
|
||||
**回答一**：-9.53125
|
||||
|
||||
**回答二**：-8.609375
|
||||
|
||||
**回答三**：-4.484375
|
||||
|
||||
除了上述处理开放问题的灵活性，POLAR也能解决有标准答案的闭式问题。相比“基于规则的验证”（RLVR）所提供的0/1二元奖励，POLAR可以提供更加细粒度的偏好区分。
|
||||
|
||||
下面是一个例子：
|
||||
|
||||
**问题**：公交车上原本有10名乘客，到站后下去了3名，上来了5名，现在车上有多少名乘客？
|
||||
|
||||
**参考答案**： 10名乘客 – 3名下车 + 5名上车。答案是12。
|
||||
|
||||
**回答一（答案正确，思路正确）**：最初有10名乘客，到站后3个人下车，因此剩下7人；又新上来了5人，7人加上5人，总共是12人。因此最终有12名乘客。
|
||||
|
||||
**分数**：-5.1953125
|
||||
|
||||
**回答二（答案正确，无思路）**：现在车上有12名乘客。
|
||||
|
||||
**分数**：-5.6171875
|
||||
|
||||
**回答三（答案错误，思路正确）**：10名乘客 – 3名下车 + 5名上车。答案是13。
|
||||
|
||||
**分数**： -8.953125
|
||||
|
||||
**回答四（答案正确，思路错误）**：10名乘客 + 3名下车 – 5名上车。答案是12。
|
||||
|
||||
**分数**： -9.5859375
|
||||
|
||||
**回答五（答案错误，无思路）**：现在车上有13名乘客。
|
||||
|
||||
**分数**：-11.0703125
|
||||
|
||||
**回答六（答案错误，思路错误）**：10名乘客 + 3名下车 – 5名上车。答案是13。
|
||||
|
||||
**分数**：-12.125
|
||||
|
||||
由此可见，POLAR不仅摆脱了传统奖励模型“绝对偏好”的限制，更加弥补了RLVR难以拓展场景、奖励信号稀疏等问题。
|
||||
|
||||
POLAR基于参考答案对模型输出进行打分，对更加接近参考答案的输出赋予更高的奖励值，在强化学习过程中让训练策略逐步向最优策略偏移。
|
||||
|
||||
这种特性使得POLAR**完美契合强化微调框架**（Reinforcement Fine-tuning，RFT），让RFT在通用场景的应用成为可能。
|
||||
|
||||
在探讨POLAR的训练方式之前，我们首先回顾一下大语言模型（LLM）的成功之路。
|
||||
|
||||
传统的机器学习是为特定的任务训练特定的模型，例如为翻译任务训练翻译模型，很难做到任务间的泛化。
|
||||
|
||||
LLM的成功就在于用Next Token Prediction的形式统一了所有任务，解决了任务形式不同导致无法泛化的难题。
|
||||
|
||||
现在奖励模型（RM）的设计仍然在重蹈传统方案的老路，即为特定场景标注偏好数据，训特定场景的RM。
|
||||
|
||||
其中，RM的打分标准是基于人类偏好来设定的，而打分标准就如同LLM的任务形式，具有多样性且无法穷举。
|
||||
|
||||
那么，能不能仿照LLM的成功之路，重新设计RM的训练范式，就像消除LLM的“任务形式”一样，找到一个**脱离于“打分标准”之外的更本质的优化目标函数来进行预训练**呢？
|
||||
|
||||
正是基于这样的思路，上海AI Lab提出了预训练奖励模型**POLAR**。
|
||||
|
||||
|
||||
|
||||
△POLAR的两阶段训练（预训练和偏好微调）以及在RFT中的使用方法
|
||||
|
||||
与传统的基于“绝对偏好”的奖励建模方式不同，POLAR 通过衡量训练策略与目标策略之间的“**距离**”来作为奖励信号。当训练策略越接近目标策略时，POLAR 就给予越高的奖励。
|
||||
|
||||
具体来说，POLAR 使用了一种**对比学习**（Contrastive Learning）的方式学会策略分布的距离度量：**同一个策略模型采样的结果作为正例，不同策略模型采样的结果作为负例**。
|
||||
|
||||
通过这种方式构造正负样本，虽然有一些反直觉，但它是一种真正无偏的信号，和对抗生成网络（GAN）中判断是否是真实样本类似。
|
||||
|
||||
由于“距离”是一种相对性的概念，因此目标策略可任意指定，从而摆脱了对偏好数据人工标注的依赖，具有极强的可扩展潜力。实际上，POLAR的预训练语料完全**通过自动化合成数据构建**。
|
||||
|
||||
具体而言，研究人员从LLM预训练语料中采样出大量的文本前缀，并从策略模型池（由开源的**131**个Base LLM和**53**个Chat LLM组成）中随机取模型进行轨迹采样。预训练目标使用Bradley-Terry Loss：
|
||||
|
||||
|
||||
|
||||
其中，A1和A2代表相同策略模型生成的轨迹（正样本对）；B1代表不同策略模型生成的轨迹（负样本）。
|
||||
|
||||
