BestBlogs.dev 精选文章 第 13 期

Meta 在 2024 年 7 月 23 日发布了 Llama-3.1，这是一系列开源 AI 模型，包括 8B、70B 和 405B 三种尺寸，最大上下文提升到了 128k。405B 模型性能超越了 GPT-4 和 Claude 3.5，成为目前最强的模型之一。Llama-3.1 通过增加上下文长度和提升推理能力实现了性能全面升级。文章讨论了开源 AI 的发展趋势，强调了开源模型的开放性、可修改性和成本效益，预示着未来开源 AI 将成为行业标准。同时，文章还探讨了开源 AI 的安全性，认为开源 AI 将比其他选择更安全，政府支持开源将促进世界的繁荣与安全。

Meta 最新发布的 Llama 3.1 405B 模型，通过将上下文长度扩展至 128K，并提供 8B、70B 和 405B 三个版本，显著提升了大模型赛道的竞争标准。该模型在 AI 社区中具有重要意义，因为它刷新了开源基础模型的能力上限，Meta 官方声称其性能可与最好的闭源模型相媲美。论文《The Llama 3 Herd of Models》详细介绍了 Llama 3 系列模型的研究细节，包括预训练和后训练的数据处理、模型规模和复杂性管理、量化技术以支持大规模生产推理，以及多模态扩展等。此外，Meta 更新了许可证，允许开发者使用 Llama 模型的输出结果来增强其他模型，并已与超过 25 个合作伙伴建立了生态系统，以支持最新模型的应用。 尽管 Llama 3.1 取得了显著的性能提升，但在实际应用中仍可能面临挑战，例如模型的训练成本、推理速度和潜在的偏差等问题，需要进一步研究和解决。

Mistral AI 最新发布的 Mistral Large 2 模型，在多个技术领域树立了新的性能标杆。仅凭 123B 的参数量，就在代码生成、数学推理和多语言处理等方面展现出与 Llama 3.1 405B 相媲美的能力。更难得的是，Mistral Large 2 支持单节点部署，大幅降低了使用门槛，为个人开发者和小型团队提供了探索高性能大语言模型的机会。与其他模型相比，Mistral Large 2 在生成简洁、准确的响应方面表现出色，同时具备强大的多语言支持能力，覆盖数十种自然语言和 80 多种编程语言。开源的特性以及灵活的部署方式，使得 Mistral Large 2 有望成为推动 AI 应用发展的重要力量。

作为开源的坚定支持者，Cloudflare 与 Meta 合作，在其 Workers AI 平台上引入了 Llama 3.1 8B 模型。该模型从第一天起就提供，拥有跨八种语言的多语言支持和原生函数调用能力，使开发者能够生成与各种 API 兼容的结构化的 JSON 数据。此外，Cloudflare 的嵌入式函数调用功能通过减少手动请求和利用 ai-utils 包进行编排，提高了效率。开发者可以探索这些新功能，但需遵守 Meta Llama 的使用条款和开源协议。

阿里云开源语音模型 Qwen2-Audio 是一款大规模音频-语言模型，能够处理各种音频输入，执行音频分析或根据语音指令进行文字响应。模型支持音频分析和语音聊天两种交互模式，能够自主判断并切换两种模式。Qwen2-Audio 具备分析音频情绪的能力，在嘈杂环境中也能有效提取信息。尽管模型在多个方面表现优秀，但目前尚未涉及语音输出功能。

Mistral NeMo 是一款由英伟达和 Mistral AI 联手打造的小模型，拥有 120 亿参数，支持 128K 上下文。在多项基准测试中，它超越了 Gemma 2 9B 和 Llama 3 8B，在多轮对话、数学、常识推理、世界知识和编码等任务上表现优异。Mistral NeMo 专为企业用户设计，支持聊天机器人、多语言任务、编码和摘要等应用。它采用 FP8 数据格式，减少内存需求并加快部署速度。此外，Mistral NeMo 开源且易于部署，可在单张英伟达 GPU 上运行，为企业提供了一个高效、灵活且成本效益高的 AI 解决方案。

本文报道了 2024 国际基础科学大会“基础科学与人工智能论坛”上多位 AI 领域专家的观点，尤其着重介绍了香港大学数据学院院长马毅教授的演讲。马毅教授强调了当前大模型发展缺乏理论指导，如同“盲人摸象”，呼吁回归理论基石，探寻智能本质，并强调了计算和执行的重要性。 此外，文章还汇集了其他专家的见解，包括：

