BestBlogs.dev 精选文章 第 43 期

OpenAI 发布了 GPT-4.1 系列模型，包括 GPT-4.1、GPT-4.1 mini 和 GPT-4.1 nano。这些模型通过 API 调用向所有开发者开放，性能全面超越 GPT-4o，尤其在编程和指令遵循方面提升显著。GPT-4.1 支持高达 100 万 token 的上下文窗口，并改进了长上下文理解能力， 同时在长上下文推理方面有所创新，例如 OpenAI-MRCR 和 Graphwalks 数据集。在各项基准测试中，GPT-4.1 在编程、指令遵循和长上下文处理方面均表现出色。GPT-4.1 mini 在小型模型性能上实现了显著飞跃，GPT-4.1 nano 则是 OpenAI 目前速度最快、成本最低的模型。OpenAI 还降低了 GPT-4.1 系列的价格，并提升了即时缓存折扣。GPT-4.1 系列模型在图像理解方面同样非常强大，GPT-4.1 mini 在图像基准测试中经常击败 GPT-4o。

Google 发布了 Gemini 2.5 Flash 的早期预览版，现已在 Google AI Studio 和 Vertex AI 开放体验。在 2.0 Flash 的基础上，此版本显著提升了推理能力，同时保持了速度和成本效益。Gemini 2.5 Flash 是首个混合推理模型，允许开发者启用或禁用“思考”并设置思考预算，以平衡质量、成本和延迟。本文展示了该模型在不同复杂程度任务中的卓越推理性能，并提供了 API 示例和文档链接以供实验。

文章主要介绍了通义万相最新开源的首尾帧生视频模型。该模型基于 Wan2.1 文生视频 14B 大模型，用户只需提供视频的首帧和尾帧，模型即可自动生成一段 5 秒的 720p 高清视频，实现流畅自然的过渡效果。文章通过多个实际案例展示了该模型在不同场景下的应用效果，包括人像、动物、风景等，并着重强调了模型在细节复刻、动作真实性以及对提示词的遵循方面的出色表现。此外，文章还介绍了该模型的架构设计，采用了先进的 AI 架构和语义特征技术，保证生成视频在时间和空间上的一致性。同时，文章还深入探讨了模型在训练和推理方面的优化策略，例如采用数据并行、完全分片数据并行以及模型切分等技术，以支持高清视频的生成。最后，文章介绍了如何使用魔搭 ModelScope 社区的 DiffSynth-Studio 项目进行模型推理，DiffSynth-Studio 还有助于降低显存需求，并提供了详细的步骤和代码示例。

字节跳动豆包团队发布了新的推理模型 Seed-Thinking-v1.5，该模型拥有 200B 总参数，采用 MoE 架构，每次激活 20B 参数。在 AIME 2024、Codeforces 和 GPQA 等基准测试中，Seed-Thinking-v1.5 均表现出色，甚至超越了 671B 参数的 DeepSeek-R1。该模型在数据构建、强化学习框架和基础设施方面进行了优化，包括构建 BeyondAIME 数学基准，提出 VAPO 和 DAPO 强化学习框架，以及开发流式推演架构。Seed-Thinking-v1.5 在可验证和不可验证问题上采用了不同的奖励建模方法，并利用 HybridFlow 编程抽象和 Ray 集群构建训练框架。该模型采用了多种并行策略、动态工作负载平衡和内存优化技术，以实现高效的大规模训练。

智谱开源了 GLM 系列 32B 和 9B 的基座、推理和沉思模型，共 3 个模型，均采用 MIT 许可协议，可免费用于商业用途。其中，推理模型 GLM-Z1-32B-0414 性能媲美 DeepSeek-R1，推理速度高达 200 Tokens/秒，价格仅为 DeepSeek-R1 的 1/30。同时，智谱启用了全新域名 Z.ai，整合了三类 GLM 模型，作为最新模型的交互体验入口。基座模型 GLM-4-32B-0414 拥有 320 亿参数，擅长代码生成和 Artifacts 生成。沉思模型 GLM-Z1-Rumination-32B-0414 通过深度思考和整合搜索工具来解决复杂问题，代表了智谱对 AGI 的探索。基座和推理模型也已上线智谱 MaaS 开放平台，提供 API 服务。

本文深入探讨了长链思维（Long CoT）在推理大模型（LLMs）中的作用。首先，文章对比了长链思维与短链思维的本质区别，提出了新的推理范式分类框架，强调长链思维在深度推理、广泛探索和可行性反思上的优势。其次，文章详细分析了长链思维的六大核心推理现象，如推理边界、过度思考和顿悟时刻等，并探讨了其对模型推理效率和答案质量的影响。接着，文章全面整理了当前主流的长链思维优化策略，包括强化学习、检索增强生成 (RAG) 等关键技术。最后，文章展望了长链思维的未来发展方向，包括多模态推理、跨语言推理、智能体交互、效率优化、知识增强和安全保障等方面。该综述旨在为长链思维的研究提供一个统一的视角，推动其在理论和实践上的进一步发展，并在推动人工智能发展中发挥重要作用。

