上周精选
Claude推出移动应用以及团队版计划
Anthropic的商业化进度开始加速，这周先是推出了 Claude 的 iOS 应用，然后又推出了团队计划开始赚 2B 的钱。
iOS 应用的功能还比较简陋，重点支持的是文件上传已经识图功能，官方给出的案例也是拍摄会议板书整理成笔记。
团队计划的主要功能有：
团队计划使团队能够创建一个工作空间，增加成员和管理用户和计费工具的使用。
每个月每个成员收费 30 美元。
与专业计划相比，为每个团队成员提供更大的使用量。
提供完整的Claude 3 型号系列，包括 Opus、Sonnet 和 Haiku。
200K 上下文窗口：使企业能够处理长篇文档（例如研究论文、法律合同）、讨论复杂话题（例如财务预测、产品路线图）并保持多步对话。
引入管理工具，方便地控制用户和计费管理。
Pro 版中的所有功能：包括 Claude Pro 的所有功能，包括在高流量时段的优先访问、提前访问新功能、更高的使用率等。
最近突然爆火的两款SD图像风格
节前是毛绒风格的应用图标风格突然开始在小红书上爆发， 由于需要相对复杂的 SD 流程没有人打包，只局限在圈子内部，普通用户没办法参与，顶多使用画好的图标更换手机主题。
然后五一开始的时候黏土风格的图片突然就爆火了，得益于 Remini 这个非常好上手的 AI 修图 app，这次彻底出圈了。
基于 AI 的图像玩法还有非常大的机会，不只能出一个妙鸭这种爆款，Remini 的爆火证明了这一点。
毛绒风格和冰块风格的工作流可以用KeJun这个工作流：https://openart.ai/workflows/kejun/furry-and-fluffy-icon-v11-v11/XueYOY1PYXXAHMcarWl8
黏土风格的图片基于 SD 实现的话可以用 Clay Animation 和 Claymation 这两个 Lora 搭配好一点的 3D SDXL 模型实现。
亚马逊推出了 Amazon Q AI 助手
亚马逊推出了 Amazon Q AI 助手，一共有两个版本Amazon Q Developer 和 Amazon Q Business。
可以自动完成软件开发和业务数据分析的各项任务，从而提高工作效率。
Amazon Q Developer
这一版本旨在帮助开发者减少在维护任务上花费的时间，使他们能够将更多精力放在编码上。
它可以协助编码、测试、升级应用程序、排查故障、执行安全扫描和修复，以及优化 AWS 资源。其目标是让开发者能够投入更多时间创造独特的用户体验，并加快项目部署速度。
Amazon Q Business
Amazon Q Business 致力于让员工能够轻松访问公司数据，从而做出数据驱动的决策。
它可以回答问题、提供摘要、生成内容，并以安全的方式完成任务。该版本与 Amazon QuickSight 集成，提供了一个生成式商业智能助手，通过自然语言命令简化 BI 仪表板和可视化的创建过程。
Amazon Q Apps
Amazon Q Apps 是一项新功能，允许员工使用自然语言构建由生成式 AI 驱动的应用程序，无需编码技能。
这一功能是 Amazon Q Business 的一部分，可帮助员工高效地自动化日常任务。
GitHub 推出 GitHub Copilot Workspace 的技术预览版
通过 Copilot Workspace，开发者可以用自然语言进行头脑风暴、规划、构建、测试和运行代码。
其工作原理如下：
一切从任务开始：
从一个 GitHub Issue、Pull Request 或仓库中打开 GitHub Copilot Workspace。（截图显示了 octoacademy 仓库中的一个 Issue。）
计划的制定：
从任务进展到规范化步骤，概述你想通过 Copilot Workspace 实现的目标。这些步骤是可编辑的，允许你反复迭代。
全面可编辑：
Copilot Workspace 提供的所有内容，从计划到代码，都可以完全编辑，使你能不断调整，直到对计划满意。你也可以通过集成终端运行测试、构建等步骤。
直接运行：
计划完善后，你可以在 Copilot Workspace 中运行代码，并在 Codespace 中调整，直到对最终结果满意。你还可以通过链接分享 Workspace，使团队成员查看你的工作并进行迭代。
提交与审查：
完成后，提交 Pull Request，运行 GitHub Actions 和代码扫描，并请求团队成员进行审查。他们可以通过 Copilot Workspace 查看你从构思到代码的全过程。
移动兼容：
