AI头条:Manus千问合作;Manus拒绝字节;稚晖君揭晓具身基模型;DeepSeek缩小中美AI差距;Gemini推出原生图

我爱免费

作者：微信文章
解密Manus: 靠垂直整合, 抢在了AI大厂前头 最近的创新来自一家由中国90后创始团队推出的新产品Manus，标志着AI技术的新突破。

该工具具备自主执行复杂任务的能力，跨领域处理如股票分析和旅行规划等任务，填补市场空白。Manus的多智能体协作系统和动态训练机制提升了执行效率，尽管存在稳定性和适应性问题。其出现将促使其他AI厂商加速技术迭代，推动行业变革，未来可能引发边缘计算设备需求的激增。

海外 AI 圈, 开始讨论 Manus 上周三，国内初创公司Monica推出的通用AI代理Manus引发了科技界的广泛关注。

该产品展示了在简历筛选、房产研究和股票分析等复杂任务中的强大自主执行能力，标志着AI从辅助工具向独立行动主体的转变。尽管在国内引发热议，海外媒体的关注也逐渐上升，认为Manus可能会改变AI行业的竞争格局，推动智能工业化进程。此举不仅展示了中国在AI领域的创新能力，也预示着未来人机关系的深刻变革。


字节去年曾想收购 Manus 团队, 因出价太低被婉拒 Monica是一家中国创业公司，开发了全球首款通用Agent产品Manus，当前估值接近一亿美元。

2024年初，该公司与字节跳动进行收购谈判，但因价格未达成一致而告终。Monica的创始人肖弘和季逸超均为成功的连续创业者，后者曾开发猛犸浏览器。尽管面临融资挑战，Monica仍坚持在武汉运营，计划面向海外市场。随着Manus的关注度上升，Monica的融资前景将更加乐观，可能引发通用Agent市场的竞争。


Manus 合作阿里千问, 意味着什么? 近日，Manus与阿里通义千问团队达成战略合作，旨在通过开源模型提升Manus的功能和算力效率。

此次合作不仅将为Manus提供强大的技术支持，降低算力消耗，还能满足中国市场的合规性要求。双方的深度融合展现了AI行业在竞争之外的合作潜力，为推动行业发展提供了新的思路和动力，预示着未来在开源领域的更多可能性。


稚晖君的"好东西"揭晓! 首个通用具身基座模型, 机器人告别看得懂做不来 智元机器人于上周五发布了全新ViLLA架构及通用具身基座大模型GO-1，旨在提升机器人训练效率。

ViLLA通过预测隐式动作标记，弥合图像、文本与机器人执行动作之间的鸿沟，使机器人能够更好地理解和执行复杂任务。GO-1整合多模态输入，具备强大的迁移学习能力，能够在新场景中快速适应。此创新将推动机器人在商业、工业及家居等领域的应用，助力其向具备通用智能的自主体发展。


智元曝光机器人大模型, 但真正的核心, 并不是机器人! 近日，智元机器人发布了其首个通用具身基座大模型Genie Operator-1（GO-1），展示了其在烤吐司、煮咖啡等多项任务中的强大适应能力。

GO-1的成功得益于其庞大的AgiBot World数据集，涵盖超过100万条轨迹，显著提升了机器人的实用价值和数据利用效率。此举标志着机器人行业向智能化迈出了重要一步，预示着未来具身智能的快速发展与合作潜力。


OpenAI最新15页报告: DeepSeek缩小, 中美AI竞争差距 OpenAI于近期向特朗普政府提交了一份15页的报告，探讨美国在全球AI领域的领导地位及其维护策略。

报告强调，需加强出口管制、投资AI基础设施，并推动与盟友的合作，以应对中国在AI领域的快速崛起。OpenAI提出的建议包括建立政府与私营部门的合作框架、优化AI技术的监管政策，以及加大对AI教育的投入。这些措施旨在确保美国在AI技术和市场中的竞争优势，促进经济增长和国家安全。


直播带货行业洗牌加速: 超级主播退潮, AI客服或成电商新标配!直播带货行业迎来分水岭，但同时，AI技术正全面渗透并重塑电商生态。AI技术在智能客服、内容生产、精准营销等方面带来革命性变化。同时，去中心化矩阵构建和技术驱动效率革命也成为行业趋势，微盟WIME平台降低内容生产成本。此外，合规化发展和全球化数字贸易也成为行业的新方向。这场无声的技术革命，正在书写电商行业的新纪元，考验企业的数据资产管理能力与AI应用深度。


谷歌大招网友玩疯了! Gemini原生图像输出抢先推出, OpenAI一年领先优势归零谷歌于近期推出了Gemini 2.0 Flash的原生图像生成测试版，迅速引发网络热议。

该功能允许用户通过简单指令生成图像，支持多轮编辑和图文混排，极大提升了创作的灵活性和直观性。此举不仅展示了谷歌在AI领域的技术进步，也可能改变游戏开发和漫画创作的方式，进一步推动多模态AI应用的发展。


“批判性微调”面世, 8个英伟达H100训练模型1小时, 性能媲美DeepSeek-R1研究人员通过批判性微调（CFT）技术，成功训练出Qwen2.5-Math-CFT模型，使其在数学推理能力上与DeepSeek-R1相媲美。

该模型仅需在8个H100显卡上训练1小时，且计算资源消耗仅为DeepSeek-R1的1/140。CFT方法显著提高了数据效率，使用50K样本实现了4%-10%的性能提升，挑战了传统监督微调的有效性。这一研究为语言模型的训练提供了新思路，具有广泛的应用潜力。