• 郭毅可院士指出了算力限制下混合专家模型和知识嵌入的应用，以及未来大模型发展需要超越搜索范式，融入主观价值和情感知识。
• 何晓冬教授认为大模型发展进入平台期，需要找到能体现其价值的超级应用，并指出多模态是解决幻觉问题、扩大模型泛化性和互动性的方向。
• 芮勇博士强调了发展“智能体”和“混合框架”的重要性，特别是让智能体了解自身能力边界，以及将云端大模型私有化部署，结合知识驱动和面向个人的混合模型。

这篇文章介绍了字节跳动研究团队开发的全新同声传译智能体 CLASI。该系统采用端到端的架构设计，有效避免了传统级联模型中的错误传播问题，并依托于豆包大模型强大的语音理解能力，以及从外部获取知识的能力，实现了接近专业人工水平的同声传译效果。CLASI 在多种复杂语言场景下，包括绕口令、文言文以及即兴对话等，都展现出了令人印象深刻的表现。通过与专业同传译员的人工评测对比，CLASI 在有效信息占比（VIP）指标上大幅领先于现有商业系统和开源 SOTA 系统，甚至在某些测试集上达到了与人类同传媲美，甚至超越的水平。此外，文章还详细介绍了 CLASI 的系统架构、操作流程以及其在实验中的具体表现和优势，并展望了其在未来实际应用中可能面临的挑战和发展方向。

本文以简洁易懂的语言，深入浅出地阐释了人工智能（AI）从基础概念到实际应用的方方面面。文章首先介绍了机器学习、生成式 AI、幻觉、偏见等基本术语，帮助读者建立对 AI 的初步认知。接着，文章详细解读了 AI 模型的训练过程，并介绍了自然语言处理、Transformer 架构、RAG 技术等关键技术，以及英伟达 H100 芯片、神经处理单元（NPU）等硬件基础。此外，文章还分析了 OpenAI、微软、谷歌、Meta 等国内外科技巨头在 AI 领域的布局和贡献，并列举了百度、阿里巴巴、腾讯等国内公司在 AI 模型和应用方面的进展。最后，文章也探讨了 AI 技术发展过程中面临的挑战，例如 AI 模型产生的“幻觉”和潜在的偏见问题，并强调了解决这些问题的重要性。

本文探讨了大型语言模型 (LLM) 在代理规划和推理方面的局限性，特别是在长期场景中。虽然函数调用允许立即选择行动，但复杂的任务需要一系列步骤。本文提出通过向 LLM 提供全面信息、修改认知架构和采用领域特定方法来增强代理规划。值得注意的是，它强调了领域特定认知架构在通过硬编码特定步骤来指导代理方面的有效性，从而减少了 LLM 的规划负担。本文介绍了 LangGraph，这是一种旨在简化构建定制认知架构的工具，并预测尽管 LLM 将变得更加智能，但提示和定制架构对于控制代理行为，特别是在复杂任务中，将仍然至关重要。

本文详细介绍了 AI Agent 的构建过程，从感知、大脑到行动的完整系统，并深入分析了关键技术如向量数据库、检索增强生成（RAG）和内容重排技术（Rerank）。文章还探讨了多种 AI Agent 的机制和架构，包括 ReAct、Basic Reflection、Reflexion、REWOO、Plan and Execute、LLM Compiler、LATS 以及 Self Discover，以及行动环节的 Function Calling 和 API Bank。此外，文章还展望了 AI Agent 与物理实体结合的未来趋势，例如与机器狗结合进行救援任务。最后，文章强调了 AI Agent 的可控性和安全性，并提供了学习 AI Agent 的实用建议，包括上手体验、挖掘本质和动手实操三个步骤。

这篇 LangChain 博文深入探讨了少样本提示在提高大型语言模型 (LLM) 工具调用能力方面的应用。作者强调了工具在 LLM 应用中的重要性，并讨论了 LangChain 在改进工具接口方面的努力。文章阐明了少样本提示的概念，即在模型提示中加入示例输入和期望输出以提高性能。通过对两个数据集“查询分析”和“多元宇宙数学”的实验，作者证明了各种少样本提示技术的有效性。值得注意的是，使用语义相似的示例作为消息显著提高了性能，尤其是在 Claude 模型中。文章最后强调了未来的研究方向，包括使用负面示例和用于语义搜索检索少样本示例的最佳方法。