GitHub Copilot Workspace 支持在任何设备上使用，使你可以随时随地进行开发。
其他动态 ✦
Llama3-70B 的 Lora，可以让任何基于 Llama-3 70B 微调的模型都具有 524K 的上下文。Lora 是从 Llama-3-70B-Instruct-Gradient-524k 中提取的。
Gradient发布 Llama-3-70B-Instruct-Gradient-1048k，一百万上下文的 Llama3 70B 版本。
相当优秀的 SD1.5 人像模型 AWPortrait 1.4 开放下载。
微软已经禁止美国警察部门使用企业级人工智能工具进行面部识别，利用GPT-4对来自人体摄影机的音频进行总结。这样很容易因为LLM的幻觉和人种偏见造成误判。
可以识别使用者情绪的模型EVI现在已经支持函数调用工具。
Open AI 发布了一个 Assistants API 和 NextJS 构建项目的快速入门指南。具有流式传输、工具使用（代码解释器和文件搜索）和函数调用能力。
Midjoureny 的 alpha 网站已经向所有生成超过 100 张图片的用户开放，房间功能也已经开放。
机器人公司 Sanctuary AI 宣布和微软展开合作，加速通用机器人的人工智能开发。
字节开始在抖音中内置豆包聊天助手，入口在消息页面置顶区域，点击顶部按钮可以拉起豆包应用。
HuggingChat 也支持 Assistants 创建了，但是创建功能很强大该有的都有了，而且也支持动态提示将站外的内容插入到聊天中。
ChatGPT的记忆功能现在已经向所有Plus用户推出。使用的方式很简单，说出你想让它记住的事情，并且告诉他记住就行。
Chrome 桌面地址栏中的新快捷方式可以快速开始与 Gemini 聊天，在桌面地址栏中输入“@”，然后选择与 Gemini 聊天。
产品推荐 ✦
Simulon：混合现实 3D 模型软件
只需要下载app扫描周围环境，然后选择对应的模型。之后等几分钟就会渲染好跟现实环境融合的MR视频。没有官网只有申请测试的表单。
Frame：开源的 AI 眼镜
由一个开源的AI硬件 ，Frame AI 眼镜。
你可以通过语音和 Frame 进行沟通，它的回复会显示在眼镜屏幕上，而且会有小图标表示现在的情绪。Frame 是多模态的可以看到你现在看到的东西，这玩意很强啊，如果响应速度快点的话。
Claude iOS 移动端发布
终于来了，Claude 的 iOS 应用程序发布了。
试了一下还比较简陋只有账号系统和聊天还有文件上传功能。直接拍照然后询问问题还是挺方便的。
Kimi 智能助手更新 Kimi+ Agent 能力
Kimi 更新了自己的智能体功能，叫 Kimi+ 。产品层面考虑的非常完整，首批 Kimi+ 的内容都很有用。比如什么值得买驱动的商品挑选，还有我使用最多的翻译、内容改写。
主要还支持在聊天中@不同的 Kimi+ 接力聊天，这样可以在一个窗口里完整个工作流。比如先翻译内容，之后再改写，最后生成单个媒体格式的文案。在后面智能体数量丰富之后非常有用。
Cubby：内容协作工具
Cubby 是一个专为增强研究协作而设计的工具，它使用户能够存储、标注并整合来自诸如 YouTube 和播客等多个平台的文章、PDF、视频和音频文件。Cubby 的核心功能包括：在一个私密的工作空间内无限制地添加链接或文件、在内容的原始形态上进行标记和高亮显示、自动转写音视频内容。用户还可以对这些转录内容进行标注，听取它们，甚至下载片段。此外，Cubby 允许用户直接在 PDF 和其他文档上作画式标注，帮助用户保持笔记的条理和易于访问性。
Monterey：帮助企业分析非结构化数据
Monterey AI 是一个专为企业打造的强大分析平台，专注于管理和分析大量非结构化数据。这类数据目前占所有新企业数据的90%。预计到2025年，这类数据的总量将达到1750亿太字节，但其中只有少部分得到存储和分析。Monterey AI 能够高效并准确地分析这些数据，通过电话、电子邮件和在线聊天等多个客户互动渠道提供实时分析。
该平台拥有多项功能，能自动识别并初步处理各类问题，从杂乱无章的数据中提炼出有价值的信息，并通过一个无需编程的友好界面与数据进行互动。它能够辨识导致客户满意或不满的关键因素，并确保相关信息能够及时传达给负责处理的团队。
Mindtrip：AI 驱动的旅游聚合应用
Mindtrip 是一个旅行相关的服务平台，它通过汇集成千上万的资源，并根据用户的独特偏好，提供定制化的旅行体验和灵感。该平台能够在几秒钟内为用户提供互动且可定制的行程计划，包括交通、酒店、餐厅和活动的所有预订信息，所有这些都可以在一个地方进行管理。