由于“距离”具有相对性，这里的A和B两个**策略模型可以任意选取**。例如，A1和A2可以由Qwen 1.5B采样得到，B1可以由Qwen 72B采样得到。通过这种方式，POLAR的预训练语料非常容易扩展。
|
||||
|
||||
POLAR使RM学会为相近策略产生的轨迹赋予更高奖励，从而隐式建模策略分布的差异和距离。在这一阶段，POLAR-1.8B共使用了**0.94T Token**的预训练数据，POLAR-7B共使用了**3.6T Token**的预训练数据。
|
||||
|
||||
在预训练阶段之后，POLAR可以使用少量的偏好数据对齐人类偏好。具体来说，对于同一个Prompt，采样三条轨迹，由人工标注偏好顺序。同样使用Bradley-Terry Loss进行微调：
|
||||
|
||||
|
||||
|
||||
其中，A > B > C，分别代表偏好最优、次优、最差的轨迹。这种偏好排序隐式定义了一种“策略差异”，例如A可以视为从最佳策略分布中采样得到，而C可以视为从一个与最佳策略相差较远的策略分布中采样得到。
|
||||
|
||||
**POLAR具有Scaling效应吗？**
|
||||
|
||||
|
||||
|
||||
△POLAR的Scaling Laws
|
||||
|
||||
一个重要的问题是，POLAR预训练范式是否真的能展现Scaling效应？
|
||||
|
||||
研究人员从模型参数**N**和计算量**C**两个方面进行了实验。
|
||||
|
||||
如图所示，POLAR的验证集损失随模型参数N的增加呈幂律关系下降，拟合的R2值为0.9886。
|
||||
|
||||
验证集损失也随最优训练计算量C的增加呈幂律关系下降，拟合的R2值为0.9912。
|
||||
|
||||
这些结果表明，**分配更多的计算资源将持续带来更好的POLAR性能。也就是说，新范式展现出了与大语言模型Next Token Prediction目标类似的Scaling Laws。**
|
||||
|
||||
**这体现了POLAR预训练方法的显著扩展优势，以及用于构建更通用和更强大的奖励模型的巨大潜力。**
|
||||
|
||||
研究人员通过一系列实验证明，POLAR能做到对性能和泛化的双重保证。
|
||||
|
||||
|
||||
|
||||
△偏好评估实验结果
|
||||
|
||||
在偏好评估方面，POLAR展现出优越的性能和全面性，在大多数任务维度上优于SOTA奖励模型。
|
||||
|
||||
例如，在STEM任务中，POLAR-1.8B和POLAR-7B分别超越了最佳基线24.9和26.2个百分点，并且能够准确识别推理、聊天、创意写作等通用任务中轨迹的细微区别，准确预测人类偏好。
|
||||
|
||||
值得注意的是，POLAR-1.8B仅有1.8B参数，就可取得与Skywork-Reward-27B和WorldPM-72B-UltraFeedback（参数量分别为其15倍和40倍）相当的结果，凸显了POLAR的强大潜力。
|
||||
|
||||
|
||||
|
||||
△强化微调实验结果
|
||||
|
||||
在强化微调实验中，POLAR持续优于SOTA的开源奖励模型。
|
||||
|
||||
例如，使用POLAR-7B微调的Llama-3.1-8B在所有基准测试中，相对于初始结果平均提升了9.0%，相对于WorldPM-72B-UltraFeedback优化的结果提升了6.7%。
|
||||
|
||||
POLAR能够从预训练阶段学习策略模型之间的细微区别，而不仅仅依赖于标注的偏好对，从而显著增强了实际RL应用时的奖励信号泛化性。
|
||||
|
||||
实验结果表明，尽管POLAR-1.8B和POLAR-7B在偏好评估中表现相似，但在下游RL实验中，POLAR-7B展现出了显著优势。从1.8B到7B的效果提升，进一步说明了POLAR所具有的Scaling效应。
|
||||
|
||||
总结来说，POLAR在预训练阶段通过对比学习建模策略间的距离，仅需少量偏好样本就可对齐人类偏好。在使用阶段，POLAR利用RFT范式对LLM进行强化学习，展现出了极佳的泛化性。POLAR作为一种全新的、可扩展的奖励模型预训练方法，为LLM后训练带来了新的可能，让通用RFT多了一种有效实践方案。有望打通RL链路Scaling的最后一环。
|
||||
|
||||
论文链接：https://arxiv.org/pdf/2507.05197
|
||||
项目链接：https://github.com/InternLM/POLAR
|
||||
模型链接：https://huggingface.co/internlm/POLAR-7B
|
||||
|
||||
— 完 —
|
||||
|
||||
*版权所有，未经授权不得以任何形式转载及使用，违者必究。*
|
||||
@@ -0,0 +1,30 @@
|
||||
# 微软发布 Phi-4-mini-flash-reasoning 端侧 AI 模型：10 倍吞吐量，推理能力升级
|
||||
本文转载自： [微软发布 Phi-4-mini-flash-reasoning 端侧 AI 模型：10 倍吞吐量，推理能力升级](https://www.ithome.com/0/867/391.htm)
