最近，刊登在Science上的一篇文章通过实验发现，GenAI的确可以激发文学创作过程的个人创意，但会加重集体写作的同质化程度，引发对集体创意多样性的担忧。这把「双刃剑」该如何使用?
解决问题：传统生物基因数据处理成本高且繁杂，生物基因数据分析师通常需要做重复而低效的数据处理与核查工作，团队设计了 GenoTEX 数据集以及 GenoAgent 数据处理分析师以进行重复工作替代
解决问题：语言智能体的动作通常由 Token（令牌，语言模型中表示单词/短语/汉字的最小符号单元）序列组成，直接将强化学习用于语言智能体进行策略优化的过程中，一般需要预定义可行动作集合，同时忽略了动作内 Token 细粒度信用分配问题，团队将 Agent 优化从动作层分解到 Token 层，为每个动作内 Token 提供更精细的监督，可在语言动作空间不受约束的环境中实现可控优化复杂度
最近两款大型 AI 模型相继发布。
许多人都非常关心的问题是，究竟在什么场景下，当下 AI 技术容易落地？
知识图谱作为结构化知识的重要载体，广泛应用于信息检索、电商、决策推理等众多领域。然而，由于不同机构或方法构建的知识图谱存在表示方式、覆盖范围等方面的差异，如何有效地将不同的知识图谱进行融合，以获得更加全面、丰富的知识体系，成为提高知识图谱覆盖度和准确率的重要问题，这就是知识图谱对齐（Knowledge Graph Alignment）任务所要解决的核心挑战。
谷歌研究人员对200篇关于生成式AI滥用的新闻报道进行了研究，发现生成式AI造成的虚假信息正在互联网上泛滥成灾。但最讽刺的是，谷歌正是这些虚假信息的重要制造商之一。
紧跟着Meta的重磅发布，Mistral Large 2也带着权重一起上新了，而且参数量仅为Llama 3.1 405B的三分之一。不仅在编码、数学和多语言等专业领域可与SOTA模型直接竞争，还支持单节点部署。
发利用于众多领域，诸如二次元、电商产品、游戏场景等，其生成图片的质量已经在多次迭代中得到了显著的提升。
AI 竞赛正以前所未有的速度加速，继 Meta 昨天推出其新的开源 Llama 3.1 模型之后，法国 AI 初创公司 Mistral AI 也加入了竞争。