本文宣布了 LlamaExtract 的 Beta 版本发布，这是一项专为从非结构化文档中提取结构化数据而设计的托管服务。该服务对于 LLM 应用特别有用，可以简化数据处理，使其适用于检索和 RAG 用例。LlamaExtract 允许用户从一组文档中推断出模式，或者手动定义模式。然后，它根据该模式提取值，支持各种用例，例如简历分析、发票处理和产品分类。LlamaExtract 通过用户友好的 UI 和 API 提供访问，满足原型设计和集成需求。虽然目前处于 Beta 阶段，在文件和页面处理方面存在限制，但 LlamaExtract 正在积极开发中，计划的改进包括多模态提取和更强大的模式推断。该服务对所有用户开放，鼓励社区反馈，以进行未来的改进。

这篇文章来自 ShowMeAI 研究中心，深入分析了 AI Engineer 这一新兴职业的全球发展趋势，特别是在大模型（LLM）浪潮下的角色和技能要求。

文章首先回顾了 AI Engineer 概念的提出和海外共识的形成，指出国内在这一领域的相对滞后。接着，文章详细介绍了 AI Engineer 的技能光谱，包括从数据/研究约束到产品/用户约束的转变，以及 AI Engineer 与传统 ML Engineer 的区别：AI Engineer 更专注于将 AI 模型应用于产品，而 ML Engineer 更专注于模型本身的构建和优化。此外，文章还提供了多位转型成功的 AI Engineer 的经验分享，包括他们的学习路径、工作内容和必备技能。最后，文章从招聘者的角度，探讨了 AI Engineer 的技能组合和面试要点，为有志于成为 AI Engineer 的读者提供了宝贵的参考资料。

Google 正在开发一系列 Web 平台 API 和浏览器功能，旨在使大型语言模型，包括 Gemini Nano，可以直接在浏览器中运行。与自行部署的设备端 AI 相比，浏览器内置 AI 具有易于部署、使用硬件加速和离线使用等优势。在 Chrome Canary 中启用 Gemini Nano 后，开发者可以使用 Prompt API 进行文本处理，如翻译、摘要和问答。这项技术有望简化 AI 功能的部署和使用，为前端开发带来新的可能性。

本文由六位专家分享了他们在过去一年中使用大型语言模型（LLM）构建应用的经验。文章首先强调了提示技术的重要性，深入探讨了 n-shot 提示、情境学习、思维链和结构化输入输出等方法，并提供了优化提示结构和上下文选择的实用建议。其次，文章详细介绍了检索增强生成（RAG）技术的应用，以及如何通过关键字搜索和嵌入检索的混合方法来提高检索效果。此外，文章还讨论了 RAG 与微调在处理新信息时的比较，以及长上下文模型对 RAG 的影响。在模型评估和优化方面，文章强调了 LLM-as-Judge 方法的局限性，并推荐了更可靠的评估策略，例如基于断言的单元测试、二元分类和成对比较。最后，文章还指出，内容审核和事实不一致问题是实际应用中需要重点关注的挑战，并提出了一些解决思路。

本文由阿里云物流技术团队撰写，分享了他们在过去一年多时间里，围绕“物流体验”这一垂直领域，开发和部署“物流 AI”大模型的实践经验。

文章首先阐述了 ToB 垂直领域大模型的特点，既有领域专业性强、输出质量高、特定任务效果好的优势，也面临着准确性要求高、知识库维护复杂和适用性限制等挑战。

针对这些挑战，团队借鉴 BPO 思路优化提问，并结合 Reflexion 框架、RAG 技术和 SFT + DPO 模式等技术方案，分别解决了对齐增强、Text2API 和知识库维护等难题，有效提升了模型性能和适应性。

最后，文章展示了“物流 AI”在物流小蜜、钉钉群物流服务机器人和千牛物流商家后台等场景的实际应用，并介绍了“物流 AI 平台”产品，该平台支持用户快速创建和部署自定义场景的物流助手，为物流行业提供高效便捷的解决方案。