|
||||
|
||||
感谢IT之家网友 [华南吴彦祖](https://m.ithome.com/html/app/open.html?url=ithome%3A%2F%2Fuserpage%3Fid%3D2029428) 的线索投递！
|
||||
|
||||
[IT之家](https://www.ithome.com/) 7 月 11 日消息，科技媒体 NeoWin 昨日（7 月 10 日）发布博文，报道称微软推出 Phi-4-mini-flash-reasoning 小语言模型，**重点提升端侧 AI 模型的数学和逻辑推理能力。**
|
||||
|
||||
Phi-4-mini-flash-reasoning 的主要优势在于，它能够在边缘设备、移动应用和嵌入式系统等资源不足的场景下，引入先进的推理功能。
|
||||
|
||||
|
||||
|
||||
在架构方面，Phi-4-mini-flash-reasoning 创新引入了 SambaY 架构，而该架构的一大亮点，就是名为 Gated Memory Unit（GMU）的组件，它能够高效地在模型的内部之间共享信息，从而提高模型的效率。
|
||||
|
||||
这些改进让模型能够更快地生成答案和完成任务，即使面对非常长的输入也能应对自如，Phi 模型还能处理大量数据，理解非常长的文本或对话。
|
||||
|
||||
|
||||
|
||||
在性能方面，相比较其它 Phi 模型，Phi-4-mini-flash-reasoning 的吞吐量最高提升 10 倍，这意味着在给定的时间内，Phi-4-mini-flash-reasoning 可以完成更多的工作。
|
||||
|
||||
它可以在相同的时间内处理 10 倍多的请求或生成 10 倍多的文本，这对于实际应用来说是一个巨大的改进，此外，延迟也降低至其它 Phi 模型的 1/2~1/3。IT之家附上相关性能数据如下：
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
Phi-4-mini-flash-reasoning 新型模型已在 Azure AI Foundry、NVIDIA API Catalog 和 Hugging Face 上线。
|
||||
|
||||
广告声明：文内含有的对外跳转链接（包括不限于超链接、二维码、口令等形式），用于传递更多信息，节省甄选时间，结果仅供参考，IT之家所有文章均包含本声明。
|
||||
@@ -0,0 +1,10 @@
|
||||
# 消息称英伟达最快9月推出中国特供AI芯片 黄仁勋将访问中国
|
||||
本文转载自： [消息称英伟达最快9月推出中国特供AI芯片 黄仁勋将访问中国](https://www.techweb.com.cn/it/2025-07-11/2963114.shtml)
|
||||
|
||||
【TechWeb】7月11日消息，据外媒援引知情人士消息称，英伟达计划最早于今年9月推出一款专为中国设计的全新AI芯片，CEO黄仁勋计划访问北京，重申公司对中国市场的承诺。
|
||||
|
||||
报道称，这款全新芯片是英伟达现有Blackwell RTX Pro 6000处理器的修改版本，将去除一些最先进的技术，例如改善互连性能以及加速数据传输的高带宽内存（HBM）和NVLink，以符合美国收紧的出口管制规定。
|
||||
|
||||
报道还称，黄仁勋计划于下周三（7月16日）出席在北京举行的中国国际供应链促进博览会，期间或与中国高层领导人会面。
|
||||
|
||||
英伟达年报显示，在截至今年1月的2024自然年中，英伟达中国区营收171.08亿美元，同比增长66%，为史上最高。中国是英伟达的第四大销售额市场，仅次于美国、新加坡等。（周小白）
|
||||
@@ -0,0 +1,73 @@
|
||||
# 港股一天敲六个锣！“仓储机器人第一股”极智嘉IPO首日市值超210亿
|
||||
本文转载自： [港股一天敲六个锣！“仓储机器人第一股”极智嘉IPO首日市值超210亿](https://www.tmtpost.com/7620213.html)
|
||||
|
||||
|
||||
|
||||
今天早上，在港交所上演了一幕震撼场景：**极智嘉-W (02590.HK)、蓝思科技 (06613.HK)、讯众通信 (02597.HK)、大众口腔 (02651.HK)等五家公司同日在港股完成 IPO 并挂牌上市，加上恒生摩根美国股票高入息主动型ETF（3476.HK）当日在联交所上市买卖，****同一时刻，六面锣声一同敲响。**
|
||||
|
||||
据香港特区政府财政司司长陈茂波日前发布的文章称，**上半年香港市场共完成了42宗IPO项目，募资总额超过1070亿港元，较2024年全年规模增长约22%，暂列全球第一。**此外，申请赴港IPO的企业数量也在快速增加，至今已收到约200起申请，较年初数据倍增，当中也包括中东和东南亚的企业。
|
||||
|
||||
“这一方面反映港股上升势头正吸引更多企业加快推进上市计划，另一方面也显示过去这段时间对内对外的宣传推广工作渐见成效。”陈茂波介绍，市场普遍看好港股及其新股市场下半年的表现。