Mindtrip 的特色之一是它提供的旅行体验不仅仅是阅读，还包括丰富的照片、互动地图和评论，让用户仿佛已经身处目的地。无论是用户所在城市的最佳餐厅还是世界各地的最佳海滩，Mindtrip 都能提供相关的推荐，并允许用户将喜欢的推荐添加到旅行计划中。
Atlassian Rovo：帮助团队查找内容快速决策
Atlassian Rovo是一个由生成式AI驱动的工具，旨在帮助团队更好地做出决策并更快地实现目标。Rovo通过整合团队所选的所有SaaS应用中的信息，使团队能够找到、学习并迭代知识，并通过虚拟代理更快地采取行动。Rovo提供了一系列功能，包括：
Rovo搜索：一次搜索，找到所有相关结果，帮助团队跨所有选择的SaaS应用找到最相关的信息。
Rovo聊天：与Rovo聊天，连接到正确的团队，揭示关键洞察，直到用户感觉了解所有必要的组织话题。
Rovo代理：理解复杂任务并采取正确行动的代理，帮助团队高效完成工作。这些代理包括创建和审查代理、工作流管理代理、知识管理代理、团队文化代理和维护代理，用户可以直接使用、通过无代码界面创建自己的代理，或在Atlassian市场上探索各种代理。
精选文章 ✦
深度学习的CUDA/C++起源
有趣的是,许多人可能听说过 2012 年的 ImageNet / AlexNet 时刻,以及它引发的深度学习革命。
而鲜为人知的是,支持这一获奖作品的代码是由 Alex Krizhevsky 从头开始手动用 CUDA/C++ 编写的。
这是 CUDA 用于深度学习的首批重要应用之一,正是 CUDA 所带来的计算规模,使得这个网络在 ImageNet 基准测试中取得了如此优异的性能。实际上,这也是一个相当复杂的多 GPU 应用,例如采用了模型并行,将两个并行的卷积流分割到两个 GPU 上。
The Prompt with Trevor Noah
这个系列的主角是微软首席问题官特雷弗·诺亚，他以好奇著称。在每一集里，他和他的嘉宾都会讨论一个与公共辩论相关的新提示，他们如何使用人工智能来解决紧迫的全球问题，以及人工智能对公共安全、健康、教育等的影响。他探索技术的前沿，跨越界限，向世界各地的技术专家、工程师、科学家和社区学习。
宝玉的中文翻译版本：https://x.com/dotey/status/1786526865370325166
提示工程背后的基本思想
通过设计输入数据、示例、指令等提示组件,可以显著提高LLM执行各种任务的效果。
文中总结了提示工程的关键原则:实证驱动、从简单开始、具体直接、使用示例、避免不必要复杂性。
斯坦福创业思想领袖讲座Sam Altman分享
每一年AI系统都将变得更智能，这是人类历史上最引人注目的事实之一。未来6年，人工智能将带来巨大改变。他建议学生投身AI研究，相信AI基础设施将成为未来最重要的投入之一。
Sam认为应对AGI潜在危险，需要采取更加迭代渐进的部署方式，并与社会各方密切协调。他也相信，尽管AGI可能带来一些挑战，但总体上对人类社会是巨大的正面影响。
Sam Altman以其独到见解和丰富经验，分享了他对AI发展现状、未来趋势以及如何应对潜在风险的看法，让读者对AI有了更全面深入的认识，并为职业发展指明了方向。
名人 Embedding 创建指南
Civitai 上的一个 Embedding 创建指南，详细介绍了在创建TI方面的个人旅程和洞察，特别是名人的TI。
要点包括：
作者认为创建LoRA比TI更容易，但他更喜欢使用TI。作者使用了A1111和Kohya等工具来创建TI，由于其简单性和有效性，更倾向于使用A1111。
成功训练TI最关键的因素是数据集的质量和准备。即使训练参数不是最优的，一个准备充分的数据集也能带来不错的结果。
数据集准备的各个方面，如图像大小、图像数量和预处理需求。他们强调图像的选择及其处理显著影响TI的“个性”。
还介绍了训练参数，包括学习率、批量大小、梯度累积步骤和训练步数的设置。这些参数应根据特定数据集和训练目标进行调整。
最近提示工程的研究成果总结
老哥有个非常简短的内容总结了最近提示工程的研究成果。还给出了对应的论文，可以挑自己感兴趣的深入看一下。并且分了四类分别是推理、工具使用、上下文窗口和更好的写作。
推理：简单的提示技术对许多问题都有效，但解决多步骤推理问题需要更复杂的策略。
工具使用：LLMs功能强大，但它们有明显的局限性。我们可以通过教LLM如何利用外部的、专业的工具来解决这些局限性。
上下文窗口：鉴于最近的LLMs对RAG/少样本学习的长上下文的强调，上下文窗口和上下文中学习的特性已经深入研究。