本文详细介绍了 Java 开发人员如何使用 Spring AI 框架实现各种提示工程（Prompt Engineering）技术。首先解释 LLM 配置，包括选择像 OpenAI 和 Anthropic 这样的提供商，以及调整诸如温度（temperature）和最大 Token 数（maxTokens）等生成参数。然后，本文通过 Java 代码示例演示了零样本提示（Zero-Shot Prompting）、少样本提示（Few-Shot Prompting）、系统提示（System Prompting）、角色提示（Role Prompting）和上下文提示（Contextual Prompting）。Spring AI 的优势包括其易于配置以及使用 entity() 方法将 LLM 响应直接映射到 Java 对象的能力，从而促进结构化数据处理。本文面向 Java 开发人员，展示了如何利用 Spring AI 进行高效的提示工程。

文章深入探讨了文本向量模型中普遍存在的长度偏差问题，即较长的文本向量往往会获得更高的相似度得分，即使内容并非真正相关。通过使用 Jina AI 的 jina-embeddings-v3 模型和 CISI 数据集进行的实验，作者展示了长度偏差对余弦相似度阈值设定的影响，并解释了偏差产生的原因：长文本通常包含更多信息点，导致其向量在语义空间上更分散。文章还讨论了非对称编码等缓解方法，并提出了结合重排器和大型语言模型等混合解决方案，以更准确地评估相关性。最后，作者强调了理解模型局限性、关注实际任务和扬长避短的重要性。

文章以通俗易懂的语言，系统地梳理了 AI 领域中 Tool、MCP（模型上下文协议）和 Agent（智能体）的概念及其演进过程。首先，文章从“缸中之脑”的比喻出发，阐述了大语言模型最初只能处理和输出文字的局限性。接着，介绍了如何通过“函数调用”或“工具使用”赋予大模型“动手”能力。随后，重点介绍了 Anthropic 提出的 MCP 协议，该协议统一了模型调用工具的方式，解决了重复劳动和工具难以复用的问题。在此基础上，文章阐述了 Agent 的诞生，即通过 LLM + Tools 的组合，赋予 AI 更智能、高效地使用工具的能力。最后，文章展望了 Agent 生态的未来，认为垂直 Agent 是短期内更易落地和产生实际价值的方向，并预测 2025 年将是 Agent 之年，蕴藏着巨大的技术变革和商业机会，强调了垂直 Agent 的优势和发展潜力 。

Elasticsearch 9.0 和 8.18 已正式发布，主要亮点包括：BBQ (更优二值量化) 向量量化技术正式 GA，与传统方法和 OpenSearch 相比，查询速度和吞吐量显著提高（高达 5 倍）；支持多阶段交互模型，如 ColPali 和 ColBERT；集成了 ELSER 和 e5 多语言稠密向量模型，并支持 JinaAI 的嵌入和重排序功能，使用户可以更轻松地进行语义搜索。此外，新版本还增强了混合搜索功能，并引入了 ES|QL Join 命令，增强了跨数据查询能力。

Cloudflare Workers AI 平台迎来一系列重要更新。通过引入推测解码和前缀缓存等技术，Llama 3.3 70b 模型的推理速度提升 2-4 倍。新增异步批量 API，优化了大规模工作负载的处理能力，特别适用于文档摘要等场景。LoRA 技术支持扩展到更多模型，并提高了适配器文件大小限制。此外，平台还增加了多个新模型，包括 Deepseek R1 Distill、Qwen 32B、BGE-M3 等，并对现有模型进行了更新。同时，改进了定价模型和用户界面，提供更清晰的用量展示和模型信息。

文章详细介绍了快手电商如何利用大模型赋能 B 端商家，提升经营效率和服务质量。面对电商 B 端场景的多样性和复杂性，快手电商通过构建电商大模型基座，包括应用层、能力层、方案层和架构层，来解决商品理解和电商创作的事实性问题。同时，通过智林引擎和千机平台，降低大模型应用开发的门槛，实现无代码配置化交付。此外，还通过 RAG 技术优化智能助手，在智能客服场景中准确率提升约 17%，每天可为商家降低几十万到一百万左右的经营成本；采用多 Agent 合作解决售前、售中、售后以及政策咨询等复杂业务场景。最后，通过鸿儒平台进行评测和监控，确保大模型应用的可靠性和合规性。整体目标是使 AI 成为商家、达人和运营人员的助手，推动电商行业的创新和发展，尤其在工程化和评测体系上进行了深入实践。

