AI日报：阿里通义开源多模态推理模型QVQ-72B；OpenAI考虑自研人形机器人；QQ音乐上线首个AI大模型音效
欢迎来到【AI日报】栏目!这里是你每天探索人工智能世界的指南，每天我们为你呈现AI领域的热点内容，聚焦开发者，助你洞悉技术趋势、了解创新AI产品应用。
新鲜AI产品点击了解:https://top.aibase.com/
1、阿里发布多模态推理模型QVQ-72B!视觉、语言能力双提升
阿里巴巴最近推出的QVQ-72B多模态推理模型在语言和视觉能力上实现了显著提升，能够处理复杂的推理和分析任务，尤其在多步推理和数学推理方面表现突出。该模型的出现标志着阿里巴巴在多模态AI领域的重大突破，提供了新的工具和思路来解决复杂问题，推动各行业的智能化升级。
【AiBase提要:】
🧠 QVQ-72B模型融合了强大的语言和视觉能力，能够处理复杂的推理任务。
🔍 在物理和数学推理中，该模型通过多步推理显著提升了准确率，减少了错误。
📊 QVQ-72B在技术报告和图表分析中具备高效的信息提取能力，为专业人士提供强大支持。
详情链接:https://huggingface.co/spaces/Qwen/QVQ-72B-preview
2、投资三家机器人公司后 OpenAI欲自研人形机器人
OpenAI正在积极探索自研人形机器人，尽管曾在2021年关闭机器人部门。近期，该公司通过投资三家机器人公司，显著布局机器人领域。其旗舰模型O3在AGI测试中首次超越人类水平，为进军实体机器人提供了技术支持。然而，进入这一竞争激烈的市场，OpenAI可能面临利益冲突和硬件研发短板等挑战。
【AiBase提要:】
🤝 OpenAI投资三家机器人公司，积极布局机器人领域。
📈 旗舰模型O3在AGI测试中超越人类，技术优势明显。
⚠️ 面临市场竞争和硬件研发挑战，需快速补齐短板。
3、QQ音乐14.0版本上线，发布首个AI大模型音效、智能匹配听歌音效
QQ音乐14.0版本的推出标志着音乐体验的一个新高度，特别是引入的AI大模型音效。这一创新技术通过分析音频特征，为用户提供个性化的听觉体验，尤其在3D环绕音效方面表现出色。此外，伴唱功能的升级使得用户可以根据个人需求调节播放速度和音调，进一步增强了音乐互动的乐趣。
【AiBase提要:】
🎧 新推出的大模型音效通过AI技术提供个性化听觉体验，提升音乐的空间感和层次感。
🎤 伴唱功能升级，用户可自由调节伴唱模式、播放速度和音调，满足不同演唱需求。
🎨 多款个性化设置功能让用户选择不同样式，享受个性化的听歌体验。
4、讯飞星火浏览器插件新升级 新增翻译总结、继续提问等AI功能
讯飞开放平台最近对其星火浏览器插件进行了重要升级，显著提升了用户的浏览体验和工作效率。新功能包括支持多语言的全局翻译、增强的网页总结能力以及“继续提问”功能，使用户能够深入讨论并获取更高质量的答案。此外，插件还提供了一键朗读功能，帮助用户提高外语口语水平。
【AiBase提要:】
🌐 新增的“继续提问”功能允许用户深入讨论，获取更高质量的答案。
📚 实现网页全局对照翻译，支持12种语言，打破语言障碍，提升阅读体验。
🎤 一键朗读功能帮助用户提高外语口语水平，增强学习效果。
5、字节开源 Midscene.js:AI驱动的E2E测试框架迎来突破
随着人工智能技术的迅猛发展，E2E测试领域正经历着一场创新的革命。字节跳动的web-infra团队推出的Midscene.js，结合多模态大语言模型，极大地简化了用户界面测试的过程。用户无需编写代码，通过自然语言即可与网页进行交互，提升了测试效率。
【AiBase提要:】
🛠️ Midscene.js通过自然语言与网页交互，简化了E2E测试流程。
⏱️ Shortest工具利用AI自动生成测试用例，减少重复性工作时间。
📈 AI技术的成熟使得基础E2E测试场景的自动化水平显著提升。
详情链接:https://github.com/web-infra-dev/midscene
6、DeepMind项目MegaSaM :输入普通视频即可预估相机视角和景深
MegaSaM系统的推出标志着计算机视觉领域的一次重大突破。该系统能够从普通动态视频中快速、准确地估计相机参数和深度图，克服了传统技术在动态场景中的局限性。通过对深度视觉SLAM框架的创新性修改，MegaSaM在复杂环境下的实时处理能力显著提高，实验结果显示其在准确性和效率上均优于以往技术。
【AiBase提要:】
🌟 MegaSaM系统能够从普通动态视频中快速、准确地估计相机参数和深度图。
⚙️ 该技术克服了传统方法在动态场景中的不足，适应复杂环境的实时处理。
📈 实验结果显示，MegaSaM在准确性和运行效率上均优于以往技术。
详情链接:https://mega-sam.github.io/#demo