更好的写作：LLMs最受欢迎的用例之一是改善人类写作，提示工程可以用来制作更有效的写作工具。
Rabbit R1 被爆出只是一个安卓 APP
Android Authority的一篇文章对Rabbit R1进行了深入探讨，这是一款基于Android的AI设备。文章反驳了制造商关于设备必须要有特别固件才能运行的说法。
尽管Rabbit公司声称R1必须要装载一个“非常定制的AOSP”（Android开源项目）才能正常工作，但调查结果表明，该设备的核心功能实际上可以在没有任何特殊权限或改动的标准Android硬件上运行。Android Authority与逆向工程师合作的测试表明，R1能够在常规Android手机，比如小米13T Pro上，实现其所有宣传的功能，尽管其初次发布时并不受欢迎。
文章还指出，Rabbit对由MediaTek提供的标准Android开源项目仅作了极少量修改，比如加入了R1的启动应用和一些小的调整，这与Rabbit所声称的对设备运行至关重要的大幅定制需求形成了鲜明对比。
重点研究 ✦
用于超大数据集实时渲染的分层3D高斯表示
可以实现几乎实时的 3D 高斯泼溅渲染。
只需要在车上装上设备正常前进就行，中等质量的渲染可以保证每秒60帧，高质量的可以保证30帧。
项目能够在保持大型场景的视觉质量的同时，通过高效的细节层次方案，实现远处内容的高效渲染，确保层级间的平滑过渡和明确的层级选择。
Prometheus 2 专门用于评估大语言模型质量的模型
之前也有一些开源的评测模型,但它们要么和人类评分差异很大,要么只能做固定形式的评测。
Prometheus 2的特点是:
它的评分和人类非常接近;
它既可以给文本直接打分,也可以比较两个文本哪个更好;
它可以根据用户给的具体标准来评分,而不局限于通用的标准。
论文作者通过合并两个模型的参数得到了Prometheus 2:一个模型是用直接打分的数据训练的,另一个是用文本比较的数据训练的。
**StoryDiffusion**：远程图像和视频生成的一致自注意
StoryDiffusion 这个字节的新项目表现很好啊。
能够生成细节丰富、内容多样的图像和视频，同时保持角色身份和服饰的一致性。可以帮助生成长篇漫画或者带连续剧情的视频。
与IP-Adapter和PhotoMaker等方法相比，StoryDiffusion在保持角色一致性的同时，还能更好地控制文本提示，生成与描述更匹配的图像和视频。
关键组件：
Consistent Self-Attention是StoryDiffusion框架的核心组件之一，它通过在生成过程中引入参考图像的样本Token，增强了不同图像间的一致性。
Semantic Motion Predictor是StoryDiffusion中的另一个关键组件，它专门用于长距离视频生成。
InstantFamily：多 ID 保持图形生成项目
SK 电讯出的零样本多ID保持项目 InstantFamily，只需要每个人的一张照片就可以生成多人合照。
同时解决了多 ID 生成中常见的问题,例如生成的多个人脸身份不一致、人脸细节缺失等。
采用新颖的掩码交叉注意力机制和多模态嵌入堆栈 来实现零样本多 ID 图像生成的方法。
能有效保留 ID,因为它利用了来自预训练的人脸识别模型的全局和局部特征,并与文本条件相结合。
用模型评委团取代单一评委,以更好地评估大语言模型
以往,人们常常使用单一的大模型(如GPT-4)作为评委来打分其他模型的输出。
但作者认为这种做法有局限性,不仅成本高、速度慢,还会受到评判模型自身偏好的影响。
作为替代,他们提出组建一个由多个不同类型小模型组成的"模型评委团"(Panel of LLM Evaluators, 简称PoLL)。
通过让评委团的多个模型独立打分,再综合它们的评判结果,可以降低个别模型的偏差,得到更加客观公正的评估。
实验表明,在多个任务上,PoLL的评判结果与人类判断的相关性更高,同时成本却比单一大模型评委低7倍以上。这说明PoLL是一种很有前景的评估方案。
基于 Gemini 微调的医疗领域模型 Med-Gemini
在临床推理、多模态理解和长文本处理方面都有很大的提升。研究人员用了14个医疗基准测试Med-Gemini的能力。结果发现,它在10个基准上都取得了最佳表现,远超之前最强的GPT-4模型。
比如在流行的医学问答测试MedQA上,Med-Gemini达到了91.1%的准确率,比之前最好的模型高出4.6%。
Med-Gemini不仅擅长文本任务,在理解医学图像、视频、心电图等多模态数据上也很在行。它能看懂医学影像,回答相关问题。还能看医学教学视频,掌握手术操作步骤。