本文深入探讨了大模型领域中长上下文窗口技术的发展及其对传统信息检索增强生成技术（RAG）的潜在影响。文章汇集了多位领域专家的见解，分析了长文本技术在处理复杂任务方面的优势，例如多模态问题和代码生成，同时也指出了其在成本和技术方面的权衡。文章还探讨了长文本技术在硬件、机器学习工程和模型架构方面的优化方向，并将其与 RAG 技术在实际应用场景中的优缺点进行了比较。此外，文章还涵盖了多租户挑战、模型幻觉的解决方法、价格战对技术进步的影响，以及向量化、多模态大模型等技术趋势，为开发者和技术爱好者提供了全面的技术解读和未来展望。

本文详细分析了 RAG 技术在大语言模型中的应用，包括精准问答、推荐系统和信息抽取等领域的优势，以及面临的挑战，如数据杂乱、用户意图不明确时的语义 gap 等。文章强调了 RAG 技术与长上下文模型、Agent 的合作关系，指出 RAG 加 Agent 的本质是复杂问题的分治。此外，文章还探讨了 RAG 技术在推荐系统中的应用前景，以及与大模型结合的未来发展方向，包括多模态应用和数据安全性等关键点，以及如何打造 RAG 爆款应用。

本文介绍了一款名为 Mem0 的开源 AI 记忆技术，该技术开源后迅速获得了广泛关注。Mem0 旨在为大语言模型提供智能、自我改进的记忆层，实现跨应用的个性化 AI 体验。其核心功能包括多层次记忆、自适应个性化、开发者友好的 API 和跨平台一致性。与传统的 RAG 技术相比，Mem0 在实体关系理解、上下文连续性、自适应学习和动态更新信息等方面具有显著优势。Mem0 安装和使用简便，提供了易于操作的 API，适用于虚拟陪伴、生产力工具和 AI Agent 客户支持等多种 AI 应用场景。文章还介绍了 Mem0 的技术细节、应用案例以及与 RAG 的区别，并提供了一些简单的代码示例。

本文深入探讨了如何编写高效的 Prompt，以充分发挥大规模语言模型的潜力，生成高质量的输出内容。文章首先介绍了 Prompt 的定义、作用和运行机制，并阐述了优秀 Prompt 的关键要素，包括明确的目标和任务、具体的语言描述、充分的上下文信息、详细的衡量标准和考评维度等。此外，文章还重点介绍了 Prompt 设计中的八个优化技巧，包括使用样本和示例、保持简洁和直接、避免歧义、分步骤和层次化指导、考虑多种可能性和边界条件、设置纠错机制、保持语言和文化敏感性以及数据隐私和安全性、设置适当的约束条件等。通过这些技巧，可以有效提升 Prompt 的质量，引导模型生成更准确、相关和可靠的输出。

Redis 是一款流行的内存数据存储系统，其发布了增强版的 Redis 查询引擎，利用多线程技术提升查询吞吐量，同时保持低延迟，这对 GenAI 应用中检索增强生成 (RAG) 越来越广泛地使用向量数据库至关重要。这项增强使 Redis 能够垂直扩展，允许并发访问索引，即使在大型数据集的情况下也能实现更快的查询处理。Redis 声称响应时间保持在毫秒级以下，查询平均延迟低于 10 毫秒。文章强调了传统单线程架构的局限性，以及 Redis 多线程方法如何通过允许并发查询处理来克服这些局限性，而不会影响标准 Redis 操作的性能。基准测试结果表明，与其他向量数据库提供商、通用数据库和完全托管的内存 Redis 云服务提供商相比，Redis 查询引擎的性能更优。文章虽然侧重于技术能力，但也提供了对向量数据库市场的见解，强调需要全面的解决方案来解决 AI 驱动的数据检索中更广泛的挑战。文章最后强调了 GenAI 应用（如聊天机器人）中实时 RAG 的重要性，并强调需要支持实时交互的数据架构。

吴恩达强调在 AI 创业中明确具体的产品愿景，并通过快速迭代来推动项目进展。具体的产品愿景可以加速团队执行，帮助更快地发现和解决问题。快速迭代使团队能够更快地发现产品缺陷，并从中学习，转向更有效的具体想法。在实施具体想法之前，需要评估其技术可行性和商业可行性，确保产品的实际价值和市场需求。

1. Notion 用户已突破 1 亿，反映了其产品和市场策略的成功。
2. Notion 的使命是“Democratize Software”，即为非程序员提供计算能力，这一使命自 2013 年就已明确。
3. Notion 作为 AI 驱动的软件产品，被视为超级 AI RAG 系统，能够理解用户输入并提供智能反馈。
4. Notion 的成功部分归功于其社区和用户驱动的开发模式，允许用户在平台上创建和销售工具。
5. Notion 计划继续整合新功能和推出新产品，以增强用户体验和扩大市场影响力。