7、字节TikTok算法负责人陈志杰或将离职，投身AI Coding方向创业
字节跳动的TikTok算法负责人陈志杰即将离职，计划专注于AI Coding领域的创业。自2022年加入字节跳动以来，他负责TikTok的推荐算法和数据科学团队，之前在百度积累了近九年的技术经验。随着AI Coding市场的快速发展，预计到2032年将超过295亿美元，吸引了众多投资者的关注。
【AiBase提要:】
🌟 陈志杰即将离职字节跳动，专注于AI Coding创业。
🚀 AI Coding市场前景广阔，预计到2032年将超295亿美元。
💡 国内市场投资人关注AI Coding，多个项目相继涌现。
8、Fireworks AI推出文档解析神器!AI轻松读懂复杂文件
Fireworks AI最近推出了“Document Inlining”功能，旨在解决处理非结构化文档的难题。该功能能够将PDF、截图和图像等文档转化为大语言模型可理解的结构化文本，显著提高了AI处理文档的效率和准确性。其核心在于强大的复合AI系统，能够自动识别和解析多种内容，操作简单且兼容OpenAI API，用户无需额外学习成本。
【AiBase提要:】
📄 高质量输出: Document Inlining提供的文本质量优于传统文本型LLM输出，尤其在推理和生成任务中表现出色。
📊 多种文档格式支持: 该工具支持PDF、图片等多种格式，能够准确提取复杂文档中的关键信息。
🔍 复杂文档解析能力: 能够解析含有表格和图表的复杂文档，并将其转换为LLM可理解的文本。
详情链接:https://fireworks.ai/blog/document-inlining-launch#quality-evaluation
9、果然最强!OpenAI 新模型o3在ARC-AGI基准测试得分破纪录
OpenAI最新发布的模型o3在ARC-AGI基准测试中取得了显著成绩，标准计算条件下得分75.7%，高计算版本更是达到87.5%。尽管这一成就震惊了AI研究界，但专家指出o3仍未达到通用人工智能（AGI）的标准。o3的计算成本高昂，解决每个谜题需17至20美元，且在某些简单任务上表现不佳。
【AiBase提要:】
🌟 o3在ARC-AGI基准测试中获得75.7%的高分，表现超越以往模型。
💰 o3解决每个谜题的成本高达17到20美元，计算量巨大。
🚫 尽管o3表现优秀，但专家们强调其尚未达到AGI的标准。
10、打错字也能 “越狱”GPT-4o、Claude:揭秘AI聊天机器人的脆弱性!
最近的研究揭示了先进AI聊天机器人在面对简单拼写错误时的脆弱性。通过一种名为“最佳选择（Best-of-N，BoN）越狱”的算法，研究人员发现，故意加入拼写错误可以让这些模型忽视安全防护，生成本应拒绝的内容。这一发现不仅突显了AI与人类价值观对齐的困难，也表明即使是高级AI系统也容易受到欺骗。
【AiBase提要:】
🔍 研究发现，通过拼写错误等简单技巧，AI聊天机器人可被轻易 “越狱”。
🧠 BoN越狱技术在多种AI模型中成功率达52%，有些甚至高达89%。
🎨 此技术在音频和图像输入中同样有效，显示出AI的脆弱性。
11、尴尬!谷歌被曝用Claude模型进行对比测试来改进Gemini AI
近日，谷歌的Gemini人工智能项目正在通过与Anthropic公司的Claude模型进行对比测试，以提升自身的性能。负责Gemini改进的承包商正在评估这两种模型的输出，比较的标准包括真实性和安全性。尽管谷歌是Anthropic的主要投资者之一，但谷歌发言人表示并未对Gemini进行Claude模型的训练。
【AiBase提要:】
🌟 Gemini正在与Claude进行对比测试，以提升自身AI模型的性能。
🔍 承包商负责评分，两者的回答比较涉及多个标准，包括真实性和安全性。
🚫 Anthropic禁止在未授权的情况下使用Claude进行竞争性模型的训练。
12、研究发现，OpenAI 的 o1-preview 在诊断复杂医疗病例方面优于医生
一项新研究表明，OpenAI 的 o1-preview 人工智能系统在复杂医疗案例的诊断上表现优于人类医生，达到了88.6%的准确率。该系统在医疗推理方面同样出色，获得了80个病例中78个满分。尽管o1-preview在某些方面表现优秀，但在实际应用中仍面临高成本和不切实际的测试建议等问题。
【AiBase提要:】
🌟 o1-preview 在诊断率上超过医生，达到88.6%的准确率。
🧠 医疗推理方面，o1-preview 在80个病例中获得78个满分，远超医生表现。
💰 尽管表现优秀，o1-preview 在实际应用中的高成本和不切实际的测试建议仍需解决。
详情链接:https://arxiv.org/abs/2412.10849