|
||||
|
||||
**今天IPO上市的五家公司当中，极智嘉-W（Geek+）是最具关注的一家在港交所主板挂牌的企业，它不仅是年内港股最大规模的机器人企业IPO，而且成为“全球AMR仓储机器人第一股”。**
|
||||
|
||||
|
||||
|
||||
根据北京极智嘉科技股份有限公司（极智嘉）7月8日在港交所发布了《最终发售价及分配结果公告》，极智嘉本次IPO最终发行1.614亿股H股（鉴于投资者认购火爆，故行使15%的超额配售权），原计划发行1.404亿股H股。其中，香港公开发售获133.62倍认购，国际发售获30.17倍认购。**极智嘉最终通过本次IPO募集资金总额为27.1162亿港元，创下了迄今为止机器人企业港股IPO募资规模的最高记录，也是今年以来香港市场规模最大的非“A+H”科技企业IPO。**
|
||||
|
||||
极智嘉创始人、董事长兼CEO郑勇在IPO仪式致辞中表示，“极智嘉从创立之初，就聚焦通过机器人智能，重构全球供应链效能范式。此次登陆国际资本市场，是我们实现资本与技术双轮驱动的新起点。未来，极智嘉将积极拥抱行业快速发展带来的广阔市场机遇，以技术创新为引擎，稳步拓宽全球化战略版图，让机器人成为新时代的新基建，为世界创造更智能、更高效、更绿色的智慧未来。”
|
||||
|
||||
截止发稿前，极智嘉最新股价16.44港元/股，市值约213.4亿港元。
|
||||
|
||||
|
||||
|
||||
**据悉，极智嘉公司由郑勇于2015年2月创立。**
|
||||
|
||||
郑勇于2001年7月获得清华大学管理科学与工程学士学位。2004年7月，郑勇获得中国清华大学管理科学与工程硕士学位，并通过与清华大学的联合硕士项目获得德国亚琛工业大学工业工程硕士学位。
|
||||
|
||||
郑勇毕业后进入全球知名的电气自动化公司ABB Ltd的多家子公司担任运营经理，提供机器人、机械及工厂自动化方面的解决方案，直至2009年10月离职，此后还曾在 Compagnie de Saint-Gobain S.A.、新天域资本等公司任职。2013年5月，郑勇加入新天域资本担任高级经理，并任职至2015年6月，负责投资组合公司的投后管理以及TMT和机器人行业的新投资项目，对投资和机器人领域拥有深刻见解。
|
||||
|
||||
因此，创立极智嘉之后，郑勇成为机器人行业里少数同时拥有丰富战略、管理和投资经验的创业者。
|
||||
|
||||
|
||||
极智嘉创始人、董事长、CEO郑勇
|
||||
|
||||
**融资方面，**成立以来，极智嘉已获得华平投资、CPE源峰、纪源资本、云晖资本、粤港澳大湾区科技创新产业投资基金、D1 Capital、祥峰中国、蚂蚁集团、火山石投资、鸿为资本、高榕创投、赛领资本、中国互联网投资基金、摩根士丹利、B Capital、合肥国资、高信资本、清悦资本、伊利、海尔、农银资本、英特尔、中金资本、香港科技园公司等数十家知名机构及产业方的投资。**投后估值也从2016年的2.1亿元增长到2022年E1轮的约150亿元，短短6年增长70倍。**
|
||||
|
||||
目前，郑勇持有7.19%股权；李洪波持有4.85%股权；刘凯、陈曦分别持有3.41%股权；员工持股平台极智合兴持有1.77%股权等。**综合来说，郑勇等人及上述员工持股平台共控制21.7%股权，拥有55.36%投票权。**
|
||||
|
||||
此外，华平投资于2017年7月就入股了极智嘉，持股比例高达11.86%；纪源资本持股6.19%；云晖持股为5.06%；蚂蚁集团旗下Ant合计持股为4.93%；粤港澳大湾区科技创新产业投资基金合计持股4.60%；海尔持股为0.84%，英特尔持股为0.63%。
|
||||
|
||||
**业务方面，**极智嘉致力于以技术引领传统仓储物流行业的自动化和智能化转型，拥有AMR解决方案，以及标准化机器人租赁服务以及一整套营运支持及管理的RaaS业务，去年总营收超过24亿元。
|
||||
|
||||
**据灼识咨询数据，2024年，极智嘉在整个全球仓储履约AMR解决方案市场占据9%的市场份额，在全球仓储自动化解决方案市场占据约1%的市场份额。极智嘉已连续6年蝉联全球最大的仓储履约AMR解决方案提供商，拥有全球最大的客户基础、提供业内最全面广泛的仓储AMR解决方案。**
|
||||
|
||||
截至2024年6月30日，极智嘉科技已向全球约40个国家和地区交付了约46000台AMR（自主移动机器人），是耐克、迪卡侬、沃尔玛、丰田、西门子等全球超300家全球大客户的智慧物流合作伙伴。截至2024年底，极智嘉科技已服务全球超800家终端客户，其中包括63家财富500强企业，累计向超40个国家交付56000台AMR，部署项目超1500个。
|
||||
|
||||
|
||||
|
||||
**营收方面，公司收入规模保持高速增长、亏损不断收窄。**根据聆讯后招股书披露，2022年、2023年、2024年，极智嘉分别实现营收14.52亿元、21.43亿元及24.09亿元，营收复合年增长率达28.8%；同期年内亏损分别为15.67亿元、11.27亿元、8.32亿元；经调整净亏损分别为8.21亿元、4.57亿元、9224万元，2024年亏损减少超88%，明显收窄。
|