可灵 AI 发布了 2.0 版本的视频生成模型和图像生成模型，标志着 AI 视频创作进入新时代。可灵 2.0 视频生成模型在语义理解、动态质量和画面美学方面都得到了显著提升，能够更好地理解复杂提示词，生成更流畅、更自然的视频内容。可图 2.0 图像生成模型则在指令遵循能力、电影美学表现力和风格多样性上进行了升级，支持近百种风格，并提供局部重绘、扩图和风格转绘等功能。可灵 AI 的一大特点是“发布即上线”，全球会员都能立即体验。其背后技术是采用了全新 DiT 架构。通过技术创新和训练策略的升级，可灵 AI 在多项评测中超越了 Google Veo2 和 Sora 等竞争对手，奠定了其在全球 AI 视频生成领域的领先地位。可灵 AI 还发布了全新的交互理念 Multi-modal Visual Language (MVL)，旨在提升人与 AI 之间的沟通效率，实现更精准的创意表达。同时，发起了“可灵 AI NextGen 新影像创投计划”，投入千万资金加大对 AIGC 创作者的扶持力度。

文章介绍了 Anthropic 公司对其 AI 助手 Claude 进行的重要升级。本次更新主要包括三个方面：一是推出 Research 功能，该功能目前处于早期 Beta 测试阶段，具备代理式搜索框架、跨源信息整合、系统性问题探索和可验证的综合答案等特性，旨在提升信息处理能力。二是 Google Workspace 深度集成，通过连接 Gmail、Google 日历和 Google 文档等核心应用，实现自动化上下文获取和情境感知驱动的协助，简化用户与 AI 的交互步骤。三是即将上线语音模式，Anthropic 正奋起直追，在多模态交互领域与 OpenAI 等竞争对手展开竞争。这些更新旨在增强 Claude 的实用性和智能化，使其在市场研究、学术研究等落地场景中具有更大的想象空间。此次更新标志着 Claude 在打造更智能、更易用的 AI 助手方面迈出了重要一步。

文章主要介绍了谷歌 Veo 2 的升级及其在视频创作方面的强大功能。Veo 2 通过简单的文字 prompt，能够生成高质量、电影级的视频片段，极大地降低了视频创作的门槛。文章通过多个示例展示了 Veo 2 在不同场景下的应用，如跑车漂移、侦探故事、海底世界和战场等，突出了其在光影、运镜和细节处理方面的优势。此外，文章还介绍了 Freepik AI Suite，这是一个与 Veo 2 配合使用的创意工具箱，可以进一步提升视频创作的效率和质量。整体而言，文章旨在展示 AI 技术在视频创作领域的巨大潜力，以及为视频创作者和 AI 爱好者带来的便利。

文章评测了 Arc 团队推出的 AI 浏览器 Dia，认为它通过深度整合 AI 技术，改变了传统浏览器的交互模式，面向对 AI 技术和新型信息获取方式感兴趣的用户。Dia 允许用户与网页内容进行对话，并能同时处理多个网页的上下文信息，从而快速获得高质量的答案。文章还介绍了 Dia 的智能光标等创新设计，这些设计旨在让 AI 成为用户思考的延伸，而不是一个独立的工具。作者认为，Dia 代表了未来浏览器的一种新形态，它将浏览器从“文档中心”转变为“对话中心”，使用户能够通过表达意图而非操作来获取信息。尽管 Dia 目前仅支持 Mac M1+ 芯片且还处于早期阶段，但它已经展示了 AI 在浏览器领域的巨大潜力。

本文分享一套用于 即梦 AI 的提示词模板，旨在帮助用户通过输入文字内容快速生成各种风格的文字设计。该模板易于使用，风格多样，用户只需按照文章提供的操作步骤，即可快速上手。文章详细说明了提示词的构建思路，即通过分析优质图片中的高频提示词，结合字体效果描述，形成一套可供 AI 理解并生成绘图提示词的系统。文章提供了多种风格的文字设计案例，包括抽象、电竞、国风、甜心等。即梦 AI 在文字设计方面仍存在局限性，例如缺乏专业字体设计的创意。

文章采访了 Vozo AI 的创始人周昌印，分享了他从 Google X 的研究员到成功 AI 创业者的经验。文章详细介绍了 Vozo 这款 AI 视频工具的功能迭代和市场策略，包括如何利用 AI 技术为视频重新配音、翻译（包括声音克隆、语音合成和唇形同步等技术）、剪辑，以及如何通过 Product Hunt 打榜实现冷启动。同时，也深入探讨了 Vozo 在技术选型上的考量，例如避开通用模型，专注于特定场景的专业需求，以及如何平衡创新与用户需求，最终实现产品与市场的契合。此外，文章还分享了周昌印在 Google X 的工作经历和第一次创业的经验教训，强调了创业者需要关注用户明确的需求，并选择合适的商业模式。文章最后展望了 Vozo 的未来发展策略，例如产品合并和统一品牌。

