搜索
现在，一个大模型就能直接拿来当游戏，还是开放世界的那种！ 可以直接根据玩家操作预测下一帧，连游戏引擎都省了。 这个怎么看都像是《我的世界》的界面，就是这款游戏Oasis本尊了。
就在刚刚，CEO奥特曼携4大高管集体亮相reddit有问必答活动（AMA ），挨个回复了大家对OpenAI主要产品、AGI路线规划等提问。
人在知乎，正经搞科研，这事儿越来越有谱了（doge）。 想了解下学术热点，直接一搜，AI不仅一步到位给出总结，连参考文献都列好了。
临近年关，打算开个新系列，从总结视角聊聊AI领域的新趋势，顺便填坑。第一篇先聚焦产品形态的变化。
探索更高效的模型架构， MoE是最具代表性的方向之一。 MoE架构的主要优势是利用稀疏激活的性质，将大模型拆解成若干功能模块，每次计算仅激活其中一小部分，而保持其余模块不被使用，从而大大降低了模型的计算与学习成本，能够在同等计算量的情况下产生性能优势。
本文介绍了一种自动化故事可视化系统，可以生成多样化、高质量、一致性强的故事图像，且需要最少的人工干预。
今天 ChatGPT 的搜索功能发布了，或许是已经用 Perplexity 比较习惯，此次 ChatGPT 的搜索就没太多惊艳感了，所以我体验了一下感觉效果一般般，看看后续多用用会不会有更多不一定的体验。
CGPO框架通过混合评审机制和约束优化器，有效解决了RLHF在多任务学习中的奖励欺骗和多目标优化问题，显著提升了语言模型在多任务环境中的表现。CGPO的设计为未来多任务学习提供了新的优化路径，有望进一步提升大型语言模型的效能和稳定性。
强化学习（RL）对大模型复杂推理能力提升有关键作用，然而，RL 复杂的计算流程以及现有系统局限性，也给训练和部署带来了挑战。
对于人类而言，一旦掌握了 “打开瓶盖” 的动作，面对 “拧紧螺丝” 这样的任务通常也能游刃有余，因为这两者依赖于相似的手部动作。然而，对于机器人来说，即使是这样看似简单的任务转换依然充满挑战。例如，换成另一种类型的瓶盖，机器人可能无法成功打开。这表明，目前的机器人方法尚未充分让模型学习到任务的内在执行逻辑，而只是单纯的依赖于数据拟合。