海螺 AI 推出的悬浮球功能突破了应用边界，实现了 AI 助手的全局可用性，用户可以在任何应用中随时获取 AI 支持，并通过悬浮球快捷识屏、调起语音对话等。悬浮球还根据不同场景提供定制化服务，如社交场景中可调整回复风格，体现了对用户需求的深刻理解。

• 挑战和机遇： 国际酒店视频覆盖率低，但视频能显著提升用户转化率。
• 流程 AI 化： 将专业影视生产流程简化为策划创意、分镜创作、现场拍摄和后期剪辑四个步骤，并通过 AI 技术优化每个环节。
• 质量标准： 价值趣味、清晰画质和优质主题。
• 成果展示： 展示了 AI 生成视频的实际效果，并分享了实践中的经验教训，如视频分辨率的选择和旁白与背景音乐的使用。
• 未来展望： 计划实现对高端酒店的定制化视频生成，并提供快速响应市场的能力，以助力运营团队与酒店的合作。

Kimi Chat 智能助手支持高达 200 万字的超长上下文输入，在学术科研、互联网从业、编程、自媒体创作和法律专业等领域提供定制化服务。其功能亮点包括联网搜索、高效阅读、专业解读文件、资料整理、辅助创作和编程支持，帮助用户提高工作效率和学习效果。

Midjourney 是一个成立于 2021 年的 AI 图像生成工具，用户无需专业技术背景，即可通过简单的文字描述在 Discord 社区中创建高质量的图像。其底层技术采用 Stable Diffusion，并通过订阅模式盈利，价格从 10 美元/月到 120 美元/月不等。Midjourney 的成功可归因于其低成本的训练模型、Discord 平台的社交属性带来的社区共创效应，以及独特的艺术风格图像生成效果。尽管团队规模小，但 Midjourney 强调独立性和敏捷性，依靠外部顾问网络获取战略指导，并专注于盈利能力和技术研发。未来，Midjourney 面临着来自 DALL-E 2、Runway 和 Stable Diffusion 等竞争对手的挑战，但其独特的社区共创模式和不断提升的图像生成效果仍具有一定的竞争优势。

罗马尼亚医疗公司.lumen 开发出 AI 导盲眼镜，以行人自主驾驶（PAD AI）技术为基础，通过触觉界面引导方向，为视障人士提供导盲犬的替代方案。该设备已在多个国家进行测试，并计划在 2024 年第四季度发布限量版产品，2025 年第四季度开拓美国市场。文章还介绍了其他视障辅助设备，如电子导盲犬、助行器和导盲鞋，展示了 AI 技术在改善视障人士生活质量方面的广泛应用。

本文强调了市场（PMF，即产品/市场匹配）是决定创业公司成功与否的最关键因素。文章通过回顾 PMF 概念、分析案例、探讨市场影响等，阐述了市场的重要性。即使拥有优秀的团队和产品，糟糕的市场仍可能导致失败。文章建议创业公司不惜一切代价实现 PMF，这是创业成功的唯一关键。

文章复盘了出海 SaaS 产品本地化的失败经验，强调本地化不仅仅是语言和定价的调整，更涉及到支付方式、市场认知和用户尊重等多方面的细致工作。作者总结了分区定价和语言本地化失败的原因，反思了缺乏敬畏心和急功近利的心态，并提出了如果重新开始，将如何更细致地进行本地化策略的规划和执行。

亚马逊推出的 AI 购物助手 Rufus，基于 COSMO 算法，通过问答式交互为用户提供个性化商品推荐。Rufus 功能多样，包括商品详情查询、场景化推荐、产品对比、订单查询和开放性问题解答。Rufus 拒绝比价，以维持平台生态平衡。卖家应围绕 Rufus 布局内容，重点优化问答、评论和站内外信息，以获得更多流量和订单。

Scale AI 创始人 Alexandr Wang 认为，数据是 AI 发展的核心支柱之一，高质量的数据对 AI 模型性能至关重要。Scale AI 通过建立高效的数据标注和处理系统，为 AI 模型提供高质量数据，致力于解决数据充裕问题，并通过人机混合合成数据等创新方法突破数据壁垒。Scale AI 的目标是成为 AI 行业的数据平台，为 AI 生态系统提供数据支持，推动 AGI 的实现。