||||
|
||||
2024年，公司经调整EBITDA亏损大幅收窄至0.25亿元，2024经调整净亏损率低至3.8%。
|
||||
|
||||
营收持续扩张的同时，毛利持续上升。报告期内，公司年度订单金额由2021年的15.9亿元增至2024年的31.4亿元，客户签约订单金额稳步提升；毛利从0.8亿元增至8.4亿元，复合年增长率118.5%，2024年整体毛利率大幅攀升至34.8%，其中，作为核心产品线的仓储履约AMR解决方案，收入占比上升，毛利率为39.2%；同期，海外市场AMR毛利率表现则更为亮眼为46.5%，彰显出公司全球化布局下盈利释放潜力。
|
||||
|
||||
**极智嘉早期投资人、公司非执行董事、祥峰投资管理合伙人夏志进对笔者表示，“从财务报表趋势来看，我相信它（极智嘉）很快盈利。从各个方面来看，极智嘉既是一家成熟企业，又更加有市场潜力。”**
|
||||
|
||||
媒体也曾对外评价称，在港股同类科技与机器人企业中，极智嘉已跻身营收规模第一梯队，收入规模高于其他To B类机器人企业。与此同时，极智嘉维持相对较低的调整后亏损水平，这种“高规模、高增长、低亏损”的财务特征使其有望即将实现扭亏为盈，成为少数具备明确商业化模型与兑现路径的企业之一。
|
||||
|
||||
**2021年，极智嘉科技曾与中金公司签署A股上市辅导协议，后于2024年10月终止辅导，并未提交A股上市申请。2024年底，极智嘉科技递交港交所上市申请。**
|
||||
|
||||
**根据公告，**极智嘉本次计划发行140,353,000股H股。其中，香港公开发售14,035,400H股，国际发售126,317,600股H股。基石投资者方面，包括保诚旗下国际顶级长线投资机构 Eastspring、专注于中国投资机会的 Arc Avenue、雄安机器人、跨境巨头纵腾集团持有的亿格等投资了极智嘉，共认购总金额约9130万美元（约7.167亿港元）。
|
||||
|
||||
此次发行获市场热烈追捧，香港公开发售超额认购133.62倍，国际配售获30.17倍认购，是今年港股最高倍数的国际配售Top 3，更创下港股科技板块最高国际配售倍数纪录，主权财富基金、大量国际长线基金、科技专项基金以及对冲基金踊跃认购。除极智嘉外，今年另两家获得超30倍国配的港股IPO是蜜雪冰城和布鲁可；宁德时代的港股IPO国配倍数为15.2倍。
|
||||
|
||||
**此次港股IPO，极智嘉公司拟通过上市募集资金，用于研发及产品迭代、销售及服务网络扩张、供应链发展、数字化管理、数据安全及网络安全等方面。**
|
||||
|
||||
夏志进对笔者表示，**目前机器人和具身智能行业处于过热状态，仍未降温。无论是创业者，还是投资人，大家有些高估了机器人行业的短期价值，低估了其长期价值。未来5-10年，甚至更长时间，机器人将进入家庭和工厂，帮助人类做更多事情，甚至可能会替代人类的重复性任务。**
|
||||
|
||||
**对于股价，夏志进认为****极智嘉上市后的表现应该会很好。**一方面是市场行情在变好；另一方面，像极智嘉在市场中的地位、财务表现也非常不错，机器人行业做到几十亿收入已经很了不起了。
|
||||
|
||||
**夏志进强调，**科技公司也不能无限制地亏损下去，到了一个时间点，你就必须得是盈利的。哪怕是上市的时候没有盈利，但上市后两年、三年就必须得盈利了，除非你还有一个更大的故事来吸引投资人。二级市场投资人并不像一级市场VC这么包容，你不盈利、你一直不赚钱，就不要你的股票了。
|
||||
|
||||
**展望未来，**夏志进预测接下来会有一场AI产品赛道的市场竞争。同时在机器人赛道，他认为最后机器人本体领域至少有五家公司，很多企业会不断分化到各个垂直领域落地。**对于机器人最终目的，是将人类生产效率提升10倍以上，如同工业革命，让人类能够找到更多有创造力、更有价值的事业。****（本文首发于钛媒体App，作者｜林志佳，编辑｜盖虹达）**
|
||||
@@ -0,0 +1,148 @@
|
||||
# 这届985毕业生直播带货一把好手！50余款产品热销全网供不应求
|
||||
本文转载自： [这届985毕业生直播带货一把好手！50余款产品热销全网供不应求](https://www.qbitai.com/2025/07/307605.html)
|
||||
|
||||
学霸用海鲜种榴莲
|
||||
|
||||
> 白交 发自 凹非寺
|
||||
>
|
||||
> 量子位 | 公众号 QbitAI
|
||||
|
||||
了不得！ 这届学生毕业季卖上货了——
|
||||
|
||||
结果热销全网，50余款「毕业成果」累计吸引全网3000万观众围观和拼购。
|
||||
|
||||
|
||||
|
||||
是酱婶的，这不正好毕业季，中国农业大学办了场**特殊的毕业典礼**。
|
||||
|
||||
来自全国各地的毕业生，带着他们的「成果」回到母校——
|
||||
|
||||
什么国产树上熟榴莲、什么玉露香梨汁，还有妮娜皇后葡萄、富硒黑小麦粉、低升糖指数鲜食玉米、羊驼绒等等。
|
||||
|
||||
|
||||
|
||||
然后就在拼多多上直播带货起来，结果收获不小，很快就供不应求了。
|
||||
|
||||
|