本文是 OpenAI 科学家姚顺雨对 AI 发展下半场的解读，核心观点是 AI 的发展正从解决问题转向定义问题，Evaluation (模型评估) 会比 Training (模型训练) 更重要。文章回顾了 AI 上半场以算法和模型创新为主的特点，例如 Transformer、AlexNet、GPT-3 等，指出强化学习 (RL) 在实现通用人工智能 (AGI) 中的关键作用，并强调了先验知识 (priors) 的重要性。作者认为，AI 下半场需要重新思考评估方法，打破自动运行和独立同分布 (i.i.d.) 等假设，关注现实世界效用，以实现 AI 的真正价值。文章还提到了在计算机使用和网络导航等领域，RL Agent 的 zero-shot 能力仍有待提高。最后，文章鼓励 AI 研究者和从业者关注实际应用，打破固有思维模式，将智能转化为有用的产品，打造具有巨大商业价值的公司。

文章深入探讨了 AI 虚拟人的发展趋势，从技术演进、应用场景到未来展望进行了全面的分析。文章首先回顾了 AI 虚拟人领域的研究进展，从早期的 CNN、GAN 到现在的 Transformer、Diffusion 模型，模型在生成质量和能力上都有了显著提升。接着，文章详细阐述了 AI 虚拟人在消费者、中小企业和企业级用户中的应用，如角色创作、广告营销、学习发展和内容本地化等。此外，文章还分析了 AI 虚拟人的关键要素，包括面部、声音、口型同步、身体和背景，并提出了未来可能的发展方向，如角色的稳定性与可变形、更自然的面部动作与表情、身体动作以及与现实世界的互动。最后，文章基于作者对 20 多款 AI 虚拟人产品的亲身测试，对行业发展趋势进行了深入分析。

本文总结了谷歌首席科学家 Jeff Dean 在苏黎世联邦理工学院的演讲内容，重点回顾了谷歌在 AI 领域十五年来的奠基性研究贡献。演讲内容涵盖了神经网络、反向传播、DistBelief、Word2Vec、序列到序列学习模型、TPU 等关键技术的发展历程。谷歌在 AI 硬件方面，如 TPU 的研发也做出了重要贡献。这些技术共同构成了现代 AI 的基石，并推动了 Gemini 等先进模型的发展。Jeff Dean 还展望了 AI 对社会带来的积极影响，强调了持续研究和创新的重要性，以及 AI 辅助未来的光明前景。

文章解读了 Richard Sutton 和 David Silver 的最新论文《Welcome to the Era of Experience》，核心观点是人工智能发展正从“人类数据时代”迈向“经验时代”。文章指出，当前 AI 依赖人类生成数据已接近极限，为实现超人类智能，AI 需要通过与环境互动，从自身经验中学习，形成“经验流”。经验是无限的，能突破人类知识边界，是智能体的本地语言。未来 AI 发展方向是“行动 + 反馈”的循环体，而非“提示词 + 知识库”。“经验时代”的关键特征是智能体的行动和观察与环境深度绑定，奖励机制来源于环境体验。文章还探讨了经验流对于 AI 长期发展的重要性，以及经验学习可能带来的风险和挑战。

本文是曲凯对清华大学交叉信息研究院助理教授吴翼的访谈，深入探讨了强化学习（RL）这一概念及其最新进展。吴翼从 RL 与传统机器学习的区别入手，解释了 RL 在解决多步决策问题上的优势。随后，讨论了 RL 与大语言模型（LLM）的结合，特别是在解决 LLM 指令遵从问题上的应用，以及 RLHF (Reinforcement Learning from Human Feedback) 的作用。吴翼还分享了 OpenAI 在 RL 领域的探索，以及 RL 在 Agent 范式中的应用。此外，还探讨了 RL 在人才培养中的基建重要性，以及在人生决策中的启示，强调了动手能力、不设限以及主动探索的重要性，并指出创业公司不该有终局思维。

本期 deeplearning.ai The Batch 涵盖三个主要议题。首先，它强调了为生成式人工智能 (GenAI) 应用迭代构建评估系统的重要性，从小型、不完善的评估开始，逐步改进。其次，它介绍了谷歌的新 Gemini 2.5 Pro Experimental 模型，该模型在多个基准测试中优于竞争对手，并在所有新模型中加入了思维链 (Chain of Thought) 训练，表明人工智能 (AI) 的进步并未放缓。第三，它讨论了 OpenAI 对模型上下文协议 (Model Context Protocol， MCP) 的支持，这是一种开放标准，有助于将大语言模型 (LLM) 连接到各种工具和数据源，从而促进智能代理应用的开发。