本文汇聚了人工智能行业多位领军人物的真知灼见，深入探讨了人工智能在金融科技、设计、产品开发、艺术创作等领域的应用前景、挑战和发展趋势。在金融科技领域，专家们强调了深入洞察商户身份的重要性，人工智能技术在信贷决策和支付网络合规性中的应用。在设计领域，人工智能被视为设计师的帮手而非取代者，特别是在捕捉文化氛围和情感状态等方面。在产品开发流程中，迭代设计方法和快速原型制作至关重要，有助于发现问题和优化设计。在艺术创作领域，生成式模型开启了全新的创作范式，人工智能在视频生成中的应用备受关注。此外，文章还探讨了人工智能模型的评估和社会信任问题，强调了透明度和专业评估的必要性。

本文是 a16z 创始人马克·安德森和本·霍洛维茨对谈的第二部分，聚焦于 AI 创业。他们首先探讨了 CEO 的角色和选拔，指出 CEO 应具备领域专业知识而非仅限于管理能力。他们认为，硬件创业虽然面临周期长、风险高等挑战，但成功后能建立更强的竞争优势。文章还深入探讨了 AI 服务模式，指出 AI 公司销售的是服务而非产品，并以特斯拉为例强调了数据驱动的 AI 发展模式。最后，他们展望了 AI 与机器人技术整合的未来，认为这需要克服技术和商业障碍，并依赖大量数据构建数据飞轮。

本文以对谈形式，详细讨论了 AI 在医疗健康领域的应用，包括数据自动化、合同数字化、临床试验优化、预约机制改进等方面。文章指出，AI 技术有望解决医疗人员短缺问题，并强调了其在提高效率和降低成本中的重要作用。此外，文章还探讨了 AI 应用需要解决的数据和基础设施数字化问题，以及 AI 在医疗决策中的潜在作用和监管问题。总体而言，AI 在医疗健康领域的应用具有巨大的潜力和必要性，但也面临着技术和监管的挑战。

本文是腾讯科技对面壁智能 CTO 曾国洋的访谈纪要，探讨了大模型的竞争格局、端侧模型的优势、未来发展趋势以及数据和开源社区的重要性。

曾国洋指出，虽然大模型参数规模不断扩大，但高昂的资源消耗和过拟合问题不容忽视。相比之下，端侧模型在保持高效性能的同时，能够显著降低资源消耗和成本，更适合创业公司和实际应用场景。他预测，未来端侧模型将在用户交互和即时反馈方面超越云端模型，形成端云协同的新模式。

此外，曾国洋还强调了数据在推动模型效果提升中的关键作用，以及国内在大模型领域的创新技术受到国际认可。他认为，开源社区对于大模型技术的普及和应用至关重要，面壁智能将继续推动端侧模型的发展，并探索多模态模型和模型约束等方向。

金融行业高度契合大模型应用场景，但落地过程中面临挑战。技术与业务的深度融合是关键，需关注成本效益和 ROI。人才体系建设和精益迭代至关重要。大模型与传统 AI 技术结合，人机协作模式变革，将推动金融行业迈向智能化新阶段。

2024 年上半年，OpenAI、苹果、谷歌、微软、Meta、英伟达等海外科技巨头纷纷推出 AI 新品，涵盖多模态 AI、高性能计算、开源模型等多个领域，展现出 AI 技术的蓬勃发展和巨大潜力。

OpenAI 的 ChatGPT-4o 在多模态支持、响应速度和多语言处理方面取得突破；苹果推出 Apple Intelligence 项目，通过高性能生成模型实现系统级个人助理；谷歌的 Project Astra 旨在开发通用 AI 代理；微软推出配备 AI 芯片的 Copilot Plus PC 和新一代 Surface Pro，大幅提升 AI 性能；Meta 开源 Llama 3 模型，支持多平台应用；英伟达发布 Blackwell 芯片，为大语言模型提供更高的性能和更低的成本。

此外，Mistral 的 Codestral-22B 代码模型、Anthropic 的 Claude 3.5 Sonnet 多模态模型、Adobe 的 GenStudio 营销平台以及 Salesforce 的 Einstein Copilot 企业级聊天机器人都展现出 AI 技术在不同领域的创新应用。这些 AI 新品的推出，将推动 AI 技术在更多场景落地，为各行各业带来变革。