||||
|
||||
原来啊，这些学生都来自于一个叫做「科技小院」的项目。
|
||||
|
||||
这个项目是由中国工程院院士张福锁首创。2009年，首个科技小院在河北曲周建立，旨在为小农户提供「零距离、零时差、零门槛、零费用」的科技服务。
|
||||
|
||||
16年间，科技小院的整体规模已经扩展到了1800多个，覆盖全国各地。
|
||||
|
||||
因此科技小院的学生，他们的课堂不在教室，而是分散在各地的乡村。他们的课题，也是实实在在地在田间地头，解决农产品种植问题。
|
||||
|
||||
比如像**国产榴莲**的生产问题。
|
||||
|
||||
我们知道，作为全球最大的榴莲进口国和消费国，受限于气候等原因，我国大部分榴莲进口自泰国、马来西亚等海外产区。也是近几年开始，国产榴莲发展了起来，逐步规模化挂果、批量上市。
|
||||
|
||||
一般来说，榴莲嫁接苗从种植到结果需约5年。为了科学地促进榴莲生长，来自三亚优旗的榴莲科技小院，竟然自创用「海鲜」来助长？！
|
||||
|
||||
他们通过提炼新鲜深海鱼类，以鱼蛋白肥料来促进榴莲树生长。小院学生于天祥进一步解释道：
|
||||
|
||||
> 对比试验表明，施用鱼蛋白肥料后，榴莲树生长发育明显加速，且果型更好，果肉更饱满，口感香甜软糯。我们目前也在剖析鱼蛋白促进榴莲生长的生物学机制，以推出一套可复制推广的施肥方案。
|
||||
|
||||
首批他们收获了**2000吨榴莲鲜果**，将于7月底上市。
|
||||
|
||||
|
||||
|
||||
值得注意的是，与进口榴莲提前采摘、在运输过程中逐渐成熟不同，这种树上熟榴莲是在树上自然成熟，更新鲜、风味更佳，气味也不浓重，离着2-3米远也能闻到一股清香味。
|
||||
|
||||
**榴莲脑已经在默默流口水了**。
|
||||
|
||||
|
||||
|
||||
除了这种海外农产品本土化的探索，更多的科技小院在尝试如何最大限度地放大当地产业优势，提升本土农作物的经济价值。
|
||||
|
||||
比如在**北京永乐店镇西槐庄村**，种植萝卜是他们自明清时期就留下来的传统，但因为缺乏科学管理导致品质和产量一般。
|
||||
|
||||
结果在**北京通州蔬菜科技小院**入驻之后，通过选育、改种新品种，引入水肥一体化设备、病虫害防控等生产技术，成功培育出了冰淇淋萝卜，深受消费者喜爱，当地人的种植积极性也被带动起来。
|
||||
|
||||
据小院学生王雯欣介绍，从小院建设至今，西槐庄村村集体收入翻了4倍。 此外，他们还引进并科学种植了西红柿、哈密瓜等作物。
|
||||
|
||||
类似这样的案例还有很多。在拼多多的支持下，他们齐聚农大校园，举办了这样一个农研成果大集展，通过直播的方式向全网观众展示他们的50余种“毕业作品”。
|
||||
|
||||
谈及举办这场特殊的毕业典礼的原因，**中国农大资环学院副教授、古生村科技小院负责教师金可默**表示，对于他们来说，这不仅是一场展示科研成果的直播，更是一场情感浓烈的告别。
|
||||
|
||||
> 在这场特别的毕业典礼上，我们不仅展示了榴莲、玉米、羊驼绒这些‘毕业作品’，也向社会展示了小院学子的担当与创造。
|
||||
|
||||
而**拼多多这边相关负责人**则谈到，
|
||||
|
||||
> 值此毕业季，我们希望能够用这样一种温情的方式，鼓励同学们继续前行。同时，拼多多也在站内搭建了科技小院专区，为大家创办线上毕业展，让全国消费者都能看见同学们三年耕耘的毕业成果。
|
||||
|
||||
这场特殊的毕业典礼，不仅仅是科研成果的展示，还向外界呈现了一种更深层次的产业意义和价值。
|
||||
|
||||
科技小院的学生，将他们的科技成果直接转化为田间技术加以利用，现在正值收获季毕业季，通过直播的方式直接触达到消费市场，这不就形成了一个**「科研-产业-市场」**的简单闭环。
|
||||
|
||||
这是科技小院一直以来在产业中承担的角色的一个缩影：
|
||||
|
||||
以**技术试验田×人才孵化器×模式示范窗**的三重角色，破解农业技术落地最后一公里难题。这样，农业科技成果能够直接检验生产实践。
|
||||
|
||||
每年的毕业季，其实都有学生选择留下来创业。
|
||||
|
||||
就像**云南大理古生村科技小院的毕业生杨静**，她在今年的毕业晚宴上分享了自己的创业历程。他们经过两年的努力，成功将古生村油菜亩产值从1000元增加到5000元。
|
||||
|
||||
不过丰收虽好，但也有甜蜜的烦恼——那就是卖不出去啊，这可怎么办？
|
||||
|
||||
于是乎她带着「想带着农民种得好，也要卖得好」的想法，这就开始创业了。
|
||||
|
||||
|
||||
|
||||
据她介绍，在当地，他们有个**数商兴农科技小院**能够提供帮助，不仅可以指导创新创业学习，还能帮忙搭建产品销售渠道。
|
||||
|
||||
这是今年4月由拼多多支持，中国农业大学、云南农业大学、大理白族自治州政府联合建设的科技小院，主要聚焦**“数字商业+新农人培养”**。
|
||||
|
||||
目前这个科技小院已经落地了1个养分智慧管控平台项目、支持了7个农业高质量科研课题、协助20多个科技小院的优质农产品“触网”。
|
||||
|
||||
能够看到的是，**科技小院这样一种新兴形式已经成为连接资源、人才与产业的重要桥梁**。尤其在这乡村振兴的大背景下，它在推动农业现代化、促进农民增收方面起着关键作用，也难怪科技小院已经连续两年被写入**中央一号文件**了。
|
||||
|
||||
在科技小院的建设之中，如果说研究生驻村是必不可少的一环，那么拼多多作为一家企业则是发挥能动性，**为他们的发展按下了加速器**。
|
||||
|
||||
正如前面所提到的**数商兴农科技小院**，**拼多多**就深度参与到科技小院的建设、研发以及人才培养当中。
|
||||
|
||||
而在河北曲周科技小院集群，为了响应国家战略，他们更是**斥资百万**支持**“绿色吨半粮”专用肥料的研发**。2023年，在中国农业大学组织科研经费、十四五重点研发项目经费及拼多多基金等资助下，发起了曲周“绿色吨半粮”科技大会战行动。目标周年亩产粮食1.5吨，化肥效率50kg/kg，增产30%，减排增效30%-50%等，改良土地粮食增产的同时还保护环境。
|
||||
|
||||
在此过程中，拼多多面向曲周342名村支书推出了数字技术培训。
|
||||
|
||||
|
||||
|
||||
此外，在2021年至2025年间，拼多多还举办了三届全国科技小院大赛。全国科技小院学生在这个赛场上同台切磋兴农本领，共享乡村产学研成果。仅两届科技小院大赛就带动了约1500名农学研究生。今年的科技小院大赛，也已经在5月正式启动选拔。
|
||||
|
||||
支持技术研发、青年人才培养、响应国家战略、搭建大赛等等操作，能够看到拼多多对科技小院项目的支持，已经不再是停留在线上平台解决农产品销售问题，而是全方位地赋能。
|
||||
|
||||
作为**国内最大的农产品上行平台**，拼多多在助农实践和理念上已经悄然完成了升级和转变。
|
||||
|
||||
**助农变成了一个系统性工程**。拼多多以科技小院为支点的实践，恰好印证这一助农逻辑的必然性。
|
||||
|
||||
传统的帮扶模式，往往聚焦于单一环节，比如只帮忙卖货。但农业痛点问题其实比较分散，比如新兴技术缺位、人才断层，市场输送脱节等方面的问题，很难靠单点助力来解决。这可能就需要覆盖整个全链条、长链条、可持续的生态协同网络了。
|
||||
|
||||
而以往大家感知最多的，就是拼多多在产业链中的**「平台」**角色。
|
||||
|
||||
一头连着各地的农户，一头直接连着市场。在帮助农户建立连接、打开销路的同时，拼多多建立起一条覆盖全国的农产品流通-消费体系。然后通过数字化技术，解放流通体系，推动农业效率的提升。
|
||||
|
||||
但随着这几年助农实践的深入，**拼多多正在努力变成整个产业链上的生态构建者**。
|
||||
|
||||
比如持续三年举办的多多农研科技大赛，全球农创客大赛等，探索前沿技术创新在田间地头的实践。他们还向中国农业大学捐赠1亿元，设立了“拼多多-中国农业大学研究基金”，支持中国农业大学在基础研究和农业核心技术攻关方面进行探索。
|
||||
|
||||
最新官方数据显示，目前全国各类返乡入乡创业人员超过1200万，他们亟需更快适应电商等新业态来提升收益，为此，拼多多开设了“多多课堂”，来为这些“新农人”“农创客”点亮技能。
|
||||
|
||||
还有通过像千亿扶持农产品商家，每年特定的节日直播（比如丰收节）等多种方式，来帮助农产品销售。
|
||||
|
||||
当助农工程能同时**激活技术创新、培育本土人才、打通市场渠道**，并形成“科研→产业→收益→再投入”的正向循环时，它才真正具备了对抗农业系统性风险的能力——这正是拼多多交出的生态答卷。
|
||||
|
||||
而又在最近，他们还走出国门向全球输出经验，并且链接起全球智慧。
|
||||
|
||||
今年5月底，拼多多与联合国粮食及农业组织（FAO）、浙江大学联合主办了**“2025数字农业创新训练营”**活动，邀请来自中国、秘鲁、乌干达、肯尼亚、坦桑尼亚、巴基斯坦等八个国家的18名青年农业创业者走进大理科技小院矩阵。
|
||||
|
||||
|
||||
|
||||
于是就出现了这样一个看似很奇幻的场景——
|
||||
|
||||
**在大理，你甚至可以看到非洲人向我们的新农人请教沃柑的种植秘诀**。
|
||||
|
||||
而未来这种跨越距离、跨越语言的场景还会越来越多。
|
||||
|
||||
哦不过现在具身智能发展这么快，机器人劳作、机器人之间交流经验也说不准。
|
||||
|
||||
*版权所有，未经授权不得以任何形式转载及使用，违者必究。*
|
||||
@@ -0,0 +1,22 @@
|
||||
# 闭源主力选手拥抱开源？OpenAI 被曝最快下周推开源 AI 模型，o3 mini 级推理能力
|
||||
本文转载自： [闭源主力选手拥抱开源？OpenAI 被曝最快下周推开源 AI 模型，o3 mini 级推理能力](https://www.ithome.com/0/867/065.htm)
|
||||
|
||||
感谢IT之家网友 [咩咩洋](https://m.ithome.com/html/app/open.html?url=ithome%3A%2F%2Fuserpage%3Fid%3D1520790) 的线索投递！
|
||||
|
||||
[IT之家](https://www.ithome.com/) 7 月 10 日消息，科技媒体 The Verge 今天（7 月 10 日）发布博文，报道称 OpenAI 公司正酝酿推出开源 AI 模型，可能会加剧其和微软之间的分歧。
|
||||
|
||||
消息称 OpenAI 公司正和微软公司重新谈判，希望重组成为一家盈利性公司。在此之际，OpenAI 正准备发布一个开源的大语言 AI 模型，这可能会在两家公司之间造成更大的隔阂。
|
||||
|
||||
IT之家注：OpenAI 是闭源 AI 模型的典型代表，此前仅公布过语音转文本的 Whisper 系列模型权重（一种训练参数），其它模型均未公布。
|
||||
|
||||
而最新消息称 **OpenAI 最快有望下周推出开源权重模型，类似于 o3 mini，并具备 OpenAI 最新模型的所有推理能力。**
|
||||
|
||||
消息称在过去几个月时间里，OpenAI 已邀请开发者和研究人员测试该模型，并公开征求 AI 社区的反馈。
|
||||
|
||||
|
||||
|
||||
如果这款开源模型真的落地，那么将会是 OpenAI 自 2019 年发布 GPT-2 以来，也是自 2023 年与微软签订独家云服务提供商协议以来，OpenAI 首次推出开源语言模型。
|
||||
|
||||
根据该协议，微软获得了大部分 OpenAI 模型的访问权，并通过 Azure OpenAI 服务，直接向企业销售这些模型的独家权利。然而，开源模型的推出，将无法阻止竞争对手托管其版本，因此可能会加剧 OpenAI 和微软之间的分歧。
|
||||
|
||||
广告声明：文内含有的对外跳转链接（包括不限于超链接、二维码、口令等形式），用于传递更多信息，节省甄选时间，结果仅供参考，IT之家所有文章均包含本声明。
|
||||
@@ -46,6 +46,27 @@
|
||||
|
||||
## AI行业资讯
|
||||
|
||||
|
||||
[「库克接班人」官宣退休：苹果二号人物，主导Apple Watch诞生](AI行业资讯/2025-06/「库克接班人」官宣退休：苹果二号人物，主导Apple%20Watch诞生.md)
|
||||
|
||||
[港股一天敲六个锣！“仓储机器人第一股”极智嘉IPO首日市值超210亿](AI行业资讯/2025-06/港股一天敲六个锣！“仓储机器人第一股”极智嘉IPO首日市值超210亿.md)
|
||||
|
||||
[闭源主力选手拥抱开源？OpenAI 被曝最快下周推开源 AI 模型，o3 mini 级推理能力](AI行业资讯/2025-06/闭源主力选手拥抱开源？OpenAI%20被曝最快下周推开源%20AI%20模型，o3%20mini%20级推理能力.md)
|
||||
|
||||
[全新AI表格，来了！](AI行业资讯/2025-06/全新AI表格，来了！.md)
|
||||
|
||||
[OpenAI 迄今最大交易落地，65 亿美元完成收购前苹果首席设计师 Jony Ive 的初创公司 io](AI行业资讯/2025-06/OpenAI%20迄今最大交易落地，65%20亿美元完成收购前苹果首席设计师%20Jony%20Ive%20的初创公司%20io.md)
|
||||
|
||||
[这届985毕业生直播带货一把好手！50余款产品热销全网供不应求](AI行业资讯/2025-06/这届985毕业生直播带货一把好手！50余款产品热销全网供不应求.md)
|
||||
|
||||
[上桌！办公小浣熊 · 桌面版全新上线！](AI行业资讯/2025-06/上桌！办公小浣熊%20·%20桌面版全新上线！.md)
|
||||
|
||||
[消息称英伟达最快9月推出中国特供AI芯片 黄仁勋将访问中国](AI行业资讯/2025-06/消息称英伟达最快9月推出中国特供AI芯片%20黄仁勋将访问中国.md)
|
||||
|
||||
[奖励模型也能Scaling！上海AI Lab突破强化学习短板，提出策略判别学习新范式](AI行业资讯/2025-06/奖励模型也能Scaling！上海AI%20Lab突破强化学习短板，提出策略判别学习新范式.md)
|
||||
|
||||
[微软发布 Phi-4-mini-flash-reasoning 端侧 AI 模型：10 倍吞吐量，推理能力升级](AI行业资讯/2025-06/微软发布%20Phi-4-mini-flash-reasoning%20端侧%20AI%20模型：10%20倍吞吐量，推理能力升级.md)
|
||||
|
||||
[炸裂！Spring AI 1.0 正式发布，让 Java 再次伟大！](AI行业资讯/2025-05/炸裂！Spring%20AI%201.0%20正式发布，让%20Java%20再次伟大！.md)
|
||||
|
||||
[Claude 4炸裂发布！凭什么敢称宇宙最强编程 AI？](AI行业资讯/2025-05/Claude%204炸裂发布！凭什么敢称宇宙最强编程%20AI？.md)
|
||||
|
||||
Reference in New Issue
Block a user